《基于地垫压力传感器的步态识别系统》
文献综述
- 前言
人类的脚步可以为强健的生物识别系统提供独特的行为模式。我们在深度学习模型中提出了基于地板传感器数据的时空足迹表示，用于自动生物识别验证。这种模型提供了一种人工智能，能够有效区分生物识别系统的合法用户client和冒名顶替用户imposter之间细微的脚步变化。该方法在迄今最大的足迹数据库SFootBD中得到验证，该数据库包含来自120多个用户的近20，000个足迹信号。我们对深度剩余神经网络进行了特征分析，显示了客户足迹数据的有效聚类，并提供了特征学习过程的见解。
- 相关文献的研究现状
（一）对于步态数据获取的讨论
步态可以以各种模式感知，其中第一种是机器视觉方法，包括使用摄像机从远处捕捉步态信息。第二种是可穿戴传感器方法，旨在使用附着在人体上的传感器识别人体步态。第三种方法是根据人走过传感器监控的地板时产生的步态信号来识别人。D. Gafurov在“A survey of biometric gait recognition: Approaches,security and challenges”中有提到，这些方法的缺点是非常容易受到嘈杂环境条件的影响。从视频流中研究步态分析具有易受光照和交叉视角影响的缺点，而基于可穿戴传感器的方法可能会定位传感器，因为不同的位置提供不同的信号。有效的替代方案是来自地板传感器系统的生物识别和验证。脚步识别使用地板传感器系统上由客户脚步引起的地面反作用力(GRF)来构建用于客户识别或验证的生物识别系统。与通过视频进行的步态分析相反，地板传感器可以在黑暗中工作，并且在可能降低生物识别系统性能的环境条件下不太容易受到噪声的影响。在早期的研究中已经提出了从步态特征中提取区别特征的各种方法。 R.J. Orr在“The Smart Floor: A Mechanism for Natural User Identification and Tracking”里构建了一个地板传感器系统，用于测量单个脚步的力分布，而不是整个步态序列。R. Vera-Rodriguez则在“Assessment of a Footstep Biometric Verification System”中开发了一种定制垫，其上安装有压电传感器阵列，用于测量识别系统的力分布。两项研究都成功地证明了这种识别能力。在所有这些系统中，步态的关键方面是脚在地面上施加的力。从负载分布图中测量不同的特征，并且通过它们在该特征空间中的位置来识别人。
（二）对于步态数据处理的讨论
脚步识别使用地板传感器系统上由客户脚步引起的地面反作用力(GroundReactionForce,GRF)来构建用于客户识别或验证的生物识别系统。由于足迹GRF模式往往包含高度精细的GRF可变性，因此人类很难对其进行可视化评估。仅基于视觉感知的有效足迹识别是一个非常具有挑战性的问题，因为在某些情况下，用户内部的可变性很高，而用户之间的可变性很低。此外，与面部特征等其他生物特征相比，人类不习惯于识别这类图像中的自然细节。先进的计算模型，如机器学习，已经被用来试图解决客户和冒名顶替者之间的细粒度GRF可变性的差异。足迹特征提取和特征工程一直是自动足迹识别研究的焦点。特征工程涉及从足迹数据中仔细选择和设计复杂和耗时的手工特征，如J. E. Mason在“Machine Learning Techniques for Gait Biometric Recognition”中使用了几何、光谱、小波和整体特征工程等方法。用于生物识别应用的脚步识别系统关注非常小的脚步数据集，有时还受到不允许用户换鞋的限制。
（三）步态识别系统的设计
（1）设计原理
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
