CN109751998A - 一种基于动态时间规整的运动模式识别方法 - Google Patents
一种基于动态时间规整的运动模式识别方法 Download PDFInfo
- Publication number
- CN109751998A CN109751998A CN201910032356.6A CN201910032356A CN109751998A CN 109751998 A CN109751998 A CN 109751998A CN 201910032356 A CN201910032356 A CN 201910032356A CN 109751998 A CN109751998 A CN 109751998A
- Authority
- CN
- China
- Prior art keywords
- data
- dynamic time
- acceleration
- identified
- motion
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 34
- 238000012567 pattern recognition method Methods 0.000 title claims 4
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明提供了一种基于动态时间规整的运动模式识别方法，离线阶段用惯性测量单元采集不同运动模式下的惯性数据，并对数据进行单周期分割生成运动模式模板。在线阶段采用动态时间规整算法生成人体运动模式分类器。本发明无需人工提取运动特征，避免了因特征选择不当带来的分类误差，并且计算简单，对便携式设备友好。
Description
技术领域
本发明属于位置服务和人体运动模式识别领域，特别是涉及一种基于惯性测量单元采集加速度和动态时间规整算法，并根据所测加速度数据提出一种人体运动模式识别方法。
背景技术
随着移动互联网技术的迅猛发展，基于位置服务的需求与日俱增。基于行人航位推算的定位技术是利用小型轻质样式的惯性传感器实现行人导航定位的一种新兴手段。行人航位推算主要包括航向角解算、步频检测、步长估计三个关键问题。
步长估计一般采用采用固定步长经验模型或者基于加速度幅值的计算模型。但是由于人体运动模式的不同，传统的步长估计模型会造成很大定位偏差。基于人体运动模式识别的步长估计方法，根据不同的运动模式给出不同的步长估计，从而提高定定位精度。
人体运动模式识别主要包含特征提取和模式匹配两个关键问题。目前使用的模式匹配方法多为最近邻、支持向量机、朴素贝叶斯、神经网络等较为复杂的算法。上述算法计算复杂，而且需要大量训练样本提取样本特征。而特征提取不当会造成分类器精度降低。对于便携设备上述算法会占用大量处理器资源，可行性不强。
发明内容
本发明的目的是提供一种运动模式识别的方法，实时采集待识别对象的加速度数据，通过动态时间规整算法自动匹配待识别对象的运动模式。
本发明提供了一种运动识别的方法，对待识别对象的运动模式进行运动匹配，具有这样的特征，包含：惯性测量单元实时采集识别对象的运动数据；对待识别对象的运动模式匹配为步行模式，跑步模式，使用模式，楼梯模式，电梯模式，所述步行模式与跑步模式包括手持便携设备以及便携设备置于口袋两种状态；所述使用模式包括接打电话、发短信等操作状态。
本发明所采用的技术方案包括以下步骤:
步骤1：用惯性测量单元采集不同运动模式下的三轴加速度原始数据；
步骤2：对步骤1所得数据进行低通滤波预处理，并利用峰值检测法对所得数据进行单周期分割；
步骤3：对步骤2所得数据进行求平方，即获得加速度数据矩阵；
步骤4：反复进行步骤1-3多次以确定不同运动模式下加速度数据模板矩阵；
步骤5：使用步骤1所述方法采集待识别样本，使用步骤2、3所述方法对该数据进行处理，再使用动态时间规整算法将待识别数据与步骤4所得模板进行对比，实现运动模式识别。
与现有技术相比，本发明的有益效果是：
加速度数据采取平方处理，降低因设备倒置产生的识别误差；
采用动态时间规整算法进行模版匹配，省却了传统模式识别方法中特征筛选提取的步骤，降低因特征提取不当造成的误差，同时节省人力物力，易于程序移植与应用；
基于本发明运动识别方法，可进一步为行人航位推算提供运动模式约束，便于步长估计，提高定位效果。
附图说明
图1为本发明运动模式识别流程图；
图2为本发明实施例的手持终端行走模式加速度样本图；
图3是本发明实施例的DTW算法累计矩阵路径示意图；
具体实施方式
下面结合附图和实施例对本发明基于动态时间规整的运动识别方法做进一步详细说明。此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
图1是本发明实施例中运动模式识别的流程图。
本发明具有如下步骤：
步骤1：用惯性测量单元采集不同运动模式下的三轴加速度原始数据，如图2所示。
本实施例涉及的运动模式包括：手持设备行走、设备置于衣袋内行走、手持设备跑步、设备置于衣袋内跑步、使用设备状态下行走、上下楼梯和乘坐电梯。图2为本发明实施例的手持终端行走模式加速度样本图。
步骤2：对步骤1所得数据进行低通滤波预处理，并利用峰值检测法对所得数据进行单周期分割；
由于惯性传感器采集的数据存在噪声，因此需要低通滤波器对原始数据预处理。考虑到需要尽可能保留样本的运动特征，本发明采用滑动滤波器，滑动窗口设为8。
本发明采用的峰值检测方法采用基于峰值阈值和时间间隔的双门限检测法。当前点满足以下条件时记为有效波峰：当前点为上升趋势，连续上升超过2次，波峰值大于15，与上一波峰时间间隔超过200ms。
步骤3：对步骤2所得数据进行求平方，即获得加速度数据矩阵。
针对可能出现的设备180°倒置而产生识别误差，对所步骤2中所得加速度数据进行平方计算。所得加速度矩阵具体为
步骤4：反复进行步骤1-3多次以确定上述7种不同运动模式下加速度数据模板矩阵。
步骤5：使用步骤1所述方法采集待识别样本，使用步骤2、3所述方法对该数据进行处理，再使用动态时间规整算法将待识别数据与步骤4所得模板进行对比，实现运动模式识别。图3是本发明实施例的DTW算法累计矩阵路径示意图。
本发明中使用动态时间规整算法计算待识别数据加速度矩阵M与模板加速度矩阵T的差异度D。待测数据的运动模式被判定为模版数据与其差异度最小的运动模式。差异度D表示为：
其中i表示矩阵的第i列，
其中wk为最佳路径在二维平面上表示时通过的格点中两列数据的差的绝对值。
Claims (4)
1.一种基于动态时间规整的运动模式识别方法，其特征在于，包括以下步骤：
步骤1：用惯性测量单元采集不同运动模式下的三轴加速度原始数据；
步骤2：对步骤1所得样本进行低通滤波预处理，并利用峰值检测法对所得数据进行单周期分割；
步骤3：对步骤2所得数据进行求平方，即获得加速度数据矩阵；
步骤4：反复进行步骤1-3多次以确定不同运动模式下加速度数据模板矩阵；
步骤5：使用步骤1所述方法采集待识别样本，使用步骤2、3所述方法对该数据进行处理，再使用动态时间规整算法将待识别数据与步骤4所得模板进行对比，实现运动模式识别。
2.根据权利要求1所述的一种基于动态时间规整运动模式识别方法，其特征在于：步骤2中，所述的峰值检测方法采用基于峰值阈值和时间间隔的双门限检测法。
3.根据权利要求1所述的一种基于动态时间规整运动模式识别方法，其特征在于：步骤3所述的加速度矩阵具体为
4.根据权利要求1所述的一种基于动态时间规整运动模式识别方法，其特征在于：所述的步骤5具体为：使用步骤1所述方法采集待识别数据，使用步骤2、3所述方法对上述待识别数据进行处理，再将待识别加速度数据矩阵与步骤4所得模板矩阵进行对比，采用动态时间归整算法计算待识别加速度数据和各种运动模式下加速度模板数据的最短距离，即差异度。待测数据的运动模式被判定为模版数据与其差异度最小的运动模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032356.6A CN109751998A (zh) | 2019-01-14 | 2019-01-14 | 一种基于动态时间规整的运动模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032356.6A CN109751998A (zh) | 2019-01-14 | 2019-01-14 | 一种基于动态时间规整的运动模式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109751998A true CN109751998A (zh) | 2019-05-14 |
Family
ID=66405685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910032356.6A Pending CN109751998A (zh) | 2019-01-14 | 2019-01-14 | 一种基于动态时间规整的运动模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109751998A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143495A1 (en) * | 2010-10-14 | 2012-06-07 | The University Of North Texas | Methods and systems for indoor navigation |
| CN102488996A (zh) * | 2011-12-31 | 2012-06-13 | 天津方普信科技有限公司 | 火灾现场定位传输系统及方法 |
| CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
| CN105809144A (zh) * | 2016-03-24 | 2016-07-27 | 重庆邮电大学 | 一种采用动作切分的手势识别系统和方法 |
| US20160223340A1 (en) * | 2015-02-03 | 2016-08-04 | The Regents Of The University Of Michigan | Last-Mile Navigation Using Smartphones |
| CN106705968A (zh) * | 2016-12-09 | 2017-05-24 | 北京工业大学 | 基于姿态识别和步长模型的室内惯性导航算法 |
| CN107016384A (zh) * | 2017-06-05 | 2017-08-04 | 深圳天珑无线科技有限公司 | 可识别运动类型的计步方法、移动终端及存储介质 |
| CN108225304A (zh) * | 2018-01-26 | 2018-06-29 | 青岛美吉海洋地理信息技术有限公司 | 基于多源传感器室内快速定位方法与系统 |
| CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
-
2019
- 2019-01-14 CN CN201910032356.6A patent/CN109751998A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143495A1 (en) * | 2010-10-14 | 2012-06-07 | The University Of North Texas | Methods and systems for indoor navigation |
| CN102488996A (zh) * | 2011-12-31 | 2012-06-13 | 天津方普信科技有限公司 | 火灾现场定位传输系统及方法 |
| CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
| US20160223340A1 (en) * | 2015-02-03 | 2016-08-04 | The Regents Of The University Of Michigan | Last-Mile Navigation Using Smartphones |
| CN105809144A (zh) * | 2016-03-24 | 2016-07-27 | 重庆邮电大学 | 一种采用动作切分的手势识别系统和方法 |
| CN106705968A (zh) * | 2016-12-09 | 2017-05-24 | 北京工业大学 | 基于姿态识别和步长模型的室内惯性导航算法 |
| CN107016384A (zh) * | 2017-06-05 | 2017-08-04 | 深圳天珑无线科技有限公司 | 可识别运动类型的计步方法、移动终端及存储介质 |
| CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
| CN108225304A (zh) * | 2018-01-26 | 2018-06-29 | 青岛美吉海洋地理信息技术有限公司 | 基于多源传感器室内快速定位方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Real-time dynamic gesture recognition system based on depth perception for robot navigation | |
| Strese et al. | A haptic texture database for tool-mediated texture recognition and classification | |
| Zhang et al. | A handheld inertial pedestrian navigation system with accurate step modes and device poses recognition | |
| CN106123897B (zh) | 基于多特征的室内融合定位方法 | |
| CN102640085B (zh) | 用于识别手势的系统和方法 | |
| CN105868694B (zh) | 基于面部表情和眼球动作的双模态情感识别方法及系统 | |
| Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
| CN105224104B (zh) | 基于智能手机持握方式的行人运动状态识别方法 | |
| CN109643499A (zh) | 游泳分析的系统和方法 | |
| KR101157073B1 (ko) | 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치 | |
| CN105573498B (zh) | 一种基于Wi-Fi信号的手势识别方法 | |
| CN105740781B (zh) | 一种三维人脸活体检测的方法和装置 | |
| CN103324938A (zh) | 训练姿态分类器及物体分类器、物体检测的方法及装置 | |
| CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
| CN109740454A (zh) | 一种基于yolo-v3的人体体态识别方法 | |
| CN110555417A (zh) | 一种基于深度学习的视频图像识别系统及方法 | |
| CN113516063B (zh) | 一种基于K-Means及步态周期相似性的运动模式识别方法 | |
| CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
| CN105590116B (zh) | 一种基于头部部件对齐的鸟类图像识别方法 | |
| CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
| CN106295544A (zh) | 一种基于Kinect的视角不变性步态识别方法 | |
| CN106123911A (zh) | 一种基于加速传感器和角速度传感器的记步方法 | |
| CN109637126A (zh) | 一种基于v2x终端的交通对象识别系统及其方法 | |
| CN103793926A (zh) | 基于样本重选择的目标跟踪方法 | |
| Wang et al. | Inertial odometry using hybrid neural network with temporal attention for pedestrian localization |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190514 |
|
| WD01 | Invention patent application deemed withdrawn after publication |