基于無線傳感器網(wǎng)絡的步態(tài)識別

謝曉蘭，徐承星

(桂林理工大學 信息科學與工程學院，廣西 桂林 541004)

0 引 言

物聯(lián)網(wǎng)通過信息傳感設備如射頻識別(RFID)[1]、紅外線[2]、全球定位系統(tǒng)[3]和激光掃描儀[4]采集對人類有用的信息，連接到互聯(lián)網(wǎng)并以進行通訊、識別、定位、跟蹤、監(jiān)控和管理。Wifi作為一種強大的感知信息的媒介，具有普及面廣泛、組網(wǎng)方便且傳輸速率高的優(yōu)點[5]。

近年來，使用特定的設備，通過連接Wifi可以采集到從發(fā)送點到接收點的無線信道信息(CSI)[6]，它是物理層的信息，描述了信號在每條傳輸路徑上的衰弱因子，即信道增益矩陣H，它對環(huán)境的變化比較敏感，通過對這一信號的分析可以完成許多任務，例如步態(tài)識別[7]。盡管目前已經(jīng)可以通過分析CSI進行室內(nèi)定位或者手勢分析，但其表現(xiàn)卻往往因復雜的實驗條件而惡化，此外，需要大量數(shù)據(jù)的支撐。本文利用Wifi技術對人的身份識別問題進行了研究，我們處理以下問題：在采集一些人的信息之后，如果進來一個人，我們是否能識別出這個人是否屬于之前保存過的其中一個。我們在這項工作中的目標是使用基礎設施來實現(xiàn)低成本的部署，并且盡量降低計算成本。Wifi傳感需要收集CSI信號以描述無線網(wǎng)絡，不同的人行走在同一路徑上其表現(xiàn)在CSI上的值必然不同，當一個人在走廊上有規(guī)律的走動時，采集到其CSI，在去噪處理以后可以反映人的步態(tài)信息，通過分析CSI的變化識別這個人。

調(diào)查發(fā)現(xiàn)許多研究者使用深度學習的方式提取CSI特征并生成模擬的步態(tài)信號，這當然極大加速了識別過程，但其生成的數(shù)據(jù)集與原生環(huán)境訓練的數(shù)據(jù)集是有偏差的。且現(xiàn)有研究在許多場景下判斷錯誤的概率較大，這是不能容忍的，因為沒有辦法能彌補判斷錯誤的損失。

無線信道一般用信道的沖擊響應來對信道[8]的多徑效應進行描述，在線性時不變的假設條件下，信道沖擊響應可用下式表示

(1)

其中，ai為第i條路徑的幅度衰減；θi為第i條路徑的相位偏移；τi為第i條路徑的時間延遲；n為傳播的路徑總數(shù)；δ(τ)為狄利克雷脈沖函數(shù)。

信道的頻率響應可以用下式表示

z(k)=||z(k)||ej∠z(k)

(2)

其中，z(k) 為第k個子載波的信道狀態(tài)信息CSI； ||z(k)|| 為第k個子載波的幅度； ∠z(k) 為第k個子載波的相位。

目前，常用的步態(tài)識別有兩種方式：①視頻圖像處理，系統(tǒng)由通用的視頻設備和計算機硬件組成，采用數(shù)字視頻和數(shù)字圖像處理技術，包括模板匹配、亞象素以及運動估值等技術來識別、跟蹤標志點的運動，這種方式需要攝像頭的支持，并且侵入性高；②無線感知技術，這種方式的精確度依賴于數(shù)據(jù)處理算法，且數(shù)據(jù)量大。本文關注第二種方式，以不同的視角上進行觀察，步態(tài)表征都會因各種條件變化而產(chǎn)生顯著的影響如：觀察的角度、人類的穿著、信道的通信條件。研究者創(chuàng)建的識別系統(tǒng)主要使用建立模型的方法來提取步態(tài)特征，但建立模型需要使用各個視角的視圖，這會使得整體結構臃腫且計算費用昂貴，在特征提取方面，深度學習或人工神經(jīng)網(wǎng)絡獲得了廣泛采用，但其高度依賴于大量訓練樣本。由文獻[9]可以得知，可以通過統(tǒng)計信號波峰波谷的數(shù)量來近似計算出人的移動路程，這是因為伴隨著人的移動，信號的傳輸距離也會發(fā)生變化，人體反射的信號會增強或削弱接收端接收的信號，這也是CSI在走廊上會表現(xiàn)出周期性變化的原因。

研究使用多個實驗模板，組合成一個樣本集，每個實驗模板都將用于對比任意活動的測試數(shù)據(jù)。每個測試信號通過DTW算法映射到所有的模板，然后使用DT-kNN算法來判斷測量結果的分類。數(shù)據(jù)是在較為理想的實驗情況下采集的，單人在實驗環(huán)境下的運動可以近似看作一個平穩(wěn)過程，為了保證每條數(shù)據(jù)足夠干凈，我們預先篩選了數(shù)據(jù)。

1 相關工作

本節(jié)包括本文針對所研究的問題使用的技術，第一部分包括研究人員推薦使用的方法，與本文的對比、差異；第二部分包括傳感器網(wǎng)絡、特征和系統(tǒng)框架。

最近的研究中有使用不同的方法對CSI進行濾波和結果分析，例如：文獻中推薦使用單一的DTW算法來進行分類[12],該工作還考慮了DWT技術減少了實驗數(shù)據(jù)數(shù)量，研究針對相似數(shù)據(jù)進行了誤差糾正。有做類似工作的研究人員使用SRC[13]或SVM算法對數(shù)據(jù)進行分類，即獲取對人類的不同動作在同一時刻的CSI值；有研究者[14]使用小波變換同時提取信號的時域和頻域特征；針對室內(nèi)定位任務，有研究者采用引入多種策略的方式對CSI進行濾波并抑制誤差干擾，使用kNN算法進行分類[15]，取得了良好的效果并替代了現(xiàn)有的方案；針對同樣的任務，文獻[16]提出可信載波的思想，通過對信號鏈路進行分析，使用相位特征實現(xiàn)室內(nèi)定位，理論上該思想同樣適用于步態(tài)識別；此外，有研究者使用多層神經(jīng)網(wǎng)絡進行特征的提取，這種方法更加復雜和耗時。總體來看，更多的研究者使用CSI子載波中的一部分而不是全部進行研究[17]。考慮到類似的網(wǎng)絡結構，著重從時域特征上研究識別方法，利用CSI的時域特性開發(fā)了一種快速的步態(tài)識別網(wǎng)絡。認真研究了幾種分類方法后發(fā)現(xiàn)：由于在濾波之后不同人的數(shù)據(jù)不一定會表現(xiàn)出完全相似的特性，除了DTW算法得到的相似度之外，可以通過增加能夠選取的特征值的種類來有效降低識別錯誤的概率。

構建的無線傳感器網(wǎng)絡是通過無線局域網(wǎng)形成的一個封閉的系統(tǒng)，intel 5300網(wǎng)卡用于采集局域網(wǎng)覆蓋區(qū)域中的信息，之后將信息發(fā)送給觀察者進行處理。局域網(wǎng)、用戶和觀察者構成了整個無線傳感器網(wǎng)絡，布置如圖1所示。

圖1 無線傳感器網(wǎng)絡

通過專用設備采集到CSI，使用3*3的MIMO，但只取出一個包里的一個值，對每個子載波而言，多個包的時間序列值就是一個CSI stream，在協(xié)助者開啟采集數(shù)據(jù)后，用戶以自然速度通過走廊，結束采集后協(xié)助者將數(shù)據(jù)發(fā)送給觀測者，并將數(shù)據(jù)分成測試數(shù)據(jù)集和模板數(shù)據(jù)集，模板數(shù)據(jù)集即樣本集，所有采集到的數(shù)據(jù)都要經(jīng)過預處理的過程，在預處理之后計算其表面特征值。

在啟動一個識別任務時，假定不知道樣本集里有多少種模板也不知道每個模板中有多少樣本，根據(jù)測試數(shù)據(jù)的特征使用類中心向量法對整個樣本集進行裁剪，再將測試數(shù)據(jù)與整個樣本集中的每一條數(shù)據(jù)進行DTW[18,19]擬合，這個一對一的過程被執(zhí)行許多次。將每一對匹配的特征值導入kNN算法進行選擇，決策方式為多數(shù)表決法，最后對結果進行判斷以確定這個匹配結果是可信的。這個流程混合使用了DTW算法和kNN算法并且加入了策略，我們將這一流程稱為DT-kNN。

實驗的依據(jù)與特征值選取方案基于3條基礎：①一個人經(jīng)過同一條走廊的步態(tài)信息反映到CSI上的值不同，因為他多次行走的軌跡不完全一樣；②不同人經(jīng)過同一條走廊的步態(tài)信息反映到CSI上的值不同，這是由于不同的人身高、體重、姿勢等各方面的差異所導致的；③人類在同一條走廊上行走反映到CSI上的波形有相似的變化規(guī)律。根據(jù)文獻中的考量，一條有效的CSI波形中的一個周期(從一個波峰、波谷到下一個波峰、波谷)時間內(nèi)可以看作人體移動的距離是固定的。

步態(tài)識別流程如圖2所示。

圖2 步態(tài)識別流程

研究最終選取以下5個特征作為提取的特征值：

(1)平均周期長度差：由于人的移動速度不一樣，經(jīng)相同路徑的時間也不同，它是人運動速率的一種表征；

(2)峰值差：如果能夠統(tǒng)一每個人運動的起始時間與結束時間，那么對應點的峰值可以看作每個人在特定點的一種表征；

(3)谷值差：同上；

(4)丟失率：這個特征值反映了測試數(shù)據(jù)與一個模板的差距。為測試數(shù)據(jù)模擬一條該模板的預測數(shù)據(jù)，計算測試數(shù)據(jù)上每一個點與預測值之間的距離，距離大于該點平均絕對誤差(MAE)指標的點記為丟失，計算丟失數(shù)占全部數(shù)據(jù)的比率；

(5)DTW相似值：使用DTW算法計算模板與測試數(shù)據(jù)間的相似度并且給出兩條曲線的對應關系，該值越小則相似度越高。

所需要的5個特征值中的前3個特征值在預處理之后可以得到，在匹配階段計算另外兩個特征值。

具體的匹配的步驟如下：

(1)裁剪整個樣本集；

(2)使用DTW算法對測試數(shù)據(jù)與一個樣本集中的每一條數(shù)據(jù)分別進行擬合，這一步不僅可以輸出一對數(shù)據(jù)的整體相似度，還找到了兩條曲線之間點對點的對應關系；

(3)按照模板將樣本集中的數(shù)據(jù)歸類。對于每一個模板，根據(jù)第(2)步得到的對應關系，找到測試數(shù)據(jù)上一個點對應該模板所有數(shù)據(jù)上的對應點，對它們進行算數(shù)平均，作為該點的預測值，所有這些預測值組成一條新的預測數(shù)據(jù)；

(4)使用同樣的方法，對于測試數(shù)據(jù)上的一個點，根據(jù)第(2)步得到的對應關系，取一個模板中每條數(shù)據(jù)上對應點的值計算該點的實際平均絕對誤差(MAE)，該值反映了同一個人的步態(tài)測量誤差的真實情況，該值越低表明一個人的步態(tài)信息越穩(wěn)定，若該值較大，則表明環(huán)境因素的影響較為明顯，MAE指標計算公式如下

(3)

將測試數(shù)據(jù)與預測數(shù)據(jù)上對應點的值做絕對值運算，結果大于該點MAE指標的點記為丟失，統(tǒng)計丟失的值占總數(shù)的百分比，記為丟失率；

(5)將得到的特征值進行歸一化處理，將所有參數(shù)分別加權后使用kNN算法對結果進行篩選。

2 步態(tài)識別策略

使用3根發(fā)射天線3根接收天線，取出56個中的30個子載波，并使用了每個CSI子載波上的5個特征作為后期處理的參數(shù)：平均一個周期的持續(xù)時間；峰/谷值差；丟失率；樣本數(shù)據(jù)與模板數(shù)據(jù)的DTW相似度。在提取特征前，每個給定的測試或模板數(shù)據(jù)都要經(jīng)過預處理。

2.1 預處理

由于實驗環(huán)境不可避免的會受到各種因素的干擾，我們無法得知干擾源產(chǎn)生的響應，因此，采用下面的方法對原始信號進行處理。

預處理部分由4個單元組成：收集原始無線信道指標；對數(shù)據(jù)進行濾波、去跳變、平滑處理并輸出新的數(shù)據(jù)；截取一部分數(shù)據(jù)并輸出新數(shù)據(jù)；提取表面特征值。在一段時間內(nèi)采集到的CSI數(shù)據(jù)中，可以將采集到的數(shù)據(jù)的每條子載波的幅度值獨立的提取出來。用戶平均需要步行10次才能收集可用的數(shù)據(jù)，一次步態(tài)無線記錄動作持續(xù)時間為 10 s 到12 s，從一個環(huán)境中收集10個用戶的一共500次完整的步態(tài)數(shù)據(jù)大約需要8個小時。在采集足夠的數(shù)據(jù)后，我們進行去跳變，低通濾波與加權平滑處理優(yōu)化數(shù)據(jù)，然后再提取圖像上可量化的原始信號數(shù)據(jù)的屬性：波峰值、周期均值、波谷值。

臨界頻率計算公式[20]

(4)

實驗用的設備可以采集到全部56個OFDM子載波中的30個，以1 KHZ的采樣速率采集大約10 s一個人的步態(tài)數(shù)據(jù)，進行初步處理后的數(shù)據(jù)集在圖像上比原始數(shù)據(jù)集更加清晰，但仍然需要對其進行截取，目的是移除人類起步時加速度的影響，步驟如下：

(1)定義一個時間長度，該長度用來規(guī)范截取的連續(xù)時間長度，我們設定它為5，表示截取的時間長度為5 s；

(2)波形周期計算：計算輸入里產(chǎn)生每個峰值的周期并記錄；

(3)設置一個起始位置，經(jīng)過一段時間后人體將近似位于該點上，模板的起點以該點為準，考慮到人起步的速度較快，我們設定該位置為3，表示該點距離起點的距離為3 m，根據(jù)子載波波長將距離換算成時間；

(4)選擇5 s內(nèi)連續(xù)周期時間段里的值作為可用的輸出，記錄并提取平均周期長度，峰值，谷值，這些值代表了模板數(shù)據(jù)的統(tǒng)計特性。

流程如圖3所示。

圖3 數(shù)據(jù)截取流程

2.2 DTW(dynamic time warping)算法

當人的運動路徑相同時，被選擇的兩條時間序列的形狀相似，但由于人運動速率的不同，導致它們在橫軸上不對齊。在比較兩條序列的相似度之前，需要將其中一個(或者兩個)序列在時間軸下扭曲，使用DTW算法可以有效實現(xiàn)這種扭曲。

使用DTW的目的有二：其一是它本身可以輸出兩個數(shù)據(jù)集的相似度，為后面的結果判定提供一個有力的證據(jù)，其二是為了找到測試數(shù)據(jù)與模板數(shù)據(jù)的一一對應關系。設測試數(shù)據(jù)為M,對比樣本為N，測試數(shù)據(jù)長度為m,樣本長度為n建立m*n的矩陣l，約束可以用下面條件表示：

(1)即l1=(1, 1) 和le=(m,n)， 1≤e≤(m+n)。 這限定了所選擇路徑的起點和終點。

(2)對于所選擇路徑上的任意點有l(wèi)k-1=(a’, b’)， 2≤k≤e-1， 則該路徑的下一點lk=(a, b) 滿足條件a-a’≤1， b-b’≤1。 即某點只能與相鄰點對齊。

(3)對于路徑上的任一點lk-1=(a’, b’)， 則下個點lk=(a,b) 滿足0≤a-a’ 和0≤b-b’。 這保證了所選路徑的單調(diào)性。

條件(2)、(3)由于保證了格點的單調(diào)性約束和連續(xù)性約束，路徑上點(i,j)的下一跳有(i+1,j)，(i,j+1)或者(i+1,j+1)這3種選擇。

規(guī)整代價最小的路徑可以由如下公式來表示

(5)

分母中的k主要是用來對不同的長度的規(guī)整路徑做補償。目的是找到使兩個時間模板距離度量最短時候的點對點對應關系，也就是最相似的那個卷曲，這個最短的距離也就是這兩個時間序列的距離度量。

自定義一個變量γ(i,j) 用于保存累計距離,從l上的起點(0,0)處匹配序列M和N，從(0,0)開始每到一個新的節(jié)點，累計前一節(jié)點的距離數(shù)值。到達終點(m,n)時γ(m,n) 即匹配曲線的相似度。把匹配的對應關系的數(shù)值寫到一個新的矩陣中，累積距離γ(i,j) 可以按下面的方式表示

γ(i,j)=l(i,j)+
min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}

(6)

由已介紹方法得到兩條序列對應點的距離關系，使用回溯法找到使得沿路徑的積累距離達到最小值的路徑。由于在矩陣1中保存了兩條序列對應點間的距離，尋找特征點的對應點時，矩陣所經(jīng)過的路徑即是兩條序列對應的坐標。

2.3 DT-kNN算法

kNN算法的核心是通過對樣本周圍的k個樣本進行分類，選擇出現(xiàn)頻率最高的類別作為該樣本的類別。我們首先使用類中心向量的策略對該分類方法進行改進：前期對樣本集進行剪裁以降低算法的空間和時間開銷，在使用DTW進行匹配后，分類時對各種指標進行加權處理，k值在測試階段給出。

類中心向量策略設置如下：對特征值進行歸一化，根據(jù)測量信號與樣本的兩個特征(波峰值，波谷值)對樣本集進行剪裁，需要在測試階段給出兩個閾值p、q的值，這兩個值用于裁剪整個樣本集。裁剪的思路和p、q的取值思路如下：測量信號的平均波峰值與樣本的平均波峰值做絕對值運算，用測量信號的平均波谷值與樣本的平均波谷值做絕對值運算，當平均波峰值差與樣本峰值的比大于p或者平均波谷值差與樣本信號谷值的比大于q時，直接將該樣本從樣本集中刪除，本文在測試階段給出p和q的合理默認值。

我們的目的是通過使用這一策略使樣本集縮減約50%，在有效減少了后期DTW的計算成本的情況下，kNN算法的性能降低可以忽略不計。在本文中縮減樣本集降低了DTW算法的計算量，DTW算法的結果則會作為kNN算法的參數(shù)，我們將這一些步驟融合為DT-kNN算法。

由于kNN算法總是能得到一個確定的類別，在分類結束之后，我們還需要對每一項指標進行綜合判斷，以確定該數(shù)據(jù)是否不屬于任何模板，方法步驟如下：

設定兩個閾值x和y，這兩個參數(shù)值用于否定匹配結果，這兩個參數(shù)的值在實驗的測試階段給出，x、y的取值思路參考以下兩個特征值：平均周期長度和DTW相似度。如果測試數(shù)據(jù)與模板數(shù)據(jù)的特征值差異過大，則這兩個數(shù)據(jù)的類型不匹配，我們將兩個數(shù)據(jù)間相同類型的特征值相除，用大的值除以小的值，得到平均周期差異a,DTW相似度差異b;當a的值大于x或者b的值大于y時，我們認為兩個數(shù)據(jù)間的差異過大了，因此判定兩個數(shù)據(jù)不屬于同一類型，經(jīng)過這一步被判否的數(shù)據(jù)被認為沒有已知模板與之匹配。如果將參數(shù)x或y的值設定得過小，則許多正常的數(shù)據(jù)容易被判定為假；如果參數(shù)x或y的值設定得過大，則許多異常的數(shù)據(jù)容易被判定為真。在測試階段給出x和y的合理的默認值。

DT-kNN算法設置如下，結構如圖4所示：

(1)使用類中心向量策略裁剪樣本集；

(2)對測試數(shù)據(jù)與樣本集中的數(shù)據(jù)使用DTW算法；

(3)為所有歸一化后的屬性值加權，默認值為：平均周期長度差：0.3，峰值差：0.1，谷值差：0.1，DTW相似值：0.4，丟失率：0.1；

(4)單獨計算待測試數(shù)據(jù)與各個樣本之間的距離并依照距離數(shù)值的大小排序；

(5)根據(jù)之前的排序選取距離最小的k個樣本,取這些樣本中相同類型最多的模板類型作為預測結果，進行最終判定。

圖4 DT-kNN算法流程

找到測試數(shù)據(jù)與模板數(shù)據(jù)的對應關系后，任務為尋找測試數(shù)據(jù)集中的每一個特征值與所有模板數(shù)據(jù)集中的對應特征值的距離，使用曼哈頓距離作為距離度量的方式

(7)

2.4 與已有方法的理論分析

我們認真研究了幾種常用的步態(tài)識別策略，分析了本系統(tǒng),CSI-SRC系統(tǒng),LBR系統(tǒng)在本實驗環(huán)境下的時間空間復雜度，并進行了對比，計算過程如下：

本系統(tǒng)所使用DT-kNN的算法中，待測數(shù)據(jù)長度為m，單次匹配數(shù)據(jù)的長度為n，樣本集大小為u，特征維數(shù)為v，s為子載波數(shù)。

DTW算法的時間復雜度為m+(n-1)+(n-1)*(m-1)+n*m+n*m=O(3*n*m)=O(m*n)， 空間復雜度為O(m*n)， kNN算法的時間復雜度為O(u)，由于兩個算法是相對獨立的，且u為定值，DT-kNN算法總時間復雜度為O(m*n) 總空間復雜度為O(m*n)； SRC系統(tǒng)需要考慮稀疏矩陣的約束條件,對于m*n的矩陣，要將其變換到滿足約束條件，需要進行n*logm2次操作，時間復雜度為O(1*n*logm2)， 空間復雜度為O(m*n)； LBR算法時間復雜度為O(s*(m+m*n))， 由于s為定值，時間復雜度為O(m*n)， 空間復雜度為O(m)； 見表1。

表1 時空復雜度對比

SRC與DT-kNN都主要使用了時域屬性作為識別依據(jù),在預處理部分SRC使用插值處理的方案，這種方案成本更低；在預處理部分,LBR使用了小波變換以取得頻域屬性，在隨機匹配方面DT-kNN在數(shù)據(jù)分析方面不會因為少量誤差而導致判斷錯誤，這是LBR所不具備的。本系統(tǒng)的時間復雜度與LBR接近，由于現(xiàn)在系統(tǒng)一般運行在云服務器上，空間成本可以忽略，本系統(tǒng)選擇犧牲了少量時間成本以換取更高的準確度。

3 實驗與分析

基于DT-kNN算法對人類步態(tài)進行識別，對參數(shù)進行調(diào)節(jié)測試識別效果，更換實驗環(huán)境測試系統(tǒng)的可移植性，以識別率作為主要指標對3種系統(tǒng)進行評價。

3.1 測 試

數(shù)據(jù)集是在實驗室走廊里收集的30名用戶的步態(tài)信息，每個用戶以正常速度在走廊往一個方向上通過發(fā)射器和接收器30次，共收集了900個數(shù)據(jù)包，每個數(shù)據(jù)里有30條子載波，我們選擇其中兩條子載波進行驗證，每個子載波被接收了9(3*3) 次。受試者有不同的身高、體重和體型。

在實驗期間，識別率即正確分類的概率作為主要的度量方式，實驗的主要結果分為兩部分:改變實驗條件后對本文方法的評估、使用其它方法替代本文分類方法后的效果評估。

我們需要確定4個閾值p,q,x和y的大小，并且確認同一個人的數(shù)據(jù)屬性是否穩(wěn)定，不同人的數(shù)據(jù)差異是否明顯。我們測試了5個不同的人，每個人作為一個對象，分為對象1，對象2，對象3，對象4和對象5，對象欄表示第幾個對象與第幾個對象進行對比，我們將一個人的一組數(shù)據(jù)與5個人(包括自己)的數(shù)據(jù)分別進行5次匹配并取平均，歸一化后的結果見表2。

表2 對比匹配

平均周期差反映了人的步行速度，而DTW匹配值則對整個步行過程進行了圖形評價，這些指標能夠被普遍的從每一對匹配的數(shù)據(jù)中提取，從表2中可以看出，為同一個人進行比對的各項指標普遍維持在較低的水平，而不同的人進行比對的各項指標的差別則相對較大，因此我們選擇的特征值是有效的。

我們發(fā)現(xiàn)，不同的人進行匹配得到的平均周期差與DTW相似值都較大，均峰值差與均谷值差則不太明顯。對數(shù)據(jù)特征進行分析，選定閾值p和q使得通過類中心向量法裁剪的樣本大約為樣本集的一半；選定閾值x和y使得錯誤判定被有效地篩選出來的同時正確的判定不受影響，對這5組數(shù)據(jù)的原始測量值進行計算，經(jīng)過測試，我們選定合理的參數(shù)值，閾值參數(shù)p為0.13，q為0.16，x為1.37，參數(shù)y為2.04，kNN中k的取值為7；

3.2 實驗結果分析

實驗分為4個部分：

(1)識別成功率隨著標記模板、模板數(shù)據(jù)集數(shù)量的變化；

(2)為實驗一改變DT-kNN方法里特征值的權重；

(3)將實驗環(huán)境換至無人的房間內(nèi)，其它參數(shù)不變的情況下進行第一個實驗；

(4)使用本文方法，與SRC或LBR的對比評估。

算法中初始默認權重值如下：平均周期差0.4，均峰值差0.1，均谷值差0.1，DTW相似度0.3，丟失率0.1。

3.2.1 識別成功率隨著標記模板數(shù)量的改變與樣本集的變化實驗

測試集選取6個模板中的數(shù)據(jù)；每個樣本集選取10個模板，每個模板選取5條樣本。保持測試集不變，當每個模板中的樣本數(shù)量逐漸增加到20個時，測量識別率的變化；保持測試集不變，增加樣本集中模板的個數(shù)到16個，測量識別率的變化。結果如圖5所示。

圖5 無干擾模板數(shù)量/樣本數(shù)量變化

當模板中數(shù)據(jù)個數(shù)較少時，識別率較低；增加從環(huán)境收集的模板數(shù)據(jù)數(shù)量可以持續(xù)改善識別率；兩種情況的識別率都將收斂于一個穩(wěn)定值，且當模板數(shù)量較少且模板數(shù)據(jù)數(shù)量較多時識別率收斂的速度更快，識別效果更好。

造成這種結果的原因是：在算法不能持續(xù)改善的情況下，大量增加模板數(shù)量降低了不同模板之間的差異性，伴隨著模板數(shù)據(jù)數(shù)量的增加，每個模板的特性變得更加穩(wěn)定，差異性也更加清晰的顯現(xiàn)出來了。因此，模板數(shù)據(jù)較少時識別率低，當模板數(shù)據(jù)數(shù)量增加到一定值，識別率將不再提升。

3.2.2 改變DT-kNN方法里特征值的權重效果實驗

設置如下：每組的測試集選取3個模板中的數(shù)據(jù)。樣本集選取10個模板，其中包含當前測試數(shù)據(jù)所屬于的模板，每個模板選取5條樣本數(shù)據(jù)。改變參數(shù)的權重測量識別率的變化，見表3。

設置不同權值會對識別率產(chǎn)生較大的影響丟失率對識別率的影響因素較大，平均周期長度和DTW相似度的權重增加也會有效增加識別率，這與預測是一致的。

表3 改進型kNN算法中不同權重對識別率的影響

3.2.3 將實驗環(huán)境換至無人的房間內(nèi)，其它參數(shù)不變的情況下進行第一個實驗

采用同樣的方法在不同環(huán)境下進行的實驗，結果如圖6所示，與3.2.1的實驗結果相比，識別率下降了，提高模板內(nèi)數(shù)據(jù)的數(shù)量仍然有效提高了識別率，這意味著我們構建的系統(tǒng)理論上是可移植的，但需要重新定義特征值的選取方法以適應新環(huán)境。

圖6 室內(nèi)無干擾模板數(shù)量/數(shù)據(jù)集數(shù)量變化

3.2.4 使用本文方法，與SRC或者LBR的對比評估

進一步評估該系統(tǒng)的性能，采用了另外兩種分類方法SRC或LBR替換DT-kNN進行分類，在相同環(huán)境下復現(xiàn)不同方法，識別率對比如圖7所示，設置了幾種不同的實驗環(huán)境,一個人在待測環(huán)境5 m外正常走動標記為輕度干擾，一個人在待測環(huán)境3 m內(nèi)正常走動標記為重度干擾，每個字母代表的含義如下：A走廊無干擾，B走廊輕度干擾，C走廊重度干擾，D實驗室無干擾，E實驗室內(nèi)輕度干擾。采用16個模板，每個模板中有15個樣本。

圖7 3種方法識別率對比

無論實驗環(huán)境在室內(nèi)還是在走廊，采用DT-kNN的識別率都高于另外3種，偶爾持平，這驗證了所選擇的數(shù)據(jù)截取方案和特征值選取方案的有效性。

4 結束語

本文提出了一種低成本可移植步態(tài)識別系統(tǒng)，對采集到的信息公平的使用可靠的數(shù)據(jù)處理方法抽取出不同數(shù)據(jù)具有的特征，使用改進后的kNN算法降低了計算成本。在所有實驗中，我們確保訓練和測試數(shù)據(jù)集不同。現(xiàn)有方法給出正確結果的概率達到92%。隨著模板數(shù)據(jù)樣本數(shù)量的增加，識別率得到有效提高。結果表明，該系統(tǒng)可以在小規(guī)模環(huán)境下有效對人類步態(tài)進行分類，與文獻[12-14]中已經(jīng)提出的方法相比，在模板人數(shù)較少時，方法的識別率與之區(qū)別不大，當提高模板的數(shù)量后，方法的性能下降約為9.6%，比其它方法更優(yōu)。