[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

摘要

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。

主权项

1.一种结合形状序列和线性时间归一化的步态身份识别，其特征在于，包括采用形状上下文(Shape Context,SC)和线性时间归一化(Linear Time Normalization,LTN)结合的方法对步态周期做序列校准匹配步骤和身份识别步骤；所述形状上下文和LTN结合的步骤包括：(1)数据获取：选用智能手机内置加速度传感器采集志愿者水平地面以正常步速行走约100米的加速度数据；(2)数据预处理：在数据采集的过程中，手机传感器容易受到外界影响，导致数据含有许多高频噪声信号，需要对数据进行去噪等处理；(3)一般周期分割提取：步态加速度数据通常表现为一组具有周期性特征的数据，其中一个周期在某种特殊位置时可以表示单个步态周期或单步；并且为了减少计算量，常常对步态数据进行周期分割，以此来提取典型周期，其中一般周期分割包括周期长度估计、周期检测、异常周期剔除三个步骤；(4)典型周期提取：处理时间序列点对齐时，利用SC获取各点的局部形状特征以及利用LTN处理数据数值上的线性关系，分别从这两个角度实现周期间点的精确对齐，从而提取出典型周期；(5)身份识别：根据提取的典型周期，使用最近邻分类算法(1NN)对测试者身份进行识别。