为提高现有基于智能手机加速度传感器的步态身份识别方法的性能,提出一种基于典型步态周期提取的身份识别方法。针对现有方法中存在的周期检测错误和周期间的相位偏差问题,采用形状上下文和线性时间归一化(linear time normalization,L...为提高现有基于智能手机加速度传感器的步态身份识别方法的性能,提出一种基于典型步态周期提取的身份识别方法。针对现有方法中存在的周期检测错误和周期间的相位偏差问题,采用形状上下文和线性时间归一化(linear time normalization,LTN)相结合的方法对步态周期做序列校准匹配,从中提取典型步态周期来表征整个步态,为检测该方法的性能,采集40个志愿者的步态数据,利用1NN分类算法完成身份识别。实验结果表明,SC-LTN算法的平均正确识别率达96%,验证该方法提取的典型周期能有效用于身份识别。展开更多
文摘为提高现有基于智能手机加速度传感器的步态身份识别方法的性能,提出一种基于典型步态周期提取的身份识别方法。针对现有方法中存在的周期检测错误和周期间的相位偏差问题,采用形状上下文和线性时间归一化(linear time normalization,LTN)相结合的方法对步态周期做序列校准匹配,从中提取典型步态周期来表征整个步态,为检测该方法的性能,采集40个志愿者的步态数据,利用1NN分类算法完成身份识别。实验结果表明,SC-LTN算法的平均正确识别率达96%,验证该方法提取的典型周期能有效用于身份识别。
