[发明专利]一种基于轻量注意力卷积神经网络的步态识别方法和系统

说明书

本发明公开一种基于轻量注意力卷积神经网络的步态识别方法和系统。该方法包括：将采集的三轴加速度和三轴角速度步态数据输入轻量级卷积神经网络提取步态特征，该轻量级卷积神经网络在时间轴上进行一维卷积计算，分别提取加速度单轴信号和角速度单轴信号内的特征，并采用二维卷积对所提取的六轴信号特征融合；对于轻量级卷积神经网络输出的特征图，根据各通道的上下文编码信息计算各通道的注意力权重参数；对于轻量级卷积神经网络输出的每一个通道的特征图，使用深度可分离卷积进一步提取特征后与对应通道注意力权重参数进行相乘从而增强特征，增强后的特征被用于分类进而实现步态识别。利用本发明能够降低模型的复杂度并提高步态识别准确性。

技术领域

本发明涉及计算机应用技术领域，更具体地，涉及一种基于轻量注意力卷积神经网络的步态识别方法和系统。

背景技术

近年来，可穿戴智能设备的种类(如智能手机、智能手表等)和数量取得了惊人的增长，其应用也变得越来越普遍，包括移动支付、即时通讯、社交娱乐、定位导航、远程办公和健康检测等。可穿戴智能设备的普及给人们的生活带来了极大的便利，但由于在使用过程中它们可能存储和收集了个人敏感信息，随之而来的是高度的隐私泄露风险，这使得可穿戴智能设备的安全问题备受关注和重视。身份识别作为保护信息安全的第一道关卡，具有举足轻重的作用。基于可穿戴智能设备的步态识别是一种有效的身份识别方法，它通过个体独特的行走方式来识别其身份，具有远距离、主动、实时和连续识别等优点。目前，采用深度学习技术进行步态识别已经实现了显着的性能提升，并成为一种新的有前途的趋势。然而，大多数现有研究只是着眼于提高识别精度，它们的网络模型通常具有较高的复杂度，忽略了轻量模型对计算能力和存储资源有限的可穿戴智能设备的重要性。

在现有技术中，生物识别技术是用于可穿戴智能设备访问控制的最新技术，它根据人类独特、稳定和可测量的生理特征或行为特征识别个体身份。生理特征主要包括人脸、指纹和虹膜等，而行为特征与一个人的行为模式有关，包括步态、签名等。尽管基于生理特征的生物识别技术已被广泛使用，但是它们也存在许多无法克服的缺点。首先，用于获取生理特征的传感器(例如指纹扫描仪，相机等)价格昂贵并且尺寸大，这增加了可穿戴智能设备的重量和成本。其次，生理特征如指纹、人脸等存在被复制的风险，如3D打印可轻易复制用户的指纹用于解锁设备等。最后，基于生理特征的生物识别技术需要用户与设备之间进行显式交互，无法实现远距离、主动、实时和连续的身份识别，当设备在解锁状态丢失时，安全风险是巨大的。

步态作为一种行为特征，指的是人体的步行姿态。研究表明，每个人的步态具有独特性和稳定性，很难被模仿或复制。基于步态的身份识别(步态识别)不需要用户和设备之间进行明确的交互，是一种主动、实时和连续的身份识别方法，具有很高的安全性。随着微电子技术的发展，体积小、低功耗和低成本的惯性传感器几乎集成在所有的可穿戴智能设备中，这使得使用可穿戴智能设备来获取步态信息，并通过相应的算法来实现用户身份识别成为可能。基于可穿戴智能设备的步态身份识别技术受到了国内外学者广泛的关注和研究。目前基于可穿戴智能设备的步态识别方法主要包括三类：模板匹配方法、机器学习方法和深度学习方法。

模板匹配方法通过计算并比较可穿戴智能设备中存储的步态模板和待检测的步态周期之间的相似度来识别用户的身份，如果相似度高于预先设定的阈值，则将用户识别为合法用户。用于计算相似度的方法主要包括动态时间规整(DTW)，皮尔逊相关系数(PCC)和互相关等。目前，已有许多研究提出了不同的模板匹配方法，并在实验室条件下取得了良好的性能。然而，模板匹配方法需要检测步态周期以构建步态模板和测试样本，而步态周期检测是一项具有挑战性的工作，因为它对噪声和设备位置很敏感，步速、道路条件和设备位置的变化都很容易导致步态周期检测失败或步态周期内的相位丢失，而这将导致错误的识别决策。因此，模板匹配方法在鲁棒性和准确性上尚不能满足实际应用的需求。