作者:郇战,陈学杰,吕士云,耿宏杨 单位:四川省计算机学会;中国科学院成都分院 出版:《计算机应用》2019年第03期 页数:7页  (PDF与DOC格式可能不同) PDF编号:PDFJSJY2019030170 DOC编号:DOCJSJY2019030179 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于步态特征的移动平台持续认证方案》PDF+DOC2019年第07期 杨力,马卓茹,张程辉,裴庆祺 《基于手机放置变化的步态识别》PDF+DOC2016年第21期 杨文辉,杨明静 《基于加速度信息的人体步态识别算法研究》PDF+DOC2016年第05期 崔畅,王伟 《基于MEMS加速度传感器的步态识别》PDF+DOC2017年第03期 涂斌斌,谷丽华,揣荣岩,许会 《基于手机加速度与步态不对称特征的身份识别》PDF+DOC2018年第06期 梁西银,何书芹,颜昌林,马玲,倪波波 《基于卷积神经网络与注意力模型的人体步态识别》PDF+DOC2019年第07期 汪涛,汪泓章,夏懿,张德祥 《加速度传感器MMA7260在步态特征提取中的应用》PDF+DOC2007年第03期 侯向锋,刘蓉,周兆丰 《基于SVD特征降维和支持向量机的跌倒检测算法》PDF+DOC2017年第01期 白勇,孙晓雯,秦昉,孙子文 《一种基于CS-SVM的老年人异常步态识别系统》PDF+DOC2020年第04期 王琪,王涛,张硕,陈金环 《基于步态加速度的步态分析研究》PDF+DOC2009年第06期 刘蓉,黄璐,李少伟,刘毅
  • 为了提高现有基于智能手机加速度传感器步态身份识别的性能,提出了一种基于多分类器融合(MCF)的识别方法。首先,针对现有方法所提取的步态特征较为单一的问题,对单个步态周期提取相对匀变加速度的速度变化量,以及单位时间内加速度变化量作为两类新特征(共16个);其次,将新特征结合常用的时域、频域特征组成新的特征集,用于训练识别效果与训练时间俱佳的多个分类器;最后,采用多尺度投票法(MSV)对多分类器的输出进行融合处理,得到最终的分类结果。为了检测该方法的性能,采集了32个志愿者的步态数据。实验结果表明,新特征对于单个分类器的识别率平均提升5.95个百分点,最终通过MSV融合算法的识别率为97.78%。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。