CN106295680A - 低功耗驾车和步行状态识别系统 - Google Patents

Abstract

本发明涉及一种低功耗驾车和步行状态识别系统，利用单个3轴加速计的室内停车场人员的运动状态的检测系统包括加速计数据的采集模块、数据存储模块、算法实现模块(数据预处理模块、特征提取模块、识别模块)、显示模块等。本发明所用的辅助设备是一个集成了加速计与蓝牙模块的身份证大小的便携卡片式装置；当用户开车进入停车场时就发放此卡，通过这个便携的卡片式装置采集到的实时运动数据来实现对进入人员或车辆的运动状态的实时检测。本发明利用加速计实现运动目标实时3轴加速度数据的采集、存储与传输，然后再结合本发明提出的简便的识别算法就可以达到实时的、较高的识别精度。

Description

低功耗驾车和步行状态识别系统

技术领域

本发明涉及一种低功耗驾车和步行状态识别系统，属于智能识别技术领域。

背景技术

基于加速度传感器的人体运动监测领域的研究大致可分为两类。第一类是基于多传感器的，经常采用的方法是在人体多个部位放置加速度传感器，多传感器组成了体感网，或是采用综合加速度传感器、姿态传感器等多类型传感器，通过分析融合多传感器采集到的数据来对人体动作进行识别。利用多个传感器能够较全面的获得人体运动信息，并在一定程度上提高了识别准确率；但佩戴多个传感器会降低使用者的舒适性，给使用者带来不便，而且多传感器也会使得整个系统的成本大幅上升，也会增加计算负担和加大能耗。因此，在本发明的应用场景中，上述方法的实际操作性不强。

第二类方式是利用单个加速度传感器来对人体的不同运动状态进行识别。单个加速度传感器获得较小的数据量便于分析，同时也更易于嵌入到智能手机、智能手表等电子设备中，因此，该方式在人体运动状态上具有更广阔的前景。但是由于传感器个数较少不能较全面的获得人体运动信息，识别准确率相对稍差。

当然，除了基于加速计的人体或车辆的运动状态检测外，基于计算机视觉的动作识别技术也是比较成熟的。但是基于视觉的定位与动作识别技术大多是基于三维或二维图像特征，三维图像特征的参数通常多、训练复杂、计算量大，而二维图像处理适用于固定视角，但是基于视觉的方案会遇到各种的遮挡情况，且需借助复杂的图像处理与深度学习技术，所以实现难度较大、成本较高、而且遍布各处的监控摄像头不仅成本高、也可能造成用户的反感。考虑到上述问题与本发明实际的应用场景，我们提出一种基于单加速计与运动稳定度的识别方法。

与本发明最相似的方案是一种基于神经网络的多层分类器模型，分类效果较理想，但该方法较为复杂，系统计算开销较大。基于神经网络的多层分类器模型主要包括3个分类器：pre-classifier、static-classifier、Dynamic-classifer。

一个神经元分类器结构包括一个输入模块、一个处理模块。一个输出模块。输入的形式为u＝[u₁，u₂，...，u_r]¹，输出模块为y＝[y₁，y₂，...，y_h]¹，输入中的r代表输入的特征集中的元素数目，r代表分类的个数。中间的f函数为Log sigmoid函数。用The resilientbackpropagation(RPROP)机器学习算法来训练神经元分类器。

整个分类主要包括两个阶段：Pre-classifier阶段与Static/dynamicclassifier阶段。

(1)Pre-classifier阶段：

通过提取加速度的数据的两个特征来完成特征提取。一个是Signal magnitudearea(SMA)，其计算方法为

$SMA=\frac{1}{W}\left(\underset{i=1}{\overset{w}{\Σ}}\right|x_i|+\underset{i=1}{\overset{w}{\Σ}}|y_i|+\underset{i=1}{\overset{w}{\Σ}}|z_i\left|\right)$

其中w为每次提取特征的滑动窗口的大小。通过这种方式完成第一个特征的提取；另一个特征是average energy(AE)，即三轴加速度的平均能量。

(2)Static/dynamic classifier阶段：

为了识别静止和运动活动的不同类别，通过提取加速度传感器数据的八个特征：mean、correlation between axes、energy、interquartile range、mean absolutedeviation、root mean square、standard deviation、variance。由于又是利用三个轴加速度，故最终每个窗口中的加速度数据用24(3×8)个特征表示。

对于室内停车场来说，进入人员的运动状态几乎不是在开车就是在走路。要实时的、不引起用户反感的情况下识别进入室内停车场后人员的行车/步行运动状态对于停车场室内定位、交费、室内导航、公共安全等方面是很有帮助的。如果仅通过24小时实时监控来实现对所有进入人员的逐个跟踪，成本过于高昂，技术上也很难实现。现有对目标运动状态的识别大部分是基于计算机视觉的、人工神经网络的、或支持向量机(Support VectorMachine，SVM)的，这些方法的算法复杂、实现难度高、设备要求高。因此，在不干扰用户日常行为的前提下，以尽可能便捷、准确、成本低的方式设计与实现行车/步行识别算法使得停车场定位系统能够准确的识别停车用户在何时何地由行车状态转换为步行状态或由步行状态转换为行车状态停车场停车的位置是整个设计的关键。

发明内容

本发明的目的在于提供一种低功耗驾车和步行状态识别系统，利用嵌入了加速计模块、蓝牙模块、无线传输模块的身份证大小的嵌入式卡片来实现对运动目标的实时3轴加速度数据采集与存储、识别算法设计与识别结果显示。考虑到嵌入式卡片的摆放方式是不定的，本发明是基于合加速度(即3轴加速度的合成)的。基于本发明的稳定度算法也可以很简单的实现计步功能。并通过实际的路测验证了该识别方法的有效性。

为了实现上述目的，本发明的技术方案如下。

一种低功耗驾车和步行状态识别系统，利用单个3轴加速计的室内停车场人员的运动状态的检测系统包括加速计数据的采集模块、数据存储模块、算法实现模块(数据预处理模块、特征提取模块、识别模块)、显示模块等。

本发明所用的辅助设备是一个集成了加速计与蓝牙模块的身份证大小的便携卡片式装置；当用户开车进入停车场时就发放此卡，通过这个便携的卡片式装置采集到的实时运动数据来实现对进入人员或车辆的运动状态的实时检测。

该方法基于合加速度与运动稳定性算法来实时完成对运动目标的步行/行车状态的检测，其中稳定性算法实现方式如下：

计算加速度传感器的合加速度值，取加速度传感器原始x，y，z轴的值的平方根，a_k表示第k个点的合加速度，计算方式如下面的公式所示。

$a_k=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}$

具体的稳定性算法实现步骤如下所示：

(1)按一定的频率采集加速计的三轴加速度值。

(2)滤波。将100个采集到的三轴的加速度值通过高通滤波后的数据值相加得到sumX、sumY、sumZ。通过高通滤波可以去掉短周波的影响。求和的目的是用于下一步的求均值。用100个采集点的各轴的均值来作为这一时间段内运动状态的最终的代表值，可以降低识别误差，提高最终样例数据的准确性。

(3)将上一步求得3个轴的加速度各个方向的和sumX、sumY、sumZ求平均，并计算求平方和在开方，如下式所示：

$N=6\×\sqrt{{\left(\frac{sumX}{100}\right)}^2+{\left(\frac{sumY}{100}\right)}^2+{\left(\frac{sumZ}{100}\right)}^2}$

当N＜1时：稳定性优

当1＜N＜2时：稳定性良

当N＞2时：稳定性差

由于进入人员可能将卡片随意的拿在手上、放进包里、开车人员可能会将卡随手放在车上，因而不是之前的常见的将检测装置以特定的摆放方式绑定到人身上某个位置来采集数据，所以不能通过三轴加速度的单一轴(X轴、Y轴、Z轴)的数据来进行运动状态识别，因为这种情况下X轴、Y轴、Z轴的摆放方向没有指定，而且是实时变化的。为了解决上述问题，本方案使用合加速度来检测运动状态，具体的实现算法如下。

运动状态识别总体实现算法：

(1)计算加速度传感器的合加速度值，取加速度传感器原始x轴、y轴、z轴的值的平方根，a_k表示第k个点的合加速度。

(2)首先判断单个X轴、Y轴、Z轴的加速度是不是为零，或是在一个接近零的小区间几乎不变，如果是则判断出是静止状态；或者一段时间内的平均合加速度值小于一个阈值，则判定为静止。

(3)接下来主要通过稳定性算法，判定走路还是开车。在一段时间内，如果运动状态几乎都保持在稳定性优状态，则可以判定此时为开车状态；如果是在稳定性优状态与稳定性良状态交替出现，则判定为走路状态。

(4)识别为走路状态时，通过统计走路时稳定性优状态与稳定性良状态之间的交替次数，就可以估算出步行的步数。连续出现两次稳定性良状态的间隔判别为走了一步。

(5)通过判断步行20步的时间内，稳定性良状态的比率是否超过40％，如果超过就判断为走路，否则就判断为开车状态。

该发明的有益效果在于：本发明方法具有以下优点：

(1)整个识别装置成本低、体积小。第二部分的加速度采集装置体积大、成本高。

(2)具有良好的用户适应性。本方案所采用的停车场用户移动方式识别采用的是嵌入了蓝牙与加速计的身份证大小的卡片，用户可以随意的放在包中、拿在手上、放在车中，无需将卡绑定到特定的位置，而第二部分是将体积较大的设备绑到测试人员的特定部位的。因此，我们的实现方式拥有更好地用户适应性。在不引起用户反感与不便的情况下实现用户移动方式数据的实时采集、存储、处理。

(3)运用合加速度进行用户移动方式分析。没有像第二部分中的试验方法那样单独分析3个轴各自的加速度的变化情况，因为我们的卡是随意放在包中、车中、或拿在手上，这样卡的摆放位置与方向是随意变动的，而第二部分中是通过将可穿戴设备中的加速计以固定的摆放方向绑到人的身体的特定部位上。我们这种情况下3个轴各自的加速度变化情况是无序的。而是运用合加速度进行运动状态分析，可以较好实现开车/走路的识别。

(4)实现算法简便、计算量小、识别准确率高。第二部分，是通过神经元分类器与复杂的分类算法来完成的，本发明，仅运用合加速度算法与运动稳定性算法就可以实现行车/步行状态的判别，算法简便高效，识别效果较好.

(5)所需数据量小。第二部分因为需要采集大量的x、y、z轴的数据进行分类与训练，而本发明的实现算法仅需要实时的少量的3轴加速度就可以进行。

(6)实时显示。可以在采集加速度数据的同时很快的的完成算法运算，实现实时用户移动方式显示。

本发明的目的是借助嵌入了加速计与蓝牙的身份证大小的装置和计算量小的识别算法在所需输入参数较少和无需大规模数据集的情况下，实现实时的开车/走路状态的检测。利用加速计实现运动目标实时3轴加速度数据的采集、存储与传输，然后再结合本发明提出的简便的识别算法就可以达到实时的、较高的识别精度。

具体实施方式

下面结合实施例对本发明的具体实施方式进行描述，以便更好的理解本发明。

实施例

本发明实施例中的低功耗驾车和步行状态识别系统，利用单个3轴加速计的室内停车场人员的运动状态的检测系统包括加速计数据的采集模块、数据存储模块、算法实现模块(数据预处理模块、特征提取模块、识别模块)、显示模块等。

本发明所用的辅助设备是一个集成了加速计与蓝牙模块的身份证大小的便携卡片式装置；当用户开车进入停车场时就发放此卡，通过这个便携的卡片式装置采集到的实时运动数据来实现对进入人员或车辆的运动状态的实时检测。

该方法基于合加速度与运动稳定性算法来实时完成对运动目标的步行/行车状态的检测，其中稳定性算法实现方式如下：

计算加速度传感器的合加速度值，取加速度传感器原始x，y，z轴的值的平方根，a_k表示第k个点的合加速度，计算方式如下面的公式所示。

$a_k=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}$

具体的稳定性算法实现步骤如下所示：

(1)按一定的频率采集加速计的三轴加速度值。

(2)滤波。将100个采集到的三轴的加速度值通过高通滤波后的数据值相加得到sumX、sumY、sumZ。通过高通滤波可以去掉短周波的影响。求和的目的是用于下一步的求均值。用100个采集点的各轴的均值来作为这一时间段内运动状态的最终的代表值，可以降低识别误差，提高最终样例数据的准确性。

(3)将上一步求得3个轴的加速度各个方向的和sumX、sumY、sumZ求平均，并计算求平方和在开方，如下式所示：

$N=6\×\sqrt{{\left(\frac{sumX}{100}\right)}^2+{\left(\frac{sumY}{100}\right)}^2+{\left(\frac{sumZ}{100}\right)}^2}$

当N＜1时：稳定性优

当1＜N＜2时：稳定性良

当N＞2时：稳定性差

使用合加速度来检测运动状态，具体的实现算法如下。

运动状态识别总体实现算法：

(1)计算加速度传感器的合加速度值，取加速度传感器原始x轴、y轴、z轴的值的平方根，a_k表示第k个点的合加速度。

(2)首先判断单个X轴、Y轴、Z轴的加速度是不是为零，或是在一个接近零的小区间几乎不变，如果是则判断出是静止状态；或者一段时间内的平均合加速度值小于一个阈值，则判定为静止。

(3)接下来主要通过稳定性算法，判定走路还是开车。在一段时间内，如果运动状态几乎都保持在稳定性优状态，则可以判定此时为开车状态；如果是在稳定性优状态与稳定性良状态交替出现，则判定为走路状态。

(4)识别为走路状态时，通过统计走路时稳定性优状态与稳定性良状态之间的交替次数，就可以估算出步行的步数。连续出现两次稳定性良状态的间隔判别为走了一步。

(5)通过判断步行20步的时间内，稳定性良状态的比率是否超过40％，如果超过就判断为走路，否则就判断为开车状态。

通过测试，在室内停车场开车时大部分情况都显示稳定性优状态，走路时几乎是在稳定性优与稳定性良状态之间交替显示。连续的一次交件间隔代表走了一步。

1、对20分钟内，一共走了1620步。室内走路统计结果的验证，如下表所示。

共记录稳定性状态3314次。

表1 走路时稳定性情况统计表

通过实时观测，人走一步，会有1次稳定性优与1次稳定性良状态出现。而且通过实际实验得出，一般在步行20步的时间内，都是稳定性优状态与稳定性良状态交替出现时，就可以判别为走路状态。取这段时间内统计的的稳定性良状态出现的次数就可以估测出步行数。有以上数据得出判别走路的识别率约为1590/1620＝98.15％。

2、对开车1小时的稳定性统计结果，分为没有减速带的情况与有减速带的情况。

(1)没有减速带的情况下，包括加减速、转弯等情况。稳定性结果统计如下表所示。

表2 没有减速带时的开车稳定性情况统计表

(2)在有少量减速带的情况下，数据统计结果如下。通过减速带时，大部分情况是从稳定性优变为稳定性良，如果通过减速带时的车速较大，这样车体的整体波动性就会较大，这种情况下就会出现从稳定性优转变为稳定性差。

表3 有减速带时的开车稳定性情况统计表

舒适性	稳定性优	稳定性良	稳定性差
				出现概率	95.20％	2.85％	1.95％

从上述开车数据的分析情况可以看出，在开车时，95％以上的比率会显示稳定性优状态。显示稳定性良和稳定性差的情况较少。

通过实验的数据得到，在步行20步的时间内，通过判断稳定性良状态出现的比率，当比率大于40％时就判断为走路状态，否则判别为开车状态。本发明的走路/开车的识别准确率达97％以上。真实的路况测试与数据分析都验证了本发明在室内停车场内对进入人员和车辆运动状态的实时识别方案是可行的，效果是良好的，识别率较高。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种低功耗驾车和步行状态识别系统，其特征在于：该系统基于合加速度与运动稳定性算法来实时完成对运动目标的步行/行车状态的检测，其中稳定性算法实现方式如下：

计算加速度传感器的合加速度值，取加速度传感器原始x，y，z轴的值的平方根，a_k表示第k个点的合加速度，计算方式如下面的公式所示：

$a_k=\sqrt{{a_x}^2+{a_y}^2+{a_z}^2}$

具体的稳定性算法实现步骤如下所示：

(1)按一定的频率采集加速计的三轴加速度值；

(2)滤波：将100个采集到的三轴的加速度值通过高通滤波后的数据值相加得到sumX、sumY、sumZ；通过高通滤波可以去掉短周波的影响；求和的目的是用于下一步的求均值；用100个采集点的各轴的均值来作为这一时间段内运动状态的最终的代表值，可以降低识别误差，提高最终样例数据的准确性；

(3)将上一步求得3个轴的加速度各个方向的和sumX、sumY、sumZ求平均，并计算求平方和在开方，如下式所示：

$N=6\×\sqrt{{\left(\frac{sumX}{100}\right)}^2+{\left(\frac{sumY}{100}\right)}^2+{\left(\frac{sumZ}{100}\right)}^2}$

当N＜1时：稳定性优；

当1＜N＜2时：稳定性良；

当N＞2时：稳定性差；

运动状态识别总体实现算法步骤如下：

(1)计算加速度传感器的合加速度值，取加速度传感器原始x轴、y轴、z轴的值的平方根，a_k表示第k个点的合加速度；

(2)首先判断单个X轴、Y轴、Z轴的加速度是不是为零，或是在一个接近零的小区间几乎不变，如果是则判断出是静止状态；或者一段时间内的平均合加速度值小于一个阈值，则判定为静止；

(3)接下来主要通过稳定性算法，判定走路还是开车；在一段时间内，如果运动状态几乎都保持在稳定性优状态，则可以判定此时为开车状态；如果是在稳定性优状态与稳定性良状态交替出现，则判定为走路状态；

(4)识别为走路状态时，通过统计走路时稳定性优状态与稳定性良状态之间的交替次数，就可以估算出步行的步数；连续出现两次稳定性良状态的间隔判别为走了一步；

(5)通过判断步行20步的时间内，稳定性良状态的比率是否超过40％，如果超过就判断为走路，否则就判断为开车状态。