打开文本图片集

摘要：通过脚步振动信号进行人员识别，可以为人们提供个性化的监控和服务，使人们的生活更加便捷、简单、安全，与先前基于视觉、声学等传感方法相比，更加隐秘、舒适。在进行人员身份的识别过程中，发现脚步振动信号不仅与人的身高、体重、走路方式等有关还与振动机制密切相关，如鞋底材质、地板材质等。为了消除振动机制对脚步振动信号识别的影响，提出了运用左右脚落步时间、时间差和间隔时间作为特征参数进行人员身份的识别，并运用支持向量机（SVM）算法实现了对人员身份的分类识别。

关键词：脚步振动信号;行人身份识别;特征提取;支持向量机

中图分类号：TU197;TU89     文献标识码

Abstract：Personnel identification through footstep vibration signals can provide personalized monitoring and services for people， making people’s lives more convenient， simple and safe， and more private and comfortable than previous sensing methods based on vision and acoustics. In the process of identifying people， it is found that the footstep vibration signal is not only related to the height， weight， walking style， etc. of the person， but also closely related to the vibration mechanism， such as the sole material， the floor material， etc. In order to eliminate the influence of vibration mechanism on the identification of footstep vibration signal， the left and right foot landing time， time difference and interval time are proposed as feature parameters for the identification of personnel， and the support vector machine （SVM） algorithm is used to realize the classification and identification of personnel identity.

Keywords：Footstep vibration signal;Pedestrian identification;Feature extraction;SVM

随着人们安全意识的逐渐提高，各种形式的监控设备也应运而生。目前市场上最常见的是视频监控，通过前端摄像头进行拍摄，将采集到的视频图像传输到显示设备，进行浏览和储存。视频监控的运用使人们的生活更加安全、便捷。但同时也存在不足的地方，对于隐私意识较强的人们来说不是一个好的选择。通过在地板下边安装特定的传感器，也可以对地板走路的行人进行监控。

研究发现人们行走时所引起的地面振动信号也可作为人类的行为特征之一[1]。由于每个人的身高、体重、走路方式等不同，走路所产生的脚步振动信号是不同的，具有唯一性。而且脚步振动信号的采集具有隐秘性、不可躲避性等优点。2014 Velibeyoglu I等[2]通过低分辨率振动传感器稀疏分布，设计了建筑物利用率估计系统，实现了人员的定位和跟踪，且房间内人员个数识别率达到85%。2015年Shijia Pan 等[3]通过对脚步振动信号进一步的划分，从时域和频域两个角度进行信号特征的提取，利用多类C-SVM对5个人的脚步振动事件进行识别，最终人员身份识别率达到83%。2016年Dustin Bales等[4]通过安装在地板下的加速度传感器对15个行人正常行走所产生的脚步振动信号进行了采集，将提取的特征集应用决策树分类器进行学习分类，最终实现了88%的性别识别率。2017年Shijia Pan等[5]提出了脚步ID的概念，利用对单个步长信号如何随行走速度变化的物理观察，并引入迭代直推学习算法（ITSVM），实现了人员身份的识别。

基于以上研究，笔者对单人行走脚步振动信号分析，提取可以证明人员身份的特征参数。最后运用SVM实现行人数量和身份的分类识别。

1 脚步振动信号的采集与预处理

1.1采集设备的选择

行人身份识别率的准确性与采集的脚步振动信号的质量密切相关，振动传感器性能的好坏是影响最终结果的关键。经过分析对比最终选择了941B型低频拾振器，采用差分式磁钢感应振动原理，利用无源闭环伺服技术获得良好的低频特性及良好的阻抗匹配特性。

DASP采集仪集放大模块和数据传输模块于一体，适合多种动态和静态信号的采集，稳定且简单便捷。941B型拾振器、DASP采集仪、电脑相连接组成一套完整的脚步振动信号的采集设备，如图1所示。当行人行走时，由垂直地板振动引起的振动变化非常小（大约10-6到10-5m/s的范围）。经过实验，当放大倍数为10倍时，既不会出现削波现象又获得较高的的振动信号分辨率。

1.2采样频率的选取

根据奈奎斯特采样定理[6]，fs≥2fm，即采样频率fs要大于或等于两倍模拟输入信号的最高频率fm，采样信号才可以重构原始信号。当采样频率不满足上述要求，即fs<2fm时信号会出现混叠现象进而无法重构。对脚步振动信号进行采样时，如果fs太低，会引起频率混叠而丢失有用信息，使得无法重构原始信号。如果fs太高，使得一定时间内采集的数字序列过长，需要处理的数据过多，会给硬件运算增加不必要的负担。经过大量的实际测量和分析，人们走路过程中所引起的振动信号频率一般小于150Hz，因此在采集振动信号时将fs设定为1024Hz。

1.3信号降噪处理

在脚步振动信号采集的过程中由于环境的影响通常会含有非脚步振动信号的噪声信号。从混合信号中分离出真实的脚步振动信号是对脚步振动信号进行特征提取、识别的重要步骤。

EMD（经验模态分解）因其在处理非稳定和非线性数据上具有明显的优势而被广泛应用于振动信号降噪中[7]。与小波降噪相比自适应性强，不需预先设定基函数。脚步振动信号为不稳定的非线性信号，运用EMD进行降噪处理得到了较好的效果。经验模态分解就是依据信号本身的时间尺度特征对信号进行分解，形成有限个IMF本（征模态函数）分量，这些本IMF分量包含了原信号的不同时间尺度的局部特征信号，对这些IMF分量进行筛选，去掉包含噪声的IMF分量，最后把有效信号进行重构，得到去除噪声的振动信号。

2单人行走落脚时间分析

目前大多数基于脚步振动信号进行人员识别的研究都是在特定环境下，限制了脚步振动信号的多样性。所以，寻找能准确反应人员行走的生物特征，并对振动机制改变鲁棒性强的脚步特征是主要问题。通过实验发现虽然由于振动机制的差别所采集的脚步振动信号其振动特征有很大差别，但左右脚的落脚时间和间隔时间都相对稳定，特别是同一个人左脚和右脚落步的时间差都是不同的，能够反应个人行走的本质特征。图2为一个测试者四种脚步振动信号的脚步时间数据波形图，从图中可以看出在不同的振动机制下，左右脚的落脚时间和间隔时间基本相同。

通过图2和表2可以得出同一个测试者鞋底材质不同，地板材质不同所采集的脚步振动信号的时间数据会有轻微的差异，导致这种轻微的差异主要原因有两点，一是由于每次采集时测试者的步态差异，二是由于提取落脚时间数据时的计算误差。因此可以得出，即使穿不同材质的鞋在不同材质的地板上行走左右脚的落脚时间和落脚时间差都差异不大。结合图3可以得出，脚步振动信号中左右脚的时间特征主要依赖于被测试者而和发生机制并没有太大的关系，无论测试者的鞋底材质和地板材质如何变化，不同测试者的左右脚时间差异都会有明显的变化。

4试验

实验都位于烟台大学新实验楼一楼大厅内铺设地板砖的地面和铺设木地板的地面上。两组实验的实验环境相同，在数据收集过程中没有其他来源产生的噪声，如人员摔倒、东西掉地、开关门等。实验设备都为一个采集竖向振动的941B拾振器放在地面上，用数据线与DASP采集仪、电脑相连接。设置10倍的增益倍数放大拾振器的信号，以提高信号分辨率。以1024Hz的采样频率记录数据。

目前有关于文本分类的算法有很多。如决策树、神经网络、K-邻近值法、贝叶斯分类算法、类中心向量算法等。支持向量机（SVM）作为一种经典的统计模式识别方法，是使用最为广泛、效果最好的文本分类方法之一。复杂度相同的问题下，SVM与其他训练分类算法相比所需要的训练样本相对量少[8]。所以对于本文的小样本数据选择SVM作为分类器。

为了准确的区分出左右脚的落步振动，规划了测试者的行走路线为以拾振器为圆心，半径为2米的圆形路线，保证拾振器能捕捉到连续行走的脚步振动。每位测试者沿着规划路线走一分钟大概为100步。为了丰富样本的多样性，首先在铺设地板砖的地面上进行，十位测试者先穿着软底的运动鞋进行行走再换上硬底的皮鞋进行行走，在木地板上也采集软底鞋和硬底鞋两种样本数据。对采集的样本数据首先进行降噪处理，把每连续十步的左脚落脚时间、右脚落脚时间、间隔时间做平均处理，最后每位测试者的样本数据有20组，总共200组样本数据。我们把200组样本数据放在SVM分类模型中进行分类识别，80%的作为训练样本，20%作为测试样本。正确率如图5所示，总共40个测试样本识别率达到90%。在不区分左右脚时间的情况下把每连续十步的平均落脚时间和间隔时间作为分类特征带入SVM分类模型中，最终200个样本数据，20%的测试数据，识别率只有81.3%。所以区分左右脚的时间差更能提高人员身份的识别精度。

图3 人员身份识别结果

5结论

为了消除振动机制对脚步振动信号分析的影响，我们提出了一种新的脚步振动信号特征提取方法来进行人员身份的识别，以左右脚落脚持续时间、左右脚间隔时间及时间差作为识别特征，运用SVM分类算法进行分类识别。通过实验证明我们所提出的特征对于不同的振动机制所产生的脚步振动信号的识别具有较好的稳定性和鲁棒性。最后与以平均落脚时间和间隔时间作为识别特征的分类结果进行对比，发现运用我们所提出的分类特征进行行人身份的识别精度更高。但此特征参数只适用于小样本的识别。

参考文献

[1] Clemente J ，  Li F ，  Valero M ， et al. Indoor Person Identification and Fall Detection through Non-Intrusive Floor Seismic Sensing[C]// IEEE SmartComp. IEEE， 2019.

[2] S. Pan， A. Bonde， J. Jing， L. Zhang， P. Zhang， andH. Y. Noh. Boes： building occupancy estimation system using sparse ambient vibration monitoring. InSPIE Smart Structures and Materials+ Nondestructive Evaluation and Health Monitoring，pages 90611O–90611O. International Society forOptics and Photonics， 2014.

[3]Velibeyoglu I， Pan S， Wang N， et al. Indoor Person Identification through Footstep Induced Structural Vibration [C].Proceedings of the 16th International Workshop on Mobile Computing Systems and Applications. ACM， 2015，81-86.

[4]Bales Ds Tarazage P， Kasarda M， et al. Gendwe Classification of Walkers Via Underfloor Accelerometer Measurements [J] IEEE Internet of Things Journal， 2016， 3（6）： 1259-1266.

[5]Pan S， Yu T， Mirshekari M， et al. FootprintID： Indoor Pedestrian Identification through Ambient Structural Vibration Sensing，IMWUT 1，2017，89：1-89：31.

[6]赵正龙，宋彬，吕建刚，何忠波，戴志广.一种全金属车轮的平顺性测试与分析[J].振动.测试与诊断，2021，41（01）：41-48+199.

[7]Houston， K.M.， McGaffigan， D.P.： Spectrum analysis techniques for personnel detection using seismic sensors. In Carapezza， E.M.， ed.： Unattended Ground Sensor Technologies and Applications V. Volume 5090.， SPIE （2003） 162–173

[8]李运，杨世海，吴佳佳，顾伯忠.基于SVM观测器的新异类故障检测方法及应用[J].振动.测试与诊断，2021，41（02）：292-298+411.

作者简介：张玉洁，女，1995年出生，山东菏泽人，烟台大学土木工程学院在校研究生，研究方向为结构振动