[发明专利]一种基于手机惯性传感器的行人身份识别方法有效
申请号: | 201911157462.3 | 申请日: | 2019-11-22 |
公开(公告)号: | CN110929243B | 公开(公告)日: | 2022-07-22 |
发明(设计)人: | 苏今腾;郭迟;罗亚荣;余佩林;张沪寅;顾宇 | 申请(专利权)人: | 武汉大学 |
主分类号: | G06F21/32 | 分类号: | G06F21/32;G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 王琪 |
地址: | 430072 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 手机 惯性 传感器 行人 身份 识别 方法 | ||
1.一种基于手机惯性传感器的行人身份识别方法,其特征在于,包括如下步骤:
步骤1,惯性传感器携带者使用智能设备采集训练样本数据;
步骤2,采用滑动窗口的方法对原始的传感器数据进行切割,生成多个样本,每个样本含n帧数据,且相邻样本有P%的数据重叠,在生成样本的同时,为每个样本做好标签,标签的内容是样本对应的数据采集者的身份编号;
步骤2中采用长128、步长64的滑动窗口对原始的传感器数据进行切割,生成的单个样本有128帧数据,每帧数据有6个浮点数,分别对应加速计的x、y、z轴数据和陀螺仪的x、y、z轴数据;
步骤3,构建深度神经网络模型,该模型包括三个卷积层、两个LSTM单元、一个注意力机制模块和一个全连接层,其中,第一个卷积层中含有64个长度为25的一维卷积核,第二、三个卷积层各含有64个长度为21的一维卷积核,两个LSTM单元中的隐含层神经元个数均为128,全连接层的输出层神经元个数等于要识别的行人身份个数;
步骤3中深度神经网络模型的处理过程如下,
设置大小为(128,6)的样本输入到第一个卷积层后,得到大小为(104,6,64)的特征映射FM1,FM1输入到第二个卷积层得到大小为(84,6,64)的特征映射FM2,FM2输入到第三个卷积层得到大小为(64,6,64)的特征映射FM3;之后将FM3降维成大小为(64,6*64)的二维矩阵,即64个长为384的向量,输入到第一个LSTM单元中,产生64次输出,每次的输出向量长度为128,这64个向量会再输入到第二个LSTM单元中,产生64个长度为128的向量,即大小为(64,128)的二维矩阵,记这个二维矩阵为hlstm,hlstm会被输入到注意力机制模块,进行评分加权求和,计算方法如下所示:
其中,αi为hlstm中第i条向量的分数和权重系数,v是长为80的列向量,W是(80,128)的二维矩阵,b是长为80的列向量,N是hlstm中向量的个数,v、W、b为可学习的网络参数,tanh是双曲正切函数;
注意力机制模块的输出为一个长度为128的向量hattenion,hattenion再被输入到全连接层,经过一个softmax变换,最终得到能够表征识别结果的向量,向量中的每个值对应着对每个行人身份的预测概率;
步骤4,将步骤2生成的样本输入到步骤3构建的深度神经网络模型,设置合适的训练参数,使模型训练至收敛;
步骤5,身份待验证者使用带有惯性传感器的智能设备采集待验证数据;
步骤6,将待验证数据输入到训练好的模型中计算,若得到的概率预测向量中的最大值大于某一阈值,则返回对应的身份编号作为预测结果;反之则返回-1作为结果,即身份待验证者的数据没有在模型中训练过,为非法身份。
2.如权利要求1所述的一种基于手机惯性传感器的行人身份识别方法,其特征在于:所述智能设备为智能手机。
3.如权利要求2所述的一种基于手机惯性传感器的行人身份识别方法,其特征在于:步骤1中采集训练样本数据时,设置采集频率为50Hz,智能手机置于左裤兜中,屏幕面朝外,手机头部朝下,放置好后正常步行约2到3分钟。
4.如权利要求3所述的一种基于手机惯性传感器的行人身份识别方法,其特征在于:步骤5中采集待验证数据时,身份待验证者携带智能手机的放置方式、采集频率与步骤1相同。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911157462.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:身份验证系统、方法及装置、信息验证系统
- 下一篇:一种一字型电缆线夹