基于深度学习的野外智能手机步态识别
机器学习
2020-04-30 v3 信号处理
机器学习
摘要
与其他生物特征相比，步态难以隐藏且具有非侵扰性的优势。惯性传感器，如加速度计和陀螺仪，常用于捕捉步态动态。这些惯性传感器通常集成于智能手机中，并被普通人广泛使用，这使得步态数据的收集方便且廉价。在本文中，我们研究野外使用智能手机的步态识别。与传统方法常常要求人沿指定道路和/或以正常步行速度行走不同，所提方法在无约束条件下收集惯性步态数据，无需知晓用户何时、何地以及如何行走。为获得良好的人体识别与认证性能，提出了深度学习技术，基于行走数据学习并建模步态生物特征。具体而言，提出了一种混合深度神经网络用于鲁棒的步态特征表示，其中空间域和时间域特征由卷积神经网络和循环神经网络依次抽象。实验中，使用了智能手机收集的两个数据集共118名受试者进行评估。实验表明，所提方法在人体识别和认证上的准确率分别高于93.5%和93.7%。
引用
@article{arxiv.1811.00338,
title = {Deep Learning-Based Gait Recognition Using Smartphones in the Wild},
author = {Qin Zou and Yanling Wang and Qian Wang and Yi Zhao and Qingquan Li},
journal= {arXiv preprint arXiv:1811.00338},
year = {2020}
}
备注
IEEE Transactions on Information Forensics and Security, 15(1), 2020