基于多分類器融合的步態(tài)識(shí)別方法

郇戰(zhàn) 陳學(xué)杰 呂士云 耿宏楊

摘 要：為了提高現(xiàn)有基于智能手機(jī)加速度傳感器步態(tài)身份識(shí)別的性能，提出了一種基于多分類器融合（MCF）的識(shí)別方法。首先，針對(duì)現(xiàn)有方法所提取的步態(tài)特征較為單一的問題，對(duì)單個(gè)步態(tài)周期提取相對(duì)勻變加速度的速度變化量，以及單位時(shí)間內(nèi)加速度變化量作為兩類新特征（共16個(gè)）;其次，將新特征結(jié)合常用的時(shí)域、頻域特征組成新的特征集，用于訓(xùn)練識(shí)別效果與訓(xùn)練時(shí)間俱佳的多個(gè)分類器;最后，采用多尺度投票法（MSV）對(duì)多分類器的輸出進(jìn)行融合處理，得到最終的分類結(jié)果。為了檢測(cè)該方法的性能，采集了32個(gè)志愿者的步態(tài)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，新特征對(duì)于單個(gè)分類器的識(shí)別率平均提升5.95個(gè)百分點(diǎn)，最終通過MSV融合算法的識(shí)別率為97.78%。

關(guān)鍵詞：多分類器融合;融合算法;多尺度投票法;步態(tài)特征;運(yùn)動(dòng)特征

中圖分類號(hào)： TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2019）03-0712-07

Abstract： To improve the performance of gait recognition based on smartphone accelerometer， a recognition method based on Multiple Classifier Fusion （MCF） was proposed. Firstly， as the gait features extracted from the existing methods were relatively simple， the speed variation of the relative gradual acceleration extracted from each single gait cycle and the acceleration variation per unit time were taken as two new types of features （16 in total）. Secondly， combing the new features with the frequently-used time domain and frequency domain features to form a new feature set， which could be used to train multiple classifiers with excellent recognition effect and short training time. Finally， Multiple Scale Voting （MSV） was used to fuse the output of the multiple classifiers to obtain the final classification result. To test the performance of the proposed method， the gait data of 32 volunteers were collected. Experimental results show that the recognition rate of new features for a single classifier is increased by 5.95 % on average， and the final recognition rate of MSV fusion algorithm is 97.78%.

Key words： Multiple Classifier Fusion （MCF）; fusion algorithm; multiple scale voting; gait feature; motion feature

0 引言

人類的步態(tài)包含非常獨(dú)特的模式，可用于身份的識(shí)別和驗(yàn)證。傳統(tǒng)的基于可穿戴式傳感器步態(tài)身份識(shí)別都是通過在人體固定部位捆綁專用傳感器采集步態(tài)數(shù)據(jù)[1];近年來，智能手機(jī)的快速普及其及功能的不斷發(fā)展，使在不影響用戶正常工作、學(xué)習(xí)和生活的情況下，利用智能手機(jī)內(nèi)置的加速度傳感器對(duì)用戶進(jìn)行步態(tài)身份識(shí)別變?yōu)榭赡躘2]。但是由于智能手機(jī)種類繁雜、內(nèi)置加速度傳感器性能差異較大等因素，都使得最終采集到的數(shù)據(jù)差異較大，識(shí)別的難度大，從而直接影響識(shí)別的準(zhǔn)確率和可信度。

為了提高步態(tài)識(shí)別的準(zhǔn)確率，國(guó)內(nèi)外的研究者們對(duì)基于智能手機(jī)加速度傳感器的步態(tài)身份識(shí)別進(jìn)行持續(xù)性的探索研究，目前的研究成果主要體現(xiàn)在以下三個(gè)方面：

1）步態(tài)周期提取與特征選擇。文獻(xiàn)[3]利用形狀上下文（Shape Context， SC）和線性時(shí)間歸一化（Linear Time Normalization， LTN）相結(jié)合提取典型周期，通過典型周期特征來表示整個(gè)步態(tài)數(shù)據(jù)特征，實(shí)驗(yàn)結(jié)果表明身份識(shí)別的準(zhǔn)確率達(dá)到97.1%。文獻(xiàn)[4]分別從步態(tài)數(shù)據(jù)中提取步態(tài)頻率、對(duì)稱系數(shù)、數(shù)值波動(dòng)范圍和特征曲線的相似系數(shù)作為特征，最后根據(jù)這些特征提出權(quán)重投票機(jī)制進(jìn)行分類識(shí)別，實(shí)驗(yàn)結(jié)果表明提出的這幾類特征能夠有效地進(jìn)行分類識(shí)別。

2）改進(jìn)或提出新的分類算法。文獻(xiàn)[5]提出一種新的動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping， DTW）算法，將特征點(diǎn)的時(shí)間和幅值作為一個(gè)二維序列采用波峰和波谷成對(duì)搜索最小累計(jì)距離路徑，再通過閾值判斷實(shí)現(xiàn)身份識(shí)別，但是該方法目前只在小樣本內(nèi)得到驗(yàn)證。文獻(xiàn)[6]提出了一種分段線性逼近（Piecewise Linear Approximation， PLA）的步態(tài)周期提取方法，在原有支持向量機(jī)（Support Vector Machine， SVM）高斯內(nèi)核的基礎(chǔ)上引入一種新型的彈性距離度量核（Gaussian Dynamic Time Wrap， GDTW）函數(shù)，通過實(shí)驗(yàn)驗(yàn)證DTW和PLA兩種方法在提取步態(tài)周期方面的性能，結(jié)果表明提出的方法極大地改善了分類結(jié)果。

3）利用集成學(xué)習(xí)通過構(gòu)建多個(gè)學(xué)習(xí)器完成學(xué)習(xí)任務(wù)。文獻(xiàn)[7]利用蟻群算法優(yōu)選特征訓(xùn)練多分類器，提出高可信度加權(quán)投票法對(duì)分類器輸出進(jìn)行融合處理，最終模型識(shí)別率較單一分類器提升3%以上;文獻(xiàn)[8]利用多個(gè)極速學(xué)習(xí)機(jī)的輸出進(jìn)行簡(jiǎn)單均值算法融合處理，最終模型輸出識(shí)別準(zhǔn)確率比單個(gè)極速學(xué)習(xí)機(jī)高出3.6%。集成學(xué)習(xí)優(yōu)點(diǎn)在于通過將多個(gè)學(xué)習(xí)器進(jìn)行結(jié)合，常可以獲得比單一學(xué)習(xí)器更優(yōu)越的泛化性能，但這也取決于融合算法的選取，適當(dāng)?shù)娜诤纤惴ㄍ梢垣@得較好的泛化能力，反之亦然。

上述文獻(xiàn)對(duì)人員加速度信號(hào)作了普適性的特征選取，并取得了較好的識(shí)別率，但并未對(duì)人員步行時(shí)的運(yùn)動(dòng)特征進(jìn)行探究;并且都選取識(shí)別率最好的單一分類器進(jìn)行探究。針對(duì)上述不足，本文從步態(tài)數(shù)據(jù)中提取加速度變化率以及相對(duì)于勻加速度的速度變化量作為新特征，結(jié)合常用時(shí)頻域特征對(duì)多個(gè)分類器進(jìn)行建模識(shí)別，并且提出多尺度投票法（Multiple Scale Voting， MSV）進(jìn)行融合處理，進(jìn)而得到最終的識(shí)別結(jié)果。

1 數(shù)據(jù)采集與預(yù)處理

為了提高現(xiàn)有基于智能手機(jī)加速度傳感器的步態(tài)身份識(shí)別性能，提出了一種基于多分類器融合（Multiple Classifier Fusion， MCF）的識(shí)別方法，具體算法流程如圖1所示。

1.1 數(shù)據(jù)采集

為了獲取穩(wěn)定的步態(tài)數(shù)據(jù)，傳統(tǒng)都是將傳感器固定在腰后部、大腿根部、手臂、腳踝等幾個(gè)位置，但是當(dāng)放置在手臂和腳踝進(jìn)行數(shù)據(jù)采集時(shí)，由于手部和腳部的一系列不自主的抖動(dòng)，造成信號(hào)中夾雜較多的噪聲，進(jìn)而影響所獲得數(shù)據(jù)的完整性和穩(wěn)定性;為了增加步態(tài)數(shù)據(jù)信號(hào)采集時(shí)候的穩(wěn)定性，在采集數(shù)據(jù)時(shí)將智能手機(jī)放置在大腿根部的褲子口袋中，并且利用內(nèi)置的加速度傳感器來采集數(shù)據(jù)，具體放置位置如圖2所示。采集數(shù)據(jù)時(shí)利用三星Note Ⅱ系列的智能手機(jī)進(jìn)行采集，采樣頻率為100Hz。

1.2 數(shù)據(jù)預(yù)處理

人員運(yùn)動(dòng)時(shí)原始加速度信號(hào)中含有高頻噪聲，主要來自兩個(gè)方面：一是手機(jī)加速度傳感器本身的原因;二是在采集步態(tài)數(shù)據(jù)的過程中，因人體的生理抖動(dòng)產(chǎn)生的噪聲?？紤]到加速度傳感器自身靈敏度較高這一特性，即使細(xì)小的抖動(dòng)也會(huì)影響加速度數(shù)值的變化，進(jìn)而會(huì)影響之后的特征提取和分類識(shí)別率;因此，在保留有用信息的同時(shí)，也需要盡量地去除噪聲對(duì)數(shù)據(jù)的干擾。針對(duì)步態(tài)特征信號(hào)主要集中在數(shù)據(jù)的較低頻率部分，采用3階巴特沃斯低通濾波器[9]進(jìn)行濾波去除高頻噪聲，圖3為濾波前后的步態(tài)數(shù)據(jù)。

2 周期劃分與特征提取

2.1 周期劃分

常用的周期劃分方法有基于幀分割[10-11]和基于周期分割兩種。基于幀分割，又被稱為基于固定滑動(dòng)窗口的分割;窗口表示一次被用于處理的數(shù)據(jù)量，因此該方法就是按照固定數(shù)據(jù)長(zhǎng)度進(jìn)行周期劃分。該方法能夠快速地實(shí)現(xiàn)時(shí)間序列的分割處理;窗口又被分為重疊的和不重疊窗口，主要是由窗口大小和滑動(dòng)步長(zhǎng)決定;該方法由于實(shí)現(xiàn)簡(jiǎn)單，在目前的研究中常被使用，雖然該方法有很好的實(shí)時(shí)性以及能夠保持步態(tài)的模式特征，但是卻不能很好地反映步態(tài)的相位以及不能解決步態(tài)模式引起的時(shí)間變化問題。與基于幀分割不同，基于周期的分割方法以步態(tài)周期為基礎(chǔ)，能夠充分體現(xiàn)出步態(tài)數(shù)據(jù)的隱藏生物特征?？紤]到步態(tài)加速度數(shù)據(jù)通常表現(xiàn)為一組具有周期性特性的數(shù)據(jù)，因此本文采用基于周期的分割方法。具體算法主要分為以下3個(gè)步驟：

步驟1 周期長(zhǎng)度估算。據(jù)統(tǒng)計(jì)正常人平均0.8s到1.2s步行兩步，由于在采集數(shù)據(jù)時(shí)只放置了一個(gè)手機(jī)在右側(cè)的褲口袋中，因此兩步剛好對(duì)應(yīng)數(shù)據(jù)上的一個(gè)周期;再加之采樣頻率被設(shè)置為100Hz，因此一個(gè)周期對(duì)應(yīng)的數(shù)據(jù)點(diǎn)大約在80～120個(gè)。

步驟2 周期檢測(cè)。利用局部極小值[12]對(duì)步態(tài)數(shù)據(jù)進(jìn)行周期檢測(cè)，即認(rèn)為兩個(gè)相鄰極小值之間所包含的數(shù)據(jù)為單個(gè)步態(tài)周期。

步驟3 剔除異常周期。通過上述兩個(gè)步驟，可以把步態(tài)數(shù)據(jù)劃分成單個(gè)步態(tài)周期，但是這些周期并不是全都適合用于特征提取，需要對(duì)這些周期進(jìn)行篩選，剔除異常周期。本文在剔除非正常周期時(shí)采用DTW計(jì)算相似距離，將那些距離相差較大的周期剔除。

經(jīng)過上述步驟所提取不同個(gè)體的單個(gè)步態(tài)周期如圖4所示。

2.2 特征提取

特征提取是為了從已獲得的單個(gè)步態(tài)周期中提取可以表征個(gè)體身份的特征向量，是分類識(shí)別技術(shù)中的關(guān)鍵所在，特征提取的效果會(huì)直接影響分類器的訓(xùn)練以及最終分類識(shí)別的準(zhǔn)確率。

2.2.1 傳統(tǒng)步態(tài)特征

傳統(tǒng)的基于加速度信號(hào)特征提取方法有時(shí)域分析法[13]、頻域分析法[14]和時(shí)頻域分析法[15]。結(jié)合上述方法提取傳統(tǒng)特征有平均值、標(biāo)準(zhǔn)差、步頻、四分位距、能量、過零數(shù)、偏度、峰度、均方根、周期長(zhǎng)度、傅里葉系數(shù)、步速等。其中可以被用來表示步態(tài)數(shù)據(jù)信號(hào)的波形特點(diǎn)和簡(jiǎn)單的統(tǒng)計(jì)特征，如平均值、標(biāo)準(zhǔn)差、過零數(shù)等一系列時(shí)域特征;又如步數(shù)、步頻等一系類特征可以用來表征個(gè)體的生物特征;而諸如傅里葉系數(shù)等都是頻域特征，通常被用來表示個(gè)體步態(tài)中的周期性信息。雖然傳統(tǒng)特征計(jì)算簡(jiǎn)單，但是很少有可以表征個(gè)體步態(tài)運(yùn)動(dòng)過程中的特征，而且利用傳統(tǒng)特征所取得的識(shí)別率并不高。

2.2.2 運(yùn)動(dòng)特征

針對(duì)傳統(tǒng)特征不能很好體現(xiàn)步態(tài)的生物特征，本文提出一種新的步態(tài)特征提取方法，用于提取個(gè)體的運(yùn)動(dòng)特征。眾所周知，加速度傳感器采集的步態(tài)數(shù)據(jù)是一個(gè)連續(xù)的時(shí)間序列;從運(yùn)動(dòng)的角度，個(gè)體的步行是一個(gè)變加速度運(yùn)動(dòng)。對(duì)于一個(gè)變加速度運(yùn)動(dòng)可以結(jié)合下面兩個(gè)角度進(jìn)行刻畫：1）可以將變加速度運(yùn)動(dòng)按照加速度數(shù)值大小增加和減少進(jìn)行分割，將其劃分成變加速和變減速兩種類別，再用單位時(shí)間內(nèi)變加速和變減速的加速度變化量描述變加速度運(yùn)動(dòng);2）對(duì)于單個(gè)變加速運(yùn)動(dòng)區(qū)間，通過計(jì)算其相對(duì)于勻加速度的速度變化量，用以刻畫改區(qū)間運(yùn)動(dòng)的相對(duì)穩(wěn)定程度。文獻(xiàn)[16]通過步行動(dòng)作的生物力學(xué)原理分析得出：足地接觸力在每個(gè)步態(tài)周期轉(zhuǎn)折點(diǎn)出現(xiàn)極值，足跟著地時(shí)有一極大值，隨著足部逐漸放平，受力面積逐漸增大，受力減少，足部完全放平時(shí)受力達(dá)到最小，至足跟離地，足趾蹬地時(shí)出現(xiàn)另一極大值，即在整個(gè)步態(tài)周期中受力曲線具有典型的對(duì)稱雙峰性質(zhì)，那么加速度曲線也應(yīng)該呈現(xiàn)出雙峰性質(zhì)，并且研究認(rèn)為不同年齡人體的足地接觸力無顯著性差異。因此結(jié)合上述分析，本文對(duì)單個(gè)步態(tài)周期提取周期起點(diǎn)（start）、第一個(gè)極大值點(diǎn)（maxf）、第一個(gè)極小值（minf）、最后一個(gè)極小值（mine）、最后一個(gè)極大值（maxe）、步態(tài)周期終點(diǎn)（end）6個(gè)特征點(diǎn)，將步態(tài)數(shù)據(jù)分成5個(gè)變加速運(yùn)動(dòng)的區(qū)間，不同個(gè)體的區(qū)間劃分的結(jié)果如圖5所示;將兩兩特征點(diǎn)之間的連線視作為勻加速運(yùn)動(dòng)，因此單位時(shí)間內(nèi)變加速和變減速的加速度變化量就可以被表示為這五條直線的斜率;而單個(gè)區(qū)間內(nèi)相對(duì)勻加速運(yùn)動(dòng)的速度變化量可以用原始變加速度曲線與勻加速直線所圍成的面積表示。因此，本文新添16個(gè)特征值，即6個(gè)特征值點(diǎn)、5個(gè)斜率以及5個(gè)面積。新特征的提取流程如圖6所示，具體步驟如下。

3 分類器融合算法

單個(gè)分類器通常只對(duì)個(gè)別個(gè)體具有較高的識(shí)別率，因此本文為了實(shí)現(xiàn)各個(gè)分類器之間優(yōu)勢(shì)互補(bǔ)，將多分類器的輸出通過融合算法得到最終的識(shí)別結(jié)果。融合算法在多分類器融合模型中有著至關(guān)重要的地位，它的好壞將直接決定著最終的識(shí)別率。傳統(tǒng)投票法[17]是最常用的融合算法之一，其基本的表決規(guī)則是每個(gè)分類器都具有投票權(quán)，仲裁原則是少數(shù)服從多數(shù)，但是由于每個(gè)分類器的性能不同，對(duì)于每個(gè)人的識(shí)別效果也有較大差異，因此傳統(tǒng)的投票法很難結(jié)合多個(gè)分類器的優(yōu)勢(shì)，達(dá)到預(yù)期的識(shí)別效果。針對(duì)傳統(tǒng)投票法存在的不足，本文將投票法的表決原則結(jié)合其仲裁原則進(jìn)行改進(jìn)，提出一種多尺度投票法（Multiple Scale Voting， MSV）。MSV算法的基本思想是：一個(gè)未知樣本在多分類器經(jīng)過投票法不能非常準(zhǔn)確對(duì)樣本類別進(jìn)行判斷時(shí)，結(jié)合各個(gè)分類器對(duì)其輸出類別的識(shí)別率、F1_score等多個(gè)尺度對(duì)樣本進(jìn)行分類;MSV算法不僅保留了傳統(tǒng)投票法的特點(diǎn)，而且結(jié)合了單一分類器對(duì)不同類型樣本的識(shí)別性能，使得各分類器優(yōu)勢(shì)互補(bǔ)。MSV算法主要分為提取判別因子和構(gòu)建表決函數(shù)兩個(gè)步驟，具體流程如圖7所示。

3.1 提取判別因子

3.2 構(gòu)建表決函數(shù)

式（15）、（16）分別是第4個(gè)表決權(quán)重分配和表決函數(shù)。

對(duì)于一個(gè)未知樣本x，先經(jīng)過多分類器進(jìn)行分類，然后將多分類器分類結(jié)果經(jīng)過MSV融合算法得到最終的分類所屬label，并且可以用式（17）予以計(jì)算：

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)準(zhǔn)備

4.1.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

本文利用在數(shù)據(jù)采集中介紹的采集方法，針對(duì)32名年齡在25歲左右的志愿者進(jìn)行數(shù)據(jù)采集，其中男女生各16名，他們身高均在150～190cm，在采集過中志愿者在水平的地面上用他們正常步行模式行走大約100m的距離;每位志愿者需要被采集30組獨(dú)立的實(shí)驗(yàn)數(shù)據(jù)，以避免整體實(shí)驗(yàn)數(shù)據(jù)具有偶然性，保證數(shù)據(jù)能夠更好地刻畫出個(gè)體的步態(tài)特征。

實(shí)驗(yàn)環(huán)境：本文以python 3.6作為軟件平臺(tái);硬件平臺(tái)采用Intel Core i7處理器，主頻為2.7GHz，內(nèi)存為8GB;并且采用64位Windows 10操作系統(tǒng)。

4.1.2 多分類器選擇

基分類器選擇是多分類器融合的基礎(chǔ)，為了盡可能選擇優(yōu)秀的分類器用于融合，本文選擇以下10個(gè)常用的分類器作為備選項(xiàng)，如表1所示。

4.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

為了測(cè)試傳統(tǒng)特征在本文所采集數(shù)據(jù)上的表現(xiàn)，驗(yàn)證本文提出的新特征可分性、新特征與傳統(tǒng)特征融合效果以及MSV多分類器融合算法的性能，主要通過設(shè)計(jì)以下2個(gè)實(shí)驗(yàn)予以驗(yàn)證。

1）多分類器篩選。

多分類器篩選的目的很明確就是從10個(gè)備選的分類器中選擇最為合適的分類器作融合。為了完成多分類器的篩選本文主要通過以下3個(gè)小實(shí)驗(yàn)予以論證：

a）通過傳統(tǒng)特征來驗(yàn)證所采集到的數(shù)據(jù)具有良好的可分性，并從備選的10個(gè)基分類器中選中合適的分類器用于融合。

b）通過利用備選的10個(gè)基分類器對(duì)新特征進(jìn)行分類，同樣也尋找適合融合的備選分類器，并與傳統(tǒng)特征所選分類器進(jìn)行對(duì)比。

c）對(duì)比新特征與傳統(tǒng)特征對(duì)樣本的區(qū)分能力;并且融合新特征與傳統(tǒng)特征進(jìn)行分類，同樣從備選分類器中進(jìn)行選擇最終合適的分類器，并與前兩者選出的分類器進(jìn)行比較，最終確定融合的分類器。

2）通過實(shí)驗(yàn)對(duì)比驗(yàn)證MSV融合算法的可靠性。

為了更好地訓(xùn)練每一個(gè)分類器、對(duì)每一個(gè)分類器進(jìn)行更好的評(píng)判，以及獲得用于MSV融合算法先驗(yàn)知識(shí)，如：分類器對(duì)于單個(gè)個(gè)體的識(shí)別率、召回率等，本文在所有的分類實(shí)驗(yàn)中將實(shí)驗(yàn)數(shù)據(jù)平均分成10等份，其中6份作為訓(xùn)練集，在訓(xùn)練時(shí)采用十折的方法對(duì)分類器進(jìn)行訓(xùn)練;2份作為測(cè)試集，用于測(cè)試分類器以及獲取先驗(yàn)知識(shí);2份作為驗(yàn)證集，主要驗(yàn)證算法的可靠性以及融合算法的融合效果。

4.2.1 多分類器篩選

a）結(jié)合2.2.1節(jié)所介紹的傳統(tǒng)步態(tài)特征，本文對(duì)X、Y、Z軸的單個(gè)步態(tài)周期分別提取下述15個(gè)傳統(tǒng)特征值用于分類實(shí)驗(yàn)，分別是：均值、標(biāo)準(zhǔn)差、偏度、峰度、均方根、過零率、四分位距、周期長(zhǎng)度、能量以及前6位傅里葉系數(shù)，由于這些是常見的時(shí)頻域以及統(tǒng)計(jì)學(xué)特征，其計(jì)算公式也相對(duì)簡(jiǎn)單，在此不再贅述。

b） 從X、Y、Z軸的單個(gè)步態(tài)周期分別提取本文所介紹的相對(duì)勻加速運(yùn)動(dòng)的速度變化量等16個(gè)新特征，采用備選的10個(gè)分類器進(jìn)行分類實(shí)驗(yàn)。

c）將針對(duì)X、Y、Z軸的單個(gè)步態(tài)周期分別所提取的15個(gè)傳統(tǒng)特征值和16個(gè)新特征值（一共93個(gè)特征，3×15個(gè)傳統(tǒng)特征，3×16個(gè)新特征）進(jìn)行融合，首先通過ReliefF算法[18]計(jì)算各個(gè)特征對(duì)樣本的區(qū)分能力，來驗(yàn)證新特征是否具有更好的可分性;其次，同樣采用備選的分類器進(jìn)行分類實(shí)驗(yàn)。

令本文所選取傳統(tǒng)特征集為T1;新特征集為T2;新特征和傳統(tǒng)特征融合特征集為T3。

表2、圖8分別是10個(gè)備選分類器在T1、T2、T3三個(gè)特征集上的測(cè)試集識(shí)別率以及訓(xùn)練一次對(duì)應(yīng)分類器和測(cè)試集所需要的時(shí)間，圖9為93個(gè)不同步態(tài)特征所對(duì)應(yīng)的ReliefF值。

由表2的T1列可得，本文采集的步態(tài)數(shù)據(jù)針對(duì)傳統(tǒng)特征在大部分的備選分類器上都獲得不錯(cuò)的識(shí)別率，最高識(shí)別率可以達(dá)到91.7%，這從側(cè)面說明個(gè)體的步態(tài)特征作為生物特征的一種能夠很好用于人員識(shí)別，傳統(tǒng)步態(tài)特征對(duì)步態(tài)具有一定的可分性，但是識(shí)別率并不是很高。

由表2的T2列可得，本文提取的新特征值對(duì)比傳統(tǒng)特征值在各個(gè)分類器的分類效果上有所欠缺，但是識(shí)別率相差并不算很大，最小相差的識(shí)別為0.83個(gè)百分點(diǎn)，最大相差15.01個(gè)百分點(diǎn);新特征達(dá)到的最高識(shí)別率為89.40%，與傳統(tǒng)特征的最高識(shí)別率相差2.3個(gè)百分點(diǎn)，說明新特征本身就具有較好的可分性，為下面特征融合奠定理論依據(jù)。

由ReliefF算法可知，特征對(duì)應(yīng)的ReliefF值越大，說明該特征對(duì)樣本具有更大的區(qū)分能力;通過圖9可得，在前10的ReliefF值對(duì)應(yīng)的特征中新特征占有6個(gè)，并且這6個(gè)新特征值ReliefF值和為0.314，4個(gè)傳統(tǒng)特征ReliefF值和為0.174;在前40的ReliefF值對(duì)應(yīng)的特征中新特征占有20個(gè)，并且這20個(gè)新特征值ReliefF值和為0.571，20個(gè)傳統(tǒng)特征ReliefF值和為0.529;在所有93個(gè)特征中新特征ReliefF值和為0.861，傳統(tǒng)特征ReliefF值和為0.737。綜合上述分析可以得出：新特征相比傳統(tǒng)特征具有更好的分類效果。由表2的T3列可得，新特征和傳統(tǒng)特征相融合對(duì)于所有備選分類器的識(shí)別率都有較大幅度提升，相比傳統(tǒng)特征平均提升5.95個(gè)百分點(diǎn)的識(shí)別率，最高識(shí)別率可以達(dá)到95.47%，說明特征融合是很成功。

通過表2可以得出，在10個(gè)備選分類器中C3、C4、C5、C6、C7、C8、C10這7個(gè)分類器無論是在傳統(tǒng)特征、新特征還是傳統(tǒng)特征與新特征融合都取得較好的識(shí)別率，體現(xiàn)出這7個(gè)分類器具有很好的穩(wěn)定性;通過圖8可以得出C8、C10這兩個(gè)分類器在訓(xùn)練時(shí)需要消耗大量時(shí)間，如果用于分類器融合會(huì)大幅度融合分類器的時(shí)間消耗;因此綜合時(shí)間消耗和準(zhǔn)確率兩方面考慮，本文選用C3、C4、C5、C6、C7作為融合算法的基分類器。

4.2.2 MSV融合算法驗(yàn)證

本文主要通過兩個(gè)方面來驗(yàn)證MSV融合算法：第一通過對(duì)比單一分類器在三種特征集下驗(yàn)證集的識(shí)別率和MSV算法融合之后的識(shí)別率;第二通過對(duì)比MSV融合算法和不同多分類器融合算法的識(shí)別率。表3是所選擇的5種基分類器在三種特征集下驗(yàn)證集的識(shí)別率;表4是不同融合算法識(shí)別率的對(duì)比實(shí)驗(yàn)結(jié)果。

通過表3和表2可以得出，所選的5種基分類器無論在測(cè)試集還是驗(yàn)證集都有較好的識(shí)別效果，并且識(shí)別率幾乎一致，表現(xiàn)出所選基分類器擁有很好的穩(wěn)定性。

通過表3和表4可以得出，傳統(tǒng)投票法和MSV算法在三種上所得到的識(shí)別率相差不是很大，MSV算法取得的識(shí)別率最小只高出0.2個(gè)百分點(diǎn)，最大高出2.02個(gè)百分點(diǎn);但是傳統(tǒng)投票法相比MSV算法缺乏穩(wěn)定性，例如，在新特征集基分類器的最高識(shí)別率為89.73%，而傳統(tǒng)投票法融合之后的識(shí)別率反而低了1.63個(gè)百分點(diǎn);出現(xiàn)上述現(xiàn)象可以歸納為以下兩個(gè)原因：其一，由于基分類器的識(shí)別率都比較高，這樣就造成對(duì)于一個(gè)未知樣本大多數(shù)基分類器都會(huì)大概率輸出正確且一致的分類結(jié)果，致使通過傳統(tǒng)投票法之后得到較高的識(shí)別率，例如，在傳統(tǒng)特征集有4個(gè)基分類器的識(shí)別率高于88%，在融合特征集上4個(gè)基分類器識(shí)別率高于92%，所以在這兩類特征集上傳統(tǒng)投票法都取得較高的識(shí)別率，對(duì)比與MSV算法也相差不大;其二，由于傳統(tǒng)投票法是按照少數(shù)服從多數(shù)的準(zhǔn)則進(jìn)行融合，這樣就會(huì)造成如果基分類器的識(shí)別率都不是很高，導(dǎo)致有很多未知樣本經(jīng)過傳統(tǒng)投票法融合之后，所謂的少數(shù)和多數(shù)相差很小;假設(shè)對(duì)于部分未知樣本，5個(gè)基分類器有2個(gè)基分類器輸出一致的結(jié)果，而其他3個(gè)基分類器輸出的結(jié)果各不相同，這樣傳統(tǒng)投票法只有小幾率會(huì)預(yù)測(cè)出正確的樣本分類，從而致使傳統(tǒng)投票法融合后識(shí)別率不高，甚至?xí)陀诨诸惼鞯淖R(shí)別率，造成傳統(tǒng)投票法具有不穩(wěn)定性，例如在新特征集上有4個(gè)基分類器的識(shí)別率低于86%，致使經(jīng)過傳統(tǒng)投票法融合后識(shí)別率僅為88.10%，低于C5分類器的識(shí)別率。通過對(duì)比其他的多分類器融合算法，三種特征集在MSV算法融合后識(shí)別率都有所提高，并且在各個(gè)特征集上的識(shí)別率都要優(yōu)于其他融合算法;三種特征集在MSV算法融合后識(shí)別率相比5種基分類器中最大識(shí)別率平均提高1.34個(gè)百分點(diǎn)，最高的識(shí)別率是融合特征所達(dá)到的97.78%;綜合上述分析，可以得出MSV算法具有優(yōu)異的多分類器融合性能。

5 結(jié)語(yǔ)

本文將單個(gè)步態(tài)周期數(shù)據(jù)利用極大值和極小值劃分成5個(gè)運(yùn)動(dòng)區(qū)域;分別提取運(yùn)動(dòng)區(qū)域內(nèi)的相對(duì)勻加速度的速度變化量，以及單位時(shí)間內(nèi)加速度變化量作為兩類新特征;將新特征結(jié)合傳統(tǒng)的時(shí)域和頻域特征組成新的特征集，用于訓(xùn)練篩選出來的5個(gè)基分類器;再將各個(gè)分類器的預(yù)測(cè)結(jié)果經(jīng)過MSV多分類器融合算法得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明：新特征利用測(cè)試集在5個(gè)基分類器上具有不錯(cuò)的識(shí)別效果，最高的準(zhǔn)確率達(dá)到89.40%，并且新特征的ReliefF值也要高于傳統(tǒng)特征值，體現(xiàn)新特征具有良好的可分性;新特征和傳統(tǒng)特征融合同樣在測(cè)試集上取得很高識(shí)別率，相對(duì)于單一傳統(tǒng)特征識(shí)別率有較大提升，最高識(shí)別率達(dá)到95.47%;經(jīng)過MSV算法融合后識(shí)別率相對(duì)于5種基分類器中最大識(shí)別率平均提高1.34個(gè)百分點(diǎn)，最高的識(shí)別率是融合特征所達(dá)到的97.78%;在新特征和傳統(tǒng)特征相融合的特征集上，MSV融合算法相比其他多分類器融合算法識(shí)別率平均提高3.75個(gè)百分點(diǎn)，體現(xiàn)出MSV算法具有優(yōu)異的多分類器融合性能。

參考文獻(xiàn) （References）

[1] LIU R， ZHOU J， LIU M， et al. A wearable acceleration sensor system for gait recognition [C]// Proceedings of the 2007 2nd IEEE Conference on Industrial Electronics and Applications. Piscataway， NJ： IEEE， 2007： 2654-2659.

[2] MUAAZ M， MAYRHOFER R. Accelerometer based gait recognition using adapted Gaussian mixture models [C]// Proceedings of the 14th International Conference on Advances in Mobile Computing and Multi Media. New York： ACM， 2016： 288-291.

[3] 萬(wàn)彩艷. 基于智能手機(jī)加速度傳感器的步態(tài)身份識(shí)別[D].常州：常州大學(xué)，2018： 21-35.（WAN C Y. Gait identification based on mobile-phone acceleration sensor [D]. Changzhou： Changzhou University， 2018： 21-35.）

[4] SUN B， WANG Y， BANDA J. Gait characteristic analysis and identification based on the iPhone's accelerometer and gyrometer [J]. Sensors， 2014， 14（9）： 17037-17054.

[5] 張麗娜.基于加速度傳感器的步態(tài)特征身份認(rèn)證[D].沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2014： 40-65. （ZHANG L N. Gait feature authentication based on acceleration sensor [D]. Shenyang： Shenyang University of Technology， 2014： 40-65.）

[6] MUAAZ M， MAYRHOFER R. An analysis of different approaches to gait recognition using cell phone based accelerometers [C]// Proceedings of the 11th International Conference on Advances in Mobile Computing and Multimedia. New York： ACM， 2013： 293-300.

[7] 王忠民，王科，賀炎.高可信度加權(quán)的多分類器融合行為識(shí)別模型[J].計(jì)算機(jī)應(yīng)用，2016，36（12）：3353-3357.（WANG Z M， WANG K， HE Y. Multiple classifier fusion model for activity recognition based on high reliability weighted [J]. Journal of Computer Applications， 2016，36（12）：3353-3357.）

[8] YUAN Y， WANG C， ZHANG J， et al. An ensemble approach for activity recognition with accelerometer in mobile-phone [C]// Proceedings of the 11th International Conference on Computational Science and Engineering. Washington， DC： IEEE Computer Society， 2014： 1469-1474.

[9] BAYAT A， POMPLUN M， TRAN D A. A study on human activity recognition using accelerometer data from smartphones [J]. Procedia Computer Science， 2014， 34： 450-457.

[10] SPRAGER S， JURIC M B. An efficient HOS-based gait authentication of accelerometer data [J]. IEEE Transactions on Information Forensics and Security， 2015， 10（7）： 1486-1498.

[11] LU H， HUANG J， SAHA T， et al. Unobtrusive gait verification for mobile phones [C]// Proceedings of the 2014 ACM International Symposium on Wearable Computers. New York： ACM， 2014： 91-98.

[12] DERAWI M， BOURS P. Gait and activity recognition using commercial phones[J]. Computers and Security， 2013， 39： 137-144.

[13] WATANABE Y. Influence of holding smart phone for acceleration-based gait authentication [C]// Proceedings of the 2014 5th International Conference on Emerging Security Technologies. Washington， DC： IEEE Computer Society， 2014： 30-33.

[14] HOANG T， CHOI D. Secure and privacy enhanced gait authentication on smart phone [J]. The Scientific World Journal， 2014， 2014： Article ID 438254.

[15] PRIMO A， PHOHA V V， KUMAR R， et al. Context-aware active authentication using smartphone accelerometer measurements [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Washington， DC： IEEE Computer Society， 2014： 98-105.

[16] 錢競(jìng)光，宋雅偉，葉強(qiáng)，等.步行動(dòng)作的生物力學(xué)原理及其步態(tài)分析[J].南京體育學(xué)院學(xué)報(bào)（自然科學(xué)版），2006，5（4）：1-7.（QIAN J G， SONG Y W， YE Q， et al. The biomechanics principle of walking and analysis on gaits[J]. Journal of Nanjing Institute of Physical Education （Natural Science）， 2006， 5（4）：1-7.）

[17] 王科.多分類器融合算法在行為識(shí)別中的應(yīng)用研究[D].西安：西安郵電大學(xué)，2017： 40-61. （WANG K. Application and research of multiple classifier fusion algorithm in activity recognition [D]. Xi'an： Xi'an University of Posts and Telecommunications， 2017： 40-61.）

[18] 黃莉莉，湯進(jìn)，孫登第，等.基于多標(biāo)簽ReliefF的特征選擇算法[J].計(jì)算機(jī)應(yīng)用，2012，32（10）：2888-2890.（HUANG L L， TANG J， SUN D D， et al. Feature selection algorithm based on multi-label ReliefF [J]. Journal of Computer Applications， 2012，32（10）：2888-2890.）

[19] QU J， ZHANG Z， GONG T. A novel intelligent method for mechanical fault diagnosis based on dual-tree complex wavelet packet transform and multiple classifier fusion [J]. Neurocomputing， 2016， 171（C）： 837-853.