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.

基于伪自适应阈值零速检测法的室内个人导航系统

为了限制惯导误差的增长,根据人行走的规律提出了一种基于个人的多种步态模式下的伪自适应阈值零速检测法.通过加速度方差和陀螺模值的平方和作为检测依据,设置一个滑动的时间窗口来判断行人的运动模式,以此来自调节阈值的大小,对跑、走、台阶等运动模式都具有稳定可靠的检测效果.由于航向角不可观测,无法使用卡尔曼零速修正算法对航向角进行修正.采用融合室内地图的粒子滤波算法使穿越墙壁的粒子权重为零,对于大误差数据,通过自适应重采样的方法来有效避免粒子的严重退化现象.实验结果表明:速度在3 m/s内零速检测的准确率达到97%以上.采用融合室内地图的粒子滤波算法后,正常行走约210 m的距离室内定位误差从原来的2.3 m降低到0.2m.

基于相位一致性改进的步态识别方法

为克服步态轮廓变化对步态识别的不利影响,采用步态能量图改进对数Gabor相位一致性特征,提出一种新的步态识别方法。利用局部能量计算方法及频率扩展与噪声补偿策略,使提取的步态特征更具识别性和定位性,并对该步态特征进行线性判别分析降维。应用基于欧氏距离的最近邻分类器在CASIA和USF步态数据库上进行测试,结果表明该方法在个体携包行走、穿着和视角变化的情况下均能较好地识别步态轮廓,相比现有步态识别方法具有更高的正确识别率。

四足机器人被动跳跃步态动力学分析与仿真

在四足机器人被动跳跃步态分析模型的基础上,采用拉格朗日法推导了该步态中各运动相的动力学方程,并根据跳跃步态特征给出了基于事件的运动相转换方程。定义了四足机器人被动跳跃步态的庞加莱映射,利用牛顿迭代法获得了庞加莱映射的某个固定点。在MATLAB中以该固定点为初始条件对各运动相动力学方程进行了数值积分,得到了被动跳跃步态的周期性运动曲线,证明了四足机器人在某个初始条件下能够实现稳定的被动跳跃步态。

双足溜冰机器人样机研制

依据人体轮滑运动基本动作的运动特点,分析双足从动轮式溜冰机器人(BISR)运动原理,研制出具有12个自由度的BISR样机。从模仿人体轮滑运动特点出发,探讨机器人实现"葫芦步"直线滑行的步态规划方法,并设计出机器人的控制系统。BISR样机成功实现"葫芦步"直线滑行,表明机器人样机设计合理,步态规划方法可行,溜冰运动可以成为两足机器人一种新的运动方式。

基于弹簧—质量模型的仿袋鼠跳跃机器人步态稳定性研究

根据袋鼠跳跃运动的特点,建立了仿袋鼠机器人的弹簧—质量模型.采用拉格朗日法通过线性化近似分析建立了其动力学方程,并对其进行了着地阶段径向与横向运动分析.根据步态运动稳定性的条件,研究了仿袋鼠跳跃机器人顶点反射映像函数、固定点的存在性及其稳定性,获得了仿袋鼠机器人在跳跃过程中满足步态稳定性的各个参数的取值范围,以及各参数之间关系的显式表达式.最后,通过实例证明了采用线性化近似分析的有效性,并获得了仿袋鼠机器人稳定跳跃时各参数之间的变化关系.

基于能量图匹配的步态识别方法研究

步态识别是一种新兴的生物特征识别技术,它依赖于图像处理和模式识别技术。本文针对步态识别目的,运用基于能量图的方法识别步态目标。首先对静态背景下的序列图像进行背景建模,根据建模结果提取出各帧图像中的目标。二值分割之后,运用形态学滤波器处理目标,得到无噪声的完整目标,经平均化计算得到能量图。讨论了相似性计算方法,运用模板匹配法进行最终的目标识别。运用步态数据库中的图像进行实验,结果证明了方法的有效性。

基于人体模型映射的步态识别及意图感知方法

准确识别人体行走步态并据此进行行为意图感知是实现外骨骼机器人控制系统精确控制的关键。自主设计了一款高分辨率的足底压力采集系统,结合Anybody人体建模仿真软件进行运动学和动力学分析,获取人体姿势及相应足底分布式压力,确立操作者意图与足底压力之间的映射关系,并通过回归分析方法建立真实人体与仿真模型足底压力的映射关系,构建基于人体模型的操作者行为意图实时感知信息数据库,提出了一种基于模型映射和卷积神经网络的可区分人体步态行走过程中6种标准步态相位的方法,并对步态行走、蹲起和举重3种状态进行识别,平均识别准确率达到约98.86%,可准确感知人体意图并预测出当前人体姿态。

WiNet:一种适用于无线感知场景的步态识别模型

针对现有基于Wi-Fi信号感知步态识别研究存在的特征获取不足、多人场景下单目标识别准确率低的问题,提出了一种基于频率能量图的步态识别模型WiNet。在对信道状态信息影响因子分析的基础上,选取其中的振幅数据作为步态识别的基础数据;采用频率能量图对原始采集数据进行有效重构使其能够同时容纳步态行为对子载波内和子载波间扰动而产生的有效特征,步态特征的个体辨识度得到较大增强;将频率能量图作为卷积神经网络模型的输入矩阵,经过多组卷积、正则和激活操作,再使用Softmax方法进行分类,得到步态行为对应的个体身份,实现了Wi-Fi环境下高准确率的多人场景单目标步态识别。与全连接神经网络、循环神经网络及基于卷积神经网络的步态识别模型进行了比较,结果表明:WiNet在40人场景实验中识别准确率达到98.5%,识别准确率得到明显提升;在典型强/弱多径效应环境及5种人体状态的对比实验中,WiNet均能达到92%以上的识别准确率,具有良好的识别效果和鲁棒性。

含有关节型腿的四足机器人跳跃步态研究

建立了具有非线性刚度的关节型腿的质量-弹簧倒立摆模型,根据拉格朗日方程建立该倒立摆的运动方程,给出了倒立摆在跳跃运动周期中各运动相的转换条件,通过数值计算证明了倒立摆能够实现稳定的跳跃运动;建立了四足机器人跳跃步态的分析模型,通过数值方法构建了跳跃步态的庞加莱映射,通过牛顿迭代法寻找不动点,数值计算证明了四足机器人以某不动点为初始条件能够实现稳定的跳跃步态。

结合双流网络和金字塔映射的步态识别

目前,基于深度学习的步态识别方法虽然取得了一定的进展,但数据采集和步态外观的变化仍然是实现精确步态识别所面临的挑战。为了提高网络对时空步态信息的捕捉能力,提出了一种基于步态轮廓流和步态特征差分流的双流网络结构。步态轮廓流以步态轮廓图作为输入,用来提取步态序列中包含的空间步态信息;步态特征差分流则是以步态特征差分图作为输入,用来捕获相邻步态图之间的动态信息。同时,为了充分利用步态序列中的全局和局部信息,提出了多尺度金字塔映射(multi-scale pyramid mapping,MPM)模块,并插入到各单流网络中以增强网络对全局和局部步态信息的提取能力。所提方法在步态数据集CASIA-B和OU-MVLP上的平均识别精度分别达到了87.0%和85.5%,这表明双流网络架构和MPM模块可以有效地捕获步态序列中的时空步态信息。

下肢康复机器人模糊主从控制方法

针对偏瘫患者的康复训练问题,本文研究了一种通过患者自身健康上肢来控制对侧受损下肢的康复训练方法。利用FAB系统测量了正常行走状态下人体上肢的肩、肘关节转角和下肢的髋、膝关节转角,对测量数据进行处理后获得人体上、下肢的步态运动轨迹。将步态测量获得的平均曲线作为基准曲线,对其进行包络分析获得参考曲线。在此基础上定义输入、输出变量的模糊集合和模糊逻辑,采用模糊化方法建立上肢运动与下肢运动之间的主从映射关系。选取上肢肩、肘关节转角的部分测量数据作为输入变量,基于Matlab进行仿真验证,通过解模糊化运算获得下肢髋、膝关节转角的输出值。将仿真验证获得的下肢髋、膝关节转角的输出值与下肢运动关节转角的原始测量值进行比对,输出信号能很好地反映下肢的运动趋势,初步验证了本文所建立的上、下肢运动之间模糊主从控制方法的可行性。

基于上体模型的被动步行机器人行走稳定性

针对被动步行机器人行走稳定性对自身参数的高敏感性问题,通过建立具有上体的匀质圆规步态模型,分析上体质量与高度对机器人行走稳定性的影响,获得机器人结构参数的优化配置.运用Lagrange法与角动量守恒原理构建机器人被动步行的动力学模型,基于对模型步态收敛域与外界扰动的准确表达,并将全局稳定性分析与局部稳定性分析相结合,对模型进行初始参数优化配置,并据此建立Proe样机模型.通过对单次与连续外界扰动下不同样机模型步态的自身调节变化进行分析,最终获得模型参数的最优化配置并进行了合理性分析.不同样机扰动试验结果说明,上体的引入可以增大机器人的步态收敛区间,合理的上体参数配置才能显著提高机器人行走的稳定性与鲁棒性.

前臂负重对帕金森病患者行走过程中下肢时空参数和关节角度的影响

背景:步态异常是帕金森病患者最常见的运动症状,其步态训练方法丰富多样,但对于前臂负重步态训练方法等内容未有研究报道。目的:使用三维步态分析方法评估前臂负重前后帕金森病患者变化,探讨前臂负重对帕金森病患者步态影响的规律。方法:选取原发性帕金森病患者30例以及年龄匹配的健康受试者30例,分别测量其在正常行走和前臂负重行走两种步行方式下的三维步态参数,比较两种行走方式下受试者的步频、步速、跨步时间、步长时间、单支撑期、双支撑期、步长等时空参数,使用统计参数映射方法确定患者两种行走方式下髋、膝、踝关节在整个步行周期中关节角度曲线之间的差异。结果与结论:①帕金森病患者在正常行走和前臂负重行走时,其步频、步速、跨步时间、单支撑期、步长等差异均有显著性意义(P<0.05);健康受试者在正常行走和前臂负重行走时,其时空参数各项差异均无显著性意义(P>0.05);②与正常行走时相比,帕金森病患者在前臂负重行走后下肢髋关节屈伸角度在5%-23%、87%-100%步态周期明显增加(P<0.05),膝关节屈伸角度在9%-25%、88%-98%步态周期明显增加(P<0.05),踝关节屈伸角度在92%-100%步态周期增加(P<0.05);帕金森病患者在前臂负重行走后的步频、步速、跨步时间、步长等时空参数与髋、膝、踝关节角度曲线更接近健康受试者;③结果表明,前臂负重行走时会影响帕金森病患者步行过程中的时空参数以及整个步态周期中下肢髋、膝、踝关节角度变化。前臂负重可即时改善帕金森病患者步行能力,有望作为帕金森病患者康复步态训练方法之一。说明上肢的力量训练也可能影响到帕金森病患者的下肢康复。

穿戴式步态信息检测鞋垫设计

为满足在医疗康复等领域的步态分析需求,设计了一种基于多通道足底力采集的步态信息检测鞋垫。鞋垫使用16枚压阻式薄膜压力传感器采集足底解剖区的压力信号。通过解算原始压力数据可实现对步态相位和足底压力中心的判断,以及足底压强云图的绘制。设计的设备操作简单、便携性好,有一定的推广价值。

受限玻尔兹曼机的步态特征提取及其识别

针对步态识别问题,研究了受限玻尔兹曼机的步态特征提取及其识别.主要基于行人图像序列, 通过背景分割、归一化以及步态周期的计算,采用叠加方法生成步态能量图,以此作为步态的特征图像,利用 受限玻尔兹曼机自动获取步态特征.选取中科院CASIA步态数据库以及支持向量机、孪生支持向量机、神经 网络与K-近邻方法对使用受限玻尔兹曼机方法的特征提取进行了研究,同时与主成分分析PCA、线性判别 分析LDA、卷积神经网络CNN特征提取与识别方法进行了比较.

基于改进残差网络的联合损失步态特征识别

针对现有的步态识别模型识别准确率不够高、提取特征层次较浅等问题,在步态识别网络GaitSet的基础上,提出一种新的基于改进残差网络的联合损失步态特征识别模型Res-GaitSet。步态作为一种独特而有效的远距离识别生物特征,可以在老年医学评估、社会秩序保障等方面被广泛应用。新网络在特征提取模块中引入残差单元,并采用多个损失函数联合使用的方式,此方法可有效提高步态识别模型的准确性和鲁棒性。实验结果表明,改进后的网络Res-GaitSet在CASIA-B数据集的多个场景和不同识别角度下的准确率均有提升。同时,将改进后的网络用于自建步态数据集,对比于原网络,改进后的网络识别效果在不同角度下也均有提升,充分验证了改进模型的有效性。

行走过程中肢体的协调性研究

为加强公安机关信息化建设,提高公安机关侦查破案能力,解决生物特征识别中步态识别对识别和确定嫌疑人理论依据问题,文章选取了行走过程中肢体协调性方面入手进行实验研究。通过实验得到25人行走数据,对其进行处理分析,得出人在正常行走过程中左右肢体协调并且运动轨迹稳定及具有特定性的结论,即可以通过人在正常行走过程中的肢体运动轨迹,对人身进行同一性认定。

基于PLSCM算法的柔性双足机器人周期步态吸引域的求解

以柔性双足机器人为研究对象,通过拉格朗日方程推导出机器人的动力学方程,分析机器人的周期步态,并计算出周期步态参数的不动点;采用类庞加莱胞映射(Poincare-like simple cell mapping,PLSCM)算法进行仿真获得机器人不动点的吸引域。对距不动点不同距离的胞进行仿真表明:以吸引域内的胞作为初值能使机器人获得稳定的周期步态,并且离不动点距离不同的胞进入稳定步态周期所需的步数不同。从吸引域中取值消除了初值选取的随机性,使得机器人可以快速地进入稳定状态。