CN104864873A - 一种利用人体运动特征辅助地图定位的方法 - Google Patents

Abstract

本发明提供一种利用人体运动特征辅助地图定位的方法，所述方法包括：首先把三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据输入Kalman滤波器预测出位置P1，然后把P1输入粒子滤波算法，结合地图信息纠正位置为P2。同时，将三轴加速度信号输入行为特征分析算法，用离线处理时训练的高斯过程分类模型预测出行为信息，若为与楼梯或电梯相关的动作，则结合地图中相关的固定位置信息将P2纠正为相应的楼梯或电梯口位置P3。通过二次纠正人的位置，提高导航系统的定位精度。此外，若以纠正点为人的初始位置进行后续的定位预测，则可以清除之前在预测位置时带来的累积误差。

Description

一种利用人体运动特征辅助地图定位的方法

技术领域

本发明涉及室内定位技术领域，涉及一种定位方法，特别是涉及一种利用人体运动特征辅助地图定位的方法。

背景技术

近来，随着数据业务和多媒体业务的快速增加，人们对室内定位的需求越来越迫切。在复杂的室内环境，如机场大厅、商业大厦内、大型展厅、超市、地下停车场等环境中，能精确地确定移动终端或其持有者在室内的位置信息有利于为人们提供更加便利且更加细致到位的导航服务。然而，由于室内环境的面积相对较小，且一般都比较复杂，存在很多障碍物，如桌椅、家具、墙壁等，使得目前还没有一种拥有高精度、高可靠性的室内自主定位方法。在各种定位方法中，基于惯性传感器的室内导航技术以其低成本、安装携带方便、易于隐私保护、易操作的优势近年来吸引了越来越多的学者进行研究，而误差累积无法消除、定位精度不高等主要问题依然存在。尤其是陀螺仪误差积累引起的方向偏移会导致定位出现严重偏差。

然而，飞速发展的传感器技术不仅使得基于惯性传感器的室内定位技术发展迅速，还促进了利用惯性传感器去识别、分析人的行为活动的研究。这些研究意图以为人们的生活提供健康监测以及生活质量分析等服务为主，而其中一部分行为包含了地理信息，如上下楼、上下电梯等简单的动作能使我们简单的判定人员所处的位置。这便为室内定位技术提供了另一种思路，可以结合人体行为识别方法间接地辅助实现定位功能。

根据上述分析，本发明提出了一种基于高斯过程运动特征分析法辅助步行者室内定位的算法。主要利用加速度惯性传感器数据对包含地理信息的人体行为进行识别，并将这些行为的触发时刻作为纠正点，利用粒子滤波算法对人的位置进行纠正，从而提高定位的精度。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种利用人体运动特征辅助地图定位的方法，用于解决现有技术中基于惯性传感器的定位方法误差累积无法消除、定位精度不高的问题。

为实现上述目的及其他相关目的，本发明提供一种利用人体运动特征辅助地图定位的方法，所述定位的方法至少包括：

1)进行离线预处理，以训练出高斯过程分类器模型；

2)进行在线预测，采用惯性磁场测量单元测量人体行为的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据，一方面将所述三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据输入Kalman滤波器中获得被定位者的位置为P1，之后采用粒子滤波算法并结合地图信息，将被定位者的位置P1纠正为P2；

另一方面，将测量的三轴加速度数据进行特征提取，并将提取的特征信号输入所述高斯过程分类器模型中，依次预测每一秒的行为信息，如果当前秒所预测出的行为信息是上楼、下楼、上电梯或下电梯，则结合前两秒的行为信息，判断是否这连续三秒均为相同的行为信息，若是相同的行为信息，则结合地图信息将被定位者的位置P2纠正为楼梯坐标点或电梯坐标点P3，若连续三秒不是相同的行为信息，则继续利用高斯过程分类器模型预测下一秒的行为。

作为本发明利用人体运动特征辅助地图定位的方法的一种优化方案，所述进行离线预处理的过程为：

首先，采集离线测试人员进行站、平地走、上楼、下楼、上电梯、下电梯六种行为的三轴加速度数据，选取若干个三轴加速度数据为一个窗，然后对每一个窗内的三轴加速度数据进行特征提取，获得多维的特征信号，将所述多维的特征信号输入所述高斯过程训练器中训练出高斯过程分类模型。

作为本发明利用人体运动特征辅助地图定位的方法的一种优化方案，进行离线预处理和在线预测时，所述特征提取所提取的特征信号均包括三轴加速度在每个窗内的均值、标准差、三轴之间的相关系数以及信号强度，经过提取后获得10维的特征信号。

作为本发明利用人体运动特征辅助地图定位的方法的一种优化方案，获得被定位者位置为P1的方法为：

通过三轴加速度数据提取被定位者的步伐信息，提取步伐信息包括采用峰值检测算法估计被定位者走过的步数和通过自适应算法实时估计步长，所述步长乘以步数得到所述被定位者行走的距离；

通过融合所述三轴陀螺仪数据和三轴磁力计数据，实时输出航向角信息，获得被定位者行走的方向，最后通过所述行走的距离和方向，描绘出被定位者行走的轨迹；

利用所述Kalman滤波器对上述获得的整个行走轨迹进行滤波，输出被定位者的实时位置P1。

作为本发明利用人体运动特征辅助地图定位的方法的一种优化方案，将被定位者的位置P1纠正为P2的方法为：

根据所述被定位者的当前位置以及地图信息先判断是否发生穿墙事件，如果发生穿墙事件，则说明方向发生的偏差，此时在上一步伐的位置点随机生成大量粒子，输入状态转移方程产生同样数量的预测粒子，然后计算各粒子的权重；接着判断粒子是否发生穿墙，并把穿墙的粒子的权重置为零，同时去除权重小于0.1的粒子；最后对粒子权重进行归一化并对粒子求加权平均，输出滤波后的位置P2。

作为本发明利用人体运动特征辅助地图定位的方法的一种优化方案，所述惯性磁场测量单元为惯性传感器。

如上所述，本发明的利用人体运动特征辅助地图定位的方法，该方法通过融合人体行为特征信息，利用地图信息，纠正粒子滤波算法计算出的位置信息。首先把三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据输入Kalman滤波器预测出位置P1，然后把P1输入粒子滤波算法，结合地图信息纠正位置为P2。同时，三轴加速度信号输入行为特征分析算法，用高斯过程分类模型预测出行为信息，若为与楼梯和电梯相关的动作，则结合地图中相关的固定位置信息将P2纠正为相应的楼梯或电梯口位置P3。通过二次纠正人的位置，提高导航系统的定位精度。此外，若以纠正点为人的初始位置进行后续的定位预测，则可以清除之前在预测位置时带来的累积误差。

附图说明

图1为本发明的系统算法流程图。

图2为本发明的姿态识别算法流程图。

图3为本发明融合行为信息纠正定位点算法流程图。

图4为本发明融合行为信息纠正定位点示意图(以上电梯为例)。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图1～图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明提供一种利用人体运动特征辅助地图定位的方法，如图1～图2所示，所述定位的方法包括如下步骤：

首先进行步骤1)，如图2所示，进行离线预处理，以训练出高斯过程分类器模型。

预处理的过程包括：

1.1)先采集站、平地走、上楼、下楼、上电梯和下电梯这六种行为的三轴加速度数据信号，每种动作采集时间为4分钟，采样频率为100Hz。

1.2)进行窗长度提取，把采集到三轴加速度信号进行分段处理。本实施例中，采样频率为100Hz，根据该采样频率，选取100个三轴加速度数据为一个窗，即每秒预测一次行为。这样，将采集的三轴加速度数据以100为窗长度进行分段截取数据。

1.3)特征提取：对每个窗内的三轴加速度信号进行特征提取，提取的特征包括：三轴加速度数据的均值、标准差、三轴之间的相关系数、信号强度。其中，

窗长度内每个轴加速度数据的均值为： $m_i=\left[\begin{array}{c}{m}_x\left(i\right)\\ m_y\left(i\right)\\ m_z\left(i\right)\end{array}\right],$ 其中m_i表示在第i窗内的均值矢量，m_x(i)、m_y(i)和m_z(i)分别表示每个轴加速度数据在第i窗内的均值。

窗长度内每个轴加速度数据的标准差： $s_i=\left[\begin{array}{c}{s}_x\left(i\right)\\ s_y\left(i\right)\\ s_z\left(i\right)\end{array}\right],$ 其中 $s_x\left(i\right)=\sqrt{\frac{1}{n-1}{\mathrm{\Σ}}_{t-1}^n{[a_{\mathrm{xi}}\left(t\right)-m_x\left(i\right)]}^2},$ 表示在第i窗内的标准差矢量，n表示窗长度，在本实施例中n＝100，a_xi(t)表示在第i窗内t时刻的x轴的加速度数据。同理可计算出s_y(i)和s_z(i)。

三轴间的相关系数： $c_i=\left[\begin{array}{c}{c}_{\mathrm{xy}}\left(i\right)\\ c_{\mathrm{yz}}\left(i\right)\\ c_{\mathrm{zz}}\left(i\right)\end{array}\right],$ 其中 $p_{\mathrm{xy}}\left(i\right)=\frac{1}{n-1}{\mathrm{\Σ}}_{t=1}^n\left(\frac{a_{\mathrm{xi}}\left(t\right)-m_x\left(i\right)}{s_x\left(i\right)}\right)\left(\frac{a_{\mathrm{yi}}\left(t\right)-m_y\left(i\right)}{s_y\left(i\right)}\right),$ 同理可计算出p_xz(i)和p_yz(i)。

信号强度：sm(i)＝m_x(i)+m_y(i)+m_z(i)，即信号强度为三轴的均值之和。

这样，经过特征提取后获得10维的特征信号。

1.4)把步骤1.3)提取的10维特征信号组成的矩阵X和对应的类标矢量y(即行为类别值)输入高斯过程训练器训练出高斯过程分类模型。在训练模型时，采用Laplace近似方法把关于潜在函数f的后验分布p(f|X,y)近似为高斯分布，其中潜在函数f是表示X与y之间关系的函数。

然后进行步骤2)，进行在线预测。

先正确安装惯性磁场测量单元于腰部位置，本实施例中，所述惯性磁场测量单元为惯性传感器。利用所述惯性磁场测量单元将测量的人体行为数据实时传输到处理单元中，开始执行室内算法，具体过程为：

2.1)采用惯性磁场测量单元测量人体行为的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据，将所述三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据输入Kalman滤波器中获得被定位者的位置为P1(x₁，y₁)。

更具体地，步骤2.1)包括过程：通过三轴加速度数据提取被定位者的步伐信息，提取步伐信息包括采用峰值检测算法估计被定位者走过的步数和通过自适应算法实时估计步长，所述步长乘以步数得到所述被定位者行走的距离；再通过融合所述三轴陀螺仪数据和三轴磁力计数据，实时输出航向角信息，获得被定位者行走的方向，最后通过所述行走的距离和方向，描绘出被定位者行走的轨迹；利用所述Kalman滤波器对上述获得的整个行走轨迹进行滤波，输出被定位者的实时位置P1(x₁，y₁)。

2.2)采用粒子滤波算法并结合地图信息，将被定位者的位置P1(x₁，y₁)纠正为P2(x₂，y₂)。

根据所述被定位者的当前位置以及地图信息先判断是否发生穿墙事件，如果发生穿墙事件，则说明方向发生的偏差，此时在上一步伐的位置点随机生成大量粒子，输入状态转移方程产生同样数量的预测粒子，然后计算各粒子的权重；接着判断粒子是否发生穿墙，并把穿墙的粒子的权重置为零，同时去除权重小于0.1的粒子；最后对粒子权重进行归一化并对粒子求加权平均，输出滤波后的位置P2(x₂，y₂)。

2.3)将测量的三轴加速度数据进行特征提取，并将提取的特征信号输入所述高斯过程分类器模型中，依次预测每一秒的行为信息。

需要说明的是，请参阅附图1，步骤2.3)和步骤2.1)同时进行。同时需要说明的是，附图1中的高斯过程分类器包括高斯过程训练器和高斯过程预测器，通过高斯过程训练器训练出高斯过程分类模型，之后将该模型导入高斯过程预测器中进行步骤2.3)的行为预测。附图2分开显示高斯过程训练器和高斯过程预测器。

步骤2.3)具体过程为：

2.3.1)把每1秒内的三轴加速度数据依次进行特征提取，提取的特征信号同样是三轴加速度的均值、三轴加速度的方差、三轴间的相关系数以及信号强度；

2.3.2)把提取特征后的特征信号依次输入高斯过程预测器，利用步骤1训练出的高斯过程分类模型预测出这1秒内的人体行为信息。把需要预测的每一秒的x*(即三轴加速度所提取的均值、标准差等)输入步骤1.4)训练好的高斯过程分类模型，得出x*属于每一类人体行为的概率，通过比较概率值，得出人体行为信息分类结果。

2.4)根据步骤2.3)得出的人体行为信息，如果当前秒所预测出的行为信息是上楼、下楼、上电梯或下电梯，则结合前两秒的行为信息，判断是否这连续三秒均为相同的行为信息，若是相同的行为信息，则结合地图信息将被定位者的位置P2纠正为楼梯坐标点或电梯坐标点P3，若连续三秒不是相同的行为信息，则继续利用高斯过程分类器模型预测下一秒的行为。

步骤2.4)具体过程为：

2.4.1)对每秒的行为信息进行判断，如果行为为静止(站)或平地走路则继续下一秒的判断，如果行为为上楼(下楼、上楼梯、下楼梯)，则进入2.4.2)；

2.4.2)如图3所示，设此时为第k秒，判断k-1秒和k-2秒是否都为上楼(下楼、上电梯、下电梯)，如果否，则进入2.4.1)，如果是，则进入步骤2.4.3)；

2.4.3)根据地图信息取得所有楼梯口或电梯口所在位置的坐标点Pi(x_i，y_i)，然后搜寻与P2(x₂，y₂)最近的楼梯或电梯口的坐标点Pm(x_m，y_m)，将P2(x₂，y₂)纠正为P3(x₃，y₃)＝Pm(x_m，y_m)，利用纠正后的位置P3(x₃，y₃)作为当前时刻的位置输入定位算法以对下一时刻进行定位。

如图4所示为本发明融合行为信息纠正定位点示意图(以上电梯为例)。结合地图信息，通过Kalman滤波和粒子滤波算法预测出的人体运动轨迹如图4所示，而当连续3秒的上电梯的行为信息发出后，则可以再次利用地图信息把人的位置进一步纠正为电梯内，从而可以达到更精确地定位效果。此外，若以此为纠正点，则可以设置人的初始位置信息来进行之后的定位预测，以清除之前在预测位置时带来的累积误差。

综上所述，本发明提供一种利用人体运动特征辅助地图定位的方法，该方法通过融合人体行为特征信息，利用地图信息，纠正粒子滤波算法计算出的位置信息。首先把三轴加速度数据、三轴陀螺仪数据、三轴磁力计数据输入Kalman滤波器预测出位置P1，然后把P1输入粒子滤波算法，结合地图信息纠正位置为P2。同时，三轴加速度信号输入行为特征分析算法，用高斯过程分类模型预测出行为信息，若为与楼梯和电梯相关的动作，则结合地图中相关的固定位置信息将P2纠正为相应的楼梯或电梯口位置P3。通过二次纠正人的位置，提高导航系统的定位精度。此外，若以纠正点为人的初始位置进行后续的定位预测，则可以清除之前在预测位置时带来的累积误差。

所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种利用人体运动特征辅助地图定位的方法，其特征在于，所述定位的方法至少包括：

1)进行离线预处理，以训练出高斯过程分类器模型；

2)进行在线预测，采用惯性磁场测量单元测量人体行为的三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据，一方面将所述三轴加速度数据、三轴陀螺仪数据和三轴磁力计数据输入Kalman滤波器中获得被定位者的位置为P1，之后采用粒子滤波算法并结合地图信息，将被定位者的位置P1纠正为P2；

另一方面，将测量的三轴加速度数据进行特征提取，并将提取的特征信号输入所述高斯过程分类器模型中，依次预测每一秒的行为信息，如果当前秒所预测出的行为信息是上楼、下楼、上电梯或下电梯，则结合前两秒的行为信息，判断是否这连续三秒均为相同的行为信息，若是相同的行为信息，则结合地图信息将被定位者的位置P2纠正为楼梯坐标点或电梯坐标点P3，若连续三秒不是相同的行为信息，则继续利用高斯过程分类器模型预测下一秒的行为。

2.根据权利要求1所述的利用人体运动特征辅助地图定位的方法，其特征在于：所述进行离线预处理的过程为：

首先，采集离线测试人员进行站、平地走、上楼、下楼、上电梯、下电梯六种行为的三轴加速度数据，选取若干个三轴加速度数据为一个窗，然后对每一个窗内的三轴加速度数据进行特征提取，获得多维的特征信号，将所述多维的特征信号输入所述高斯过程训练器中训练出高斯过程分类模型。

3.根据权利要求2所述的利用人体运动特征辅助地图定位的方法，其特征在于：进行离线预处理和在线预测时，所述特征提取所提取的特征信号均包括三轴加速度在每个窗内的均值、标准差、三轴之间的相关系数以及信号强度，经过提取后获得10维的特征信号。

4.根据权利要求1所述的利用人体运动特征辅助地图定位的方法，其特征在于：获得被定位者位置为P1的方法为：

通过三轴加速度数据提取被定位者的步伐信息，提取步伐信息包括采用峰值检测算法估计被定位者走过的步数和通过自适应算法实时估计步长，所述步长乘以步数得到所述被定位者行走的距离；

通过融合所述三轴陀螺仪数据和三轴磁力计数据，实时输出航向角信息，获得被定位者行走的方向，最后通过所述行走的距离和方向，描绘出被定位者行走的轨迹；

利用所述Kalman滤波器对上述获得的整个行走轨迹进行滤波，输出被定位者的实时位置P1。

5.根据权利要求1所述的利用人体运动特征辅助地图定位的方法，其特征在于：将被定位者的位置P1纠正为P2的方法为：

根据所述被定位者的当前位置以及地图信息先判断是否发生穿墙事件，如果发生穿墙事件，则说明方向发生的偏差，此时在上一步伐的位置点随机生成大量粒子，输入状态转移方程产生同样数量的预测粒子，然后计算各粒子的权重；接着判断粒子是否发生穿墙，并把穿墙的粒子的权重置为零，同时去除权重小于0.1的粒子；最后对粒子权重进行归一化并对粒子求加权平均，输出滤波后的位置P2。

6.根据权利要求1所述的利用人体运动特征辅助地图定位的方法，其特征在于：所述惯性磁场测量单元为惯性传感器。