本发明涉及人体生物识别的技术领域，具体涉及一种基于运动传感器的步态识别方法。
背景技术：
当今世界，信息技术创新日新月异，以数字化、网络化、智能化为特征的信息化浪潮蓬勃兴起。可穿戴设备已经走进人们的生活，在人们随身的物件上，集成了智能芯片等设备，可以收集用户的生理及使用习惯相关数据，并能通过网络等手段实现习惯的记录，体验的改进，功能的延伸等。但是信息技术高速发展的同时，也给用户的个人数据安全带来了风险，这使得个人数据安全和设备使用便利性存在着一定程度上的矛盾。
当前对步态识别的研究，基本都是基于机器视觉和深度学习，需要同时有多个摄像头获取步态视频进行数据分析，这样会极大增加步态识别实现的成本。目前，亟待提出一种实现成本较低，计算量小，普通终端便可实现，应用范围更广泛的步态识别方法。
技术实现要素：
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于运动传感器的步态识别方法，该步态识别方法利用在脚，小腿，或大腿上的运动传感器采集佩戴人的步态信息，这些传感器包括但不限于口袋中的手机，智能运动鞋，运动脚环。然后通过低功耗处理器分析后与数据库中事先采集好的数据进行比较已达到验证佩戴人身份的目的。
本发明的目的可以通过采取如下技术方案达到：
一种基于运动传感器的步态识别方法，所述步态识别方法包括下列步骤：
s1、通过运动传感器采集获得佩戴用户在行走过程中产生的步态数据；
s2、对步态数据进行步态周期估计，然后通过估计的步态周期对步态数据进行定位切割，实现步态数据的特征值提取；
s3、通过步态数据特征值曲线的上升沿延续长度及时间跨度的匹配比较，从匹配库筛选出匹配度高于判定阈值的候选人，将步态数据特征值在频域分别与每一个待识别的候选人的傅里叶变换之后的步态数据进行误差积分得到对每一个待识别的候选人的匹配度，将匹配度最大的候选人认定为身份匹配成功。
进一步地，所述步骤s2包括：
s201、通过不同的周期步态识别算法进行步态数据识别，对计算的周期进行评价，并且返回置信度，采用置信度最高的周期步态识别算法估计的步态周期值；
s202、根据估计的所述步态周期值对每一步的数据精确定位并切割单独提取出来作为特征值。
进一步地，所述步骤s3包括：
s301、对步态数据特征值曲线进行上升沿延续长度及时间跨度的匹配比较，从匹配库首先初步筛选出匹配度高于判定阈值的候选人；
s302、对候选人在匹配库中的步态数据进行压缩或者拉伸，实现步态周期标准化，对步态周期标准化后的步态数据特征值曲线进行傅里叶变换，将时域上特征不明显的数据映射到频域上，将步态数据特征值在频域分别与每一个待识别的候选人的傅里叶变换之后的步态数据进行误差积分得到对每一个待识别的候选人的匹配度，将匹配度最大的候选人认定为身份匹配成功。
进一步地，所述步态周期标准化为400个点，将从匹配库中获得的步态离散数据连续化，再将连续化的步态数据按400个点进行分离，得到各个相邻点之间相关性最好的离散数据，其中数据压缩或者拉伸变换的公式如下：
其中xi代表变换后的数据的第i个点，yi代表原始步态数据的第i个点，per为原始步态数据的周期，int()为取整函数。
进一步地，所述匹配度的计算公式如下：
其中，s(n)为待识别步态数据，c(n)为候选人步态数据。
进一步地，所述运动传感器为佩戴在脚，小腿，或大腿上的可穿戴智能设备，其中，所述步态数据为佩戴用户在行走过程中产生的加速度数据。
进一步地，所述匹配库为事先建立的，该匹配库中存储有用户的步态数据，可自动识别出没有记录的用户的步态数据，并自动存储到匹配库中。
本发明相对于现有技术具有如下的优点及效果：
1、实现简单，方便普及，成本低廉，理论上可以装配到现有的所有带有加速度传感器的智能设备上。
2、使用方便，本发明对人身份的识别是基于人的步态特征，验证的过程可以在使用者自然行走的过程中完成，所以使用体验更加流畅。
3、安全性更高，本发明采集的是步态数据，与指纹识别等传统技术相比更难被仿造。
4、与其它基于摄像头的步态识别方案相比，本发明的实现成本更低，计算量小，应用范围更广泛。
附图说明
图1是本发明公开的基于运动传感器的步态识别方法的流程步骤图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种基于运动传感器的步态识别方法，该方法利用佩戴在脚，小腿，或大腿上的可穿戴智能设备(包括但不限于口袋中的手机，智能运动鞋，运动脚环)，采集佩戴人的步态信息，然后通过低功耗处理器分析后与数据库中事先采集好的数据进行比较已达到验证佩戴人身份。
当用户佩戴智能可穿戴设备行走的时候，利用本发明公开的基于运动传感器的步态识别方法就可以自行收集用户的步态信息并确认佩戴人是否是合法持有人。整个识别过程不需要用户的参与，因此十分方便。
如附图1所示，本实施例公开的基于运动传感器的步态识别方法包括下列步骤：
s1、通过运动传感器采集获得佩戴用户在行走过程中产生的步态数据，其中，步态数据为佩戴用户在行走过程中产生的加速度数据，其中，运动传感器为佩戴在脚，小腿，或大腿上的可穿戴智能设备，包括但不限于口袋中的手机，智能运动鞋，运动脚环。
s2、对步态数据进行步态周期估计，然后通过估计的步态周期对步态数据进行定位切割，实现步态数据的特征值提取；
具体实施方式中，该步骤具体包括：
s201、通过不同的周期步态识别算法进行步态数据识别，对计算的周期进行评价，并且返回置信度，采用置信度最高的周期步态识别算法估计的步态周期值。
s202、根据估计的步态周期值对每一步的数据精确定位并切割单独提取出来作为特征值。
该步骤根据之前估计出来的周期大小，将每一步的数据精确定位并分段切割后单独提取出来，为以后更深层次的数据处理打好基础。
同时，在分段的过程中，将对数据的周期性强弱进行分析，如果周期性不明显，那么将这段数据将被认为成是错误数据并丢弃，以节约宝贵的计算资源。
s3、通过步态数据特征值曲线的上升沿延续长度及时间跨度的匹配比较，从匹配库筛选出匹配度高于判定阈值的候选人，将步态数据特征值在频域分别与每一个待识别的候选人的傅里叶变换之后的步态数据进行误差积分得到对每一个待识别的候选人的匹配度，将匹配度最大的候选人认定为身份匹配成功。
其中，匹配库为事先建立的，该匹配库中存储有用户步态数据，可自动识别出没有记录的用户的步态数据，并自动存储到匹配库中。
因此，匹配库在录入新的陌生人的步态数据时不用单独进行，可以在识别的过程中发现数据库中没有录入的用户并自动记录，这大大方便了数据的采集。
该匹配步骤中评价体系采用双层评价结构。第一层匹配的时候主要进行粗略的比较，将可能正确的人挑出来，并传入下一次匹配。由于第一次匹配的计算量较小，因此可以有效的节约计算资源。第二次匹配采用精确匹配，精确判断待评价的候选人与每一个经过了第一轮筛选的人的匹配度。比较后选取匹配度最高的那个人作为识别结果。
步骤s3具体过程如下：
s301、对步态数据特征值曲线进行上升沿延续长度及时间跨度的匹配比较，从匹配库首先初步筛选出匹配度高于判定阈值的候选人；
第一层识别算法:曲线上升沿延续长度及时间跨度的比较。
通过实验获得大量的不同人的数据曲线，经过分析后发现，不同人的曲线在特定的位置都有较为明显的上升趋势，并在一定时间内保持这种趋势。而进一步对比后发现，不同人的曲线上升沿的延续长度及时间跨度也是具有较明显差别，因此可利用此特定进行较粗略的身份验证。
s302、对候选人在匹配库中的步态数据进行压缩或者拉伸，实现步态周期标准化，对步态周期标准化后的步态数据特征值曲线进行傅里叶变换，将时域上特征不明显的数据映射到频域上，将步态数据特征值在频域分别与每一个待识别的候选人的傅里叶变换之后的步态数据进行误差积分得到对每一个待识别的候选人的匹配度，将匹配度最大的候选人认定为身份匹配成功。
第二层识别算法:特征曲线的提取和比较。
考虑到就算是同一个人，不同时间录入的数据周期可能会稍微有点差别。这时就采用了数据压缩或拉伸，使一个周期达到准确的400个点。将所获得离散数据连续化，再将连续化的数据按400进行分离，得到各个相邻点之间相关性最好的离散数据。数据压缩变换的核心算法部分如下
其中xi代表变换后的步态数据的第i个点，yi代表原始步态数据的第i个点，per为原始数据的周期，int()为取整函数。通过这个公式可以把周期为per的原始数据变换为周期固定为400的标准数据，这样可以方便比较。
对步态周期标准化后的特征值曲线进行采样频率为256个点的傅里叶变换，将时域上特征不明显的数据映射到频域上，使其特征值更加明显便于比较。
分别与每一个待识别的候选人的傅里叶变换之后的步态数据进行误差积分。从而得到对每一个待识别的候选人的匹配程度。理想状态下当采样率间隔dx无限小得时候匹配度公式如下：
但是在实际计算过程中，没法达到如此精度。因此可以采用近似公式：
其中，s(n)为待识别步态数据，c(n)为候选人步态数据，将匹配度最大的候选人认定为身份匹配成功，即将匹配度的值最大的候选人认定为身份匹配成功。
综上所述，本实施例公开的一种基于运动传感器的步态识别方法，该方法利用佩戴在脚，小腿，或大腿上的可穿戴智能设备采集佩戴人的步态信息，然后通过低功耗处理器分析后与数据库中事先采集好的数据进行比较已达到验证佩戴人身份。该方法实现简单，方便普及，成本低廉，理论上可以装配到现有的所有带有加速度传感器的智能设备上。同时，本发明对人身份的识别是基于人的步态特征，验证的过程可以在使用者自然行走的过程中完成，所以使用体验更加流畅。而且，本发明安全性更高，采集的是步态数据，与指纹识别等传统技术相比更难被仿造。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。