[发明专利]一种结合形状序列和线性时间归一化的步态身份识别

说明书

针对步态周期提取时存在的周期检测错误和周期间相位上的偏差，提出将形状上下文(Shape Context,SC)和线性时间归一化(Linear Time Normalization,LTN)相结合，简称SC+LTN。其中LTN通过线性规则匹配周期序列上的各个点，但忽略了各点的上下文局部形状信息，而SC充分的考虑到了这一点，将各点的局部形状特征和数值上的线性关系相结合实现点的精确对齐。该方法不仅解决点的匹配错误问题，还使得步态时间序列的所有点集严格按照点‑点进行规整对齐。具有的主要优势：1)同时考虑到了步态序列的数值和形状的差异；2)对于时间序列的微小变化很敏感。论文在不同的数据集上验证了SC+LTN准确性和鲁棒性，结果表明，SC+LTN优于目前的很多时间序列的校准对齐方法，提取的典型周期能有效的用于身份识别。

技术领域

本发明属于人身安全领域，具体涉及一种结合形状序列和线性时间归一化的步态身份识别。

背景技术

2016年5月17日，中国互联网协会、国家互联网应急中心(CNCERT)在京首次联合发布了《中国移动互联网发展状况及其安全报告(2016)》。报告显示，2015年中国境内活跃的手机网民数量达7.8亿，占全国人口数量的56.9％。手机安全问题依然严峻，而用户身份识别是保护信息安全的首要步骤。人类的步态包含非常独特的模式，可用于身份的识别和验证。加速度传感器以其低廉的价格、高的灵敏度和较小的体积被广泛应用于智能手机中。其具有的独特优势使研究人员逐渐认识到它在步态身份识别领域的应用前景。步态加速度数据通常是一组有变化的加速度数值，易受到环境因素影响，并存在一定噪声。对步态的分类问题是身份识别中基本和关键的问题之一，而分类的关键在于对其进行相似性度量。通常，测量相似性的主要算法包括：欧式距离、动态时间弯曲距离(Dynamic Time Warping,DTW)(以及一些变形算法衍生DTW(derivative DTW,d-DTW)、加权DTW(weighted DTW,w-DTW)等)、线性时间归一化(Linear Time Normalization,LTN)等。步态加速度序列数据的相似性是由序列中各个对应点间的距离决定的，如果点对间的距离小，表明序列越相似，否则不相似。因此，步态序列间的相似性的准确性很大程度上依赖于点对匹配校准的质量。处理点间匹配对齐的方法主要分为两类：刚性对齐和柔性对齐。欧式距离是典型的刚性对齐，要求被度量的两个序列长度必须严格相等，做到“一对一”的比较，这种对齐方式对噪声很敏感，而且距离会随着序列长度的增加而变大。与刚性对齐不同，柔性对齐可以将两个时间序列进行“一对多”的比较，DTW和LTN都是柔性对齐，不需要待匹配的序列长度相等，并且解决了欧式距离由于时间序列发生扭曲变形而匹配错误的问题，更能反映出两个序列之间的相似程度，因此被广泛的应用于语音识别、生物识别等领域。

但是LTN算法也存在不足，在处理时间序列的点校准对齐时，虽然考虑到了时间序列间的线性关系，但忽略了各点的局部上下文形状信息，造成点的错误匹配。假设两个不同时间序列上的两个点有相同的数值，但是一个是峰值点，另一个是谷值点，LTN在对齐的时候会错误的认为这两个点的距离为0，但是从形状角度考虑，峰值点和谷值点是不可能匹配的。理论上，一个理想的点对齐匹配方法不应该只考虑到数值的变化，同时也需要观察各点的形状是否相似。形状上下文(Shape Context,SC)是一种丰富的形状描述符，以其有效性和强鲁棒性而被广泛应用。它通过计算落在log-polar直方图中的相邻点个数来描述点的位置关系，利用点之间的位置关系描述形状特征。SC自从被提出来以后，因其在描述形状方面的优越特性，具有很多应用。例如人脸匹配、车牌识别、植物叶子图像匹配、以及步态识别等。

发明内容