涂斌斌，谷麗華，揣榮巖，許 會(huì)

（1. 沈陽(yáng)工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110870；2. 沈陽(yáng)大學(xué) 信息工程學(xué)院，沈陽(yáng) 110044）

基于MEMS加速度傳感器的步態(tài)識(shí)別

涂斌斌1,2，谷麗華1，揣榮巖1，許 會(huì)1

（1. 沈陽(yáng)工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110870；2. 沈陽(yáng)大學(xué) 信息工程學(xué)院，沈陽(yáng) 110044）

針對(duì)最小采集約束條件和經(jīng)歷長(zhǎng)時(shí)間跨度下識(shí)別率低的問(wèn)題，提出一種基于MEMS加速度傳感器的步態(tài)識(shí)別算法。該算法以右髖部位置采集加速度信號(hào)構(gòu)造多個(gè)高斯差分尺度空間，利用局部關(guān)鍵點(diǎn)生成稀疏表示的步態(tài)特征位置模板，并采用模板融合來(lái)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(jī)制對(duì)步態(tài)特征進(jìn)行識(shí)別。在公開(kāi)的含175名測(cè)試者的步態(tài)加速度數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果顯示識(shí)別率為98.67%和認(rèn)證率為99.89%，并進(jìn)一步研究了測(cè)試集和訓(xùn)練集樣本數(shù)目對(duì)識(shí)別效果的影響，驗(yàn)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(diǎn)；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(jiàn)的步行運(yùn)動(dòng)特點(diǎn)。步態(tài)識(shí)別是生物識(shí)別領(lǐng)域的研究熱點(diǎn)之一，基于加速度信號(hào)的步態(tài)識(shí)別（以下簡(jiǎn)稱“步態(tài)識(shí)別”）可廣泛應(yīng)用于便攜式及可穿戴式智能設(shè)備、移動(dòng)終端等進(jìn)行身份識(shí)別和認(rèn)證[1-2]。其中，身份識(shí)別為一對(duì)多的匹配，而身份認(rèn)證為一對(duì)一的匹配。

步態(tài)特征提取是步態(tài)識(shí)別算法的主要部分?，F(xiàn)有步態(tài)特征提取方法主要從時(shí)域和頻域兩個(gè)角度進(jìn)行。時(shí)域特征為加速度信號(hào)的計(jì)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(shí)域特征較頻域特征更多應(yīng)用于步態(tài)識(shí)別，時(shí)域方法能更準(zhǔn)確提取步態(tài)信號(hào)的特征。

時(shí)域方法是從采集的加速度信號(hào)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(diǎn)特征。步態(tài)加速度是一個(gè)準(zhǔn)周期信號(hào)，步態(tài)周期是步態(tài)運(yùn)動(dòng)中的最小單位。文獻(xiàn)[9]使用一種循環(huán)度量標(biāo)準(zhǔn)CRM（Cyclic Rotation Metric）來(lái)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(hào)質(zhì)量對(duì)匹配結(jié)果的影響，但時(shí)間花費(fèi)嚴(yán)重影響實(shí)際應(yīng)用的效果。文獻(xiàn)[10-11]將稀疏表示引入對(duì)步態(tài)關(guān)鍵點(diǎn)描述符的分類中，解決了周期劃分和周期內(nèi)信號(hào)錯(cuò)位等問(wèn)題，但多個(gè)身體部位步態(tài)信號(hào)識(shí)別相融合的處理方法不適于實(shí)際應(yīng)用。文獻(xiàn)[12]從步態(tài)信號(hào)中提取轉(zhuǎn)折點(diǎn)特征和曲線特征作為步態(tài)特征，包括極值點(diǎn)相對(duì)時(shí)間和幅值，極大值和極小值間直線距離和斜率，兩點(diǎn)波形與直線間面積。研究表明，轉(zhuǎn)折點(diǎn)特征識(shí)別效果明顯高于曲線特征。近年來(lái)，關(guān)鍵點(diǎn)作為特殊點(diǎn)特征成為步態(tài)研究的熱點(diǎn)之一。

目前，步態(tài)識(shí)別研究多局限在較強(qiáng)采集約束條件和較短時(shí)間跨度下的小樣本數(shù)據(jù)集，考慮到步態(tài)運(yùn)動(dòng)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(diǎn)，構(gòu)建稀疏表示的步態(tài)特征位置模板（以下簡(jiǎn)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(jìn)行步態(tài)識(shí)別。

本文的主要優(yōu)勢(shì)在于：充分運(yùn)用SIFT變換檢測(cè)步態(tài)信號(hào)上局部關(guān)鍵點(diǎn)，準(zhǔn)確提取步態(tài)關(guān)鍵點(diǎn)；通過(guò)構(gòu)建稀疏表示特征模板，有效確定步態(tài)特征點(diǎn)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(shí)別率的同時(shí)減少計(jì)算花銷的時(shí)間。理論分析和實(shí)驗(yàn)結(jié)果表明，該方法在較長(zhǎng)時(shí)間跨度、無(wú)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(shí)別和認(rèn)證。

1 步態(tài)加速度信號(hào)預(yù)處理

加速度傳感器采集的步態(tài)信號(hào)主要包含人體運(yùn)動(dòng)加速度信號(hào)、重力加速度信號(hào)。在數(shù)據(jù)采集過(guò)程中，傳感器相對(duì)人體位置移動(dòng)對(duì)重力方向的步態(tài)加速度信號(hào)影響較大，若采用某一軸加速度信號(hào)進(jìn)行步態(tài)識(shí)別，都需要預(yù)先校正重力方向加速度對(duì)有效步態(tài)信號(hào)的影響，因此以三軸方向加速度信號(hào)計(jì)算合成變量作為步態(tài)信號(hào)[13]。圖1是步態(tài)加速度信號(hào)重力方向與合成變量波形對(duì)比圖，可見(jiàn)，兩個(gè)信號(hào)各轉(zhuǎn)折點(diǎn)方向完全相對(duì)。重采樣和歸一化是預(yù)處理過(guò)程中常用技術(shù)手段。采用內(nèi)插值的方法對(duì)步態(tài)加速度信號(hào)進(jìn)行重采樣，從而調(diào)整步態(tài)周期數(shù)據(jù)長(zhǎng)度；利用歸一化方法調(diào)整步態(tài)周期信號(hào)幅度差異。

2 稀疏表示的特征模板

2.1 關(guān)鍵點(diǎn)

Lowe提出以DOG(Difference-of-Gaussian)高斯差分函數(shù)構(gòu)造的多個(gè)尺度空間內(nèi)中提取具有尺度不變性的關(guān)鍵點(diǎn)。文獻(xiàn)[10]將SIFT(Scale-invariant Feature Transform)變換應(yīng)用到步態(tài)加速度信號(hào)關(guān)鍵點(diǎn)的提取，通過(guò)設(shè)計(jì)關(guān)鍵點(diǎn)描述符進(jìn)行分類和識(shí)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(hào)特征點(diǎn)非穩(wěn)定性問(wèn)題。

圖1 重力方向加速度信號(hào)與合成信號(hào)波形對(duì)比圖Fig.1 Waveform comparison on gravitational acceleration signal and resultant signal

2.2 關(guān)鍵點(diǎn)幅值和位置信息

信號(hào)上的關(guān)鍵點(diǎn)是具有旋轉(zhuǎn)不變性和尺度不變性的特殊點(diǎn)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(dòng)關(guān)系緊密，步態(tài)加速度信號(hào)在步態(tài)周期的轉(zhuǎn)折點(diǎn)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(diǎn)示意圖?？梢?jiàn)，關(guān)鍵點(diǎn)集中出現(xiàn)在周期信號(hào)的轉(zhuǎn)折點(diǎn)處，也就是物理意義豐富的區(qū)域。利用關(guān)鍵點(diǎn)作為研究對(duì)象，識(shí)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(diǎn)示意圖Fig.2 Illustration of signature points in the gait cycles

多個(gè)步態(tài)周期中，關(guān)鍵點(diǎn)出現(xiàn)位置和幅值相對(duì)集中。對(duì)一名測(cè)試者，兩個(gè)數(shù)據(jù)集（Dataset 1 和 Dataset 2）中12次采樣步態(tài)加速度信號(hào)的關(guān)鍵點(diǎn)位置進(jìn)行觀察，在相同位置關(guān)鍵點(diǎn)數(shù)目超過(guò)3時(shí)，以藍(lán)線標(biāo)注。由圖3可知，關(guān)鍵點(diǎn)相較于步態(tài)周期轉(zhuǎn)折點(diǎn)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(wú)效信息，相較于平均步態(tài)周期避免了非步態(tài)信號(hào)的影響。

圖3 步態(tài)周期中關(guān)鍵點(diǎn)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(diǎn)出現(xiàn)的位置相對(duì)集中，通過(guò)統(tǒng)計(jì)關(guān)鍵點(diǎn)位置信息可以得到穩(wěn)定的關(guān)鍵點(diǎn)位置模板。在信號(hào)處理應(yīng)用中，通過(guò)尋找一種比較稀疏的數(shù)據(jù)表達(dá)方式，用稀疏的數(shù)據(jù)取代原始數(shù)據(jù)，從實(shí)質(zhì)上降低信息處理量，提高計(jì)算效率。對(duì)于一個(gè)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(xiàn)[14]指出通過(guò)對(duì)語(yǔ)音信號(hào)進(jìn)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(diǎn)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(diǎn)的位置信息。分析統(tǒng)計(jì)的具體步驟如下：

Step1 歸一化nj個(gè)步態(tài)周期，提取每個(gè)周期內(nèi)的關(guān)鍵點(diǎn)的位置信息，獲得第i個(gè)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(gè)步態(tài)序列的步態(tài)周期數(shù)目；1≤k≤100。表示為第j個(gè)步態(tài)序列的第i個(gè)步態(tài)周期的第k個(gè)采樣點(diǎn)的關(guān)鍵點(diǎn)位置信息。若采樣點(diǎn)為關(guān)鍵點(diǎn)，則；若采樣點(diǎn)為非關(guān)鍵點(diǎn)，則。

Step2 計(jì)算nj個(gè)步態(tài)周期中第k個(gè)關(guān)鍵點(diǎn)向量信息統(tǒng)計(jì)值Wj(k)；計(jì)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(diǎn)值；R1為判定是否為關(guān)鍵點(diǎn)位置的閾值；θ是自適應(yīng)比例常數(shù)，其取值由nj決定，θ=round(nj5)的值。

Step3 建立第j個(gè)步態(tài)序列的稀疏表示的特征模板Mj：

3 步態(tài)識(shí)別方法

3.1 特征模板融合方法

研究表明，影響步態(tài)識(shí)別效果的因素很多。內(nèi)因包括時(shí)間跨度、人體健康狀況、心理情緒變化、負(fù)重著裝及鞋和路面條件等實(shí)際情況，導(dǎo)致步態(tài)作為生物特征進(jìn)行識(shí)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(hào)范圍選擇等實(shí)施情況，制約了步態(tài)識(shí)別系統(tǒng)的性能。

由于內(nèi)外因素對(duì)步態(tài)識(shí)別系統(tǒng)影響的不確定性，采取將訓(xùn)練樣本與測(cè)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(diǎn)的位置信息，而多個(gè)步態(tài)周期中相同位置特征點(diǎn)的幅值也相對(duì)集中，因此利用特征點(diǎn)位置信息和步態(tài)周期幅值信息雙模式進(jìn)行步態(tài)識(shí)別。實(shí)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(shí)別方法

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

4 實(shí)驗(yàn)結(jié)果與分析

本文從四個(gè)角度來(lái)驗(yàn)證所提出算法的有效性，1）分析實(shí)驗(yàn)選用數(shù)據(jù)集的特點(diǎn)；2）步態(tài)認(rèn)證測(cè)試，研究模仿存在干擾數(shù)據(jù)情況下的認(rèn)證效果；3）步態(tài)識(shí)別測(cè)試，以及進(jìn)一步研究不同測(cè)試集和訓(xùn)練集樣本數(shù)目對(duì)識(shí)別效果的影響； 4）與文獻(xiàn)[10][11]提出的算法進(jìn)行對(duì)比，進(jìn)一步研究本文算法的有效性。實(shí)驗(yàn)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(jī)上實(shí)現(xiàn)。

4.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于浙江大學(xué)第一個(gè)公開(kāi)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(gè)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(gè)子集，每個(gè)子集數(shù)據(jù)為采集自5個(gè)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(hào)。該步態(tài)加速度數(shù)據(jù)集的特點(diǎn)如表1所示。本文研究?jī)H針對(duì)右髖部位置所采集的步態(tài)加速度數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。

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

4.2 認(rèn)證測(cè)試

分兩種情況進(jìn)行認(rèn)證測(cè)試，實(shí)驗(yàn)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(xùn)練集，子集2（或子集1）的數(shù)據(jù)為測(cè)試集。對(duì)153×6個(gè)步態(tài)信號(hào)數(shù)據(jù)進(jìn)行5508次匹配，具體安排如表2所示。認(rèn)證為一對(duì)一的匹配，153×6名測(cè)試者的認(rèn)證識(shí)別率為99.89%，總匹配時(shí)間最長(zhǎng)為8.3791 s。

表2 認(rèn)證實(shí)驗(yàn)分類結(jié)果Tab.2 Classification result of gait authentication

4.3 識(shí)別測(cè)試

對(duì)于識(shí)別測(cè)試，實(shí)驗(yàn)選擇子集2中153×6個(gè)數(shù)據(jù)作為測(cè)試集，子集0和子集1共175×6個(gè)數(shù)據(jù)組成訓(xùn)練集。因此，在實(shí)驗(yàn)過(guò)程中，訓(xùn)練集內(nèi)存在22×6個(gè)干擾數(shù)據(jù)，可有效驗(yàn)證識(shí)別效果的魯棒性。

4.3.1 不同測(cè)試集樣本數(shù)目的識(shí)別結(jié)果

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

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

4.3.2 不同訓(xùn)練集樣本數(shù)目的識(shí)別結(jié)果

針對(duì)不同訓(xùn)練集樣本數(shù)目對(duì)步態(tài)識(shí)別效果的影響進(jìn)行實(shí)驗(yàn)，匹配結(jié)果由投票產(chǎn)生。實(shí)驗(yàn)過(guò)程中，測(cè)試集為153×6名測(cè)試者，而訓(xùn)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(cè)試者的采樣次數(shù)由1次逐漸增加到6次，識(shí)別率如圖4所示?？梢?jiàn)，訓(xùn)練集中含有同一名測(cè)試者的步態(tài)序列樣本越多，識(shí)別率也越高，但是識(shí)別所耗費(fèi)的時(shí)間也越長(zhǎng)。

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

4.4 不同算法的識(shí)別結(jié)果比對(duì)

在相同實(shí)驗(yàn)條件和相同數(shù)據(jù)集的情況下，分別采用文獻(xiàn)[10][11]與本文算法實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，如圖5所示。從圖中可看出，本文方法僅在rank-1的識(shí)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(duì)步態(tài)識(shí)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(shí)別的準(zhǔn)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(dāng)步態(tài)識(shí)別經(jīng)歷長(zhǎng)時(shí)間跨度和最小約束采集條件時(shí)，傳統(tǒng)的基于加速度信號(hào)提取步態(tài)特征進(jìn)行識(shí)別的算法只考慮步態(tài)運(yùn)動(dòng)的穩(wěn)定性和獨(dú)特性，而未考慮步態(tài)運(yùn)動(dòng)受內(nèi)外因素影響導(dǎo)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(shí)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(hào)關(guān)鍵點(diǎn)的基礎(chǔ)上，提出了基于關(guān)鍵點(diǎn)位置信息和步態(tài)周期幅值信息的步態(tài)識(shí)別算法?；陉P(guān)鍵點(diǎn)位置信息提出以統(tǒng)計(jì)得到的有效關(guān)鍵點(diǎn)位置向量作為步態(tài)周期特征的位置模板。在此基礎(chǔ)上，設(shè)計(jì)基于步態(tài)周期數(shù)據(jù)和特征模板的雙模式步態(tài)識(shí)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(shí)驗(yàn)結(jié)果表明，該算法更適用于時(shí)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(shí)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(lè), 張欣, 龔爽, 等. 基于 MEMS 慣性傳感器的人體多運(yùn)動(dòng)模式識(shí)別[J]. 中國(guó)慣性技術(shù)學(xué)報(bào), 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(yīng)冗余字典的語(yǔ)音信號(hào)稀疏表示算法[J]. 電子與信息學(xué)報(bào), 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(guó)家自然科學(xué)基金（61372019）；中央高?；A(chǔ)科研基金（N150308001）資助項(xiàng)目

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

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