基于双层卷积神经网络的步态识别算法

王 欣，唐 俊，王 年

（安徽大学 电子信息工程学院，安徽 合肥 230039）

基于足底压力信息的步态识别方法具有不易伪装、隐蔽性好等优点，在行为感知、医学诊断、身份识别等领域有广泛的应用前景，目前也已经取得了一定的成果［1］.Hannula等选用鞋垫式传感器进行步态分析［2］；Mackey等采用压力传感器同时测量剪应力和垂直压力，将其应用于测量糖尿病人的步态［3］；林尔东等提出了一种改进的基于地面反作用力的步态识别方法，在训练样本较少的情况下也能获得较高的识别正确率［4］等.但以上算法也存在着不足，如特征选取时计算量大、特征参数难以调节、特征表示在以足底压力为基础的身份识别中仍然是一个亟待解决的问题［1］.

卷积神经网络（convolutional neural networks，简称CNN）作为深度学习的常用模型，它具有权值共享、模型复杂度低、权值数量少等优点［5］.与传统识别算法相比，它避免了复杂的手动特征提取和数据重建过程，可实现自动特征学习［6－7］，在处理大规模的图像识别时很有优势.故论文结合CNN模型研究基于足底压力图像的步态识别算法，将人静止站立及行走过程中的足底压力信息作为特征用于身份识别，并用CNN模型获取特征表示.

1 步态数据的采集

实验的步态数据是由足底压力数据系统获取的，该系统获取信息流程如图1所示.其中，压力测试板是用于接收足底压力信息，由中科院合肥智能机械研究所提供，其有效测试面积为40cm×40cm，由均匀分布的1 600个压阻传感器构成，采用阵列化设计，共有40行×40列［4，9］.将接收到的步态信息通过数据转换程序转换为足底压力值矩阵形式，如图2所示，左边网格线上显示的是足底压力图像，右边显示的是对应足底压力值，最下方显示的为某次行走过程中足底总压力值变化波形图.

采集数据时，让实验者分别以常速、快速、慢速3种速度走过压力测试板，每种速度各行走10次，且保证每次行走过程中整只脚（左脚或右脚）踩到压力测试板上，用上述足底压力数据采集系统记录相应实验数据.

2 基于双层卷积神经网络的特征表示

主要提取两部分特征，即单层神经网络的卷积特征（single layer of convolutional neural networks，简称S－CNN）和双层神经网络的卷积特征（double layer of convolutional neural networks，简称DCNN）.

2.1 CNN网络模型

在CNN中，得到特征映射的过程有卷积和采样两个过程［3，7］.如图3所示.

卷积过程是由滤波器lx卷积输入数据再加一个偏置bx得到卷积层Cx.对于多层卷积神经网络，上一层网络的特征图卷积一个特定的卷积核再通过一个激活函数就可等到输出特征，如图4所示.

从训练样本矩阵A（r×c）随机采样n×n的小尺寸矩阵B，其中，n×n称为感受域［8］.并且用K均值聚类算法从这些小尺寸矩阵中学习得到局部特征（在采样矩阵上聚类，每个类中心就是一个局部特征）.对于每个小尺寸矩阵B计算出对应的局部特征

其中：Wx和bx分别是网络的权重和偏差值.通过Sigmoid型函数，对这些得到的特征值做卷积，得到卷积后的特征矩阵D.卷积后得到的特征向量维数非常大，若直接用这些特征进行分类，则会导致计算量大、复杂度高等后果.故在利用所提取的特征训练分类器前，需要进行降维处理.由于卷积特征是在相应感知域上学习得到的，故可以通过计算一个区域上特定平均值或最大值来降低特征向量维数，即池化。

2.2 D－CNN网络及特征学习过程

双层卷积神经网络在用来识别图像时具有位移、缩放不变性.多维输入向量的图像可以直接作为网络的输入，与其他模型相比其特征提取和分类过程中数据重建的复杂度较低［2］.双层卷积网络又比一般神经网络的拓扑结构与输入图像的吻合度要高，它的特征提取与分类可以同时进行，其网络参数不复杂［6－7］.双层卷积神经网络结构简单、适应性强，适合用于图像处理与特征学习，因而可以用其进行基于足底压力图像的步态识别.

2011年，Coates等比较了几种单层网络模型在特征学习方面的性能［10］，得出运用K均值聚类方法获取特征快速且效果好的结论，故论文用于卷积的局部特征是通过K均值聚类算法获取的.2012年，Hinton等提出深度卷积神经网络在分类识别中很有优势［11］.深度学习领域中，很多模型由于网络层数的增加使得参数复杂、计算量大而应用不广.所以，选择合适的网络深度成为影响网络性能的关键因素.据此，论文提出基于双层卷积神经网络的步态识别算法.

首先，学习单层网络特征即S－CNN特征.具体步骤如下：由输入矩阵（A1）上随机采样得到采样矩阵（B1），在采样矩阵上运用K均值聚类，每个类中心就是一个局部特征（C1），用上步得到的局部特征对原样本进行卷积测试得到卷积特征（D1），对卷积特征进行平均池化操作得到特征向量（F1）.

再训练双层卷积神经网络得到D－CNN特征，其实现过程如下：将S－CNN特征组成矩阵，并进行相应类标号输入作为输入矩阵（A2），输入矩阵随机采样得到采样矩阵（B2），运用K均值聚类得到局部特征（C2），进行卷积检测得到卷积特征（D2），再进行降维得到特征向量（F2）.

训练SVM（suppor vector machine）分类器，其中核函数选择径向基核函数，参数σ取5［9］.将得到的特征F1即单层卷积神经网络获取的特征（S－CNN特征）和特征F2即单层卷积神经网络获取的特征（D－CNN特征）分别代入分类器得到分类结果.

3 实验结果与讨论

论文实验数据源自50人（男生28人，女生22人）在常数、快速、慢速3种情况下的行走时的足底压力图像.以常速行走为例，被测试者按照平常走路速度走过压力测试板，使得左右脚分别踩在压力测试上10次，每次行走取总压力最大及其前后各一帧图像，且7次行走过程为训练样本、3次行走过程为测试样本.则50人常速行走共有训练集2 100幅图像（左脚：50×7×3＝1 050，右脚：50×7×3＝1 050），测试集900（50×3×3×2）幅图像，快速、慢速行走足底压力图像采集与选取方法类似.将50人的左、右脚测试集输入到训练好的SVM分类器中进行分类识别，对每个测试者的数据，采用多数投票法进行分类判别（若3帧测试样本分别属于不同的类，则认为结果错误），其识别正确率即为所有正确分类的样本数与样本总数的比值

对于D－CNN网络，选取50人左脚常速行走时足底压力数据进行多次试验，部分实验结果如图5所示.其中，纵坐标表示识别正确率，横坐标是第一层网络的感知域大小，深蓝、蓝色、绿色、橘色和红色分别表示第二层感知域的大小由1到5.由图5可知，网络的感知域大小对识别结果影响较大.当网络两层感知域的值都取1时识别准确率不高，当第一层网络感知域取3第二层感知域取2时结果最好，准确率达到96%.

选取50人的常速行走数据进行分类识别，每组实验进行3次.取文献［9］中提出的以不同区域最大压力点之间及压力中心点之间的欧式距离和压力差为特征的方法作为对比方法，结果如表1所示.可以看出S－CNN特征可以获得较好识别正确率，与对比方法相比，无论左脚、右脚还是最终识别率均优于对比方法.

表1 S－CNN特征与对比方法识别结果Tab.1 The recognition obtained from the S－CNN feature and the compared method

以50人右脚常速行走时数据为例，进行实验比较感知域大小对S－CNN特征和D－CNN特征分类结果的影响，如图6所示.其中，假定D－CNN网络的第一层感知域大小为3不变.从图中可以看出，S－CNN网络在感知域取3、4是识别率较高，在85%以上；D－CNN网络的识别率除了感知域取1以外都高于90%.

实验说明，S－CNN特征作为基于足底压力信息的步态识别特征比以各个区域中压力点之间的欧式距离和压力差为特征的识别正确率高，而D－CNN特征又比S－CNN特征识别效果好.

4 结束语

随着多种特征提取方法的提出，基于足底压力信息的步态识别技术也有了快速发展.作者提出用双层卷积神经网络模型来进行特征学习，并将该方法应用到步态识别领域.该方法与传统算法相比，无论是在算法复杂度和识别结果上都有很大的提高.在以后的研究中，作者将尝试对CNN模型进行优化，使之更好地服务于步态识别.

［1］徐苏.基于步态触觉特征的生物特征识别［D］.合肥：中国科学技术大学计算机系，2010：11－23.

［2］Hannula M，Sakkinen A，Kylmanen A.Development of EMFI－sensor based pressure sensitive insole for gait analysis［C］／／Medical Measurement and Applications，IEEE International Workshop on，IEEE，2007：1－3.

［3］Mackey J R，Davis B L.Simultaneous shear and pressure sensor array for assessing pressure and shear at foot ground interface［J］.Journal of Biomechanics，2006，39（15）：2893－2897.

［4］Lin E D，Yao Z M，Zheng Z，et al.An improved gait recognition method based on the ground reaction force［J］.Pattern recognition and artificial intelligence，2011，24（3）：353－359.

［5］Adam C，Honglak L，Andrew Y.An analysis of single－layer networks in unsupervised feature learning［C］／／International Conference on Artificial Intelligence and Statistics，2011：215－223.

［6］Bengio Y.Learning deep architectures for AI［J］.Foundations and Trends in Machine Learning，2009，2（1）：1－127.

［7］Sun Z J，Xue L，Xu Y M，et al.The reviewed of deep learning［J］.Computer Application Research，2012，29（8）：2806－2810.

［8］Le Q ，Monga R，Devin M，et al.Building high－level features using large scale unsupervised learning［J］.In ICML，2012（6）：1112－6209.

［9］Liang D，Gao W W，Zhang Y，et al.Static tactile gait recognition based on foot pressure image［J］.Journal of Huazhong University of Science and Technology，2013（5）：1－4.

［10］Coates A，Ng A Y，Lee H.An analysis of single－layer networks in unsupervised feature learning［C］／／International Conference on Artificial Intelligence and Statistics，2011：215－223.

［11］Krizhevsky A，Sutskever I，Hinton G.Imagenet classification with deep convolutional neural networks［C］／／Advances in Neural Information Processing Systems，2012：1106－1114.

［12］Yamakawa T，Taniguchi K，Asari K，et al.Biometric personal identification based on gait pattern using both feet pressure change［C］／／Automation Congress，WAC，World，IEEE，2008：1－6.