本發(fā)明屬于身份識(shí)別技術(shù)領(lǐng)域，具體地涉及一種基于智能手機(jī)的傳感器采集的走路數(shù)據(jù)進(jìn)行身份識(shí)別的方法。

背景技術(shù)：

各種智能系統(tǒng)在生活中的應(yīng)用越來越普遍。智能系統(tǒng)中經(jīng)常需要身份識(shí)別以便提供個(gè)性化服務(wù)。身份識(shí)別是一個(gè)很棘手的問題，傳統(tǒng)方法中主要是通過一些具有個(gè)人身份特征的事物來鑒別，比如證件、鑰匙等身份標(biāo)識(shí)物品，或者是用戶名和密碼之類的身份標(biāo)識(shí)知識(shí)。但是傳統(tǒng)的身份鑒別方法缺點(diǎn)是相當(dāng)明顯的：身份標(biāo)識(shí)物品容易丟失或被偽造，身份標(biāo)識(shí)知識(shí)容易遺忘或被盜取。另外還可以利用每個(gè)人本身的生物特征如人臉特征，指紋等等就能達(dá)到很好的效果。不過這類方法對(duì)技術(shù)與設(shè)備的要求過高。

自動(dòng)地識(shí)別人類的物理活動(dòng)，通常被稱作是用戶活動(dòng)識(shí)別(har，humanactivityrecognition)技術(shù)，是人機(jī)交互和普適計(jì)算領(lǐng)域中一個(gè)重要的研究方向，其目的在于自動(dòng)獲取關(guān)于用戶活動(dòng)的信息并提供給相關(guān)的服務(wù)或應(yīng)用，使它們能夠更加主動(dòng)和準(zhǔn)確地輔助用戶完成他們的目標(biāo)。傳統(tǒng)的用戶活動(dòng)識(shí)別技術(shù)主要使用基于計(jì)算機(jī)視覺的方法，該類技術(shù)通過圖像處理方法對(duì)靜止圖像或者視頻進(jìn)行分析，從而提取出用戶的活動(dòng)并對(duì)活動(dòng)的類別進(jìn)行判斷。雖然該類技術(shù)已經(jīng)得到了廣泛的研究，但是其仍然存在著較為明顯的缺陷：

1、該類技術(shù)依賴于外部設(shè)備，因此使用范圍被限制在已經(jīng)部署了圖像釆集設(shè)備(如攝像頭)并且可被這些設(shè)備觀察到的區(qū)域內(nèi)。

2、由于圖像所能傳達(dá)的信息非常豐富，會(huì)有除了用戶活動(dòng)之外的其他信息被泄漏的風(fēng)險(xiǎn)，因此該類技術(shù)也存在較為嚴(yán)重的隱私問題。

3、由于圖像處理和視頻處理技術(shù)對(duì)網(wǎng)絡(luò)傳輸帶寬和計(jì)算能力要求較高，在現(xiàn)有技術(shù)條件下很難做到實(shí)時(shí)處理，因此也限制了該類技術(shù)在實(shí)時(shí)系統(tǒng)中的應(yīng)用。

近些年來，隨著智能移動(dòng)設(shè)備(如智能手機(jī)、可穿戴設(shè)備)和相關(guān)傳感器(如動(dòng)作傳感器、皮膚電傳感器)等技術(shù)的飛速發(fā)展，用戶活動(dòng)識(shí)別技術(shù)研究的重點(diǎn)正從基于計(jì)算機(jī)視覺的方法轉(zhuǎn)向在用戶隨身攜帶的智能移動(dòng)設(shè)備上基于其他傳感器的識(shí)別方法。本發(fā)明因此而來。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述存在的技術(shù)問題，本發(fā)明目的是：提供了一種基于走路特征數(shù)據(jù)的身份識(shí)別方法，可以通過隨身攜帶的智能手機(jī)采集走路數(shù)據(jù)，提取出用于分類的特征，然后利用訓(xùn)練好的分類器對(duì)采集的走路數(shù)據(jù)進(jìn)行分類，從而識(shí)別當(dāng)前使用者的身份。有效節(jié)約了設(shè)備的成本，同時(shí)又達(dá)到了很好的識(shí)別效果。

本發(fā)明的技術(shù)方案是：

一種基于走路特征數(shù)據(jù)的身份識(shí)別方法，包括以下步驟：

s01：對(duì)采集的三軸加速度數(shù)據(jù)進(jìn)行分段，將一段連續(xù)的動(dòng)作分解成時(shí)間連續(xù)的固定長(zhǎng)度的數(shù)據(jù)片段；

s02：對(duì)每一數(shù)據(jù)片段分別在時(shí)域和頻域中計(jì)算特征；

s03：用預(yù)先訓(xùn)練好的分類器對(duì)每個(gè)段的特征進(jìn)行分類；

s04：對(duì)一定數(shù)量連續(xù)的數(shù)據(jù)片段的識(shí)別結(jié)果進(jìn)行匯總，得出身份識(shí)別結(jié)果。

優(yōu)選的，所述步驟s01中以垂直方向x軸，左右方向?yàn)閥軸，前后方向?yàn)閦軸建立直角坐標(biāo)系，三軸加速度數(shù)據(jù)包括x軸加速度數(shù)據(jù)、y軸加速度數(shù)據(jù)和z軸加速度數(shù)據(jù)。

優(yōu)選的，所述步驟s02中在時(shí)域中計(jì)算的特征包括最大值、最小值、均值、振幅、均方根、標(biāo)準(zhǔn)差、過零率和峰度，在頻域中計(jì)算的特征包括最大頻率、第二大頻率和頻譜斜率。

優(yōu)選的，所述均方根的計(jì)算公式為：

其中，i表示第i個(gè)段，aik表示段中的第k個(gè)樣本點(diǎn)，n表示段中總的樣本數(shù)。

優(yōu)選的，所述過零率的計(jì)算公式為：

其中，i表示第i個(gè)段，aik表示段中的第k個(gè)樣本點(diǎn)，n表示段中總的樣本數(shù)，ir＜0是一個(gè)指標(biāo)函數(shù)：

優(yōu)選的，所述峰度的計(jì)算公式為：

其中，i表示第i個(gè)段，aik表示段中的第k個(gè)樣本點(diǎn)，是所有樣本點(diǎn)的平均數(shù)，n表示段中總的樣本數(shù)。

優(yōu)選的，所述頻譜斜率的計(jì)算公式為：

其中，i表示第i個(gè)段，ai(k)是作為第i個(gè)段的第k個(gè)頻率分量的頻率fi(k)的對(duì)應(yīng)幅度，n表示段中總的樣本數(shù)。

優(yōu)選的，在數(shù)據(jù)分段之前對(duì)采集的三軸加速度數(shù)據(jù)進(jìn)行預(yù)處理，去除數(shù)據(jù)中的直流分量。

優(yōu)選的，所述步驟s04中，如果有超過半數(shù)的數(shù)據(jù)片段被識(shí)別為非用戶本人，即判定為否，進(jìn)行報(bào)警；否則，判定為是。

優(yōu)選的，所述步驟s01之前還包括，通過智能手機(jī)內(nèi)置的三軸加速度傳感器采集三軸加速度數(shù)據(jù)，判斷用戶走路時(shí)，進(jìn)行步驟s01。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)是：

1.實(shí)用性：本方法利用商用現(xiàn)成的智能手機(jī)內(nèi)置的三軸加速度傳感器采集數(shù)據(jù)，無需額外的特殊設(shè)備，有效節(jié)約了設(shè)備的成本。

2.可靠性：本方法利用人類活動(dòng)識(shí)別方法(har)訓(xùn)練分類器，然后利用訓(xùn)練好的分類器對(duì)當(dāng)前使用者的數(shù)據(jù)進(jìn)行分類，從而識(shí)別當(dāng)前使用者的身份。只要訓(xùn)練集足夠，識(shí)別的誤差很小。最后通過本方法中的身份判別決策方法可以使正確率進(jìn)一步提高。

3.便利性：本方法用來鑒別用戶身份的依據(jù)是用戶的走路習(xí)慣。走路習(xí)慣不同于鑰匙，身份證等傳統(tǒng)用于身份識(shí)別的依據(jù)，不存在丟失，忘記的情況發(fā)生。

4.靈活性：本方法的適用范圍較大，在陰雨天等惡劣天氣在都能可靠使用。

附圖說明

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述：

圖1為本發(fā)明的方法流程圖；

圖2為帶加速度傳感器的智能手機(jī)及其坐標(biāo)系

圖3為本發(fā)明三軸加速度傳感器采集的數(shù)據(jù)的示意圖；

圖4為本發(fā)明的5種分類器的正確率；

圖5為本發(fā)明的5種分類器的用時(shí)。

具體實(shí)施方式

以下結(jié)合具體實(shí)施例對(duì)上述方案做進(jìn)一步說明。應(yīng)理解，這些實(shí)施例是用于說明本發(fā)明而不限于限制本發(fā)明的范圍。實(shí)施例中采用的實(shí)施條件可以根據(jù)具體廠家的條件做進(jìn)一步調(diào)整，未注明的實(shí)施條件通常為常規(guī)實(shí)驗(yàn)中的條件。

實(shí)施例：

如圖1所示，本實(shí)施例基于走路數(shù)據(jù)進(jìn)行身份識(shí)別。該方法主要由數(shù)據(jù)采集、數(shù)據(jù)特征提取、多分類器訓(xùn)練和日常活動(dòng)識(shí)別四個(gè)部分組成。具體包括以下步驟：

s01：對(duì)采集的三軸加速度數(shù)據(jù)進(jìn)行分段，將一段連續(xù)的動(dòng)作分解成時(shí)間連續(xù)的固定長(zhǎng)度的數(shù)據(jù)片段；

s02：對(duì)每一數(shù)據(jù)片段分別在時(shí)域和頻域中計(jì)算特征；

s03：用預(yù)先訓(xùn)練好的分類器對(duì)每個(gè)段的特征進(jìn)行分類；

s04：對(duì)一定數(shù)量連續(xù)的數(shù)據(jù)片段的識(shí)別結(jié)果進(jìn)行匯總，得出身份識(shí)別結(jié)果。

本實(shí)施例中三軸加速度數(shù)據(jù)是通過智能手機(jī)內(nèi)置的三軸加速度傳感器采集的，當(dāng)然也可以為其他內(nèi)置三軸加速度傳感器的智能終端進(jìn)行采集。具體實(shí)施步驟如下：

(1)數(shù)據(jù)的收集是本發(fā)明的第一步。為了收集原始加速度數(shù)據(jù)進(jìn)行分析和實(shí)驗(yàn)，我們開發(fā)了一個(gè)android平臺(tái)上的應(yīng)用程序。該應(yīng)用程序每秒生成大約15個(gè)三軸加速度計(jì)數(shù)據(jù)記錄，并且還可以在后臺(tái)繼續(xù)運(yùn)行。然后招募16名不同身高、體重的志愿者走路采集數(shù)據(jù)。如圖2所示，以垂直方向x軸，左右方向?yàn)閥軸，前后方向?yàn)閦軸建立直角坐標(biāo)系，三軸加速度數(shù)據(jù)包括x軸加速度數(shù)據(jù)、y軸加速度數(shù)據(jù)和z軸加速度數(shù)據(jù)，采集的數(shù)據(jù)如圖3所示。志愿者平穩(wěn)的向前走，允許90度轉(zhuǎn)彎，但不允許急停以及180度的轉(zhuǎn)身動(dòng)作。16人中有1人被選定為正樣本，即手機(jī)的所有者，其余15人為負(fù)樣本。

(2)對(duì)采集到的數(shù)據(jù)進(jìn)行了預(yù)處理，去除了直流分量。接著我們利用基于時(shí)間的滑動(dòng)窗口對(duì)其進(jìn)行分段，且相鄰窗口之間重疊40％的段。這樣就將一段預(yù)處理過后的原始數(shù)據(jù)分為若干個(gè)窗口大小相等的段，建立了數(shù)據(jù)集。將數(shù)據(jù)集分為訓(xùn)練集與測(cè)試集兩個(gè)部分，其中訓(xùn)練集包含正樣本1人，627條，負(fù)樣本11人，850條。測(cè)試集包含正樣本1人，327條，負(fù)樣本4人，319條。其中正樣本的數(shù)據(jù)沒有處于同一次采集過程中的樣本，負(fù)樣本的數(shù)據(jù)沒有相同的人的數(shù)據(jù)。

(3)對(duì)于步驟(2)中的每一個(gè)樣本進(jìn)行特征提取，在時(shí)域中，計(jì)算以下特征：最大值、最小值、均值、振幅、均方根、標(biāo)準(zhǔn)差、過零率和峰度。其中包括x，y，z軸的3個(gè)分量，此外，由于x，y，z3軸在同一時(shí)刻可能會(huì)存在關(guān)系，所以引入作為第四個(gè)分量。每個(gè)分量都有上面除了zcr的7個(gè)特征(始終大于0，所以zcr始終為0，沒有意義)。所以在時(shí)域中共有31個(gè)特征。

(4)對(duì)于步驟(2)中的特征提取，在頻域中，計(jì)算以下特征：最大頻率、第二大頻率和頻譜斜率(spectralslope)。包括x，y，z軸的3個(gè)分量，而沒有所以在頻域中共有9個(gè)特征。

(5)利用統(tǒng)一的訓(xùn)練特征集訓(xùn)分類器，本例中訓(xùn)練了svm(supportvectormachine),randomforest,naivebayes,logistic和mlp(multi-layerperceptronneuralnetworks)多種分類器。再用訓(xùn)練好的分類器對(duì)測(cè)試集中的每個(gè)數(shù)據(jù)片段進(jìn)行分類，從而識(shí)別每個(gè)段的身份，驗(yàn)證結(jié)果如圖4所示，其中svm，randomforest，logistic和mlp的準(zhǔn)確率都在98％附近。其中mlp的識(shí)別能力最佳，達(dá)到了98.1132％，其次是svm的97.7987％，而randomforest和logistic的準(zhǔn)確率為97.6415％。不過雖然mlp的識(shí)別準(zhǔn)確性最佳，但是它訓(xùn)練模型所消耗的時(shí)間也遠(yuǎn)比其他幾種要多，如圖5所示。

(6)對(duì)連續(xù)的20個(gè)基于時(shí)間的段，標(biāo)記為{s1,s2,…,s20}進(jìn)行識(shí)別，如果其中有超過半數(shù)的段被識(shí)別為非用戶本人，即判定為否，并發(fā)出警報(bào)，否則，判定為是。由于步驟(5)中對(duì)段的識(shí)別準(zhǔn)確率已經(jīng)達(dá)到95％以上，再經(jīng)過此步驟中的身份認(rèn)定方法，識(shí)別率幾乎接近100％。

綜上，如果某用戶攜帶了安裝采用了本發(fā)明的軟件的手機(jī)，當(dāng)手機(jī)被盜的第一時(shí)間，手機(jī)會(huì)識(shí)別出被盜的可能，并發(fā)出警報(bào)。從而達(dá)到了保護(hù)用戶財(cái)產(chǎn)的目的。

上述實(shí)例只為說明本發(fā)明的技術(shù)構(gòu)思及特點(diǎn)，其目的在于讓熟悉此項(xiàng)技術(shù)的人是能夠了解本發(fā)明的內(nèi)容并據(jù)以實(shí)施，并不能以此限制本發(fā)明的保護(hù)范圍。凡根據(jù)本發(fā)明精神實(shí)質(zhì)所做的等效變換或修飾，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。