李文娟，沈 澍,2，孫紹山，陳偉男

(1.南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210023;2.江蘇省無(wú)線傳感網(wǎng)高技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210023)

0 引 言

步態(tài)是一種新興的生物識(shí)別特征，相比于人臉、指紋等識(shí)別特征，具有不可偽裝、環(huán)境適應(yīng)強(qiáng)等特點(diǎn)。除了作為人臉、指紋識(shí)別等方法的補(bǔ)充，步態(tài)識(shí)別既可以滿足一些尋常場(chǎng)景的應(yīng)用需求，也可以填補(bǔ)一些特殊場(chǎng)景的應(yīng)用缺口。目前研究者們已經(jīng)逐漸將步態(tài)應(yīng)用于身份識(shí)別[1-3]、疾病診斷[4-5]、安防監(jiān)控[6]等領(lǐng)域。該文將步態(tài)分析應(yīng)用于用戶身份識(shí)別，在特殊場(chǎng)景例如案件偵查下提供新興的識(shí)別技術(shù)，在疫情期間也可以做到無(wú)接觸式身份識(shí)別，減少病毒傳播。

根據(jù)獲取信息方式的不同，步態(tài)識(shí)別通?？蓜澐譃榛趫D像序列的步態(tài)識(shí)別[7-8]和基于運(yùn)動(dòng)傳感器的步態(tài)識(shí)別[9-10]。第一種是通過(guò)攝像機(jī)捕捉步態(tài)圖像。Thunwa Sattrupai等人[8]找出步態(tài)視頻中每一幀的關(guān)鍵點(diǎn)并尋找軌跡序列的相關(guān)幀，利用密集軌跡進(jìn)行識(shí)別。在前視角下識(shí)別準(zhǔn)確率達(dá)到85%，但是由于背光問(wèn)題，導(dǎo)致在后視角下準(zhǔn)確率較低?？梢?jiàn)，利用攝像機(jī)進(jìn)行步態(tài)識(shí)別，不僅成本高，也會(huì)受到光照、視角和被遮擋衣物的影響。

第二種是通過(guò)可穿戴式傳感器采集步態(tài)數(shù)據(jù)。與基于圖像序列的步態(tài)識(shí)別方式相比，基于傳感器的識(shí)別只需要低成本的可穿戴設(shè)備或智能手機(jī)，不受環(huán)境影響。因此，基于傳感器的識(shí)別技術(shù)越來(lái)越受到人們的重視。智能手機(jī)集成了多種高精度、高智能、多功能的傳感器，利用智能手機(jī)采集人體走路時(shí)產(chǎn)生的慣性傳感器信號(hào)進(jìn)行用戶身份識(shí)別，應(yīng)用設(shè)備成本低且便攜性強(qiáng)，具有較好的發(fā)展前景。

毛晨飛[11]利用手機(jī)傳感器來(lái)獲取步態(tài)信號(hào)，并利用支持向量機(jī)(SVM)分類(lèi)模型和自己所設(shè)計(jì)的BP網(wǎng)絡(luò)在30人的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，識(shí)別準(zhǔn)確率分別達(dá)到了90.45%和90.17%。Zou等人[12]使用加速度計(jì)和陀螺儀獲取步態(tài)數(shù)據(jù)，并通過(guò)步態(tài)識(shí)別技術(shù)進(jìn)行人體識(shí)別。為了提高計(jì)算精度，他們提出了一種由CNN和長(zhǎng)短期記憶(LSTM)組成的混合深度神經(jīng)網(wǎng)絡(luò)。它被用于提取時(shí)域和空間域的特征。該方法在自己搭建的whuGait Dataset #1(118名受試者)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率達(dá)到了93.5%。

現(xiàn)階段，利用傳感器采集步態(tài)信號(hào)所建立的大型公開(kāi)的步態(tài)數(shù)據(jù)集有日本大版大學(xué)科學(xué)研究所提供的OU-ISIR[13]和武漢大學(xué)提出的whuGait[12]。OU-ISIR數(shù)據(jù)集中每個(gè)受試者的步態(tài)數(shù)據(jù)僅包含1 000多個(gè)采樣點(diǎn)，數(shù)據(jù)量較少，而whuGait中的數(shù)據(jù)在采集時(shí)沒(méi)有限制設(shè)備的放置位置，對(duì)研究采集設(shè)備的放置位置對(duì)識(shí)別性能的影響不能提供幫助。因此，考慮到可用的開(kāi)源數(shù)據(jù)集較少，以及受限于數(shù)據(jù)量大小以及采集設(shè)備位置，需要根據(jù)自己的需求來(lái)搭建更合適的步態(tài)數(shù)據(jù)集。

除了數(shù)據(jù)集以外，現(xiàn)有的識(shí)別方法準(zhǔn)確率較低，距離實(shí)際應(yīng)用還有較長(zhǎng)距離。因此，基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了新的識(shí)別模型并開(kāi)發(fā)了一個(gè)步態(tài)識(shí)別系統(tǒng)，旨在幫助提升識(shí)別效率，為促進(jìn)步態(tài)識(shí)別在實(shí)際中的應(yīng)用貢獻(xiàn)一份力量。系統(tǒng)主要包括身份注冊(cè)模塊與身份識(shí)別模塊。注冊(cè)模塊用于采集數(shù)據(jù)建立新的步態(tài)數(shù)據(jù)集，用于支撐該研究，同時(shí)也可以為后續(xù)的研究者提供更多步態(tài)數(shù)據(jù)。識(shí)別模塊采用了該文設(shè)計(jì)的模型進(jìn)行身份識(shí)別。實(shí)驗(yàn)證明該系統(tǒng)具有較好的魯棒性和識(shí)別準(zhǔn)確率。

1 系統(tǒng)設(shè)計(jì)

1.1 總體設(shè)計(jì)

一個(gè)集成數(shù)據(jù)采集與識(shí)別功能的系統(tǒng)主要包括兩個(gè)模塊：身份注冊(cè)與身份識(shí)別。身份注冊(cè)模塊需要用戶填寫(xiě)個(gè)人信息和采集步態(tài)信號(hào)，身份識(shí)別模塊需要用戶再次采集步態(tài)數(shù)據(jù)，然后系統(tǒng)根據(jù)采集到的數(shù)據(jù)進(jìn)行用戶身份識(shí)別，系統(tǒng)總體流程如圖1所示。對(duì)于數(shù)據(jù)庫(kù)中不存在的用戶，需要將采集到的數(shù)據(jù)預(yù)先送入模型進(jìn)行訓(xùn)練，然后系統(tǒng)拉取最新訓(xùn)練過(guò)的模型。在進(jìn)行身份識(shí)別時(shí)，只要將采集到的數(shù)據(jù)送入已經(jīng)訓(xùn)練過(guò)的模型中進(jìn)行推理，獲取識(shí)別結(jié)果。

圖1 系統(tǒng)總體流程

1.2 功能介紹

1.2.1 身份注冊(cè)

身份注冊(cè)主要包括個(gè)人信息錄入，需要填寫(xiě)姓名、性別、身高、體重并拍攝照片，隨后進(jìn)行步態(tài)數(shù)據(jù)的采集。采集步態(tài)數(shù)據(jù)時(shí)需要用戶拿起手機(jī)正常行走2分鐘，系統(tǒng)會(huì)實(shí)時(shí)獲取行走時(shí)手機(jī)內(nèi)置的加速度傳感器和陀螺儀傳感器產(chǎn)生的信號(hào)，采集完成后自動(dòng)生成本地文件并上傳至云服務(wù)器，同時(shí)觸發(fā)步態(tài)識(shí)別模型的訓(xùn)練，從而完成用戶的整個(gè)身份注冊(cè)。對(duì)于采集到的數(shù)據(jù)可用于構(gòu)建步態(tài)數(shù)據(jù)集。具體界面如圖2所示。

圖2 身份注冊(cè)界面

1.2.2 身份識(shí)別

用戶登陸以后，拿起手機(jī)正常走5秒后系統(tǒng)直接將采集到的數(shù)據(jù)送入模型進(jìn)行推理，并且每隔5 s就會(huì)執(zhí)行一次，用戶行走期間會(huì)一直動(dòng)態(tài)顯示識(shí)別結(jié)果，當(dāng)結(jié)束采集后會(huì)將最終識(shí)別信息展示出來(lái)。圖3展示了識(shí)別模塊的界面。

圖3 身份識(shí)別界面

2 關(guān)鍵模塊

目前步態(tài)識(shí)別研究距實(shí)用階段還需要走很長(zhǎng)的路，主要體現(xiàn)在可用數(shù)據(jù)集較少、識(shí)別準(zhǔn)確率較低等方面。這也是本系統(tǒng)開(kāi)發(fā)所需要攻堅(jiān)的難點(diǎn)問(wèn)題。因此對(duì)于步態(tài)識(shí)別系統(tǒng)，主要分為三個(gè)關(guān)鍵模塊：數(shù)據(jù)采集、模型搭建和模型部署。首先，通過(guò)在智能手機(jī)上開(kāi)發(fā)采集系統(tǒng)來(lái)采集步態(tài)數(shù)據(jù)，接著，搭建步態(tài)識(shí)別模型用于身份識(shí)別，最后，將模型部署到手機(jī)端，結(jié)合采集功能構(gòu)成一個(gè)完整的步態(tài)識(shí)別系統(tǒng)。

2.1 數(shù)據(jù)采集模塊

步態(tài)識(shí)別系統(tǒng)的第一個(gè)主要功能就是進(jìn)行步態(tài)數(shù)據(jù)采集。加速度傳感器和陀螺儀傳感器能夠測(cè)量運(yùn)動(dòng)加速度和旋轉(zhuǎn)角速度，采集到的信號(hào)可用于步態(tài)研究，已經(jīng)被較多研究者們使用[14-15]。本系統(tǒng)通過(guò)手機(jī)內(nèi)置的加速度計(jì)和陀螺儀傳感器采集步態(tài)信號(hào)，實(shí)驗(yàn)使用的手機(jī)型號(hào)為華為P20。根據(jù)采樣定理，將采樣頻率設(shè)置為50 Hz，保證采樣值可以包含原始信號(hào)的所有信息。當(dāng)人在走路時(shí)，采集設(shè)備可以放置于身體不同部位。需要驗(yàn)證采集設(shè)備的不同放置位置與識(shí)別性能之間的關(guān)系，因此選擇采集將手機(jī)放置在手臂、手和后腰三個(gè)位置的步態(tài)數(shù)據(jù)。

對(duì)于采集到的原始信號(hào)，還需要進(jìn)行相應(yīng)的預(yù)處理操作。首先，根據(jù)其信號(hào)特征，采用巴特沃斯低通濾波[16]對(duì)數(shù)據(jù)進(jìn)行平滑處理，減少其他噪音的干擾。其次，手機(jī)采集到的數(shù)據(jù)是連續(xù)信號(hào)，需要將其劃分為一個(gè)個(gè)獨(dú)立樣本。已有研究者Zou[12]根據(jù)Acc曲線的局部最大值來(lái)確定連續(xù)信號(hào)的周期分割點(diǎn)：

(1)

其中，Accx，Accy，Accz是加速度計(jì)x，y和z軸方向的值。按照Acc曲線極值分割樣本存在一些誤差。如果分割長(zhǎng)度不能涵蓋一個(gè)完整的步態(tài)周期，很容易忽略一些特征。圖4為六個(gè)不同的受試者拿著手機(jī)行走時(shí)的Acc曲線圖。對(duì)于不同受試者而言，從50到178左右的采樣點(diǎn)均能包含兩個(gè)步態(tài)周期。因此，對(duì)于采集到的數(shù)據(jù)，選擇將長(zhǎng)度為128個(gè)采樣點(diǎn)的滑動(dòng)窗口按照一定的步長(zhǎng)來(lái)滑動(dòng)分割數(shù)據(jù)，同時(shí)，也能夠增強(qiáng)數(shù)據(jù)量大小。

圖4 不同受試者的步態(tài)信號(hào)

2.2 模型搭建模塊

步態(tài)識(shí)別研究面臨的第二個(gè)問(wèn)題是準(zhǔn)確率不夠。為了提升識(shí)別準(zhǔn)確率，便于推動(dòng)步態(tài)識(shí)別在實(shí)際生活中的應(yīng)用，分別利用機(jī)器學(xué)習(xí)算法和深度神經(jīng)網(wǎng)絡(luò)搭建識(shí)別模型。

2.2.1 基于機(jī)器學(xué)習(xí)的步態(tài)識(shí)別模型搭建

在送入機(jī)器學(xué)習(xí)模型之前需要對(duì)采集到的原始數(shù)據(jù)進(jìn)行特征提取。計(jì)算多個(gè)特征的重要性，分析比較并選取最優(yōu)的一些特征作為模型的輸入，避免特征過(guò)多導(dǎo)致過(guò)擬合現(xiàn)象。通過(guò)實(shí)驗(yàn)對(duì)比，最終選擇了6類(lèi)時(shí)頻域特征作為最終的輸入，分別是平均值、標(biāo)準(zhǔn)差、中值、最大值、最小值、偏斜度和峰度。偏斜度是對(duì)步態(tài)信號(hào)分布非對(duì)稱程度的度量，計(jì)算方法為：

(2)

其中，m3為樣本的三階中心矩，m2為樣本二階中心矩，S為樣本長(zhǎng)度，xi為第i個(gè)點(diǎn)的值，fmean為樣本均值。

峰度能夠反映步態(tài)信號(hào)概率密度函數(shù)的陡峭程度，計(jì)算方法為：

(3)

其中，m4為樣本的四階中心矩。

2.2.2 基于深度學(xué)習(xí)的步態(tài)識(shí)別模型搭建

與機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)是一種深層次表征學(xué)習(xí)，其可以采用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)對(duì)數(shù)據(jù)進(jìn)行深層特征提取。在有一定量的數(shù)據(jù)支持下，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行識(shí)別可以達(dá)到較好的效果。因此設(shè)計(jì)了一個(gè)添加注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)如圖5所示，將相同的輸入數(shù)據(jù)分別送入兩個(gè)特征提取模塊，通過(guò)不同的權(quán)重矩陣矩以提取不同的特征。每次進(jìn)行特征提取的計(jì)算方法為：

(4)

接著，在網(wǎng)絡(luò)后面添加了注意力機(jī)制，通過(guò)自學(xué)習(xí)的方式重新校準(zhǔn)通道的重要性并根據(jù)通道重要性來(lái)提升有用的特征并抑制無(wú)用特征。

最后，對(duì)于兩個(gè)特征提取模塊提出的特征進(jìn)行融合：

(5)

并利用全連接層網(wǎng)絡(luò)對(duì)所提取的特征進(jìn)行分類(lèi)，完成身份識(shí)別功能。

為了避免模型出現(xiàn)過(guò)擬合，還添加了Dropout層，增加模型泛化能力。此外，選擇交叉熵作為模型的損失函數(shù)，對(duì)于單個(gè)樣本，其交叉熵?fù)p失的計(jì)算如下：

(6)

其中，N為輸出類(lèi)別數(shù)，如果該樣本屬于第i個(gè)類(lèi)別，則yi=1，否則為0。pi為該樣本屬于i類(lèi)的概率。

圖5 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2.3 模型部署模塊

選擇深度學(xué)習(xí)模型作為最終的識(shí)別模型，要構(gòu)建身份識(shí)別系統(tǒng)就需要將該模型部署到智能手機(jī)上。現(xiàn)階段深度學(xué)習(xí)模型在智能手機(jī)上的應(yīng)用主要有兩種方式，第一種是在智能終端對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，然后把數(shù)據(jù)傳至服務(wù)器并送入深度學(xué)習(xí)模型進(jìn)行推理，并將預(yù)測(cè)結(jié)果返回至終端設(shè)備上。利用此種方式實(shí)現(xiàn)模型推理相對(duì)簡(jiǎn)單，但從上傳數(shù)據(jù)至服務(wù)器到返回預(yù)測(cè)結(jié)果給終端耗時(shí)長(zhǎng)，不適合身份識(shí)別這種對(duì)實(shí)時(shí)性要求較高的場(chǎng)景。因此，選擇在服務(wù)器訓(xùn)練好識(shí)別模型，然后部署到終端設(shè)備上并直接在該設(shè)備上進(jìn)行模型推理。

實(shí)驗(yàn)中采用了TensorFlow來(lái)搭建識(shí)別模型，為了能夠?qū)⒛Ｐ筒渴鹪谫Y源受限的邊緣設(shè)備，需要在安卓端創(chuàng)建模型推理所需的環(huán)境。將模型輸出為pb文件并存放于Android中assets文件夾下；接著，引入TensorFlow框架需要的兩個(gè)文件libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar；最后，利用TensorFlowInferenceInterface類(lèi)的feed()、run()和fetch()方法來(lái)實(shí)現(xiàn)模型推理并獲取推理結(jié)果。

該步態(tài)識(shí)別系統(tǒng)的實(shí)現(xiàn)還面臨一個(gè)問(wèn)題是擴(kuò)充數(shù)據(jù)庫(kù)。對(duì)于數(shù)據(jù)庫(kù)中不存在的人群，需要提前采集其步態(tài)數(shù)據(jù)并送入識(shí)別模型進(jìn)行訓(xùn)練。為了能夠在系統(tǒng)使用階段實(shí)時(shí)擴(kuò)充數(shù)據(jù)庫(kù)，在用戶填寫(xiě)個(gè)人信息及采集步態(tài)數(shù)據(jù)后，設(shè)置在系統(tǒng)將采集到的步態(tài)數(shù)據(jù)上傳到服務(wù)器的同時(shí)觸發(fā)模型重訓(xùn)練，然后在系統(tǒng)的識(shí)別階段設(shè)置其自動(dòng)拉取最新的訓(xùn)練模型。

3 實(shí)驗(yàn)及結(jié)果分析

為了測(cè)試該系統(tǒng)的應(yīng)用性能，在華為P20手機(jī)上進(jìn)行實(shí)驗(yàn)，采樣頻率設(shè)置為50 Hz。在南京郵電大學(xué)選取了30位處于20～25歲年齡段的學(xué)生，讓他們將手機(jī)分別放置在手臂、手和后腰3個(gè)位置正常行走1分鐘，重復(fù)3次，前兩次采集的步態(tài)數(shù)據(jù)作為訓(xùn)練集，第3次采集的步態(tài)數(shù)據(jù)作為測(cè)試集。

對(duì)于每位志愿者，共采集了9 000條數(shù)據(jù)，每條數(shù)據(jù)分別包含相同時(shí)間戳下的加速度傳感器和陀螺儀x,y,z軸信號(hào)。觀察到在數(shù)據(jù)收集過(guò)程的最初10秒和最后10秒內(nèi)，傳感器數(shù)據(jù)存在波動(dòng)。這種波動(dòng)的原因是一些用戶在數(shù)據(jù)收集過(guò)程開(kāi)始后，仍在查看智能手機(jī)的屏幕，甚至在數(shù)據(jù)收集過(guò)程結(jié)束前就會(huì)查看手機(jī)。為了減輕在開(kāi)始和結(jié)束時(shí)這種波動(dòng)的影響，將最初和最末尾的10 s數(shù)據(jù)移除，然后對(duì)數(shù)據(jù)應(yīng)用了帶通濾波，濾除其他噪音干擾，得到了一個(gè)完整的步態(tài)數(shù)據(jù)集。該數(shù)據(jù)集包含三個(gè)子數(shù)據(jù)集，分別為不同采集位置下30個(gè)人的步態(tài)信號(hào)，將其命名為NJUPT Dataset I，并開(kāi)源到IEEE Dataport上[17]。

將NJUPT Dataset I按照固定長(zhǎng)度為128個(gè)采樣點(diǎn)的滑動(dòng)窗口以50個(gè)采樣點(diǎn)的滑動(dòng)步長(zhǎng)進(jìn)行滑動(dòng)分割，并按照7∶3的比例劃分訓(xùn)練集和測(cè)試集。針對(duì)機(jī)器學(xué)習(xí)算法，計(jì)算出樣本的6個(gè)時(shí)域特征作為輸入，針對(duì)神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)以X=[accx, accy, accz,gyrx,gyry,gyrz]T格式作為輸入。隨后，將數(shù)據(jù)分別送入隨機(jī)森林、K最近鄰算法、支持向量機(jī)和2.2節(jié)中提出的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中訓(xùn)練集和測(cè)試集比例為7∶3，然后根據(jù)準(zhǔn)確率來(lái)衡量識(shí)別性能。實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同算法在NJUPT Dataset I上的識(shí)別效果 %

由表1中可看出，所有算法在腰部位置的識(shí)別準(zhǔn)確率最佳，均超過(guò)了95%，甚至通過(guò)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識(shí)別時(shí)的準(zhǔn)確率能夠達(dá)到99.91%，可見(jiàn)腰部是設(shè)備的最佳放置位置。手部位置的識(shí)別效果均處于較低水平，顯然人們?cè)谧呗窌r(shí)總是很自然地?cái)[動(dòng)手臂，手臂的長(zhǎng)度、擺幅都會(huì)干擾身份識(shí)別。考慮到將手機(jī)拿在手上是最常用的方式，后續(xù)會(huì)針對(duì)手部位置進(jìn)一步研究。觀察實(shí)驗(yàn)結(jié)果還可以得出，神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林分類(lèi)器較其他算法而言性能更佳，考慮到神經(jīng)網(wǎng)絡(luò)模型無(wú)需自動(dòng)進(jìn)行特征提取，選擇此模型作為最終的識(shí)別模型。

此外，還將神經(jīng)網(wǎng)絡(luò)模型在幾個(gè)較為權(quán)威的步態(tài)數(shù)據(jù)集上進(jìn)行訓(xùn)練，并且將其與Zou等人提出的LSTM模型以及CNN+LSTM并聯(lián)模型[12]進(jìn)行對(duì)比。數(shù)據(jù)處理方法同上，學(xué)習(xí)率設(shè)置為0.000 1。針對(duì)不同的數(shù)據(jù)集，也做了一些超參數(shù)調(diào)整，比如dropout rate和epoch的設(shè)置。最終的實(shí)驗(yàn)結(jié)果如表2所示。

表2 算法性能對(duì)比 %

可以看出，該模型在武漢大學(xué)提出的whuGait Dataset #1 和whuGait Dataset #2步態(tài)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率較CNN+LSTM與LSTM模型提升了1%～3%左右。

由于OU-ISIR數(shù)據(jù)量較少，在實(shí)驗(yàn)時(shí)通過(guò)超參數(shù)調(diào)整以及數(shù)據(jù)增強(qiáng)方法，使模型在OU-ISIR數(shù)據(jù)集上較CNN+LSTM方法提升了14.9%。通過(guò)上述實(shí)驗(yàn)證明，該系統(tǒng)能夠有效提升身份識(shí)別性能。

4 結(jié)束語(yǔ)

步態(tài)識(shí)別研究仍處于初步發(fā)展階段，距離規(guī)?；瘧?yīng)用仍然任重道遠(yuǎn)。通過(guò)采集用戶走路產(chǎn)生的慣性傳感器信號(hào)進(jìn)行身份識(shí)別，可以用于促進(jìn)步態(tài)識(shí)別發(fā)展。在以步態(tài)進(jìn)行識(shí)別用戶的研究中，智能手機(jī)內(nèi)置的高精度傳感器完全可以滿足對(duì)原始步態(tài)數(shù)據(jù)獲取的需求，同時(shí)智能手機(jī)存在應(yīng)用成本低、便攜性強(qiáng)等優(yōu)勢(shì)。該文利用手機(jī)進(jìn)行步態(tài)數(shù)據(jù)采集，建立自己的步態(tài)數(shù)據(jù)集。通過(guò)機(jī)器學(xué)習(xí)算法和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行步態(tài)特征分類(lèi)，實(shí)現(xiàn)對(duì)用戶身份的識(shí)別，最后將模型部署到手機(jī)上，結(jié)合數(shù)據(jù)采集功能搭建了一個(gè)完整的步態(tài)識(shí)別系統(tǒng)。通過(guò)實(shí)驗(yàn)表明，將手機(jī)放置在腰上時(shí)，該系統(tǒng)的識(shí)別準(zhǔn)確率能夠達(dá)到99.91%，為促進(jìn)步態(tài)識(shí)別的研究貢獻(xiàn)一份力量。