基于实时惯性参数的行人未知步态类型识别方法技术

本发明专利技术公开了一种基于实时惯性参数的行人未知步态类型识别方法，所述方法包括：选用两个

【技术实现步骤摘要】
基于实时惯性参数的行人未知步态类型识别方法


[0001]本专利技术属于模式识别
，特别是涉及基于实时惯性参数的行人未知步态识别方法，可应用于行人导航领域
。

技术介绍

[0002]卫星拒止环境中基于惯性传感器的行人导航技术具有不易受环境干扰
、
自主性强的优势，然而，惯性器件存在测量误差，导航解算得到的速度位置误差具有随时间累积的特性，因此需要设计辅助的校正措施对速度以及位置误差进行修正
。
针对行人运动特点，人体步态信息可以为行人导航误差抑制提供基准信息
。
步态描述行人在运动过程中姿态的规律性变化情况，步态识别就是确定步态类型
、
估计运动步长的过程
。
利用识别的人体步态信息作为外部基准，能够有效抑制行人惯性导航误差
。
而行人运动具有环境非结构化
、
步态种类复杂
、
多运动类型切换等特点，基于理想环境中的典型步态识别方法对于复杂环境中的多变步态识别不具有普适性
。
所以，针对行人步态的复杂性
、
多变性和习惯性等特点，常规运动步态研究难以满足非结构化境中行人导航应用需求
。

技术实现思路

[0003]本专利技术针对行人步态的复杂性
、
多变性和习惯性等特点，常规运动步态研究难以满足非结构化境中行人导航应用需求的问题，提供一种行人未知步态识别方法，实现对行人运动步态类型的准确识别
。
>[0004]为解决上述技术问题，本专利技术提出了一种基于实时惯性参数的行人未知步态识别方法，采取技术方案包括如下步骤：
[0005]步骤
1.
选用两个
MEMS
惯性传感器，一个安装在人体腰部
、
一个安装在人体足部；
[0006]步骤
2.
采集行人运动过程中腰部
、
足部
MEMS
惯性传感器输出的步态信息，包括加速度
、
角速度，进行低通滤波，提取步态信息周期内的最小特征量，构建步态特征数据库；
[0007]步骤
3.
基于采集的步态样本及步态特征数据库，将最小特征量作为
SVM
模型
、ANN
模型的输入，对不同模型的计算结果给出置信度，综合判断输出当前最小特征量对应的运动状态
。
[0008]进一步的，加速度的最小特征量为加速度模值
、
加速度均值
、
加速度标准差
、
加速度最大值
、
加速度最小值；角速度的最小特征量为角速度模值
、
角速度标准差
、
角速度最大值
、
角速度最小值
。
[0009]进一步的，综合判断输出当前最小特征量对应的运动状态
MotionMode
，判断方法如下：
[0010][0011]其中，
Max(SVM(x,y))
为采用
SVM
方法分类得到的当前步态类型的识别结果，
Rlt
(ANN(x,y))
为采用
ANN
方法分类得到的当前步态类型的识别结果；
SVM
foot
为足部安装惯性传感器得到的分类结果，
SVM
waist
为腰部安装惯性传感器得到的分类结果；
ANN
foot
为足部安装惯性传感器得到的分类结果，
ANN
waist
为腰部安装惯性传感器得到的分类结果，
λ1、
λ3为采用
SVM
方法得到的分类结果的置信度；
λ2、
λ4为采用
ANN
方法得到的分类结果的置信度
。
[0012]为了抑制低成本
MEMS
惯性测量组合用于行人导航误差发散的情况，本专利技术通过提取行人步态惯性测量信息特征，设计基于最小特征量的人体步态识别方法，实现对行人运动步态类型的准确识别，为非结构化环境中基于步态信息的步长精确估计及惯性导航误差抑制奠定了基础
。
本专利技术中未知步态识别方法可应用于消防抢险
、
人员监控等基于位置服务的领域
。
附图说明
[0013]所包括的附图用来提供对本专利技术实施例的进一步的理解，其构成了说明书的一部分，用于例示本专利技术的实施例，并与文字描述一起来阐释本专利技术的原理
。
显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0014]图1示出了根据本专利技术的具体实施例提供的
MEMS
惯性测量组合安装示意图；
[0015]图2示出了根据本专利技术的具体实施例提供的基于惯性测量信息的运动模式识别流程图
。
具体实施方式
[0016]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合
。
下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0017]本专利技术提出了一种基于实时惯性参数的行人未知步态识别方法，通过采集行人步态惯性测量信息，设计基于最小特征量的人体步态识别方法，实现对行人运动步态类型的准确识别
。
利用识别的人体步态信息作为外部基准，有效抑制行人惯性导航误差，满足非结构化境中行人导航应用需求
。
[0018]在本专利技术一实施例中，提供的基于实时惯性参数的行人未知步态识别方法包括如下步骤：
[0019]步骤
1.MEMS
惯性测量组合安装
[0020]在人体上安装
MEMS
惯性测量组合，惯性测量组合包含三轴加速度计和三轴陀螺仪
。
选用两个
MEMS
惯性测量组合，一个安装在人体腰部
、
一个安装在人体脚部
(
可安装于脚面或者脚跟
)。
[0021]步骤
2.
定义坐标系
[0022]规定人体前向为
X
正向，从脚跟向头部方向为
Y
正向，
Z
向朝右手边方向，
XYZ
满足右手定则<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于实时惯性参数的行人未知步态类型识别方法，其特征在于，包括如下步骤：步骤
1.
选用两个
MEMS
惯性传感器，一个安装在人体腰部
、
一个安装在人体足部；步骤
2.
采集行人运动过程中腰部
、
足部
MEMS
惯性传感器输出的步态信息，包括加速度
、
角速度，进行低通滤波，提取步态信息周期内的最小特征量，构建步态特征数据库；步骤
3.
基于采集的步态样本及步态特征数据库，将最小特征量作为
SVM
模型
、ANN
模型的输入，对不同模型的计算结果给出置信度，综合判断输出当前最小特征量对应的运动状态
。2.
根据权利要求1所述的基于实时惯性参数的行人未知步态类型识别方法，其特征在于，加速度的最小特征量为加速度模值
、
加速度均值
、
加速度标准差
、
加速度最大值
、
加速度最小值；角速度的最小特征量为角速度模值
、
角速度标准差
、...

【专利技术属性】
技术研发人员：尚克军，田晓春，刘辉，罗星航，张丽娜，简凯宁，王博通，孔德哲，
申请(专利权)人：北京自动化控制设备研究所，
类型：发明
国别省市：