基于加速度信号的步态识别技术在实际应用中存在多种问题,步态特征提取方法自适应性差,特征稳定性存在时间局限,导致目前仍处于实验阶段。作为智能手机、可穿戴设备等便携式电子产品的信息安全智能防范卫士,在最小约束条件下长时间跨度内,可持续性的对用户身份信息有效识别是十分必要的,这使得步态识别方法应具备一定的自适应性,从而解决步态特征存在时间局限性的问题。特别是,在内外因素影响导致步态模式发生短时适应性改变或长期代偿性改变时,仍然保持良好的识别性能。经文献检索可知,现有方法尚无针对自适应性问题的研究。因此,本文围绕步态识别的关键步骤,针对自适应性的预处理方法、异常检测方法和特征提取方法分别进行研究。主要研究工作和贡献如下:(1)针对获得具有一致性步态周期波形的问题,本文提出一种使用混合滤波与自适应波形检测的步态识别方法。首先,根据加速度信号属于低频信号的特点,利用混合滤波方法先后去除数据采集和模数转换过程引入的多种噪声。然后,根据步态运动存在短时适应性改变,或受到采集设备旋转移位影响,而导致的步态信号波形异常,利用标准差自适应的衡量步态周期各相位区间波形的相似性,经过筛选提取步态周期特征。接着,分别以6种判别函数计算特征模板匹配结果,从而实现步态特征的有效识别。实验结果表明,该方法适用于小样本范围的步态识别,在30(人)×6(个)数据集的识别率为96.67%。(2)针对步态周期特征降维的问题,本文提出一种使用多特征向量组合的步态识别方法。首先,根据步态加速度信号具有准周期性的特点,利用马氏距离归一化步态周期幅值,以混合滤波去噪。然后,从步态周期波形上提取14个单一特征组合为6组特征向量,并且分析和评价单一特征的稳定性和可分辨性。接着,以欧式距离匹配特征,计算正确识别率来验证步态识别系统性能。实验结果表明,该方法可实现在小样本范围的步态识别,相对于同类其他方法识别性能有所提高,在30(人)×6(个)数据集的识别率为94.44%。(3)针对步态加速度信号的小波去噪最优参数选择和质量评价问题,以及特征提取经常遇到有效采样距离短和步态周期模式异常多等问题,提出一种使用自适应的小波去噪与异常检测的步态识别方法。首先,根据小波变换适合分析非平稳信号的特点,利用复合评价指标自适应的决定小波去噪最优参数。然后,利用K-均距异常因子来自适应的判别步态信号子模式的异常程度,从而在特征提取之前剔除异常周期模式。接着,对异常检测后步态周期取均值,以相关距离匹配特征,从而实现步态特征的有效识别。实验结果表明,该方法考虑到步态信号预处理过程的自适应需求,通过计算结果代替观察结果,自适应的、有针对性的提高步态特征的稳定性和有效性,最终达到提高系统识别性能的目的。(4)针对在加速度信号上极值点区域提取特征的问题,本文提出一种使用自适应小波去噪和SIFT描述符的步态识别研究方法。首先,利用小波去噪质量评价指标自适应地选择最优小波基函数进行小波去噪,然后,采用SIFT算法提取关键点,以K-means聚类方法计算关键点描述符集合的聚类中心,经拟合得到步态特征。接着,以相关距离匹配特征,从而实现步态特征的有效识别。实验结果表明,该方法无需步态周期划分过程,适用于小样本范围的步态识别。(5)针对最小采集约束条件和经历长时间跨度下识别率低的问题,本文提出一种基于SIFT特征稀疏表示与模板融合的步态识别方法。首先,以加速度信号构造多个高斯差分尺度空间,利用局部关键点生成稀疏表示的步态特征位置模板。然后,采用模板融合来有效转换稀疏性步态周期特征,来解决因内外因素改变所导致的步态模式短时适应性改变或长期代偿性改变对步态特征稳定性的影响。接着,利用最近邻算法和投票机制对步态特征进行识别。实验结果表明,在公开的175(人)×6(个)步态加速度数据集上进行测试,得到识别率为98.67%和认证率为99.89%,并进一步研究了测试集和训练集样本数目对识别效果的影响,验证了特征提取的有效性和稳定性。另外,本文还讨论了步态相位、功能时相与加速度信号波形的对应联系,为基于加速度信号的步态识别研究提供理论依据。