一种基于行人运动状态的自适应步长估计方法技术

本发明专利技术公开了一种基于行人运动状态的自适应步长估计方法。本发明专利技术步骤如下：1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；2.数据的预处理；3.数据的周期分割；4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；5.将提取的特征通过分类器识别行人每一步的运动状态；6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。本发明专利技术建立了新的非线性步长模型来估计行人步长，提高了步长估计精度。通过最小二乘法拟合行人不同运动状态的步长参数，根据分类器的运动状态识别结果，选择合适的步长参数，使得步长估计模型能够适应行人不同的运动状态。

An Adaptive Step Size Estimation Method Based on Pedestrian Motion State

【技术实现步骤摘要】
一种基于行人运动状态的自适应步长估计方法
本专利技术涉及室内定位领域，具体涉及一种基于行人运动状态的自适应步长估计方法。
技术介绍
随着社会的不断进步和发展，出现了很多室内建筑如大型购物商场、机场和游乐场等，因此，室内定位技术有着巨大的发挥空间。行人航迹推算(PedestrianDeadReckoning，PDR)算法是一种近年来越来越受到研究人员的重视的室内定位技术。而步长估计是PDR技术中非常关键的一环，步长估计的精度将直接影响PDR技术的定位效果，所以提高步长估计的精度是具有重要研究意义的。而且步长的估计在其他领域也有巨大的发挥空间，如健康检测领域、运动模式分析领域等等。现有的步长估计方法一般采用特定的步长计算公式，其公式参数给定后就无法变动，并且在估计行人的步长时将行人限定在特定的运动状态下，如正常行走。这与实际情况极度不符，行人的运动状态应该是随意变化的，所以当行人改变了运动状态后，现有的步长估计方法会出现巨大的估计误差，无法适应行人的运动状态。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种能够满足行人多种运动状态的步长估计方法，提高步长估计的精度。本专利技术可以应用于内置加速度计的智能终端设备，技术原理简单，易于推广使用。一种基于行人运动状态的自适应步长估计方法，具体包括下面6个步骤：步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；步骤2.数据的预处理；步骤3.数据的周期分割。步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差。步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态。步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。所述的步骤2的特征在于包括以下步骤：2.1.加速度数据的预处理2.1.1由加速度计收集的三轴加速度计数据ax，ay，az来计算平均加速度atotal；2.1.2移除平均加速度atotal中的重力加速度分量；2.1.3通过一个数字域截止频率fLP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a2.2.磁力计数据的预处理：由磁力计收集的三轴磁力计数据hx，hy，hz来计算平均地磁场强度htotal。所述步骤3中的周期分割具体包括如下步骤：步骤3.1.根据过零检测法获得加速度数据的零点集合S1；步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；步骤3.3.根据动态时间规整(DTW)约束，精炼步骤3.2获得的预测范围；步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个零点记为一个周期。所述步骤3.2的具体实现过程如下：3.2.1第一个峰值(谷值)和第二个峰值(谷值)由峰值检测法获得。当检测到两个峰值(谷值)后，继续后续步骤。3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值(下一个谷值的候选点其所处时刻与上一个谷值时刻的差值)ti应该满足如下周期约束：ti∈((1-γ)*T,(1+γ)*T)其中，γ为预测范围长度控制参数，根据实验经验设定。T为不断更新的周期模板，其更新方式如下：Ti为当前周期模板，Ti+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差。3.2.3搜索所有满足周期约束的候选点获得下一个峰值(谷值)的预测范围RP。所述步骤3.3的具体实现过程如下：3.3.1构造匹配序列：其中，和分别为第i-1个峰值(谷值)所处时刻和第i个峰值(谷值)所处时刻。a为步骤2预处理过后的加速度序列。3.3.2构造测试序列集合：V＝{v1,v2,…,vj,…,vk}其中，vj为第j个测试序列，由上一个峰值(谷值)时刻到预测范围RP中的第j个点之间的加速度数据组成。3.3.3计算DTW距离集合：D＝{DTW(μ,v1)，DTW(μ,v2)，…DTW(μ，vj)，…DTW(μ，vk)}其中DTW(μ，vj)为匹配序列μi-1和测试序列vj根据DTW计算得到的距离值。3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围RD：其中，和τ为预测范围RD的长度控制参数，Dmin为DTW距离集合D中的最小值。3.3.5DTW约束建立在行人于同一运动状态下每一步加速度波形具有相似性的基础上。若行人改变运动状态，那么在运动模式改变的过渡区这种相似性难以满足，RD将会是空集。通过观察RD是否为空集来判断行人是否改变运动状态，完成行人在进行连续不同的运动状态情况下的计步。所述步骤3.4的具体实现过程如下：当进行峰值检测时，在预测范围RD内寻找对应加速度最大的值做为下一个峰值时刻。当进行谷值检测时，在预测范围RD内寻找对应加速度最小的值做为下一个谷值时刻。所述步骤3.5的具体实现过程如下：：根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：其中，tzero，i+1为第i+1个预测零点，tpeak，i+1为第i+1个峰值时刻，tvalley,i为第i个谷值时刻。所述步骤3.6的具体实现过程如下：根据如下公式剔除S1中的假零点：其中ti为零点集合S1中的第i个零点，tzero为预测零点，S2为真实零点集合。根据S2进行周期分割，S2中每两个相邻零点{ti，ti+1}记为一个完整的周期，即为行人的每一步。所述的步骤4的具体实现过程如下：4.1周期分割后，检测行人每一步中加速度的最大值和最小值：amax，k＝max(ai)，i∈[ti，ti+1]amin，k＝min(ai),i∈[ti,ti+1]其中，tk和tk+1分别表示周期分割获得的第k步起始时刻和终止时刻，amax，k和amin，k分别表示第k步中加速度的最大值和最小值。4.2根据如下公式获取行人每步的行走频率fk和加速度方差vk：其中，tk和tk+1分别表示第k步的起始时刻和终止时刻，at表示第k步内的加速度幅值，表示第k步的加速度均值，N表示第k步内加速度的个数。所述的步骤5具体包括以下步骤：步骤5.1.提取速度计数据和磁力计数据在每一周期内的特征；步骤5.2.根据提取的特征，通过分类器获得运动状态识别的初步结果；步骤5.3.分类器结果校正，获得最终运动状态识别结果。所述的步骤5.1中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：5.1.1加速度atotal的统计特征：包括加速度绝对值的均值加速度的方差加速度的偏度skea以及加速度的峰度kura。5.1.2地磁场强度htotal的统计特征：包括地磁场强度的方差地磁场强度的偏度skeh，地磁场强度的峰度kurh。5.1.3根据过零检测法检测加速度数据在每一个周期内所包含的零点：S1＝{t|at≥0,at-1≤0}∪{t|at≤0,at-1≥0}将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征。所述的步骤5.2中的分类器已经在离线阶段训练好，分类器的离线训练阶段具体包括以下步骤：步骤5.2.1.分别收集行人在不同运动状态下的加速度计数据和磁力计数据，并记录数据所属的标签。步骤5.2.2.数据的预处理，预处理过程本文档来自技高网...

【技术保护点】
1.一种基于行人运动状态的自适应步长估计方法，其特征在于包括如下步骤：步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；步骤2.数据的预处理；步骤3.数据的周期分割；步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态；步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。

【技术特征摘要】
1.一种基于行人运动状态的自适应步长估计方法，其特征在于包括如下步骤：步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；步骤2.数据的预处理；步骤3.数据的周期分割；步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态；步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。2.根据权利要求1所述的一种基于行人运动状态的自适应步长估计方法，其特征在于步骤2的具体实现如下：2.1.加速度数据的预处理2.1.1由加速度计收集的三轴加速度计数据ax，av，az来计算平均加速度atotal；2.1.2移除平均加速度atotal中的重力加速度分量；2.1.3通过一个数字域截止频率fLP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a：2.2.磁力计数据的预处理：由磁力计收集的三轴磁力计数据hx，hy，hz来计算平均地磁场强度htotal。3.根据权利要求2所述的一种基于行人运动状态的自适应步长估计方法，其特征在于所述步骤3中的周期分割具体包括如下步骤：步骤3.1.根据过零检测法获得加速度数据的零点集合S1；步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；步骤3.3.根据动态时间规整约束，精炼步骤3.2获得的预测范围；步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个零点记为一个周期；所述步骤3.2的具体实现过程如下：3.2.1第一个峰值(谷值)和第二个峰值(谷值)由峰值检测法获得；当检测到两个峰值(谷值)后，继续后续步骤；3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值(下一个谷值的候选点其所处时刻与上一个谷值时刻的差值)ti应该满足如下周期约束：ti∈((1-γ)*T，(1+γ)*T)其中，γ为预测范围长度控制参数，根据实验经验设定；T为不断更新的周期模板，其更新方式如下：Ti为当前周期模板，Ti+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差；3.2.3搜索所有满足周期约束的候选点获得下一个峰值(谷值)的预测范围RP；所述步骤3.3的具体实现过程如下：3.3.1构造匹配序列：其中，和分别为第i-1个峰值(谷值)所处时刻和第i个峰值(谷值)所处时刻；a为步骤2预处理过后的加速度序列；3.3.2构造测试序列集合：V＝{v1，v2，…，vj，…，vk}其中，vj为第j个测试序列，由上一个峰值(谷值)时刻到预测范围RP中的第j个点之间的加速度数据组成；3.3.3计算DTW距离集合：D＝{DTW(μ，v1)，DTW(μ，v2)，…DTW(μ，vj)，…DTW(μ，vk)}其中DTW(μ，vj)为匹配序列μi-1和测试序列vj根据DTW计算得到的距离值；3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围RD：其中，和τ为预测范围RD的长度控制参数，Dmin为DTW距离集合D中的最小值；3.3.5通过观察RD是否为空集来判断行人是否改变运动状态，完成行人在进行连续不同的运动状态情况下的计步；所述步骤3.4的具体实现过程如下：当进行峰值检测时，在预测范围RD内寻找对应加速度最大的值做为下一个峰值时刻；当进行谷值检测时，在预测范围RD内寻找对应加速度最小的值做为下一个谷值时刻；所述步骤3.5的具体实现过程如下：：根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：其中，tze...

【专利技术属性】
技术研发人员：姚英彪，潘雷，姚遥，冯维，许晓荣，刘兆霆，姜显扬，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33