用于门门病毒检测的静态听觉步态识别方法

用于门门病毒检测的静态听觉步态识别方法

静态检测以非接触、拆卸、笔迹识别和远距离识别的优点而闻名。目前，基于计算机视觉方法的姿态识别已获得较高的识别精度，但容易受到噪声、服装等干扰。因此，许多科学家已经开始研究触觉行为识别技术。将压力试板埋在地面上，收集行走时底部的触觉信息，并在步行过程中捕获这些信息。这些方法不受外部环境的影响，也不涉及复杂背景的分离和掩盖。该应用价值高。本文提出一种可用于门禁和考勤系统的静态触觉步态识别新方法,并将左、右脚数据分开训练和测试.首先采集人双脚裸脚静止站立在压力测试板上的足底压力图像;然后对足底压力图像进行划分区域、去噪和筛选处理,从中选择压力值较大的若干帧作为训练样本和测试样本;接着对样本数据提取拉普拉斯谱特征及形状和压力比值特征;最后使用一对一的SVM多分类方法训练左、右脚的分类器.在50人的静态步态数据库上的测试结果表明该算法受外界干扰小,且有很高的识别正确率.1数据收集和预处理1.1可执行性检测目标压力矩阵的预处理步态数据由中科院智能所研制的压力测试板采集,该压力测试板长宽为60cm×40cm,采样频率为100Hz.主要采集50个健康人双脚裸脚静止站立时的足底压力数据,每个人经过一次完整的采集后,得到包含各帧足底压力数据的csv格式的表格,从这个表格中提取出的每帧足底压力矩阵,是与压力测试板中传感器的排列方式相同的60×40的矩阵,其中每一个数值表示对应的传感器采集到的压力值,实验中将没有出现过压力值的行和列删除.为了更形象地将足底压力矩阵显示成图像,把压力值从0~127kPa均分为16个部分,对应ColormapJet中16个不同的颜色区域,当压力值大于127kPa时,也归入第16个颜色区域.图1所示即为左脚的一帧足底压力图像,其中灰色部分的压力值为0kPa,表示除了此帧外出现过非零值的点,因此下文中对足底压力图像的操作也就是对足底压力矩阵的操作.1.2数据预处理1.2.1脚前掌区列数目前采用的足底区域划分方法大多只是手动分区域,本文提出一种自动的区域划分法,将足底压力图像从足跟到脚趾的方向划分为六个部分,具体的划分步骤如下:a.计算足底压力图像中非零行和非零列的总行数r、总列数c,将行数为总行数,列数为总列数1/3的矩阵作为第一部分,即足跟部,行数r1=r,列数c1=c/3;b.足跟部的列数也作为脚前掌区域的列数,脚前掌区域的行数为该区域非零行的行数,记为R3,将脚前掌分为上、下两部分,分别为第三和第四部分,行数分别为r3=R3/2,r4=r-r3,列数c3=c4=c/3;c.将总列数减去足跟部和脚前掌的列数之和后,得到的列数除以2,即为脚趾区域的列数,脚趾区域的行数与脚前掌区域行数相同,同样也将脚趾区域分为上、下两部分,即为第五和第六部分,行数分别为r5=R3/2,r6=r-r5,列数c5=c6=(c-c1-c3)/2;d.剩下的列数为足弓部的列数,足弓部的行数为总行数,即第二部分,行数、列数分别为r2=r,c2=c-c1-c3-c5.图2为对图1进行分区域后得到的示意图,可以看出分区域效果较好,在50人的步态数据库上的识别结果也表明该分区域方法是可行的.1.2.2底片帧数据筛选采集过程中的噪声主要干扰足底压力图像形状特征提取和区域的划分,因此须要进行数据的去噪和筛选.研究表明:足跟部的噪声点出现概率最高,压力值较大,影响形状特征的提取;因此,在对足底压力图像进行整体阈值去噪后,又对足跟部单独设定一个阈值来去除足跟部的噪声点,实验中整体阈值和足跟部阈值分别设为5kPa和10kPa.鉴于每个人受噪声干扰的帧数与总帧数相比很少,所以可以根据足底形状信息对数据进行筛选.具体步骤如下.步骤1计算每个人所有帧足底压力图像中非零行和非零列的行数、列数,假设每个人有m帧数据,则行数、列数记为[R1,R2,…,Rm]和[C1,C2,…,Cm];步骤2由于脚趾区域不稳定,因此只计算足底压力图像中足跟部、足弓部和脚前掌部分的非零行的行数,分别记为[RP11,RP12,…,RP1m],[RP21,RP22,…,RP2m]和[RP31,RP32,…,R3m];步骤3每一帧数据通过以上两步计算后可以得到5个值,将这5个值作为筛选参数;步骤4分别计算所有帧数据的非零行、非零列的行数、列数及足跟部、足弓部和脚前掌的非零行行数的平均值作为平均值参数,记为Rmean,Cmean,RP1mean,RP2mean和RP3mean;步骤5只有当一帧数据的筛选参数与对应平均值参数的差值不大于1时,选择这帧数据.2资源提取2.1拉普拉斯矩阵构造谱图理论的主要思想是根据图中节点和边之间的关系构造一个矩阵,分解得到的特征值和特征向量就反映了图最显著的特征.以图1中各区域最大压力点为例,构造的无向图如图3所示,共包括六个节点,以压力中心点构造无向图的方法与之相同,但由于脚趾压力中心点变化较大,只选择足跟部、足弓部及整个脚前掌的压力中心点作为节点.由于拉普拉斯矩阵更能反映图的结构信息,本文构造加权拉普拉斯矩阵,具体构造的方法为式中:exp[-(‖xi-xj‖2+(pi-pj)2)/(2M2)]为边的权重;xi和xj分别为节点的横和纵坐标;n为压力点的个数;pi和pj是节点的压力值;M是一个常参数,取每帧数据行数、列数中的较大值,可以看出本文将高斯权重中的欧式距离项改为欧式距离加上压力值的差作为最终的权重,这样不仅考虑了节点之间距离的信息,也加入了节点之间压力差值的信息.由压力中心点构造加权拉普拉斯矩阵时,压力中心点可由式(2)和(3)来求取:对加权拉普拉斯矩阵进行谱分解得到的特征值即构成了维数为9的第一部分特征,记为F1∈R9×1.2.2传感器的区域面积与眼底面积之和比例本文将压力值不小于70kPa的部分分为5段,即从70kPa到110kPa均分为4段,大于110kPa的作为第5段.主要提取的特征如下:a.足底的长宽之比,即足底压力图像非零行行数与非零列列数之比;b.脚后跟、足弓部和脚前掌部分的非零行行数;c.脚后跟、足弓部和脚前掌部分的面积与足底总面积的比值,本文中每一个传感器的测力面积均为1cm2,所以所求区域中压力值大于零的点的个数即为该区域的接触面积,综合足底形状方面的特征,得到了维数为7的第二部分特征,记为F2∈R7×1;d.足底各区域的压力之和与总压力之和的比值;e.足跟部与脚前掌中每一段压力之和与这个区域压力总和的比值,综合压力比值方面的特征,构成了维数为16的第三部分特征,记为F3∈R16×1.3svm-ls-svm方法步骤1采集静态步态数据:采集50个人的足底压力数据,从中提取站立稳定后的左、右脚的30帧足底压力图像,由于本文是将左、右脚分开训练和测试,因此以下都是分别针对左、右脚的数据进行操作.步骤2进行预处理:包括分区域、去噪和筛选等处理,从经过处理得到的数据中选择总压力值较大的16帧作为左(右)脚的样本数据,其中任选1帧为测试样本,其余为训练样本.步骤3特征提取:提取三部分的特征,即拉普拉斯谱特征、足底形状特征以及足底压力比值特征.步骤4训练分类器:选择一对一的SVM方法训练左(右)脚的分类器,构造多个二类分类器,虽然分类器数目较多,但在训练阶段所用的时间较少,并且也不会有分类重叠现象,本文核函数选择径向基核函数,参数σ取5.步骤5分类识别:由于被测者是双脚站立在压力测试板上,因此须对左、右脚的识别结果进行综合,本文规定只有当左右脚的识别结果相同时,才作为最终的识别结果,否则归入错误识别.4静态姿态识别算法在教学中的应用先以3人右脚的足底压力数据为例说明本文算法的有效性,从每人16帧的样本数据中任选5帧为训练样本,3帧为测试样本,为了图形显示的清晰,分别计算所有帧训练样本和测试样本特征向量的平均值,绘制平均特征向量曲线,如图4所示,(a)、(b)、(c)中虚线、点划线及实线分别表示第一、第二和第三个人的训练样本第一、二、三部分特征的平均特征向量曲线,以◆、×、+分别表示第一、第二和第三个人的测试样本第一、二和三部分特征的平均特征向量点的分布,可以看出通过本文算法提取的特征,不同人样本数据的特征向量之间的差异较大,同一人的测试样本的特征点多数都落在了其训练样本的特征分布曲线上,因此同一人不同帧数据之间的稳定性较高.在上述分析的基础上,对50人的静态步态数据进行分类识别,每个人进行三次数据的采集和识别,因为目前没有基于触觉的静态步态识别的相关文章,所以本文综合了动态步态识别的主要方法,与利用不同区域最大压力点之间及压力中心点之间的欧式距离和压力差作为特征的一般算法进行对比实验,识别率比较如表1所示,可以看出,本文提出的步态识别算法具有明显的优越性,不论是左、右脚还是最终识别正确率均高于90%,也高于一般算法.本文提出的静态触觉步态识别