基于改进动态时间规整算法的奶牛步态分割方法

为准确提取步态特征、识别奶牛跛行,利用三维加速度传感器采集30头奶牛后趾加速度信号,针对奶牛步态人工分割的不足,提出基于改进的动态时间规整算法对奶牛步态进行分割,提取特征值并利用逻辑回归法建立跛行识别模型。采用本文方法得到的步态分割精确度、灵敏度、准确率平均值分别为89.53%、95.51%、87.49%,比常规动态时间规整算法分别提高了5.31、4.48、8.43个百分点,总体准确率达到90.57%,相较自相关函数法和峰值检测法分别提高了1.75、3.13个百分点。以支撑时间、步幅长度、平均强度、信号幅度面积、前进方向加速度均值和运动变化量为自变量的跛行识别模型识别率分别为83.44%、81.72%、86.15%、86.81%、89.45%和85.71%。本研究结果可为奶牛步态分割、跛行识别提供技术支持。

可穿戴传感信息融合的精细步态相位分割系统研究

本文搭建了一个可穿戴传感信息融合的精细步态相位分割系统。采集受测者行走过程中的膝关节弯曲角度数据,小腿倾斜的姿态角数据,足部压力数据,提取步态特征。采用模糊推理算法融合有限状态机算法,完成步态相位的分割。该系统保证了数据采集的高精确度、数据处理的高可靠性。步态相位识别功能将利于下肢功能受损患者的康复情况的观察,亦可用于辅助诊断、疾病预测和康复治疗。

基于步态识别的建筑物内多人员目标辨识方法研究

人员的身份辨识及其时空分布是建筑智能化中的基础输入信息。针对建筑物内多人员目标同时辨识的问题,本文设计了基于步态识别的建筑物内多人员辨识(multi-occupant identification based on GaitSet,MOIG)框架。对于通过摄像头采集的建筑物内视频流,该框架首先利用YOLOv5和DeepSort构建视频中出现的多个人员步态序列,然后利用DeepLabv3+分割模型分割人员步态序列图像,再利用GaitSet辨识人员身份。实验表明,该框架在真实场景下的人员辨识准确率可达75%,与常规方法相比,性能提升显著。

基于加速度变化的步态识别方法

针对目前智能手机对人员不同步行姿态下识别错误率偏高的问题,提出一种基于加速度变化识别人员不同步行姿态的新方法。该方法将人员步行加速度分割成动态与稳态两个部分,运用ReliefF算法生成新的特征集合对人员进行识别。实验结果表明,新方法对人员在慢步行走、快步行走、上楼、下楼四种姿态下识别率分别达到了97.4%、96.6%、95.5%、93.6%,较现有人员识别方法有较大的提高。

基于隐马尔可夫模型的步态识别算法

为降低数据噪声的干扰,提高步态识别的有效性,提出一种基于隐马尔可夫模型的步态识别算法(GR-HMM)。利用滑动平均滤波模型对步态数据进行去噪预处理,建立观测序列;基于GR-HMM算法计算观测序列概率,重估迭代至观测序列概率收敛,得到GR-HMM算法的参数模型;对步态数据进行步态阶段识别及步态关键事件定位。基于Shimmer IMU采集的数据对算法进行训练和分析评估,实验结果表明,GR-HMM算法的步态阶段识别灵敏度和特异性分别可达93.1%和96.9%。

步态识别技术综述

随着视频监控技术的发展,步态识别逐渐成为生物特征识别技术中的重要方法。步态识别技术不同于其他生物特征识别方法,其具有非接触性、非侵犯性、不易伪装等特点,能在较远距离对目标进行比对识别。简述步态识别的基本原理,从步态分割、特征提取、步态比对以及在公安实践中的应用等方面阐述步态识别技术的发展,并展望了步态识别技术未来的发展方向。