论文部分内容阅读
近年来,步态识别、身份识别、步态认证等生物特征领域的研究越来越被人们所关注。随着微型机电系统(MEMS)技术的不断发展与成熟,基于MEMS传感器的人体步态识别成为一个新兴的研究领域,它是一个通过对人体步态加速度数据的分析,实现对人体步态的定性判断的过程。基于加速度传感器的人体步态识别应用广泛,在智能人机交互、智能监控、生物医学研究、体育竞技以及运动能量消耗评估等众多领域有着非常广阔的应用前景。因此,本文对基于MEMS传感器的步态识别的研究有着重要的意义。为了对步态动作进行更细致地分类,提高步态动作的识别率,本文对基于MEMS传感器人体步态识别的算法进行了研究与改进,主要内容包括:1.本文构建了能够支撑基于MEMS传感器的人体步态识别研究任务的加速度和陀螺仪数据,设计了步态数据采集装置,采用九轴传感器LSM9DS0,用STM32F103芯片作为微控制器采集步态数据。该装置佩戴在采集者腰部位置,采集了人体正常走、快走、倒退走、上楼、下楼、跑、跳、原地踏步、静坐、骑自行车共10种步态动作数据。2.本文对采集到的步态数据进行了一系列预处理工作:平滑去噪、归一化、加窗、坐标系变化与重力分量滤除;并在此基础上,对预处理后的数据进行了时域特征(TF)、FFT系数、DCT系数特征的特征提取和朴素贝叶斯(NaiveBayes)、C4.5决策树(Decision Tree)、以及支持向量机(SVM)分类器设计的工作。3.本文利用提取的三种特征和设计的三种分类器进行步态识别的研究比较。发现:采用FFT系数特征,利用SVM分类器进行步态识别时,识别率最高。其中,跑、跳的识别率是97.14%,而静止的识别率为94.29%。相比于这三种动作的高识别率,上楼和下楼动作的之间容易混淆,正常走、快走及倒退走之间容易混淆。4.为了更细致地区分容易混淆的步态,本文对识别算法进行了改进,将wrapper特征子集选择算法引入基于MEMS传感器的步态识别算法中,利用Wrapper特征子集选择算法选出最优特征子集,最后用SVM分类器进行识别,步态识别算法识别率平均提高了13.15%;并且有效区分了上楼和下楼动作的混淆,走、快走及倒退走之间的混淆。5.最后,本文将改进的步态识别算法与硬件平台相结合,将改进算法用于实际应用。本文实现了对人体步态更细致地分类及识别率的提高,改进后的算法优于传统的方法。