结合无符号Laplace谱特征的触觉步态识别算法

针对单纯利用压力点分布特征进行触觉步态识别的不足,提出了一种结合无符号Laplace谱特征的动态触觉步态识别算法。利用足底压力数字化场地采集常速、快速和慢速三种情况下的触觉步态数据,生成足底压力分布图像,并根据足底解剖学的结构划分区域;以足底压力图像各区域为节点构造结构图,并采用无符号Laplace矩阵表示;通过对该矩阵进行奇异值分解（Singular Value Decomposition,SVD）获取谱特征,并结合形状特征得到触觉步态特征;选择“一对一”的支持向量机（Support Vector Machine,SVM）多分类方法,按照人在行走过程中不同的速度分别构造分类器,从而实现动态触觉步态的识别。实验结果表明该识别算法对不同速度样本数据的触觉步态识别正确率都较高。     

基于柔性力敏传感器的左右脚动态识别方法

在利用柔性力敏传感器获取动态足底压力分布数据时,能够准确快速自动区分左右脚的数据将极大提升数据的可视性和分析的便利性。为此,提出了一种基于足底压力和脚印外观形状的左右脚动态识别方法。首先,基于足底动力学原理,利用连通域的图像分割算法对足底压力数据进行聚类分析,得到每一步压力脚印的时间和坐标范围;在此基础上进一步分离出完整的单步压力数据;最后利用单步压力数据刻画脚印轮廓,并根据轮廓的外观特征进行左右脚识别。本文提出的方法可应用于步态分析、临床辅助诊断、步态识别等领域。通过108个实测数据样本的测试表明：本文方法的识别率高达94.5%,并具有较好的鲁棒性。     

基于粒子滤波算法的足底压力预测

针对人体下肢运动状态识别精度低的问题,提出了一种基于足底压力的下肢运动状态识别预测方法。以EMED足底压力平板采集的不同步速下各40组足底压力数据为试验样本,通过分析足底压力特征参数,构建步态相位,建立足底步态周期关系,以及步态位移模型。下肢运动是非线性运动,采用步态周期模型结合粒子滤波算法实现足底压力预测。先对粒子群初始化获取先验概率密度函数,对预测压力进行估计,其次对状态向量检验,使用多元线性回归推导出预测足底压力。实验结果表明,在不同步态速度下,粒子滤波算法性能好,精确度达到97%以上,从而证明了足底压力预测方法的有效性。补充不同年龄、性别、体重的实验者的足底压力数据进行分析,预测精度均在97.5%以上,验证了预测算法的稳定性和精准性。     

基于异步多时域特征的动态手势识别方法

准确及时地手势识别在增强现实技术中具有重要的意义。针对表征复杂手势序列的时空特征,提出了一种基于异步多时域时空特征的手势识别方法。该方法通过轻量级三维卷积网络提取视频序列的不同时间步态的短期时空特征,通过改进的卷积长短期记忆网络学习长期时空特征,将不同步态的时空特征融合为异步多时域特征,以此来对手势进行分类识别。通过与其他主流方法进行比较,实验结果证明了提出的方法具有较高的动态手势识别率。     

集成HOG步态模板

步态模板在提升步态识别的实时性能中扮演了关键角色。由于缺乏时间信息和不能充分提取步态中的统计特征,其识别性能会受到一定的损害。以步态能量图（GEI）为模板,并使用基于时间保持的步态能量图（CGI）,从这两个模板中进一步提取空间特征。在此基础上,构造了集成HOG步态模板。这一模板能较好地保持时间信息和有效地提取空间结构特征。在USF步态数据集的实验表明,与其他已知步态识别方法相比,提出的模板实现了好的识别性能。     

利用多源信息和极限学习机的人体运动意图识别

快速准确的步态识别是实现智能假肢灵活控制的基础与前提,步态(平地行走、上下楼梯和上下坡)的有效识别是关键.为了克服由单一信息源无法辨识复杂多步态的难题,搭建人体步态多源运动信息系统获取髋关节角度信号、加速度信号和足底压力信号,利用足底压力信号将人体步态划分为4个片段,并根据人体步态的特点确定了4个片段下髋关节角度、髋关节加速度信号的特征值,采用核主成分分析(KPCA)对原始特征的组合进行融合,得到信息互补的特征值,最后利用极限学习机(ELM)进行识别,实验结果表明该方法对平地行走、上楼、下楼、上坡、下坡5种步态的平均识别率达到96.78％,平均识别时间0.52 s,明显高于BP、支持向量机(SVM)等方法.     

一种可用于入侵防范的步态识别方法研究

提出一种可用于入侵防范系统中的步态识别方法。该方法以足底压力信息为基础,采用卷积神经网络模型进行步态特征提取。首先,用压力测试板采集行人的足底压力信息并作相应的预处理;然后,结合K均值聚类和卷积神经网络方法的自学习特性得到足底压力信息的特征表示;最后,对所获得的特征表示进行分类识别。在典型数据集上的比较试验表明了该算法的有效性。     

应用核独立成分分析进行弱周期性步态识别研究

提出一种基于时空能量图和核独立成分分析的步态特征表达和步态识别方法,利用步态序列图像的非线性特征和高维统计信息,并消除识别算法对时间配准和步态周期定位的依赖,时空能量图集成了步行运动信息中时间与空间变化的特点,并极大地减少了特征的数据量。针对10人值班的涉密场所进行步态识别正确率达到93.9%。实验结果表明该算法具有较好的识别性能和相当低的空间需求和计算量。     

用轮廓的点分布特征分析和识别步态

提出了一种轮廓点分布特征匹配方法来分析和识别行人步态。首先通过设计一种轮廓采样点区域分布直方图分析了步态的周期性特征,提取了一个步态周期的帧图像轮廓;继而采用一种局部轮廓描述子得到帧图像轮廓的点分布直方图阵列作为轮廓特征、用轮廓点集间的Hausdorff距离结合动态时间规整技术求取测试序列和参考序列间的匹配相似度;最后通过分类实现了人体步态识别。在Soton步态数据库进行了实验,正确分类识别率最高达到90.27%。相关文献的对比分析表明：该方法的识别率有较大的提高,是有效的。     

结构化步态特征表征和快速步态识别方法

对于只有单一步态信息的特征数据库,在人数众多时,遍历识别算法识别时间长、识别率低。针对这个缺点,提出一种结构化步态特征表征和快速步态识别方法,将人的步态信息与身高、性别、年龄等一起构成结构化的步态特征,用不同传感器采集数据,不同的方法提取各个特征分量并独立加以利用。结构化的步态特征便于识别算法对步态识别问题进行分级处理,缩小识别范围。实验表明,文中方法不仅能够提高识别速度,而且能获得更高的识别率。     

基于足底压力与支持向量机的步态相位识别研究

随着两足机器人、人工假肢技术以及为行走困难病人康复设计的康复训练机器人的发展,在线的步态相位识别方法越来越重要。本文提出的基于足底压力与支持向量机(SVM)的步态相位识别算法主要由五部分组成,即数据采集、数据预处理、特征提取、训练分类器和分类识别。实验表明：该方法能够对运动中的步态相位进行准确的判断。     

基于步态检测算法的辅助行走系统设计

为了保证盲人和视障患者安全方便出行和减少误报警,设计一种基于步态检测算法的辅助行走系统。信号处理算法上利用小波包对信号进行降噪,提取三轴加速度的均值、标准差、方差与小波能量谱,并结合足底压力信息组成多维参数作为步态特征,选取基于遗传算法优化支持向量机进行步态识别。硬件部分主要包括三轴加速度信号和足底压力信号采集硬件设计。软件部分主要包括对足底压力信号和三轴加速度信号的采集和处理以及一款能够自动拨号安卓手机APP。实验结果表明,该系统基于多传感器融合的步态检测技术,步态检测识别率平均达90.48%。该系统便携性好、功耗低、测障效果好,在辅助行走领域具有一定的研究意义和实用价值。     

一种改进的基于地面反作用力的步态识别方法

提出一种改进的基于地面反作用力的步态识别方法．该方法通过由三维测力台构建的步态通道获取步行时足底受到的三方向地面反作用力,并采用小波包分解提取时频域特征,利用模糊C 均值聚类算法从中挑选出最具分类能力的特征子集,最后在训练样本上用支持向量机训练分类器,并在测试集上进行步态识别．为提高识别率,对样本进行拆分和波形对齐操作,并设计多分类器以降低步行速度变化对识别准确率的影响．在103人的步态数据库上的测试结果表明,该方法即使在训练样本较少的情况下也可以得到较高的识别率．     

Prediction of gait speed from plantar pressure using artificial neural networks

The goal of this study was to predict gait speed over the entire cycle in reference to plantar pressure data acquired by means of the insole-type plantar pressure measuring device (Novel Pedar-x system). To predict gait speed, the artificial neural network is adopted to develop the model to predict gait speed in the stance phase (Model I) and the model to predict gait speed in the swing phase (Model II). The predicted gait speeds were validated with actual values measured using a motion capturing system (VICON 460 system) through a five-fold cross-validation method, and the correlation coefficients (R) for the gait speed were 0.963 for normal walking, 0.978 for slow walking, and 0.950 for fast walking. The method proposed in this study is expected to be widely used clinically in understanding the progress and clarifying the cause of such diseases as Parkinsonism, strike, diabetes, etc. It is expected that the method suggested in this study will be the basis for the establishment of a new research method for pathologic gait evaluation.     

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.     

基于时空图像分割和交互区域检测的人体动作识别方法

针对现有人体动作识别方法没有考虑到非人体目标的作用,提出一种基于时空图像分割和目标交互区域检测的人体动作识别方法。首先,在视频流中检测出人体轮廓,并将其进行时空图像分段,形成关键段区域;然后,扩展分段使其包含与人体交互的非人体目标;再后,通过时空梯度方向直方图(HOG)和光流场方向直方图(HOF)描述符来表示关键段的静态和动态特征,并通过k均值算法构建成码书,同时采用局部约束线性编码(LLC)技术来优化码书;最后,采用非线性支持向量机(SVM)对特征进行学习并进行动作识别。实验结果表明,与现有基于兴趣点的方法相比,该方案获得了较高的动作识别率。