人体步态相位检测实验研究

人体步态分析系统对于两足机器人、康复训练机器人、人工假肢等技术的发展具有重要意义,在线的步态相位识别检测系统更为重要。基于dSPACE构建了人体步态相位检测系统,传感器采用鞋底传感器和1个光纤传感器,鞋底传感器由4只电阻式力传感器、1只位置传感器构成,用光纤传感器测量腿部的弯曲。它可以识别步行周期的5个重要状态和4个不规则状态。系统的可靠性好,能够自动识别第一个步态相位,并具有自校正功能。     

基于MPSO-BP神经网络方法的人体步态识别

为提高人体下肢步态相位识别准确率以实现外骨骼机器人控制,采用一种改进的粒子群优化MPSO-BP神经网络方法识别不同运动模式下的人体步态相位。通过自适应调整学习因子构造MPSO-BP神经网络分类器,以多种传感信息组成的特征向量样本集训练神经网络分类器,用于识别人体下肢在平地行走、上楼梯和起坐三种典型运动模式下的步态相位。实验结果表明,MPSO-BP神经网络分类器能有效识别三种不同运动模式的步态相位,识别准确率均达到96%以上,识别性能优于传统的BP神经网络模型和粒子群优化神经网络模型。     

仿蟹机器人交错等相位波形步态研究

在观察生物螃蟹的基础上,研制了仿蟹机器人实验样机.利用事件序列法对生物螃蟹的行走过程进行了分析,提出了仿蟹机器人交错等相位波形步态.交错等相位波形步态以2n足波形步态为基础,将8个步行足交错分为两组,通过调节组内先后摆动的两步行足间的相位因子,使同组的各步行足相位平均分配在一个步态周期内,以减小机体能量损耗.仿蟹机器人...     

基于实时意图识别的外骨骼机器人步态切换

根据外骨骼穿戴者的实时运动意图,切换外骨骼机器人的行走步态,是外骨骼机器人研究热点问题之一.针对外骨骼机器人能够根据穿戴者的运动意图控制步态切换问题,提出采集人体表面肌电信号进行解码,通过BP神经网络识别穿戴者的运动意图,实现外骨骼进行步态规划,利用关节角度与足底压力的相关性以及重心轨迹,对所规划的步态的稳定性进行分析,依据不同的运动意图完成步态进行实时切换,验证了基于实时意图识别控制的外骨骼步态切换的可行性.     

基于隐马尔可夫模型的助行器依赖人群步态相位识别

步态相位识别为老年人步态异常变化监测、跌倒风险预测和康复训练评估等提供了一种方便有效的方法.将激光测距仪安装在助行器上来获取双腿的运动信息,以无须穿戴、活动范围自由的方式对助行器依赖人群进行步态相位识别.针对使用激光传感器识别腿部时衣物因素对腿部数据段分割的影响,提出基于IEPF的数据段再分割方法.为了去除身高、步速等...     

基于层次化联结CPG模型的蛇形机器人3维步态控制

联结CPG(connectionist central pattern generator,CCPG)模型适于控制机器人生成步态,但是传统的CCPG模型无法很好地生成3维步态.为此,本文根据生物学原理,提出了一个改进的神经元模型和一个改进的层次化CCPG(hierarchical CCPG,HCCPG)模型.HCCPG模型能够生成相位协调的多自由度运动控制信号,从而解决了传统CCPG模型的步态生成问题.基于该模型,提出了一个统一方法来生成机器人的2维、3维步态.对转弯步态的特性进行了系统化深入分析,以便更好地利用该步态来适应狭窄的弯道环境.本文提出的HCCPG模型以及得到的步态特性,有助于提高机器人的环境适应能力.     

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。     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。     

仿生双足机器人步态轨迹自适应控制方法研究

仿生双足机器人的步态控制具有高阶、高耦合,以及不完整约束等复杂特征,为了使其行走性能更接近人体,基于模型分析提出了一种步态轨迹自适应控制方法.首先在人体步态变化对质心投影位置与质心角动量影响的基础上,引入倒立摆建立步态模型来模拟人体行走状态,同时推导出质心投影点位置与速度公式.然后为了实现步态轨迹自适应控制,对影响步态性能的稳定性、速度调整、能量消耗三个因素设计了相应的目标约束.在目标约束条件下,利用参考轨迹对机器人的步态控制参数进行自适应整定.并根据周期间的相位差异进行偏差调整,从而抑制步态控制的误差.最后通过仿真模拟仿生双足机器人的行走过程,证明提出的步态轨迹自适应控制方法能够合理有效的控制能量消耗和稳定调节,具有良好的步态平衡性能与抗扰动性能.     

一种基于非线性振荡器的步态轨迹自适应算法

步态训练轨迹是影响康复训练效果的一项重要因素,而自适应性对于下肢康复机器人的临床应用具有重要的意义.振荡器可通过在线调节参数而输出不同波形的周期信号,常用于康复机器人步态轨迹的生成.本文在高斯核函数非线性振荡器的基础上提出了一种下肢康复机器人步态轨迹自适应算法.该算法通过轨迹偏差实现对参考轨迹波形的调节,并且用相位偏差曲线面积实现参考轨迹周期的自适应.本文首先介绍了用于生成步态参考轨迹的非线性振荡器的数学模型;其次,详细描述了基于该模型的参考轨迹波形和周期自适应算法;最后,以悬挂减重式下肢康复机器人为研究对象,建立机器人与人体下肢仿真模型,对所提出的步态参考轨迹自适应算法进行仿真实验,并验证了该算法的可行性.     

Silhouette-based gait recognition via deterministic learning

In this paper, we present a new silhouette-based gait recognition method via deterministic learning theory, which combines spatio-temporal motion characteristics and physical parameters of a human subject by analyzing shape parameters of the subject?s silhouette contour. It has been validated only in sequences with lateral view, recorded in laboratory conditions. The ratio of the silhouette?s height and width (H–W ratio), the width of the outer contour of the binarized silhouette, the silhouette area and the vertical coordinate of centroid of the outer contour are combined as gait features for recognition. They represent the dynamics of gait motion and can more effectively reflect the tiny variance between different gait patterns. The gait recognition approach consists of two phases: a training phase and a test phase. In the training phase, the gait dynamics underlying different individuals? gaits are locally accurately approximated by radial basis function (RBF) networks via deterministic learning theory. The obtained knowledge of approximated gait dynamics is stored in constant RBF networks. In the test phase, a bank of dynamical estimators is constructed for all the training gait patterns. The constant RBF networks obtained from the training phase are embedded in the estimators. By comparing the set of estimators with a test gait pattern, a set of recognition errors are generated, and the average L₁ norms of the errors are taken as the similarity measure between the dynamics of the training gait patterns and the dynamics of the test gait pattern. The test gait pattern similar to one of the training gait patterns can be recognized according to the smallest error principle. Finally, the recognition performance of the proposed algorithm is comparatively illustrated to take into consideration the published gait recognition approaches on the most well-known public gait databases: CASIA, CMU MoBo and TUM GAID.     

A framework for online gait recognition based on multilinear tensor analysis

The gait recognition is to recognize an individual based on the characteristics extracted from the gait image sequence. There are many researches for the gait recognition which use diverse kinds of information such as shape of gait silhouette, motion variation caused by walking, and so on. In general, shape information is more useful for recognition. However, shape information is influenced by a variety of factors, which degrade the recognition performance. Moreover, the information used in most of those studies might be able to be extracted after all of one or more sequences of the gait cycle are known. And it is also hard to discriminate the gait cycle from given gait sequences exactly by the online approach. In regard to these difficulties, we propose a novel gait recognition method based on the multilinear tensor analysis. To recognize the cyclic characteristic of gait without an exact division for the gait cycle, this paper’s propose is the method to form the accumulated silhouette and then describes those as the tensor. For the accumulated silhouette proposed by this paper, the image sequence of one gait cycle is divided into four sections in the training phase. However, discrimination for the gait cycle in the training phase is not directly related to the recognition phase, thus the online approach is possible. We first form the accumulated silhouettes for every individual using gait silhouettes within each section. And then, we represent these accumulated silhouettes as the tensor. Using a multilinear tensor analysis, we compute the core tensor which governs the interaction between factors organizing the original tensor, and then compose the basis to recognize the individual in the online recognition framework. Finally, we recognize the individual using the computation of similarity based on the Euclidean distance, which is more suitable to our method. We verify the superiority of the proposed approach via experiments with real gait sequences.     

基于Tsfresh-RF特征提取的人体步态识别算法

惯性传感器(IMU)由于尺寸小、价格低、精度高以及信息实时性强等优点, 在人体运动信息的获取与控制等方面得到广泛应用, 但在步态识别的时间序列特征提取和步态环境数据等方面还存在着明显的局限. 本文针对人体下肢步态识别特征提取的复杂性及适用性差等问题, 提出基于Tsfresh-RF特征提取的人体步态识别新方法. 首先, ...     

基于视角转换的多视角步态识别方法

针对步态识别中步态视角变化、步态数据样本量少及较少利用步态时间信息等问题,提出一种基于视角转换的步态识别方法。通过VTM-GAN网络,将不同视角下的步态能量图及含有步态时间信息的彩色步态能量图,统一映射到保留步态信息最丰富的侧视图视角,以此突破步态识别中多视角的限制,在视角转换的基础上,通过构建侧视图下的步态正负样本对来扩充用于网络训练的数据,并采用基于距离度量的时空双流卷积神经网络作为步态识别网络。在CASIA-B数据集上的实验结果表明,该方法在各状态、各角度下的平均识别准确率达到92.5%,优于3DCNN、SST-MSCI等步态识别方法。     

结合注意力卷积网络与分块特征的步态识别

目前深度学习算法已经广泛应用于步态识别领域,但是大多数现有方法通过卷积神经网络提取步态全局特征时,忽略了许多包含关键步态信息的局部特征,在一定程度上削弱了步态识别的精度和提升潜力.针对上述问题,提出了一种结合注意力卷积神经网络与分块特征的跨视角步态识别方法,该方法以步态轮廓图序列为输入,每帧图片分别经过相同结构的注意力...     

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.     

一种基于隐马尔科夫模型的步态识别算法

步态是指人体走路时的姿态,步态识别是近年来生物特征识别领域一个备受关注的研究方向。步态阶段的区分是步态识别的重要内容。以隐马尔科夫模型(HMM)为基础,基于安装在膝关节的编码器和大腿部的加速度传感器,在外骨骼辅助行走中识别步态的不同阶段。首先进行数据预处理和特征提取;其次对隐马尔科夫步态识别算法进行设计,包括结构的建立、参数的训练和最终的识别;最后对性能进行评估,总体正确率达到91.06%,说明HMM用于步态阶段识别具有较好的性能。     

基于生成对抗网络的跨视角步态特征提取

步态是一种能够在远距离、非侵犯的条件下识别身份的生物特征,但在实际场景中,步态很容易受到拍摄视角、行走环境、物体遮挡、着装等因素的影响.在跨视角识别问题上,现有方法只注重将多种视角的步态模板转化到固定视角下,且视角跨度的增大加深了错误的累积.为了提取有效的步态特征用于跨视角步态识别,本文提出了一种基于生成对抗网络的跨视角步态特征提取方法,该方法只需训练一个模型即可将步态模板转换到任意视角下的正常行走状态,并最大化地保留原本的身份特征信息,从而提高步态识别的准确率.在CASIA-B和OUMVLP数据集上的实验结果表明,该方法在解决跨视角步态识别问题上具有一定的鲁棒性和可行性.     

基于贝叶斯网络的步态识别

步态作为一种重要的生物特征由于其远距离身份识别能力而逐渐受到人们的重视。本文提出了一种基于贝叶斯网络的步态识别方法。首先应用背景差方法获得运动人体侧面二值图像,将侧面像分为七部分来提取特征,采用最大方差法对训练集进行离散化,对各部分分别建立贝叶斯网络,最后利用“投票”规则将网络推理结果进行组合。将该方法在Soton步态数据库上进行试验,取得了比较理想的识别效果。