基于MEMS加速度傳感器的步態識別

涂斌斌，谷麗華，揣榮巖，許 會

（1. 沈陽工業大學 信息科學與工程學院，沈陽 110870；2. 沈陽大學 信息工程學院，沈陽 110044）

基于MEMS加速度傳感器的步態識別

涂斌斌1,2，谷麗華1，揣榮巖1，許 會1

（1. 沈陽工業大學 信息科學與工程學院，沈陽 110870；2. 沈陽大學 信息工程學院，沈陽 110044）

針對最小采集約束條件和經歷長時間跨度下識別率低的問題，提出一種基于MEMS加速度傳感器的步態識別算法。該算法以右髖部位置采集加速度信號構造多個高斯差分尺度空間，利用局部關鍵點生成稀疏表示的步態特征位置模板，并采用模板融合來有效轉換稀疏性步態周期特征，最后利用最近鄰算法和投票機制對步態特征進行識別。在公開的含175名測試者的步態加速度數據集上進行測試，實驗結果顯示識別率為98.67%和認證率為99.89%，并進一步研究了測試集和訓練集樣本數目對識別效果的影響，驗證了特征提取的有效性和穩定性。

MEMS加速度傳感器；關鍵點；稀疏表示；模板融合

步態是人正常行走的方式，反映了人最常見的步行運動特點。步態識別是生物識別領域的研究熱點之一，基于加速度信號的步態識別（以下簡稱“步態識別”）可廣泛應用于便攜式及可穿戴式智能設備、移動終端等進行身份識別和認證[1-2]。其中，身份識別為一對多的匹配，而身份認證為一對一的匹配。

步態特征提取是步態識別算法的主要部分。現有步態特征提取方法主要從時域和頻域兩個角度進行。時域特征為加速度信號的計算特征[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，時域特征較頻域特征更多應用于步態識別，時域方法能更準確提取步態信號的特征。

時域方法是從采集的加速度信號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特征。步態加速度是一個準周期信號，步態周期是步態運動中的最小單位。文獻[9]使用一種循環度量標準CRM（Cyclic Rotation Metric）來循環匹配輸入步態周期和參考步態周期，以減少信號質量對匹配結果的影響，但時間花費嚴重影響實際應用的效果。文獻[10-11]將稀疏表示引入對步態關鍵點描述符的分類中，解決了周期劃分和周期內信號錯位等問題，但多個身體部位步態信號識別相融合的處理方法不適于實際應用。文獻[12]從步態信號中提取轉折點特征和曲線特征作為步態特征，包括極值點相對時間和幅值，極大值和極小值間直線距離和斜率，兩點波形與直線間面積。研究表明，轉折點特征識別效果明顯高于曲線特征。近年來，關鍵點作為特殊點特征成為步態研究的熱點之一。

目前，步態識別研究多局限在較強采集約束條件和較短時間跨度下的小樣本數據集，考慮到步態運動的尺度多變性和所受內外因素影響，本文提出基于稀疏性特征模板融合的步態特征提取方法，使用SIFT算法提取局部關鍵點，構建稀疏表示的步態特征位置模板（以下簡稱“特征模板”），再依據融合的特征模板轉換步態周期數據作為步態特征進行步態識別。

本文的主要優勢在于：充分運用SIFT變換檢測步態信號上局部關鍵點，準確提取步態關鍵點；通過構建稀疏表示特征模板，有效確定步態特征點位置；利用特征模板融合，有效轉換稀疏表示的步態特征，提高識別率的同時減少計算花銷的時間。理論分析和實驗結果表明，該方法在較長時間跨度、無固定采集、著裝和鞋子變化的情況下，仍然能夠實現穩定的身份識別和認證。

1 步態加速度信號預處理

加速度傳感器采集的步態信號主要包含人體運動加速度信號、重力加速度信號。在數據采集過程中，傳感器相對人體位置移動對重力方向的步態加速度信號影響較大，若采用某一軸加速度信號進行步態識別，都需要預先校正重力方向加速度對有效步態信號的影響，因此以三軸方向加速度信號計算合成變量作為步態信號[13]。圖1是步態加速度信號重力方向與合成變量波形對比圖，可見，兩個信號各轉折點方向完全相對。重采樣和歸一化是預處理過程中常用技術手段。采用內插值的方法對步態加速度信號進行重采樣，從而調整步態周期數據長度；利用歸一化方法調整步態周期信號幅度差異。

2 稀疏表示的特征模板

2.1 關鍵點

Lowe提出以DOG(Difference-of-Gaussian)高斯差分函數構造的多個尺度空間內中提取具有尺度不變性的關鍵點。文獻[10]將SIFT(Scale-invariant Feature Transform)變換應用到步態加速度信號關鍵點的提取，通過設計關鍵點描述符進行分類和識別。該方法有效地提取具有旋轉不變性和尺度不變性的步態特征序列，從而解決了步態信號特征點非穩定性問題。

圖1 重力方向加速度信號與合成信號波形對比圖Fig.1 Waveform comparison on gravitational acceleration signal and resultant signal

2.2 關鍵點幅值和位置信息

信號上的關鍵點是具有旋轉不變性和尺度不變性的特殊點特征。研究表明，人體重心在重力方向加速度變化與肌肉控制、各關節活動關系緊密，步態加速度信號在步態周期的轉折點具有明確的物理意義。圖2是一次采樣步態序列的歸一化步態周期上關鍵點示意圖。可見，關鍵點集中出現在周期信號的轉折點處，也就是物理意義豐富的區域。利用關鍵點作為研究對象，識別方法可以關注更有效的信息。

圖2 步態周期上關鍵點示意圖Fig.2 Illustration of signature points in the gait cycles

多個步態周期中，關鍵點出現位置和幅值相對集中。對一名測試者，兩個數據集（Dataset 1 和 Dataset 2）中12次采樣步態加速度信號的關鍵點位置進行觀察，在相同位置關鍵點數目超過3時，以藍線標注。由圖3可知，關鍵點相較于步態周期轉折點保留更多的步態有效信息，相較于步態周期剔除大量無效信息，相較于平均步態周期避免了非步態信號的影響。

圖3 步態周期中關鍵點分布圖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

步態周期中關鍵點出現的位置相對集中，通過統計關鍵點位置信息可以得到穩定的關鍵點位置模板。在信號處理應用中，通過尋找一種比較稀疏的數據表達方式，用稀疏的數據取代原始數據，從實質上降低信息處理量，提高計算效率。對于一個N維向量，如果其中的元素大多數都為零，只有很少一部分元素為非零，那么該向量是稀疏性的。文獻[14]指出通過對語音信號進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，根據關鍵點在步態周期中的位置，可以構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，在歸一化步態周期上，提取所有關鍵點的位置信息。分析統計的具體步驟如下：

Step1 歸一化nj個步態周期，提取每個周期內的關鍵點的位置信息，獲得第i個步態周期的稀疏性的位置向量；

式中：1≤j≤N ，N是步態序列數目；1≤i≤nj，nj為第j個步態序列的步態周期數目；1≤k≤100。表示為第j個步態序列的第i個步態周期的第k個采樣點的關鍵點位置信息。若采樣點為關鍵點，則；若采樣點為非關鍵點，則。

Step2 計算nj個步態周期中第k個關鍵點向量信息統計值Wj(k)；計算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點值；R1為判定是否為關鍵點位置的閾值；θ是自適應比例常數，其取值由nj決定，θ=round(nj5)的值。

Step3 建立第j個步態序列的稀疏表示的特征模板Mj：

3 步態識別方法

3.1 特征模板融合方法

研究表明，影響步態識別效果的因素很多。內因包括時間跨度、人體健康狀況、心理情緒變化、負重著裝及鞋和路面條件等實際情況，導致步態作為生物特征進行識別的不穩定性。外因包括采集約束、放置部位、周期劃分、有效步態信號范圍選擇等實施情況，制約了步態識別系統的性能。

由于內外因素對步態識別系統影響的不確定性，采取將訓練樣本與測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共有的步態特征信息。特征模板代表步態特征點的位置信息，而多個步態周期中相同位置特征點的幅值也相對集中，因此利用特征點位置信息和步態周期幅值信息雙模式進行步態識別。實現特征模板融合的步驟如下：

3.2 步態特征提取方法

3.3 步態識別方法

最近鄰算法是一種常用的模式識別技術之一，是一種統計分類器，對包容型數據的特征變量篩選尤其有效，屬于惰性學習。最近鄰算法的基本思想是在多維空間Rn中找到與待測未知樣本距離最近的點，再根據最近點的類別判定待測樣本的類別。距離判別函數主要使用歐式距離。

4 實驗結果與分析

本文從四個角度來驗證所提出算法的有效性，1）分析實驗選用數據集的特點；2）步態認證測試，研究模仿存在干擾數據情況下的認證效果；3）步態識別測試，以及進一步研究不同測試集和訓練集樣本數目對識別效果的影響； 4）與文獻[10][11]提出的算法進行對比，進一步研究本文算法的有效性。實驗在相同的硬件環境下，采用MATLAB R2012b及其工具箱在Intel(R) Core? 3.20GHz處理器、Windows 7操作系統、內存16.0G的PC機上實現。

4.1 實驗數據集

實驗數據來源于浙江大學第一個公開的步態加速度數據集（ZJU-GaitAcc數據集[11]），包括身體5個位置（右手腕、左上臂、右髖部、左膝、右踝關節）的步態加速度數據，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。數據集中包含3個子集，每個子集數據為采集自5個身體位置6次自然行走20 m水平地面的正常行走步態加速度信號。該步態加速度數據集的特點如表1所示。本文研究僅針對右髖部位置所采集的步態加速度數據集進行實驗。

表1 ZJU-GaitAcc數據集特點Tab.1 Characteristics of ZJU-GaitAcc datasets

4.2 認證測試

分兩種情況進行認證測試，實驗選擇子集0和子集1（或者子集0和子集2）的數據為訓練集，子集2（或子集1）的數據為測試集。對153×6個步態信號數據進行5508次匹配，具體安排如表2所示。認證為一對一的匹配，153×6名測試者的認證識別率為99.89%，總匹配時間最長為8.3791 s。

表2 認證實驗分類結果Tab.2 Classification result of gait authentication

4.3 識別測試

對于識別測試，實驗選擇子集2中153×6個數據作為測試集，子集0和子集1共175×6個數據組成訓練集。因此，在實驗過程中，訓練集內存在22×6個干擾數據，可有效驗證識別效果的魯棒性。

4.3.1 不同測試集樣本數目的識別結果

實驗匹配結果為在測試集中首次匹配成功測試數據的標簽。根據測試集中所包含每名測試者的步態序列數目，實驗將分為6組，即每一組為153名測試者的第l次采樣數據（標注為No.l），具體安排如表3所示。可見，每153名測試者與175×6名訓練者共匹配160 650次，首次匹配的識別率穩定在96.56%，其中錯誤接受的人數共為27人，錯誤拒絕人數共為3人。

表3 不同測試集的識別結果Tab.3 Recogniion results of different test sets

4.3.2 不同訓練集樣本數目的識別結果

針對不同訓練集樣本數目對步態識別效果的影響進行實驗，匹配結果由投票產生。實驗過程中，測試集為153×6名測試者，而訓練集含有樣本數目由175×1名逐漸增加到175×6名，即每名測試者的采樣次數由1次逐漸增加到6次，識別率如圖4所示。可見，訓練集中含有同一名測試者的步態序列樣本越多，識別率也越高，但是識別所耗費的時間也越長。

圖4 測試集數目與識別率關系Fig.4 Relationship between the test sets and recognition rate

4.4 不同算法的識別結果比對

在相同實驗條件和相同數據集的情況下，分別采用文獻[10][11]與本文算法實驗結果進行對比，如圖5所示。從圖中可看出，本文方法僅在rank-1的識別結果已經高于其他方法，主要原因是特征模板的融合削弱了內外因素對步態識別系統影響，并能精確提取有效步態特征，從而提高步態識別的準確率。

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 論

當步態識別經歷長時間跨度和最小約束采集條件時，傳統的基于加速度信號提取步態特征進行識別的算法只考慮步態運動的穩定性和獨特性，而未考慮步態運動受內外因素影響導致的多變性。這種情況下，采用特征模板融合的方法能充分提高步態作為生物特征識別系統的性能。

本文在研究SIFT變換提取步態加速度信號關鍵點的基礎上，提出了基于關鍵點位置信息和步態周期幅值信息的步態識別算法。基于關鍵點位置信息提出以統計得到的有效關鍵點位置向量作為步態周期特征的位置模板。在此基礎上，設計基于步態周期數據和特征模板的雙模式步態識別方法，以融合特征模板的方式有效提取步態特征位置信息，以融合模板提取步態周期特征的方式有效提取步態特征幅值信息。實驗結果表明，該算法更適用于時間跨度大、著裝不固定及采集裝置最小約束情況下的步態識別。

（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, 張欣, 龔爽, 等. 基于 MEMS 慣性傳感器的人體多運動模式識別[J]. 中國慣性技術學報, 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. 基于自適應冗余字典的語音信號稀疏表示算法[J]. 電子與信息學報, 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

國家自然科學基金（61372019）；中央高校基礎科研基金（N150308001）資助項目

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

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