完美论文网提供代写毕业论文、代写本科论文、代写硕士论文、论文发表及查重服务!QQ:505676555

电话:18796337551
当前位置:完美论文网信息系统 → 文章正文

步态识别国内外研究现状

作者:完美论文网  来源:www.wmlunwen.com  发布时间:2019/3/19 11:50:18  

摘要:步态识别作为一种较新的生物识别技术,通过人的走路方式来识别人体的身份,近年来受到国内外研究者们关注,可分为识别和验证两类。本文从识别出发进行一系列的探索研究。

关键词:步态识别 研究现状

1基于步态特征的身份识别方法的研究现状

基于步态身份识别的想法早在30年前就已经产生了,当人们首次尝试通过放置在关节上的光线传感器来观察运动轨迹时,就已经证明了此类方法的可行性。随着传感技术的快速发展,步态识别出现了新的方法,主要分为三类:基于视频图像[10-13]、基于地面传感器[14-17]和基于可穿戴式传感器[18-20]。

基于视频图像:该技术被广泛的应用于监视和法医取证的目的。步态数据是通过使用不同距离的数字/模拟摄像机捕获的,之后对捕获到的步态数据进行一系列诸如哈夫变换、亮暗像素数量的计算、背景剪除等相关处理技术来提取特征用于身份识别,如图1为基于视频图像方法的身份识别。

图1 基于视频图像的身份识别

基于视频图像的步态身份识别方法相对于其他身份识别方法来说具有较好的用户友好性,因为在拍摄测试者步态数据时都是从远距离“悄悄”拍摄,不会干扰到数据采集者。但是该方法也存在一些缺点,例如极易受到外界环境因素的影响,如光照等;并且基于视频图像的方法一般对于设备的要求较高。

基于地面传感器:利用多种不同的传感器,如重力传感器、压力传感器等,将这些传感器按要求铺设在地面上,当被测用户行走在这段路面上时,传感器开始采集数据。如图2所示为基于地面传感器的步态身份识别。

图2基于地面传感器的身份识别

虽然该技术能够精确地测量下肢和全身的动作,用于步态身份识别,但是工程量较大,需要铺设数量较多的传感器,在实际应用中受到较大的局限。

基于可穿戴式传感器:与前两种方法相比,基于可穿式传感器技术相对来说是一种较新的步态识别方法。该方法通过在人身体的不同位置上固定多个传感器采集步态数据来完成身份识别的,通常可穿戴传感器最常用的主要有两种:加速度传感器、陀螺仪,并且传感器也可放置在多个不同的位置,例如手臂、口袋、鞋子和腰部等,如图3所示,为传感器可放置在人体的位置。

图3传感器可放置的位置

如表1展示了从2004年到2018年间基于可穿戴传感器进行身份识别的研究发展,包括传感器的放置位置、测试人数以及最终的识别率。

表1目前基于可穿戴传感器的步态识别系统的性能

上述这些文献展示了基于可穿戴式传感器的身份识别的发展历程,从表1中的数据可以看出,最终的识别准确率和传感器放置的位置有很大的关系,因此重点在于将最小数量的传感器放置在相关的位置上,同时还要确保足够高的识别率。相对于使用陀螺仪和力传感器,上述大多数文献则都使用了加速度传感器,因此,论文接下来将目光转到基于加速度传感器的步态身份识别的研究工作中。

2基于加速度传感器的步态身份识别的研究现状

利用加速度传感器进行步态身份识别是一个新的领域,依次对步态加速度数据进行采集,预处理,特征提取,分类和识别等相关工作。二十世纪中叶,加速度传感器体积庞大,价值昂贵,并没有应用到该领域。二十世纪七十年代,加速度传感器得到相关的发展,但直到近十几年,人们才开始着手于该方面的研究并应用到更多的领域。近几年来国内外都已经涌现出一些尝试性的工作,但是容易受到多样性的客观环境和人体复杂的运动的影响,所取得的结果大都建立在较为理想的实验环境下,未来仍然还有很多需要解决的难点。

在国内,很多学者们对基于加速度传感器的步态身份识别进行了相关研究,而华中科技大学的刘蓉等人是最早进行该方面研究的一批学者,他们将传感器装置放置在使用者的腰后部,通过对21个测试对象的步态加速度数据进行采集,分别从时域和频域两个角度出发,通过最近邻分类算法进行身份识别,得到的EER分别为5.6%和21.1%[32]。同年,刘蓉等人在此基础上增加了对步态加速度的三个轴上的数据分析,并且进一步扩大了测试者的数量,增加到35个人,提出使用DTW匹配周期模板的方法,最终取得的相等误差率(Equal Error Rate, EER)为6.7%[33]。清华大学的王犇等人通过提取步态加速度特征点的方法,通过对特征点的序列匹配完成识别,实验结果表明,在18个测试者中,取得的EER为6.9%[34]。

在国外,最早提出利用加速度传感器进行步态身份识别的是芬兰的VTT技术研究中心,从2005年开始,研究者们就开始了大量的实验测试与研究。 H.Ailisto等人使用三轴加速度传感器采集36名测试者的步态加速度信号,使用相关系数来匹配测试样本和模板的匹配度,最终的EER为6.4%[35]。同年,J.Mantyjarvi等人在此基础上分别使用了相关系数、频率域和数据分布统计对三种步速下的(正常行走、快速行走、慢速行走)不同测试者的步态加速度信号进行分析,为了进一步增强实验的说服性,对于每个测试者分别采集了相隔两天内的数据,实验结果表明,使用相关系数法得到的最好EER为7%,频域法的最好EER为10%,数据分布统计的最好EER为18%[19]。2006年至2010年期间,挪威信息安全实验室的D.Gafurov[36-41]等人对基于步态的身份识别做了较为详细的研究,包括验证加速度传感器放置的位置对识别结果的影响、使用的各种分类识别算法对结果的影响、选取加速度哪个轴上的数据等,相比较于前人的研究工作,D.Gafurov等人更进一步的分析了各种因素对步态身份识别的影响,对于之后的研究是具有里程碑式的意义。之后的研究者们如Derawi[4]等人、Trung[42]等人都是在此基础上对前人的方法进行改进,根据其实验结果表明,所提出的改进方法效果很好。

上述所有研究工作中使用的加速度传感器都是独立的模块单元,研究者们为了获取更加完整的人体步态加速度数据,有时会添加较多的加速度传感器,尽管一定程度上提高了识别率,但是无疑会大大降低测试者们的舒适度。同时多个传感器的数据也会增加存储容量和运算的复杂度。

3基于智能手机加速度传感器的步态身份识别的研究现状

针对上述研究工作中可能出现的问题,研究者们大胆的提出使用单个加速度传感器来进行识别。随着技术的进步,智能手机的功能也日益丰富,毫不夸张的说现在的智能手机就是一款小型的“移动电脑”。智能手机通过自身内嵌的各类传感器与用户保持“沟通交流”。在其内置的多类传感器中,应用最多的当属加速度传感器,例如运动计步、游戏体验等,并且内置的加速度传感器的精度也较高。因此,很多国内外的研究者们将目光转向了基于智能手机的步态身份识别方法的研究工作中。

最早于2005年,丹麦VTT技术研究中心的研究人员开发出一种手机防盗技术,利用手机中的加速度传感器记录手机使用者的步态,并以此作为识别密码,从而实现身份的识别。2009年,Sprager等人通过对步态周期的分析完成分类识别。实验通过将智能手机(Nokia N 95)固定在人体的踝关节部位,分别采集6名测试者在不同天内的步态数据,通过SVM算法来进行分类识别,论文通过加速度传感器的前后和纵向轴上的数据将步态数据分割为多个步态周期,最终获得的识别率为92.9%[43]。2010年,Derawi等人对分类算法进行相关改进,将决策树和神经网络结合完成用户的身份认证。实验将智能手机放置在测试者们的前面裤子口袋中,分别采集36名测试者的正常步行、跑步、上下楼梯四种不同的步态数据,最终的错误匹配率(FMR)在2.9%~7.4%之间,表明提出的分类方法在一定程度上具有较高的可行性[44]。2013年,Muaaz等人在前人周期分割提取的方法基础上,提出了一种新的步态周期提取方法——分段线性逼近法(Piecewise Linear Approximation, PLA)以及对分类算法SVM内的高斯核进行改进,引入一种新型的弹性距离度量核GDTW函数,实验将安卓手机(Google G1)放置在腰包中,并将腰包固定在测试者的腰右侧,数据采集过程中要求测试者们以正常的步态速度沿着走廊来回行走37m,通过实验验证DTW和PLA两种方法在提取步态周期方面的性能,结果表明提出的方法极大的改善了分类结果[45]。为了进一步提高分类识别率,Sun等人在2014年对提取的步态特征进行了深入的研究,通过采集iPhone手机中的加速度传感器数据和陀螺仪数据,分别从中提取步态频率、对称系数、数值波动范围和特征曲线的相似系数作为特征,最后根据这些特征提出权重投票机制进行分类识别,实验结果表明论文提出的几类特征能够有效的进行分类识别[46]。随着步态识别研究中对于步态特征提取的日益丰富以及对分类算法的日趋改良,使得基于手机传感器进行步态身份识别的识别率不断提高,但之前的研究都是停留在实验室下较为理想的环境中,至今还没有较为成熟的产品出现。为了进一步验证该研究方向具有极大的市场潜力,Muhammad Muaaz等人于2016年在智能手机上开发了一个连续的步态识别系统,该系统在现实条件不仅不费力而且可以实现实时的身份识别。通过采集35个参与者的步态数据集来测试该系统的性能,并且也进行相关模拟攻击的攻击抗性性能测试。根据实验结果表明,论文所开发的实时身份识别系统不仅具有较好实时识别性能,同时还具有较强的抗攻击性能[47]。2017年,Akram Bayat等人继续对基于智能手机加速度传感器数据进行不同个体识别的研究,提出了一种基于信息和稳定个体加速度特征的多类别识别模型,结果表明在20个测试者的数据集下,使用决策表作为分类方法可以使得识别的准确率达到98.45%[48]。

在国内,很多高校以及社会其他各界的研究学者们都对基于智能手机加速度传感器的步态身份识别始终保持着锲而不舍的研究。但是,考虑到手机中加速度传感器的精度没有单独的加速度计高,因此国内的大多数研究都是基于单独的加速度传感器,这部分最初的研究现状可参考上节。到2016年,南阳理工学院的杨文辉等人对于步态数据采集过程中手机放置的位置对识别结果的影响进行了研究,论文通过比较了不同方法,包括统计学和机器学习的方法,用于减少因位置变化所造成的影响,实验结果证实了使用机器学习的K-Star算法分类效果最佳,可削减放置位置变化的影响[49]。2017年杨文辉等人也研究不同场景对步态识别的影响,分别从18个测试者的步态数据中提取时域和频域特征,通过实验结果表明,在相同场景下的训练集和测试集进行比较,准确率达到94%,不同场景下的准确率较差[50]。

参考文献

[1]   Oberg T, Karsznia A, Oberg K. Basic gait parameters: reference data for normal subjects, 10-79 years of age[J]. Journal of rehabilitation research and development, 1993, 30(2): 210-223.

[2]   Stevenage S V, Nixon M S, Vince K. Visual analysis of gait as a cue to identity[J]. Applied cognitive psychology, 1999, 13(6): 513-526.

[3]   Gafurov D. A survey of biometric gait recognition: Approaches, security and challenges[J]. 2007: 19-21.

[4]   Derawi M O, Bours P, Holien K. Improved cycle detection for accelerometer based gait authentication[C]// In Proceedings of 2010 Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing. New York: IEEE, 2010: 312-317.

[5]   景英娟,董育宁. 生物特征识别技术综述. 电子学报, 2001, 29(12A): 1744-1748.

[6]   Wayman J L. Digital signal processing in biometric identification: a review[C]// In Proceedings of Image Processing. New York: IEEE, 2002: 37-40.

[7]   Jain A K, Ross A, Prabhakar S. An introduction to biometric recognition[J]. IEEE Transactions  on circuits and systems for video technology, 2004, 14(1): 4-20.

[8]   Delac K, Grgic M. A survey of biometric recognition methods[C]// In Proceedings of Elmar-2004. 46th International Symposium on Electronics in Marine. New York: IEEE, 2004: 184-193.

联系方式

客服QQ 505676555
客服热线18796337551
网站地址 www.wmlunwen.com
郑重承诺 原创,包修改,包通过!
完美论文网真诚欢迎新老客户的光临与惠顾!