[发明专利]一种结合形状序列和线性时间归一化的步态身份识别

权利要求书

1.一种结合形状序列和线性时间归一化的步态身份识别，其特征在于，包括采用形状上下文(Shape Context,SC)和线性时间归一化(Linear Time Normalization,LTN)结合的方法对步态周期做序列校准匹配步骤和身份识别步骤；

所述形状上下文和LTN结合的步骤包括：

(1)数据获取：选用智能手机内置加速度传感器采集志愿者水平地面以正常步速行走约100米的加速度数据；

(2)数据预处理：在数据采集的过程中，手机传感器容易受到外界影响，导致数据含有许多高频噪声信号，需要对数据进行去噪等处理；

(3)一般周期分割提取：步态加速度数据通常表现为一组具有周期性特征的数据，其中一个周期在某种特殊位置时可以表示单个步态周期或单步；并且为了减少计算量，常常对步态数据进行周期分割，以此来提取典型周期，其中一般周期分割包括周期长度估计、周期检测、异常周期剔除三个步骤；

(4)典型周期提取：处理时间序列点对齐时，利用SC获取各点的局部形状特征以及利用LTN处理数据数值上的线性关系，分别从这两个角度实现周期间点的精确对齐，从而提取出典型周期；

(5)身份识别：根据提取的典型周期，使用最近邻分类算法(1NN)对测试者身份进行识别。

2.根据权利要求1所述的一种结合形状序列和线性时间归一化的步态身份识别，所述步骤(3)中一般周期分割提取的具体步骤如下：

1)周期长度估计：步态周期的长度主要取决于被测用户的步行速度，通常一个步态周期的长度为80-140个数据点，为了估算每一个被测用户的步态周期长度，从整个步态数据中提取出一小部分子集，并且与其他具有相似长度的子集进行比较，找出与该子集距离最小的部分数据，基于这些子集间的距离分数，计算出一个平均周期长度；

2)周期检测：根据人在行走时地面的反向力和惯性力之间的相互作用使得加速度传感器Z轴信号发生强烈的变化，形成了加速度的峰值(Peak，P)，即在单个步态周期中存在局部的最大值，将这些局部的最大值称之为真实的峰值(True Peak，TP)，为了筛选出正确的TP，定义了一个阈值T，其中幅值比阈值T大的峰值点称为TP，所有符合条件的TP用集合R表示：

T＝μ+σ (1)

R＝∑TP＝{d_i∈P|d_i≥T} (2)

其中μ，σ分别表示为所有峰值P的均值、方差；

3)异常周期剔除：一组步态数据的所有步态周期被检测出来，但是由于外界的影响，并不是所有的步态周期都是有用的，需要去除一些非正常的的周期，否则将影响后期的特征提取和分类识别效果，因此，使用DTW计算周期间的距离，将那些距离相差较大的周期进行剔除。