[发明专利]一种基于手机惯性传感器的行人身份识别方法

权利要求书

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h^lstm，h^lstm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，α_i为h^lstm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h^lstm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h^attenion，h^attenion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。