摘要：随着智能可穿戴产品不断涌现,兼顾舒适性与智能性的服装越来越受消费者喜爱。智能传感设备与服装相结合,可以极大地发挥智能性、舒适性和质轻性等特点,从而广泛应用于人体监测、医疗康复及运动竞技等领域。将锦纶、导电银纱线和氨纶进行编织,制备了一种弹性电容型纱线应变传感器,并将其成功集成到运动护膝中。通过合理布局传感器区域,确保传感器准确地感知人体运动,实现了具有高灵敏度和稳定性的多区域应变传感智能护膝的设计与制备。收集人体异常步态运动数据,采用高效的运动特征提取和机器学习算法对数据进行分析与识别,最终成功构建了智能关节损伤康复辅助训练系统,为康复训练领域带来了新的发展机遇。

摘要：在当今社会,保障公共安全和防范犯罪是一个重要的任务,步态识别作为一种生物识别技术,具有独特的优势和应用前景,基于视频监控的步态识别系统设计则是一个结合了安防技术和计算机视觉技术的重要研究领域,该系统利用视频监控设备记录人体行走过程中的步态特征,并通过分析和识别步态特征,对目标进行身份验证和行为分析。基于此,本文简单讨论基于视频监控的步态识别系统设计价值和难点,深入探讨设计要点,以供参考。

摘要：目前,大多数基于骨骼的步态识别方法通过改善时空关系表征来提高步态识别的准确率,但却忽略了人体物理结构节点之间的联动性。基于上述问题,探究步态识别的空间拓扑联动关系。提出一种基于局部分区的新策略方法,划分人体非结构化区域并构建区域之间的邻接关系表示人体姿态的相对变化。其次,设计多尺度时间模块以时间为轴关联局部分区的节点变化提取多尺度时间特征。通过实验验证,该方法在步态数据集CASIA-B上超越了主流的步态识别方法,在不同行走条件下Rank-1准确率分别达到87.6%、77.6%以及72.8%。

摘要：现有的大多数步态识别方法是基于轮廓的步态识别方法,然而轮廓容易受到遮挡的影响,从而导致识别准确率下降。在现实的监控场景下,遮挡几乎是不可避免的,提高遮挡情况下的步态识别精度是算法能够“落地”于实际应用的前提。针对此问题,提出了结合轮廓与姿态的时空融合步态识别方法。利用姿态具有抵抗遮挡的能力,设计多模态空间特征融合模块,利用特征重用策略和模态融合策略以提高空间特征的信息容量;设计多尺度时间特征提取模块,利用独立分支提取不同时间尺度下的时间信息,提出一种基于注意力的特征融合策略以自适应地整合时间信息;设计空间特征集合分支,以深监督方式提高时空特征的表达能力。在公开数据集上的实验结果表明了所提方法的有效性,模型在遮挡情况下具有较好的鲁棒性。

摘要：针对现有的步态识别方法未能充分利用帧级特征信息和时空特征信息的问题,提出了基于帧级-时空双分支网络的步态识别方法。该网络是一个新的双分支结构,包括帧级特征提取和时空特征提取分支。为了进一步增强特征表示,设计了一个时序集成模块连接2个分支结构,使帧级特征提取分支的信息能够多次集成于时空特征提取分支。所提方法在CASIA⁃B和OU⁃MVLP数据集上进行了实验。实验结果表明,所提方法在正常行走和复杂条件下都表现出很好的性能。

摘要：针对一种下肢柔性助力机器人,开发了一种基于航姿参考模块(attitude and heading reference system,AHRS)设计的人体下肢运动学信息采集系统.该系统的AHRS具有体积小、功耗低的特点,便于通过绑带与人体保持紧致连接,并且能够长时间穿戴,AHRS的设计融合了卡尔曼滤波算法(Kalman filter,KF)以提高数据的精度,多通道的数据通过ZigBee技术组建的无线传感器网络进行通信,并传输至上位机.然后,建立人体下肢运动学模型,推出AHRS测量角度和人体下肢姿态角度转换关系.同时,考虑在人体不同的步态活动下机器人助力的情况不同,设计了决策树分类器以对不同的步态活动进行识别分类,进一步地协助下肢柔性助力机器人对人体进行有效助力.在多种步态活动下,通过将该系统所采集的数据与Vicon系统采集的数据进行对比可知,该系统所采数据具有较高的精度,也验证了系统具有良好的稳定性及可靠性,另外利用大量的步态数据训练决策树分类器,并通过对未知步态活动进行的分类实验验证了步态识别的准确性.

摘要：目的基于步态剪影的方法取得了很大的性能提升,其中通过水平划分骨干网络的输出从而学习多身体部位特征的机制起到了重要作用。然而在这些方法对不同部位的特征都是以相对独立的方式进行提取,不同部位之间缺乏交互,有碍于识别准确率的进一步提高。针对这一问题,本文提出了一个新模块用于增强步态识别中的多部位特征学习。方法本文将“分离—共享”机制引入到步态识别的多部位特征学习过程中。分离机制允许每个部位学习自身独有的特征,主要通过区域池化和独立权重的全连接层进行实现。共享机制允许不同部位的特征进行交互,由特征归一化和特征重映射两部分组成。在共享机制中,特征归一化不包含任何参数,目的是使不同部位的特征具有相似的统计特性以便进行权值共享;特征重映射则是通过全连接层或逐项乘积进行实现,并且在不同部位之间共享权重。结果实验在步态识别领域应用最广泛的数据集CASIA-B(Institute of Automation,Chinese Academy of Sciences)和OUMVLP上进行,分别以GaitSet和GaitPart作为基线方法。实验结果表明,本文设计的模块能够带来稳定的性能提升。在CASIA-B背包条件下,本文提出的模块相对于GaitSet和GaitPart分别将rank-1的识别准确率提升了1.62%和1.17%。结论本文设计了一个新的模块用于增强步态识别的多部位特征学习过程,能够在不显著增加计算代价的条件下带来稳定的性能提升。

摘要：目的在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法双分支网络模型包含外观和姿态两条分支,外观分支采用Gait Set网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果实验在CASIA-B(Institute of Automation,Chinese Academy of Sciences,Gait Dataset B)数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT(medium-sample training)划分中,该算法在3种行走状态下的准确率分别为93.4%、84.8%和70.9%,相比性能第2的算法分别提升了1.4%、0.5%和8.4%;在不同行走状态实验设置中,该算法在两种行走状态下的准确率分别为94.9%和90.0%,获得了最佳性能。结论在能够同时获取外观数据和姿态数据的场景下,该算法能够有效地融合外观信息和姿态信息,在获得更丰富的步态特征的同时降低了外观变化对步态特征的影响,提高了步态识别的性能。

摘要：基于轮廓的步态识别方法容易受行人的携带物、衣物等遮挡因素的影响。针对这一问题提出了动态步态图。动态步态图将步态轮廓图划分为动态部分和静态部分,更有利于提取受遮挡影响较小的动态步态信息。设计了双路步态识别网络(Bi-Route)提取步态特征,通过增加动态特征占比,稀释静态特征占比降低遮挡物的影响。网络以动态步态图为输入,使用二维卷积分别提取步态序列中的全局轮廓特征和帧级轮廓特征,使用三维卷积神经网络从帧级轮廓特征中提取动态特征。为了验证本方法的有效性,在CASIA-B数据集上进行了评估,在正常(NM)、背包(BG)、穿大衣(CL)条件下的准确率分别达到了92.9%、87.2%和65.6%。结果表明本方法可以降低遮挡、衣物和携带物等对识别准确率的影响。

摘要：针对人在行走过程中衣着、携带物、视角等因素导致步态识别率显著下降的问题,提出一种加入残差连接和注意力机制的图卷积网络的步态识别方法。以步态骨架序列为输入,采用加入了残差连接的图卷积网络,通过学习骨架数据的时空信息提取出更加精细的步态特征,提高步态特征的表征能力,通过加入注意力机制对各个关节的重要程度进行建模,增大显著区域特征的权重。在数据集CASIA-B中的结果表明,该网络提高了在衣着、携带物等复杂因素下的步态识别率。