一种基于光纤振动信号的步态识别装置、系统及方法

1.本发明属于人体识别技术领域，特别是涉及一种基于光纤振动信号的步态识别装置、系统及方法。


背景技术：

2.随着互联网与无线通信技术的蓬勃发展，用户对身份认证技术提出了越来越高的要求，主要体现在准确性、实时性、非接触性等特点上。从理论上说，生物特征认证是最为可靠的身份认证方式，因为它采用每个人独一无二的生物特征来表示每个人的数字身份，并进行相应的验证，几乎不可能被仿冒。常见的生物特征识别包括指纹扫描、人脸识别、虹膜识别与行为识别等类型。其中，生物行为识别技术是采用一个人行走、打字或处理某种设备的方式进行识别的方法。采用生物特征身份验证的用户，体验通常更流畅、更快捷，因为它不需要回忆密码，攻击者也更难进行欺骗。
3.步态识别(gait recognition)技术，作为一种新兴的生物特征识别技术，旨在通过人类走路方式的差异实现自动的身份识别。其中，步态是指人行走的方式及其包含的各类特征，如各关节的姿态、步幅、步力、步速等。与其他的生物识别技术相比，步态识别具有非接触、可远距离观测、难伪装的优点。步态识别的非接触性，体现在整个识别过程不需要人的主动行为配合；步态识别的远距离可观测性，体现在识别所需的输入信息可以从远处获取、传输并进行分析处理；步态识别的难伪装性，体现在每个人都有不同的走路姿势。早在上个世纪六十年代，murray等人的医学研究就已经表明，每一个人的步态都是不一样的，要伪装走路姿势非常困难。因为人们在肌肉的力量、肌腱和骨骼长度、骨骼的密度、视觉的灵敏程度、协调能力、过往行走的经历、体重、重心、肌肉或骨骼受损的程度，以及个人走路的习惯上，都存在着细微的差异。
4.步态识别技术在智能安防监控领域、公共交通领域、智慧城市建设领域等拥有广阔的前景，可用于实现安防布控、无卡出行、人群密度监测、超流量预警等。显然，进行步态识别的相关研究具有重要的意义。在上述背景下，如何改进已有的步态识别系统，或者提出一种新型的更高效的步态识别装置以及方法，已经成为一个需要解决的问题，受到众多学者的关注。


技术实现要素：

5.本发明目的是为了解决现有技术中的问题，提出了一种基于光纤振动信号的步态识别装置、系统及方法。本发明所述方法能克服原基于视觉或传感的人体识别系统受限于天气因素，可穿戴设备使用不便等问题，且具有较低的时延与较高的准确率。
6.本发明是通过以下技术方案实现的，本发明提出一种基于分布式光纤传感设备的步态识别装置的识别方法，所述装置包括光时域反射仪模块，信号预处理模块，信号切割模块，信号特征提取模块和信号分类模块；
7.其中光时域反射仪模块用于采集由步行振动信号产生的光电信号强度数据；
8.信号预处理模块用于对提取到的二维强度信号进行预处理，滤除底噪，计算某一时段内识别到的人数，分离采集到的不同人体信号，并移除没有目标用户信号的静止帧；
9.信号切割模块用于对于预处理后的信号进行片段切割，对长度长的信号进行分帧处理；并对每帧内的两路信号进行分割；
10.信号特征提取模块用于对分割后的片段信号进行特征提取，并输出一组步态特征向量；
11.信号分类模块用于对每一组信号所提取的步态特征向量进行分类，并输出其身份标签；
12.所述方法具体为：
13.步骤1：启动光时域反射仪并记录目标用户行走的数据s(z,t)，获取其生成的信号强度数据并以txt文档的形式输出；
14.步骤2：利用信号预处理模块对获得的强度二维信号进行预处理，首先设置一定阈值x
threshold
的滤波器，认为信号能量低于该强度的信号为噪声并直接滤除；移除静止帧，即首先设置能量阈值e
threshold
，将信号切分为多帧，对各帧计算帧能量ei，判断该帧是否为静止帧；最后检查是否存在“步行-停止-步行”的情况，对于一非静止帧j,判断其相邻的k个帧是否属于静止帧，如果在该非静止帧的相邻帧中出现静止帧则说明实验数据存在“走-停-走”的现象，利用信号特征提取模块的步频算法提取原非静止帧内步行的迈步间隔d，以及静止帧后的迈步间隔q，利用二者的差值，若d-q插值大于阈值，则在j帧与j+k+1帧之间补齐d-q个0，否则在这两帧之间补齐q-d个0；修正舍去停止帧对于原迈步间隔的破坏，最后计算修正后的各帧起止点，拼接各帧并输出；对装置左右光纤同时测得的两路传感信号进行分离，得到双通道信号，将双通道信号每一通道的二维信号取其单位时间内的最大幅度值，获得时间-最大振幅的一维信号x(t)；
15.步骤3：利用信号切割模块完成信号分帧；首先设置帧数，将整个信号长度均分为帧数个等长模块，通过检测帧内是否存在不完整的一步来决定是否需要延伸帧头或帧尾，如果存在不完整的一步则在对应的位置延伸帧头或帧尾，完成各帧的输出；
16.步骤4：对每帧内信号进行特征提取，提取如下共11组特征，第i帧单帧特征向量[f
i,1
,f
i,2
,f
i,3
,f
i,4
,f
i,5
,f
i,6
,f
i,7
,f
i,8
,f
i,9
,f
i,10
,f
i,11
]各元素定义如下：
[0017]
(1)f
i,1
：步频，即每分钟的步数估计值；
[0018]
(2)f
i,2
：步幅，即单步距离的平均值；
[0019]
(3)f
i,3
：振动信号的能量平均值；
[0020]
(4)f
i,4
：最大振幅时域信号x(t)的方差均值比；
[0021]
(5)f
i,5
：最大振幅时域信号x(t)的峰值系数；
[0022]
(6)f
i,6
：最大振幅时域信号x(t)的过均值率；
[0023]
(7)f
i,7
：最大振幅时域信号x(t)的平均持续时间；
[0024]
(8)f
i,8
：最大振幅时域信号x(t)的样本熵；
[0025]
(9)f
i,9
：最大振幅时域信号x(t)的频谱峰值频率；
[0026]
(10)f
i,10
：最大振幅时域信号x(t)的功率谱熵；
[0027]
(11)f
i,11
：振动信号的空间跨度平均值；
[0028]
步骤5：将全部特征组合作为特征向量，对特征向量进行标准化，采用极度梯度提
升树作为分类器，xgboost使用的弱分类器为cart，xgboost通过不断添加cart，不断使特征进行分裂完成cart分类器的集成。
[0029]
进一步地，所述步频定义为单位时间内的步点数，其计算方法具体为：
[0030]
1.1、设置滑动窗口长度l，单次滑动距离d，步点峰值时间坐标数组t,观察窗口长度lw,计算滑动次数k，初始化标志位一维数组flag，初始化存储自相关峰值的动态数组g，计算自相关和在各个滑动窗口内的均值，通过比较前一与后一窗口内的均值大小，设置flag值记录自相关和变化趋势；
[0031]
1.2、初始化步点峰值时间内坐标数组，搜索峰值坐标，对应的坐标为步点对应的时间位置坐标；设置标志位j为1，当j＜k-6时进行判断，如果
[0032]
flag(j)+flag(j+1)+flag(j+2+p)＝3+p,p≥0
[0033]
则再次进行判断，若
[0034]
flag(j+p+1)+flag(j+p+1+q)＝-2-q,q≥0，
[0035]
则将窗口j+2+p的最大值坐标存入g；
[0036]
1.3、计算数组g的长度lg，步数n
step
＝l
g-1，初始化步点峰值时间坐标数组t
p
，在x(t)的前lw点内搜索峰值坐标t
p
(1)对于第k个值，其可通过公式t
p
(k)＝t
p
(k-1)+g[k]-g[k-1]计算得到；
[0037]
1.4、输出步频为：f
i,1
＝f＝60
×fs
×nstep
/[t
p
(lg)-t
p
(1)]。
[0038]
进一步地，所述步幅为相邻步点之间的距离，输入步点数n
step
，单帧信号和峰值坐标，对于第i步，当i未超出最大步数限制时，计算pi(z)，并估计位置zi，i超出最大步数时，计算s1，s2，s；其中，
[0039]
pi(z)由下式计算：
[0040][0041]
式中，t
range
＝200；
[0042]
zi由下式计算：
[0043][0044]
s1，s2，s的计算公式如下：
[0045][0046][0047][0048]
进一步地，所述能量均值由以下公式计算得到：
[0049][0050]
所述方差均值比由以下公式计算得到：
[0051][0052]
进一步地，所述峰值系数由以下公式计算得到：
[0053][0054]
其中：
[0055]
x
max
＝max{x(t)}
[0056][0057]
所述过均值率由以下公式计算得到：
[0058][0059]
进一步地，所述平均持续时间由以下公式计算得到：
[0060][0061]
式中，ⅱ(
·
)是指示函数，若
·
为真则取值1，否则取值0。
[0062]
进一步地，所述样本熵es刻画了信号的非平稳性与复杂性，计算过程如下：
[0063]
(1)设置重构维数m＝2；距离阈值
[0064]
(2)按时序重构一组维数为m的向量序列ym(1),
…
,ym(n-m+1)；
[0065]
ym(i)＝{x(i),x(i+1)，
…
，x(i+m-1)}，1≤i≤n-m+1
[0066]
(3)定义向量ym(i)与ym(j)之间的距离为：
[0067][0068]
(4)对于给定的ym(i),统计ym(i)和ym(j)之间的距离小于等于r的j的数目bi，1≤j≤n-m且j≠i，
[0069][0070]
(5)增加维数到m+1，计算ym(i)与ym(j)之间的距离小于等于r的j的数目ai，1≤j≤n-m且j≠i；类似地，定义
[0071][0072][0073]
(6)近似计算样本熵的值：
[0074][0075]
进一步地，所述频谱峰值频率由以下公式计算得到：
[0076][0077]
其中fs为otdr的采样频率，
[0078]
所述功率谱熵由以下公式计算得到：
[0079]
spd(f)＝|fft(r
x
[x(t)])
[0080][0081][0082]
进一步地，空间跨度反映的是振动信号力度与传播能力，对输入的二维信号，设置观察窗口的长度l
ob
，计算窗口的个数m，在计算完成本窗口的空间跨度后，窗口完成位移；窗口内空间跨度定义为：
[0083]
wk＝z
kmax-z
kmin
，pk(z)＞0,z∈[z
kmin
,z
kmax
]
[0084][0085][0086]
本发明的有益效果为：
[0087]
本发明提供了一种基于光纤振动信号的步态识别装置、系统及方法，该方法在无需视频监控设备以及可穿戴式传感设备的情况下提供了较高的识别率，更全面有效的为安防、监控等领域提供了应用支持，以较低的时延和较高的准确率，识别目前装置接受到的振动信号的对应的用户身份，以便在未来为安防、监控业务提供相关服务。在信号特征提取算法中，采取长时与短时特征联合识别的方式，进一步提升了准确率。
附图说明
[0088]
图1是本发明所述方法的过程示意图。
[0089]
图2是本发明所述方法中光时域反射仪采集到的二维强度-时间信号示意图。
[0090]
图3是本发明所述方法中经过预处理模块得到的一维强度-时间信号示意图。
[0091]
图4是本发明所述方法中二维信号的通道拆分示意图。
[0092]
图5是本发明使用光时域反射仪实物图。
具体实施方式
[0093]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0094]
本发明提出一种基于分布式光纤传感设备的步态识别装置的识别方法，所述装置包括光时域反射仪模块(otdr，optical time domain reflectometer)，信号预处理模块，信号切割模块，信号特征提取模块和信号分类模块；
[0095]
其中光时域反射仪模块用于采集由步行振动信号产生的光电信号强度数据；
[0096]
信号预处理模块用于对提取到的二维强度信号进行预处理，对采集的数据进行处理，滤除底噪，计算某一时段内识别到的人数，分离采集到的不同人体信号，并移除没有目标用户信号的静止帧；
[0097]
信号切割模块用于对于预处理后的信号进行片段切割，对长度长的信号进行分帧处理；并对每帧内的两路信号进行分割；
[0098]
信号特征提取模块用于对分割后的片段信号进行特征提取，并输出一组步态特征向量；
[0099]
信号分类模块用于对每一组信号所提取的步态特征向量进行分类，并输出其身份标签(即用户身份的预测值)；
[0100]
所述方法具体为：
[0101]
步骤1：启动光时域反射仪并记录目标用户行走的数据s(z,t)，获取其生成的信号强度数据并以txt文档的形式输出；利用数据处理工具读入txt文档中两列数据并分别存储在时间和强度数组中。
[0102]
步骤2：利用信号预处理模块对获得的强度二维信号进行预处理，首先设置一定阈值x
threshold
的滤波器，认为信号能量低于该强度的信号为噪声并直接滤除；移除静止帧，即首先设置能量阈值e
threshold
，将信号切分为多帧，对各帧计算帧能量ei，对帧内全部信号进行求平方和，判断该帧是否为静止帧，即如果帧内能量高于阈值判断为非静止帧，否则判断为静止帧；最后检查是否存在“步行-停止-步行”的情况，对于一非静止帧j,判断其相邻的k个帧是否属于静止帧，如果在该非静止帧的相邻帧中出现静止帧则说明实验数据存在“走-停-走”的现象，利用信号特征提取模块的步频算法提取原非静止帧内步行的迈步间隔d，以及静止帧后的迈步间隔q，利用二者的差值，若d-q插值大于阈值，则在j帧与j+k+1帧之间补齐d-q个0，否则在这两帧之间补齐q-d个0；修正舍去停止帧对于原迈步间隔的破坏，最后计算修正后的各帧起止点，拼接各帧并输出；对装置左右光纤同时测得的两路传感信号进行分离，得到双通道信号，获取单位时间内最大振幅的两个位置，并记录为两个通道的数组，将双通道信号每一通道的二维信号取其单位时间内的最大幅度值，获得时间-最大振幅的一维信号x(t)；
[0103]
步骤3：利用信号切割模块完成信号分帧；首先设置帧数，将整个信号长度均分为
帧数个等长模块，通过检测帧内是否存在不完整的一步来决定是否需要延伸帧头或帧尾，如果存在不完整的一步则在对应的位置延伸帧头或帧尾，完成各帧的输出；
[0104]
步骤4：对每帧内信号进行特征提取，提取如下共11组特征，第i帧单帧特征向量[f
i,1
,f
i,2
,f
i,3
,f
i,4
,f
i,5
,f
i,6
,f
i,7
,f
i,8
,f
i,9
,f
i,10
,f
i,11
]各元素定义如下：
[0105]
(1)f
i,1
：步频，即每分钟的步数估计值；
[0106]
(2)f
i,2
：步幅，即单步距离的平均值；
[0107]
(3)f
i,3
：振动信号的能量平均值；
[0108]
(4)f
i,4
：最大振幅时域信号x(t)的方差均值比；
[0109]
(5)f
i,5
：最大振幅时域信号x(t)的峰值系数；
[0110]
(6)f
i,6
：最大振幅时域信号x(t)的过均值率；
[0111]
(7)f
i,7
：最大振幅时域信号x(t)的平均持续时间；
[0112]
(8)f
i,8
：最大振幅时域信号x(t)的样本熵；
[0113]
(9)f
i,9
：最大振幅时域信号x(t)的频谱峰值频率；
[0114]
(10)f
i,10
：最大振幅时域信号x(t)的功率谱熵；
[0115]
(11)f
i,11
：振动信号的空间跨度平均值；
[0116]
步骤5：将全部特征组合作为特征向量，对特征向量进行标准化，以加快分类算法的收敛速度，采用极度梯度提升树(xgboost)作为分类器，boosting是一族将弱学习器提升为强学习器的算法。xgboost使用的弱分类器为cart(classification and regression tree)，cart属于二叉树，通过自上而下的分裂不断对样本集合的特征进行分裂。xgboost通过不断添加cart，不断使特征进行分裂完成cart分类器的集成。
[0117]
所述步频定义为单位时间内的步点数，其计算方法具体为：
[0118]
1.1、设置滑动窗口长度l，单次滑动距离d，步点峰值时间坐标数组t,观察窗口长度lw,计算滑动次数k，初始化标志位一维数组flag，初始化存储自相关峰值的动态数组g，计算自相关和在各个滑动窗口内的均值，通过比较前一与后一窗口内的均值大小，设置flag值记录自相关和变化趋势；
[0119]
1.2、初始化步点峰值时间内坐标数组，搜索峰值坐标，对应的坐标为步点对应的时间位置坐标；设置标志位j为1，当j＜k-6时进行判断，如果
[0120]
flag(j)+flag(j+1)+flag(j+2+p)＝3+p,p≥0
[0121]
则再次进行判断，若
[0122]
flag(j+p+1)+flag(j+p+1+q)＝-2-q,q≥0，
[0123]
则将窗口j+2+p的最大值坐标存入g；
[0124]
1.3、计算数组g的长度lg，步数n
step
＝l
g-1，初始化步点峰值时间坐标数组t
p
，在x(t)的前lw点内搜索峰值坐标t
p
(1)对于第k个值，其可通过公式t
p
(k)＝t
p
(k-1)+g[k]-g[k-1]计算得到；
[0125]
1.4、输出步频为：f
i,1
＝f＝60
×fs
×nstep
/[t
p
(lg)-t
p
(1)]。
[0126]
所述步幅为相邻步点之间的距离，由于otdr设备的限制，因此采用信号的空间维度和峰值位置联合分析，输入步点数n
step
，单帧信号和峰值坐标，对于第i步，当i未超出最大步数限制时，计算pi(z)，并估计位置zi，i超出最大步数时，计算s1，s2，s；其中，
[0127]
pi(z)由下式计算：
[0128][0129]
式中，t
range
＝200；
[0130]
zi由下式计算：
[0131][0132]
s1，s2，s的计算公式如下：
[0133][0134][0135][0136]
所述能量均值由以下公式计算得到：
[0137][0138]
所述方差均值比由以下公式计算得到：
[0139][0140]
所述峰值系数由以下公式计算得到：
[0141][0142]
其中：
[0143]
x
max
＝max{x(t)}
[0144][0145]
所述过均值率由以下公式计算得到：
[0146][0147]
所述平均持续时间由以下公式计算得到：
[0148][0149]
式中，ⅱ(
·
)是指示函数，若
·
为真则取值1，否则取值0。由于降噪过程将不高于噪声门限的信号值置为零，因此置零率的本质是噪声信号所占的时间比例。另外，间断的单脉冲，视为高于噪声门限的噪声。
[0150]
所述样本熵es刻画了信号的非平稳性与复杂性，计算过程如下：
[0151]
(1)设置重构维数m＝2；距离阈值
[0152]
(2)按时序重构一组维数为m的向量序列ym(1),
…
,ym(n-m+1)；
[0153]
ym(i)＝{x(i),x(i+1)，
…
，x(i+m-1)}，1≤i≤n-m+1
[0154]
(3)定义向量ym(i)与ym(j)之间的距离为：
[0155][0156]
(4)对于给定的ym(i),统计ym(i)和ym(j)之间的距离小于等于r的j的数目bi，1≤j≤n-m且j≠i，
[0157][0158]
(5)增加维数到m+1，计算ym(i)与ym(j)之间的距离小于等于r的j的数目ai，1≤j≤n-m且j≠i；类似地，定义
[0159][0160][0161]
(6)近似计算样本熵的值：
[0162][0163]
所述频谱峰值频率由以下公式计算得到：
[0164][0165]
其中fs为otdr的采样频率，
[0166]
所述功率谱熵由以下公式计算得到：
[0167]
spd(f)＝|fft(r
x
[x(t)])
[0168]
[0169][0170]
空间跨度反映的是振动信号力度与传播能力，对输入的二维信号，设置观察窗口的长度l
ob
，计算窗口的个数m，在计算完成本窗口的空间跨度后，窗口完成位移；窗口内空间跨度定义为：
[0171]
wk＝z
kmax-z
kmin
，pk(z)＞0,z∈[z
kmin
,z
kmax
]
[0172][0173][0174]
本发明提供了一种基于光纤振动信号的步态识别装置、系统及方法，本发明所述方法在无需视频监控设备以及可穿戴式传感设备的情况下提供了较高的识别率，更全面有效的为安防、监控等领域提供了应用支持，以较低的时延和较高的准确率识别目前装置接受到的人体行走信号的来源用户身份，以便在未来为安防、监控业务提供相关服务。在信号特征提取算法中，采取了长时与短时特征联合识别的方式，进一步提升了准确率。
[0175]
表1符号说明表
[0176]
[0177]
[0178]

技术特征：
1.一种基于分布式光纤传感设备的步态识别装置的识别方法，其特征在于：所述装置包括光时域反射仪模块，信号预处理模块，信号切割模块，信号特征提取模块和信号分类模块；其中光时域反射仪模块用于采集由步行振动信号产生的光电信号强度数据；信号预处理模块用于对提取到的二维强度信号进行预处理，滤除底噪，计算某一时段内识别到的人数，分离采集到的不同人体信号，并移除没有目标用户信号的静止帧；信号切割模块用于对于预处理后的信号进行片段切割，对长度长的信号进行分帧处理；并对每帧内的两路信号进行分割；信号特征提取模块用于对分割后的片段信号进行特征提取，并输出一组步态特征向量；信号分类模块用于对每一组信号所提取的步态特征向量进行分类，并输出其身份标签；所述方法具体为：步骤1：启动光时域反射仪并记录目标用户行走的数据s(z,t)，获取其生成的信号强度数据并以txt文档的形式输出；步骤2：利用信号预处理模块对获得的强度二维信号进行预处理，首先设置一定阈值x
threshold
的滤波器，认为信号能量低于该强度的信号为噪声并直接滤除；移除静止帧，即首先设置能量阈值e
threshold
，将信号切分为多帧，对各帧计算帧能量e
i
，判断该帧是否为静止帧；最后检查是否存在“步行-停止-步行”的情况，对于一非静止帧j,判断其相邻的k个帧是否属于静止帧，如果在该非静止帧的相邻帧中出现静止帧则说明实验数据存在“走-停-走”的现象，利用信号特征提取模块的步频算法提取原非静止帧内步行的迈步间隔d，以及静止帧后的迈步间隔q，利用二者的差值，若d-q插值大于阈值，则在j帧与j+k+1帧之间补齐d-q个0，否则在这两帧之间补齐q-d个0；修正舍去停止帧对于原迈步间隔的破坏，最后计算修正后的各帧起止点，拼接各帧并输出；对装置左右光纤同时测得的两路传感信号进行分离，得到双通道信号，将双通道信号每一通道的二维信号取其单位时间内的最大幅度值，获得时间-最大振幅的一维信号x(t)；步骤3：利用信号切割模块完成信号分帧；首先设置帧数，将整个信号长度均分为帧数个等长模块，通过检测帧内是否存在不完整的一步来决定是否需要延伸帧头或帧尾，如果存在不完整的一步则在对应的位置延伸帧头或帧尾，完成各帧的输出；步骤4：对每帧内信号进行特征提取，提取如下共11组特征，第i帧单帧特征向量[f
i,1
,f
i,2
,f
i,3
,f
i,4
,f
i,5
,f
i,6
,f
i,7
,f
i,8
,f
i,9
,f
i,10
,f
i,11
]各元素定义如下：(1)f
i,1
：步频，即每分钟的步数估计值；(2)f
i,2
：步幅，即单步距离的平均值；(3)f
i,3
：振动信号的能量平均值；(4)f
i,4
：最大振幅时域信号x(t)的方差均值比；(5)f
i,5
：最大振幅时域信号x(t)的峰值系数；(6)f
i,6
：最大振幅时域信号x(t)的过均值率；(7)f
i,7
：最大振幅时域信号x(t)的平均持续时间；(8)f
i,8
：最大振幅时域信号x(t)的样本熵；
(9)f
i,9
：最大振幅时域信号x(t)的频谱峰值频率；(10)f
i,10
：最大振幅时域信号x(t)的功率谱熵；(11)f
i,11
：振动信号的空间跨度平均值；步骤5：将全部特征组合作为特征向量，对特征向量进行标准化，采用极度梯度提升树作为分类器，xgboost使用的弱分类器为cart，xgboost通过不断添加cart，不断使特征进行分裂完成cart分类器的集成。2.根据权利要求1所述的方法，其特征在于，所述步频定义为单位时间内的步点数，其计算方法具体为：1.1、设置滑动窗口长度l，单次滑动距离d，步点峰值时间坐标数组t,观察窗口长度l
w
,计算滑动次数k，初始化标志位一维数组flag，初始化存储自相关峰值的动态数组g，计算自相关和在各个滑动窗口内的均值，通过比较前一与后一窗口内的均值大小，设置flag值记录自相关和变化趋势；1.2、初始化步点峰值时间内坐标数组，搜索峰值坐标，对应的坐标为步点对应的时间位置坐标；设置标志位j为1，当j＜k-6时进行判断，如果flag(j)+flag(j+1)+flag(j+2+p)＝3+p,p≥0则再次进行判断，若flag(j+p+1)+flag(j+p+1+q)＝-2-q,q≥0，则将窗口j+2+p的最大值坐标存入g；1.3、计算数组g的长度l
g
，步数n
step
＝l
g-1，初始化步点峰值时间坐标数组t
p
，在x(t)的前l
w
点内搜索峰值坐标t
p
(1)对于第k个值，其可通过公式t
p
(k)＝t
p
(k-1)+g[k]-g[k-1]计算得到；1.4、输出步频为：f
i,1
＝f＝60
×
f
s
×
n
step
/[t
p
(l
g
)-t
p
(1)]。3.根据权利要求1所述的方法，其特征在于，所述步幅为相邻步点之间的距离，输入步点数n
step
，单帧信号和峰值坐标，对于第i步，当i未超出最大步数限制时，计算p
i
(z)，并估计位置z
i
，i超出最大步数时，计算s1，s2，s；其中，p
i
(z)由下式计算：式中，t
range
＝200；z
i
由下式计算：s1，s2，s的计算公式如下：单位：cm单位：cm
4.根据权利要求1所述的方法，其特征在于，所述能量均值由以下公式计算得到：所述方差均值比由以下公式计算得到：5.根据权利要求1所述的方法，其特征在于，所述峰值系数由以下公式计算得到：其中：x
max
＝max{x(t)}所述过均值率由以下公式计算得到：6.根据权利要求1所述的方法，其特征在于，所述平均持续时间由以下公式计算得到：式中，ⅱ(
·
)是指示函数，若
·
为真则取值1，否则取值0。7.根据权利要求1所述的方法，其特征在于，所述样本熵e
s
刻画了信号的非平稳性与复杂性，计算过程如下：(1)设置重构维数m＝2；距离阈值(2)按时序重构一组维数为m的向量序列y
m
(1),
…
,y
m
(n-m+1)；y
m
(i)＝{x(i),x(i+1)，
…
，x(i+m-1)}，1≤i≤n-m+1(3)定义向量y
m
(i)与y
m
(j)之间的距离为：(4)对于给定的y
m
(i),统计y
m
(i)和y
m
(j)之间的距离小于等于r的j的数目b
i
，1≤j≤n-m
且j≠i，且j≠i，(5)增加维数到m+1，计算y
m
(i)与y
m
(j)之间的距离小于等于r的j的数目a
i
，1≤j≤n-m且j≠i；类似地，定义且j≠i；类似地，定义(6)近似计算样本熵的值：8.根据权利要求1所述的方法，其特征在于，所述频谱峰值频率由以下公式计算得到：其中f
s
为otdr的采样频率，所述功率谱熵由以下公式计算得到：spd(f)＝|fft(r
x
[x(t)])|[x(t)])|9.根据权利要求1所述的方法，其特征在于，空间跨度反映的是振动信号力度与传播能力，对输入的二维信号，设置观察窗口的长度l
ob
，计算窗口的个数m,在计算完成本窗口的空间跨度后，窗口完成位移；窗口内空间跨度定义为：w
k
＝z
kmax-z
kmin
，p
k
(z)＞0,z∈[z
kmin
,z
kmax
]]

技术总结
本发明提出一种基于光纤振动信号的步态识别装置、系统及方法。所述装置包括光时域反射仪模块，信号预处理模块，信号切割模块，信号特征提取模块和信号分类模块。该方法在无需视频监控设备以及可穿戴式传感设备的情况下提供了较高的识别率，更全面有效的为安防、监控等领域提供了应用支持，以较低的时延和较高的准确率，识别目前装置接受到的振动信号的对应的用户身份，以便在未来为安防、监控业务提供相关服务。在信号特征提取算法中，采取长时与短时特征联合识别的方式，进一步提升了准确率。率。率。


技术研发人员：马琳 梁耀朗 郭士增 李宏伟 董永康 孟维晓
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.03.17
技术公布日：2023/7/7