CN109115216A - 行人步长检测方法、装置及系统 - Google Patents
行人步长检测方法、装置及系统 Download PDFInfo
- Publication number
- CN109115216A CN109115216A CN201710567396.1A CN201710567396A CN109115216A CN 109115216 A CN109115216 A CN 109115216A CN 201710567396 A CN201710567396 A CN 201710567396A CN 109115216 A CN109115216 A CN 109115216A
- Authority
- CN
- China
- Prior art keywords
- length
- user
- data
- strides
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Navigation (AREA)
- Measurement Of Distances Traversed On The Ground (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种行人步长检测方法、装置及系统。本发明的行人步长检测方法包括:检测纵向加速度数据的峰值,将两个相邻峰值间的区域划分为一个跨步区间;对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值取为零;对所述速度数据进行积分得到纵向位移;取所述跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;根据纵向位移幅值,采用预设的步长计算模型得到跨步区间内用户的步长数据。本发明提供的行人步长检测方法、装置及系统,提高了步长数据的检测精度,为室内导航、定位提供更加精准的基础数据。
Description
技术领域
本发明涉及室内定位技术领域,具体涉及一种行人步行轨迹检测方法及装置。
背景技术
随着智能移动终端(手机,电脑,可穿戴设备等)的普及,以及移动互联网的发展,从而导致基于位置感知的应用激增,对于位置服务的需求也与日俱增。目前,基于GPS的室外定位/导航技术已经非常成熟并被广泛应用。
传统的GPS定位导航由于室内信号差,难以承担室内定位的角色,因此,目前室内定位/导航常采用有基于地磁、无线信号(蓝牙、WIFI、移动通信信号等)指纹、惯性制导等技术的方法,这些技术通常存在精度太低或者设备昂贵等缺点,难以广泛应用。此外,部分定位技术除了需要智能手机以外,还需要依靠其它检测设备实现定位,通用性不强。
个人航位推测(PDR)是在已知初始时刻位置的条件下,通过加速度计、磁罗盘、陀螺仪等设备测量移动的距离和方位,推算下一时刻位置的方法。基于PDR技术可以解决现有技术中的缺陷,但是,加速度计输出信号存在较大的误差,尤其是随着时间会产生较大的漂移误差,由于没有合理的数学模型以及对PDR的有效误差校正,使得基于PDR技术测量的步长容易产生积累误差,导致定位精度下降。
发明内容
针对现有技术中的缺陷,本发明提供的一种行人步长检测方法、装置及系统,提高了步长数据的检测精度,为室内导航、定位提供更加精准的基础数据。
第一方面,本发明提供的一种行人步长检测方法,包括:
步骤S101,检测纵向加速度数据的峰值,将两个相邻峰值间的区域划分为一个跨步区间;
步骤S102,对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值取为零;
步骤S103,对所述速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零;
步骤S104,取所述跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;
步骤S105,根据所述纵向位移幅值,采用预设的步长计算模型得到所述跨步区间内用户的步长数据。
优选地,所述步骤S102具体包括:
根据所述速度数据计算中位速度;
对所述速度数据减去所述中位速度后的值进行积分得到纵向位移。
优选地,所述步骤S105具体包括:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,所述步骤S105具体包括:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,H=k·h1,k为量程因子,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,计算所述量程因子的步骤包括:
获取用户在行进过程中的实际位置,根据所述实际位置得到两点间的实际距离;
求取两点间所有步长数据之和得到估计距离;
根据所述实际距离和所述估计距离计算量程因子。
优选地,计算所述量程因子的步骤包括:
计算用户行进过程中纵向位移幅值的实测平均值;
根据用户腿长、用户脚长及跨步角,利用三角关系得到估算步长;
根据估算步长推算用户行进过程中纵向位移幅值;
根据推算的纵向位移幅值和纵向位移幅值的实测平均值计算量程因子。
优选地,所述步骤S101具体包括:
获取纵向加速度数据,并检测所述纵向加速度数据中的最大值;
当检测时间到一个达检测周期后,当前的最大值即为所述加速度数据的一个峰值,检测时间清零,最大值清零,进入下一个检测周期;
将两个相邻峰值间的区域划分为一个跨步区间。
优选地,所述用户腿长和所述用户脚长的获取方法包括:根据获取的用户的身体参数确定所述用户腿长和所述用户脚长。
优选地,所述身体参数包括用户的身高数值;所述根据获取的用户的身体参数确定所述用户腿长和所述用户脚长,包括:将获取的用户的身高数值乘以第一系数得到所述用户腿长,将获取的用户的身高数值乘以第二系数得到所述用户脚长。
优选地,在无法获取用户的身体参数时,采用典型值作为用户腿长和用户脚长。
优选地,在步骤S101之前还包括:将从加速度计获取的载体坐标系下的加速度数据转换为大地坐标系下的纵向加速度数据;对所述纵向加速度数据进行降噪处理。
优选地,对所述加速度计输出数据的采样频率为50Hz。
第二方面,本发明提供了一种行人步长检测装置,包括:
峰值检测模块,用于检测纵向加速度数据的峰值,两个相邻峰值间的区域为一个跨步区间;
第一积分模块,用于对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值为零;
第二积分模块,用于对所述速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零;
纵向位移幅值计算模块,用于取所述跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;
步长计算模块,用于根据所述纵向位移幅值,采用预设的步长计算模型得到所述跨步区间内用户的步长数据。
优选地,所述第一积分模块具体用于:
根据所述速度数据计算中位速度;
对所述速度数据减去所述中位速度后的值进行积分得到纵向位移。
优选地,所述步长计算模块具体用于:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,所述步长计算模块具体用于:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,H=k·h1,k为量程因子,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,还包括量程因子计算模块,用于:
获取用户在行进过程中的实际位置,根据所述实际位置得到两点间的实际距离;
求取两点间所有步长数据之和得到估计距离;
根据所述实际距离和所述估计距离计算量程因子。
优选地,还包括量程因子计算模块,用于:
计算用户行进过程中纵向位移幅值的实测平均值;
根据用户腿长、用户脚长及跨步角,利用三角关系得到估算步长;
根据估算步长推算用户行进过程中纵向位移幅值;
根据推算的纵向位移幅值和纵向位移幅值的实测平均值计算量程因子。
优选地,所述峰值检测模块具体用于:
获取纵向加速度数据,并检测所述纵向加速度数据中的最大值;
当检测时间到一个达检测周期后,当前的最大值即为所述加速度数据的一个峰值,检测时间清零,最大值清零,进入下一个检测周期;
将两个相邻峰值间的区域划分为一个跨步区间。
优选地,还包括参数获取模块,用于:根据获取的用户的身体参数确定所述用户腿长和所述用户脚长。
优选地,所述身体参数包括用户的身高数值;所述参数获取模块具体用于:将获取的用户的身高数值乘以第一系数得到所述用户腿长,将获取的用户的身高数值乘以第二系数得到所述用户脚长。
优选地,所述参数获取模块,还用于:在无法获取用户的身体参数时,采用典型值作为用户腿长和用户脚长。
优选地,在步骤S101之前还包括:将从加速度计获取的载体坐标系下的加速度数据转换为大地坐标系下的纵向加速度数据;对所述纵向加速度数据进行降噪处理。
优选地,对所述加速度计输出数据的采样频率为50Hz。
第三方面,本发明提供了一种行人步长检测系统,包括:加速度计,处理器和存储器;所述加速度计用于采集行人步行过程中的加速度数据,并发送给所述处理器;所述处理器用于运行所述存储器中的程序以执行第一方面中任一所述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一所述的方法。
本发明提供的步长检测方法、装置及系统,能够更加精准地确定跨步区间,并基于划分的跨步区间对加速度进行积分,避免误差累积,从而提高步长数据的检测精度,为室内导航、定位提供更加精准的基础数据。
本发明的方法、装置系统实现方式简单高效,不需要昂贵的硬件设备,不需要设立新的基础设施(如蓝牙WIFI等),所有携带有加速度计、并配备有足够存储空间和具备一定计算能力的处理器的移动终端,都可以用来实施本实施例的方法。
附图说明
图1为本发明实施所提供的行人步长检测方法的流程示意图;
图2为了人体行走模型的示意图;
图3为本发明实施所提供的行人步长检测装置的示意图;
图4为根据本发明实施例所提供的行人步长检测方法积分得到的速度数据;
图5为基于现有零速检测方法积分得到的速度数据。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,本实施例提供了一种行人步长检测方法,包括:
步骤S101,检测纵向加速度数据的峰值,将两个相邻峰值间的区域划分为一个跨步区间。
其中,纵向加速度数据来自于加速度计,纵向加速度数据描述的是用户行走过程中在重力方向上的加速度随时间的变化。两个相邻峰值中,在前的峰值对应了一次跨步的起始点,在后的峰值对应了这次跨步的结束点,为方便描述,起始点对应的时刻记为t1,结束点对应的时刻记为t2,跨步区间即时刻t1至时刻t2的时间段。峰值检测方法可采用现有技术中的任一种峰值检测方法,本发明不做具体限定,其均在本发明的保护范围之内。
步骤S102,对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值取为零。
假设纵向加速度数据为a,则速度数据v=∫a·dt,积分起点为时刻t1,积分终点为时刻t2。速度数据v描述了一个跨步区间内各个时刻用户在重力方向的速度值。
步骤S103,对速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零。
其中,纵向位移h=∫vdt。积分起点为时刻t1,积分终点为时刻t2。纵向位移h是关于时间的函数,描述了一个跨步区间内各个时刻用户质心在重力方向的位移。
步骤S104,取跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值。
其中,纵向位移幅值为一个跨步区间内用户质心在重力方向的最大运动幅值,记为h1。
步骤S105,根据纵向位移幅值,采用预设的步长计算模型得到跨步区间内用户的步长数据。
其中,步长数据为用户一步跨过的距离。
对一个跨步区间内的纵向加速度数据做两次积分即可得到纵向位移,但是积分的起点和终点需要特别检测确定。现有技术中,通常采用零速检测的方式,即检测速度为零的位置,在两个零速度的位置之间进行积分,但实际上这种检测方式确定的积分起点和终点并不准确,会给最终的步长检测结果带来很多误差。
速度曲线是一个周期函数,不妨在模型中近似为一个Sin函数,而加速度的函数则可以近似为Cos函数,这样可以假定在加速度曲线取到峰值的时候,就是速度曲线的过零点。因此,本实施例中,无需检测零速位置,而是在加速度峰值的位置将速度直接设置为零,将纵向加速度的两个相邻峰值之间设定为一个跨步区间,通过上述方法确定的跨步区间更加精准,因此通过对跨步区间内的加速度数据进行两次积分后获得纵向位移幅值,也更加符合用户运动的实际情况,使得最终得到的步长数据更加精准。另外,将纵向加速度数据按跨步区间进行划分,每一跨步的步长数据都是对每个独立的跨步区间积分得到的,避免误差累积,每一个跨步开始的时候对应峰值处身体质心的纵向位移幅值应该为零,每一个跨步区间走完后,身体质心的纵向位移幅值应该回到零,可以利用这个假设消除误差。
图4为根据本实施例所提供的行人步长检测方法积分得到的速度数据,图5为基于现有零速检测方法积分得到的速度数据,图4和图5是基于同一次加速度数据得到的积分结果。一般人在步行过程中,速度曲线应该是一个近似的周期函数。图5的速度曲线杂乱无章,其原因是零速检测方法无法精准地确定跨步区间,导致加速度积分的积分起点和终点并不对应着用户真实的跨步起始点和终点,因此,根据图5中的速度曲线再进行积分是无法得到准确步长的。从图4的速度曲线可以看出,速度曲线基本为满足周期性,表明选择的跨步区间的起点和终点能很好地与用户真实的跨步起始点和终点重合。
相比现有的零速检测方法,本实施例提供的步长检测方法,能够更加精准地确定跨步区间,基于划分的跨步区间对加速度进行积分,避免误差累积,从而提高步长数据的检测精度,为室内导航、定位提供更加精准的基础数据。
本实施例的方法简单高效,不需要昂贵的硬件设备,不需要设立新的基础设施(如蓝牙WIFI等),所有携带有加速度计、并配备有足够存储空间和具备一定计算能力的处理器的移动终端,都可以用来实施本实施例的方法。例如,用户出行时随身携带有移动智能终端,如智能手环、智能手机等,该移动智能终端中安装有加速度计,加速度计会根据用户的动作感应产生加速度数据,本发明实施例需要使用其中重力方向(即纵向)的加速度数据进行计算,由于加速度计直接输出的加速度数据是基于加速度计自身的载体坐标系产生的,因此,还需要将从加速度计获取的载体坐标系下的加速度数据转换为大地坐标系下的纵向加速度数据。坐标系转换方法可采用现有技术中的任一种坐标系转换方法,本发明不做具体限定,其均在本发明的保护范围之内。
由于加速度计存在零漂,造成不为零的中位速度的漂移,为了改善零漂导致的计算误差,在上述方法实施例的基础上,步骤S102的优选实施方式包括:
步骤S201,根据速度数据计算中位速度,具体计算公式为
步骤S202,对速度数据减去中位速度后的值进行积分得到纵向位移,h=∫(v-v中位)dt。
本实施例采用的基于运动模型的零速假设,相当于把中位速度强制归零,上述方法利用中位速度修正了速度数据,使得积分结束时纵向位移结果为0或接近0,保证一个跨步区间内总的纵向位移幅值为零,限制了积分过程中零漂的积累。
图2给出了人体行走模型,揭示了人体行走过程中的各物理量之间的几何关系图,h1为纵向位移幅值,l为用户腿长,S2为用户脚长,通过几何关系即可得到进而得到一个完整的步长数据Len=S1+S2。因此,步骤S105中,根据将纵向位移幅值,采用预设的步长计算模型得到跨步区间内用户的步长数据,包括:采用以下步长计算模型得到跨步区间内用户的步长数据:
其中,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
由于不同终端的传感器精度灵敏度不太一致,导致同一算法应用在不同终端上的效果差别很大,为解决该问题,在上述任一方法实施例的基础上,本实施例在计算过程中通过乘上量程因子修正纵向位移幅值,让不同终端不同传感器的采集数据处理结果趋同,使得本实施例的方法能够更好地应用于不同终端。具体的,步骤S105中根据将纵向位移幅值,采用预设的步长计算模型得到跨步区间内用户的步长数据,包括:
采用以下步长计算模型得到跨步区间内用户的步长数据:
其中,H=k·h1,k为量程因子,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。通过加入量程因子对每一跨步区间中的纵向位移幅值进行调整,使得计算得到的步长数据更加精准。
为了进一步提高测量精度,本实施例中,在用户使用移动终端进行步长检测的初期时,可以在计算步长的过程中自适应地调整量程因子k,综合初期调整的结果最终确定量程因子k,该量程因子k综合考虑了用户的行走特征和系统误差,所以能够对用户行走特征以及移动终端的加速度计系统误差进行调整,降低步长数据的计算误差。
自适应地调整量程因子k的优选实施方法包括以下两种:
(1)在能够获取用户行进过程中的实际位置时,通过已知确定距离对量程因子k自适应地调整。具体的,计算量程因子的步骤包括:获取用户在行进过程中的实际位置,根据实际位置得到两点间的实际距离;求取两点间所有步长数据之和得到估计距离;根据实际距离和估计距离计算量程因子。例如,在用户行进过程中能够获取到用户的实际位置A和B,则可以得到A、B间的真实距离;同时,通过步长检测方法可以得到用户从A走到B这段区间内所有步长数据之和,作为为A、B间的估计距离;根据A、B间的真实距离和估计距离,反推量程因子。例如可以通过地磁或无线信号指纹等现有的室内定位技术获取用户行进过程中的实际位置。
(2)在无法获取用户行进过程中的实际位置时,可以用经验公式来反推量程因子k。具体的,计算量程因子的步骤包括:计算用户行进过程中纵向位移幅值的实测平均值;根据用户腿长、用户脚长及跨步角,利用三角关系得到估算步长;根据估算步长推算用户行进过程中纵向位移幅值;根据推算的纵向位移幅值和纵向位移幅值的实测平均值计算量程因子。例如,根据人体生理模型的假设,人的跨步角大约在14-18度,取合适的跨步角,然后根据用户腿长l、用户脚长S2以及跨步角θ,利用如图2的三角关系得到估算步长为Len=2lsinθ+S2,再根据估算步长来反推人体质心纵向位移幅值l(1-cosθ),可以用工程优化算法,略去h1平方的高阶,得到推算的纵向位移幅值为从而计算出量程因子其中,为纵向位移幅值的实测平均值。一般跨步角可以选用16度或17度。当然,也可以在实际应用中,通过机器学习统计等方式,对量程因子进行自适应。
步骤S101的实施方式有多种,基于上述任一方法实施例,为了保证检测到的峰值的真实性,步骤S101的优选实施方法包括:获取纵向加速度数据,并检测纵向加速度数据中的最大值;当检测时间到一个达检测周期后,当前的最大值即为加速度数据的一个峰值,检测时间清零,最大值清零,进入下一个检测周期;将两个相邻峰值间的区域划分为一个跨步区间。其中,人步行大约为0.5秒一步,则可以设定一个检测周期为0.25秒。对于纵向加速度数据的峰值检测,进行一个检测周期的延迟才认定一个检测周期内的最大值为真正的峰值,这样不会造成错检和漏检。确认峰值的时间滞后一个检测周期,待纵向加速度数据组成的波形中包含了真实的峰值点后时再进行峰值点确认,虽然这样的处理方式会带来半步的延迟,但这个延时在可接受的范围内,且上述处理方式能够保证检测到的峰值真实准确。
在上述任一方法实施例中,用户腿长和用户脚长的获取方法包括:根据获取的用户的身体参数确定用户腿长和用户脚长。用户腿长、用户脚长等数据对于某个用户来说是一个常数,取值尽管不容易获得,但均可以通过根据用户输入的数据或者从其他软件调用的参数推算得到。
其中,身体参数包括用户的身高数值。用户腿长和用户脚长的获取方法具体包括:将获取的用户的身高数值乘以第一系数得到用户腿长,将获取的用户的身高数值乘以第二系数得到用户脚长。比如,第一系数可取为0.5,而身高数值可以从用户输入或者其他软件的参数调用来取得。用户脚长也可以通过人体的生理模型来推算,例如设定用户脚长为用户身高的0.147倍,即第二系数取0.147,根据已有的研究数据显示,中国人的身高脚长比例是6.8:1,欧洲人的身高脚长比例是7:1,这些参数都可以用来估算用户脚长。
在无法获取用户的身体参数时,采用典型值作为用户腿长和用户脚长。用户的身高数值可以采用典型值如1.75米,基本可以覆盖1.6-1.9米的人群,误差在可容忍范围内,根据身高数据的典型值即可得到用户腿长的典型值,由于计算步长数据时,用户腿长的数值位于根号中,因此其对于S1的值的影响并不大,甚至还不如信号噪声影响大。用户脚长也可以由用户输入确定,但是这样会带来用户体验上的不便,而获得的收益并不明显,相对于每个跨步的长度而言,脚长的差距最多也只是几个厘米,因此,用户输入脚长并非是必要的一个操作,可以假定为一个用户腿长的典型值,例如26厘米。
人行走的频率大约是2赫兹,也就是通常一秒两步,每一步的变化都更新步长和方向角,本实施例采中,对加速度计输出数据的采样频率为50Hz,保证每一跨步区间内数据的采集量能够满足处理精度的要求。
由于用户在行走过程中会发生晃动或做一些其他的动作,对加速度计产生的加速度数据产生扰动和噪音,同时,加速度计本身不可避免的存在噪声,因此,在步骤S101之前还可以对加速度计输出的加速度数据进行降噪处理,具体实施时,可以采用低通滤波器等方式实现,本发明不做具体限定,其均在本发明的保护范围之内。
当然,加速度计输出数据在一个区段中的白噪声有正向也有负向,由于本实施例采用积分方式处理加速度数据,一定程度上可以去除掉数据包含的白噪声,相当于起到了卡尔曼滤波的效果,因此,可以省略步骤S101之前的卡尔曼滤波过程,减少数据的预处理步骤。
本实施例中的各个优选实施方式可以进行任意的组合。
本实施例中提供的任意方法实施例,不仅可以行人、室内导航,还可以代替硬件计步器,获得计步同时计算行走距离的能力,还可用于即时定位与地图构建,室内环境信号指纹库采集等等商业场合。
本实施提供的方法还能与其他定位导航技术结合,用于室外定位、室外导航。比如与GNSS技术结合,依靠本实施例短距离定位精度高的优势,提高短距离的定位导航精度、同时避免长时间的漂移误差,提高GNSS在室外的定位导航精度、降低功耗(低频获取GNSS等),本实施例提供的方法为室内、外的定位导航提供了一种高精度、低功耗的通用方案。
基于与上述行人步长检测方法相同的发明构思,本实施例还提供了一种行人步长检测装置,如图2所示,包括:
峰值检测模块,用于检测纵向加速度数据的峰值,两个相邻峰值间的区域为一个跨步区间;
第一积分模块,用于对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值为零;
第二积分模块,用于对速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零;
纵向位移幅值计算模块,用于取跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;
步长计算模块,用于根据纵向位移幅值,采用预设的步长计算模型得到跨步区间内用户的步长数据。
优选地,第一积分模块具体用于:
根据速度数据计算中位速度;
对速度数据减去中位速度后的值进行积分得到纵向位移。
优选地,步长计算模块具体用于:采用以下步长计算模型得到跨步区间内用户的步长数据:
其中,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,步长计算模块具体用于:采用以下步长计算模型得到跨步区间内用户的步长数据:
其中,H=k·h1,k为量程因子,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
优选地,还包括量程因子计算模块,用于:
获取用户在行进过程中的实际位置,根据实际位置得到两点间的实际距离;
求取两点间所有步长数据之和得到估计距离;
根据实际距离和估计距离计算量程因子。
优选地,还包括量程因子计算模块,用于:
计算用户行进过程中纵向位移幅值的实测平均值;
根据用户腿长、用户脚长及跨步角,利用三角关系得到估算步长;
根据估算步长推算用户行进过程中纵向位移幅值;
根据推算的纵向位移幅值和纵向位移幅值的实测平均值计算量程因子。
优选地,峰值检测模块具体用于:
获取纵向加速度数据,并检测纵向加速度数据中的最大值;
当检测时间到一个达检测周期后,当前的最大值即为加速度数据的一个峰值,检测时间清零,最大值清零,进入下一个检测周期;
将两个相邻峰值间的区域划分为一个跨步区间。
优选地,还包括参数获取模块,用于:根据获取的用户的身体参数确定用户腿长和用户脚长。
优选地,身体参数包括用户的身高数值;参数获取模块具体用于:将获取的用户的身高数值乘以第一系数得到用户腿长,将获取的用户的身高数值乘以第二系数得到用户脚长。
优选地,参数获取模块,还用于:在无法获取用户的身体参数时,采用典型值作为用户腿长和用户脚长。
优选地,在步骤S101之前还包括:将从加速度计获取的载体坐标系下的加速度数据转换为大地坐标系下的纵向加速度数据;对纵向加速度数据进行降噪处理。
优选地,对加速度计输出数据的采样频率为50Hz。
本实施例提供的一种行人步长检测装置与上述行人步长检测方法出于相同的发明构思,具有相同的有益效果,此处不再赘述。
基于与上述行人步长检测方法相同的发明构思,本实施例还提供了一种行人步长检测系统,包括:加速度计,处理器和存储器;所述加速度计用于采集行人步行过程中的加速度数据,并发送给所述处理器;所述处理器用于运行所述存储器中的程序以执行上述方法实施例中的任一所述的方法。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法实施例中的任一所述的方法。
本实施例提供的行人步长检测系统与上述行人步长检测方法出于相同的发明构思,具有相同的有益效果,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种行人步长检测方法,其特征在于,包括:
步骤S101,检测纵向加速度数据的峰值,将两个相邻峰值间的区域划分为一个跨步区间;
步骤S102,对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值取为零;
步骤S103,对所述速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零;
步骤S104,取所述跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;
步骤S105,根据所述纵向位移幅值,采用预设的步长计算模型得到所述跨步区间内用户的步长数据。
2.根据权利要求1所述的方法,其特征在于,所述步骤S102具体包括:
根据所述速度数据计算中位速度;
对所述速度数据减去所述中位速度后的值进行积分得到纵向位移。
3.根据权利要求1所述的方法,其特征在于,所述步骤S105具体包括:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
4.根据权利要求1所述的方法,其特征在于,所述步骤S105具体包括:采用以下步长计算模型得到所述跨步区间内用户的步长数据:
其中,H=k·h1,k为量程因子,Len为步长数据,h1为纵向位移幅值,l为用户腿长,S2为用户脚长。
5.根据权利要求4所述的方法,其特征在于,计算所述量程因子的步骤包括:
获取用户在行进过程中的实际位置,根据所述实际位置得到两点间的实际距离;
求取两点间所有步长数据之和得到估计距离;
根据所述实际距离和所述估计距离计算量程因子。
6.根据权利要求4所述的方法,其特征在于,计算所述量程因子的步骤包括:
计算用户行进过程中纵向位移幅值的实测平均值;
根据用户腿长、用户脚长及跨步角,利用三角关系得到估算步长;
根据估算步长推算用户行进过程中纵向位移幅值;
根据推算的纵向位移幅值和纵向位移幅值的实测平均值计算量程因子。
7.根据权利要求1所述的方法,其特征在于,所述步骤S101具体包括:
获取纵向加速度数据,并检测所述纵向加速度数据中的最大值;
当检测时间到一个达检测周期后,当前的最大值即为所述加速度数据的一个峰值,检测时间清零,最大值清零,进入下一个检测周期;
将两个相邻峰值间的区域划分为一个跨步区间。
8.一种行人步长检测装置,其特征在于,包括:
峰值检测模块,用于检测纵向加速度数据的峰值,两个相邻峰值间的区域为一个跨步区间;
第一积分模块,用于对一个跨步区间内的纵向加速度数据进行积分得到速度数据,其中,积分起点的速度值为零;
第二积分模块,用于对所述速度数据进行积分得到纵向位移,其中,积分起点的纵向位移取为零;
纵向位移幅值计算模块,用于取所述跨步区间内纵向位移的极大值和极小值,极大值减去极小值得到纵向位移幅值;
步长计算模块,用于根据所述纵向位移幅值,采用预设的步长计算模型得到所述跨步区间内用户的步长数据。
9.一种行人步长检测系统,其特征在于,包括:加速度计,处理器和存储器;
所述加速度计用于采集行人步行过程中的加速度数据,并发送给所述处理器;
所述处理器用于运行所述存储器中的程序以执行权利要求1-7之一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7之一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710487319 | 2017-06-23 | ||
CN2017104873195 | 2017-06-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109115216A true CN109115216A (zh) | 2019-01-01 |
CN109115216B CN109115216B (zh) | 2021-06-15 |
Family
ID=62186307
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710567400.4A Active CN109115207B (zh) | 2017-06-23 | 2017-07-12 | 行人步行轨迹检测方法、装置及系统 |
CN201710567396.1A Active CN109115216B (zh) | 2017-06-23 | 2017-07-12 | 行人步长检测方法、装置及系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710567400.4A Active CN109115207B (zh) | 2017-06-23 | 2017-07-12 | 行人步行轨迹检测方法、装置及系统 |
Country Status (11)
Country | Link |
---|---|
US (1) | US11162795B2 (zh) |
EP (1) | EP3418692B1 (zh) |
JP (1) | JP2019007948A (zh) |
KR (1) | KR102191769B1 (zh) |
CN (2) | CN109115207B (zh) |
DK (1) | DK3418692T3 (zh) |
ES (1) | ES2844450T3 (zh) |
HR (1) | HRP20210046T1 (zh) |
HU (1) | HUE052902T2 (zh) |
PL (1) | PL3418692T3 (zh) |
PT (1) | PT3418692T (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132276A (zh) * | 2019-04-30 | 2019-08-16 | 杭州电子科技大学 | 一种基于行人运动状态的自适应步长估计方法 |
CN113092819A (zh) * | 2021-04-14 | 2021-07-09 | 东方红卫星移动通信有限公司 | 足部加速度计动态零速校准方法及系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109883431A (zh) * | 2019-02-21 | 2019-06-14 | 北京方位捷讯科技有限公司 | 一种走姿判断方法及系统 |
CN110375741B (zh) * | 2019-07-09 | 2021-08-17 | 中移(杭州)信息技术有限公司 | 行人航位推算方法和终端 |
CN113534118A (zh) * | 2020-04-17 | 2021-10-22 | 北京小米移动软件有限公司 | 移动距离确定方法、装置及存储介质 |
SE544833C2 (en) * | 2020-06-11 | 2022-12-06 | Saaz Eng Ab | Wearable device for monitoring hygiene compliance within a facility |
CN111928865B (zh) * | 2020-09-23 | 2021-01-05 | 蘑菇车联信息科技有限公司 | 轨迹计算方法、装置、电子设备及存储介质 |
CN112244820B (zh) * | 2020-11-13 | 2023-05-26 | 青岛迈金智能科技股份有限公司 | 一种三轴加速度计测量跑步步态的方法 |
CN116784838B (zh) * | 2023-08-24 | 2024-01-09 | 中国科学技术大学 | 基于可穿戴惯性传感器转向识别系统、方法、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101779100A (zh) * | 2007-10-29 | 2010-07-14 | 三菱重工业株式会社 | 车辆距离检测设备 |
US20140019082A1 (en) * | 2012-07-11 | 2014-01-16 | National Cheng Kung University | Method of calculating step length |
CN105122006A (zh) * | 2013-02-01 | 2015-12-02 | 可信定位股份有限公司 | 用于使用非线性系统表示来进行可变步长估计的方法和系统 |
CN105232053A (zh) * | 2015-11-06 | 2016-01-13 | 武汉理工大学 | 一种人体踝关节跖屈相位检测系统及方法 |
CN105698795A (zh) * | 2015-12-04 | 2016-06-22 | 天津大学 | 一种室内定位步长计算方法 |
CN106168485A (zh) * | 2016-07-18 | 2016-11-30 | 北京方位捷讯科技有限公司 | 步行航迹数据推算方法及装置 |
CN106767890A (zh) * | 2016-12-12 | 2017-05-31 | 北京羲和科技有限公司 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
CN106767807A (zh) * | 2015-11-20 | 2017-05-31 | 北京航空航天大学 | 一种基于身高和运动特征的行人步长综合测量方法 |
CN106767790A (zh) * | 2017-01-12 | 2017-05-31 | 厦门大学 | 人体下肢运动模型与卡尔曼滤波融合估计行人移动跟踪的方法 |
CN106813676A (zh) * | 2017-02-21 | 2017-06-09 | 北京邮电大学 | 一种计步、定位方法及装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5487580A (en) * | 1977-12-23 | 1979-07-12 | Nissan Motor | Trip meter |
JP4504071B2 (ja) | 2003-04-10 | 2010-07-14 | パナソニック株式会社 | 身体運動解析装置 |
JP5421571B2 (ja) | 2008-11-05 | 2014-02-19 | 国立大学法人弘前大学 | 歩行特性評価システムおよび軌跡生成方法 |
CH703381B1 (fr) * | 2010-06-16 | 2018-12-14 | Myotest Sa | Dispositif portable intégré et procédé pour calculer des paramètres biomécaniques de la foulée. |
CN101907467B (zh) * | 2010-08-06 | 2012-08-22 | 浙江大学 | 基于运动量测信息的个人定位方法及装置 |
JP5413345B2 (ja) | 2010-09-28 | 2014-02-12 | セイコーエプソン株式会社 | 移動軌跡算出方法及び移動軌跡算出装置 |
JP6015664B2 (ja) * | 2010-12-01 | 2016-10-26 | コミサリアト ア レネルジー アトミクー エ オ エネルジーズ アルタナティヴズ | 移動するユーザ、移動端末、または交通手段の軌跡推定方法、コンピュータプログラム、および軌跡推定装置 |
CN102323854B (zh) * | 2011-03-11 | 2013-10-16 | 中国科学院研究生院 | 人体运动捕获装置 |
US8460001B1 (en) * | 2011-04-14 | 2013-06-11 | Thomas C. Chuang | Athletic performance monitoring with overstride detection |
JP6023809B2 (ja) * | 2011-08-18 | 2016-11-09 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 加速度測定に基づく水平又は垂直方向の速度推定 |
TWI457539B (zh) * | 2012-12-19 | 2014-10-21 | Ind Tech Res Inst | 多姿態步距校正定位系統與方法 |
JP2015014587A (ja) * | 2013-06-06 | 2015-01-22 | 株式会社リコー | 情報処理装置、位置決定方法及び位置決定プログラム |
CN103616030A (zh) * | 2013-11-15 | 2014-03-05 | 哈尔滨工程大学 | 基于捷联惯导解算和零速校正的自主导航系统定位方法 |
CN104180805B (zh) * | 2014-08-29 | 2017-02-01 | 中国海洋大学 | 基于智能手机的室内行人定位与跟踪方法 |
CN204158397U (zh) * | 2014-10-16 | 2015-02-18 | 上海理工大学 | 一种人体运动检测装置 |
CN106652548B (zh) * | 2016-10-08 | 2019-03-19 | 重庆科技学院 | 基于无网络条件下的地下车库导航方法 |
WO2018220911A1 (ja) | 2017-06-01 | 2018-12-06 | シャープ株式会社 | 歩幅算出装置、携帯端末、位置情報提供システム、歩幅算出装置の制御方法およびプログラム |
-
2017
- 2017-07-12 CN CN201710567400.4A patent/CN109115207B/zh active Active
- 2017-07-12 CN CN201710567396.1A patent/CN109115216B/zh active Active
-
2018
- 2018-05-16 ES ES18172530T patent/ES2844450T3/es active Active
- 2018-05-16 PL PL18172530T patent/PL3418692T3/pl unknown
- 2018-05-16 PT PT181725300T patent/PT3418692T/pt unknown
- 2018-05-16 EP EP18172530.0A patent/EP3418692B1/en active Active
- 2018-05-16 HU HUE18172530A patent/HUE052902T2/hu unknown
- 2018-05-16 DK DK18172530.0T patent/DK3418692T3/da active
- 2018-05-19 US US15/984,330 patent/US11162795B2/en active Active
- 2018-05-28 JP JP2018101703A patent/JP2019007948A/ja active Pending
- 2018-06-01 KR KR1020180063313A patent/KR102191769B1/ko active IP Right Grant
-
2021
- 2021-01-12 HR HRP20210046TT patent/HRP20210046T1/hr unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101779100A (zh) * | 2007-10-29 | 2010-07-14 | 三菱重工业株式会社 | 车辆距离检测设备 |
US20140019082A1 (en) * | 2012-07-11 | 2014-01-16 | National Cheng Kung University | Method of calculating step length |
CN105122006A (zh) * | 2013-02-01 | 2015-12-02 | 可信定位股份有限公司 | 用于使用非线性系统表示来进行可变步长估计的方法和系统 |
CN105232053A (zh) * | 2015-11-06 | 2016-01-13 | 武汉理工大学 | 一种人体踝关节跖屈相位检测系统及方法 |
CN106767807A (zh) * | 2015-11-20 | 2017-05-31 | 北京航空航天大学 | 一种基于身高和运动特征的行人步长综合测量方法 |
CN105698795A (zh) * | 2015-12-04 | 2016-06-22 | 天津大学 | 一种室内定位步长计算方法 |
CN106168485A (zh) * | 2016-07-18 | 2016-11-30 | 北京方位捷讯科技有限公司 | 步行航迹数据推算方法及装置 |
CN106767890A (zh) * | 2016-12-12 | 2017-05-31 | 北京羲和科技有限公司 | 基于加速度传感器的深度网络自适应步长估计方法及装置 |
CN106767790A (zh) * | 2017-01-12 | 2017-05-31 | 厦门大学 | 人体下肢运动模型与卡尔曼滤波融合估计行人移动跟踪的方法 |
CN106813676A (zh) * | 2017-02-21 | 2017-06-09 | 北京邮电大学 | 一种计步、定位方法及装置 |
Non-Patent Citations (5)
Title |
---|
RAFAEL C. GONZÁLEZ ET AL: "Modified Pendulum Model for Mean Step Length Estimation", 《PROCEEDING OF THE 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE EMBS》 * |
任凯天等: "基于腰部移动模型的行走步长计算方案", 《电子测量与仪器学报》 * |
李祥云: "基于多维加速度传感器的车辆姿态测量系统研究与设计", 《中国优秀硕士学位论文全文数据库工程技术II辑》 * |
田增山等: "基于智能手机MARG传感器的行人导航算法", 《重庆邮电大学学报自然科学版》 * |
邸文华: "基于iPhone的人员行走惯性导航系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132276A (zh) * | 2019-04-30 | 2019-08-16 | 杭州电子科技大学 | 一种基于行人运动状态的自适应步长估计方法 |
CN110132276B (zh) * | 2019-04-30 | 2020-12-08 | 杭州电子科技大学 | 一种基于行人运动状态的自适应步长估计方法 |
CN113092819A (zh) * | 2021-04-14 | 2021-07-09 | 东方红卫星移动通信有限公司 | 足部加速度计动态零速校准方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3418692A3 (en) | 2019-03-27 |
CN113218395A (zh) | 2021-08-06 |
CN109115216B (zh) | 2021-06-15 |
KR20190000788A (ko) | 2019-01-03 |
JP2019007948A (ja) | 2019-01-17 |
EP3418692A2 (en) | 2018-12-26 |
KR102191769B1 (ko) | 2020-12-16 |
HUE052902T2 (hu) | 2021-05-28 |
PL3418692T3 (pl) | 2021-04-19 |
HRP20210046T1 (hr) | 2021-04-30 |
US11162795B2 (en) | 2021-11-02 |
CN109115207A (zh) | 2019-01-01 |
CN109115207B (zh) | 2021-06-04 |
PT3418692T (pt) | 2021-01-13 |
EP3418692B1 (en) | 2020-12-02 |
ES2844450T3 (es) | 2021-07-22 |
DK3418692T3 (da) | 2021-01-18 |
US20180372500A1 (en) | 2018-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115216A (zh) | 行人步长检测方法、装置及系统 | |
US10508920B2 (en) | Pedestrian dead reckoning position tracker | |
CN106168485B (zh) | 步行航迹数据推算方法及装置 | |
CN103323615B (zh) | 一种通过加速度传感器计算步行速度的移动终端及方法 | |
CN102353383B (zh) | 基于单轴陀螺仪的计步及里程推算方法 | |
Yu et al. | Comparison of pedestrian tracking methods based on foot-and waist-mounted inertial sensors and handheld smartphones | |
CN104061934A (zh) | 基于惯性传感器的行人室内位置跟踪方法 | |
CN108020813B (zh) | 定位方法、定位装置和电子设备 | |
WO2017000563A1 (zh) | 智能设备的实时定位方法及系统、手机运动姿态的判定方法 | |
CN109883423A (zh) | 基于卡尔曼滤波的定位方法、系统、设备及存储介质 | |
CN106610292A (zh) | 一种基于混合wifi与航迹推算的室内定位方法 | |
WO2016016731A2 (en) | Method and apparatus for categorizing device use case | |
JP2017009341A (ja) | データ解析装置及びデータ解析方法、データ解析プログラム | |
CN103076023A (zh) | 一种步长计算方法和装置 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
WO2019033587A1 (zh) | 基于智能手表的gps漂移过滤方法和智能手表 | |
CN109646009A (zh) | 基于便携式步态分析系统的步态时空参数的计算方法 | |
CN111522034A (zh) | 基于惯性导航的定位方法、设备及装置 | |
TW201715204A (zh) | 以步態偵測方法進行慣性定位的導航系統 | |
CN108801267A (zh) | 一种融合多传感器的室内无锚点定位方法 | |
CN105953794A (zh) | 一种基于mems传感器的计步导航方法 | |
CN106441295A (zh) | 步行者行进方向确定方法及装置 | |
CN107976186B (zh) | 无锚点的相对定位方法 | |
CN114739412B (zh) | 一种基于智能手机的行人步态实时检测方法及设备 | |
Qian et al. | Investigating the use of MEMS based wrist-worn IMU for pedestrian navigation application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190101 Assignee: BEIJING XIHE TECHNOLOGY CO.,LTD. Assignor: BEIJING FINE WAY TECHNOLOGY CO.,LTD. Contract record no.: X2023980042768 Denomination of invention: Pedestrian step detection method, device, and system Granted publication date: 20210615 License type: Common License Record date: 20230927 |