[发明专利]一种基于步行加速度信息分割的人员识别方法

权利要求书

1.一种基于步行加速度信息分割的人员识别方法，包括人员步行加速度信息的采集分割和特征抽取模型建立人员识别步骤；

所述步行加速度信息分割的人员识别步骤包括：

(1)数据分割：利用手机内置的三轴加速度计收集人员步行加速度数据后并除去噪声；将处理后的人员步行加速信息，根据加速度的变化率，利用隐马尔科夫模型将人员步行加速度数据分割成动态与稳态两个部分；

(2)特征抽取与选择：首先将将整段数据进行切分，使用滑动窗口方式分割处理后的加速度数据，以窗口为单位提取特征，利用Relief算法对特征进行选择，选择优秀的特征进行后期的模型建立；

(3)建立识别模型：利用步骤(5)选取的特征，进行识别模型的建立，模型建立采用模式识别的方式，采用四种经典的分类器：贝叶斯(Bayes)，多层神经网络(MLP)，随机森林(RF)和K邻近(K-NN)，使用十折交叉的方法建模。

2.进一步，根据权利要求1所述步骤(1)数据分割的具体步骤如下：

1)研究人员步行加速变化率，根据人员步行加速度数据以及其变化率，初始化HMM的三要素λ＝(π,A,B)，A状态间的转移概率，B观测序列的概率分布，π初始状态概率分布；

2)运用K–means聚类算法对，对加速度变化x*＝{x₁,x₂,x₃,….,x_m}进行聚类，获得隐藏初始化状态序列，选取一维数列x*的聚类中心点，大于V值为动态序列，小于V值为稳态序列，序列为g*＝{g₁,g₂,g₃,g₄,….,g_m}，g_i∈G；

3)根据加速度变化特点构建观测序列，已知步行加速度数据序列为x＝(x₁,x₂,x₃,…,x_m)，其中x_i为t_i时刻的加速度数据，采样时间序列t₁<t₂<t_i<t_m，人员步行是一个连贯性的动作，时刻前后的相关性较强，构造了两个可观测序列生成观测值集合；

4)通过应用统计的方法获得状态间概率转移矩阵A＝{a_ij}，观测序列的概率分布矩阵B初始化则采用高斯混合输出的密度函数方法；

5)获得初始化参数λ后运用B-W算法对参数训练，最后运用Vterbi算法获得加速度的隐藏序列即动态序列与稳态序列。

3.进一步，根据权利要求1所述步骤(2)特征抽取与选择的具体步骤如下：

1)初始时，获得步骤(1)分割后的加速度序列，以窗口为单位分别从频域和时域两个方面抽取特征向量，特征向量分别为标准差(St)、平均值(Aver)、偏度(Sk)、均方根(Rms)、能量(Energe)，依据上述步态信息被分割成动态与稳态两种区域，所以特征也分成了稳态特征(S)与动态特征(D)；

2)根据Relief算法对动态与稳态两种特征集合D，S进行特征选择，在同一窗口的不同区域(动态、稳态)下选择出更能代表人员步行特点的特征向量,形成新的集合NF；

3)根据新的特征集合生成识别模型。

4.根据权利要求1所述的一种基于步行加速度信息分割的人员识别方法，其特征在于，所述步骤(1)中利用隐马尔科夫模型将加速度信息分割成动态与稳态两个部分，具体步骤如下：

1)根据人员步行加速度数据以及其变化率，初始化HMM的三要素λ＝(π,A,B)，A状态间的转移概率，B观测序列的概率分布，π初始状态概率分布；

2)运用K–means聚类算法对，对加速度变化x*＝{x1,x2,x3,….,xm}进行聚类，获得隐藏初始化状态序列；

3)首先构造两个可观测序列生成观测值集合，通过应用统计的方法获得状态间概率转移矩阵A，采用高斯混合输出的密度函数方法获得观测序列的概率分布矩阵B

4)获得初始化参数λ后运用B-W算法对参数训练，最后运用Vterbi算法获得加速度的隐藏序列即动态序列与稳态序列。

5.根据权利要求1所述的一种基于步行加速度信息分割的人员识别方法，其特征在于，所述步骤(2)中运用Relief算法对不同区域的特征进行特征选择，选择Relief值高的形成新的特征集合。