CN106778476A - 人体姿态识别方法及人体姿态识别装置 - Google Patents

Abstract

本发明公开了一种人体姿态识别方法及人体姿态识别装置，上述人体姿态识别方法包括：采集智能终端的加速度数据；基于采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。本发明提供的技术方案实现了基于非视觉手段的人体姿态识别。

Description

人体姿态识别方法及人体姿态识别装置

技术领域

本发明涉及智能技术领域，具体涉及一种人体姿态识别方法及人体姿态识别装置。

背景技术

人体姿态识别是健康监测领域的一个重要环节。

目前，人体姿态识别主要通过基于视觉的人体姿态识别方法实现，该人体姿态识别方法是指通过对摄像机采集的图像数据进行分析和处理，达到理解人的姿态和行为的目的。虽然基于视觉的人体姿态识别方法已经发展到了一个比较成熟的水平，但仍有一定的局限性，比如该人体姿态识别方法需要记录用户的外貌特征，其涉及到用户的隐私，并且，采集到的信息仅限于摄像机可拍摄的范围，而拍摄工具往往是被摆放在一个固定位置进行拍摄。

由于上述人体姿态识别方法所存在的局限性，因此，如何通过非视觉手段实现人体姿态识别成为业内一直探讨和关注的问题。

发明内容

有鉴于此，本发明提供一种人体姿态识别方法及人体姿态识别装置，用以通过非视觉手段实现人体姿态识别。

本发明第一方面提供一种人体姿态识别方法，包括：

采集智能终端的加速度数据；

基于采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；

将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。

本发明第二方面提供一种人体姿态识别装置，包括：

采集单元，用于采集智能终端的加速度数据；

特征获取单元，用于基于所述采集单元采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；

识别单元，用于将所述特征获取单元单元获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。

由上可见，本发明通过采集智能终端的加速度数据，基于采集到的所述智能终端的加速度数据获取特征信息，并将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果。由于人体姿态识别模型是基于预设的特征信息训练集和分类算法训练得到，因此，通过将获取的特征信息输入已训练好的人体姿态识别模型，即可实现对人体姿态的识别，从而实现了基于加速度数据的非视觉手段的人体姿态识别。另外，由于特征信息包括信号幅度，而信号幅度是反映该加速度数据的变化幅度，是一个与方向无关的量，因此，本发明还能够实现与智能终端的放置方向无关的人体姿态识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1-a为本发明实施例提供的一种人体姿态识别方法流程示意图；

图1-b为本发明实施例提供的一种三轴加速度传感器坐标轴示意图；

图1-c为本发明实施例提供的一种智能终端可在裤子前侧口袋中以任意方向放置的场景示意图；

图1-d为本发明实施例提供的不同人体姿态对应的一部分加速度数据的波形示意图；

图1-e为本发明实施例提供的一种动态工作周期方法流程示意图；

图1-f为本发明实施例提供的在应用了图1-e所示的动态工作周期方法和没有应用图1-e所示的动态工作周期方法这两种场景下得到的智能终端的电量变化实验结果示意图；

图2为本发明实施例提供的一种人体姿态识别装置结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中关联的附图，对本发明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发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面对本发明实施例提供一种人体姿态识别方法进行描述，如图1-a所示，本发明实施例中的人体姿态识别方法包括：

步骤101、采集智能终端的加速度数据；

本发明实施例中，可以利用智能终端中的加速度传感器采集该智能终端的加速度数据。例如利用智能终端中的三轴加速度传感器(例如MPU-6500传感器)采集智能终端的加速度数据，如图1-b所示为MPU-6500三轴加速度传感器的坐标轴示意图，通过该三轴加速度传感器可以获取X轴、Y轴和Z轴的加速度值。

由于采集到的原始加速度数据可能因某种原因而存在噪声，因此，还可以进一步通过划分时间窗口对原始加速度数据进行预处理，预处理的作用就是去掉原始加速度数据中的噪声，留下对人体姿态识别有用的数据。则在后续步骤中，是基于预处理后得到的加速度数据进行处理。

可选的，采集智能终端的加速度数据的采样频率可设定为25Hz(即赫兹)。当然，采用频率也可以根据实际需求进行设定，此处不做限定。

步骤102、基于采集到的上述智能终端的加速度数据获取特征信息；

其中，上述特征信息包括：信号幅度(SMV，Signal Magnitude Vector)。上述信号幅度为与方向无关的量，可以反映上述加速度数据的变化幅度。由于信号幅度是与方向无关的量，故可将其作为一个对智能终端方向不敏感的特征信息，使得在进行人体姿态识别时智能终端可以随意被携带于人体，而无需将智能终端固定放置于身体的某个部位。如图1-c所示，智能终端可以在裤子前侧口袋中以任意方向放置(图1-c中白色框标注的位置)而不影响人体姿态识别。

可选的，基于采集到的上述智能终端的加速度数据和第一公式，计算上述述加速度数据的信号幅度。其中，上述第一公式为在上述第一公式中，SMV_A标识信号幅度，a_x表示采集到的上述智能终端在x轴方向的加速度值；a_y表示采集到的上述智能终端在y轴方向的加速度值；a_z表示采集到的上述智能终端在z轴方向的加速度值。其中，上述x轴方向表示智能终端的左右空间(即智能终端的水平方向)，上述y轴表示智能终端的上下空间(即智能终端的垂直方向)，上述z轴表示智能终端的前后空间(即智能终端的前后方向)。当然，本发明实施例中也可以采用其它方式获取加速度数据的信号幅度，只需要获取的信号幅度为与加速度数据有关且与方向无关的量即可。

进一步，上述特征信息还可以包括：欧式距离。则步骤102还包括：基于步骤101采集到的上述智能终端的加速度数据和第二公式，计算上述欧氏距离。

其中，上述第二公式为：

在上述第二公式中，refer_Avg_x、refer_Avg_y和refer_Avg_z分别表示预设的人体处于站立姿态或走路姿态时智能终端在x轴方向、y轴方向和z轴方向的加速度参考值；Avg_x、Avg_y和Avg_z分别表示采集到的上述智能终端在x轴方向、y轴方向和z轴方向的加速度值。

在一种应用场景，可以将人体处于站立姿态时，上述智能终端在x轴方向、y轴方向和z轴方向的加速度数据预设为加速度参考值，通过计算采集到的加速度数据与加速度参考值之间的欧氏距离，若计算得到的欧氏距离小于一预设的阈值，则可表明当前人体姿态与站立姿态相似度较高，若计算得到的欧氏距离不小于该预设的阈值，则可表明当前人体姿态与站立姿态相似度较小。上述阈值可预先基于通过后续提及的人体姿态识别模型所采用的分类算法训练得到。

在另一种应用场景，可以将人体处于“坐”姿态时，上述智能终端在x轴方向、y轴方向和z轴方向的加速度数据预设为加速度参考值，通过计算采集到的加速度数据与加速度参考值之间的欧氏距离，若计算得到的欧氏距离小于一预设的阈值，则可表明当前人体姿态与“坐”姿态相似度较高，若计算得到的欧氏距离不小于该预设的阈值，则可表明当前人体姿态与“坐”姿态相似度较小。上述阈值可预先基于通过后续提及的人体姿态识别模型所采用的分类算法训练得到。

可见，通过将欧氏距离引入特征信息获取的过程中，可以有效区分“坐”和“站立”两种静态姿态。

进一步，在上述特征信息包括信号幅度或者，在上述特征信息包括信号幅度和上述欧式距离的场景下，上述特征信息还可包括：一阶回归系数方差。则步骤102还包括：计算采集到的所述智能终端的加速度数据的一阶回归系数方差。一阶回归系数方差可以通过加速度数据频繁的变化，呈现出人体的活动状态。因此，通过计算每个时间窗口的加速度数据的一阶回归系数方差，可更加体现加速度数据对人体活动的影响。

具体地，上述一阶回归系数方差可通过一阶回归系数计算得到。上述一阶回归系数可表示为：

其中，f_i(t+1)是序列i中数据t后面相邻的数据，f_i(t-1)是序列i中数据t前面相邻的数据，依此类推，f_i(t+2)是序列i中数据t后面隔一个位置的数据，f_i(t-2)是序列i中数据t前面隔一个位置的数据。那么，一阶回归系数方差Variance_i为：其中，i是第i个序列，L是序列i的长度，(Avg)_i是第i个序列的平均值。

具体地，一阶回归系数方差的计算过程也可以参照已有的技术方案实现，此处不作限定。

进一步，在上述特征信息包括信号幅度，或者，在上述特征信息包括信号幅度，以及上述欧式距离和上述一阶回归系数方差这两个特征值中的一个以上的场景下，上述特征信息还可包括：四分位距(IR，Inter-quartile Range)。则步骤102还包括：计算采集到的上述智能终端的加速度数据的四分位距。四分位距反映每个窗口处于中间位置的一半数据的离散程度，因此，计算上述智能终端的加速度传感器各个轴的四分位距可以体现一定时间内数值的分布程度，例如，若计算得到的四分位距较大，则可判定人体姿态为跑步姿态；若计算得到的四分位距较小，则可判定人体姿态为静态活动或走路。

具体地，上述计算采集到的上述智能终端的加速度数据的四分位距可通过如下公式实现：IR＝Q₃-Q₁。其中，Q₃是加速度数据的上四分位数(将加速度数据用三个点分成4等份，这三个点分别对应一个数值，上四分位数是第三个点对应的数值，下四分位数是第一个点的数值)，Q₁是加速度数据的下四分位数。

步骤103、将获取的上述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；

本发明实施例中，上述人体姿态识别模型基于预设的特征信息训练集(特征信息训练集为包含大量用于训练的特征信息的集合)和分类算法训练得到。例如，在训练该人体姿态识别模型的过程中，可以设定一定的实验时间(例如30分钟)，在该实验时间内让测试者分别完成站立、坐、走路和跑步四种人体姿态，获取特征信息训练集用以训练该每种人体姿态的执行顺序不限，且可以重复执行。不同人体姿态对应的一部分加速度数据的波形示意图可以如图1-d所示，由图1-d可以看出，人体姿态不同，采集到的加速度数据也会有所差别。

对于分类算法的选取，本发明实施例中可以预先使用weka工具，并统计分别采用多种分类算法对特征训练集进行分类的分类准确率，将分类准确率最高的一个分类算法设定为本发明实施例所使用的分类算法。例如，传统的分类算法存在如下四种类型：决策树算法、支持向量机算法、朴素贝叶算法和k值邻近算法。故可预先使用weka工具，并统计分别采用上述四种分类算法对特征训练集进行分类的分类准确率，由表1可见，采用决策树算法对特征训练集进行分类的分类准确率最高，故，可以将决策树算法设定为本发明实施例中所使用的分类算法。

表1

分类算法	分类准确率
		决策树算法	92.63％
支持向量机算法	83.9％
		朴素贝叶斯算法	79.3％
K值最邻近算法	86.7％

由于上述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到，因此，当有未知类别的特征信息输入时，经过该人体姿态识别模型就可得出所属的类别(例如“坐”、“站立”、“走路”和“跑步”四种人体姿态类别)，即得到人体姿态识别结果。

进一步，若步骤101是通过智能终端的加速度传感器采集该智能终端的加速度数据，由于智能终端的加速度传感器(例如前述提及的三轴加速度传感器)在高频率工作下会带来高功耗的问题。因此，可选的，本发明实施例还提供一种对智能终端内置传感器工作时间进行动态管理的动态工作周期机制，在保证人体姿态识别准确率一致的前提下，通过使用动态工作周期方法(也即自适应工作周期方法)降低智能终端的功耗。如图1-e所示，上述动态工作周期方法包括：

S1、检测上述智能终端是否满足休眠条件；

上述休眠条件具体为：连续N次识别到的人体姿态相同，其中，上述N为大于2的自然数。

若检测到上述智能终端满足上述休眠条件，则执行步骤S2，若检测到上述智能终端不满足上述休眠条件，则返回步骤S1。

S2、初始化休眠时长；

其中，上述休眠时长的初始值为不为0的预设值。该休眠时长具体可以根据实际需求进行设定，此处不做限定。

S3、控制上述智能终端的加速度传感器进入休眠状态并在等待当前休眠时长后唤醒上述智能终端的加速度传感器；

在步骤S3中，控制上述智能终端的加速度传感器进入休眠状态，之后等待当前休眠时长后唤醒上述智能终端的加速度传感器，以使得该智能终端的加速度传感器进入工作状态。

S4、若本次唤醒后首次识别到的人体姿态与前一次识别到的人体姿态相同，则将当前休眠时长增加一预设的时间步长，之后返回步骤S3。

S5、若当次唤醒后首次识别到的人体姿态与前一次识别到的人体姿态相同，则检测当前休眠时长是否等于休眠时长的初始化值；

若当前休眠时长等于休眠时长的初始化值，则返回步骤S1；若当前休眠时长不等于休眠时长的初始化值，则进入步骤S6。

S6、将当前休眠时长减少上述时间步长，之后返回步骤S3。

由图1-e所示的动态工作周期方法可见，动态工作周期是指工作一段时间再休息一段时间。在图1-a所示的人体姿态识别方法中引入动态工作周期这一概念，可以减少在同一人体姿态下采集相同加速度数据所带来的额外工作量，通过对加速度数据的采集周期进行动态管理，从而达到降低上述智能终端的功耗的目的。由如下的b1和b2两个实验可以看出上述动态工作周期可以在不影响人体姿态识别准确率的情况下达到降低智能终端功耗的目的。

b1、低功耗电量变化验证实验。

该实验将应用了上述动态工作周期方法和没有应用上述动态工作周期方法这两种场景下，智能终端的电量变化进行了对比，结果如图1-f所示(在图1-f中，标注“1”的曲线表示没有应用上述动态工作周期方法的场景下测得的数据，标注“2”的曲线表示没有应用上述动态工作周期方法的场景下测得的数据)。由图1-f可以看出，在相同的时间内，应用了上述动态工作周期方法对降低智能终端的功耗方面有着显著的效果。

b2、低功耗准确率验证实验。

该实验将应用了上述动态工作周期方法和没有应用上述动态工作周期方法这两种场景下，人体姿态识别方法的识别准确率进行了对比，其结果如表2所示：

表2

	未使用动态工作周期方法	使用了动态工作周期方法
			准确率	92.58％	92.06％

由表2可见，使用上述动态工作周期方法后，对图1-a所示的人体姿态识别方法的识别准确率没有产生较大的影响，还是可以维持在一个较高的水平。

需要说明的是，本发明实施例中的人体姿态识别方法可以由人体姿态识别装置实现，该人体姿态识别装置具体可以集成在智能终端中，上述智能终端具体可以为智能手机、平板电脑等终端，此处不作限定。

由上可见，本发明实施例中的人体姿态识别方法通过采集智能终端的加速度数据，基于采集到的所述智能终端的加速度数据获取特征信息，并将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果。由于人体姿态识别模型是基于预设的特征信息训练集和分类算法训练得到，因此，通过将获取的特征信息输入已训练好的人体姿态识别模型，即可实现对人体姿态的识别，从而实现了基于加速度数据的非视觉手段的人体姿态识别。另外，由于特征信息包括信号幅度，而信号幅度是反映该加速度数据的变化幅度，是一个与方向无关的量，因此，本发明还能够实现与智能终端的放置方向无关的人体姿态识别。

本发明实施例还提供一种人体姿态识别装置，如图2所示，本发明实施例中的人体姿态识别装置200包括：

采集单元201，用于采集智能终端的加速度数据；

特征获取单元202，用于基于采集单元201采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；

识别单元203，用于将特征获取单元202获取的特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。

可选的，特征获取单元202具体包括：

信号幅度计算单元，用于基于采集单元201采集到的所述智能终端的加速度数据和第一公式，计算所述加速度数据的信号幅度；

其中，所述第一公式为：

在所述第一公式中，SMV_A标识信号幅度，a_x表示采集到的所述智能终端在x轴方向的加速度值；a_y表示采集到的所述智能终端在y轴方向的加速度值；a_z表示采集到的所述智能终端在z轴方向的加速度值。

可选的，所述特征信息还包括：欧氏距离。

特征获取单元202还包括：

欧式距离计算单元，用于基于采集单元201采集到的所述智能终端的加速度数据和第二公式，计算所述欧氏距离；

其中，所述第二公式为：

在所述第二公式中，refer_Avg_x、refer_Avg_y和refer_Avg_z分别表示预设的人体处于站立姿态或走路姿态时智能终端在x轴方向、y轴方向和z轴方向的加速度参考值；Avg_x、Avg_y和Avg_z分别表示采集到的所述智能终端在x轴方向、y轴方向和z轴方向的加速度值。

可选的，上述特征信息还包括：一阶回归系数方差。特征获取单元202还包括：一阶回归系数方差计算单元，用于计算采集单元201采集到的所述智能终端的的加速度数据的一阶回归系数方差。

可选的，上述特征信息还包括：四分位距。特征获取单元202还包括：四分位距计算单元，用于计算所述采集单元采集到的所述智能终端的的加速度数据的四分位距。

可选的，采集单元201具体用于通过智能终端的加速度传感器采集上述智能终端的加速度数据。本发明实施例中的人体姿态识别装置还包括：动态工作周期控制单元，用于当上述智能终端满足休眠条件时，控制上述智能终端的加速度传感器进入休眠状态并在等待当前休眠时长后唤醒上述智能终端的加速度传感器。其中，上述休眠条件具体为：连续N次识别到的人体姿态相同，其中，上述N为大于2的自然数。

具体地，上述动态工作周期控制单元包括：第一检测单元、初始化单元、控制单元、休眠时长调整单元和第二检测单元。

上述第一检测单元用于：检测上述智能终端是否满足上述休眠条件。

上述初始化单元用于：当上述第一检测单元检测到上述智能终端满足上述休眠条件时，初始化休眠时长，并触发上述控制单元。

上述控制单元用于：控制上述智能终端的加速度传感器进入休眠状态并在等待当前休眠时长后唤醒上述智能终端的加速度传感器。

上述休眠时长调整单元用于：在当次唤醒后识别单元203首次识别到的人体姿态与前一次识别单元203识别到的人体姿态相同时，将当前休眠时长增加一预设的时间步长，之后触发上述控制单元。

上述第二检测单元用于：在当次唤醒后识别单元203首次识别到的人体姿态与前一次识别单元203识别到的人体姿态不相同时，检测当前休眠时长是否等于休眠时长的初始化值。

上述第一检测单元在上述第二检测单元的检测结果为是时再次触发。

上述休眠时长调整单元还用于：在上述第二检测单元的检测结果为否时，将当前休眠时长减少上述时间步长，之后触发上述控制单元。

需要说明的是，本发明实施例中的人体姿态识别装置具体可以集成在智能终端中，上述智能终端具体可以为智能手机、平板电脑等终端，此处不作限定。

应理解，本发明实施例中的人体姿态识别装置可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。

由上可见，本发明实施例中的人体姿态识别装置通过采集智能终端的加速度数据，基于采集到的所述智能终端的加速度数据获取特征信息，并将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果。由于人体姿态识别模型是基于预设的特征信息训练集和分类算法训练得到，因此，通过将获取的特征信息输入已训练好的人体姿态识别模型，即可实现对人体姿态的识别，从而实现了基于加速度数据的非视觉手段的人体姿态识别。另外，由于特征信息包括信号幅度，而信号幅度是反映该加速度数据的变化幅度，是一个与方向无关的量，因此，本发明还能够实现与智能终端的放置方向无关的人体姿态识别。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的一种人体姿态识别方法及人体姿态识别装置的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种人体姿态识别方法，其特征在于，包括：

采集智能终端的加速度数据；

基于采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；

将获取的所述特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。

2.根据权利要求1所述的人体姿态识别方法，其特征在于，所述基于采集到的所述智能终端的加速度数据获取特征信息，包括：

基于采集到的所述智能终端的加速度数据和第一公式，计算所述加速度数据的信号幅度；

其中，所述第一公式为：

在所述第一公式中，SMV_A标识信号幅度，a_x表示采集到的所述智能终端在x轴方向的加速度值；a_y表示采集到的所述智能终端在y轴方向的加速度值；a_z表示采集到的所述智能终端在z轴方向的加速度值。

3.根据权利要求1或2所述的人体姿态识别方法，其特征在于，所述特征信息还包括：欧氏距离；

所述基于采集到的所述智能终端的加速度数据获取特征信息，包括：基于采集到的所述智能终端的加速度数据和第二公式，计算所述欧氏距离；

其中，所述第二公式为：

$d=\sqrt{{({\mathrm{Avg}}_x-refer\_{\mathrm{Avg}}_x)}^2+{({\mathrm{Avg}}_y-refer\_{\mathrm{Avg}}_y)}^2+{({\mathrm{Avg}}_z-refer\_{\mathrm{Avg}}_z)}^2};$

在所述第二公式中，refer_Avg_x、refer_Avg_y和refer_Avg_z分别表示预设的人体处于站立姿态或走路姿态时智能终端在x轴方向、y轴方向和z轴方向的加速度参考值；Avg_x、Avg_y和Avg_z分别表示采集到的所述智能终端在x轴方向、y轴方向和z轴方向的加速度值。

4.根据权利要求1或2所述的人体姿态识别方法，其特征在于，所述特征信息还包括：一阶回归系数方差；

所述基于采集到的所述智能终端的加速度数据获取特征信息，包括：计算采集到的所述智能终端的加速度数据的一阶回归系数方差。

5.根据权利要求1或2所述的人体姿态识别方法，其特征在于，所述特征信息还包括：四分位距；

所述基于采集到的所述智能终端的加速度数据获取特征信息，包括：计算采集到的所述智能终端的加速度数据的四分位距。

6.一种人体姿态识别装置，其特征在于，包括：

采集单元，用于采集智能终端的加速度数据；

特征获取单元，用于基于所述采集单元采集到的所述智能终端的加速度数据获取特征信息，其中，所述特征信息包括：信号幅度，所述信号幅度能反映所述加速度数据的变化幅度；

识别单元，用于将所述特征获取单元单元获取的特征信息输入已训练好的人体姿态识别模型，得到人体姿态识别结果；其中，所述人体姿态识别模型基于预设的特征信息训练集和分类算法训练得到。

7.根据权利要求6所述的人体姿态识别装置，其特征在于，所述特征获取单元具体包括：

信号幅度计算单元，用于基于所述采集单元采集到的所述智能终端的加速度数据和第一公式，计算所述加速度数据的信号幅度；

其中，所述第一公式为：

在所述第一公式中，SMV_A标识信号幅度，a_x表示采集到的所述智能终端在x轴方向的加速度值；a_y表示采集到的所述智能终端在y轴方向的加速度值；a_z表示采集到的所述智能终端在z轴方向的加速度值。

8.根据权利要求6或7所述的人体姿态识别装置，其特征在于，所述特征信息还包括：欧氏距离；

所述特征获取单元还包括：

欧式距离计算单元，用于基于所述采集单元采集到的所述智能终端的加速度数据和第二公式，计算所述欧氏距离；

其中，所述第二公式为：

$d=\sqrt{{({\mathrm{Avg}}_x-refer\_{\mathrm{Avg}}_x)}^2+{({\mathrm{Avg}}_y-refer\_{\mathrm{Avg}}_y)}^2+{({\mathrm{Avg}}_z-refer\_{\mathrm{Avg}}_z)}^2};$

在所述第二公式中，refer_Avg_x、refer_Avg_y和refer_Avg_z分别表示预设的人体处于站立姿态或走路姿态时智能终端在x轴方向、y轴方向和z轴方向的加速度参考值；Avg_x、Avg_y和Avg_z分别表示采集到的所述智能终端在x轴方向、y轴方向和z轴方向的加速度值。

9.根据权利要求6或7所述的人体姿态识别装置，其特征在于，所述特征信息还包括：一阶回归系数方差；

所述特征获取单元还包括：

一阶回归系数方差计算单元，用于计算所述采集单元采集到的所述智能终端的的加速度数据的一阶回归系数方差。

10.根据权利要求6或7所述的人体姿态识别装置，其特征在于，所述特征信息还包括：四分位距；

所述特征获取单元还包括：

四分位距计算单元，用于计算所述采集单元采集到的所述智能终端的的加速度数据的四分位距。