[发明专利]一种步态识别方法

说明书

本发明旨在提供一种步态方法，解决了在步态身份识别时，由于步态波动明显导致身份识别率明显降低的问题，所述方法包括：对于信号预处理过程，原始的3轴加速度信号由低通滤波器消噪。然后，3轴加速度数据的阵列维数需要利用主成分分析（PCA）来降低。在配准阶段，通过基于周期或基于固定长度的步态模板构建方法构建步态模板和步态。在识别阶段，对于基于步态的身份识别过程，考虑到计算复杂度和匹配精度，设计了基于多重匹配算法以提高识别精度，使用皮尔逊相关系数PCC和曼哈顿距离MD算法来识别用户的身份。如果这两种算法的识别结果不一致，则实现附加算法，即归一化互相关NCC算法，以做出最终决策。

技术领域

本发明涉及生物特征识别领域，更具体地，涉及一种步态识别方法。

背景技术

步态识别由于不具攻击性以及其优异的性能，越来越多地应用于可穿戴医疗设备的访问控制中。越来越多的敏感个人信息被收集和存储在可穿戴医疗设备中，包括身体、生理和日常活动，因此这些设备的安全性对于避免用户的隐私和机密泄露至关重要。冒名顶替者可能攻击医疗保健系统并非法获取敏感信息。步态识别方法结合了多个有利特征，即高防欺诈性，安全数据收集，无需明确的用户交互以及连续和长距离身份验证，使步态成为非常适合穿戴式医疗设备中用户验证的生物特征参数。然而，老年人的步态识别比年轻人的步态识别更具挑战性，因为受试者的步态波动明显，随着年龄的增长，这种波动变得更加明显。

为了减轻受试者步态波动的问题，显著提高识别率，本发明提出了一种基于多重匹配算法的步态识别方法，用于以老年人为中心的可穿戴医疗设备的访问控制。

发明内容

鉴于现有技术的缺点，本发明旨在提供一种基于多重匹配算法的步态识别方法，所提出的方法有效解决了在步态身份识别时，由于步态波动明显导致身份识别率明显降低的问题。

本发明针对的是一种基于多重匹配算法的步态识别方法，所述方法可以包括对于信号预处理过程，原始的3轴加速度信号由低通滤波器消噪。然后，3轴加速度数据的阵列维数需要利用主成分分析（PCA）来降低。在配准阶段，通过基于周期或基于固定长度的步态模板构建方法构建步态模板和步态。在识别阶段，对于基于步态的身份识别过程，考虑到计算复杂度和匹配精度，设计了基于多重匹配算法以提高识别精度，使用皮尔逊相关系数PCC和曼哈顿距离MD算法来识别用户的身份。如果这两种算法的识别结果不一致，则实现附加算法，即归一化互相关NCC算法，以做出最终决策。

所述的低通滤波器消噪是指使用低通滤波器对原始加速度信号进行滤波，以去除高频噪声。只要平均步态频率在1.7和2.7 Hz之间，就会预设3 Hz的截止频率；接下来，对滤波后的信号进行进一步处理，以提取步态模板和探测数据。

所述的主成分分析PCA是指将三维加速度信号合成为一维加速度信号。由于同一运动源在三个方向上产生加速度信号，因此它们应该具有很强的相关性，所以利用主成分分析识别三轴加速度信号的第一主成分是非常有效的。

所述的步态模板是指将合成一维加速度构建的模板。因为老人的步态特征可能会导致提取方法的故障增加。该发明方法不直接使用加速度信号俩提取步态周期，而是将合成的一维加速度构建步态模板，通过这种方法，可以解决老年人步态的不对称性。

所述的基于多重匹配算法，是指首先使用两个匹配算法，并对它们做出的决策进行比较；如果结果不同，则执行第三匹配算法以进一步比较两个决策并做出最终决策。

所述的皮尔逊相关系数PCC，是衡量目标变量之间相关性的一种基于协方差的匹配算法，它提供了相关性以及相关趋势的信息。PCC定义如下：

其中之间的协方差x和y，和是的标准偏差x和y分别和是手段x和y分别，而E是期望。数据集之间的相关性是对其关系紧密程度的度量。步态周期模板和用户步态周期之间的PCC在确定用户有效性方面非常重要。

所述的曼哈顿距离MD算法，此匹配算法用于第一轮匹配，长度的两个序列x和y之间的MD可以通过公式计算