基于手机加速度传感器的步态识别

步态识别是一种新兴的生物识别技术。智能手机的三轴加速度传感器测量人行走时的步态数据可用于步态识别。本文研究不同场景对步态识别的影响,参与数据采集有18个人,场地分为实验室的走廊和室外红砖场地,特征值包括频域征值与时域特征值。当步态识别的测试集和训练集来源于不同的场地时,用支持向量机检测识别的准确性。实验结果表明,当测试集和训练集来源同一场地时,步态识别的准确性较高,可达到94%。而对于数据来源于不一样的场地,准确性较差。主要的原因是场景变化,人行走的步态模式发生了变化。     

基于加速度特征点提取的步态身份认证

为了提高现有的基于加速度计的步态身份认证方法的性能,提出了一种基于加速度特征点提取的步态身份认证方法。使用基于小波变换的方法提取步态加速度特征点,并使用动态时间规整算法对提取出的特征点序列进行匹配。为了验证该方法的性能,建立了一套步态加速度无线采集系统并采集了18个志愿者的步态信息。实验结果表明,该方法的身份认证平均错误率为6.9%。与现有方法相比,该方法有效地减少了步态模板的数据存储量,缩短了匹配时间,提高了认证算法的性能。     

基于步态轨迹曲线特征的人体身份识别

基于加速度传感器的步态特征身份识别是新兴的身份识别方法.提取有效的特征是提高现有识别方法的关键所在.为了进一步挖掘更加有效的特征,提出了一种基于步态轨迹曲线特征的提取方法.利用傅里叶描述子表示轨迹曲线的全局轮廓特征,方向角描述子表示轨迹曲线的局部特征,二者结合成一个联合轨迹曲线特征向量,利用随机森林分类算法完成分类.实验结果表明,不仅轨迹曲线特征的识别率较高,而且与统计特征结合后的最高识别率达到97.10%,说明轨迹曲线特征能够有效地用于步态身份识别.     

基于步态的身份识别技术

基于步态的身份识别是生物识别领域的新兴问题,与传统生物识别技术相比,步态识别技术具有远距离识别性、非侵犯性、难以伪装和隐藏以及易于采集等优点,引起了国内外学者的注意。本文首先介绍了几种传统的生物识别技术,然后重点介绍了基于步态的身份识别技术的理论基础、算法流程、特征提取方法以及面临的机遇与挑战等。     

基于步态的身份识别研究综述

步态是远距离情况下能被感知的生物特征。本文综述了步态识别研究的起源、历史与现状,介绍了现有的步态识别方法并作了分类对比,分析了步态识别未来的发展趋势,指出步态与其他生物特征的融合将是其走向实用的必经之路。     

基于用户行为特征的手机端身份识别研究

基于智能手机用户在输入身份验证密码和滑动触摸屏过程中的个人独特行为特征,提出了两种身份验证方案,将单类支持向量机(OCSVM)算法应用到身份验证模型中,采用网格搜索算法获取模型的最优参数.实验结果显示两种身份验证方案都具有较好的泛化能力和验证精度,身份的验证过程不会干扰正常的用户操作.     

一种基于步态特征的身份识别方法

提出了一种基于步态特征的身份识别方法。首先用背景减除方法检测行人的轮廓;然后将二维的人体轮廓转换为一维的不变矩信号,把人体的步态序列变换为不变矩矢量;最后规格化不变矩矢量,采用最近邻法进行识别。实验结果表明该方法有好的识别性能。     

基于概率特征的步态识别研究

针对一些步态识别算法的局限性,提出了一种基于概率特征的步态识别算法.该算法利用目标轮廓在某位置出现的概率作为特征,来表征行人的行走习惯和姿态.概率特征分为运动概率特征和静态概率特征,分别表征行人的手臂、腿部等的运动特征以及躯干、体型等的静态特征.以概率为特征可以减小噪声对识别的影响,甚至可以弱化行人在行走过程中,因偶尔的较大手臂摆幅或者较大步伐等异常动作给识别带来的消极影响.该算法在CASIA Gait Database B和SOTON数据库上分别进行了实验并与其他算法做了对比,实验结果表明,算法对室外和室内样本都有很好的识别效果.     

基于特征融合的步态识别研究

提取了膝关节的速度距和路径距,膝关节到脚踝关节的距离作为步态特征,这些特征分别描述了步态的动态信息和静态信息.将这些特征融合得到了较全面的步态信息,利用融合特征进行步态识别,提高了步态的识别率.     

基于增强步态能量图和Gabor特征的辨别共同向量身份识别

提出了一种通过统计行走模式的动态信息进行步态识别方法.对代表每一类的步态能量图像(GEI)进行方差分析,以求得动态权值掩模(DWM).通过DWM对原始GEI进行动态和形状信息的增强,以获得新的步态表征EGEI.为增加可辨识信息,使用一组Gabor小波对EGEI进行卷积,然后采用辨别共同向量分析(DCV)将高维卷积结果在低维空间表示.通过使用简单的分类策略在USF步态数据库上的对比实验,证明了本方法对识别性能提高的有效性.     

基于多步态特征融合的情感识别

在情感计算、心理治疗、机器人、监视和观众理解等方面,基于步态特征的情感识别有着广泛的应用前景。已有方法表明,考虑手势位置等上下文信息可以显著提高情绪识别性能,且时空信息能显著提高情绪识别精度。但是单纯使用骨骼空间信息无法充分表达步态中的情绪信息。为了充分利用步态特征,本文提出自适应融合的方法,将骨骼时空信息与骨骼旋转角度结合,提升了现有模型的情感识别精度。本文模型利用自编码器,学习人类行走时的骨骼旋转信息,利用时空图卷积神经网络提取骨骼点时空信息,将骨骼旋转信息与时空信息输入自适应融合网络,得到最终特征进行分类。模型在Emotion-Gait数据集上测试,实验结果显示：悲伤、愤怒和中立情绪的AP值比最新HAP方法分别提升5、8、5个百分点;总体分类的平均MAP值提高了5个百分点。     

基于单肌肉表面肌电-加速度融合的步态识别

为了解决步态识别中多传感器信息采集系统成本高、穿戴舒适性差、信息冗余以及系统复杂等问题,文章提出了一种简单的、低成本的基于单肌肉表面肌电-加速度融合的步态识别方法。首先搭建无线表面肌电-加速度信息采集系统,用于获取平地行走、上楼梯、下楼梯、上坡、下坡5种步态模式下的单肌肉表面肌电和加速度信号;选择股直肌作为试验相关肌肉获取信息,对采集到的信号预处理后提取时域、频域和时频域特征值,并采用核主成分分析(kernel principal component analysis,KPCA)方法对这些特征值信息融合;最后利用支持向量机(support vector machine,SVM)、反向传播(back propagation,BP)神经网络分别对融合后的特征向量进行分类,试验识别率分别为94.00%、91.33%。不同信息源步态识别准确率的分析结果验证了该文信息融合方法的有效性。     

基于加速度信号几何特征的动作识别

根据人行为动作的特点,提出了一种基于加速度信号几何特征的层次识别算法以识别多种人的行为,例如:步行、下楼、上楼、跑步等.所分析的数据由绑在人体胯部的加速度传感器在实际环境中采集.该算法利用加速度信号的几何特征(周期,波峰值,波谷值)和信号的物理意义(如各方向的能量分布),所选取的特征对个人依赖较小.识别的过程采用了分层识别算法.该算法识别速度快,准确率高,在实际应用中取得了较好的效果.大量的实验表明,该算法对动作的识别正确率在80%以上.     

基于人脸与步态特征的室外作业场景身份核验方法

在建筑、通信、电力等工程行业中,作业人员需要频繁执行室外作业。由于室外环境复杂,许多运维工作存在来自高压、高空、深坑等因素的高风险。安全事故一旦发生,将造成巨大的人员和财产损失。因此,需要在作业过程中对作业人员进行身份核验,以方便监督。然而,在传统的监督方式中,作业现场的人员管理和行为管控完全依靠人工核查,监控视频也依赖人工看守,无法做到人员身份实时核验以及对非作业人员入场的有效预警。针对室外作业场景中的作业人员身份识别,目前的研究方法大多基于人脸识别。人脸识别方法能够在作业人员脸部信息清晰且完整时准确识别出其身份信息。然而,当存在遮挡,以及受检测距离、检测角度等因素影响时,会造成脸部信息不完全或者模糊,导致采用人脸识别方法难以准确识别出作业人员的身份。步态特征是一种描述行走方式的复杂行为特征,包括脚的触地时间、离地时间和人体高度、双手摆动幅值等。相比人脸识别,步态特征识别有以下优点：第一,步态识别适用的检测距离更远,而人脸特征随着检测距离的增加识别难度明显上升;第二,步态特征识别是非主动识别,现场作业人员几乎随时随地处于行走状态,而人脸识别需要识别对象正对检测装置;第三,步态特征具有较强的特异性,不像人脸特征较易被模仿、修改。不过,单独采用步态特征进行识别,虽然在作业人员运动时可以捕捉体态信息进而较为准确地对其进行身份核验,但是无法对静态的作业人员进行身份核验。[JP]针对此问题,提出了一种多特征融合的身份核验方法,结合步态与人脸等多特征进行识别,不受衣着、环境等外在因素的干扰,可以有效提高身份核验的准确率。提出的融合人脸特征和步态特征的多特征身份核验方法包括身份注册阶段、训练阶段与测试验证阶段。身份注册阶段,人工标注人脸与步态信息,并录入人员信息库;训练阶段,首先利用相关网络提取视频中图像序列的步态轮廓图与人脸区域,然后利用深度学习网络模型提取相关特征,构建融合的特征向量与身份ID间的关系;测试阶段,首先判断图像中有无清晰人脸,如果有则使用多特征融合识别方法,否则仅通过步态特征进行特征匹配进而完成身份核验。结果表明,多特征融合方法在中科院自动化所的CASIA-A数据集上的分类准确率达到99.17%,数据集包含的3个视角下的分类准确率分别为98.75%,100%和98.75%。因此,所提方法可以有效提高单人场景中的身份识别准确率,是在室外作业场景中进行身份核验的一种有效方法。     

基于下肢动静态特征融合的步态识别

针对目前步态识别研究中基于单一特征算法识别率低,多特征融合算法又过于复杂的问题,提出一种简单有效的步态识别算法。提取下肢肢体角度为动态特征,肢体长度为静态特征,另外引入动静态兼顾的可变区域面积特征,最后融合得到联合特征向量并引入一种最近邻模糊分类器进行分类。在CASIA步态数据库上进行大量的实验。实验结果表明,在降低融合算法计算复杂度的同时,识别率相对于单个特征有了很大提高。     

基于足压特征信号的步态识别研究

在人体步态的解析研究中,足底压力信号常被检测用以分析步态的变化情况。其中,以传感器阵列采集的足压信息,因信号关联性弱、冗余度高以及噪声干扰等原因,而无法直观识别出步态的变化规律。针对这一问题,以盲信号建立足压信号的数学模型,在分析其构成与解析上的复杂性后,采用奇异值分解(SVD)的方法,从多源观测数据中提取出足压特征信号。提出以主特征向量张成信息子空间中各特征点的分布规律,结合先验的步态运动过程,对单足步态运动进行识别与划分,并利用多组步态实验数据,验证了该方法的有效性。     

基于多尺度熵和动态时间规整的步态身份识别

针对现有人体步态身份识别算法单一、准确率较低的问题,提出了一种基于多尺度熵和动态时间规整（DTW,dynamic time warping）的人体步态身份识别方法。采用自制的APP软件在较低采样率下采集人体步行加速度数据,实验中共采集50名志愿者的正常行走加速度数据,使用多尺度熵算法进行数据处理,得到在各个尺度下的熵值,最后采用DTW算法对多尺度熵值进行特征匹配,得到的相对错误率（EER,equal error rate）为13.7%,仿真结果表明基于多尺度熵和DTW算法相结合的方法较好提高了身份识别的准确率,为人体步态身份识别提供了一个新的思路。     

基于步态序列的跨视角步态识别

为了提高跨视角步态识别的准确率,充分提取步态中的时间信息,提出了一种基于步态序列的跨视角步态识别模型,该模型利用编码器,并引入三元组损失函数,以此提取步态序列的特征,通过使用生成器与判别器,以及连续帧判别损失对编码器进行修正,确保提取具有时间信息的有效步态特征.针对CA-SIA-B数据集和OU-MVLP数据集,对提出的...     

脑电信号中的频谱不对称指数特征与情绪识别

研究了脑电信号中的频谱不对称指数(SASI),采用国际标准图片刺激被试者诱发产生正、中和负性情绪并采集其脑电信号,依据后期正电位段具有特征性的特点[7],对来自不同脑区、电极的1 000~1 500 ms时间段内脑电信号选取后期正电位段进行处理分析,分别计算不同脑区分别处于正、中、负性情绪时脑电信号的平均SASI。结果显示,相比于中性情绪,处于负性情绪时的SASI明显偏大;处于正性情绪时的SASI明显偏小,尤其是在左颞区、右颞区和枕叶区其特征性更加明显,表明SASI可作为情绪种类识别的特征量之一,若与后期正电位特征量结合使用,有望显著提高情绪种类识别的准确率。     

基于多通道步态集合的跨视角步态识别

为了提高步态识别的识别效率,提出了一种基于多通道步态集合的步态识别算法.算法中将一个周期的步态轮廓图进行归一化处理后,通过步幅的大小将周期内的轮廓图划分为7个通道,每个通道内的轮廓图按照平均步态来处理,得到7通道的步态模板.结合卷积神经网络的优异性能,将该多通道步态模板(period energy im-age,PEI)当成图像集作为网络的输入,让网络自身去提取步态模板之间的时序关系.在此基础上,使用增强约束的Triplet Loss函数来学习到最优的特征和距离度量,使最终的训练更加有效.通过在标准数据集CASIA-B上的实验结果表明,与之前多数算法相比,所提出的算法在跨视角的情况下能取得很好的识别效果.