基于深度学习的人体步态身份识别研究.pdfVIP

基于深度学习的人体步态身份识别研究

专业名称：电子信息

研究生姓名：耿颖睿

指导教师：王燕副教授、史志杰高工

摘要

步态作为一种行走时的生物识别特征，与指纹、人脸一样具有独特性。通过对个体

的步态模式进行深入分析，可以实现人体身份识别。基于穿戴式传感器的步态身份识别

通过利用安装在人体不同部位的加速度计和陀螺仪等传感器收集的数据提取步态特征

实现对个体的准确鉴别。随着互联网和移动设备的广泛普及，穿戴式人体身份识别致力

于提高身份识别准确率的同时保护用户数据的隐私安全。本文基于集中式学习与分布式

学习两种深度学习方式，对步态身份识别特征提取与融合及步态数据隐私保护的实现两

方面展开研究，主要工作如下：

1

（）在集中式学习方式下，针对可穿戴设备的佩戴位置对人体步态身份识别的贡

献，研究单位置和多位置穿戴的步态数据特征提取与融合。首先收集和分析了全身多位

置穿戴步态数据，构建TNET和SNET深度学习模型分别提取步态数据的时间特征和空

间特征，用于评估单位置和多位置穿戴场景中不同穿戴位置对身份识别性能的影响。在

单一位置场景下的研究结果表明，髋关节位置的数据在身份识别任务中表现出最高的识

别性能。在多位置穿戴场景中探索了不同位置步态数据的融合策略，结果表明髋关节与

肘关节穿戴位置数据的融合提升了身份识别准确率；而在下肢多位置穿戴场景和全身多

位置穿戴场景中，识别准确率并未显著提升。同时基于TNET和SNET构建了两种时空

特征融合模型，研究了特征融合对步态身份识别性能的贡献。融合结果表明，多位置的

数据融合与特征融合对于提高身份认证的效果没有显著提升，步态特征融合导致模型参

数量的大幅增加，可能引入特征冗余而导致识别性能的提升有限。该研究进一步表明了

可穿戴设备的佩戴位置对人体步态身份识别准确率的贡献，为步态身份识别中穿戴设备

的最优布局提供了依据。

2

（）针对传统集中式步态识别方法可能引发的隐私安全问题，本文提出了一种基

于联邦学习的分布式人体步态身份识别方法。与集中式学习步态识别不同，该方法通过

在多个客户端之间共享模型参数而不共享原始数据的方式，协同训练分布式客户端模型

和中心服务器的全局模型，从而避免将原始数据集中处理的需求，缓解步态数据隐私泄

露的担忧。通过对采集的步态数据及公开的步态数据集进行分析，根据数据采集参与者

的数量将数据分配到不同的本地客户端进行分布式学习，结果表明了该分布式学习步态

身份识别方法的可行性。

关键词：穿戴设备，身份识别，步态，分布式学习，卷积神经网络

ResearchonHumanGaitIdentityRecognition

BasedonDeepLearning

Major:ElectronicInformation

Masterstudent:GengYingrui

Supervisor:YanWang(AssociateProfessor),ShiZhijie(SeniorEngineer)

Abstract

Gait,asabiometriccharacteristicobservedduringwalking,possessesalevelof

uniquenessakintofingerprintsandfacialfeatures.Preciseidentityrecognitioncanbeachieved

byanalyzinganindividualsgaitpattern.Gaitidentityrecognitiontechnologybasedon

wearablesensorsutili