基于腳步誘發(fā)結(jié)構(gòu)振動(dòng)的人員特征身份識(shí)別研究

侯興民， 李 冉， 張玉潔

(煙臺(tái)大學(xué) 土木工程學(xué)院， 山東 煙臺(tái) 264005)

身份識(shí)別在安全系統(tǒng)中具有重要作用，基于生物特征識(shí)別可以提供更高級(jí)別的安全識(shí)別精度。生物特征主要分為兩大類：靜態(tài)生理特征，比如面部特征、虹膜特征、指紋特征等；行為特征，比如步態(tài)特征、語音特征等。步態(tài)特征屬于人們在行走過程中特有的一種行為特征,相關(guān)研究證明每個(gè)人的步態(tài)特征都是唯一的[1]，它不僅與一個(gè)人日常行為有聯(lián)系，還與體重、鞋型和行走地面狀況有關(guān)。步態(tài)特征采集簡單，當(dāng)一個(gè)人行走時(shí)便可以采集腳步信號(hào)，不需要個(gè)人主動(dòng)識(shí)別，具有一定隱秘性，同其他生物特征一樣還有不可模仿以及無法復(fù)制等優(yōu)點(diǎn)[2]。因此,高精度的生物步態(tài)識(shí)別在安全與監(jiān)督以及個(gè)人行為識(shí)別方面有較大的應(yīng)用前景。

目前已有一些通過采集人員行走的腳步振動(dòng)的研究，表1中匯總了相關(guān)研究。通過穿戴設(shè)備獲取振動(dòng)信號(hào)，Bisio等[3]利用智能手機(jī)的加速度計(jì)信號(hào)在老年人和患者中進(jìn)行活動(dòng)狀態(tài)識(shí)別。采用SVM、決策樹進(jìn)行分類,并對其識(shí)別性能進(jìn)行了研究。然而，被測試者必須擁有智能手機(jī)才能進(jìn)行監(jiān)測，這樣很大程度限制了被測試者的正?；顒?dòng)；通過振動(dòng)傳感器獲取腳步信號(hào)方面,Pan等[4]提出了一種室內(nèi)識(shí)別系統(tǒng)，該系統(tǒng)利用振動(dòng)傳感器采集腳步信號(hào)并通過引起的地板振動(dòng)來識(shí)別不同的人。該研究僅限于無噪音的室內(nèi)環(huán)境，但通過使用SVM，達(dá)到了85%的準(zhǔn)確率。Jin等[5]利用振動(dòng)傳感器對車輛、人和動(dòng)物進(jìn)行了分類，利用小波變換對信號(hào)進(jìn)行特征提取使識(shí)別準(zhǔn)確率達(dá)到91.7%。Anchal等[6]通過采集腳步振動(dòng)信號(hào)預(yù)測了性別，數(shù)據(jù)集包含4名男性和4名女性測試者的腳步振動(dòng)信號(hào)，并測試使用各種機(jī)器學(xué)習(xí)方法，來提高分類精度，使用線性SVM達(dá)到94.56%的識(shí)別率；通過話筒獲取腳步聲信號(hào)方面，Hori等[7]提出了一種利用單個(gè)腳步信號(hào)的音頻部分進(jìn)行身份識(shí)別的系統(tǒng)，通過閾值處理自動(dòng)獲取單個(gè)腳步信號(hào)，提取腳步信號(hào)的梅爾頻譜特征圖作為特征，在樣本數(shù)據(jù)為4人情況下，平均識(shí)別率達(dá)到98%。Shoji等[8]使用梅爾頻率倒譜系數(shù)(MFCC)、行走間隔和頻譜包絡(luò)相似性作為特征，采用K-均值聚類算法作為分類工具。張瑞興等[9]通過分析腳步聲信號(hào)的時(shí)域波形圖，提取腳步聲的間隔時(shí)間和腳步聲的持續(xù)時(shí)間，組成特征向量作為腳步聲信號(hào)的特征參數(shù)，采用k近鄰算法測試人數(shù)為8人平均識(shí)別率達(dá)到88%，實(shí)現(xiàn)在安靜環(huán)境下基于腳步聲的身份識(shí)別。

基于上述分析，目前針對采用振動(dòng)傳感器獲取腳步振動(dòng)信號(hào)進(jìn)行個(gè)人身份識(shí)別的研究相對較少并且這些研究大都涉及到復(fù)雜的機(jī)器學(xué)習(xí)算法。本文直接對獲取到的單一腳步振動(dòng)信號(hào)進(jìn)行時(shí)域、頻域特征分析，選擇出特征參數(shù)之間的最優(yōu)組合，并利用Lib-SVM工具箱計(jì)算多名測試者的平均分類準(zhǔn)確率，通過設(shè)計(jì)多組腳步特征參數(shù)組合試驗(yàn)，驗(yàn)證了利用人員腳步振動(dòng)信號(hào)，進(jìn)行人員身份識(shí)別的可行性。

1 技術(shù)路線

基于腳步誘發(fā)結(jié)構(gòu)振動(dòng)的人員特征身份識(shí)別系統(tǒng)技術(shù)路線如圖1所示。包含4個(gè)步驟模塊：數(shù)據(jù)采集、事件檢測、特征提取、人員分類。

圖1 技術(shù)路線圖

(1) 數(shù)據(jù)采集模塊，在樓地板上布置振動(dòng)傳感器，獲取人員走動(dòng)時(shí)引起樓地板振動(dòng)的腳步信號(hào)；之后利用小波閾值去噪技術(shù)去除掉信號(hào)中的環(huán)境噪聲。

(2) 事件檢測模塊，獲取到去噪信號(hào)后，從一系列振動(dòng)信號(hào)中去除掉非腳步信號(hào)，之后檢測分離出單一腳步信號(hào)用于后續(xù)特征分析。

(3) 特征提取模塊，對單一腳步振動(dòng)信號(hào)從時(shí)域、頻域兩方面提取多個(gè)腳步特征參數(shù)，并對每位測試者信息進(jìn)行標(biāo)簽標(biāo)注，之后將每位測試者提取到的有效腳步特征參數(shù)，疊加組合成特征向量。

(4) 分類方法與評估，一旦特征被提取出來，利用分類工具箱，計(jì)算每位測試者的平均分類準(zhǔn)確性，并評估不同算法對分類結(jié)果的有效性。

2 腳步振動(dòng)身份特征識(shí)別系統(tǒng)

2.1 數(shù)據(jù)采集

行走時(shí)腳與地面碰撞產(chǎn)生振動(dòng)并發(fā)出聲音，因此，腳步聲可以通過采集行走時(shí)產(chǎn)生的振動(dòng)信號(hào)或聲音信號(hào)獲得。相比于腳步聲音信號(hào)，腳步振動(dòng)信號(hào)更能反映出人員的身份信息，人行走時(shí)產(chǎn)生的振動(dòng)信號(hào)頻率范圍為0～200 Hz[10]。

表1 腳步振動(dòng)事件識(shí)別人員身份方法

腳步振動(dòng)信號(hào)采集使用941B型拾振器(加速度檔位)，COINV 智能數(shù)據(jù)采集儀，以及用于示波顯示以及數(shù)據(jù)存儲(chǔ)的筆記本電腦。測試時(shí)，為了使傳感器與地面接觸良好，采用耦合劑將傳感器垂直固定在地面上，數(shù)據(jù)采集設(shè)備安放如圖2所示；采樣頻率設(shè)置為4 000 Hz，放大倍數(shù)選擇10倍，測試單位選擇加速度；被測人員在距離傳感器30 cm左右的位置上進(jìn)行一段直線距離的往復(fù)行走，記錄時(shí)間為300 s，保證每位測試人員能夠記錄到200以上個(gè)腳步脈沖事件。圖3中分別為單人、三人自由行走通過傳感器時(shí)腳步事件部分時(shí)域波形。

圖2 數(shù)據(jù)采集設(shè)備安放

(a) 單人自由行走

圖3所示即使在室內(nèi)安靜的環(huán)境中，采集的腳步振動(dòng)信號(hào)中也包含有一定的噪聲，這些噪聲來自于室內(nèi)背景噪聲、采集設(shè)備自身噪聲、信號(hào)傳輸過程中引入的噪聲等?？紤]到含有噪聲的腳步振動(dòng)信號(hào)會(huì)對后期的特征提取、識(shí)別等處理帶來誤差，對含有噪聲的腳步振動(dòng)信號(hào)進(jìn)行小波閾值降噪處理[11]。

小波閾值去噪的基本原理為，去除掉低于閾值的部分，保留高于閾值的部分。圖4為采用小波閾值去噪前后信號(hào)時(shí)域、頻域?qū)Ρ葓D。

(a) 去噪前時(shí)域信號(hào)

2.2 事件檢測

為濾除掉非腳步振動(dòng)信號(hào)，需要從采集的信號(hào)中去除環(huán)境噪聲信息。例如，采集過程中突然的開門聲，椅子挪動(dòng)或其他物體掉落下來產(chǎn)生的振動(dòng)噪聲。這種與腳步振動(dòng)信號(hào)類似的突發(fā)性振動(dòng)脈沖事件，對后續(xù)腳步特征的提取和人員身份識(shí)別產(chǎn)生不利影響。因此，從采集的信號(hào)中獲取全部腳步事件是必要的。

事件檢測技術(shù)用于檢測整個(gè)信號(hào)中事件(本文為腳步信號(hào))的存在和位置。圖5中標(biāo)記出三個(gè)腳步事件。前人的研究中使用基于閾值的技術(shù)檢測事件，STA/LTA(短時(shí)窗平均/長時(shí)窗平均)算法[12]和基于峰度事件檢測技術(shù)[13]以及利用信號(hào)的能量進(jìn)行事件檢測[14]。

然而直接將傳統(tǒng)的事件識(shí)別方法直接應(yīng)用到腳步事件識(shí)中并不能取得理想的識(shí)別精度。圖3中，單人行走在正常行走狀態(tài)下，會(huì)出現(xiàn)一系列連續(xù)的勻速脈沖信號(hào)。因?yàn)樗麄兊男凶咚俣仁且恢碌?，?dǎo)致引起的腳步振動(dòng)信號(hào)具有一定的周期性。完成一個(gè)步行周期，前腳掌跟后腳掌之間的距離通常是固定的。利用這一步行特征，提出采用改進(jìn)短時(shí)能量閾值檢測方法。

(a) 腳步時(shí)域信號(hào)

步驟2設(shè)置兩個(gè)能量閾值能量差閾值el和噪聲能量閾值tl，計(jì)數(shù)點(diǎn)閾值hdt。確定開始點(diǎn)，相鄰兩幀能量差滿足公式(1)中高于能量差閾值時(shí)，將前一點(diǎn)作為事件開始點(diǎn)，并進(jìn)入事件檢測階段。這一過程中一旦短時(shí)能量E(s)滿足公式(2)中低于能量閾值tl且Cout值達(dá)到計(jì)數(shù)點(diǎn)閾值hdt時(shí)，將低于tl時(shí)前一點(diǎn)作為事件結(jié)束點(diǎn)。

(1)

(2)

式中，Count為能量閾值計(jì)數(shù)點(diǎn)。

圖6為腳步事件的檢測結(jié)果，(a)為正常行走下腳步振動(dòng)信號(hào)的檢測結(jié)果，通過該方法成功分離出腳步事件起始位置；(b)、(c)、(d)依次為利用該方法從腳步正常行走周期過程中混入開門聲、彈球從1米高度掉落、書本從1米高度掉落三種突發(fā)性振動(dòng)脈沖事件情況下檢測出腳步事件，表明從混合信號(hào)中獲取腳步信號(hào)該方法具有很好的適用性。

(a)

2.3 特征選擇

特征選取在任何生物識(shí)別的過程中都起著至關(guān)重要的作用，特征識(shí)別的精度取決于特征選擇的獨(dú)特性。通過提取腳步事件在時(shí)域和頻域方面的相關(guān)特征來進(jìn)行人員識(shí)別。圖3中，同一位被測者腳步振動(dòng)信號(hào)的幅值隨著離傳感器距離的增加而減小。這樣同一個(gè)人在經(jīng)過傳感器時(shí)，會(huì)產(chǎn)生不一樣的腳步事件。為了消除這種距離的影響，Ekimov A等[15]在試驗(yàn)中，要求測試人員在建筑地板上半徑為1 m，寬度為0.2 m的圓形軌道內(nèi)行走。但是，這樣不可避免的改變了行人正常行走的姿態(tài)。

根據(jù)結(jié)構(gòu)動(dòng)力學(xué)原理[16]，結(jié)構(gòu)動(dòng)力響應(yīng)分析考慮的是輸入、輸出和結(jié)構(gòu)三個(gè)因素之間的關(guān)系。這里所謂的結(jié)構(gòu)可理解為傳感器布設(shè)的樓板，輸出則是測點(diǎn)記錄的速度時(shí)程，而輸入指的是引起該速度振動(dòng)時(shí)程產(chǎn)生的外力，即人行荷載。本文研究本質(zhì)上是一個(gè)結(jié)構(gòu)動(dòng)力學(xué)反問題：已知結(jié)構(gòu)和輸出，來反演輸入的腳步特征，通過速度時(shí)程及其頻譜提取腳步荷載的特征參數(shù)指標(biāo)，在線性范圍內(nèi)，這些特征參數(shù)指標(biāo)和輸入具有唯一的對應(yīng)關(guān)系。

2.3.1 時(shí)域指標(biāo)

(a) 時(shí)域腳步特征參數(shù)

2.3.2 頻域指標(biāo)

2.4 分類識(shí)別

支持向量機(jī)(support vector machine, SVM)由竇希杰等[17]首先提出的一種全新的機(jī)器學(xué)習(xí)方法,適用于小樣本分類。支持向量機(jī)的思想是建立一個(gè)分類超平面作為決策曲面，使得正例與反例之間的隔離邊緣被最大化；支持向量機(jī)的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論，是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)。對采集的多人信息進(jìn)行分類屬于多分類問題，目前SVM多分類器方法構(gòu)造主要是通過組合多個(gè)二分類器來實(shí)現(xiàn)多分類器的構(gòu)造，如“一對一”法、“一對多法”、層次支持向量機(jī)等。

“一對一”算法(one against one，OAO算法)就是在任意兩個(gè)樣本之間設(shè)計(jì)一個(gè)SVM，n個(gè)樣本類別就需要設(shè)計(jì)n(n-1)/2個(gè)二分類器，主要包括構(gòu)建p，q種類的二分類問題，如果樣本x屬于第p個(gè)分類，則q分類的權(quán)重增加1；否則，q分類的權(quán)重增加1。這樣x將屬于權(quán)重最高的分類。通過提取腳步事件不同方面的特征值組成特征矩陣作為輸入樣本來訓(xùn)練SVM分類器。并選取分類指標(biāo)對分類結(jié)果進(jìn)行評價(jià)。

3 實(shí)測案例分析

3.1 試驗(yàn)設(shè)置

腳步振動(dòng)信號(hào)的采集在煙臺(tái)大學(xué)土木館五樓西側(cè)走廊中完成，走廊長22.5 m，寬1.8 m，地板類型為大理石地板磚，采用脈動(dòng)法實(shí)測樓板豎向自振頻率為27.88 Hz,阻尼比為0.29%。傳感器位于一側(cè)墻體0.5 m處，選取走廊中間一段長9 m，寬1.8 m的區(qū)域進(jìn)行測試試驗(yàn)，為了排除其他環(huán)境噪聲因素的干擾，獲得更高的信噪比，測試時(shí)間選在晚上；測試儀器為941B型拾振器，智能采集儀，采樣頻率設(shè)置為4 000 Hz，傳感器放置在離墻面0.5 m的位置。測試時(shí)，每位測試者單獨(dú)在走廊上反復(fù)沿直線行走20次，每次行走距離為9 m，每次可采集10～12個(gè)腳步振動(dòng)信號(hào)，選擇離傳感器最近的5個(gè)腳步振動(dòng)信號(hào)進(jìn)行分析。

圖8 試驗(yàn)測試環(huán)境

3.2 試驗(yàn)仿真與分析

試驗(yàn)采用自建數(shù)據(jù)庫進(jìn)行訓(xùn)練與分類，每位測試者采集300 s振動(dòng)信號(hào)，利用改進(jìn)短時(shí)能量閾值檢測方法，選取出每位測試者有效腳步事件，10名測試者共獲取500個(gè)有效腳步事件并計(jì)算出每位測試者有效腳步事件的16個(gè)腳步特征參數(shù)值，將不同測試者同一腳步特征參數(shù)繪制到同一張圖中，橫軸均為測試者編號(hào)，縱軸為不同腳步特征參數(shù)值其單位根據(jù)物理意義確定，無量綱單位均用幅值來表示，10位測試者采集到的腳步特征信息如圖9所示。

對比不同測試者腳步特征參數(shù)發(fā)現(xiàn)，相同特征下，同一位測試者計(jì)算得到的腳步特征值并不是一個(gè)定值，這是由于測得的腳步信號(hào)中含有不可避免的環(huán)境噪聲，但是每個(gè)人的腳步特征值均分布在一個(gè)離散的特定區(qū)間中。比如，波谷值最小值(F5)、峰值點(diǎn)的個(gè)數(shù)(F6)、均值(F7)、峰值因子(F10)、峭度因子(F11)、前五個(gè)峰值點(diǎn)的均值頻率(F14)、偏度(F15)、峰度(F16)。同一特征之間，不同測試者之間存在特征數(shù)值疊加情況，比如，持續(xù)時(shí)間(F1)中測試者8、9之間相同特征值個(gè)數(shù)達(dá)到8個(gè)，說明僅選用單一腳步特征值并不能作為人員區(qū)分的有效特征值。表2中，分別計(jì)算出了不同人員之間的腳步特征值的平均值，發(fā)現(xiàn)不同人員之間平均腳步特征值之間并不相同，可以將不同腳步特征組合起來，作為人員識(shí)別的依據(jù)。

3.2.1 試驗(yàn)一

為了獲取不同人員數(shù)量之間的識(shí)別率，本研究選取2.3節(jié)中16個(gè)腳步特征參數(shù)，使用采集到的500個(gè)有效腳步事件，來構(gòu)建特征向量。利用Lib-SVM工具箱RBF核函數(shù)進(jìn)行分類模型訓(xùn)練，并統(tǒng)計(jì)訓(xùn)練不同人數(shù)時(shí)分類模型的平均分類準(zhǔn)確率。

由表3可以看出，采用16個(gè)腳步特征參數(shù)，進(jìn)行10人分類識(shí)別，平均識(shí)別率僅達(dá)到79.21%。說明選取這些腳步特征參數(shù)中有一些并不能為模型分類提供很好的準(zhǔn)確性。

表3 SVM模型下不同人數(shù)的平均分類準(zhǔn)確率

3.2.2 試驗(yàn)二

為了進(jìn)一步提高10名測試人員下分類準(zhǔn)確率，選取最優(yōu)數(shù)據(jù)特征，Joes等[18]通過從總特征中選取不同數(shù)量特征進(jìn)行排列組合，選取最優(yōu)特征組合來對相同樣本數(shù)目下識(shí)別精確度進(jìn)行提高，最終通過該方法提高了5%的識(shí)別率。但是該方法使用的特征選取組合多，分類時(shí)間長。本試驗(yàn)中采用皮爾遜相關(guān)系數(shù)法[19]，繪制出不同特征之間的熱力圖。圖10表示選取的16個(gè)腳步特征參數(shù)進(jìn)行相關(guān)性分析，對兩兩特征之間，相關(guān)系數(shù)在0～0.2進(jìn)行選取，選擇出腳步信號(hào)的持續(xù)時(shí)間(F1)、信號(hào)下降時(shí)間(F3)、波峰值最大值(F4)、波谷值最小值(F5)、稍度(F9)、峰值因子(F10)、峰值點(diǎn)頻率(F12)、直流分量(F13)、前五個(gè)峰值點(diǎn)的均值(F14)、功率譜密度形狀統(tǒng)計(jì)特征(F16)共10個(gè)腳步特征參數(shù)，并利用上述分類器進(jìn)行分類識(shí)別，平均分類準(zhǔn)確率達(dá)到91%，相較于試驗(yàn)一10人平均分類準(zhǔn)確率提高了11.79%。分類測試結(jié)果如圖11所示。

圖10 特征選擇熱力圖

3.2.3 試驗(yàn)三

試驗(yàn)一、二中進(jìn)行分類均采用Lib-SVM中的RBF核函數(shù)進(jìn)行分類準(zhǔn)確率的識(shí)別。為了提高分類的準(zhǔn)確性，本試驗(yàn)中采用試驗(yàn)二中選取的10個(gè)腳步特征參數(shù)，分別在總?cè)藬?shù)3、5、7、10人樣本情況下，單獨(dú)一人自由行走通過傳感器時(shí)，采用線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)三種情況下對分類準(zhǔn)確率的影響。結(jié)果顯示，3、5人情況下三種核函數(shù)均具有相同的平均分類準(zhǔn)確率，7、10人情況下，采用線性核函數(shù)取得平均分類準(zhǔn)確率最高，10人情況下平均分類準(zhǔn)確率達(dá)到96%。通過對比可以看出對于該數(shù)據(jù)，采用線性函數(shù)作為核函數(shù)，最終的分類準(zhǔn)確率最高。

圖11 分類結(jié)果圖

3.3 分析與討論

(1) 通過進(jìn)行腳步特征參數(shù)選取，比較不同分類器核函數(shù)，識(shí)別人數(shù)為10人情況下，平均識(shí)別率達(dá)到96%，說明分類器在小樣本情況下，具有較準(zhǔn)確的識(shí)別率。

(2) 使用SVM做分類預(yù)測時(shí)，需要設(shè)置的主要參數(shù)是懲罰參數(shù)c和核函數(shù)參數(shù)g，本試驗(yàn)中將參數(shù)c和g的初始取值范圍為2-10～210，使其在2的指數(shù)范圍的網(wǎng)格內(nèi)進(jìn)行離散化查找，使用此參數(shù)建立的分類模型對數(shù)據(jù)的總體識(shí)別準(zhǔn)確率為96%。

圖12 不同人數(shù)下不同核函數(shù)識(shí)別結(jié)果

4 結(jié) 論

本文中，通過采集人員行走引起的腳步振動(dòng)信號(hào)，分析單一腳步特征參數(shù)，證明了提取有效腳步特征組合可以作為區(qū)分不同人員身份的依據(jù)，并得出以下結(jié)論：

(1) 相比于采用傳統(tǒng)事件檢測方法對腳步信號(hào)識(shí)別率不高，采用小波閾值降噪結(jié)合改進(jìn)的短時(shí)能量閾值檢測法對獲取腳步事件具有準(zhǔn)確的識(shí)別性能。

(2) 本研究中，提取腳步事件在時(shí)域、頻域共10個(gè)腳步特征參數(shù)組成最優(yōu)特征組合，采用支持向量機(jī)進(jìn)行分類識(shí)別，試驗(yàn)表明，測試人數(shù)為3、5人時(shí)平均識(shí)別率均為100%，10人平均識(shí)別率最高達(dá)96%。證明了利用該方法，在小樣本情況下，對人員進(jìn)行身份識(shí)別的可行性。

(3) 試驗(yàn)設(shè)備僅需一個(gè)振動(dòng)傳感器采集腳步振動(dòng)信號(hào)，設(shè)備安裝布置簡單，試驗(yàn)成本低。數(shù)據(jù)處理僅對單一腳步分析，計(jì)算量小分類效率高。

本研究還有如下問題值得做進(jìn)一步工作：腳步振動(dòng)信號(hào)受到不同地板類型、不同測試環(huán)境、不同鞋型等因素的影響，因此需要考慮上述因素，對腳步特征參數(shù)進(jìn)一步優(yōu)化，提高特征參數(shù)的普適性和有效性；隨著識(shí)別人員數(shù)量的增加，人員識(shí)別精度也相應(yīng)下降，為了更加符合實(shí)際應(yīng)用后續(xù)需要增加測試人員數(shù)量；目前對腳步振動(dòng)信號(hào)的采集均是限定測試者進(jìn)行單人行走，實(shí)際應(yīng)用中多人行走是不可避免的，后續(xù)工作需要考慮多人行走情況下腳步振動(dòng)信號(hào)檢測與人員識(shí)別。