涂斌斌，谷麗華，揣榮巖，許 會

（1. 沈陽工業(yè)大學 信息科學與工程學院，沈陽 110870；2. 沈陽大學 信息工程學院，沈陽 110044）

基于MEMS加速度傳感器的步態(tài)識別

涂斌斌1,2，谷麗華1，揣榮巖1，許 會1

（1. 沈陽工業(yè)大學 信息科學與工程學院，沈陽 110870；2. 沈陽大學 信息工程學院，沈陽 110044）

針對最小采集約束條件和經(jīng)歷長時間跨度下識別率低的問題，提出一種基于MEMS加速度傳感器的步態(tài)識別算法。該算法以右髖部位置采集加速度信號構(gòu)造多個高斯差分尺度空間，利用局部關(guān)鍵點生成稀疏表示的步態(tài)特征位置模板，并采用模板融合來有效轉(zhuǎn)換稀疏性步態(tài)周期特征，最后利用最近鄰算法和投票機制對步態(tài)特征進行識別。在公開的含175名測試者的步態(tài)加速度數(shù)據(jù)集上進行測試，實驗結(jié)果顯示識別率為98.67%和認證率為99.89%，并進一步研究了測試集和訓練集樣本數(shù)目對識別效果的影響，驗證了特征提取的有效性和穩(wěn)定性。

MEMS加速度傳感器；關(guān)鍵點；稀疏表示；模板融合

步態(tài)是人正常行走的方式，反映了人最常見的步行運動特點。步態(tài)識別是生物識別領(lǐng)域的研究熱點之一，基于加速度信號的步態(tài)識別（以下簡稱“步態(tài)識別”）可廣泛應用于便攜式及可穿戴式智能設備、移動終端等進行身份識別和認證[1-2]。其中，身份識別為一對多的匹配，而身份認證為一對一的匹配。

步態(tài)特征提取是步態(tài)識別算法的主要部分?，F(xiàn)有步態(tài)特征提取方法主要從時域和頻域兩個角度進行。時域特征為加速度信號的計算特征[3-7]，頻域特征為傅立葉變換或小波變換提取特征[8]。研究表明，時域特征較頻域特征更多應用于步態(tài)識別，時域方法能更準確提取步態(tài)信號的特征。

時域方法是從采集的加速度信號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點特征。步態(tài)加速度是一個準周期信號，步態(tài)周期是步態(tài)運動中的最小單位。文獻[9]使用一種循環(huán)度量標準CRM（Cyclic Rotation Metric）來循環(huán)匹配輸入步態(tài)周期和參考步態(tài)周期，以減少信號質(zhì)量對匹配結(jié)果的影響，但時間花費嚴重影響實際應用的效果。文獻[10-11]將稀疏表示引入對步態(tài)關(guān)鍵點描述符的分類中，解決了周期劃分和周期內(nèi)信號錯位等問題，但多個身體部位步態(tài)信號識別相融合的處理方法不適于實際應用。文獻[12]從步態(tài)信號中提取轉(zhuǎn)折點特征和曲線特征作為步態(tài)特征，包括極值點相對時間和幅值，極大值和極小值間直線距離和斜率，兩點波形與直線間面積。研究表明，轉(zhuǎn)折點特征識別效果明顯高于曲線特征。近年來，關(guān)鍵點作為特殊點特征成為步態(tài)研究的熱點之一。

目前，步態(tài)識別研究多局限在較強采集約束條件和較短時間跨度下的小樣本數(shù)據(jù)集，考慮到步態(tài)運動的尺度多變性和所受內(nèi)外因素影響，本文提出基于稀疏性特征模板融合的步態(tài)特征提取方法，使用SIFT算法提取局部關(guān)鍵點，構(gòu)建稀疏表示的步態(tài)特征位置模板（以下簡稱“特征模板”），再依據(jù)融合的特征模板轉(zhuǎn)換步態(tài)周期數(shù)據(jù)作為步態(tài)特征進行步態(tài)識別。

本文的主要優(yōu)勢在于：充分運用SIFT變換檢測步態(tài)信號上局部關(guān)鍵點，準確提取步態(tài)關(guān)鍵點；通過構(gòu)建稀疏表示特征模板，有效確定步態(tài)特征點位置；利用特征模板融合，有效轉(zhuǎn)換稀疏表示的步態(tài)特征，提高識別率的同時減少計算花銷的時間。理論分析和實驗結(jié)果表明，該方法在較長時間跨度、無固定采集、著裝和鞋子變化的情況下，仍然能夠?qū)崿F(xiàn)穩(wěn)定的身份識別和認證。

1 步態(tài)加速度信號預處理

加速度傳感器采集的步態(tài)信號主要包含人體運動加速度信號、重力加速度信號。在數(shù)據(jù)采集過程中，傳感器相對人體位置移動對重力方向的步態(tài)加速度信號影響較大，若采用某一軸加速度信號進行步態(tài)識別，都需要預先校正重力方向加速度對有效步態(tài)信號的影響，因此以三軸方向加速度信號計算合成變量作為步態(tài)信號[13]。圖1是步態(tài)加速度信號重力方向與合成變量波形對比圖，可見，兩個信號各轉(zhuǎn)折點方向完全相對。重采樣和歸一化是預處理過程中常用技術(shù)手段。采用內(nèi)插值的方法對步態(tài)加速度信號進行重采樣，從而調(diào)整步態(tài)周期數(shù)據(jù)長度；利用歸一化方法調(diào)整步態(tài)周期信號幅度差異。

2 稀疏表示的特征模板

2.1 關(guān)鍵點

Lowe提出以DOG(Difference-of-Gaussian)高斯差分函數(shù)構(gòu)造的多個尺度空間內(nèi)中提取具有尺度不變性的關(guān)鍵點。文獻[10]將SIFT(Scale-invariant Feature Transform)變換應用到步態(tài)加速度信號關(guān)鍵點的提取，通過設計關(guān)鍵點描述符進行分類和識別。該方法有效地提取具有旋轉(zhuǎn)不變性和尺度不變性的步態(tài)特征序列，從而解決了步態(tài)信號特征點非穩(wěn)定性問題。

圖1 重力方向加速度信號與合成信號波形對比圖Fig.1 Waveform comparison on gravitational acceleration signal and resultant signal

2.2 關(guān)鍵點幅值和位置信息

信號上的關(guān)鍵點是具有旋轉(zhuǎn)不變性和尺度不變性的特殊點特征。研究表明，人體重心在重力方向加速度變化與肌肉控制、各關(guān)節(jié)活動關(guān)系緊密，步態(tài)加速度信號在步態(tài)周期的轉(zhuǎn)折點具有明確的物理意義。圖2是一次采樣步態(tài)序列的歸一化步態(tài)周期上關(guān)鍵點示意圖。可見，關(guān)鍵點集中出現(xiàn)在周期信號的轉(zhuǎn)折點處，也就是物理意義豐富的區(qū)域。利用關(guān)鍵點作為研究對象，識別方法可以關(guān)注更有效的信息。

圖2 步態(tài)周期上關(guān)鍵點示意圖Fig.2 Illustration of signature points in the gait cycles

多個步態(tài)周期中，關(guān)鍵點出現(xiàn)位置和幅值相對集中。對一名測試者，兩個數(shù)據(jù)集（Dataset 1 和 Dataset 2）中12次采樣步態(tài)加速度信號的關(guān)鍵點位置進行觀察，在相同位置關(guān)鍵點數(shù)目超過3時，以藍線標注。由圖3可知，關(guān)鍵點相較于步態(tài)周期轉(zhuǎn)折點保留更多的步態(tài)有效信息，相較于步態(tài)周期剔除大量無效信息，相較于平均步態(tài)周期避免了非步態(tài)信號的影響。

圖3 步態(tài)周期中關(guān)鍵點分布圖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

步態(tài)周期中關(guān)鍵點出現(xiàn)的位置相對集中，通過統(tǒng)計關(guān)鍵點位置信息可以得到穩(wěn)定的關(guān)鍵點位置模板。在信號處理應用中，通過尋找一種比較稀疏的數(shù)據(jù)表達方式，用稀疏的數(shù)據(jù)取代原始數(shù)據(jù)，從實質(zhì)上降低信息處理量，提高計算效率。對于一個N維向量，如果其中的元素大多數(shù)都為零，只有很少一部分元素為非零，那么該向量是稀疏性的。文獻[14]指出通過對語音信號進行稀疏編碼能夠獲得具有局部性、方向性和帶通性的基。因此，根據(jù)關(guān)鍵點在步態(tài)周期中的位置，可以構(gòu)造相同維度稀疏性位置向量。

為了建立稀疏表示的特征模板，在歸一化步態(tài)周期上，提取所有關(guān)鍵點的位置信息。分析統(tǒng)計的具體步驟如下：

Step1 歸一化nj個步態(tài)周期，提取每個周期內(nèi)的關(guān)鍵點的位置信息，獲得第i個步態(tài)周期的稀疏性的位置向量；

式中：1≤j≤N ，N是步態(tài)序列數(shù)目；1≤i≤nj，nj為第j個步態(tài)序列的步態(tài)周期數(shù)目；1≤k≤100。表示為第j個步態(tài)序列的第i個步態(tài)周期的第k個采樣點的關(guān)鍵點位置信息。若采樣點為關(guān)鍵點，則；若采樣點為非關(guān)鍵點，則。

Step2 計算nj個步態(tài)周期中第k個關(guān)鍵點向量信息統(tǒng)計值Wj(k)；計算R1值，比較Wj(k)和R1，若Wj(k)≥R1，mj(k)=1；若Wj(k)＜R1，mj(k)=0；

式中：mj(k)為特征模板k點值；R1為判定是否為關(guān)鍵點位置的閾值；θ是自適應比例常數(shù)，其取值由nj決定，θ=round(nj5)的值。

Step3 建立第j個步態(tài)序列的稀疏表示的特征模板Mj：

3 步態(tài)識別方法

3.1 特征模板融合方法

研究表明，影響步態(tài)識別效果的因素很多。內(nèi)因包括時間跨度、人體健康狀況、心理情緒變化、負重著裝及鞋和路面條件等實際情況，導致步態(tài)作為生物特征進行識別的不穩(wěn)定性。外因包括采集約束、放置部位、周期劃分、有效步態(tài)信號范圍選擇等實施情況，制約了步態(tài)識別系統(tǒng)的性能。

由于內(nèi)外因素對步態(tài)識別系統(tǒng)影響的不確定性，采取將訓練樣本與測試樣本的特征模板相融合的方法，最大限度地保留了兩次采樣步態(tài)共有的步態(tài)特征信息。特征模板代表步態(tài)特征點的位置信息，而多個步態(tài)周期中相同位置特征點的幅值也相對集中，因此利用特征點位置信息和步態(tài)周期幅值信息雙模式進行步態(tài)識別。實現(xiàn)特征模板融合的步驟如下：

3.2 步態(tài)特征提取方法

3.3 步態(tài)識別方法

最近鄰算法是一種常用的模式識別技術(shù)之一，是一種統(tǒng)計分類器，對包容型數(shù)據(jù)的特征變量篩選尤其有效，屬于惰性學習。最近鄰算法的基本思想是在多維空間Rn中找到與待測未知樣本距離最近的點，再根據(jù)最近點的類別判定待測樣本的類別。距離判別函數(shù)主要使用歐式距離。

4 實驗結(jié)果與分析

本文從四個角度來驗證所提出算法的有效性，1）分析實驗選用數(shù)據(jù)集的特點；2）步態(tài)認證測試，研究模仿存在干擾數(shù)據(jù)情況下的認證效果；3）步態(tài)識別測試，以及進一步研究不同測試集和訓練集樣本數(shù)目對識別效果的影響； 4）與文獻[10][11]提出的算法進行對比，進一步研究本文算法的有效性。實驗在相同的硬件環(huán)境下，采用MATLAB R2012b及其工具箱在Intel(R) Core? 3.20GHz處理器、Windows 7操作系統(tǒng)、內(nèi)存16.0G的PC機上實現(xiàn)。

4.1 實驗數(shù)據(jù)集

實驗數(shù)據(jù)來源于浙江大學第一個公開的步態(tài)加速度數(shù)據(jù)集（ZJU-GaitAcc數(shù)據(jù)集[11]），包括身體5個位置（右手腕、左上臂、右髖部、左膝、右踝關(guān)節(jié)）的步態(tài)加速度數(shù)據(jù)，所使用的加速度傳感器為ADXL330三軸加速度傳感器，采樣率為100 Hz。數(shù)據(jù)集中包含3個子集，每個子集數(shù)據(jù)為采集自5個身體位置6次自然行走20 m水平地面的正常行走步態(tài)加速度信號。該步態(tài)加速度數(shù)據(jù)集的特點如表1所示。本文研究僅針對右髖部位置所采集的步態(tài)加速度數(shù)據(jù)集進行實驗。

表1 ZJU-GaitAcc數(shù)據(jù)集特點Tab.1 Characteristics of ZJU-GaitAcc datasets

4.2 認證測試

分兩種情況進行認證測試，實驗選擇子集0和子集1（或者子集0和子集2）的數(shù)據(jù)為訓練集，子集2（或子集1）的數(shù)據(jù)為測試集。對153×6個步態(tài)信號數(shù)據(jù)進行5508次匹配，具體安排如表2所示。認證為一對一的匹配，153×6名測試者的認證識別率為99.89%，總匹配時間最長為8.3791 s。

表2 認證實驗分類結(jié)果Tab.2 Classification result of gait authentication

4.3 識別測試

對于識別測試，實驗選擇子集2中153×6個數(shù)據(jù)作為測試集，子集0和子集1共175×6個數(shù)據(jù)組成訓練集。因此，在實驗過程中，訓練集內(nèi)存在22×6個干擾數(shù)據(jù)，可有效驗證識別效果的魯棒性。

4.3.1 不同測試集樣本數(shù)目的識別結(jié)果

實驗匹配結(jié)果為在測試集中首次匹配成功測試數(shù)據(jù)的標簽。根據(jù)測試集中所包含每名測試者的步態(tài)序列數(shù)目，實驗將分為6組，即每一組為153名測試者的第l次采樣數(shù)據(jù)（標注為No.l），具體安排如表3所示?？梢?，每153名測試者與175×6名訓練者共匹配160 650次，首次匹配的識別率穩(wěn)定在96.56%，其中錯誤接受的人數(shù)共為27人，錯誤拒絕人數(shù)共為3人。

表3 不同測試集的識別結(jié)果Tab.3 Recogniion results of different test sets

4.3.2 不同訓練集樣本數(shù)目的識別結(jié)果

針對不同訓練集樣本數(shù)目對步態(tài)識別效果的影響進行實驗，匹配結(jié)果由投票產(chǎn)生。實驗過程中，測試集為153×6名測試者，而訓練集含有樣本數(shù)目由175×1名逐漸增加到175×6名，即每名測試者的采樣次數(shù)由1次逐漸增加到6次，識別率如圖4所示?？梢?，訓練集中含有同一名測試者的步態(tài)序列樣本越多，識別率也越高，但是識別所耗費的時間也越長。

圖4 測試集數(shù)目與識別率關(guān)系Fig.4 Relationship between the test sets and recognition rate

4.4 不同算法的識別結(jié)果比對

在相同實驗條件和相同數(shù)據(jù)集的情況下，分別采用文獻[10][11]與本文算法實驗結(jié)果進行對比，如圖5所示。從圖中可看出，本文方法僅在rank-1的識別結(jié)果已經(jīng)高于其他方法，主要原因是特征模板的融合削弱了內(nèi)外因素對步態(tài)識別系統(tǒng)影響，并能精確提取有效步態(tài)特征，從而提高步態(tài)識別的準確率。

圖5 右髖部位置的不同方法CMC曲線Fig.5 CMC curves for different methods with the right side of pelvis

5 結(jié) 論

當步態(tài)識別經(jīng)歷長時間跨度和最小約束采集條件時，傳統(tǒng)的基于加速度信號提取步態(tài)特征進行識別的算法只考慮步態(tài)運動的穩(wěn)定性和獨特性，而未考慮步態(tài)運動受內(nèi)外因素影響導致的多變性。這種情況下，采用特征模板融合的方法能充分提高步態(tài)作為生物特征識別系統(tǒng)的性能。

本文在研究SIFT變換提取步態(tài)加速度信號關(guān)鍵點的基礎上，提出了基于關(guān)鍵點位置信息和步態(tài)周期幅值信息的步態(tài)識別算法?；陉P(guān)鍵點位置信息提出以統(tǒng)計得到的有效關(guān)鍵點位置向量作為步態(tài)周期特征的位置模板。在此基礎上，設計基于步態(tài)周期數(shù)據(jù)和特征模板的雙模式步態(tài)識別方法，以融合特征模板的方式有效提取步態(tài)特征位置信息，以融合模板提取步態(tài)周期特征的方式有效提取步態(tài)特征幅值信息。實驗結(jié)果表明，該算法更適用于時間跨度大、著裝不固定及采集裝置最小約束情況下的步態(tài)識別。

（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, Wickstr?m 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] 路永樂, 張欣, 龔爽, 等. 基于 MEMS 慣性傳感器的人體多運動模式識別[J]. 中國慣性技術(shù)學報, 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] 王天荊, 鄭寶玉, 楊震. 基于自適應冗余字典的語音信號稀疏表示算法[J]. 電子與信息學報, 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

國家自然科學基金（61372019）；中央高?；A科研基金（N150308001）資助項目

涂斌斌（1980—），女，講師，博士生，主要從事生物特征識別和信號處理研究。E-mail: bxforever@syu.edu.cn

聯(lián) 系 人：許會（1963—），女，教授，主要從事工業(yè)檢測與信息處理技術(shù)研究。E-mail: xuh@sut.edu.cn