[發明專利]一種基于步行加速度信息分割的人員識別方法

在審

• 申請號: 201810378427.3
• 申請日: 2018-04-25
• 公開（公告）號: CN108596253A
• 公開（公告）日: 2018-09-28
• 發明（設計）人: 郇戰;李晨;萬彩艷;陳學杰;陳瑞婷
• 申請（專利權）人: 常州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;A61B5/11;A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于步行加速度信息分割的人員識別方法，包括人員步行加速度信息的采集分割和特征抽取模型建立人員識別步驟；

所述步行加速度信息分割的人員識別步驟包括：

(1)數據分割：利用手機內置的三軸加速度計收集人員步行加速度數據后并除去噪聲；將處理后的人員步行加速信息，根據加速度的變化率，利用隱馬爾科夫模型將人員步行加速度數據分割成動態與穩態兩個部分；

(2)特征抽取與選擇：首先將將整段數據進行切分，使用滑動窗口方式分割處理后的加速度數據，以窗口為單位提取特征，利用Relief算法對特征進行選擇，選擇優秀的特征進行后期的模型建立；

(3)建立識別模型：利用步驟(5)選取的特征，進行識別模型的建立，模型建立采用模式識別的方式，采用四種經典的分類器：貝葉斯(Bayes)，多層神經網絡(MLP)，隨機森林(RF)和K鄰近(K-NN)，使用十折交叉的方法建模。

2.進一步，根據權利要求1所述步驟(1)數據分割的具體步驟如下：

1)研究人員步行加速變化率，根據人員步行加速度數據以及其變化率，初始化HMM的三要素λ＝(π,A,B)，A狀態間的轉移概率，B觀測序列的概率分布，π初始狀態概率分布；

2)運用K–means聚類算法對，對加速度變化x*＝{x₁,x₂,x₃,….,x_m}進行聚類，獲得隱藏初始化狀態序列，選取一維數列x*的聚類中心點，大于V值為動態序列，小于V值為穩態序列，序列為g*＝{g₁,g₂,g₃,g₄,….,g_m}，g_i∈G；

3)根據加速度變化特點構建觀測序列，已知步行加速度數據序列為x＝(x₁,x₂,x₃,…,x_m)，其中x_i為t_i時刻的加速度數據，采樣時間序列t₁<t₂<t_i<t_m，人員步行是一個連貫性的動作，時刻前后的相關性較強，構造了兩個可觀測序列生成觀測值集合；

4)通過應用統計的方法獲得狀態間概率轉移矩陣A＝{a_ij}，觀測序列的概率分布矩陣B初始化則采用高斯混合輸出的密度函數方法；

5)獲得初始化參數λ后運用B-W算法對參數訓練，最后運用Vterbi算法獲得加速度的隱藏序列即動態序列與穩態序列。

3.進一步，根據權利要求1所述步驟(2)特征抽取與選擇的具體步驟如下：

1)初始時，獲得步驟(1)分割后的加速度序列，以窗口為單位分別從頻域和時域兩個方面抽取特征向量，特征向量分別為標準差(St)、平均值(Aver)、偏度(Sk)、均方根(Rms)、能量(Energe)，依據上述步態信息被分割成動態與穩態兩種區域，所以特征也分成了穩態特征(S)與動態特征(D)；

2)根據Relief算法對動態與穩態兩種特征集合D，S進行特征選擇，在同一窗口的不同區域(動態、穩態)下選擇出更能代表人員步行特點的特征向量,形成新的集合NF；

3)根據新的特征集合生成識別模型。

4.根據權利要求1所述的一種基于步行加速度信息分割的人員識別方法，其特征在于，所述步驟(1)中利用隱馬爾科夫模型將加速度信息分割成動態與穩態兩個部分，具體步驟如下：

1)根據人員步行加速度數據以及其變化率，初始化HMM的三要素λ＝(π,A,B)，A狀態間的轉移概率，B觀測序列的概率分布，π初始狀態概率分布；

2)運用K–means聚類算法對，對加速度變化x*＝{x1,x2,x3,….,xm}進行聚類，獲得隱藏初始化狀態序列；

3)首先構造兩個可觀測序列生成觀測值集合，通過應用統計的方法獲得狀態間概率轉移矩陣A，采用高斯混合輸出的密度函數方法獲得觀測序列的概率分布矩陣B

4)獲得初始化參數λ后運用B-W算法對參數訓練，最后運用Vterbi算法獲得加速度的隱藏序列即動態序列與穩態序列。

5.根據權利要求1所述的一種基于步行加速度信息分割的人員識別方法，其特征在于，所述步驟(2)中運用Relief算法對不同區域的特征進行特征選擇，選擇Relief值高的形成新的特征集合。