基于足底压力分布的下肢步态识别方法

良好的下肢步态感知性能有助于提升助力型外骨骼机器人的助力效果。本文以足底压力分布为研究对象,基于足底生物力学分析搭建一种可穿戴式足底压力分布采集装置,分别采集平地行走、平地慢跑和坡路行走3个步态的足底压力数据,并基于多元线性回归法构建的地面反作用力预测模型获取整体足压,提出了一种基于整体足压和卷积神经网络(CNN)分类算法进行下肢步态识别的方法,并与支持向量机(SVM)和反向传播(BP)神经网络进行了对比分析。试验结果表明:该方法对于3种步态的平均识别率达到98.3%,具有较高的准确性,验证了使用CNN分类算法对下肢不同步态识别的可行性与有效性。

肌电和足压信息融合的外骨骼步态识别

为解决基于单一信号识别步态相位不够精准的问题,开展了动态交互力激励下的人机协同行走的步态识别研究。设计了肌电和足压信息采集的多模态传感器检测硬件平台;分别对单一信号开展滤波降噪、特征提取与降维等预处理;将表征下肢生理信息的肌电信号与运动信息的足压信号相融合,构建了支持向量机-模糊C均值(support vector machine-fuzzy C-mean algorithm,SVM-FCM)多模信息融合的外骨骼助行步态识别算法;开展了人机协同助行实验,实验结果表明:信息融合后的人机步态相位平均识别率达到82.49%,优于使用单一信号的识别效果,验证了多模信息融合算法识别人机协同步态的有效性。本研究可用于下肢外骨骼机器人运动控制,为人机运动相融奠定基础。

基于双支路卷积网络的步态识别方法

针对步态识别易受拍摄视角、外观变化等影响的问题,提出一种基于双支路卷积网络的步态识别方法。首先,提出随机裁剪随机遮挡的数据增强方法RRDA(Restricted Random Data Augmentation),以扩展外观变化的数据样本,提高模型遮挡的鲁棒性;其次,采用结合注意力机制的两路复合卷积层(C-Conv)提取步态特征,一个分支通过水平金字塔映射(HPM)提取行人外观全局和最具辨识度的信息;另一分支通过多个并行的微动作捕捉模块(MCM)提取短时间的步态时空信息;最后,将两个分支的特征信息相加融合,再通过全连接层实现步态识别。基于平衡样本特征的区分能力和模型的收敛性构造联合损失函数,以加速模型的收敛。在CASIA-B步态数据集上进行实验,所提方法在3种行走状态下的平均识别率分别达到97.40%、93.67%和81.19%,均高于GaitSet方法、CapsNet方法、双流步态方法和GaitPart方法;在正常行走状态下比GaitSet方法的识别准确率提升了1.30个百分点,在携带背包状态下提升了2.87个百分点,在穿着外套状态下提升了10.89个百分点。实验结果表明,所提方法是可行、有效的。

基于多尺度特征融合的跨视角步态识别

在跨视角步态识别中,针对衣着遮挡情况下难以提取具有可辨别性和多样性的步态特征,导致识别准确率下降的问题,提出了一种基于多尺度特征融合网络的跨视角步态识别方法。该方法能够有效利用步态特征间的互补性,获得具有可辨别性和多样性的步态特征,从而解决因衣着遮挡造成可辨别性差以及单一性的问题,进而提升跨视角步态识别的准确性。为验证所提方法的有效性,在公共数据集CASIA-B上进行了验证,实验结果表明所提方法在处理具有遮挡条件下的跨视角步态识别问题的识别性能达到了73.4%,同时在正常和背包两种行走条件下的识别性能分别达到了95.5%和88.0%。此外,我们的方法在处理遮挡条件下的识别性能优于同类典型的步态识别方法。

一种基于人体轮廓形变场的双流网络步态识别方法

步态识别易受相机视角、服装和携带物等外界因素影响而性能下降。为此,该文将非刚性点集配准引入步态识别,利用相邻步态帧之间的形变场表征行走过程中人体轮廓发生的位移量,从而提升对人体形态变化的动态感知能力。在此基础上,该文提出一种基于人体轮廓形变场的双流卷积神经网络GaitDef,该网络模型由形变场和步态剪影两路特征提取分支构成。针对形变场数据的稀疏性设计多尺度特征提取模块,以获取形变场的多层次空间结构信息。针对步态剪影提出动态差异捕捉模块和上下文信息增强模块,以捕捉动态区域的变化特性和利用上下文信息增强步态表征能力。双分支网络的输出特征经过特征融合得到最终的步态表示。大量实验结果表明了该文方法的有效性,在CASIA-B和CCPG数据集上,该文方法的平均Rank-1准确率分别能达到93.5%和68.3%。

无监督学习步态识别综述

在光学技术高速发展的现代,步态特征因非接触、非侵入、难伪造、远距离采集等优势受到了学界的广泛关注。目前步态识别算法主要为依赖标签数据的有监督学习方法,庞大的标签标注量在实际应用中面临多重挑战。无监督学习不需要标注就能完成对数据内在特征的自动分析,更贴合实际应用的需求。为了全面认识无监督学习步态识别发展现状及趋势,对领域相关工作进行了梳理。介绍了步态识别常用数据集、通用制作方式以及主流评价指标。从基于GAN的步态识别方法、基于聚类的步态识别方法、基于无监督域适应的步态识别方法和其他方法四个方向详细介绍了目前基于无监督学习的步态识别相关研究思路;选取了CASIA-B、OU-MVLP和OU-ISIR LP三个典型数据集,对主要无监督算法性能进行综合对比;对各方向研究侧重点进行总结讨论,针对存在的交叉研究情况进行评论综述,为未来研究提供借鉴思路。研究分析了无监督步态识别算法目前面临的挑战,并以此展望步态领域未来的发展方向。

基于Wi-Fi CSI的无监督域自适应伪装步态识别

步态识别作为一种非侵入性的人体生物识别技术,因其无须用户主动配合的特点,被广泛应用于安防和智能家居等领域。然而,现实中步态识别系统面临的一个重大挑战是伪装效应。当受试者改变着装或携带物品时,步态数据的可靠性往往受到影响,从而使步态识别变得困难。为解决这一问题,该文提出一种基于Wi-Fi CSI的无监督伪装步态识别方法。该方法引入一种新的数据度量策略,通过预训练来获取伪装步态数据的伪标签,并利用匹配滤波技术生成高质量的标记训练数据对。最终,通过无监督学习实现数据分布对齐,克服伪装步态数据的分布偏移问题。实验结果表明,该文的方法在伪装步态识别方面显著优于现有最先进的步态识别技术。

融合轮廓增强和注意力机制的改进GaitSet步态识别方法

针对传统基于轮廓的步态识别方法受限于输入特征及模型特征提取的能力,从而导致识别准确率不高的问题,提出一种融合轮廓增强和注意力机制的改进GaitSet步态识别方法。首先通过预处理获取行人的轮廓图,求得其均值,合成步态GEI能量图,将其作为神经网络模型的输入特征,增强了人体外观的表示。其次在提取特征的过程中引入注意力机制,增强模型的特征提取能力,从而提高步态识别的精度。最后在CASIA-B和OU-MVLP数据集上进行实验,所提方法的平均Rank-1准确率分别为87.7%和88.1%。特别是在最复杂的穿大衣行走条件下,相较于GaitSetv2算法,准确率提升了6.7%,表明所提出方法具有更强的准确性。此外,所提方法几乎没有增加额外的参数量、计算复杂度和推理时间,说明其各模块的快速性。

联合局部多尺度和全局上下文特征的步态识别

现有步态识别方法在空间上能提取丰富的步态信息,但是在时间上通常忽略局部区域内的细粒度时间特征和不同子区域间的时间上下文信息。考虑到步态识别为细粒度识别问题同时每个人行走的时间上下文信息具有独特性,提出一种联合局部多尺度和全局上下文时间特征的步态识别方法。将整个步态序列按多个时间分辨率划分并提取局部子序列内的多分辨率细粒度时间特征。在子序列之间基于Transformer提取时间上下文信息,并基于上下文信息融合所有子序列形成全局特征。在2个公开数据集上进行大量的实验,在CASIA-B数据集的3种行走状态下取得98.0%、95.4%和87.0%的rank-1准确率,在OU-MVLP数据集上取得90.7%的rank-1准确率。本文提出的方法得到的结果可为其他步态识别方法提供参考。

步态识别智能护膝的制备及其在关节康复训练中的应用

随着智能可穿戴产品不断涌现,兼顾舒适性与智能性的服装越来越受消费者喜爱。智能传感设备与服装相结合,可以极大地发挥智能性、舒适性和质轻性等特点,从而广泛应用于人体监测、医疗康复及运动竞技等领域。将锦纶、导电银纱线和氨纶进行编织,制备了一种弹性电容型纱线应变传感器,并将其成功集成到运动护膝中。通过合理布局传感器区域,确保传感器准确地感知人体运动,实现了具有高灵敏度和稳定性的多区域应变传感智能护膝的设计与制备。收集人体异常步态运动数据,采用高效的运动特征提取和机器学习算法对数据进行分析与识别,最终成功构建了智能关节损伤康复辅助训练系统,为康复训练领域带来了新的发展机遇。

基于多特征融合卷积的步态识别算法研究

针对GaitSet算法中主干网络学习能力和分类能力较弱,提出基于多特征融合卷积网络的步态识别算法(MFFC-GaitSet)。算法通过多特征融合卷积重建GaitSet网络增强网络学习能力,同时对三元组损失函数进行平滑优化;利用形态学处理对步态轮廓图进行修补。算法在Casia-B数据集上进行验证,步态识别精度达到85.811%,提高2.6%;模型权重仅增加6%。算法可以有效减少复杂环境对步态识别的负面影响,实现复杂环境下高精度的步态识别。实验结果表明,方法能够实现较为精确的步态识别,并具有较佳的鲁棒性和泛化能力。

基于知识蒸馏的步态识别方法

针对步态识别中网络模型复杂度高、参数量大、训练测试速度慢等问题,提出一种基于知识蒸馏的步态识别方法.通过知识蒸馏方法对ConvNext-KD模型进行训练,在不增加新训练数据集、模型复杂度和模型参数量的前提下,提高ConvNext-KD模型的识别准确率.该方法在中科院CASIA-B和CASIA-C数据库中进行多次仿真实验.结果表明,ConvNext-KD模型在保持较小参数量和较低复杂度的同时,可以显著缩短训练测试的时长并取得较高识别准确率.

基于自适应人体拓扑结构引导的步态识别

不同于基于外形的步态识别方法,基于关键点的步态识别方法采取人体关键点作为模型的输入,能够有效避免数据集带来的背景噪声干扰;其次,现有的基于关键点的步态识别方法忽略了人体结构先验知识的利用,且更倾向于提取局部特征,从而忽略了全局上的关联性.本文提出了一个基于关键点的步态识别框架GaitBody,能够从步态关键点序列中提取更有分辨性的特征.首先,我们设计了带有较大卷积核的多尺度卷积模块来提取多粒度的时序特征;其次,我们利用自注意力机制来提取空间特征,并在此基础上引入了人体结构拓扑信息来进一步利用人体结构的先验知识;最后,为了更好使用时序信息,我们生成最有代表性的时序特征,并将其引入到自注意模块来融合时序和空间特征.在CASIA-B和OUMVLP-Pose数据集上的实验结果表明,我们的方法在基于关键点的步态识别方法上取得了最优结果,消融实验也证明了各个模块的有效性.

基于视频残差神经网络的深度步态识别

步态识别是根据人体的行走方式进行身份识别.目前,大多数步态识别方法通过浅层神经网络进行特征提取,在室内步态数据集表现良好,然而在近年新公布的室外步态数据集中性能表现不佳.为了解决室外步态数据集带来的严峻挑战,提出了一种基于视频残差神经网络的深度步态识别模型.在特征提取阶段,基于提出的视频残差块构建深层3D卷积神经网络(3D CNN),提取整个步态序列的时空动力学特征;然后,引入时序池化和水平金字塔映射降低采样特征分辨率并提取局部步态特征;使用联合损失函数驱动训练过程,最后通过BNNeck平衡损失函数并调整特征空间.实验分别在公开的室内(CASIA-B)、室外(GREW、Gait3D)这3个步态数据集上进行.实验结果表明,该模型在室外步态数据集中的准确率以及收敛速度优于其他模型.

下肢外骨骼机器人步态识别系统综述

近年来,下肢外骨骼机器人作为人机交互设备备受关注,然而在感知和控制技术方面,特别是快速准确的步态相位检测仍然面临一系列挑战。因此,本文回顾了近年来与下肢外骨骼步态识别相关的文献。首先,在数据采集方面比较了不同传感器的优势和限制。随后,详细介绍了数据处理流程,包括数据预处理、特征提取、步态数据划分。此外,还探讨了机器学习和深度学习算法在智能识别不同步态任务中的有效性。最后,本文提出了下肢外骨骼控制领域的未来研究方向,以推动其进一步发展。

基于联动空间拓扑关系的步态识别研究

目前,大多数基于骨骼的步态识别方法通过改善时空关系表征来提高步态识别的准确率,但却忽略了人体物理结构节点之间的联动性。基于上述问题,探究步态识别的空间拓扑联动关系。提出一种基于局部分区的新策略方法,划分人体非结构化区域并构建区域之间的邻接关系表示人体姿态的相对变化。其次,设计多尺度时间模块以时间为轴关联局部分区的节点变化提取多尺度时间特征。通过实验验证,该方法在步态数据集CASIA-B上超越了主流的步态识别方法,在不同行走条件下Rank-1准确率分别达到87.6%、77.6%以及72.8%。

基于关键点运动轨迹建模的步态识别

步态信息作为一个新兴的生物特征,在医疗、刑侦等方面具有广泛的应用前景.研究者已经提出了很多种步态识别方法,但普遍存在适应性不强、特征描述过于复杂或缺乏可解释性等问题.针对此问题,首先,通过改进三帧差分完成对视频图像中人体轮廓的提取;然后,基于人体轮廓图获取人体骨架模型,通过骨架模型得到所需的人体关键点位置,并对视频图像中同一关键点的位置轨迹进行曲线建模;最后依据关键点轨迹曲线模型建立一种以模型参数作为步态特征向量的步态特征描述方法,并在此基础上选取合适的分类方法进行步态识别.实验结果表明,基于关键点运动轨迹模型的步态特征表达能够很好地描述步态信息,识别率也相对较高.

基于多层级精细特征融合的步态识别算法

随着深度学习的引入,步态识别算法取得了很大的突破,但是仍存在忽略了浅层网络提取的细节信息,以及对不限时长的步态视频时空信息难以融合的问题。为了有效利用浅层特征和融合时空特征,提出一种基于多层级精细特征融合的跨视角步态识别算法。所提算法由两个部分组成:边缘运动捕捉模块(EMCM)用于提取包含时间信息的边缘运动特征;多层级特征提取模块(MFEM)用于提取包含不同粒度全局和局部信息的多层级精细特征。首先,使用EMCM和MFEM分别提取多层级精细特征和边缘运动特征;然后,将两个模块提取的特征融合得到具有鉴别性的步态特征;最后,在公开数据集CASIA-B上和OU-MVLP上进行多种情况下的对比实验。在CASIA-B上平均识别准确率可达89.9%,与GaitPart相比,所提算法的平均识别准确率提升了1.1个百分点;在OU-MVLP上90°视角下比GaitSet识别准确率提升了3.0个百分点。所提算法能够有效地提升多种情况下的步态识别的准确率。

基于相对位置编码转换器模块的深度步态识别网络

步态识别是一种快速发展的远距离生物特征识别技术,在远距离、跨视角和跨着装等多种场景中具有广泛应用和优势。传统的生物特征识别技术,如指纹识别、面部识别等,往往需要近距离或在特定条件下才能有效进行,而步态识别技术则突破了这些限制,使得在更为广泛的环境下进行个体识别成为可能。以往的研究大多采用轻量级的神经网络提取步态特征,并在目前流行的跨视角和跨着装数据集上(如CASIA-B)取得了巨大的进步。然而,实验结果表明,在CASIA-B数据集上简单叠加神经网络的层数将导致识别准确率大幅度下降。基于相对位置编码转换器模块提出了一个深度步态识别网络,旨在避免陷入“局部特征关联”的陷阱,同时使网络能够持续不断地学习步态序列的时序特征。与目前主流的方法相比,所提方法在室内场景(CASIA-B,OUMVLP)和室外场景(Gait3D)步态数据集上都达到了更优的识别准确率,特别在换装任务(CL)上超出基准方法1.9%,实现了85.5%识别准确率。

基于内卷神经网络的轻量化步态识别方法

现有步态识别方法存在计算量大、识别速率较慢和易受视角变化影响等弊端,会造成模型难以部署、步态识别准确率降低等问题。针对以上问题本文提出一种基于内卷神经网络的高准确率步态识别方法。首先,基于残差网络架构和内卷神经网络算子提出了内卷神经网络模型,该模型利用内卷层实现步态特征提取以达到减少模型训练参数的目的;然后,在内卷神经网络模型基础上,建立一个由三元组损失函数和传统损失函数Softmax loss组成的联合损失函数,该函数使所提出的模型具有更好的识别性能及更高的跨视角条件的识别准确率;最后,基于CASIA-B步态数据集进行实验验证。实验结果表明,本文所提方法的网络模型参数量仅有5.04 MB,与改进前的残差网络相比参数量减少了53.46%;此外,本文网络在相同视角以及跨视角条件下相比主流算法具有更好的识别准确率,解决了视角变化情况下步态识别准确率降低的问题。