基于分布式光纤传感设备的盲人判别装置、系统及方法制造方法及图纸

本发明专利技术提出基于分布式光纤传感设备的盲人判别装置、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，盲人出行的领域提供了应用支持，增强了针对不同人体识别的适应性，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是视障用户还是正常用户，以便为未来针对视障用户提供相关服务。在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。

【技术实现步骤摘要】
基于分布式光纤传感设备的盲人判别装置、系统及方法


[0001]本专利技术属于人体识别
，特别是涉及基于分布式光纤传感设备的盲人判别装置、系统及方法。

技术介绍

[0002]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，其体验通常更流畅、更快捷，因为它不需要用户回忆密码，攻击者也更难进行欺骗。
[0003]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、骨骼密度、视觉的灵敏程度、协调能力、过往行走经历、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。
[0004]目前社会上的视障人士在室外需要在专门的盲道用导盲杖、专业的导盲犬陪同、专业导盲随行人员陪同才能外出行走，盲杖与导盲犬只能分辨地上的障碍物，对于空中伸出的树枝无能为力，且对于城市的视障人群，仍有许多公共场所对导盲犬不友好，同时城市环境对于导盲犬的工作也有一定程度的干扰。在复杂的城市环境中，由于盲道等基础设施往往缺少维护，因此盲杖的使用无法达到很好的效果。导盲随行人员需要的人工成本很高，且专业的导盲随行人员的数量较少，对于非一线城市的视障用户该解决方案并不现实。室内的行走环境更加复杂。对于广大的视力障碍群体，仍然缺少一种低成本，低时延，高性能的出行解决方案。

技术实现思路

[0005]本专利技术目的是为了解决现有技术中的问题，提出了基于分布式光纤传感设备的盲人判别装置、系统及方法。
[0006]本专利技术是通过以下技术方案实现的，本专利技术提出一种基于分布式光纤传感设备的区分盲人非盲人的装置，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；
[0007]其中光时域反射仪模块用于产生由震动信号产生的光信号强度数据；
[0008]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，对某一时隙内计算识别到的人数，分离采集到的不同人体信号，并且移除没有目标用户信号的静止帧；
[0009]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；
[0010]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，并输出一组特征向量；
[0011]信号分类模块用于对每组信号所提取的特征向量进行分类并输出其是否为盲人或非盲人。
[0012]本专利技术提出一种基于分布式光纤传感设备的区分盲人非盲人的方法，所述方法采用所述的装置实现，所述方法具体为：
[0013]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；
[0014]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，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)；
[0015]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；
[0016]步骤4：对每帧内信号进行特征提取，提取如下共5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
]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)的置零率；
[0021](5)f
i,5
：振动信号的空间跨度平均值；
[0022]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，每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本，从每个R个不同类样本集中均找出k个近邻样本，然后更新每个特征的权重，采取ReliefF算法进行特征权重的筛选，将全部特征输入CNN网络进行卷积分类。
[0023]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：
[0024]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，
计算滑动窗口内部均值，若窗口内的均值大，则证明该窗口内有振动信号，即有可能存在一步，对均值大的窗口标号；
[0025]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
[0026]flag(j)+flag(j+1)+flag(j+2+p)＝3+p,p≥0
[0027]则再次进行判断，若
[0028]flag(j+p+1)+flag(j+p+1+本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式光纤传感设备的区分盲人非盲人的装置，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产生由震动信号产生的光信号强度数据；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，对采集的数据进行处理，滤除底噪，对某一时隙内计算识别到的人数，分离采集到的不同人体信号，并且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，并输出一组特征向量；信号分类模块用于对每组信号所提取的特征向量进行分类并输出其是否为盲人或非盲人。2.一种基于分布式光纤传感设备的区分盲人非盲人的方法，其特征在于，所述方法采用权利要求1所述的装置实现，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，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5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
]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)的置零率；(5)f
i,5
：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，每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本，从每个R个不同类样本集中均找出k个近邻样本，然后更新每个特征的权重，采取ReliefF算法进行特征权重的筛选，将全部特征输入CNN网络进行卷积分类。3.根据权利要求2所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：马琳，常浩泽，李宏伟，董永康，孟维晓，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：