杨春生 化晨冰 王鸣镝 黄振华 邵晓东 过其峰

1(国网临沂供电公司 山东 临沂 276003)2(国电南瑞安徽继远电网技术有限责任公司 安徽 合肥 230088)

一种可用于入侵防范的步态识别方法研究

杨春生1化晨冰1王鸣镝1黄振华1邵晓东1过其峰2

1(国网临沂供电公司 山东 临沂 276003)2(国电南瑞安徽继远电网技术有限责任公司 安徽 合肥 230088)

提出一种可用于入侵防范系统中的步态识别方法。该方法以足底压力信息为基础，采用卷积神经网络模型进行步态特征提取。首先，用压力测试板采集行人的足底压力信息并作相应的预处理；然后，结合K均值聚类和卷积神经网络方法的自学习特性得到足底压力信息的特征表示；最后，对所获得的特征表示进行分类识别。在典型数据集上的比较试验表明了该算法的有效性。

入侵防范 足底压力信息 卷积神经网络 特征学习 步态识别

0 引 言

随着社会的快速发展，人们对信息安全的要求越来越高。一些电力企业也越来越重视电网的安全性，因而对变电站巡检检修及相关运维工作过程中区域入侵防范的技术研究就很有必要。本文旨在研究一种可用于防范入侵问题的方法，这样就能对一些非法入侵行为进行警戒并采取有效的应对措施。而步态作为个体的行为特征，与个体的身体状况和行走习惯息息相关，具有唯一性和防伪装性。在采集步态信息时不易受外部环境，如光照、天气状况等的影响，也不存在背景干扰和遮挡问题，应用价值很高[1-2]。因此，很多学者开始研究基于足底触觉信息的步态识别技术，即将压力测试板放置在地面，采集行人行走时足底的触觉信息并进行身份识别。这种方法目前在很多领域有广泛的应用，如医学行为感知、行人身份辨别等，也取得了一定的成果[3-4]。

本文提出一种可应用于入侵防范系统中的步态识别方法，并通过压力测试板采集到的足底触觉信息进行特征提取实验，验证该方法的可行性和有效性。主要步骤有：(1) 在需要进行入侵防范的区域放置压力测试板，并采集行人的足底压力信息；(2) 对采集到的触觉信息进行预处理；(3) 对处理好的样本进行特征提取；(4) 利用提取到的特征在数据集上进行验证实验。

1 数据采集和预处理

1.1 数据采集设备

本文验证实验使用的数据是由中科院合肥智能所提供的压力测试板采集的，每块压力测试板的有效测试面积为60 cm×40 cm，包括60行40列(2 400个)压阻传感器[3]。用定制的引接端引出各传感器感应信号，以100 Hz的采样频率扫描采集到的信号[4]。一旦有行人踩到压力测试板上，传感器接收到压力信息的变化，其足底压力数据就可以被准确地测量，压力测试板如图1所示。采集足底压力数据时，不易被发现、行人难以伪装自己的足底压力信息，而且在数据采集过程中不会受光照条件、背景环境复杂等因素的影响。

图1 触觉步态数据采集设备

1.2 足底压力信息的采集

采集数据时，将压力测试板放置于采集区域，当行人静止站立于压力测量板上或走过压力测试板时，记录其足底压力数据。数据保存为csv表格形式，表格中的值即为被采集者足底压力的值，这些压力值构成与测试板中传感器的排列方式相同的60×40的矩阵[4]。图2是该系统采集到的足底压力信息示例, 图的左上半部分显示的被采集者足底压力图像，右上半部分是足底压力图像对应的压力值矩阵；图的下部显示的足底总压力值曲线。可以看出被采集者在行走过程中其足底总压力值是不断变化的，当该曲线趋于稳定时，说明被采集者可能静立于测试板。由此可知，采集到的足底总压力最大或足底总压力趋于稳定时，对应的脚底图像较完整，能较好地表示被采集者的足底压力信息。

图2 足底压力数据

1.3 数据预处理

本文数据集规模是50，即采集了50人静止站立和动态行走时左、右脚压力数据对静止站立时采集的数据，选取足底总压力曲线较稳定的10帧图像作为训练样本，3帧图像作为测试样本；对行走时采集到的数据，选取足底总压力最大、足迹信息较完整的一帧及其前后各一帧图像为训练样本，足底总压力最大的一帧图像为测试样本。由于在进行识别任务时，卷积神经网络的输入数据是很多人脚底图像组成的多维足底压力值矩阵，因此，需要将每个人的足底压力图像对应的压力值矩阵表示成行向量的形式。而每个人的脚大小不一样，采集的足底压力图像也有不同的大小，为了保证各个由足底压力图像表示成的行向量维数相同，要将所有足底压力图像裁剪成相同大小的图像。具体的裁剪步骤如下：

(1) 求每个脚印图像的最小外接矩形(T1，T2,…,Tn)，根据外接矩形的边长求得矩形的中点，并将该中点定义为图像的中心(Q1,Q2,…,Qn)；

(2) 比较所有外接矩形的大小，记Ti=max(T1,T2,…,Tn)；

(3) 以Ti和(Q1,Q2,…,Qn)裁剪各个脚印图像，则裁剪后的图像大小相同，并保存每幅图像对应的压力值矩阵(P1,P2,…,Pn)。

2 步态特征学习

特征的提取和选择是分类识别问题中的关键步骤，得到的特征好坏直接影响到最终识别正确率[4]。深度学习通过构建具有很多隐含层结构的机器学习模型，来学习有用的特征，从而提升分类或预测的准确性。其过程可以理解为：先用有标签的数据分层训练并调整各层参数，得到特征映射关系，再用该特征映射函数得到测试样本的标签[5]。本文选用的是深度学习中CNN模型进行自动特征学习。

2.1 卷积神经网络(CNN)

卷积网络可以由输入映射到输出，用已有的模型训练卷积网络，网络就有了输入与输出对之间的数学关系[5-6]。卷积神经网络结构如图3所示，Input(输入数据)与可训练的滤波器相卷积得到C1的特征映射图，通过求和、加权等操作得到S2层的特征映射图，C3层是对S2层的特征映射图滤波得到的；重复进行求和、加权得到S4层特征映射图；最后，将得到的特征映射图连接成一个向量输入到传统的神经网络，得到输出[5,7]。

图3 CNN网络结构

2.2 基于CNN模型的步态特征提取框架

在CNN中，得到特征映射的过程可分为卷积和子采样两个子过程，如图4所示。卷积过程的操作是：

Cx=Dinput⊗fx

(1)

其中，Cx是卷积操作得到的卷积特征图，Dinput为输入数据，fx为卷积滤波器。

子采样过程有：相邻四个像素值求和变成一个像素值，再进行Wx+1、bx+1加权和偏置以及通过激励函数sigmoid响应得到特征映射图Sx+1[5]。

图4 CNN中卷积和采样过程

本文特征提取算法是基于CNN模型的研究，其网络的训练过程可以理解为：从训练样本矩阵Tl(r×c)中随机采样a×b的小尺寸矩阵Ts，随机采样次数为n次，则组成采样矩阵的维数是n×a×b。其中，a×b称为感受域[8]。局部特征是由K均值聚类算法得到的，即在采样矩阵上聚类，规定聚类的每个类中心为局部特征x。计算得到对应的特征为：

fs=σ(Wx×x+bx)

(2)

其中，Wx为网络的权值，bx是网络的偏差值,网络由激励函数sigmoid响应得到fs。将得到的特征fs做卷积，得到卷积后的特征矩阵X。最终特征个数n为：

n=k×(r-a+1)×(c-b+1)

(3)

式中k为K均值聚类的类中心数。将得到的特征作规范化处理，如：亮度对比度均一化，白化(消除数据为度之间的相关性)等。最后，输入SVM分类器得到分类结果。

3 实验结果与讨论

先以30人的静止站立时和行走过程中采集到足底压力数据为例说明本文算法的有效性。如图5所示，两条曲线分别为：静态数据(静止站立时采集的数据)和动态数据(行走时采集的数据)的识别正确率与感受域变化的关系。本文实验所选的感受域均为行、列数相等的方阵，如rfsize等于5时，感受域实为5×5的矩阵。从图中可以看出，静态数据的识别正确率相对较高，且与感受域的变化相关性小。动态数据的识别正确率也在一个较高的水平上，但随着感受域的变化有较大波动。在感受域为5×5时，静态与动态数据的识别正确率最接近；在感受域为4×4时，静态与动态数据的识别正确率都较好，故本文实验选用的感受域大小为4×4的矩阵。

图5 静态与动态数据识别结果与感受域的关系

3.1 静态数据识别结果分析

在采集的静态数据集上进行实验，分为左脚、右脚两种情况讨论，每种情况各做三组实验并取平均值，网络感知域大小取4，识别正确率如表1所示。其中，一般算法为参考基于足底压力信息的步态识别中动态部分方法，如利用不同区域最大压力点之间及压力中心点之间的欧式距离和压力差作为特征[3]。并与文献[3]中提到方法作为本文算法的对比实验。由表1可以看出，本文算法在静态的足底压力数据上可以得到很高的识别正确率，且基本维持在95%以上，与比较算法相比在识别正确率的稳定性方面具有较大的优势。

表1 静态识别正确率

3.2 动态数据识别结果分析

在采集的动态数据集上进行实验，网络感知域大小取4。对比算法选择Yamakama等人提出的将足底图像分成均匀的四个区域方法[9]和Takeda等人提出的将足底图像分成近似均匀的八个区域方法[10]，实验结果如表2所示。其中，本文方法与对比方法(四区域、八区域)分别就左脚、右脚及不分左右脚三种情况下做三次测试，对三次测试结果取平均值得到最终识别正确率。由表2可以看出，本文算法在进行动态数据的步态识别时无论是左右脚分开测试还是混合测试，其识别正确率均在80%以上，结果要好于其他两种算法。这可能是因为Yamakama等人和Takeda等人提出的将脚底均匀的分成几个的区域，没有根据每个脚型特点动态变化，因而所分的区域不能很好地表征被测试者的足底压力信息。而本文直接将整个脚印图像作为网络的输入，没有丢失足底图像的任何信息，也省去了划分区域的过程，因此，在没有复杂的预处理过程的前提下，最终识别正确率也相对较高。

表2 动态识别正确率

通过在静态数据集和动态数据集上的识别实验说明，当网络感知域和其他参数都相同的情况下，用CNN模型进行步态识别时，对行人静止站立于测试板上的识别效果比动态行走时好。这可能是行人不停行走时足底压力信息变化大，稳定性不如静止站立时好导致的。因此，将这种基于CNN模型和足底压力信息的步态识别方法应用到入侵防范系统中，入侵者的行为状态对该方法能否识别入侵有很大的影响。

4 结 语

将CNN模型用于步态识别领域，不仅在数据预处理和特征提取计算量等方面都有一定的优势，其识别效果也比传统算法好。基于CNN的步态识别方法应用于入侵防范系统具有一定可行性和现实意义。如果对需要防范的区域进行划分并置入压力测试板和报警器，通过分析进入警戒区域行人的步态特征进行身份识别，可以对非法入侵行为告警，并采取有效的应对措施。该方法在门禁系统和考勤系统中也有一定的应用前景和研究价值，未来的工作可以集中在进一步提高算法的识别效果上。

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

[2] 徐苏.基于步态触觉特征的生物特征识别[D].中国科学技术大学,2010.

[3] 梁栋,高玮玮,张艳,等.基于足底压力图像的静态触觉步态识别[J].华中科技大学学报,2013,12(6):11-15.

[4] 夏懿,马祖长,姚志明,等.基于足底压力分布时空HOG特征的步态识别方法[J].模式识别与人工智能,2013,26(6):529-536.

[5] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,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。杨春生，工程师，主研领域：电力系统管理工作。化晨冰，高级工程师。王鸣镝，高级技师。黄振华，高级工程师。邵晓东，高级工程师。过其峰，工程师。

TP393

A

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