[發(fā)明專利]一種基于生物個體步態(tài)信息的身份識別方法

在審

• 申請?zhí)枺?/td>: 202011124218.X
• 申請日: 2020-10-20
• 公開（公告）號: CN112257559A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設計）人: 李志華;何恬
• 申請（專利權）人: 江南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 劉秋彤;梅洪玉

1.一種基于生物個體步態(tài)信息的身份識別方法，其特征在于，包括以下步驟：

1)隨機建立坐標原點，以人的前進后退方向建立x軸，左右平移方向建立y軸，垂直水平的高低方向為z軸建立完整的坐標系；

2)通過智能手機對不同個體產(chǎn)生的若干個步態(tài)信息進行采集，在進行步態(tài)信息的采集時，智能手機處于正在使用、依據(jù)使用習慣放于手中或置于口袋中；

3)采集的步態(tài)信息匯總后傳輸至服務器端，服務器端對步態(tài)的動作行為特征數(shù)據(jù)進行分類，針對不同類型的行走姿態(tài)數(shù)據(jù)分別進行神經(jīng)網(wǎng)絡訓練，以此完成身份識別神經(jīng)網(wǎng)絡的訓練和基于神經(jīng)網(wǎng)絡的身份識別模型創(chuàng)建；

4)再根據(jù)基于神經(jīng)網(wǎng)絡的身份識別模型對新采集的步態(tài)信息進行識別，進一步根據(jù)模型的識別結果確定步態(tài)的生物個體身份信息，進行身份識別。

2.根據(jù)權利要求1所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：所述步驟2)中，利用帶有加速度傳感器的可攜帶的智能手機對已有標記值的人進行步態(tài)信息采集，其采集的步態(tài)信息為該人的步態(tài)在x軸、y軸、z軸方向的加速度信息；采集的步態(tài)信息越多，構建的神經(jīng)網(wǎng)絡越完善，后續(xù)身份識別的精確度越高。

3.根據(jù)權利要求1所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：所述步驟3)中，對步態(tài)的動作行為特征數(shù)據(jù)進行歸類的方法為k-近鄰算法；智能手機將采集的步態(tài)信息進行初始化并上傳至服務器端，同時服務器端實時地接收數(shù)據(jù)，顯示數(shù)據(jù)發(fā)送成功、接收成功、啟動和關閉連接的提示，接收到的數(shù)據(jù)包含捕獲數(shù)據(jù)的時間，以及加速度傳感器分別在x軸、y軸、z軸上采集的步態(tài)信息；所述動作行為特征數(shù)據(jù)進行分類結果包括：走路、慢跑、上下樓、坐和站。

4.根據(jù)權利要求1所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：所述步驟3)中，所述的身份識別神經(jīng)網(wǎng)絡采用兩層1維卷積層和一層1維最大池化層以及一層全連接層組成卷積神經(jīng)網(wǎng)絡，即CNN模型；將服務器中獲取到的70％的步態(tài)信息進行身份識別神經(jīng)網(wǎng)絡的訓練，得到構架的身份識別神經(jīng)網(wǎng)絡；將服務器中獲取到的30％的步態(tài)信息進行身份識別神經(jīng)網(wǎng)絡的測試。

5.根據(jù)權利要求4所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：所述步驟3)中，神經(jīng)網(wǎng)絡的訓練分為15個時期，每個訓練時期內，在訓練集上根據(jù)L2損失計算模型的均方差，用于估計模型的損失；用預測的類別與真實類別的比值評估模型訓練結果的準確性，之后對所有測試數(shù)據(jù)進行訓練，在訓練結束時，模型將對測試集采用KNN聚類算法進行分類，針對分類結果進一步根據(jù)模型的輸出結果計算其準確性，每一次的訓練周期都將完善訓練模型，該結果的好壞以Training Loss和Training Accuracy為標準，模型越好，其對應的Training Loss和Training Accuracy數(shù)值都將減小。

6.根據(jù)權利要求1所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：在完成生物個體動作行為的姿態(tài)分類基礎上根據(jù)步態(tài)信息進行行為人個體身份識別，因此先從數(shù)據(jù)集中按各種不同的動作行為對步態(tài)信息進行姿態(tài)分類；當在所使用的數(shù)據(jù)集中，將動作行為數(shù)據(jù)經(jīng)姿態(tài)分類之后，顯示有如下編號的行為人執(zhí)行了行走的動作，此時將這些行為人的行走數(shù)據(jù)從數(shù)據(jù)集中提取出來，然后依照其ID編號產(chǎn)生各個數(shù)據(jù)文件，然后對這些數(shù)據(jù)文件按照所提出的神經(jīng)網(wǎng)絡模型進行訓練就能得到完善后的卷積神經(jīng)網(wǎng)絡CNN；訓練之前，待訓練的數(shù)據(jù)需要經(jīng)過一定的處理，使其僅保留x軸的數(shù)據(jù)信息；訓練時，隨機取出其中4個編號的行走數(shù)據(jù)進行訓練。

7.根據(jù)權利要求1所述的基于生物個體步態(tài)信息的身份識別方法，其特征在于：用混淆矩陣來可視化地評估監(jiān)督學習算法的性能。