一種可用于入侵防范的步態識別方法研究

楊春生 化晨冰 王鳴鏑 黃振華 邵曉東 過其峰

1(國網臨沂供電公司 山東 臨沂 276003)2(國電南瑞安徽繼遠電網技術有限責任公司 安徽 合肥 230088)

一種可用于入侵防范的步態識別方法研究

楊春生1化晨冰1王鳴鏑1黃振華1邵曉東1過其峰2

1(國網臨沂供電公司 山東 臨沂 276003)2(國電南瑞安徽繼遠電網技術有限責任公司 安徽 合肥 230088)

提出一種可用于入侵防范系統中的步態識別方法。該方法以足底壓力信息為基礎，采用卷積神經網絡模型進行步態特征提取。首先，用壓力測試板采集行人的足底壓力信息并作相應的預處理；然后，結合K均值聚類和卷積神經網絡方法的自學習特性得到足底壓力信息的特征表示；最后，對所獲得的特征表示進行分類識別。在典型數據集上的比較試驗表明了該算法的有效性。

入侵防范 足底壓力信息 卷積神經網絡 特征學習 步態識別

0 引 言

隨著社會的快速發展，人們對信息安全的要求越來越高。一些電力企業也越來越重視電網的安全性，因而對變電站巡檢檢修及相關運維工作過程中區域入侵防范的技術研究就很有必要。本文旨在研究一種可用于防范入侵問題的方法，這樣就能對一些非法入侵行為進行警戒并采取有效的應對措施。而步態作為個體的行為特征，與個體的身體狀況和行走習慣息息相關，具有唯一性和防偽裝性。在采集步態信息時不易受外部環境，如光照、天氣狀況等的影響，也不存在背景干擾和遮擋問題，應用價值很高[1-2]。因此，很多學者開始研究基于足底觸覺信息的步態識別技術，即將壓力測試板放置在地面，采集行人行走時足底的觸覺信息并進行身份識別。這種方法目前在很多領域有廣泛的應用，如醫學行為感知、行人身份辨別等，也取得了一定的成果[3-4]。

本文提出一種可應用于入侵防范系統中的步態識別方法，并通過壓力測試板采集到的足底觸覺信息進行特征提取實驗，驗證該方法的可行性和有效性。主要步驟有：(1) 在需要進行入侵防范的區域放置壓力測試板，并采集行人的足底壓力信息；(2) 對采集到的觸覺信息進行預處理；(3) 對處理好的樣本進行特征提取；(4) 利用提取到的特征在數據集上進行驗證實驗。

1 數據采集和預處理

1.1 數據采集設備

本文驗證實驗使用的數據是由中科院合肥智能所提供的壓力測試板采集的，每塊壓力測試板的有效測試面積為60 cm×40 cm，包括60行40列(2 400個)壓阻傳感器[3]。用定制的引接端引出各傳感器感應信號，以100 Hz的采樣頻率掃描采集到的信號[4]。一旦有行人踩到壓力測試板上，傳感器接收到壓力信息的變化，其足底壓力數據就可以被準確地測量，壓力測試板如圖1所示。采集足底壓力數據時，不易被發現、行人難以偽裝自己的足底壓力信息，而且在數據采集過程中不會受光照條件、背景環境復雜等因素的影響。

圖1 觸覺步態數據采集設備

1.2 足底壓力信息的采集

采集數據時，將壓力測試板放置于采集區域，當行人靜止站立于壓力測量板上或走過壓力測試板時，記錄其足底壓力數據。數據保存為csv表格形式，表格中的值即為被采集者足底壓力的值，這些壓力值構成與測試板中傳感器的排列方式相同的60×40的矩陣[4]。圖2是該系統采集到的足底壓力信息示例, 圖的左上半部分顯示的被采集者足底壓力圖像，右上半部分是足底壓力圖像對應的壓力值矩陣；圖的下部顯示的足底總壓力值曲線。可以看出被采集者在行走過程中其足底總壓力值是不斷變化的，當該曲線趨于穩定時，說明被采集者可能靜立于測試板。由此可知，采集到的足底總壓力最大或足底總壓力趨于穩定時，對應的腳底圖像較完整，能較好地表示被采集者的足底壓力信息。

圖2 足底壓力數據

1.3 數據預處理

本文數據集規模是50，即采集了50人靜止站立和動態行走時左、右腳壓力數據對靜止站立時采集的數據，選取足底總壓力曲線較穩定的10幀圖像作為訓練樣本，3幀圖像作為測試樣本；對行走時采集到的數據，選取足底總壓力最大、足跡信息較完整的一幀及其前后各一幀圖像為訓練樣本，足底總壓力最大的一幀圖像為測試樣本。由于在進行識別任務時，卷積神經網絡的輸入數據是很多人腳底圖像組成的多維足底壓力值矩陣，因此，需要將每個人的足底壓力圖像對應的壓力值矩陣表示成行向量的形式。而每個人的腳大小不一樣，采集的足底壓力圖像也有不同的大小，為了保證各個由足底壓力圖像表示成的行向量維數相同，要將所有足底壓力圖像裁剪成相同大小的圖像。具體的裁剪步驟如下：

(1) 求每個腳印圖像的最小外接矩形(T1，T2,…,Tn)，根據外接矩形的邊長求得矩形的中點，并將該中點定義為圖像的中心(Q1,Q2,…,Qn)；

(2) 比較所有外接矩形的大小，記Ti=max(T1,T2,…,Tn)；

(3) 以Ti和(Q1,Q2,…,Qn)裁剪各個腳印圖像，則裁剪后的圖像大小相同，并保存每幅圖像對應的壓力值矩陣(P1,P2,…,Pn)。

2 步態特征學習

特征的提取和選擇是分類識別問題中的關鍵步驟，得到的特征好壞直接影響到最終識別正確率[4]。深度學習通過構建具有很多隱含層結構的機器學習模型，來學習有用的特征，從而提升分類或預測的準確性。其過程可以理解為：先用有標簽的數據分層訓練并調整各層參數，得到特征映射關系，再用該特征映射函數得到測試樣本的標簽[5]。本文選用的是深度學習中CNN模型進行自動特征學習。

2.1 卷積神經網絡(CNN)

卷積網絡可以由輸入映射到輸出，用已有的模型訓練卷積網絡，網絡就有了輸入與輸出對之間的數學關系[5-6]。卷積神經網絡結構如圖3所示，Input(輸入數據)與可訓練的濾波器相卷積得到C1的特征映射圖，通過求和、加權等操作得到S2層的特征映射圖，C3層是對S2層的特征映射圖濾波得到的；重復進行求和、加權得到S4層特征映射圖；最后，將得到的特征映射圖連接成一個向量輸入到傳統的神經網絡，得到輸出[5,7]。

圖3 CNN網絡結構

2.2 基于CNN模型的步態特征提取框架

在CNN中，得到特征映射的過程可分為卷積和子采樣兩個子過程，如圖4所示。卷積過程的操作是：

Cx=Dinput?fx

(1)

其中，Cx是卷積操作得到的卷積特征圖，Dinput為輸入數據，fx為卷積濾波器。

子采樣過程有：相鄰四個像素值求和變成一個像素值，再進行Wx+1、bx+1加權和偏置以及通過激勵函數sigmoid響應得到特征映射圖Sx+1[5]。

圖4 CNN中卷積和采樣過程

本文特征提取算法是基于CNN模型的研究，其網絡的訓練過程可以理解為：從訓練樣本矩陣Tl(r×c)中隨機采樣a×b的小尺寸矩陣Ts，隨機采樣次數為n次，則組成采樣矩陣的維數是n×a×b。其中，a×b稱為感受域[8]。局部特征是由K均值聚類算法得到的，即在采樣矩陣上聚類，規定聚類的每個類中心為局部特征x。計算得到對應的特征為：

fs=σ(Wx×x+bx)

(2)

其中，Wx為網絡的權值，bx是網絡的偏差值,網絡由激勵函數sigmoid響應得到fs。將得到的特征fs做卷積，得到卷積后的特征矩陣X。最終特征個數n為：

n=k×(r-a+1)×(c-b+1)

(3)

式中k為K均值聚類的類中心數。將得到的特征作規范化處理，如：亮度對比度均一化，白化(消除數據為度之間的相關性)等。最后，輸入SVM分類器得到分類結果。

3 實驗結果與討論

先以30人的靜止站立時和行走過程中采集到足底壓力數據為例說明本文算法的有效性。如圖5所示，兩條曲線分別為：靜態數據(靜止站立時采集的數據)和動態數據(行走時采集的數據)的識別正確率與感受域變化的關系。本文實驗所選的感受域均為行、列數相等的方陣，如rfsize等于5時，感受域實為5×5的矩陣。從圖中可以看出，靜態數據的識別正確率相對較高，且與感受域的變化相關性小。動態數據的識別正確率也在一個較高的水平上，但隨著感受域的變化有較大波動。在感受域為5×5時，靜態與動態數據的識別正確率最接近；在感受域為4×4時，靜態與動態數據的識別正確率都較好，故本文實驗選用的感受域大小為4×4的矩陣。

圖5 靜態與動態數據識別結果與感受域的關系

3.1 靜態數據識別結果分析

在采集的靜態數據集上進行實驗，分為左腳、右腳兩種情況討論，每種情況各做三組實驗并取平均值，網絡感知域大小取4，識別正確率如表1所示。其中，一般算法為參考基于足底壓力信息的步態識別中動態部分方法，如利用不同區域最大壓力點之間及壓力中心點之間的歐式距離和壓力差作為特征[3]。并與文獻[3]中提到方法作為本文算法的對比實驗。由表1可以看出，本文算法在靜態的足底壓力數據上可以得到很高的識別正確率，且基本維持在95%以上，與比較算法相比在識別正確率的穩定性方面具有較大的優勢。

表1 靜態識別正確率

3.2 動態數據識別結果分析

在采集的動態數據集上進行實驗，網絡感知域大小取4。對比算法選擇Yamakama等人提出的將足底圖像分成均勻的四個區域方法[9]和Takeda等人提出的將足底圖像分成近似均勻的八個區域方法[10]，實驗結果如表2所示。其中，本文方法與對比方法(四區域、八區域)分別就左腳、右腳及不分左右腳三種情況下做三次測試，對三次測試結果取平均值得到最終識別正確率。由表2可以看出，本文算法在進行動態數據的步態識別時無論是左右腳分開測試還是混合測試，其識別正確率均在80%以上，結果要好于其他兩種算法。這可能是因為Yamakama等人和Takeda等人提出的將腳底均勻的分成幾個的區域，沒有根據每個腳型特點動態變化，因而所分的區域不能很好地表征被測試者的足底壓力信息。而本文直接將整個腳印圖像作為網絡的輸入，沒有丟失足底圖像的任何信息，也省去了劃分區域的過程，因此，在沒有復雜的預處理過程的前提下，最終識別正確率也相對較高。

表2 動態識別正確率

通過在靜態數據集和動態數據集上的識別實驗說明，當網絡感知域和其他參數都相同的情況下，用CNN模型進行步態識別時，對行人靜止站立于測試板上的識別效果比動態行走時好。這可能是行人不停行走時足底壓力信息變化大，穩定性不如靜止站立時好導致的。因此，將這種基于CNN模型和足底壓力信息的步態識別方法應用到入侵防范系統中，入侵者的行為狀態對該方法能否識別入侵有很大的影響。

4 結 語

將CNN模型用于步態識別領域，不僅在數據預處理和特征提取計算量等方面都有一定的優勢，其識別效果也比傳統算法好。基于CNN的步態識別方法應用于入侵防范系統具有一定可行性和現實意義。如果對需要防范的區域進行劃分并置入壓力測試板和報警器，通過分析進入警戒區域行人的步態特征進行身份識別，可以對非法入侵行為告警，并采取有效的應對措施。該方法在門禁系統和考勤系統中也有一定的應用前景和研究價值，未來的工作可以集中在進一步提高算法的識別效果上。

[1]RosenbaumD,BeckerHP.Plantarpressuredistributionmeasurements-technicalbackgroundandclinicalapplications[J].FootandAnkleSurgery,1997,3(2):1-14.

[2] 徐蘇.基于步態觸覺特征的生物特征識別[D].中國科學技術大學,2010.

[3] 梁棟,高瑋瑋,張艷,等.基于足底壓力圖像的靜態觸覺步態識別[J].華中科技大學學報,2013,12(6):11-15.

[4] 夏懿,馬祖長,姚志明,等.基于足底壓力分布時空HOG特征的步態識別方法[J].模式識別與人工智能,2013,26(6):529-536.

[5] 孫志軍,薛磊,許陽明,等.深度學習研究綜述[J].計算機應用研究,2012,29(8):2806-2810.

[6]HintonGE,SrivastavaN,KrizhevskyA,etal.Improvingneuralnetworksbypreventingco-adaptationoffeaturedetectors[J].arXivpreprintarXiv,2012:1-9.

[7]HintonGE,SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks[J].Science,2006,313(5786):504-507.

[8]LeQV,RanzatoMA,MongaR,etal.Buildinghigh-levelfeaturesusinglargescaleunsupervisedlearning[J].arXivpreprintarXiv,2011:4-5.

[9]YamakawaT,TaniguchiK,AsariK,etal.Biometricpersonalidentificationbasedongaitpatternusingbothfeetpressurechange[C]//AutomationCongress,2008.WAC2008.World.IEEE,2008:1-6.

[10]TakedaT,TaniguchiK,AsariK,etal.Biometricpersonalauthenticationbyonestepfootpressuredistributionchangebyloaddistributionsensor[C]//FuzzySystems,2009.FUZZ-IEEE2009.IEEEInternationalConferenceon.IEEE,2009:906-910.

RESEARCH ON A METHOD OF GAIT RECOGNITION FOR INTRUSION PREVENTION

Yang Chunsheng1Hua Chenbing1Wang Mingdi1Huang Zhenhua1Shao Xiaodong1Guo Qifeng2

1(LinyiPowerSupplyCompany,Linyi276003,Shandong,China)2(AnhuiJiyuanElectricNetworkTechnologyCo.,LtdofNARI,Hefei230088,Anhui,China)

A gait recognition algorithm for intrusion prevention is presented. This method is based on plantar pressure information, adopting convolution neural network model to extract feature. Firstly, the preprocessing of the evaluated data collected from the test board of plantar pressure is performed. Secondly, the deep learning technique and k-means Clustering are used to automatically extract features from the plantar pressure distribution diagram. Finally, we use the features for the recognition task. The comparative experiments conducted on the typical datasets demonstrate the effectiveness of the proposed approach.

Intrusion prevention Plantar pressure information Convolution neural network Feature extraction Gait recognition

2015-09-13。楊春生，工程師，主研領域：電力系統管理工作。化晨冰，高級工程師。王鳴鏑，高級技師。黃振華，高級工程師。邵曉東，高級工程師。過其峰，工程師。

TP393

A

10.3969/j.issn.1000-386x.2017.03.045