涂斌斌,谷麗華,揣榮巖,許 會

1(沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院,沈陽 110870)

2(沈陽大學(xué) 信息工程學(xué)院,沈陽 110044)

1 引 言

隨著便攜式及可穿戴智能設(shè)備的廣泛應(yīng)用,基于步態(tài)加速度信號的身份識別(以下簡稱為“步態(tài)識別”)成為一種新興的生物識別技術(shù)[1,2].步態(tài)識別主要利用步態(tài)特征具有獨特性、防欺騙性和可持續(xù)性等明顯優(yōu)勢進行身份鑒別.

步態(tài)是一項需要身體大多數(shù)主要關(guān)節(jié)參與的協(xié)調(diào)互動的功能性運動,反映人的行走運動方式.早期的科學(xué)和臨床醫(yī)學(xué)研究表明,人體行走過程中表現(xiàn)出相對穩(wěn)定的步態(tài)特征,主要受到身體結(jié)構(gòu)、肌肉組織及行走習慣的影響[3].步態(tài)識別技術(shù)正是利用這種步態(tài)特征進行身份識別.相比于指紋識別,步態(tài)信號采集于移動設(shè)備,無須用戶主動配合及設(shè)備安裝;相比于人臉識別,步態(tài)識別能輕易識別相貌相似甚至相同的人;相比于基于視頻和圖像的步態(tài)識別,不受光線變化、不規(guī)則運動、遮擋與復(fù)雜場景及有限視角的影響.因此,步態(tài)識別是一種具有移動應(yīng)用前景的生物特征識別方法.

步態(tài)識別的難點有三個:一是步態(tài)信號采集過程中信號受噪聲源影響,導(dǎo)致采集信號含有高頻成分;二是采集信號質(zhì)量受放置位置、設(shè)備旋轉(zhuǎn)和約束條件等因素影響,導(dǎo)致步態(tài)信號質(zhì)量差異;三是步態(tài)特征穩(wěn)定性受行走速度和幅度、身體病變、成長衰老、心理變化及行走環(huán)境變化的影響.以上三點是影響步態(tài)識別效率的根本原因.

現(xiàn)有步態(tài)特征提取方法分為基于周期性[4]和基于非周期性[5]兩類.文獻[6]提取步態(tài)周期的平均值作為特征,通過計算相關(guān)性系數(shù)來比較樣本與模板的相似度.文獻[4]利用循環(huán)度量標準來匹配登錄用戶步態(tài)周期和注冊用戶步態(tài)周期,以循環(huán)移動計算曼哈頓距離,距離最小者為相匹配用戶.文獻[7]將主成份分析(principle component analysis,PCA)應(yīng)用到步態(tài)信號研究中,通過在低維度子空間內(nèi)計算步態(tài)周期模板相似性進行身份識別.文獻[8]在所構(gòu)造高斯差分尺度空間內(nèi)提取極值作為關(guān)鍵點,通過投票的方案進行特征點匹配.以上文獻的研究過程都依賴于步態(tài)周期劃分的結(jié)果,而周期劃分的過程又依賴于步態(tài)信號的穩(wěn)定性.

本文提出一種使用自適應(yīng)小波去噪和SIFT描述符的步態(tài)識別方法,以質(zhì)量評價標準擇優(yōu)選擇去噪?yún)?shù),對信號進行自適應(yīng)濾波,通過SIFT算法提取關(guān)鍵點構(gòu)造關(guān)鍵點描述符集合,以K-means(K均值)聚類分析算法提取k個關(guān)鍵點描述符集合的中心點,以最小二乘法擬合出步態(tài)特征進行識別,可有效減小特征識別對采集信號質(zhì)量和周期劃分準確性的依賴程度.

2 步態(tài)信號的自適應(yīng)小波去噪方法

步態(tài)加速度信號預(yù)處理中最重要的問題是選擇信號濾波方法.信號濾波可以減少加速度傳感器采集人體步態(tài)信號所產(chǎn)生的噪聲源影響,剔除無關(guān)數(shù)據(jù)的干擾,如身體晃動、環(huán)境噪聲等,大幅度簡化計算難度,便于后續(xù)處理.小波去噪的原理是基于非統(tǒng)計理論,其特點源于小波分析技術(shù)不考慮系統(tǒng)的概率分布,允許系統(tǒng)的概率分布是未知的或非典型的.文獻[9]提出的步態(tài)信號小波去噪濾波方法,利用小波變換的帶通功能,將原信號分解為互不重疊頻率的信號,再擇優(yōu)選取閾值來有效地去除信號中混入的噪聲.

步態(tài)信號小波去噪質(zhì)量主要由小波基函數(shù)、分解層數(shù)及高頻系數(shù)門限閾值決定.采集信號質(zhì)量的未知性直接導(dǎo)致小波去噪結(jié)果的復(fù)雜性,很難正確選取去噪所需的最優(yōu)參數(shù).因此,小波基函數(shù)與分解層數(shù)的擇優(yōu)選擇成為重要問題,直接影響步態(tài)信號有效成分的提取.針對步態(tài)信號,文獻[10]提出在db5～db13小波基范圍內(nèi),小波去噪質(zhì)量評價指標取最小值時,對應(yīng)的小波基為最優(yōu)小波基函數(shù),4層分解層數(shù)為最優(yōu)的小波分解與重構(gòu)層數(shù).因此,本文根據(jù)小波去噪質(zhì)量評價指標自適應(yīng)地調(diào)整小波去噪?yún)?shù).首先,以heursure閾值準則和4層分解層數(shù),分別計算db5～db13小波基的小波去噪質(zhì)量評價指標,取評價指標最小值對應(yīng)小波基函數(shù)為最優(yōu)參數(shù);然后,采用最優(yōu)小波基函數(shù)對步態(tài)信號進行4層分解與重構(gòu),實現(xiàn)對步態(tài)加速度信號進行濾波預(yù)處理.

小波去噪質(zhì)量評價指標Index的公式為:

Index=Wprmse×Prmse+Wpr×Pr

(1)

(2)

(3)

其中,Prmse為原始信號與重構(gòu)信號間的標準化的均方根誤差;Pr為原始信號與重構(gòu)信號間的標準化的平滑度;σprmse為Prmse的標準差;μprmse為Prmse的均值;σr為Pr的標準差;μr為Pr的均值.小波去噪以質(zhì)量評價指標為依據(jù),相較于傳統(tǒng)均方根誤差、信噪比、互相關(guān)系數(shù)以及平滑度等評價指標,更適于自適應(yīng)的、實時的濾除步態(tài)信號噪聲,達到最大限度保留人體運動信息的目的.本文研究步態(tài)信號為三軸的合成信號[11].圖1為根據(jù)最優(yōu)小波基函數(shù)和4層分解去噪的步態(tài)信號,信號變化呈現(xiàn)周期性,且左右單步在行走過程中呈現(xiàn)差異性,同側(cè)單步相似度高于非同側(cè)單步.

3 基于關(guān)鍵點描述符集合的步態(tài)特征提取方法

3.1 關(guān)鍵點提取

小波去噪后的步態(tài)信號仍含有大量數(shù)據(jù),需對步態(tài)信號進行特征提取.SIFT (Scale-invariant feature transform)特征提取方法是一種檢測局部特征的方法,利用構(gòu)造二維圖像的高斯差分尺度空間DoG (Difference of Gaussian) 獲得的局部極值點的描述子作為圖像特征.SIFT特征具有良好的尺度不變性和穩(wěn)定性.文獻[8]提出對一維步態(tài)信號構(gòu)造高斯差分尺度空間,提取關(guān)鍵點構(gòu)建描述符作為步態(tài)特征進行步態(tài)分類和識別.步態(tài)關(guān)鍵點也具有尺度和旋轉(zhuǎn)不變性.局部特征用來描述部分區(qū)域,使其具有更高的區(qū)分度.

G(t,σ)為方差σ2的零均值高斯濾波函數(shù),公式為:

(4)

利用步態(tài)信號x(t)構(gòu)造高斯差分尺度空間DoG 的公式為:

d(t,i)=x(t)*(G(t,aiσ)-G(t,ai-1σ))

(5)

其中,d(t,i)為構(gòu)造的第i個高斯差分尺度空間,且i=-1,0,1;a是等比系數(shù),且a=2.在d(t,0)上尋找8個鄰近點的局部極值點作為關(guān)鍵點.

在小波去噪的步態(tài)信號中提取關(guān)鍵點,關(guān)鍵點所處的位置為行走中間階段的單步周期極大值點,如圖2所示.加號表示行走中間階段的步態(tài)關(guān)鍵點,圓圈表示步態(tài)信號的極大值點,雙劃線表示步態(tài)行走穩(wěn)定階段,實線表示步態(tài)行走的開始和結(jié)束階段.可見,步態(tài)信號的極大值點為步態(tài)信號中具有穩(wěn)定性、高區(qū)分度的特征點.

圖2 步態(tài)信號的關(guān)鍵點Fig.2 Signature points of gait acceleration signals

關(guān)鍵點的描述符為單步周期極值特征點與其周圍數(shù)據(jù)相結(jié)合的一組向量,即關(guān)鍵點位置相鄰信號值,其表達式為:

(6)

圖3 關(guān)鍵點描述符集合Fig.3 Descriptor set of gait signature points

圖3為步態(tài)信號j中nj個單步周期的關(guān)鍵點描述符集合.加號表示單數(shù)側(cè)單步周期的關(guān)鍵點描述符集合,圓圈表示雙數(shù)側(cè)單步周期的關(guān)鍵點描述符集合.可見,同側(cè)單步周期的關(guān)鍵點描述符值相近,且單數(shù)側(cè)單步的步態(tài)穩(wěn)定性明顯好于雙數(shù)側(cè)單步.對關(guān)鍵點描述符做二范數(shù)的歸一化,可更關(guān)注局部信號的形狀,且對平均強度的變化具有一定的不變性.圖4為L2范數(shù)歸一化的關(guān)鍵點描述集合,可見單數(shù)側(cè)步態(tài)周期在歸一化處理后,局部信號的形狀明顯改善,相似度進一步提高,而雙數(shù)側(cè)步態(tài)周期幅度變化相對集中,特別是差異性越大的步態(tài)周期,其局部信號波形的改善越明顯.

圖4 L2范數(shù)歸一化Fig.4 Normalization of L2 norm

3.2 步態(tài)特征提取

步態(tài)信號的關(guān)鍵點具有良好的尺度不變性,但描述符集合仍含有大量數(shù)據(jù),使用K-means聚類算法將關(guān)鍵點描述符集合數(shù)據(jù)分類聚合,可有效處理大數(shù)據(jù)集[12].K-means是基于數(shù)據(jù)劃分的無監(jiān)督聚類算法,可將步態(tài)關(guān)鍵點描述符集合組成的矢量空間劃分為k個區(qū)域,即將歸一化為二范數(shù)的描述符集合劃分為k類,劃分后的k個子集合滿足類內(nèi)的誤差平方和最小.本文對關(guān)鍵點描述符集合進行K-means聚類,以K-means++初始化,分類個數(shù)分別為k=13,15,17.步態(tài)加速度信號采集自人體步態(tài)行走過程中,步態(tài)數(shù)據(jù)間關(guān)系建立于生物特征,因此步態(tài)數(shù)據(jù)依賴關(guān)系很強.最小二乘法是依靠數(shù)據(jù)關(guān)系尋求最優(yōu)擬合的工具[13].本文分別對3種k值聚類中心進行擬合步態(tài)特征實驗.

3.3 步態(tài)特征識別性能對比評價方法

(7)

4 實驗結(jié)果與分析

為了驗證本文提出算法的魯棒性,本文選用浙江大學(xué)公開步態(tài)數(shù)據(jù)集和自采步態(tài)數(shù)據(jù)集的步態(tài)加速度數(shù)據(jù)進行實驗.

4.1 實驗數(shù)據(jù)說明

本文選擇2個步態(tài)數(shù)據(jù)集進行實驗對比.數(shù)據(jù)集1是浙江大學(xué)(ZJU-GaitAcc)公開的步態(tài)加速度數(shù)據(jù)集[5],使用右髖部位置22名測試者的6次采樣步態(tài)加速度數(shù)據(jù)進行實驗分析.該數(shù)據(jù)集為ADXL330三軸加速度傳感器的采樣率為100Hz的步態(tài)加速度信號,測試者在水平地面上行走20m的距離,如圖5所示.數(shù)據(jù)集2為實驗室自采步態(tài)數(shù)據(jù)集[14],包括22名在校大學(xué)生的6次采樣步態(tài)加速度信號.該數(shù)據(jù)集為MPU6050集成三軸加速度和三軸陀螺儀組件的采樣率為200Hz的步態(tài)加速度信號,測試者在走廊地面上行走20m的距離,采集裝置放在測試者腰后中心位置,并用腰帶固定,如圖6所示.

圖5 ZJU-GaitAcc右髖部位置步態(tài)加速度信號Fig.5 Illustration of gait signal in ZJU-GaitAcc dataset

4.2 步態(tài)數(shù)據(jù)集可對比實驗分析

為能夠反映不同設(shè)備采集數(shù)據(jù)的可比性,需對兩個數(shù)據(jù)集進行對比分析,分別對兩個數(shù)據(jù)集的均值、標準差、自相關(guān)系數(shù)、互相關(guān)系數(shù)的范圍進行統(tǒng)計.均值表示加速度信號中靜態(tài)成分隨人體運動的變化情況;標準差表示加速度信號數(shù)據(jù)變異性;自相關(guān)性和互相關(guān)性表示多次采集步態(tài)信號的相關(guān)性和差異性.其中,ZJU-GaitAcc數(shù)據(jù)集佩戴在右髖部位置,以自然方式佩戴;自采數(shù)據(jù)集以松緊帶綁縛在后腰部中心位置.由表1可見,2個步態(tài)數(shù)據(jù)集的數(shù)據(jù)特性雖然不同,但特性變化范圍相近.由于髖部運動范圍受腿部影響,ZJU-GaitAcc數(shù)據(jù)集均值整體偏大;由于受到身體上下運動影響,自采數(shù)據(jù)集標準差整體偏大;由于佩戴和綁縛的影響,自采數(shù)據(jù)集的互相關(guān)系數(shù)數(shù)據(jù)范圍更加集中.綜上所述,2個數(shù)據(jù)集具有可比性.

圖6 自采腰部位置步態(tài)加速度信號Fig.6 Illustration of gait signal in our dataset

表1 2個數(shù)據(jù)集數(shù)據(jù)特性對比Table 1 Comparison of two datasets character

4.3 不同k值對單步步態(tài)特征的影響實驗

K-means是基于數(shù)據(jù)劃分的無監(jiān)督聚類算法,可根據(jù)關(guān)鍵點描述符之間的距離進行自動分類,通過迭代極端過程優(yōu)化目標函數(shù),實現(xiàn)描述符類內(nèi)誤差平方和最小.本文設(shè)定聚類數(shù)目為k=13,15,17,經(jīng)擬合得到長度為21的步態(tài)特征向量,表2為2個數(shù)據(jù)集步態(tài)特征的均值對比.可見,3個k值對應(yīng)步態(tài)特征的均值差異很小,因此本文以k=13的步態(tài)特征作為步態(tài)特征進行匹配.

表2 2個數(shù)據(jù)集步態(tài)特性的均值對比Table 2 Comparison of gait feature mean for two datasets

圖7為2個數(shù)據(jù)集中1名測試者6次采樣步態(tài)信號在k=13時擬合獲得單步1和單步2的步態(tài)特征對比圖.可見,單步2的步態(tài)特征相似性明顯好于單步1的步態(tài)特 征.其中,在(a)圖和(b)圖中,單步1的幅值極大值點高于單步2的極大值點,說明單步1的運動幅度大于單步2. 圖8為10名測試者的1次采樣步態(tài)信號的步態(tài)特征對比圖.可見,不同人的步態(tài)特征具有差異性存在.

4.4 識別結(jié)果分析對比實驗

在相同實驗條件和兩種數(shù)據(jù)集的情況下,采用文獻[6，8]與本文算法,在公開數(shù)據(jù)集和自采數(shù)據(jù)集中分別進行實驗,實驗匹配結(jié)果為留一法交叉驗證的投票結(jié)果.由表3中實驗結(jié)果可知,與傳統(tǒng)的平均步態(tài)周期特征對比,使用步態(tài)關(guān)鍵點描述符聚類擬合的步態(tài)特征在兩個數(shù)據(jù)集中均能達到有效識別的目標,并且單次匹配最短時間約為0.52s,可滿足小樣本范圍內(nèi)持續(xù)驗證的實際應(yīng)用.

圖7 兩個數(shù)據(jù)集中1名測試者6次采樣步態(tài)特征對比圖Fig.7 Comparison of six gait features for the same person in two datasets

圖8 兩個數(shù)據(jù)集中10名測試者1次采樣步態(tài)特征對比圖Fig.8 Comparison of ten gait features for ten persons in two datasets

5 結(jié) 論

本文提出使用小波去噪評價指標和SIFT特征的步態(tài)識別算法.根據(jù)小波去噪評價指標對采集的步態(tài)加速度信號自適應(yīng)濾波,去除影響分析的噪聲,通過SIFT特征構(gòu)建描述符,采用K-means聚類算法在關(guān)鍵點描述符集合中擬合得到步態(tài)特征進行步態(tài)識別.經(jīng)公開數(shù)據(jù)集和自采數(shù)據(jù)集實驗表明,本文采用的步態(tài)識別算法是基于非周期劃分的步態(tài)特征提取方法,避免了周期劃分對步態(tài)特征的影響.

表3 2數(shù)據(jù)集特征向量識別性能對比Table 3 Comparison of feature vector recognition performance in two datasets

：

[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 Ik-hyun,Won Kwanghee,Youn Jong-hoon,et al.Wearable sensor-based biometric gait classification algorithm using weka [J].Journal of Information and Communication Convergence Engineering,2016,14(1):45-50.

[3] Murray M P,Drought A B,Kory R C.Walking patterns of normal men [J].Journal of Bone and Joint Surgery,1964,46(2):335-360.

[4] Derawi M,Bours P,Holien K.Improved cycle detection for accelerometer based gait authentication [C].Proceedings of the 6th International Conference on Intelligent Information Hiding and Multimedia Signal Processing (HIH-MSP),2010:312-317.

[5] 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.

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

[7] Bours P,Shrestha R.Eigensteps:a giant leap for gait recognition [C].Proceedings of the 2nd International Workshop on Security and Communication Networks (IWSCN),2010:1-6.

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

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

[10] Tu Bin-bin,Gu Li-hua,Xu Hui.Quality evaluation method for wavelet de-noising in gait recognition [J].Journal of Shenyang University of Technology,2017,39(1):61-66.

[11] Li Na,Hou Yi-bin,Huang Zhang-qin.Implementation of a real-time fall detection algorithm based on body′s acceleration [J].Journal of Chinese Computer Systems,2012,33(11):2410-2413.

[12] Liu Xue-juan,Yuan Jia-bin,Cao Feng-ping.Data distribution k-means clustering for cloud computing [J].Journal of Chinese Computer Systems,2017,38(4):712-715.

[13] Gao Rong,Li Jing,Xiao Ya-fu,et al.Parallel algorithm based on k-means clustering in cloud environment [J].Journal of Wuhan University (Natural Science Edition),2015,61(4):368-374.

[14] Gu Li-hua,Cui Chang,Gao Song-wei,et al.Gait signal acquisition system based on MPU-6050[J].Journal of Shenyang University of Technology,2015,37(2):76-182.

附中文參考文獻：

[10] 涂斌斌,谷麗華,許 會.步態(tài)識別的小波去噪質(zhì)量評價方法[J].沈陽工業(yè)大學(xué)學(xué)報,2017,39(1):61-66.

[11] 李 娜,侯義斌,黃樟欽.基于人體加速度特征的實時跌倒識別算法[J].小型微型計算機系統(tǒng),2012,33(11):2410-2413.

[12] 劉雪娟,袁家斌,操鳳萍.云計算環(huán)境下面向數(shù)據(jù)分布的K-means聚類算法 [J].小型微型計算機系統(tǒng),2017,38(4):712-715.

[13] 高 榕,李 晶,肖雅夫,等.基于云環(huán)境K-means聚類的并行算法 [J].武漢大學(xué)學(xué)報(理學(xué)版),2015,61(4):368-374.

[14] 谷麗華,崔 暢,高松巍,等.基于MPU-6050的步態(tài)信號采集系統(tǒng)[J].沈陽工業(yè)大學(xué)學(xué)報,2015,37(2):76-182.