一種可用于入侵防范的步態(tài)識(shí)別方法研究

楊春生 化晨冰 王鳴鏑 黃振華 邵曉東 過(guò)其峰

1(國(guó)網(wǎng)臨沂供電公司 山東 臨沂 276003)2(國(guó)電南瑞安徽繼遠(yuǎn)電網(wǎng)技術(shù)有限責(zé)任公司 安徽 合肥 230088)

一種可用于入侵防范的步態(tài)識(shí)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(guò)其峰2

1(國(guó)網(wǎng)臨沂供電公司 山東 臨沂 276003)2(國(guó)電南瑞安徽繼遠(yuǎn)電網(wǎng)技術(shù)有限責(zé)任公司 安徽 合肥 230088)

提出一種可用于入侵防范系統(tǒng)中的步態(tài)識(shí)別方法。該方法以足底壓力信息為基礎(chǔ)，采用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行步態(tài)特征提取。首先，用壓力測(cè)試板采集行人的足底壓力信息并作相應(yīng)的預(yù)處理；然后，結(jié)合K均值聚類和卷積神經(jīng)網(wǎng)絡(luò)方法的自學(xué)習(xí)特性得到足底壓力信息的特征表示；最后，對(duì)所獲得的特征表示進(jìn)行分類識(shí)別。在典型數(shù)據(jù)集上的比較試驗(yàn)表明了該算法的有效性。

入侵防范 足底壓力信息 卷積神經(jīng)網(wǎng)絡(luò) 特征學(xué)習(xí) 步態(tài)識(shí)別

0 引 言

隨著社會(huì)的快速發(fā)展，人們對(duì)信息安全的要求越來(lái)越高。一些電力企業(yè)也越來(lái)越重視電網(wǎng)的安全性，因而對(duì)變電站巡檢檢修及相關(guān)運(yùn)維工作過(guò)程中區(qū)域入侵防范的技術(shù)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(duì)一些非法入侵行為進(jìn)行警戒并采取有效的應(yīng)對(duì)措施。而步態(tài)作為個(gè)體的行為特征，與個(gè)體的身體狀況和行走習(xí)慣息息相關(guān)，具有唯一性和防偽裝性。在采集步態(tài)信息時(shí)不易受外部環(huán)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(yīng)用價(jià)值很高[1-2]。因此，很多學(xué)者開始研究基于足底觸覺信息的步態(tài)識(shí)別技術(shù)，即將壓力測(cè)試板放置在地面，采集行人行走時(shí)足底的觸覺信息并進(jìn)行身份識(shí)別。這種方法目前在很多領(lǐng)域有廣泛的應(yīng)用，如醫(yī)學(xué)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(yīng)用于入侵防范系統(tǒng)中的步態(tài)識(shí)別方法，并通過(guò)壓力測(cè)試板采集到的足底觸覺信息進(jìn)行特征提取實(shí)驗(yàn)，驗(yàn)證該方法的可行性和有效性。主要步驟有：(1) 在需要進(jìn)行入侵防范的區(qū)域放置壓力測(cè)試板，并采集行人的足底壓力信息；(2) 對(duì)采集到的觸覺信息進(jìn)行預(yù)處理；(3) 對(duì)處理好的樣本進(jìn)行特征提取；(4) 利用提取到的特征在數(shù)據(jù)集上進(jìn)行驗(yàn)證實(shí)驗(yàn)。

1 數(shù)據(jù)采集和預(yù)處理

1.1 數(shù)據(jù)采集設(shè)備

本文驗(yàn)證實(shí)驗(yàn)使用的數(shù)據(jù)是由中科院合肥智能所提供的壓力測(cè)試板采集的，每塊壓力測(cè)試板的有效測(cè)試面積為60 cm×40 cm，包括60行40列(2 400個(gè))壓阻傳感器[3]。用定制的引接端引出各傳感器感應(yīng)信號(hào)，以100 Hz的采樣頻率掃描采集到的信號(hào)[4]。一旦有行人踩到壓力測(cè)試板上，傳感器接收到壓力信息的變化，其足底壓力數(shù)據(jù)就可以被準(zhǔn)確地測(cè)量，壓力測(cè)試板如圖1所示。采集足底壓力數(shù)據(jù)時(shí)，不易被發(fā)現(xiàn)、行人難以偽裝自己的足底壓力信息，而且在數(shù)據(jù)采集過(guò)程中不會(huì)受光照條件、背景環(huán)境復(fù)雜等因素的影響。

圖1 觸覺步態(tài)數(shù)據(jù)采集設(shè)備

1.2 足底壓力信息的采集

采集數(shù)據(jù)時(shí)，將壓力測(cè)試板放置于采集區(qū)域，當(dāng)行人靜止站立于壓力測(cè)量板上或走過(guò)壓力測(cè)試板時(shí)，記錄其足底壓力數(shù)據(jù)。數(shù)據(jù)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(gòu)成與測(cè)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(tǒng)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(duì)應(yīng)的壓力值矩陣；圖的下部顯示的足底總壓力值曲線?？梢钥闯霰徊杉咴谛凶哌^(guò)程中其足底總壓力值是不斷變化的，當(dāng)該曲線趨于穩(wěn)定時(shí)，說(shuō)明被采集者可能靜立于測(cè)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(wěn)定時(shí)，對(duì)應(yīng)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(shù)據(jù)

1.3 數(shù)據(jù)預(yù)處理

本文數(shù)據(jù)集規(guī)模是50，即采集了50人靜止站立和動(dòng)態(tài)行走時(shí)左、右腳壓力數(shù)據(jù)對(duì)靜止站立時(shí)采集的數(shù)據(jù)，選取足底總壓力曲線較穩(wěn)定的10幀圖像作為訓(xùn)練樣本，3幀圖像作為測(cè)試樣本；對(duì)行走時(shí)采集到的數(shù)據(jù)，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(xùn)練樣本，足底總壓力最大的一幀圖像為測(cè)試樣本。由于在進(jìn)行識(shí)別任務(wù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)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(gè)人的足底壓力圖像對(duì)應(yīng)的壓力值矩陣表示成行向量的形式。而每個(gè)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(gè)由足底壓力圖像表示成的行向量維數(shù)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(gè)腳印圖像的最小外接矩形(T1，T2,…,Tn)，根據(jù)外接矩形的邊長(zhǎng)求得矩形的中點(diǎn)，并將該中點(diǎn)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(gè)腳印圖像，則裁剪后的圖像大小相同，并保存每幅圖像對(duì)應(yīng)的壓力值矩陣(P1,P2,…,Pn)。

2 步態(tài)特征學(xué)習(xí)

特征的提取和選擇是分類識(shí)別問題中的關(guān)鍵步驟，得到的特征好壞直接影響到最終識(shí)別正確率[4]。深度學(xué)習(xí)通過(guò)構(gòu)建具有很多隱含層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型，來(lái)學(xué)習(xí)有用的特征，從而提升分類或預(yù)測(cè)的準(zhǔn)確性。其過(guò)程可以理解為：先用有標(biāo)簽的數(shù)據(jù)分層訓(xùn)練并調(diào)整各層參數(shù)，得到特征映射關(guān)系，再用該特征映射函數(shù)得到測(cè)試樣本的標(biāo)簽[5]。本文選用的是深度學(xué)習(xí)中CNN模型進(jìn)行自動(dòng)特征學(xué)習(xí)。

2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積網(wǎng)絡(luò)可以由輸入映射到輸出，用已有的模型訓(xùn)練卷積網(wǎng)絡(luò)，網(wǎng)絡(luò)就有了輸入與輸出對(duì)之間的數(shù)學(xué)關(guān)系[5-6]。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，Input(輸入數(shù)據(jù))與可訓(xùn)練的濾波器相卷積得到C1的特征映射圖，通過(guò)求和、加權(quán)等操作得到S2層的特征映射圖，C3層是對(duì)S2層的特征映射圖濾波得到的；重復(fù)進(jìn)行求和、加權(quán)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(gè)向量輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，得到輸出[5,7]。

圖3 CNN網(wǎng)絡(luò)結(jié)構(gòu)

2.2 基于CNN模型的步態(tài)特征提取框架

在CNN中，得到特征映射的過(guò)程可分為卷積和子采樣兩個(gè)子過(guò)程，如圖4所示。卷積過(guò)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(shù)據(jù)，fx為卷積濾波器。

子采樣過(guò)程有：相鄰四個(gè)像素值求和變成一個(gè)像素值，再進(jìn)行Wx+1、bx+1加權(quán)和偏置以及通過(guò)激勵(lì)函數(shù)sigmoid響應(yīng)得到特征映射圖Sx+1[5]。

圖4 CNN中卷積和采樣過(guò)程

本文特征提取算法是基于CNN模型的研究，其網(wǎng)絡(luò)的訓(xùn)練過(guò)程可以理解為：從訓(xùn)練樣本矩陣Tl(r×c)中隨機(jī)采樣a×b的小尺寸矩陣Ts，隨機(jī)采樣次數(shù)為n次，則組成采樣矩陣的維數(shù)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(guī)定聚類的每個(gè)類中心為局部特征x。計(jì)算得到對(duì)應(yīng)的特征為：

fs=σ(Wx×x+bx)

(2)

其中，Wx為網(wǎng)絡(luò)的權(quán)值，bx是網(wǎng)絡(luò)的偏差值,網(wǎng)絡(luò)由激勵(lì)函數(shù)sigmoid響應(yīng)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(gè)數(shù)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(shù)。將得到的特征作規(guī)范化處理，如：亮度對(duì)比度均一化，白化(消除數(shù)據(jù)為度之間的相關(guān)性)等。最后，輸入SVM分類器得到分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果與討論

先以30人的靜止站立時(shí)和行走過(guò)程中采集到足底壓力數(shù)據(jù)為例說(shuō)明本文算法的有效性。如圖5所示，兩條曲線分別為：靜態(tài)數(shù)據(jù)(靜止站立時(shí)采集的數(shù)據(jù))和動(dòng)態(tài)數(shù)據(jù)(行走時(shí)采集的數(shù)據(jù))的識(shí)別正確率與感受域變化的關(guān)系。本文實(shí)驗(yàn)所選的感受域均為行、列數(shù)相等的方陣，如rfsize等于5時(shí)，感受域?qū)崬?×5的矩陣。從圖中可以看出，靜態(tài)數(shù)據(jù)的識(shí)別正確率相對(duì)較高，且與感受域的變化相關(guān)性小。動(dòng)態(tài)數(shù)據(jù)的識(shí)別正確率也在一個(gè)較高的水平上，但隨著感受域的變化有較大波動(dòng)。在感受域?yàn)?×5時(shí)，靜態(tài)與動(dòng)態(tài)數(shù)據(jù)的識(shí)別正確率最接近；在感受域?yàn)?×4時(shí)，靜態(tài)與動(dòng)態(tài)數(shù)據(jù)的識(shí)別正確率都較好，故本文實(shí)驗(yàn)選用的感受域大小為4×4的矩陣。

圖5 靜態(tài)與動(dòng)態(tài)數(shù)據(jù)識(shí)別結(jié)果與感受域的關(guān)系

3.1 靜態(tài)數(shù)據(jù)識(shí)別結(jié)果分析

在采集的靜態(tài)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，分為左腳、右腳兩種情況討論，每種情況各做三組實(shí)驗(yàn)并取平均值，網(wǎng)絡(luò)感知域大小取4，識(shí)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(tài)識(shí)別中動(dòng)態(tài)部分方法，如利用不同區(qū)域最大壓力點(diǎn)之間及壓力中心點(diǎn)之間的歐式距離和壓力差作為特征[3]。并與文獻(xiàn)[3]中提到方法作為本文算法的對(duì)比實(shí)驗(yàn)。由表1可以看出，本文算法在靜態(tài)的足底壓力數(shù)據(jù)上可以得到很高的識(shí)別正確率，且基本維持在95%以上，與比較算法相比在識(shí)別正確率的穩(wěn)定性方面具有較大的優(yōu)勢(shì)。

表1 靜態(tài)識(shí)別正確率

3.2 動(dòng)態(tài)數(shù)據(jù)識(shí)別結(jié)果分析

在采集的動(dòng)態(tài)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，網(wǎng)絡(luò)感知域大小取4。對(duì)比算法選擇Yamakama等人提出的將足底圖像分成均勻的四個(gè)區(qū)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(gè)區(qū)域方法[10]，實(shí)驗(yàn)結(jié)果如表2所示。其中，本文方法與對(duì)比方法(四區(qū)域、八區(qū)域)分別就左腳、右腳及不分左右腳三種情況下做三次測(cè)試，對(duì)三次測(cè)試結(jié)果取平均值得到最終識(shí)別正確率。由表2可以看出，本文算法在進(jìn)行動(dòng)態(tài)數(shù)據(jù)的步態(tài)識(shí)別時(shí)無(wú)論是左右腳分開測(cè)試還是混合測(cè)試，其識(shí)別正確率均在80%以上，結(jié)果要好于其他兩種算法。這可能是因?yàn)閅amakama等人和Takeda等人提出的將腳底均勻的分成幾個(gè)的區(qū)域，沒有根據(jù)每個(gè)腳型特點(diǎn)動(dòng)態(tài)變化，因而所分的區(qū)域不能很好地表征被測(cè)試者的足底壓力信息。而本文直接將整個(gè)腳印圖像作為網(wǎng)絡(luò)的輸入，沒有丟失足底圖像的任何信息，也省去了劃分區(qū)域的過(guò)程，因此，在沒有復(fù)雜的預(yù)處理過(guò)程的前提下，最終識(shí)別正確率也相對(duì)較高。

表2 動(dòng)態(tài)識(shí)別正確率

通過(guò)在靜態(tài)數(shù)據(jù)集和動(dòng)態(tài)數(shù)據(jù)集上的識(shí)別實(shí)驗(yàn)說(shuō)明，當(dāng)網(wǎng)絡(luò)感知域和其他參數(shù)都相同的情況下，用CNN模型進(jìn)行步態(tài)識(shí)別時(shí)，對(duì)行人靜止站立于測(cè)試板上的識(shí)別效果比動(dòng)態(tài)行走時(shí)好。這可能是行人不停行走時(shí)足底壓力信息變化大，穩(wěn)定性不如靜止站立時(shí)好導(dǎo)致的。因此，將這種基于CNN模型和足底壓力信息的步態(tài)識(shí)別方法應(yīng)用到入侵防范系統(tǒng)中，入侵者的行為狀態(tài)對(duì)該方法能否識(shí)別入侵有很大的影響。

4 結(jié) 語(yǔ)

將CNN模型用于步態(tài)識(shí)別領(lǐng)域，不僅在數(shù)據(jù)預(yù)處理和特征提取計(jì)算量等方面都有一定的優(yōu)勢(shì)，其識(shí)別效果也比傳統(tǒng)算法好?；贑NN的步態(tài)識(shí)別方法應(yīng)用于入侵防范系統(tǒng)具有一定可行性和現(xiàn)實(shí)意義。如果對(duì)需要防范的區(qū)域進(jìn)行劃分并置入壓力測(cè)試板和報(bào)警器，通過(guò)分析進(jìn)入警戒區(qū)域行人的步態(tài)特征進(jìn)行身份識(shí)別，可以對(duì)非法入侵行為告警，并采取有效的應(yīng)對(duì)措施。該方法在門禁系統(tǒng)和考勤系統(tǒng)中也有一定的應(yīng)用前景和研究?jī)r(jià)值，未來(lái)的工作可以集中在進(jìn)一步提高算法的識(shí)別效果上。

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

[2] 徐蘇.基于步態(tài)觸覺特征的生物特征識(shí)別[D].中國(guó)科學(xué)技術(shù)大學(xué),2010.

[3] 梁棟,高瑋瑋,張艷,等.基于足底壓力圖像的靜態(tài)觸覺步態(tài)識(shí)別[J].華中科技大學(xué)學(xué)報(bào),2013,12(6):11-15.

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

[5] 孫志軍,薛磊,許陽(yáng)明,等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)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(lǐng)域：電力系統(tǒng)管理工作?；勘?，高級(jí)工程師。王鳴鏑，高級(jí)技師。黃振華，高級(jí)工程師。邵曉東，高級(jí)工程師。過(guò)其峰，工程師。

TP393

A

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