人体步态识别的主要原理

人体步态识别的主要原理如下：

1在人体的重要部位部署(膝盖，足底，腰部)传感器。传感器传回的数据在哪里进行处理和分析？（服务器）
2在服务器端安装了CNN模型，对人体的步态数据尽心分析和归类。主要采用卷积神经网络算法。自动提取人体特征值，自动计算和归类。
步行是人类最常见的一种运动形式,也是一种较为复杂的周期性运动,而步态分析就是对人体行走时的各种信号进行测量,根据信号的变化进行时空特征与运动学特征分析的一种方法。足底压力信号作为肢体运动重要的生物力学信息,与肢体运动模式之间存在密切联系,不同的步态动作对应生成不同特征的压力信号。通过压力信号与步态模式的对应关系,可以识别不同的步态动作,因此本文开展了基于连续分布式足底压力测量的步态分析的研究课题。但是由于单一的压力传感器无法描述出人体步态动作的全部信息,因此在压力传感器的基础上加入MEMS惯性传感器实现对人体步态的分析。本文首先搭建了人体步态数据采集系统。步态数据采集系统由步态信息感知模块、基于微处理器的数据采集从模块、含有无线数据传输单元的主模块和上位机处理模块四部分组成。在本课题中将IMU惯性传感器固定于足跟处来感知人体正常行进时的姿态信息,将4个薄膜压力传感器分别放置于足拇指、第一跖骨、第四跖骨和足跟处来感知人体行进时的压力信息。其次本文设计了步态数据滤波算法、空白数据段去除和步态分割算法,并分析了一个步态周期段内不同步态模式下加速度、角速度、压力、四元数等传感器数据的特点,以此为基础提取了一个步态周期段内的75个步态统计特征和6个步态物理特征,并对这些特征进行归一化。最后设计了步态模式识别算法,采用支持向量机对不同步态模式进行了识别。在识别之前考虑到初始特征比较多,并且SVM算法模型的训练结果比较依赖特征的选取,因此本文采用relief F算法对所有的步态特征按照特征权重进行排序,然后对排序好的特征构成不同的特征子集,并利用KNN算法对不同特征子集的优劣进行评价,最后选择出最优的特征子集用于SVM算法模型的训练,在采用SVM算法对模型训练时,合适核函数参数和惩罚因子对模型的精度起至关重要的作用,因此本文采用遗传算法对参数进行了寻优,经过参数寻优后的SVM算法具有较好的泛化性能。论文对8种常见的步态模式进行了识别实验。实验结果表明,采用遗传算法对参数寻优后的SVM算法对特征选取后的33维特征构成的特征子集的识别效果较好,识别率达到99.41%。


另外一种方法是利用机器视觉的原理，对人体的步态尽心拍照取像，然后尽心图像分析。这个只需要安装一个摄像头即可。不需要在人体上安装任何传感器。
近年来,随着人工智能技术的不断发展,智能安防被广泛的应用到实际生活中,为平安城市提供保证,保障人民的安全。如今,城市中各个重要位置均安装有摄像头,一个庞大的天网时刻预防、打击犯罪活动。依靠视频监控对行人轨迹进行描述和对特定人员进行检索成为重要的任务。这其中步态识别便是关键技术之一。步态识别通过人的走路姿态和体型进行身份识别,是重要且稳定的生物特征识别技术,该研究有极高的应用价值。基于深度学习的步态识别研究取得了较大的进展,同时多个公共步态数据集的建立也为算法的评估提供平台。然而,当前步态识别的研究工作仍存在一定问题。首先,主流的步态数据集均在无背景干扰的室内采集,志愿者按固定路径行走进行拍摄。使用背景差分法或帧差法对视频图像进行处理得到行人轮廓图。这种模拟场景下的数据及轮廓提取方法与真实场景存在巨大差异,使得研究与实际应用有较大鸿沟。其次,当前的步态识别工作多采用浅层网络进行研究。尽管浅层网络能关注到局部特征且不易发生过拟合现象,但其有限的学习能力及全局特征的缺失导致识别性能较低。随着计算机视觉通用网络的不断改进,如何使用更深的网络来提升步态识别的准确率成为当务之急。最后,步态识别任务中存在跨视角识别的难点。对于同一行人,轮廓和行走轨迹随拍摄视角变化而改变明显,导致跨视角匹配的准确率相较于同视角匹配降低较大。针对上述步态识别研究中存在的问题,论文做了以下工作:1.设计了一个针对监控场景的步态轮廓图提取方法,并构建监控场景步态识别数据集。首先提出一个对监控场景中环境复杂、光照条件变化有很好鲁棒性的步态轮廓图提取方法。此方法包含检测模块、追踪模块、轮廓提取模块。针对视频图像中行人分辨率占比较小的问题,论文增加检测网络特征图尺寸,调整初始化参数。针对追踪模块提出了一个强特征追踪器。最后结合轮廓提取模块,建立了一个校园监控步态数据集,以评估步态识别算法的性能,搭建步态识别研究与应用间的桥梁。2.提出了一个多尺度步态识别网络,选取合适的骨架网络,融合步态能量图的全局特征和局部特征,为步态识别任务提取更有辨别力的特征。整个网络结合Arcface损失函数和难样本三元损失函数进行学习。在多损失函数的监督下,训练一个端到端的多尺度识别网络。实验证明,Arcface损失函数配合难样本三元损失函数可以最大程度的提升网络对步态特征的辨别能力。网络中全局特征和局部特征在一定程度上进行互补,融合后的特征有更强的辨别力。3.实现了一种基于生成对抗网络的跨视角步态识别方法。在步态识别任务中,跨视角识别是最具挑战性的任务。同一行人不同视角下拍摄的轮廓图存在明显差异。本文设计了一个对抗网络结构并加入三元身份损失,将不同视角下的步态能量图转化成固定视角下的步态能量图,同时保留行人身份信息。实验证明生成图像的特征可辅助原始图像得到更高准确率的识别结果。


另外，手机测算步数的原理是：在手机上安装有力学传感器，可以感知手机的受力情况，根据行动模型比对，产生步数数据。感知器和计算单元均在手机内。