CN108537101B - 一种基于状态识别的行人定位方法 - Google Patents

Abstract

一种基于状态识别的行人定位方法，包括以下步骤：步骤1，行人执行多状态的运动，通过移动设备内置传感器采集多状态的原始数据，训练多状态分类器C；步骤2，行人执行待定位的运动，通过移动设备内置传感器采集待定位的原始数据；步骤3，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段；步骤4，利用多状态分类器C，识别出该数据段的状态A；步骤5，在该数据段内，基于识别的状态A，采用合适的航位推算模型，更新行人的三维定位。本发明提供了一种稳定性较好、定位精度较高的基于状态识别的行人定位方法。

Description

一种基于状态识别的行人定位方法

技术领域

本发明涉及导航定位技术领域，具体来说涉及一种基于状态识别的行人定位方法。

背景技术

行人定位技术主要用于在室内外环境中，利用或不利用基础设施帮助行人进行定位，能够在诸如老人小孩的安全监测、地震火灾中救援人员的准确定位、大型建筑如医院机场内的导航、基于位置的社交服务等领域提供技术支持，因此具有重要的应用价值和研究意义。

在室外环境中，全球定位系统(Global Positioning System，GPS)是一种主要的定位设备，但在室内环境和部分室外城市环境中，受建筑物遮挡的影响，GPS信号会受到干扰甚至阻断，无法提供稳定、准确的定位。

行人航位推算是一种基于已知的初始位置，通过步伐检测、步长估计、方位估计，逐步更新定位的技术。实际情况中，地面条件较为复杂，除平地外，楼梯、斜坡也很常见。相关研究表明，在不同的地面条件下，行人的运动姿势具有较大的差异性。因此当不区别状态采用同一种行人航位推算模型时，会导致定位精度较低。

发明内容

为了克服已有行人定位方法在多场景下定位精度较低的不足，本发明提供了一种适应多场景的定位精度较高的基于状态识别的行人定位方法，能够识别行人运动的状态，包括平地行走、上坡、下坡、上楼梯、下楼梯、站立等状态，根据状态采用合适的航位推算模型，获得定位，以得到室内外均适用的高精度的行人定位技术。

本发明解决其技术问题所采用的技术方案是：

一种基于状态识别的行人定位方法，包括以下步骤：

步骤1，行人执行多状态的运动，通过移动设备内置传感器采集多状态的原始数据，训练多状态分类器C；

步骤2，行人执行待定位的运动，通过移动设备内置传感器采集待定位的原始数据；

步骤3，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段；

步骤4，利用多状态分类器C，识别出该数据段的状态A；

步骤5，在该数据段内，基于识别的状态A，采用合适的航位推算模型，更新行人的三维定位。

进一步，在所述步骤1中，多状态分类器的训练步骤如下：

步骤1-1，将移动设备放置于裤子前侧口袋，利用移动设备内置的加速度计、重力计、陀螺仪和磁力计，分别采集平地行走、上坡、下坡、上楼梯、下楼梯、站立状态下的传感器数据，得到训练集原始数据的集合

采样点数为N_raw，并标记真实的状态，其中，a_x，a_y，a_z分别为加速度在设备坐标系x，y，z轴上的分量，g_x，g_y，g_z分别为重力加速度在设备坐标系x，y，z轴上的分量，

分别为移动设备的俯仰角、偏航角、滚转角，

为移动设备磁力计读取的方位角；

步骤1-2，将训练集原始数据的集合

中的数据，利用基于步频的滑动窗口做数据分割，窗口长度为取决于行人步频的介于一个周期和两个周期之间的采样点数N_win，相邻窗口的覆盖率为77，则每类新数据被分割成M个数据段：

得到训练集原始数据的数据段集合

步骤1-3，对训练集原始数据的数据段集合

中的数据段进行预处理，得到预处理数据的数据段，预处理数据包括设备坐标系中加速度的模、世界坐标系中的垂直加速度和水平加速度、腿部张角4类数据，预处理方式如下：

设备坐标系中加速度的模a_N：

为了获得世界坐标系中的垂直加速度和水平加速度，首先，定义四元数：

标准化的四元数：

由标准化的四元数计算从设备坐标系到世界坐标系的旋转矩阵R：

从而得到加速度在世界坐标系x，y，z轴上的分量

则在世界坐标系中的垂直加速度a_V：

在世界坐标系中的水平加速度a_H：

腿部张角θ：

预处理数据的数据段与原始数据的数据段共同构成训练集新数据段的集合

步骤1-4，对训练集新数据段的集合

内的每个数据段进行特征提取，获得所有数据段对应的M×N的特征矩阵F^t＝[f₁，f₂，...，f_N]，其中，N为特征的种类数，f_i，(i＝1，2，...，N)表示第i种特征的M×1的列向量；

步骤1-5，通过主成分分析法，得到特征矩阵F^t从高维到低维映射的转移矩阵T，进而低维特征矩阵

得到主成分表示的M×N′的低维特征矩阵

其中，N′为低维特征的种类数，f′_i，(i＝1，2，...，N′)表示第i种低维特征的M×1的列向量；

步骤1-6，把低维特征矩阵

中列向量f′_i，(i＝1，2，...，N′)的数值属性作为标准化参数P，如最大值和最小值，或均值和方差等，将f′_i，(i＝1，2，...，N′)标准化到区间[a，b]，得到标准化的特征矩阵

其中，f′_i，(i＝1，2，...，N′)表示第i种标准化的低维特征的M×1的列向量；

步骤1-7，将标准化的特征矩阵

及真实的状态作为输入，利用多状态支持向量机算法，将多状态分类器拆分成一系列二元分类器，利用序列最小最优化算法计算二元分类器的最优解，训练得到多状态分类器C＝{C₁，C₂，...C_I}，I表示二元分类器的个数。

再进一步，在所述步骤2中，行人执行待定位的运动，将移动设备放置于裤子前侧口袋，采集移动设备内置的加速度计、重力计、陀螺仪和磁力计传感器的数据，得到待定位的原始数据的集合

更进一步，在所述步骤3中，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段的步骤如下：

步骤3-1，当待定位的原始数据的集合S_raw中的每类数据达到N_win个采样点，利用长度为N_win的滑动窗口截断，得到待定位的原始数据的数据段S_win；否则，回到步骤2；

步骤3-2，对待定位的原始数据的数据段S_win执行步骤1-3，得到待定位的新数据段S_new。

在所述步骤4中，利用多状态分类器C识别出该数据段的状态A的步骤如下：

步骤4-1，对步骤3获得的待定位的新数据段S_new，执行步骤1-4，得到特征矩阵F；

步骤4-2，利用步骤1-5中的转移矩阵T对特征矩阵F进行降维，得到低维的特征矩阵F_pca：

F_pca＝F×T；

步骤4-3，利用步骤1-6中的标准化参数P，对F_pca进行标准化，得到标准化的特征矩阵F_norm；

步骤4-4，利用步骤1-7得到的多状态分类器C，输入标准化的特征矩阵F_norm，输出该数据段的状态A。

在所述步骤5中，在该数据段内，基于识别的状态A，采用航位推算模型，更新行人的三维定位的步骤如下：

步骤5-1，该步骤实现步伐检测，在待定位的新数据段S_new内，从未被定位过的采样点开始遍历，对腿部张角θ进行极值检测，获得极值

及其采样点索引

j表示当前极值的序号，利用极大值阈值TMAX、极小值阈值TMIN和最小间隔ΔN排除不符合要求的极值，获得有效极值

及其采样点索引

s表示当前有效极值的序号：当

大于TMAX且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极大值，或当

小于TMIN且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极小值，此时更新有效极值

及其采样点索引

当检测到一个腿部张角θ的有效极值时，即检测到一个步伐，新数据段S_new内的步数N_step＝N_step+1；直到新数据段S_new内的采样点遍历结束，若检测到有效极值

及其采样点索引

(s＝1，2，...，N_step)时，执行步骤5-2，否则，执行步骤5-6；

步骤5-2，该步骤实现步长估计，在新数据段S_new内，选择适用于状态A的步长模型估计步长：当A＝{平地行走、上坡、下坡}时，利用行人腿长l、第s个有效极值

和上一个有效极值

及该步对应的地面坡度α_s估计步长；当A＝{上楼梯、下楼梯}时，利用台阶的宽度w_stair估计步长；当A＝{站立}时，步长为零；则第s步步长L_s：

，(s＝1，2，...，N_step)

其中，α_s＝0表示平地，α_s＞0表不上坡，α_s＜0表示下坡；

步骤5-3，该步骤实现步高估计，在新数据段S_new内，选择适用于识别状态A的步高模型估计高度：当A＝{平地行走、上坡、下坡}时，利用第s步对应的地面坡度α_s、步长L_s估计步高；当A＝{上楼梯、下楼梯}时，利用台阶的高度h_stair估计步高，上楼梯时为正，下楼梯时为负；当A＝{站立}时，步高为零；则第s步步高H_s：

步骤5-4，该步骤实现方位角估计，在新数据段S_new内，结合陀螺仪和磁力计确定方位，利用初始时刻磁力计获取的方位角

和磁偏角

校正陀螺仪的偏航角

得到在世界坐标系中相对于真北方向的绝对方位

第s步的方位角

取有效极值前后

个采样点的绝对方位

的均值：

步骤5-5，该步骤实现行人定位的更新，选择适用于识别状态A的三维位置更新模型，在世界坐标系中，基于位置更新前的行人定位(x₀，y₀，z₀)，新数据段S_new最终更新的位置

即为当前行人的定位：

其中，系数k_s：

步骤5-6，为了更新行人在下一个时刻的定位，保留原始数据的数据段S_raw中在采样点[N_win×(1-η)，N_win]之间的原始数据，作为与下一个时刻的原始数据的数据段重合的部分，回到步骤2。

所述步骤1-6中，所述数值属性为最大值和最小值或均值和方差。

本发明的有益效果主要表现在：能够识别行人运动的状态，包括平地行走、上坡、下坡、上楼梯、下楼梯、站立等状态，根据状态采用航位推算模型，获得定位，以得到室内外均适用的高精度的行人定位技术。

附图说明

图1为本发明的训练多状态分类器的流程图；

图2为本发明的基于状态识别的行人定位方法的流程图；

图3为本发明实施例中室内的实验结果。

图4为本发明实施例中室外的实验结果。

具体实施方式

下面结合附图对本发明作进一步描述。

实施例1

参照图1～图4，一种基于状态识别的行人定位方法，包括以下步骤：

步骤1，行人执行多状态的运动，通过移动设备内置传感器采集多状态的原始数据，训练多状态分类器C；

步骤2，行人执行待定位的运动，通过移动设备内置传感器采集待定位的原始数据；

步骤3，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段；

步骤4，利用多状态分类器C，识别出该数据段的状态A；

步骤5，在该数据段内，基于识别的状态A，采用合适的航位推算模型，更新行人的三维定位。

其中，所述步骤1的流程图如图1所示，多状态分类器的训练步骤如下：

步骤1-1，将移动设备放置于裤子前侧口袋，利用移动设备内置的加速度计、重力计、陀螺仪、磁力计等，分别采集平地行走、上坡、下坡、上楼梯、下楼梯、站立等状态下的传感器数据，得到训练集原始数据的集合

采样点数为N_raw，并标记真实的状态，其中，a_x，a_y，a_z分别为加速度在设备坐标系x，y，z轴上的分量，g_x，g_y，g_z分别为重力加速度在设备坐标系x，y，z轴上的分量，

分别为移动设备的俯仰角、偏航角、滚转角，

为移动设备磁力计读取的方位角；

步骤1-2，将训练集原始数据的集合

中的数据，利用基于步频的滑动窗口做数据分割，窗口长度为取决于行人步频的介于一个周期和两个周期之间的采样点数N_win，本实施例中，对于快速、正常、慢速三种步频的运动，N_w分别等于50、70、90，相邻窗口的覆盖率为η＝50％，则每类新数据被分割成M个数据段：

得到训练集原始数据的数据段集合

步骤1-3，对训练集原始数据的数据段集合

中的数据段进行预处理，得到预处理数据的数据段，预处理数据包括设备坐标系中加速度的模、世界坐标系中的垂直加速度和水平加速度、腿部张角等4类数据，具体预处理方式如下：

设备坐标系中加速度的模a_N：

为了获得世界坐标系中的垂直加速度和水平加速度，首先，定义四元数：

标准化的四元数：

由标准化的四元数计算从设备坐标系到世界坐标系的旋转矩阵R：

从而得到加速度在世界坐标系x，y，z轴上的分量

则在世界坐标系中的垂直加速度a_V：

世界坐标系中的水平加速度a_H：

腿部张角θ：

预处理数据的数据段与原始数据的数据段共同构成训练集新数据段的集合

步骤1-4，对训练集新数据段的集合

内的每个数据段进行特征提取，本实施例中，对预处理数据的数据段提取时域上极大值、极小值、均值、方差、能量值，及频域上快速傅立叶变换后的主频率幅度，对原始数据的数据段提取加速度运动单元a_AU：

其中，

分别表示原始数据的数据段内第i个采样点的加速度在设备坐标系x，y，z轴上的分量，

分别表示原始数据的数据段内加速度在设备坐标系x，y，z轴上的分量的均值；

从而获得所有数据段对应的M×N的特征矩阵F^t＝[f₁，f₂，...，f_N]，其中，N为特征的种类数，本实施例中N＝25，f_i，(i＝1，2，...，N)表示第i种特征的M×1的列向量；

步骤1-5，通过主成分分析法，得到特征矩阵F^t从高维到低维映射的转移矩阵T，进而低维特征矩阵

得到主成分表示的M×N′的低维特征矩阵

其中，N′为低维特征的种类数，f′_i，(i＝1，2，...，N′)表示第i种低维特征的M×1的列向量，本实施例中取N′＝10；

步骤1-6，将低维特征矩阵

中列向量f′_i，(i＝1，2，...，N′)的数值属性作为标准化参数P，本实施例采用f′_i，(i＝1，2，...，N′)的最大值fmax_i和最小值fmin_i，使f′_i，(i＝1，2，...，N′)标准化到区间[a，b]，

取a＝0，b＝1，得到标准化的特征矩阵

其中，f′_i，(i＝1， 2，...，N′)表示第i种标准化的低维特征的M×1的列向量；

步骤1-7，将标准化的特征矩阵

及真实的状态作为输入，利用多状态支持向量机算法，将多状态分类器拆分成一系列二元分类器，本实施例采用一对一的方法，即任意两两状态之间构建一个二元分类器，六个状态共构建15个二元分类器，利用序列最小最优化算法计算二元分类器的最优解，训练得到多状态分类器C＝{C₁，C₂，...C_I}，I＝15表示二元分类器的个数。

步骤2至步骤5的流程图如图2所示：

在所述步骤2中，行人执行待定位的运动，将移动设备放置于裤子前侧口袋，采集移动设备内置的加速度计、重力计、陀螺仪、磁力计等传感器的数据，得到待定位的原始数据的集合

更进一步，在所述步骤3中，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段的步骤如下：

步骤3-1，当待定位的原始数据的集合S_raw中的每类数据达到N_win个采样点，利用长度为N_win的滑动窗口截断，得到待定位的原始数据的数据段S_win；否则，回到步骤2；

步骤3-2，对待定位的原始数据的数据段S_win执行步骤1-3，得到待定位的新数据段S_new；

在步骤4中，利用多状态分类器C识别出该数据段的状态A的步骤如下：

步骤4-1，对步骤3获得的待定位的新数据段S_new，执行步骤1-4，得到特征矩阵F；

步骤4-2，利用步骤1-5中的转移矩阵T对特征矩阵F进行降维，得到低维的特征矩阵F_pca：

F_pca＝F×T；

步骤4-3，利用步骤1-6中的标准化参数P，本实施例中为fmax_i，fmin_i，(i＝1，2，...，N′)，对F_pca进行标准化，得到标准化的特征矩阵F_norm；

步骤4-4，利用步骤1-7得到的多状态分类器C，输入标准化的特征矩阵F_norm，输出该数据段的状态A。

在所述步骤5中，在该数据段内，基于识别的状态A，采用航位推算模型，更新行人的三维定位的步骤如下：

步骤5-1，该步骤实现步伐检测，在待定位的新数据段S_new内，从未被定位过的采样点开始遍历，对腿部张角θ进行极值检测，获得极值

及其采样点索引

j表示当前极值的序号，利用极大值阈值TMAX、极小值阈值TMIN和最小间隔ΔN排除不符合要求的极值，获得有效极值

及其采样点索引

s表示当前有效极值的序号：当

大于TMAX且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极大值，或当

小于TMIN且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极小值，此时更新有效极值

及其采样点索引

当检测到一个腿部张角θ的有效极值时，即检测到一个步伐，新数据段S_new内的步数N_step＝N_step+1；直到新数据段S_new内的采样点遍历结束，若检测到有效极值

及其采样点索引

(s＝1，2，...，N_step)时，执行步骤5-2，否则，执行步骤5-6。

步骤5-2，该步骤实现步长估计，在新数据段S_new内，选择适用于状态A的步长模型估计步长：当A＝{平地行走、上坡、下坡}时，利用行人腿长l、第s个有效极值

和上一个有效极值

及该步对应的地面坡度α_s估计步长；当A＝{上楼梯、下楼梯}时，利用台阶的宽度w_stair估计步长；当A＝{站立}时，步长为零；则第s步步长L_s：

，(s＝1，2，...，N_step)

其中，α_s＝0表示平地，α_s＞0表示上坡，α_s＜0表示下坡；

步骤5-3，该步骤实现步高估计，在新数据段S_new内，选择适用于识别状态A的步高模型估计高度：当A＝{平地行走、上坡、下坡}时，利用第s步对应的地面坡度α_s、步长L_s估计步高；当A＝{上楼梯、下楼梯}时，利用台阶的高度h_stair估计步高，上楼梯时为正，下楼梯时为负；当A＝{站立}时，步高为零；则第s步步高H_s：

步骤5-4，该步骤实现方位角估计，在新数据段S_new内，结合陀螺仪和磁力计确定方位，利用初始时刻磁力计获取的方位角

和磁偏角

校正陀螺仪的偏航角

得到在世界坐标系中相对于真北方向的绝对方位

第s步的方位角

取有效极值前后

个采样点的绝对方位

的均值：

步骤5-5，该步骤实现行人定位的更新，选择适用于识别状态A的三维位置更新模型，在世界坐标系中，基于位置更新前的行人定位(x₀，y₀，z₀)，新数据段S_new最终更新的位置

即为当前行人的定位：

其中，系数k_s：

步骤5-6，为了更新行人在下一个时刻的定位，保留原始数据的数据段S_raw中在采样点[N_win×(1-η)，N_win]之间的原始数据，作为与下一个时刻的原始数据的数据段重合的部分，回到步骤2。

实施例2

为了评估“基于状态识别的行人定位方法”在实际环境中的定位性能，基于实施例1中的技术流程，进行实验，使用设备为苹果公司的iPhone 6手机。利用基于iPhone 6开发的应用，采集手机内置的加速度计、重力计、陀螺仪、磁力计(GPS)的数据，采样频率为50Hz。

首先，验证多状态分类器。实验者按照正常、慢速、快速三种步频，分别进行平地行走、上坡、下坡、上楼梯、下楼梯、站立六种运动，标记真实的状态，组成训练集，用于训练多状态分类器；为了评估多状态分类器的性能，重复上述运动，标记真实的状态，组成测试集。利用训练出的多状态分类器，对测试集进行分类，将分类状态与真实状态进行比较，得到分类的准确度，如表1所示。

表1

其次，验证多状态的行人定位方法，实验环境包括室内和室外。室内实验在浙江大学某建筑内进行，测试长度为101.3米，一段完整的运动包含状态：上楼梯-平地-下坡-平地-上坡-平地-下楼梯-平地，涉及7次状态转换、3次180度转弯、1次90度转弯，起点与终点重合，视为原点。台阶宽度、高度、坡度均为测量多次取均值，分别为0.5米，0.06米，6.8度。基于本方法的实验路径和真实路径如图3所示。

室外实验在浙江大学某建筑外进行，测试长度为107.7米，一段完整的运动包含状态：上坡-平地-下楼梯-平地-下楼梯-平地，涉及5次状态转换，7次90度转弯，起点与终点重合，视为原点。台阶宽度、高度、坡度均为测量多次取均值，分别为0.35米，0.13米，5.1度。基于本方法的实验路径和真实路径如图4所示。

本实验利用步数误差、距离误差、终点误差来描述系统的误差，其中，终点误差表示估计终点到真实终点的欧氏距离与总路程的比值，其他的误差表示估计值与真实值的差的绝对值与真实值的比值。多次实验的平均结果，如表2所示，利用GPS的定位作为对比。

表2

从表2中结果可知，本技术方案在室内和室外环境，均能提供高精度的定位信息，具体来说，在室内环境中，本技术方案能够代替GPS进行定位，在室外且建筑物环绕的环境中，本技术方案优于GPS的定位结果。

以上对本发明所提供的一种基于状态识别的行人定位系统进行了详尽的介绍，实施例只是用于帮助阐述本发明的方法，对本发明的保护范围不构成任何限制，凡采用等同变化或者等效替换形成的技术方案，均落在本发明的权利保护范围之内。

Claims (6)

1.一种基于状态识别的行人定位方法，其特征在于：所述行人定位方法包括以下步骤：

步骤1，行人执行多状态的运动，通过移动设备内置传感器采集多状态的原始数据，训练多状态分类器C；

步骤2，行人执行待定位的运动，通过移动设备内置传感器采集待定位的原始数据；

步骤3，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段；

步骤4，利用多状态分类器C，识别出该数据段的状态A；

步骤5，在该数据段内，基于识别的状态A，采用合适的航位推算模型，更新行人的三维定位；

在所述步骤1中，多状态分类器的训练步骤如下：

步骤1-1，将移动设备放置于裤子前侧口袋，利用移动设备内置的加速度计、重力计、陀螺仪和磁力计，分别采集平地行走、上坡、下坡、上楼梯、下楼梯、站立状态下的传感器数据，得到训练集原始数据的集合

采样点数为N_raw，并标记真实的状态，其中，a_x，a_y，a_z分别为加速度在设备坐标系x，y，z轴上的分量，g_x，g_y，g_z分别为重力加速度在设备坐标系x，y，z轴上的分量，

分别为移动设备的俯仰角、偏航角、滚转角，

为移动设备磁力计读取的方位角；

步骤1-2，将训练集原始数据的集合

中的数据，利用基于步频的滑动窗口做数据分割，窗口长度为取决于行人步频的介于一个周期和两个周期之间的采样点数N_win，相邻窗口的覆盖率为η，则每类新数据被分割成M个数据段：

得到训练集原始数据的数据段集合

步骤1-3，对训练集原始数据的数据段集合

中的数据段进行预处理，得到预处理数据的数据段，预处理数据包括设备坐标系中加速度的模、世界坐标系中的垂直加速度和水平加速度、腿部张角4类数据，预处理方式如下：

设备坐标系中加速度的模a_N：

为了获得世界坐标系中的垂直加速度和水平加速度，首先，定义四元数：

标准化的四元数：

由标准化的四元数计算从设备坐标系到世界坐标系的旋转矩阵R：

从而得到加速度在世界坐标系x，y，z轴上的分量

则在世界坐标系中的垂直加速度a_V：

在世界坐标系中的水平加速度a_H：

腿部张角θ：

预处理数据的数据段与原始数据的数据段共同构成训练集新数据段的集合

步骤1-4，对训练集新数据段的集合

内的每个数据段进行特征提取，获得所有数据段对应的M×N的特征矩阵F^t＝[f₁，f₂，...，f_N]，其中，N为特征的种类数，f_i，(i＝1，2，...，N)表示第i种特征的M×1的列向量；

步骤1-5，通过主成分分析法，得到特征矩阵F^t从高维到低维映射的转移矩阵T，进而低维特征矩阵

得到主成分表示的M×N′的低维特征矩阵

其中，N′为低维特征的种类数，f′_i，(i＝1，2，...，N′)表示第i种低维特征的M×1的列向量；

步骤1-6，把低维特征矩阵

中列向量f′_i，(i＝1，2，...，N′)的数值属性作为标准化参数P，将f′_i，(i＝1，2，...，N′)标准化到区间[a，b]，得到标准化的特征矩阵

其中，f″_i，(i＝1，2，...，N′)表示第i种标准化的低维特征的M×1的列向量；

步骤1-7，将标准化的特征矩阵

及真实的状态作为输入，利用多状态支持向量机算法，将多状态分类器拆分成一系列二元分类器，利用序列最小最优化算法计算二元分类器的最优解，训练得到多状态分类器C＝{C₁，C₂，...C_I}，I表示二元分类器的个数。

2.如权利要求1所述的一种基于状态识别的行人定位方法，其特征在于：在所述步骤2中，行人执行待定位的运动，将移动设备放置于裤子前侧口袋，采集移动设备内置的加速度计、重力计、陀螺仪和磁力计传感器的数据，得到待定位的原始数据的集合

3.如权利要求1所述的一种基于状态识别的行人定位方法，其特征在于：在所述步骤3中，对移动设备内置传感器采集的待定位的原始数据进行数据分割、数据预处理，获得数据段的步骤如下：

步骤3-1，当待定位的原始数据的集合S_raw中的每类数据达到N_win个采样点，利用长度为N_win的滑动窗口截断，得到待定位的原始数据的数据段S_win；否则，回到步骤2；

步骤3-2，对待定位的原始数据的数据段S_win执行步骤1-3，得到待定位的新数据段S_new。

4.如权利要求1所述的一种基于状态识别的行人定位方法，其特征在于：在所述步骤4中，利用多状态分类器C识别出该数据段的状态A的步骤如下：

步骤4-1，对步骤3获得的待定位的新数据段S_new，执行步骤1-4，得到特征矩阵F；

步骤4-2，利用步骤1-5中的转移矩阵T对特征矩阵F进行降维，得到低维的特征矩阵F_pca：

F_pca＝F×T；

步骤4-3，利用步骤1-6中的标准化参数P，对F_pca进行标准化，得到标准化的特征矩阵F_norm；

步骤4-4，利用步骤1-7得到的多状态分类器C，输入标准化的特征矩阵F_norm，输出该数据段的状态A。

5.如权利要求1所述的一种基于状态识别的行人定位方法，其特征在于：在所述步骤5中，在该数据段内，基于识别的状态A，采用航位推算模型，更新行人的三维定位的步骤如下：

步骤5-1，该步骤实现步伐检测，在待定位的新数据段S_new内，从未被定位过的采样点开始遍历，对腿部张角θ进行极值检测，获得极值

及其采样点索引

j表示当前极值的序号，利用极大值阈值TMAX、极小值阈值TMIN和最小间隔ΔN排除不符合要求的极值，获得有效极值

及其采样点索引

s表示当前有效极值的序号：当

大于TMAX且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极大值，或当

小于TMIN且距离最近一个有效极值

的采样点间隔大于ΔN，则

视为有效极小值，此时更新有效极值

及其采样点索引

当检测到一个腿部张角θ的有效极值时，即检测到一个步伐，新数据段S_new内的步数N_step＝N_step+1；直到新数据段S_new内的采样点遍历结束，若检测到有效极值

及其采样点索引

时，执行步骤5-2，否则，执行步骤5-6；

步骤5-2，该步骤实现步长估计，在新数据段S_new内，选择适用于状态A的步长模型估计步长：当A＝{平地行走、上坡、下坡}时，利用行人腿长l、第s个有效极值

和上一个有效极值

及该步对应的地面坡度α_s估计步长；当A＝{上楼梯、下楼梯}时，利用台阶的宽度w_stair估计步长；当A＝{站立}时，步长为零；则第s步步长L_s：

其中，α_s＝0表示平地，α_s＞0表示上坡，α_s＜0表示下坡；

步骤5-3，该步骤实现步高估计，在新数据段S_new内，选择适用于识别状态A的步高模型估计高度：当A＝{平地行走、上坡、下坡}时，利用第s步对应的地面坡度α_s、步长L_s估计步高；当A＝{上楼梯、下楼梯}时，利用台阶的高度h_stair估计步高，上楼梯时为正，下楼梯时为负；当A＝{站立}时，步高为零；则第s步步高H_s：

步骤5-4，该步骤实现方位角估计，在新数据段S_new内，结合陀螺仪和磁力计确定方位，利用初始时刻磁力计获取的方位角

和磁偏角

校正陀螺仪的偏航角

得到在世界坐标系中相对于真北方向的绝对方位

第s步的方位角

取有效极值前后

个采样点的绝对方位

的均值：

步骤5-5，该步骤实现行人定位的更新，选择适用于识别状态A的三维位置更新模型，在世界坐标系中，基于位置更新前的行人定位(x₀，y₀，z₀)，新数据段S_new最终更新的位置

即为当前行人的定位：

其中，系数k_s：

步骤5-6，为了更新行人在下一个时刻的定位，保留原始数据的数据段S_raw中在采样点[N_win×(1-η)，N_win]之间的原始数据，作为与下一个时刻的原始数据的数据段重合的部分，回到步骤2。

6.如权利要求1所述的一种基于状态识别的行人定位方法，其特征在于：所述步骤1-6中，所述数值属性为最大值和最小值或均值和方差。

Images