利用异构地板结构上的步态诱发地板振动进行持续人员识别

人员识别对于智能建筑提供个性化服务（如健康监测、活动跟踪和人员管理）非常重要。然而，先前的人员识别依赖于每个人的预收集数据，这在许多建筑和公共场所是不切实际的，因为访客通常是预期的。这就需要一个能够在线逐步学习人员身份的持续人员识别系统。现有研究使用相机来实现这一目标，但它们需要直接视线并且在公共场合也引发了隐私担忧。可穿戴设备和压力传感器等其他模态受限于设备携带或密集部署的要求。因此，先前研究引入了步态诱发结构振动感知，该方法无侵入性且被认为更具隐私友好性。然而，该方法面临一个重大挑战：由于结构异质性和人类步态差异导致的振动数据高变异性，这使得在线人员识别算法表现不佳。在本文中，我们刻画了步态诱发结构振动数据中的变异性以实现准确的在线人员识别。为此，我们量化并分解了不同变异性来源，然后设计了一个特征变换函数以减少每个人数据内的变异性，从而使不同人员的数据更具可分性。我们通过 20 人的实地实验评估了我们的方法。结果显示变异性减少了 70%，在线人员识别准确率达到 90%。