CN103471589B - 一种室内行人行走模式识别和轨迹追踪的方法 - Google Patents

Abstract

本发明公开了一种室内行人行走模式识别和轨迹追踪的方法，本发明首先根据室内环境下地形的特点，以方向和速度为分类依据，定义了室内人员行走的模式；然后用采集的加速度传感器和地磁传感器数据，运用隐含马尔科夫模型理论（HMM）对室内行走模式建立数学模型；由于金属物的干扰和行走过程中身体抖动的影响，室内定位系统最初通过航迹推算获取的轨迹可能存在较大的误差，本发明最后根据隐含马尔科夫模型的维特比算法计算每个行走模式的概率，找出可能性最大的一组行走模式；最后再根据行走模式的识别结果，将原来的位置匹配到相应的行走模式，从而修正原来的轨迹，获得室内该行人的行走修正轨迹。本发明能显著提高室内定位和轨迹追踪的精度。

Description

一种室内行人行走模式识别和轨迹追踪的方法

技术领域

本发明涉及基于惯性传感器的室内行人定位和轨迹追踪领域，尤其涉及一种基于隐含马尔科夫模型的室内行人行走模式识别和轨迹追踪的方法。

背景技术

基于惯性传感器的室内定位是在室内环境下，通过采集和处理手机中配置的加速度传感器和地磁传感器的数据来计算行人行走的步数和航向角。结合航迹推算原理，在已知上一个位置的基础上，根据行走时间段内的步数和航向角推算出行人的当前位置。再通过连续无缝地获取行人的当前室内位置，可以得到行人的轨迹。

基于惯性传感器的行人轨迹追踪系统中，可以通过采集加速度传感器数据结合步态识别方法计算出行人行走的步数。行人的航向角可以由采集的地磁传感器数据获取。利用获取的步数和航向角结合航迹推算原理可以较为准确的获取室内行人的位置。但是由于地磁信号非常容易受到金属物体和其他地磁干扰源的影响，采集的地磁传感器数据会由于这些干扰物而产生较大的误差。而且行人自主定位时身体的晃动也会对地磁传感器和加速度传感器数据的采集产生干扰。不仅如此，这些误差会随着定位距离的增长而累积，这种累积误差大大影响了基于惯性传感器的室内定位和轨迹追踪系统的精度。

为了提高室内行人定位和轨迹追踪系统的精度，研究人员提出过很多基于惯性传感器的室内定位方法，它们中有的从宏观上处理和过滤惯性传感器数据，虽然一定程度上减小了部分干扰的影响，但是并没有从根本上提高定位的精度。有的方法提出通过添加额外定位设备例如WiFi，陀螺仪等来辅助校正定位误差。这种方法显著提高了精度，但是额外添加的定位设备大幅度提高了定位的成本，大大降低了本系统的可用性。

如何在不添加额外设备的前提下，有效应对环境因素的干扰和身体晃动的影响，准确识别出室内轨迹的异常点，并且修正原来出错的轨迹，显著提高室内定位和轨迹追踪精度的方法，一直是行业研究的前沿课题。

发明内容

本发明的主要目的在于提出并实现一种利用手机自带的惯性传感器，进行室内行人行走模式识别，从而实现准确的室内定位和轨迹追踪的方法。该方法能够在不添加额外设备的前提下，有效应对环境因素的干扰和身体晃动的影响；该方法还能够准确识别出室内轨迹的异常点，并对原来出错的轨迹异常点进行修正，显著提高室内定位和轨迹追踪的精度。

本发明所采用的技术方案是：一种室内行人行走模式识别和轨迹追踪的方法，其特征在于，包括以下步骤：

步骤1：利用加速度传感器和地磁传感器以自适应的采样频率采集数据，获得室内行人的初始位置数据；

步骤2：利用航迹推算算法计算室内该行人的下一点位置数据；

步骤3：重复执行所述的步骤1和步骤2，通过不断地记录室内行人的位置数据，获得室内该行人的行走轨迹；

步骤4：根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型；

步骤5：根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，然后将室内该行人的行走轨迹匹配到识别出的室内该行人的行走模式；

步骤6：采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，获得室内该行人的行走修正轨迹。

作为优选，步骤1中所述的利用加速度传感器和地磁传感器以自适应的采样频率采集数据，其具体实现包括以下子步骤：

步骤1.1：输入三个连续时刻行人行走的方位角h_d，h_d-1，h_d-2；其中，d，d-1，d-2为进行数据采集的三个连续时刻；

步骤1.2：计算三个连续方位角两两之间关于时间的导数

$h_{d-1}^{\′}=\frac{\mathrm{\Δ}h}{\mathrm{\Δ}d}=h_{d-1}-h_{d-2};$

步骤1.3：计算方位角之间的二阶导数；

步骤1.4：判断二阶导数h_d”是否小于最小容忍值ε；

如果h_d”小于ε，则行人的行走状态处于稳定态，此时将加速度传感器和地磁传感器设为低频率采集数据；

如果h_d”大于ε，则行人的行走状态处于非稳定态，此时将加速度传感器和地磁传感器设为高频率采集数据。

作为优选，步骤2中所述的利用航迹推算算法计算室内行人的下一点位置数据，其室内行人的下一点位置为：

(x^*,y^*)＝(x+sl×sc×cosh,y+sl×sc+sinh)；

其中：sl是行人的步长，行人的步长通过估算法得到；sc是行人行走的步数，步数是根据加速度传感器获取的Z轴加速值计算得到，由于行人正常行走一步的过程中，Z轴加速度值得曲线是一个正弦波，所以通过检测Z轴加速度正弦波的个数来统计行人的步数；(x,y)是行人的初始坐标，(x*,y*)是行人的下一点位置的坐标；h是行人行走的方位角，该方位角通过地磁传感器获取，获取到的方位角是行人行进的方向与地磁北极的夹角。

作为优选，步骤4中所述的根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型，其具体实现包括以下子步骤：

步骤4.1：定义室内行人行走模式隐马尔科夫模型，该模型包括隐含状态、观测值、状态转移概率和输出概率这四个参数，其中，隐含状态对应于所述的室内行人行走模式；观测值是采集的加速度传感器和地磁传感器的数据；状态转移概率是室内人员从一个行走模式过度到另外一个行走模式的概率；输出概率是对于一个给定的观测值，对应于某个行走状态的概率；步骤4.2：根据所述的室内行人的行走特点，实例化室内行人行走模式的隐马尔科夫模型。

作为优选，步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的隐含状态的实例化方法为：首先将室内行人的行走模式依据行走方向和行走速度分类；其中将行走方向以15度作为间隔，将360度分为24个方向段，假设室内行人行走方向的角度为θ，那么它所属的方向段为因室内正常的步行速度范围在0.5m/s—2m/s，然后将行走速度分为三类，分别是慢速(0.5m/s—1m/s)、中速(1m/s—1.5m/s)、快速(1.5m/s—2m/s)；根据所述的行走的方向和行走的速度，行走模式一共可以分为72种，每种行走模式对应一个方向段和一个速度类型。

作为优选，步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的观测值的实例化方法为：通过将行人行走一步的时间分为几个相等的时间间隔，每隔一个相等的时间段采集一次观测值，将所述的观测值按照时间顺序排列成观测向量；其中，所述的的观测值为三维的向量O＝(acce,Δhd,spd)，acce表示行人的z-轴加速度、Δhd表示行人的方位角变化量、spd表示行人的行走速度。

作为优选，步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的输出概率的实例化方法包括以下子步骤：

步骤4.2.1:本发明通过多次采集室内人员行走一步以内的每一个行走模式对应的三个观测变量并对其求平均值的方法，为每一个行走模式建立了一个标准指纹库，每一个指纹库包括一个行走模式s_j和观测值序列v_i的对应关系,该对应关系表示为一个二维向量(s_j，v_i)；

步骤4.2.2：给定一个观测值序列v_i，查找指纹库中每一个行走模式s_j对应的标准观测值序列v_j；

步骤4.2.3：计算给定的观测值v_i与每一个行走模式对应的标准观测值v_j之间的欧氏距离；步骤4.2.3：最后用零均值高斯函数来计算每一个观测值v_i和对应的状态s_j之间的发射概率。

作为优选，步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的状态转移概率的实例化方法为：所述的隐马尔科夫模型状态转移概率分为方向转移概率和速度转移概率；

方向转移概率表示行人从一个状态所处的方向转移到另外一个状态所处的方向的概率，若行人从状态i转移到状态j，i_heading,j_heading分别表示状态i和状态j所处的方向段，则方向转移概率P_heading(i,j)的计算公式如下：

$P_{heading}(i,j)=\frac{\mathrm{\θ}}{2^n},n=\left|i_{heading}-j_{heading}\right|,$

其中θ表示当i_heading＝j_heading时的行人隐马尔科夫模型的方向转移概率；

因P_heading(i,j)满足约束条件

即所有可能转移的方向的概率之和为1，故通过这个约束条件可以计算出θ的值约为0.334；若行人从状态i转移到状态j，i_speed,j_speed分别表示状态i和状态j所处的速度类型，则速度转移概率P_speed(i,j)的计算公式如下：

$p_{speed}(i,j)=\frac{\mathrm{\ω}}{2^n},n=\left|i_{speed}-j_{speed}\right|,$

其中ω表示当i_speed＝j_speed时的行人隐马尔科夫模型的方向转移概率；

因P_speed(i,j)满足如下的约束条件

$\underset{j=1}{\overset{k}{\Σ}}{P}_{speed}(i,j)=1,$

即所有可能转移的速度的概率之和为1，故通过这个约束条件可以计算出ω为0.5；

则对于一个隐马尔科夫模型λ＝(A,B,π)，状态转移概率矩阵A为：

其中，a_ij表示隐马尔科夫模型的状态转移概率，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

作为优选，步骤5中所述的根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，其具体实现包括以下子步骤：

步骤5.1：输入一个任意行走模式的观测值序列O_i，i＝1,2…n；

步骤5.2：建立室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)，其中：

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率；

步骤5.3：对于建立的行人行走模式的隐马尔科夫模型λ＝(A,B,π)，用维特比算法计算出所有可能的行走状态对应的概率，然后通过排序找出其中的最大概率：

δ₁(j)＝π_jb_j(o₁) 1≤j≤N

δ_t(j)＝max_i(δ_t-1(j)a_ijb_i(o_t)) 2≤t≤T,1≤k≤N；

其中，T表示该行走模式的行走花费的时间，计算得到t时刻处于状态S_j的最大概率δt(j)；步骤5.4：判断t时刻处于概率最大的状态S_j的概率δt(j)是否大于固定的阈值p(TH)；

若是：则继续执行下述步骤5.5，

若否：则结束识别；

步骤5.5：记录每次计算出的最大概率对应的状态，用于回溯每一次的状态；对于一次维特比算法计算过程的最大概率δ_t-1(i)和一个状态转移概率a_ij，回溯信息ψ_t(j)的计算公式如下：

ψ_t(j)＝arg max_i[δ_t-1(i)a_ij] 2≤t≤T,1≤j≤N；

步骤5.6：利用所述的回溯信息ψ_t(j)，用回溯算法识别出行人的行走模式T-2,…,1，其迭代过程如下：

$q_T^{*}=S_N$

$\begin{array}{cc}{q}_t^{*}={\mathrm{\ψ}}_{t+1}\left(q_{t+1}^{*}\right)& t=T-1,T-2,...,1\end{array}.$

作为优选，所述的p(TH)取0.6。

作为优选，步骤6中所述的采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，其具体实现包括以下子步骤：

步骤6.1：输入任意一个行走模式的观测值序列O_i，i＝1,2…n；建立的室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)；其中，A表示隐马尔科夫模型的状态转移概率矩阵，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

步骤6.2：为观测值序列设定一个长度为k的滑动窗口，将长度为n的观测值序列划分为长度为k的短序列；

步骤6.3：滑动窗口每次向后移动一个单位,其中，滑动窗口一共移动的次数C＝(n-k+1)；

步骤6.4：判断滑动窗口是否到达观测值序列末尾，

如果是，则监测结束；

如果否，则继续执行下述步骤；

步骤6.5：用维特比算法计算该滑动窗口所在的短序列的行走模式的最大概率δt(j)：

δ₁(j)＝π_jb_j(O₁) 1≤j≤N

$\begin{array}{cc}{\mathrm{\δ}}_t\left(j\right)={\max }_i\left({\mathrm{\δ}}_{t-1}\right(j)a_{ij}{b}_{{\mathrm{iO}}_t})& 2\≤t\≤T,1\≤k\≤N\end{array};$

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率，T表示该行走模式的行走花费的时间；

步骤6.6：判断最大概率δt(j)与设定的阀值p(TH)大小；

如果最大状态概率δt(j)大于该阈值，则此次短序列为正常点，则返回继续执行所述的步骤6.3；

如果最大状态概率δt(j)小于该阈值，则此次短序列为异常点，则继续执行下述步骤；

步骤6.7：对该短序列进行异常点删除和坏区修复，其坏区修复的方法是先删除原来的异常点，再通过曲线拟合的方法在删除的异常点的位置拟合一个点，再返回执行所述的步骤6.3。

本发明具有以下技术创新点：

(1)传统的室内定位技术中，一般采用位置指纹定位，或者采用基于信号衰减距离模型定位方法，这些方法不但定位难道较大而且定位精度较低；近几年，研究人员提出采用基于惯性传感器的室内定位方法，这是一种自主、连续的室内定位技术，定位精度高而且稳定。但是基于惯性传感器的室内定位系统长时间工作会产生累积误差，大大影响定位的精度；为了减少基于惯性传感器的定位技术存在的累积误差，本发明从微观的角度出发，识别室内行人每走一步的细微变化；

(2)基于惯性传感器的室内定位技术中，传感器数据容易受到环境的干扰，而且自身也存在波动，这些因素会导致计算的型内行人的轨迹产生严重的偏差。之前的技术是采用过滤传感器数据的方法消除异常值，这种方法虽然一定程度上消除了一些误差，但是没有从根本上解决地磁干扰和抖动的问题。还有的技术通过添加额外的辅助定位设备来校正误差，这种方法虽然提高了定位精度，但是需要付出更高的定位成本。本发明通过为室内人员的行走模式建立细粒度的基于隐含马尔科夫的模型，来识别室内行走的模式，从而修正行走的轨迹。实验证明该方法显著提高了室内定位的精度；

(3)本发送采用自适应的传感器数据采集频率，可以根据不同的室内环境动态调整采样的频率，相比于固定频率的数据采集方法，显著减低了传感器的能量消耗；

(4)本发明提出的办法简单易实现，不需要任何的额外定位设备，而且有很高的健壮性和可靠性，适用于各种室内环境。

附图说明

图1：为本发明的方法流程图。

图2：为本发明自适应频率数据采集的方法流程图。

图3：为本发明的航迹推算原理示意图。

图4：为本发明行走模式隐含马尔科夫模型的隐含状态示意图。

图5：为本发明行走模式识别的方法流程图。

图6：为本发明异常点识别、删除和坏区修复的方法流程图。

具体实施方式

以下将结合附图和具体实施例来对本发明做进一步的阐述。

请见图1，本发明所采用的技术方案是：一种室内行人行走模式识别和轨迹追踪的方法，包括以下步骤：

步骤1：利用加速度传感器和地磁传感器以自适应的采样频率采集数据，获得室内行人的初始位置数据；

步骤2：利用航迹推算算法计算室内该行人的下一点位置数据；

步骤3：重复执行步骤1和步骤2，通过不断地记录室内行人的位置数据，获得室内该行人的行走轨迹；

步骤4：根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型；

步骤5：根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，然后将室内该行人的行走轨迹匹配到识别出的室内该行人的行走模式；

步骤6：采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，获得室内该行人的行走修正轨迹。

请见图2，步骤1中利用加速度传感器和地磁传感器以自适应的采样频率采集数据，其具体实现包括以下子步骤：

步骤1.1：输入三个连续时刻行人行走的方位角h_d，h_d-1，h_d-2；其中，d，d-1，d-2为进行数据采集的三个连续时刻；

步骤1.2：计算三个连续方位角两两之间关于时间的导数

$h_{d-1}^{\′}=\frac{\mathrm{\Δ}h}{\mathrm{\Δ}d}=h_{d-1}-h_{d-2};$

步骤1.3：计算方位角之间的二阶导数；

步骤1.4：判断二阶导数h_d”是否小于最小容忍值ε；

如果h_d”小于ε，则行人的行走状态处于稳定态，此时将加速度传感器和地磁传感器设为低频率采集数据；

如果h_d”大于ε，则行人的行走状态处于非稳定态，此时将加速度传感器和地磁传感器设为高频率采集数据。

请见图3，步骤2中利用航迹推算算法计算室内行人的下一点位置数据，其室内行人的下一点位置为：

(x^*,y^*)＝(x+sl×sc×cosh,y+sl×sc+sinh)；

其中：sl是行人的步长，行人的步长通过估算法得到；sc是行人行走的步数，步数是根据加速度传感器获取的Z轴加速值计算得到，由于行人正常行走一步的过程中，Z轴加速度值得曲线是一个正弦波，所以通过检测Z轴加速度正弦波的个数来统计行人的步数；(x,y)是行人的初始坐标，(x^*,y^*)是行人的下一点位置的坐标；h是行人行走的方位角，该方位角通过地磁传感器获取，获取到的方位角是行人行进的方向与地磁北极的夹角。

步骤4中根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型，其具体实现包括以下子步骤：

步骤4.1：定义室内行人行走模式隐马尔科夫模型，该模型包括隐含状态、观测值、状态转移概率和输出概率这四个参数，其中，隐含状态对应于室内行人行走模式；观测值是采集的加速度传感器和地磁传感器的数据；状态转移概率是室内人员从一个行走模式过度到另外一个行走模式的概率；输出概率是对于一个给定的观测值，对应于某个行走状态的概率；

步骤4.2：根据室内行人的行走特点，实例化室内行人行走模式的隐马尔科夫模型；

其室内行人行走模式的隐马尔科夫模型的隐含状态的实例化方法为：首先将室内行人的行走模式依据行走方向和行走速度分类；其中将行走方向以15度作为间隔，将360度分为24个方向段，假设室内行人行走方向的角度为θ，那么它所属的方向段为因室内正常的步行速度范围在0.5m/s—2m/s，然后将行走速度分为三类，分别是慢速(0.5m/s—1m/s)、中速(1m/s—1.5m/s)、快速(1.5m/s—2m/s)；根据行走的方向和行走的速度，行走模式一共可以分为72种，每种行走模式对应一个方向段和一个速度类型；

其室内行人行走模式的隐马尔科夫模型的观测值的实例化方法为：通过将行人行走一步的时间分为几个相等的时间间隔，每隔一个相等的时间段采集一次观测值，将观测值按照时间顺序排列成观测向量；其中，的观测值为三维的向量O＝(acce,Δhd,spd)，acce表示行人的z-轴加速度、Δhd表示行人的方位角变化量、spd表示行人的行走速度；

其室内行人行走模式的隐马尔科夫模型的输出概率的实例化方法包括以下子步骤：

步骤4.2.1:本发明通过多次采集室内人员行走一步以内的每一个行走模式对应的三个观测变量并对其求平均值的方法，为每一个行走模式建立了一个标准指纹库，每一个指纹库包括一个行走模式s_j和观测值序列v_i的对应关系,该对应关系表示为一个二维向量(s_j，v_i)；

步骤4.2.2：给定的HMM的观测值序列v_i可以表示为v_i＝[O₁,O₂,...,O_N],通过查找指纹库找到对应状态s_j的标准值序列计算观测值序列v_i和v_j之间的欧氏距离，根据观测值的定义可知，对于观测值序列v_i,v_j中的每一个观测量O_n和O_n ^*,n＝1,2,…N，，都是一个包含三个观测分量的三维向量；

O_n＝(acce_n,Δhd_n,spd_n)，

O_n ^*＝(acce_n ^*,Δhd_n ^*,spd_n ^*),n＝1,2,…N

O_n和O_n ^*之间的欧氏距离dis(O_n,O_n ^*)计算方法如下：

$dis(O_n,O_n^{*})=\sqrt{{({\mathrm{acce}}_n-{{\mathrm{acce}}_n}^{*})}^2+{({\mathrm{\Δhd}}_n-{{\mathrm{\Δhd}}_n}^{*})}^2+{({\mathrm{spd}}_n-{{\mathrm{spd}}_n}^{*})}^2}$

那么给定的观测值v_i与标准观测值v_j之间的欧氏距离可以表示为：

$\begin{array}{c}dis(v_i,v_j)=\sqrt{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{dis}{(O_n,O_n^{*})}^2}\\ =\sqrt{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{acce}}_n-{{\mathrm{acce}}_n}^{*})}^2+{({\mathrm{\Δhd}}_n-{{\mathrm{\Δhd}}_n}^{*})}^2+{({\mathrm{spd}}_n-{{\mathrm{spd}}_n}^{*})}^2}\end{array}$

步骤4.2.3：对欧氏距离dis(v_i,v_j)求零均值高斯函数来计算每一个观测值v_i和对应的状态s_j之间的发射概率,公式如下：

其室内行人行走模式的隐马尔科夫模型的状态转移概率的实例化方法为：隐马尔科夫模型状态转移概率分为方向转移概率和速度转移概率；

方向转移概率表示行人从一个状态所处的方向转移到另外一个状态所处的方向的概率，若行人从状态i转移到状态j，i_heading,j_heading分别表示状态i和状态j所处的方向段，则方向转移概率P_heading(i,j)的计算公式如下：

$P_{heading}(i,j)=\frac{\mathrm{\θ}}{2^n},n=\left|i_{heading}-j_{heading}\right|,$

其中θ表示当i_heading＝j_heading时的行人隐马尔科夫模型的方向转移概率；

因P_heading(i,j)满足约束条件

即所有可能转移的方向的概率之和为1，故通过这个约束条件可以计算出θ的值约为0.334；若行人从状态i转移到状态j，i_speed,j_speed分别表示状态i和状态j所处的速度类型，则速度转移概率P_speed(i,j)的计算公式如下：

$p_{speed}(i,j)=\frac{\mathrm{\ω}}{2^n},n=\left|i_{speed}-j_{speed}\right|,$

其中ω表示当i_speed＝j_speed时的行人隐马尔科夫模型的方向转移概率；

因P_speed(i,j)满足如下的约束条件

$\underset{j=1}{\overset{k}{\Σ}}{P}_{speed}(i,j)=1,$

即所有可能转移的速度的概率之和为1，故通过这个约束条件可以计算出ω为0.5；

则对于一个隐马尔科夫模型λ＝(A,B,π)，状态转移概率矩阵A为：

其中，a_ij表示隐马尔科夫模型的状态转移概率，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

请见图4，实例化行走模式的隐含马尔科夫模型HMM示意图，它是一种用概率统计方法描述非静态(即信号的统计随时间的变化)信号源模型。HMM由两个相关过程组成：

(1)一个内在的，不可见的Markov链，包含有限个状态，状态转移矩阵和一个初始状态概率分布；

(2)与Markov链每一个状态相关联的一个输出概率密度函数集。

通常，一个HMM可用如下三元组表示：

λ＝(A,B,π)；

隐含马尔可夫过程特性可以用下述参数集合来表征：

(1)隐含状态(hidden states)，隐含马尔科夫模型中的隐含状态主要反应了对象所处的状态，本发明中就是室内行人的行走模式。请见图4，根据室内行人行走的特点本发明定义了室内行走的模式。本发明将室内行走模式依据行走方向和行走速度分类。其中将行走方向以15度作为间隔，将360度分为24个方向段，如果行走方向的角度为θ，那么它所属的方向段为由于室内正常的步行速度范围大约在0.5m/s—2m/s，本发明据此将行走速度可以分为三类，分别是慢速(0.5m/s—1m/s)、中速(1m/s—1.5m/s)、快速(1.5m/s—2m/s)。那么根据行走的方向和速度，行走模式一共可以分为72种，每种对应一个方向段和一个速度类型；

(2)观测值(observables)为了能够全面反映室内行人行走的特点，本发明选取行人行走一步的时间内加速度传感器的z轴加速度，地磁传感器的方位角变化量和行走速度作为观测值。观测值可以表示为一个三维的向量O＝(acce,Δhd,spd)，分别表示加速度传感测得的z-轴加速度、地磁传感器测得的行人的方位角变化量和行人的行走速度。选择z轴加速度是因为室内行人在以不同的速度和方向行走时，身体上下晃动的幅度也是不同的，而z轴加速度能完全反映出行人垂直方向的加速度的变化。方位角和速度对应隐含状态中的两个量，方位角可以通过地磁传感器测得，而行走速度可以通过行人的估算步长和行走周期计算得到。本发明将行走一步的时间分为几个相等的时间间隔，每隔一个相等的时间段采集一次观测值，然后将观测值按照时间顺序排列成观测向量。例如，假设行人行走一步的时间为T，将行走一步的时间分为N个相等的时间间隔，那么采集传感器数据的时刻为在i时刻采集到的传感器数据为O_i。那么采集的观测序列v_k可以表示为一个由O_i组成的N维数组v_k＝[O₁,O₂,...O_N]。对于每一个观测值O_i,选取的室内行人行走一步时间的观测值包括：行人的z-轴加速度、行人的方位角变化量和行人的行走速度，那么观测值O_i可以表示为一个三维向量O_i＝(acce,Δhd,spd)；

(3)初始状态概率：指第一个状态q₁究竟取s＝[s₁,s₂,...,s_N]中哪一个的概率，它组成1×N矢量π,π_i＝p(q₁＝s_i)而π＝[π₁,π₂,...,π_N],我们设定π₁＝1(π_i＝0,i≠1),即假设HMM是从第一个状态开始的；

(4)转移概率(transition probability)a_ij＝P(q_t+1＝s_j|q_t＝s_i)即：由状态s_i转移到状态s_j的概率(对一阶马尔可夫过程)。由于共有N种可能的状态，因此共有N×N个可能的取值。把它们用矩阵表述成A＝[a_ij]且本发明将状态转移概率分为方向转移概率p_heading和速度转移概率p_speed；

方向转移概率表示行人从一个状态所处的方向转移到另外一个状态所处的方向的概率，若行人从状态i转移到状态j，i_heading,j_heading分别表示状态i和状态j所处的方向段，则方向转移概率P_heading(i,j)的计算公式如下：

$P_{heading}(i,j)=\frac{\mathrm{\θ}}{2^n},n=\left|i_{heading}-j_{heading}\right|,$

其中θ表示当i_heading＝j_heading时的行人隐马尔科夫模型的方向转移概率；

因P_heading(i,j)满足约束条件

即所有可能转移的方向的概率之和为1，故通过这个约束条件可以计算出θ的值约为0.334；若行人从状态i转移到状态j，i_speed,j_speed分别表示状态i和状态j所处的速度类型，则速度转移概率P_speed(i,j)的计算公式如下：

$p_{speed}(i,j)=\frac{\mathrm{\ω}}{2^n},n=\left|i_{speed}-j_{speed}\right|,$

其中ω表示当i_speed＝j_speed时的行人隐马尔科夫模型的方向转移概率；

因P_speed(i,j)满足如下的约束条件

$\underset{j=1}{\overset{k}{\Σ}}{P}_{speed}(i,j)=1$

即所有可能转移的速度的概率之和为1，故通过这个约束条件可以计算出ω为0.5；

则对于一个隐马尔科夫模型λ＝(A,B,π)，状态转移概率矩阵A为：

其中，a_ij表示隐马尔科夫模型的状态转移概率，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵；

(5)输出概率(emission probability)b_j(i)＝P(o_t＝v_i|q_t＝s_j)即：在状态s_j下产生观察v_i的概率。如果共有M中可能的观察，则组成N×M矩阵B＝[b_ij]且为了衡量每一个观测值序列和各状态的接近程度，本发明通过多次采集室内人员行走一步以内的每一个行走模式对应的三个观测变量并对其求平均值的方法，为每一个行走模式建立了一个标准指纹库，每一个指纹库包括一个行走状态s_j和观测值序列v_i的对应关系,指纹库可以表示为一个二维向量(s_j，v_i)。HMM的观测值序列vi可以表示为v_i＝[O₁,O₂,...,O_N],指纹库中对应状态s_j的标准值序列为根据上文关于观测值的定义可知，对于观测值序列中的每一个观测量O_n和O_n*,n＝1,2,…N，，都是一个包含三个观测分量的三维向量。

On＝(acce_n,Δhd_n,spd_n)，

On*＝(acce_n*,Δhd_n*,spd_n*),n＝1,2,…N

本发明采用欧氏距离来衡量两个变量之间的距离，On和On*之间的欧氏距离dis(O_n,O_n*)计算方法如下：

$dis(O_n,O_n^{*})=\sqrt{{({\mathrm{acce}}_n-{{\mathrm{acce}}_n}^{*})}^2+{({\mathrm{\Δhd}}_n-{{\mathrm{\Δhd}}_n}^{*})}^2+{({\mathrm{spd}}_n-{{\mathrm{spd}}_n}^{*})}^2}$

那么给定的观测值vi与标准观测值vj之间的欧氏距离可以表示为：

$\begin{array}{c}dis(v_i,v_j)=\sqrt{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}dos{(O_n,O_n^{*})}^2}\\ =\sqrt{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{acce}}_n-{{\mathrm{acce}}_n}^{*})}^2+{({\mathrm{\Δhd}}_n-{{\mathrm{\Δhd}}_n}^{*})}^2+{({\mathrm{spd}}_n-{{\mathrm{spd}}_n}^{*})}^2}\end{array}$

最后用欧氏距离dis(v_i,v_j)求零均值高斯函数的方法来计算每一个观测值vi和对应的状态sj之间的输出概率,公式如下：

请见图5，步骤5中根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，其具体实现包括以下子步骤：

步骤5.1：输入一个任意行走模式的观测值序列O_i，i＝1,2…n；

步骤5.2：建立室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)，其中：

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率；

步骤5.3：对于建立的行人行走模式的隐马尔科夫模型λ＝(A,B,π)，用维特比算法计算出所有可能的行走状态对应的概率，然后通过排序找出其中的最大概率：

δ₁(j)＝π_jb_j(o₁) 1≤j≤N

δ_t(j)＝max_i(δ_t-1(j)a_ijb_i(ot)) 2≤t≤T,1≤k≤N；

其中，T表示该行走模式的行走花费的时间，计算得到t时刻处于状态S_j的最大概率δt(j)；

步骤5.4：判断t时刻处于概率最大的状态S_j的概率δt(j)是否大于固定的阈值p(TH)；

若是：则继续执行下述步骤5.5，

若否：则结束识别；

其中，本实施例的p(TH)取0.6；

步骤5.5：记录每次计算出的最大概率对应的状态，用于回溯每一次的状态；对于一次维特比算法计算过程的最大概率δ_t-1(i)和一个状态转移概率a_ij，回溯信息ψ_t(j)的计算公式如下：

ψ_t(j)＝arg max_i[δ_t-1(i)a_ij] 2≤t≤T,1≤j≤N；

步骤5.6：利用回溯信息ψ_t(j)，用回溯算法识别出行人的行走模式T-2,…,1，其迭代过程如下：

$q_T^{*}=S_N$

$\begin{array}{cc}{q}_t^{*}={\mathrm{\ψ}}_{t+1}\left(q_{t+1}^{*}\right)& t=T-1,T-2,...,1.\end{array}$

请见图6，步骤6中采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，其具体实现包括以下子步骤：

步骤6.1：输入任意一个行走模式的观测值序列O_i，i＝1,2…n；建立的室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)；其中，A表示隐马尔科夫模型的状态转移概率矩阵，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

步骤6.2：为观测值序列设定一个长度为k的滑动窗口，将长度为n的观测值序列划分为长度为k的短序列；

步骤6.3：滑动窗口每次向后移动一个单位,其中，滑动窗口一共移动的次数C＝(n-k+1)；

步骤6.4：判断滑动窗口是否到达观测值序列末尾，

如果是，则监测结束；

如果否，则继续执行下述步骤；

步骤6.5：用维特比算法计算该滑动窗口所在的短序列的行走模式的最大概率δt(j)：

δ₁(j)＝π_jb_j(O₁)1≤j≤N

$\begin{array}{cc}{\mathrm{\δ}}_t\left(j\right)={\max }_i\left({\mathrm{\δ}}_{t-1}\right(j)a_{ij}{b}_{{\mathrm{iO}}_t})& 2\≤t\≤T,1\≤k\≤N\end{array};$

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率，T表示该行走模式的行走花费的时间；

步骤6.6：判断最大概率δt(j)与设定的阀值p(TH)大小；

如果最大状态概率δt(j)大于该阈值，则此次短序列为正常点，则返回继续执行步骤6.3；

如果最大状态概率δt(j)小于该阈值，则此次短序列为异常点，则继续执行下述步骤；

步骤6.7：对该短序列进行异常点删除和坏区修复，其坏区修复的方法是先删除原来的异常点，再通过曲线拟合的方法在删除的异常点的位置拟合一个点，再返回执行步骤6.3。

以上具体实施例对本发明的目的、技术方案以及有益效果进行了详细的说明。所应理解的是，上述内容仅为本发明的具体实施例而已，并不用于限制本发明。凡在本发明的精神与原则之内，所做的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种室内行人行走模式识别和轨迹追踪的方法，其特征在于，包括以下步骤：

步骤1：利用加速度传感器和地磁传感器以自适应的采样频率采集数据，获得室内行人的初始位置数据；

步骤2：利用航迹推算算法计算室内该行人的下一点位置数据；

步骤3：重复执行所述的步骤1和步骤2，通过不断地记录室内行人的位置数据，获得室内该行人的行走轨迹；

步骤4：根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型；

步骤5：根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，然后将室内该行人的行走轨迹匹配到识别出的室内该行人的行走模式；

步骤6：采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，获得室内该行人的行走修正轨迹。

2.根据权利要求1所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤1中所述的利用加速度传感器和地磁传感器以自适应的采样频率采集数据，其具体实现包括以下子步骤：

步骤1.1：输入三个连续时刻行人行走的方位角h_d，h_d-1，h_d-2；其中，d，d-1，d-2为进行数据采集的三个连续时刻；

步骤1.2：计算三个连续方位角两两之间关于时间的导数 $h_{d-1}^{\′}=\frac{\mathrm{\Δ}h}{\mathrm{\Δ}d}=h_{d-1}-h_{d-2};$

步骤1.3：计算方位角之间的二阶导数；

步骤1.4：判断二阶导数h_d”是否小于最小容忍值ε；

如果h_d”小于ε，则行人的行走状态处于稳定态，此时将加速度传感器和地磁传感器采集频率设为f₁；

如果h_d”大于ε，则行人的行走状态处于非稳定态，此时将加速度传感器和地磁传感器采集频率设为f₂；其中f₁＜f₂。

3.根据权利要求1所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤2中所述的利用航迹推算算法计算室内行人的下一点位置数据，其室内行人的下一点位置为：(x^*,y^*)＝(x+sl×sc×cos h,y+sl×sc+sin h)；

其中：sl是行人的步长，行人的步长通过估算法得到；sc是行人行走的步数，步数是根据加速度传感器获取的Z轴加速值计算得到，由于行人正常行走一步的过程中，Z轴加速度值得曲线是一个正弦波，所以通过检测Z轴加速度正弦波的个数来统计行人的步数；(x,y)是行人的初始坐标，(x^*,y^*)是行人的下一点位置的坐标；h是行人行走的方位角，该方位角通过地磁传感器获取，获取到的方位角是行人行进的方向与地磁北极的夹角。

4.根据权利要求1所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤4中所述的根据室内普通行人一般行走轨迹的特性建立行走模式的隐含马尔科夫模型，其具体实现包括以下子步骤：

步骤4.1：定义室内行人行走模式隐马尔科夫模型，该模型包括隐含状态、观测值、状态转移概率和输出概率这四个参数，其中，隐含状态对应于所述的室内行人行走模式；观测值是采集的加速度传感器和地磁传感器的数据；状态转移概率是室内人员从一个行走模式过度到另外一个行走模式的概率；输出概率是对于一个给定的观测值，对应于某个行走状态的概率；

步骤4.2：根据所述的室内行人的行走特点，实例化室内行人行走模式的隐马尔科夫模型。

5.根据权利要求4所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的隐含状态的实例化方法为：首先将室内行人的行走模式依据行走方向和行走速度分类；其中将行走方向以15度作为间隔，将360度分为24个方向段，假设室内行人行走方向的角度为θ，那么它所属的方向段为因室内正常的步行速度范围在0.5m/s—2m/s，然后将行走速度分为三类，分别是慢速(0.5m/s—1m/s)、中速(1m/s—1.5m/s)、快速(1.5m/s—2m/s)；根据所述的行走的方向和行走的速度，行走模式一共分为72种，每种行走模式对应一个方向段和一个速度类型。

6.根据权利要求4所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的观测值的实例化方法为：通过将行人行走一步的时间分为几个相等的时间间隔，每隔一个相等的时间段采集一次观测值，将所述的观测值按照时间顺序排列成观测向量；其中，所述的观测值为三维的向量O＝(acce,Δhd,spd)，acce表示行人的z-轴加速度、Δhd表示行人的方位角变化量、spd表示行人的行走速度。

7.根据权利要求4所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的输出概率的实例化方法包括以下子步骤：

步骤4.2.1:本发明通过多次采集室内人员行走一步以内的每一个行走模式对应的三个观测变量并对其求平均值的方法，为每一个行走模式建立了一个标准指纹库，每一个指纹库包括一个行走模式s_j和观测值序列v_i的对应关系,该对应关系表示为一个二维向量(s_j，v_i)；

步骤4.2.2：给定一个观测值序列v_i，查找指纹库中每一个行走模式s_j对应的标准观测值序列v_j；

步骤4.2.3：计算给定的观测值v_i与每一个行走模式对应的标准观测值v_j之间的欧氏距离；

步骤4.2.3：最后用零均值高斯函数来计算每一个观测值v_i和对应的状态s_j之间的发射概率。

8.根据权利要求4所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤4.2所述的实例化室内行人行走模式的隐马尔科夫模型，其室内行人行走模式的隐马尔科夫模型的状态转移概率的实例化方法为：所述的隐马尔科夫模型状态转移概率分为方向转移概率和速度转移概率；

方向转移概率表示行人从一个状态所处的方向转移到另外一个状态所处的方向的概率，若行人从状态i转移到状态j，i_heading,j_heading分别表示状态i和状态j所处的方向段，则方向转移概率P_heading(i,j)的计算公式如下：

$P_{\mathrm{heading}}(i,j)=\frac{\mathrm{\θ}}{2^n},n=|i_{\mathrm{heading}}-j_{\mathrm{heading}}|,$

其中θ表示当i_heading＝j_heading时的行人隐马尔科夫模型的方向转移概率；

因P_heading(i,j)满足约束条件

即所有可能转移的方向的概率之和为1，故通过这个约束条件计算出θ的值约为0.334；若行人从状态i转移到状态j，i_speed,j_speed分别表示状态i和状态j所处的速度类型，则速度转移概率P_speed(i,j)的计算公式如下：

$P_{speed}(i,j)=\frac{\mathrm{\ω}}{2^n},n=\left|i_{speed}-j_{speed}\right|,$

其中ω表示当i_speed＝j_speed时的行人隐马尔科夫模型的方向转移概率；

因P_speed(i,j)满足如下的约束条件

$\underset{j=1}{\overset{k}{\Σ}}{P}_{speed}(i,j)=1,$

即所有可能转移的速度的概率之和为1，故通过这个约束条件计算出ω为0.5；

则对于一个隐马尔科夫模型λ＝(A,B,π)，状态转移概率矩阵A为：

其中，a_ij表示隐马尔科夫模型的状态转移概率，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

9.根据权利要求1所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤5中所述的根据建立的隐含马尔科夫模型和传感器观测值识别出室内该行人的行走模式，其具体实现包括以下子步骤：

步骤5.1：输入一个任意行走模式的观测值序列O_i，i＝1,2…n；

步骤5.2：建立室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)，其中：

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率；

步骤5.3：对于建立的行人行走模式的隐马尔科夫模型λ＝(A,B,π)，用维特比算法计算出所有可能的行走状态对应的概率，然后通过排序找出其中的最大概率：

δ₁(j)＝π_jb_j(o₁)1≤j≤N

δ_t(j)＝max_i(δ_t-1(j)a_ijb_i(o_t))2≤t≤T,1≤k≤N；

其中，T表示该行走模式的行走花费的时间，计算得到t时刻处于状态S_j的最大概率δt(j)；

步骤5.4：判断t时刻处于概率最大的状态S_j的概率δt(j)是否大于固定的阈值p(TH)；

若是：则继续执行下述步骤5.5，

若否：则结束识别；

步骤5.5：记录每次计算出的最大概率对应的状态，用于回溯每一次的状态；对于一次维特比算法计算过程的最大概率δ_t-1(i)和一个状态转移概率a_ij，回溯信息ψ_t(j)的计算公式如下：

ψ_t(j)＝arg max_i[δ_t-1(i)a_ij]2≤t≤T,1≤j≤N；

步骤5.6：利用所述的回溯信息ψ_t(j)，用回溯算法识别出行人的行走模式 $q_t^{*},t=T-1,T-2,...,1,$ 其迭代过程如下：

$q_T^{*}=S_N$

$\begin{array}{cc}{q}_t^{*}={\mathrm{\ψ}}_{t+1}\left(q_{t+1}^{*}\right)& t=T-1,T-2,...,1.\end{array}$

10.根据权利要求9所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：所述的p(TH)取0.6。

11.根据权利要求1所述的室内行人行走模式识别和轨迹追踪的方法，其特征在于：步骤6中所述的采用了异常点识别、删除和坏区修复的方法对匹配后的行走轨迹进行修正，其具体实现包括以下子步骤：

步骤6.1：输入任意一个行走模式的观测值序列O_i，i＝1,2…n；建立的室内行人行走模式的隐马尔科夫模型λ＝(A,B,π)；其中，A表示隐马尔科夫模型的状态转移概率矩阵，B表示隐马尔科夫模型的输出概率矩阵，π表示隐马尔科夫模型的初始状态概率矩阵。

步骤6.2：为观测值序列设定一个长度为k的滑动窗口，将长度为n的观测值序列划分为长度为k的短序列；

步骤6.3：滑动窗口每次向后移动一个单位,其中，滑动窗口一共移动的次数C＝(n-k+1)；

步骤6.4：判断滑动窗口是否到达观测值序列末尾，

如果是，则监测结束；

如果否，则继续执行下述步骤；

步骤6.5：用维特比算法计算该滑动窗口所在的短序列的行走模式的最大概率δt(j)：

δ₁(j)＝π_jb_j(O₁)1≤j≤N

其中，a_ij表示隐马尔科夫模型的状态转移概率，b_j(i)表示隐马尔科夫模型的输出概率，N表示隐含尔科夫模型的状态数，π_j表示隐马尔科夫模型的初始状态概率，T表示该行走模式的行走花费的时间；

步骤6.6：判断最大概率δt(j)与设定的阀值p(TH)大小；

如果最大状态概率δt(j)大于该阈值，则此次短序列为正常点，则返回继续执行所述的步骤6.3；

如果最大状态概率δt(j)小于该阈值，则此次短序列为异常点，则继续执行下述步骤；

步骤6.7：对该短序列进行异常点删除和坏区修复，其坏区修复的方法是先删除原来的异常点，再通过曲线拟合的方法在删除的异常点的位置拟合一个点，再返回执行所述的步骤6.3。