基于手机加速度传感器的步态身份识别方法及系统与流程
本发明涉及身份识别领域，尤其涉及一种基于手机加速度传感器的步态身份识别方法及系统。
背景技术：
当今社会，科技日益发达，信息全球化飞速发展，深入渗透到各个学科和领域，人们的生活学习方式也受到了巨幅影响。电子设备产品成为人们生活必不可少的一部分，如手机、平板电脑、个人笔记本以及mp3。这些科技产品在给予人们方便的同时，也带来了极大的安全隐私漏洞。如今的手机不再仅仅局限于拨打号码和发送短信，个人电脑也不局限于个人办公，电子银行、电子邮件、电子消费以及网上购物交易都在手机或者个人平板电脑上得以实现。随之而来的网络个人信息及隐私安全问题，给用户带来经济甚至身心伤害。
网络信息化时代的一大特征就是个人身份的数字化和隐性化。怎样准确的对一个人的身份进行识别，才是解决如何让用户个人信息隐私得到保证的关键所在。如今，更加普遍的认证方法是pin码和密码，以及基于物品的--用户拥有的(许可证，令牌等)，这些方法对于考虑安全方面的问题并不总是有效的。以上的识别方式要求用户对密码的记忆以及对识别物品的持有保存限制高。虽然密码这种方式为大多数人所使用，但是人们通常为了方便记忆会设置比较简单的密码，很容易记住，但是也很容易被攻击从而导致攻击者成功进入系统。而这些限制条件可以由生物认证方式得到改善，比如用人脸识别、指纹识别或者步态识别进行认证。这就是打破传统识别方法的生物识别方法。
所谓生物特征识别技术就是，通过计算机与各种传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。身份鉴别问题是一个非常普遍而重要的问题，与人们的生活工作密切联系，只有在身份得到确认以后才能获得某种权利或者许可。
基于生物特征识别的方法有很多，如人脸识别、虹膜识别、指纹识别以及步态识别。其中人脸识别、虹膜识别和指纹识别，又称为基于生理特征的识别，并且人脸与指纹识别已经在手机以及平板电脑上得到实现。步态识别则是基于行为特征的生物特征识别方式，步态特征的识别有大致分为，步态能量图识别和步态时间序列识别。指纹识别，是利用每个人独特的指部皮肤纹理的凹凸不平进行相关认证，缺点在于手指属于身体外部并且动作频繁，难免会有受伤而导致皮肤纹理的改变，就导致了认证的错误拒绝。脸部识别，受到场景的限制很多，如识别对象的表情、识别角度以及光照影响。虹膜识别，每个人的虹膜是巩膜和瞳孔之间环状区域，它包含丰富的纹理特征，而且结构是随机的，是遗传基因决定的，不易被伪造，具有非常高的稳定性，仅仅受外界光线的影响，已被认为是最方便最精确的一种。但是虹膜识别往往需要高端仪器的支撑和配合。步态识别，利用了人体行走时加速度的不同进行相关识别。步态识别在2005年被ailisto所提出，并被gafurov进一步发展。holien研究了行走速度以及不沿直线行走的识别影响。
以上所有的生物特征识别选择的特征大概具有两个性质，普遍性和唯一性。普遍性——要求每个人都拥有此类特征；唯一性——任何不同的两个人拥有的同类生物特征不一样。而对于识别仪器或者设备的要求，也是各不相同。最近几年发展起来的并逐渐得到重视的步态识别，基本依赖于传感器对加速度进行记录，之后做相关处理。步态识别的研究一般可分为三种情况：基于机器视觉，基于地板传感器，基于可穿戴式传感器。加速度计在越来越多的手机内集成。这就使得手机作为识别设备的获取更加的方便，识别方式更加为大众所用。基于手机的生物步态身份识别使得用户的识别过程更加随意，用户信息隐私安全也得到了保证。
技术实现要素：
本发明的目的在于，为了解决可穿戴式传感器、独立传感器价格昂贵及识别过程繁琐检测难点，利用手机内置加速度传感器对行走步态进行识别，进而达到对待测者身份的识别。
本发明为达发明目的所采用的技术方案是：
提供一种基于手机加速度传感器的步态身份识别方法，其特征在于，包括如下步骤：
通过手机加速度传感器采集待测者的一段路程中的步态数据；
对获取的步态数据进行预处理，对三轴加速度信号x、y、z分别进行线性插值、滤波，再合成合加速度；
对合成的合加速度序列进行周期分割，利用dtw算法对周期进行过滤，滤除不合格周期，得到合格周期；
对合格周期提取时域和频域特征，时域特征包括z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，频域特征包括fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征；
将待测者的18维特征通过预先训练的分类器进行鉴别。
接上述技术方案，步骤“对三轴加速度信号x、y、z分别进行线性插值”以保证每个点之间的时间间隔相等，线性插值计算如下：
s0，s1代表在时间t0，t1采集到的样本，(s',t')是产生于(s0,t0)与(s1,t1)之间的插入点。
接上述技术方案，步骤“对合成的合加速度进行周期分割”具体为：
取出合加速度的序列的前30个点，以此点集向后移动一点直至结尾；
每移动一次计算一次两个序列间的欧式距离，当欧式距离最小时，即为一个周期的距离；
对获取的欧氏距离数组，取出欧氏距离中的所有波谷值，并取出其均值，作为估计的周期长度；
将获取的周期长度，以合加速度序列的第一个点为起始点，以估计周期长度向后滑动，并在{6,8,11,15}的窗宽之中寻找周期划分点，确保划分出的周期个数在12个以内，得到周期集。
接上述技术方案，步骤“利用dtw算法对周期进行过滤，滤除不合格周期，得到合格周期”具体为：
在每个分割出来的周期集合内，两两计算dtw距离；
计算每个周期相对于其他周期的平均dtw距离；
计算每个周期相对于其他周期的平均dtw距离的平均值，即为整个周期组的平均dtw距离，在计算出每个周期相对于其他周期的平均dtw距离的标准差；
利用整个周期组的平均dtw距离与标准差，组合一个阈值范围，dtw距离落在(±标准差+整个周期组的平均dtw距离)内，即为合格周期。
本发明还提供了一种基于手机加速度传感器的步态身份识别系统，包括：
数据采集模块，用于通过手机加速度传感器采集待测者一段路程中的步态数据；
预处理模块，用于对获取的步态数据进行预处理，对三轴加速度信号x、y、z分别进行线性插值、滤波，再合成合加速度；
周期分割模块，用于对合成的合加速度序列进行周期分割，利用dtw算法对周期进行过滤，滤除不合格周期，得到合格周期；
特征获取模块，用于对合格周期提取时域和频域特征，时域特征包括z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，频域特征包括fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征；
鉴别模块，用于将待测者的18维特征通过预先训练好的分类器进行鉴别。
接上述技术方案，所述预处理模块进行线性插值时，线性插值计算如下：
s0，s1代表在时间t0，t1采集到的样本，(s',t')是产生于(s0,t0)与(s1,t1)之间的插入点。
接上述技术方案，所述周期分割模块具体用于：
取出合加速度的序列的前30个点，以此点集向后移动一点直至结尾；
每移动一次计算一次两个序列间的欧式距离，当欧式距离最小时，即为一个周期的距离；
对获取的欧氏距离数组，取出欧氏距离中的所有波谷值，并取出其均值，作为估计的周期长度；
将获取的周期长度，以合加速度序列的第一个点为起始点，以估计周期长度向后滑动，并在{6,8,11,15}的窗宽之中寻找周期划分点，确保划分出的周期个数在12个以内，得到周期集。
接上述技术方案，所述周期分割模块还具体用于：
在每个分割出来的周期集合内，两两计算dtw距离；
计算每个周期相对于其他周期的平均dtw距离；
计算每个周期相对于其他周期的平均dtw距离的平均值，即为整个周期组的平均dtw距离，在计算出每个周期相对于其他周期的平均dtw距离的标准差；
利用整个周期组的平均dtw距离与标准差，组合一个阈值范围，dtw距离落在(±标准差+整个周期组的平均dtw距离)内，即为合格周期。
本发明产生的有益效果是：本发明利用手机内置加速度传感器结合dtw(动态时间规整)和svm(支持向量机)算法对行走步态进行识别，进而达到对待测者身份的识别。采用dtw算法获取改良周期组，能够使周期组更具样本代表性，进而提升识别精度，同时，采用启发式规则与机器学习相结合的方法，去除大量不良周期，运用经典的支持向量机构建模板分类器模型，能够较好的提升准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明所述方法流程示意图。
图2是原始步态数据示意图。
图3是插值数据示意图。
图4是滤波示意图。
图5是合成加速度示意图。
图6是周期分割提取示意图。
图7是周期滤除和归一化示意图。
图8是svm分类器识别结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了解决可穿戴式传感器、独立传感器价格昂贵及识别过程繁琐检测难点，本发明提供一种技术手段，即利用手机内置加速度传感器结合dtw(动态时间规整)和svm(支持向量机)算法对行走步态进行识别，进而达到对待测者身份的识别。
首选进行分类器的训练，本发明实施例以7个志愿者的12组数据为例，如图1所示，具体包括以下步骤：
步骤1、手机获取志愿者行走数据，获取三轴x、y、z加速度数据，7个人每人获取12组数据，行走直线距离24m；可利用安卓sdk，在eclipse上开发出一个获取手机加速度传感器应用软件；再将装有采集功能app的手机置于志愿者左腿裤子口袋中；
步骤2、对获取的行走数据进行数据预处理，包括对三轴数据进行线性插值、平均滑动滤波、合成合加速度r、基于周期分割时间序列；
步骤3、对步骤2中的划分出来的周期组序列进行不良周期的滤除。
步骤3.1：每个周期组之内的各个周期两两之间计算dtw距离，将得到的距离记为score；
步骤3.2：对得到的score计算每组周期相对于其他周期的平均dtw距离，记为
步骤3.3：对得到的平均dtw距离
步骤4、通过步骤3获取的合格周期，提取时域和频域的特征。时域分别提取z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，以及提取出频域的fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征；
步骤5、通过获取的特征集合训练分类器对待测样本进行分类。
步骤5.1：对7个人每人12组特征集合，其中选取每人8组训练分类器，分类器的训练采用“一对多”原则，7个人的特征分别作为正类，记为1，其他6人作为负类，记为-1，训练出7个分类器。
步骤5.2：将步骤5.1得到的7个分类器对待测样本84组，分别进行识别。每组样本分别在7个分类器中进行分类。当预测结果只有一个+1时，即为对应分类器的身份；当预测结果含有多个+1或者全-1时，即为识别失败。
得到分类器后，再采集待测者的步态数据并进行处理。
本发明实施例中，采集待测者的步态数据并进行处理具体包括以下步骤：
通过手机加速度传感器采集待测者的一段路程中的步态数据；
对获取的步态数据进行预处理，对三轴加速度信号x、y、z分别进行线性插值、滤波，再合成合加速度；
对合成的合加速度序列进行周期分割，利用dtw算法对周期进行过滤，滤除不合格周期，得到合格周期；
对合格周期提取时域和频域特征，时域特征包括z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，频域特征包括fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征；
最后，将待测者的18维特征通过预先训练的分类器进行鉴别。
本发明另一实施例以对图2数据为例，基于手机加速度传感器的步态身份识别方法具体包括以下步骤：
步骤1：输入样本数据，如图2；
步骤2：对样本数据进行预处理，包括对数据进行线性插值，保证每个点之间的时间间隔相等，此处采样率为50，所以插值为0.02s一个数据点，连续两个返回样本之间的时间间隔不是一个常数，因此，我们应用一个线性插值获得的信号来确定两个样本之间的时间间隔保持不变。线性插值由此计算：
s0，s1代表在t0，t1收集到的样本，(s',t')是产生于(s0,t0)与(s1,t1)之间的插入点。如图3；
步骤3：对插值后的数据进行滑动平均滤波，滤除信号中由于行走时突然的变速、转向会造成不同程度的噪声，利用滑动滤波处理可以很好的过滤掉噪声信号，如图4；
步骤4：对滤掉噪声的信号进行合成加速度
步骤5：对截取合成后的速度进行周期分割，采用序列的子序列，这里取出序列的前30个点集，然后向后移动一个点就与之后的30个点计算欧氏距离，取出欧氏距离的中的波谷点，并取得均值，这个均值作为估计的周期长度，然后采用滑动窗口寻找步骤4中适合的周期分割点，获得样本的周期集合，如图6。
步骤5.1：对步骤4中得到的时间序列，取出前30个点，以此点集向后移动一点直至结尾；
步骤5.2：每移动一次计算一次两个序列间的欧式距离，当欧式距离最小时，即为一个周期的距离；
步骤5.3：对获取的欧氏距离数组，取出所有的波谷值，并取出其均值，作为估计的周期长度；
步骤5.3：将获取的周期长度，以步骤4中获取的序列的第一个点为起始点，以估计周期长度向后滑动，并在{6,8,11,15}的窗宽之中寻找周期划分点，确保划分出的周期个数在12个以内，得到周期集；
步骤6：将步骤5得到的周期集合，利用dtw算法滤除不良周期，保留合格周期，如图7所示；
步骤6.1：在每个划分出来的周期集合内，两两计算dtw距离；
步骤6.2：计算每个周期相对于其他周期的平均dtw距离；
步骤6.3：计算每个周期相对于其他周期的平均dtw距离的平均值，即为整个周期组的平均dtw距离，在计算出每个周期相对于其他周期的平均dtw距离的标准差；
步骤6.4：利用整个周期组的平均dtw距离与标准差，组合一个阈值范围，dtw距离落在(±标准差+整个周期组的平均dtw距离)内，即为合格周期；
步骤7：对步骤6中获取的合格周期提取时域和频域特征。
步骤7.1:时域分别提取z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，
步骤7.2：提取出频域的fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征。
各特征的计算公式如下：
平均最大加速度
平均最小加速度
平均绝对差
根均方
标准差
峭度
峰值因子
前5个fft系数
前5个dct系数
步骤8：对步骤7获取的特征训练分类器。
步骤8.1：7个人每人数据，共84组，每人取出8组作为训练集，训练出对应的7个分类器。每个人分别作为正类，记为+1，其他6个人作为负类，记为-1，进行训练；
步骤8.2：假设训练集数据为θ，xi为提取的输入特征，di为分类输出，如下式所示。
θ＝{(x1,d1),(x2,d2),...,(xn,dn)},di∈{+1,-1},xi∈rm
其中n为样本数目，特征向量的维数为m，di为+1代表正样本类，为-1代表负样本类。假设函数g(x)是对未知特征向量进行分类的未知函数，如下式所示。
g(x):rm→{+1,-1}，m为特征向量的维数
在svm当中，对于线性可分模式的最优边缘化分类，是根据在m维空间找一个超平面，这个超平面必须是线性可分{+1，-1}两类到超平面的两侧。决策平面如下式所示。
wtx+b＝0
其中w是可以调节的权重向量，b为超平面的误差，当样本线性可分时，可以如下式所示：
其中w0为最优可调权重向量，b0为超平面最优偏差，当最优值w0、b0被确定，此时最优超平面被确定。
步骤8.3：对于n分类问题，需要构建n个svm模型，每个分类器只负责区分本类别和其他类别，最后构建一个决策函数，统计每个分类器的分类结果，最后得出结论。
假设有步态身份类别为n类，所有类别记为g，如下式所示：
g＝{g1,g2,...,gn-1,gn}
此时要设计出n个分类器，所有分类器记为c，如下式所示：
c＝{c1,c2,..,cn-1,cn}
如果待分步态样本序列的特征向量有n个，记为f1,f2,...,fn,则需要n个分类器ci(i＝1,2,...,n)采用一对多原则进行样本训练。训练时分类器ci时，将gi作为正样本，gi的特征向量fi(i＝1,2,...,n)记为正标签+1，而其余的类别gj(j≠i)作为负样本，它们的所有特征向量记为负标签-1。
通过以上原则建立起n个分类器，当对待测样本进行分类识别时，分别输入n个分类器进行识别。识别结果以{+1，-1}表示，如果分类器ci识别结果为+1，而其它分类器cj(j≠i)识别结果为-1，则认为此步态身份属于i类别。
步骤9：将待测样本84组分别置于7个分类器中，如果预测结果为一个+1，则身份为对应分类器的志愿者；假如预测结果为多个+1，或者为全为-1，则识别错误。本实施例的识别结果如图8所示。在84组测试中，最优识别率为100％，最差为89.2875％，平均识别率为94.3838％。
在训练分类器过程中涉及的对数据处理的方法以及特征提取的方法均适用于对待测者采集数据的处理。
本发明实施例基于手机加速度传感器的步态身份识别系统，包括：
数据采集模块，用于通过手机加速度传感器采集待测者一段路程中的步态数据；
预处理模块，用于对获取的步态数据进行预处理，对三轴加速度信号x、y、z分别进行线性插值、滤波，再合成合加速度；
周期分割模块，用于对合成的合加速度序列进行周期分割，利用dtw算法对周期进行过滤，滤除不合格周期，得到合格周期；
特征获取模块，用于对合格周期提取时域和频域特征，时域特征包括z轴方向平均最大加速度、平均最小加速度、平均加速度、根均方、标准差、峰值因子、峭度、平均绝对差8个特征，频域特征包括fft变换的前5个系数、dct变换的前5个系数，一共组成18维特征；
鉴别模块，用于将待测者的18维特征通过预先训练好的分类器进行鉴别。
所述预处理模块进行线性插值时，线性插值计算如下：
s0，s1代表在时间t0，t1采集到的样本，(s',t')是产生于(s0,t0)与(s1,t1)之间的插入点。
所述周期分割模块具体用于：
取出合加速度的序列的前30个点，以此点集向后移动一点直至结尾；
每移动一次计算一次两个序列间的欧式距离，当欧式距离最小时，即为一个周期的距离；
对获取的欧氏距离数组，取出欧氏距离中的所有波谷值，并取出其均值，作为估计的周期长度；
将获取的周期长度，以合加速度序列的第一个点为起始点，以估计周期长度向后滑动，并在{6,8,11,15}的窗宽之中寻找周期划分点，确保划分出的周期个数在12个以内，得到周期集。
所述周期分割模块还具体用于：
在每个分割出来的周期集合内，两两计算dtw距离；
计算每个周期相对于其他周期的平均dtw距离；
计算每个周期相对于其他周期的平均dtw距离的平均值，即为整个周期组的平均dtw距离，在计算出每个周期相对于其他周期的平均dtw距离的标准差；
利用整个周期组的平均dtw距离与标准差，组合一个阈值范围，dtw距离落在(±标准差+整个周期组的平均dtw距离)内，即为合格周期。
本发明利用手机内置传感器获取行走加速度信息，采用dtw算法获取改良周期组，能够使周期组更具样本代表性，进而提升识别精度，同时，运用经典的支持向量机构建模板分类器模型，能够较好的提升准确率。本发明的识别系统简单方便，通用性高，运用成熟的算法和特征并结合机器学习方法，能达到较好的检测效果。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！