基于MEMS加速度传感器的步态识别

2017-09-12 01:12涂斌斌谷丽华揣荣岩
中国惯性技术学报 2017年3期
关键词:步态关键点加速度

涂斌斌,谷丽华,揣荣岩,许 会

(1. 沈阳工业大学 信息科学与工程学院,沈阳 110870;2. 沈阳大学 信息工程学院,沈阳 110044)

基于MEMS加速度传感器的步态识别

涂斌斌1,2,谷丽华1,揣荣岩1,许 会1

(1. 沈阳工业大学 信息科学与工程学院,沈阳 110870;2. 沈阳大学 信息工程学院,沈阳 110044)

针对最小采集约束条件和经历长时间跨度下识别率低的问题,提出一种基于MEMS加速度传感器的步态识别算法。该算法以右髋部位置采集加速度信号构造多个高斯差分尺度空间,利用局部关键点生成稀疏表示的步态特征位置模板,并采用模板融合来有效转换稀疏性步态周期特征,最后利用最近邻算法和投票机制对步态特征进行识别。在公开的含175名测试者的步态加速度数据集上进行测试,实验结果显示识别率为98.67%和认证率为99.89%,并进一步研究了测试集和训练集样本数目对识别效果的影响,验证了特征提取的有效性和稳定性。

MEMS加速度传感器;关键点;稀疏表示;模板融合

步态是人正常行走的方式,反映了人最常见的步行运动特点。步态识别是生物识别领域的研究热点之一,基于加速度信号的步态识别(以下简称“步态识别”)可广泛应用于便携式及可穿戴式智能设备、移动终端等进行身份识别和认证[1-2]。其中,身份识别为一对多的匹配,而身份认证为一对一的匹配。

步态特征提取是步态识别算法的主要部分。现有步态特征提取方法主要从时域和频域两个角度进行。时域特征为加速度信号的计算特征[3-7],频域特征为傅立叶变换或小波变换提取特征[8]。研究表明,时域特征较频域特征更多应用于步态识别,时域方法能更准确提取步态信号的特征。

时域方法是从采集的加速度信号中直接提取特征矢量,主要包括周期序列特征和周期序列中特殊点特征。步态加速度是一个准周期信号,步态周期是步态运动中的最小单位。文献[9]使用一种循环度量标准CRM(Cyclic Rotation Metric)来循环匹配输入步态周期和参考步态周期,以减少信号质量对匹配结果的影响,但时间花费严重影响实际应用的效果。文献[10-11]将稀疏表示引入对步态关键点描述符的分类中,解决了周期划分和周期内信号错位等问题,但多个身体部位步态信号识别相融合的处理方法不适于实际应用。文献[12]从步态信号中提取转折点特征和曲线特征作为步态特征,包括极值点相对时间和幅值,极大值和极小值间直线距离和斜率,两点波形与直线间面积。研究表明,转折点特征识别效果明显高于曲线特征。近年来,关键点作为特殊点特征成为步态研究的热点之一。

目前,步态识别研究多局限在较强采集约束条件和较短时间跨度下的小样本数据集,考虑到步态运动的尺度多变性和所受内外因素影响,本文提出基于稀疏性特征模板融合的步态特征提取方法,使用SIFT算法提取局部关键点,构建稀疏表示的步态特征位置模板(以下简称“特征模板”),再依据融合的特征模板转换步态周期数据作为步态特征进行步态识别。

本文的主要优势在于:充分运用SIFT变换检测步态信号上局部关键点,准确提取步态关键点;通过构建稀疏表示特征模板,有效确定步态特征点位置;利用特征模板融合,有效转换稀疏表示的步态特征,提高识别率的同时减少计算花销的时间。理论分析和实验结果表明,该方法在较长时间跨度、无固定采集、着装和鞋子变化的情况下,仍然能够实现稳定的身份识别和认证。

1 步态加速度信号预处理

加速度传感器采集的步态信号主要包含人体运动加速度信号、重力加速度信号。在数据采集过程中,传感器相对人体位置移动对重力方向的步态加速度信号影响较大,若采用某一轴加速度信号进行步态识别,都需要预先校正重力方向加速度对有效步态信号的影响,因此以三轴方向加速度信号计算合成变量作为步态信号[13]。图1是步态加速度信号重力方向与合成变量波形对比图,可见,两个信号各转折点方向完全相对。重采样和归一化是预处理过程中常用技术手段。采用内插值的方法对步态加速度信号进行重采样,从而调整步态周期数据长度;利用归一化方法调整步态周期信号幅度差异。

2 稀疏表示的特征模板

2.1 关键点

Lowe提出以DOG(Difference-of-Gaussian)高斯差分函数构造的多个尺度空间内中提取具有尺度不变性的关键点。文献[10]将SIFT(Scale-invariant Feature Transform)变换应用到步态加速度信号关键点的提取,通过设计关键点描述符进行分类和识别。该方法有效地提取具有旋转不变性和尺度不变性的步态特征序列,从而解决了步态信号特征点非稳定性问题。

图1 重力方向加速度信号与合成信号波形对比图Fig.1 Waveform comparison on gravitational acceleration signal and resultant signal

2.2 关键点幅值和位置信息

信号上的关键点是具有旋转不变性和尺度不变性的特殊点特征。研究表明,人体重心在重力方向加速度变化与肌肉控制、各关节活动关系紧密,步态加速度信号在步态周期的转折点具有明确的物理意义。图2是一次采样步态序列的归一化步态周期上关键点示意图。可见,关键点集中出现在周期信号的转折点处,也就是物理意义丰富的区域。利用关键点作为研究对象,识别方法可以关注更有效的信息。

图2 步态周期上关键点示意图Fig.2 Illustration of signature points in the gait cycles

多个步态周期中,关键点出现位置和幅值相对集中。对一名测试者,两个数据集(Dataset 1 和 Dataset 2)中12次采样步态加速度信号的关键点位置进行观察,在相同位置关键点数目超过3时,以蓝线标注。由图3可知,关键点相较于步态周期转折点保留更多的步态有效信息,相较于步态周期剔除大量无效信息,相较于平均步态周期避免了非步态信号的影响。

图3 步态周期中关键点分布图Fig.3 Example of regional distribution of signature points in the gait cycles

2.3 稀疏表示的特征模板提取方法

步态周期中关键点出现的位置相对集中,通过统计关键点位置信息可以得到稳定的关键点位置模板。在信号处理应用中,通过寻找一种比较稀疏的数据表达方式,用稀疏的数据取代原始数据,从实质上降低信息处理量,提高计算效率。对于一个N维向量,如果其中的元素大多数都为零,只有很少一部分元素为非零,那么该向量是稀疏性的。文献[14]指出通过对语音信号进行稀疏编码能够获得具有局部性、方向性和带通性的基。因此,根据关键点在步态周期中的位置,可以构造相同维度稀疏性位置向量。

为了建立稀疏表示的特征模板,在归一化步态周期上,提取所有关键点的位置信息。分析统计的具体步骤如下:

Step1 归一化nj个步态周期,提取每个周期内的关键点的位置信息,获得第i个步态周期的稀疏性的位置向量;

式中:1≤j≤N ,N是步态序列数目;1≤i≤nj,nj为第j个步态序列的步态周期数目;1≤k≤100。表示为第j个步态序列的第i个步态周期的第k个采样点的关键点位置信息。若采样点为关键点,则;若采样点为非关键点,则。

Step2 计算nj个步态周期中第k个关键点向量信息统计值Wj(k);计算R1值,比较Wj(k)和R1,若Wj(k)≥R1,mj(k)=1;若Wj(k)<R1,mj(k)=0;

式中:mj(k)为特征模板k点值;R1为判定是否为关键点位置的阈值;θ是自适应比例常数,其取值由nj决定,θ=round(nj5)的值。

Step3 建立第j个步态序列的稀疏表示的特征模板Mj:

3 步态识别方法

3.1 特征模板融合方法

研究表明,影响步态识别效果的因素很多。内因包括时间跨度、人体健康状况、心理情绪变化、负重着装及鞋和路面条件等实际情况,导致步态作为生物特征进行识别的不稳定性。外因包括采集约束、放置部位、周期划分、有效步态信号范围选择等实施情况,制约了步态识别系统的性能。

由于内外因素对步态识别系统影响的不确定性,采取将训练样本与测试样本的特征模板相融合的方法,最大限度地保留了两次采样步态共有的步态特征信息。特征模板代表步态特征点的位置信息,而多个步态周期中相同位置特征点的幅值也相对集中,因此利用特征点位置信息和步态周期幅值信息双模式进行步态识别。实现特征模板融合的步骤如下:

3.2 步态特征提取方法

3.3 步态识别方法

最近邻算法是一种常用的模式识别技术之一,是一种统计分类器,对包容型数据的特征变量筛选尤其有效,属于惰性学习。最近邻算法的基本思想是在多维空间Rn中找到与待测未知样本距离最近的点,再根据最近点的类别判定待测样本的类别。距离判别函数主要使用欧式距离。

4 实验结果与分析

本文从四个角度来验证所提出算法的有效性,1)分析实验选用数据集的特点;2)步态认证测试,研究模仿存在干扰数据情况下的认证效果;3)步态识别测试,以及进一步研究不同测试集和训练集样本数目对识别效果的影响; 4)与文献[10][11]提出的算法进行对比,进一步研究本文算法的有效性。实验在相同的硬件环境下,采用MATLAB R2012b及其工具箱在Intel(R) Core™ 3.20GHz处理器、Windows 7操作系统、内存16.0G的PC机上实现。

4.1 实验数据集

实验数据来源于浙江大学第一个公开的步态加速度数据集(ZJU-GaitAcc数据集[11]),包括身体5个位置(右手腕、左上臂、右髋部、左膝、右踝关节)的步态加速度数据,所使用的加速度传感器为ADXL330三轴加速度传感器,采样率为100 Hz。数据集中包含3个子集,每个子集数据为采集自5个身体位置6次自然行走20 m水平地面的正常行走步态加速度信号。该步态加速度数据集的特点如表1所示。本文研究仅针对右髋部位置所采集的步态加速度数据集进行实验。

表1 ZJU-GaitAcc数据集特点Tab.1 Characteristics of ZJU-GaitAcc datasets

4.2 认证测试

分两种情况进行认证测试,实验选择子集0和子集1(或者子集0和子集2)的数据为训练集,子集2(或子集1)的数据为测试集。对153×6个步态信号数据进行5508次匹配,具体安排如表2所示。认证为一对一的匹配,153×6名测试者的认证识别率为99.89%,总匹配时间最长为8.3791 s。

表2 认证实验分类结果Tab.2 Classification result of gait authentication

4.3 识别测试

对于识别测试,实验选择子集2中153×6个数据作为测试集,子集0和子集1共175×6个数据组成训练集。因此,在实验过程中,训练集内存在22×6个干扰数据,可有效验证识别效果的鲁棒性。

4.3.1 不同测试集样本数目的识别结果

实验匹配结果为在测试集中首次匹配成功测试数据的标签。根据测试集中所包含每名测试者的步态序列数目,实验将分为6组,即每一组为153名测试者的第l次采样数据(标注为No.l),具体安排如表3所示。可见,每153名测试者与175×6名训练者共匹配160 650次,首次匹配的识别率稳定在96.56%,其中错误接受的人数共为27人,错误拒绝人数共为3人。

表3 不同测试集的识别结果Tab.3 Recogniion results of different test sets

4.3.2 不同训练集样本数目的识别结果

针对不同训练集样本数目对步态识别效果的影响进行实验,匹配结果由投票产生。实验过程中,测试集为153×6名测试者,而训练集含有样本数目由175×1名逐渐增加到175×6名,即每名测试者的采样次数由1次逐渐增加到6次,识别率如图4所示。可见,训练集中含有同一名测试者的步态序列样本越多,识别率也越高,但是识别所耗费的时间也越长。

图4 测试集数目与识别率关系Fig.4 Relationship between the test sets and recognition rate

4.4 不同算法的识别结果比对

在相同实验条件和相同数据集的情况下,分别采用文献[10][11]与本文算法实验结果进行对比,如图5所示。从图中可看出,本文方法仅在rank-1的识别结果已经高于其他方法,主要原因是特征模板的融合削弱了内外因素对步态识别系统影响,并能精确提取有效步态特征,从而提高步态识别的准确率。

图5 右髋部位置的不同方法CMC曲线Fig.5 CMC curves for different methods with the right side of pelvis

5 结 论

当步态识别经历长时间跨度和最小约束采集条件时,传统的基于加速度信号提取步态特征进行识别的算法只考虑步态运动的稳定性和独特性,而未考虑步态运动受内外因素影响导致的多变性。这种情况下,采用特征模板融合的方法能充分提高步态作为生物特征识别系统的性能。

本文在研究SIFT变换提取步态加速度信号关键点的基础上,提出了基于关键点位置信息和步态周期幅值信息的步态识别算法。基于关键点位置信息提出以统计得到的有效关键点位置向量作为步态周期特征的位置模板。在此基础上,设计基于步态周期数据和特征模板的双模式步态识别方法,以融合特征模板的方式有效提取步态特征位置信息,以融合模板提取步态周期特征的方式有效提取步态特征幅值信息。实验结果表明,该算法更适用于时间跨度大、着装不固定及采集装置最小约束情况下的步态识别。

(References):

[1] Ren Yan-zhi, Chen Ying-ying, Chuah Mooi Choo. User verification leveraging gait recognition for smartphone enabled mobile healthcare systems[J]. IEEE Transactions on Mobile Computing, 2015, 14(9): 1961-1974.

[2] Youn I H, Won K, Youn Jong H, et al. Wearable sensorbased biometric gait classification algorithm using weka[J]. Journal of Information and Communication Convergence Engineering, 2016, 14(1): 45-50.

[3] Khandelwal S, Wickström N. Gait event detection in real-world environment for long-term applications: Incorporating domain knowledge into time-frequency analysis[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24 (12): 1363-1372.

[4] Juefei-Xu F, Bhagavatula C, Jaech A, et al. Gait-ID on the move: Pace independent human identification using cell phone accelerometer dynamics[C]//Proceedings of the 2012 IEEE 5th International Conference. 2012: 8-15.

[5] Yang C C, Hsu Y L, Shih K S, et al. Real-time gait cycle parameter recognition using a wearable accelerometry system[J]. Sensors, 2011, 11(8): 7314-7326.

[6] Ren Y Z, Chen Y Y, Chuah M C, et al. User verification leveraging gait recognition for smartphone enabled mobile healthcare systems[J]. IEEE Transactions on Mobile Computing, 2015, 14(9): 1961-1974.

[7] Soaz C, Diepold K. Step detection and parameterization for gait assessment using a single waist-worn acelerometer[J]. IEEE Transactions on Biomedical Engineering,2015, 63(5): 933-942.

[8] Liu R, Zhou J.Z, Liu M, et al. A wearable acceleration sensor system for gait recognition[C]//Proceedings of the 2007 2nd IEEE Conference on Industrial Electronics and Applications. 2007: 2654-2659.

[9] Derawi M, Bours P, Holien K. Improved cycle detection for accelerometer based gait authentication[C]//Proceedings of the 2010 6th International Conference (IIHMSP). 2010: 312-317.

[10] Pan G, Zhang Y, Wu Z. Accelerometer-based gait recognition via voting by signature points[J]. Electronics Letters,2009, 45(22): 1116-1118.

[11] Zhang Y T, Pan G, Jia K, et al. Accelerometer-based gait recognition by sparse representation of signature points with clusters [J]. IEEE Transactions on Cybernetics, 2015,45(9): 1864-1875.

[12] Li Y X, Wang X B, Qiao F. Gait authentication based on acceleration signals of ankle[J]. Chinese Journal of Electronics, 2011, 20(3): 447-451.

[13] 路永乐, 张欣, 龚爽, 等. 基于 MEMS 惯性传感器的人体多运动模式识别[J]. 中国惯性技术学报, 2016,24(5): 589-594.Lu Yongl-e, Zhang Xin, Gong Shuang, et al. Recognition of multiple human motion patterns based on MEMS inertial sensors[J]. Journal of Chinese Inertial Technology,2016, 24(5): 589-594.

[14] 王天荆, 郑宝玉, 杨震. 基于自适应冗余字典的语音信号稀疏表示算法[J]. 电子与信息学报, 2011, 33(10):2372-2377.Wang T J, Zheng B Y, Yang Z. A speech signal sparse representation algorithm based on adaptive overcomplete dictionary[J]. Journal of Electronics & Information Technology, 2011, 33(10): 2372-2377.

Gait recognition based on MEMS acceleration sensor

TU Bin-bin1,2, GU Li-hua1, Chuai Rong-yan1, XU Hui1
(1. School of Information Science & Engineering, Shenyang University of Technology, Shenyang 110870, China;2. School of Information Engineering, Shenyang University, Shenyang 110044, China)

The conventional gait recognition algorithm basing on acceleration signal to extract gait features has low recognition rate when with minimal constraint conditions or relatively long time span. To solve this problem, a novel gait recognition algorithm based on MEMS acceleration sensor is proposed, in which the acceleration signals are collected at right-side half-pelvis to construct various DoG (difference of Gaussian)scale-spaces. The location information template of the gait features by sparse representation is built, and the gait cycle features based on sparse representation is effectively converted according to the fusion of gait templates. The gait features are recognized by the nearest neighbor approach and the voting scheme.Experimental results demonstrate that the proposed algorithm significantly outperforms other methods. Based on open access datasets of 175 volunteers, the recognition rate of 98.67% and the verification of 99.89% are obtained. Furthermore, the influence on the recognition effect by different composition of training samples and testing samples is further studied, which indicates the stability and effectiveness of the feature extraction by the proposed method.

MEMS acceleration sensor; signature points; sparse representation; template fusion

TP391.4

:A

1005-6734(2017)03-0304-05

10.13695/j.cnki.12-1222/o3.2017.03.005

2017-02-10;

:2017-05-20

国家自然科学基金(61372019);中央高校基础科研基金(N150308001)资助项目

涂斌斌(1980—),女,讲师,博士生,主要从事生物特征识别和信号处理研究。E-mail: bxforever@syu.edu.cn

联 系 人:许会(1963—),女,教授,主要从事工业检测与信息处理技术研究。E-mail: xuh@sut.edu.cn

猜你喜欢
步态关键点加速度
基于步态参数分析的老年跌倒人群步态特征研究
“鳖”不住了!从26元/斤飙至38元/斤,2022年甲鱼能否再跑出“加速度”?
论建筑工程管理关键点
肉兔育肥抓好七个关键点
建筑设计中的防火技术关键点
天际加速度
基于面部和步态识别的儿童走失寻回系统
创新,动能转换的“加速度”
步态识人
死亡加速度