CN109893137A - 基于移动终端在不同携带位置下改善步态检测的方法 - Google Patents

Abstract

本发明公开了一种基于移动终端在不同携带位置下改善步态检测的方法，其包括如下步骤：s1.获取移动终端在不同携带位置下行人运动时的惯性信号；s2.根据步骤s1的惯性信号，得到含有移动终端携带位置信息的m维惯性信号特征矩阵；s3.对m维惯性信号特征矩阵进行降维，得到n维特征矩阵；s4.对n维特征矩阵和移动终端的携带位置属性矩阵建模，得到移动终端携带位置模型；s5.利用步骤s4中的移动终端携带位置模型，识别移动终端当前的携带位置；s6.根据移动终端当前的携带位置，选用不同的步态检测方法获取行人的步态信息。本发明可以适应移动终端在不同携带位置下时的变化，提高步态检测的精确度。

Description

基于移动终端在不同携带位置下改善步态检测的方法

技术领域

本发明涉及一种基于移动终端在不同携带位置下改善步态检测的方法。

背景技术

传统的基于惯性器件的行人导航定位方法主要是可穿戴的设备，要求与行人身体进行刚性绑定，对于其应用有很大的局限性。而近几年基于智能设备发展产生的行人航迹推算技术 (Pedestrian Dead Reckoning，PDR)，凭借其强独立性以及设备低成本性，已经成为当今研究的热点。行人航迹推算技术主要的实现过程有三：步态探测、航向估计及位置推算，其中，步态检测包括步数检测以及步长估算，其检测精度直接影响着系统最终的定位结果。

目前基于智能设备携带的行人步态估计主要有两大类：可穿戴式和便携式。

其中，可穿戴式的设备主要与身体进行刚性绑定，使用范围比较局限；便携式设备主要的研究方法还是将设备以某一具体的携带方式携带，设备与行人相对静止，其本质还是与身体的变向绑定。这两类设备内的检步算法都是在某一具体的条件下有稳定的步态信息输出，当设备的携带位置或者外界条件不足以满足设计要求时，算法内的检步参数无法根据实际情况进行调整，导致步数统计以及距离估算的偏差较大，无法有效定位。

当今主流的检步算法有峰值检测法、零点检测法、自相关分析法等。研究发现，通过对算法参数进行调整，可以使某一种算法在移动终端(诸如手机等)与行人位置固定的情况下进行精确检步。但是在日常活动中，行人本身与移动终端的相对位置时刻在发生变化，然而检步参数无法进行实时调整，使得算法在复杂运动下无法保持较高的检步精度。

发明内容

本发明的目的在于提出一种基于移动终端在不同携带位置下改善步态检测的方法，以适应移动终端在行人不同携带位置下时的变化，从而提高步态检测的精确度。

本发明为了实现上述目的，采用如下技术方案：

基于移动终端在不同携带位置下改善步态检测的方法，包括如下步骤：

s1.获取移动终端在不同携带位置下行人运动时的惯性信号；

s2.根据步骤s1的惯性信号，得到含有移动终端携带位置信息的m维惯性信号特征矩阵；

s3.对m维惯性信号特征矩阵进行降维，得到n维特征矩阵；

s4.构建表示移动终端的携带位置的属性代码，将该移动终端的携带位置的属性代码与对应步骤s1中惯性信号的每一个数据采样时间点的信息组成携带位置属性矩阵；

对n维特征矩阵和携带位置属性矩阵建模，得到移动终端携带位置模型，过程如下：

将n维特征矩阵和携带位置属性矩阵组成模型样本，将模型样本中的一部分作为训练样本，用于模型训练，另一部分作为检验样本，用于测试；

s4.1.从训练样本中，有放回的随机选择k1个样本构造新样本集，由此构建k1棵分类树，每次未被选中的样本组成k1个袋外数据；

s4.2.样本有p个属性，分别对应惯性信号特征；

在每棵树的每个节点处随机抽取q个属性，其中，q<p；

然后采用信息增益策略从这q个属性中选择一个最优属性作为该节点的分裂属性；在当前节点的q个属性中选择一个最优属性，即：

随机森林引入通过k轮训练，随机森林算法得到一个决策树分类器集合；

s4.3.每棵树形成过程中每个节点都要按照步骤s4.2来分裂，一直到不能分裂为止，每棵树形成过程中不进行决策树的剪枝；

s4.4.将所有生成的k棵树组成随机森林；

s4.5.利用步骤s4.4.建立的随机森林模型对检验样本进行识别，得到对应移动终端携带位置的识别结果矩阵；

将识别结果矩阵与训练样本中的携带位置属性矩阵对比，得到本次模型的建模精度θ，若建模精度θ大于或等于精度阈值θ₀，则模型建立完成；

若建模精度θ小于精度阈值θ₀，则重复执行上述步骤s4.1至s4.5，直到满足精度要求；

s5.利用步骤s4中的移动终端携带位置模型，识别移动终端当前的携带位置；

s6.根据移动终端当前的携带位置，选用不同的步态检测方法获取行人的步态信息。

优选地，步骤s1中，还包括对得到的惯性信号数据进行预处理降噪的步骤。

优选地，步骤s2具体为：

将步骤s1得到的惯性信号进行窗口分割，然后提取信号窗口内的单轴及轴间关系的时域特征信息，组成含有移动终端携带位置信息的m维惯性信号特征矩阵。

优选地，步骤s3具体为：

s3.1.对m维惯性信号特征进行对于分类结果的贡献率分析，去除贡献率低于ε的特征；

s3.2.将步骤s3.1得到的特征进行线性变换，根据特征的能量损失率η确定降维数n；

s3.3.利用主成分分析算法，将m维惯性信号特征降至n维特征矩阵，得到与移动终端的携带位置相关性最大的n维特征矩阵。

优选地，移动终端的携带位置包括胸前平放、打电话、口袋内、背包内以及摆动手位置。

优选地，步骤s6具体为：

根据移动终端当前的携带位置，从下述步骤s6.1、s6.2、s6.3、s6.4和s6.5中的步态检测方法选取一种对应于移动终端的当前携带位置的步态检测方法：

s6.1.当移动终端当前的携带位置为胸前平放位置时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为pf，步态检测的间隔为pt；然后，转到步骤s6.6；

s6.2.当移动终端当前的携带位置为打电话时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为df，步态检测的间隔为dt；然后，转到步骤s6.6；

s6.3.当移动终端当前的携带位置为口袋内时，采用波峰波谷检测算法进行步态检测，并设置步态检测时峰值阈值为kf，步态检测的间隔为kt；然后，转到步骤s6.6；

s6.4.当移动终端当前的携带位置为背包内时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为bf，步态检测的间隔为bt；然后，转到步骤s6.6；

s6.5.当移动终端当前的携带位置为摆动手位置时，采用自相关算法进行步态检测，并设置步态检测时自相关系数窗口长度为wl，步态检测的间隔为wt；然后，转到步骤s6.6；

s6.6.通过上述步骤s6.1、s6.2、s6.3、s6.4或s6.5的步态检测方法，得到基于移动终端的行人行走时第i步开始时间节点Ti1及结束时间节点Ti2；

根据Ti1和Ti2得到第i步的时间Ti＝Ti2-Ti1，从而得到第i步的实时行走步频f_i；

按照下述公式进行实时步长的估算：L_step＝a*h+b*w+c*f_i+d；

其中，L_step为预测步长，h为行人身高，w为行人体重，f_i为第i步的实时行走步频，a、b、c分别表示参数h、w、f_i的权重信息，d为补偿项。

本发明具有如下优点：

本发明方法采用随机森林模型识别移动终端的携带位置，获取运动过程中移动终端与行人的相对位置关系，调整行人航迹推算过程中步态检测的参数，使步态检测算法可以有效的适应不同的携带位置，并根据获取的携带位置信息进行多步态检测参数的自由切换，从而实现移动终端在不同携带位置下的自动识别以及步态检测参数的自动修正，精确地获取每一步的起始，准确地估算每一步的步长，提高步态检测的精确性。

附图说明

图1为本发明中基于移动终端在不同携带位置下改善步态检测的方法的流程图。

图2为本发明中基于移动终端在不同携带位置下改善步态检测的方法的技术路线图。

图3为本发明方法与现有步态检测方法进行位置识别前后的步态检测波形对比图。

图4为本发明方法与现有步态检测方法进行位置识别前后的步态检测准确率对比图。

具体实施方式

名词解释：

步态信息，是指行人的步数统计以及步长估计信息。

检步，是步态检测的常用说法。

检步点，是每一步的开始以及结束的时间节点。

下面结合附图以及具体实施方式对本发明作进一步详细说明：

结合图1和图2所示：

基于移动终端在不同携带位置下改善步态检测的方法，包括如下步骤：

s1.获取移动终端在不同携带位置下行人运动时的惯性信号。

本实施例获取上述惯性信号时，采用的数据采集软件为已有的导航项目数据采集软件，设定的采样频率为f。则每一个数据对应的采样时间节点即为数据采样时间点。

本实施例中的移动终端诸如智能手机等，内部安装有惯性测量单元。

通常而言，一个惯性测量单元包含了三个单轴的加速度计和三个单轴的陀螺仪。

加速度计的作用在于，检测物体在载体坐标系统独立三轴的加速度信号。

陀螺仪的作用在于，检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。

上述惯性信号包括加速度计和陀螺仪信号。

得到上述惯性信号后，需要对惯性信号数据进行预处理降噪处理，其中：

本实施例在对惯性信号进行预处理降噪时的算法为加权移动平均滤波和卡尔曼滤波。

以上算法的具体处理过程为：

s1.1.基于数据采集软件，以f为采样频率，获取移动终端在不同携带位置下的行人行走的加速度和陀螺仪信号；

s1.2.对采集的数据进行数据预处理去噪，根据公式(1)进行移动平均滤波：

式中，Acc_p(k)为预处理后的加速度数据；

w_i为k+2-i对应时刻的加速度权重；Acc(k+2-i)为k+2-i时刻的加速度。

根据公式(2)进行卡尔曼滤波：

式中，

X(k)为系统在k时刻的加速度；Z(k)为k时刻的加速度测量值；

U(k)为k时刻对系统的控制量；

W(k)为状态方程噪声，方差阵为Q；

V(k)为观测方程噪声，方差阵为P；

A为状态转移矩阵；B为系统噪声驱动矩阵；H为观测矩阵。

本实施例中陀螺仪信号的预处理降噪过程与上述加速度信号计的预处理降噪过程相同。

以上移动平均滤波和卡尔曼滤波，能够很好实现对采集的惯性信号数据的预处理降噪。

移动终端的携带位置包括胸前平放位置、打电话、口袋内、背包内以及摆动手位置。

s2.根据步骤s1的惯性信号，得到含有移动终端携带位置信息的m维惯性信号特征矩阵。

本实施例可通过窗口分割的方法对惯性信号进行处理，具体过程如下：

s2.1.将步骤s1得到的惯性信号进行窗口分割

根据行人的步态规律，行进时行人的步频范围在2Hz以内，为了保证选取的窗口内至少包含一个步态周期，因此，本实施例选取窗口长度为2s；

s2.2.提取信号窗口内的单轴及轴间关系的时域特征信息，例如：

各轴在窗口内的均值、方差、轴间协方差、偏度、峰值等。

将得到的所有特征组成的m维惯性信号特征矩阵，该矩阵包含移动终端携带位置信息。

其中，单轴是指三轴加速度计与三轴陀螺仪中的各个轴。

本实施例中每个窗口内例如可以得到54个特征，从而组成54维惯性信号特征矩阵。

s3.对m维惯性信号特征矩阵进行降维，得到n维特征矩阵。

该步骤降维的目的在于，每个窗口内得到的上述特征中有一部分特征与移动终端所处的位置是不相关的，主要的表现为该特征在不同的携带位置下的变化规律相似。

因此需要采用数据降维方法来消除该类不相关特征。

本实施例选用主成分分析算法对得到的特征进行降维，降维后得到的最佳维度为n。

上述最佳维度n由公式(4)计算得到取值为5。

本实施例采用主成分分析算法对特征数据降维后，使得同一种样本的聚合性更好，并且不同类的样本点区分性更强。另外，由于本实施例降低了特征的数据维度，使得后期的数据建模以及分类的计算量减少，效率得到一定程度的提高。

下面对主成分分析算法对m维惯性信号特征矩阵进行降维的具体过程进行说明：

s3.1.对m维惯性信号特征进行对于分类结果的贡献率分析，去除贡献率低于ε的特征。

s3.2.将步骤s3.1得到的特征进行线性变换，根据特征的能量损失率η确定降维数n。

s3.3.利用主成分分析算法，将m维惯性信号特征矩阵降至n维特征矩阵，得到与行人移动终端的携带位置相关性最大的n维特征矩阵。具体过程如下：

设每个样本有m维特征，那么一个样本可以表示为D1＝(d₁,d₂,…,d_m)；

其中，D1表示m维惯性信号特征矩阵，d₁,d₂,…,d_m为D1矩阵中的各个特征。

要求构造m个新特征f₁,f₂,…,f_m，并且使他们满足下列几个条件：

(1)新特征是由原特征进行线性组合得到的；

(2)各个新特征之间是互不相关的；

(3)得到的新特征f₁方差最大，f₂次大。

则f₁,f₂,…,f_m分别为第1,2,…,m个主成分。

具体计算步骤为：

s3.1.由公式(3)计算D1的协方差矩阵S：

式中，D1为样本特征集合，为特征向量的平均值；m表示D1的维度。

s3.2.计算协方差矩阵S的m个特征值λ₁,λ₂,…,λ_m及与之对应的特征向量β₁,β₂,…,β_m；

s3.3.将求得的特征值进行从大到小排序，从中选取前n个，这n个特征值对应的特征向量矩阵为B＝[μ₁,μ₂,…μ_n]，n的取值根据公式(4)确定：

式中，η代表能量损失率，最终得到由这n个特征组成的特征矩阵D2＝[f₁,f₂,…,f_n]。

其中，m维惯性信号特征矩阵D1与n维特征矩阵D2的关系，可用下述公式表示：

D2＝B*D1 (5)

通过以上步骤，实现了m维惯性信号特征矩阵的降维，得到n维特征矩阵。

本实施例通过以上降维过程，使得降维后的n维特征矩阵与行人移动终端的携带位置相关性最大，因此，最有助于进行位置区分。

s4.构建表示移动终端的携带位置的属性代码，本实施例中构建的属性代码有下述几种：

1为胸前平放位置，2为打电话位置，3为口袋中，4为背包中，5为摆动手位置。

将构建的上述移动终端的携带位置的属性代码与步骤s1中惯性信号数据采集时的每一个数据采样时间点的信息组成携带位置属性矩阵。

数据采样时间点，就是每一个数据对应的采样时间节点。比如1秒采集20个数据，那么每一个数据都对应一个系统时间，这个系统时间就是采样的时间点。

对n维特征矩阵和携带位置属性矩阵建模，得到移动终端携带位置模型。

具体建模过程如下：

利用n维特征矩阵D2和携带位置属性矩阵组成模型样本，选取模型样本中的一部分作为训练样本TrainS，另一部分作为检验样本TestS。

则本实施例所采用的随机森林模型的具体生成过程如下：

s4.1.从训练样本TrainS中，有放回的随机选择k1个样本构造新样本集，由此构建k1 棵分类树，每次未被选中的样本组成k1个袋外数据。

s4.2.样本有p个属性，分别对应本申请中的惯性信号特征，具体是指上述加速度计与陀螺仪数据中提取的特征。在每棵树的每个节点处随机抽取q个属性，其中，q<p。

然后采用信息增益策略从这q个属性中选择一个最优属性作为该节点的分裂属性。

令向量X与C分别表示样本属性(x₁,x₂,…,x_d)和类别属性(c₁,c₂,…,c_d)。

给定的属性X与相关联的类别属性C之间的信息增益由公式(6)计算：

IG(C:X)＝H(C)-H(C|X) (6)

其中，

式中，P(C＝c_i)是类别属性c_i出现的概率，而：

式中，IG(C:X)为属性X对于类别C的信息增益；

H(C)为C的熵，H(C|X)为C的平均条件熵；

本申请中X表示训练数据集中提取的加速度与陀螺仪特征；C表示移动终端的不同携带位置，包括胸前平放位置、打电话、口袋中、背包中以及摆动手位置。

在划分决策树属性时是在当前节点的q个属性中选择一个最优属性，即随机森林引入通过k轮训练，随机森林算法得到一个决策树分类器集合。

s4.3.每棵树形成过程中每个节点都要按照步骤s4.2来分裂，一直到不能分裂为止，每棵树形成过程中不进行决策树的剪枝。

s4.4.将所有生成的k棵树组成随机森林模型，用随机森林分类器对新的数据进行判别与分类，分类结果按树分类器的投票多少而定。即：

式中，F(x)为集成分类器，f_i(x)为基分类器，y为k棵树的分类结果集合，Y为输出分类结果，I(x)为示性函数。通过以上随机森林算法，得到移动终端携带位置模型。

然后判断该移动终端携带位置模型Model的精确度是否符合要求，具体过程如下：

将检验样本TestS中的特征矩阵输入到利用建模样本TrainS建立的移动终端携带位置模型Model中，由移动终端携带位置模型输出识别结果矩阵R1。

以上识别结果矩阵R1表示根据模型计算出的每一时刻移动终端的携带位置。

将识别结果矩阵R1与检验样本TestS中的携带位置属性矩阵进行比较，得到模型的识别结果及建模精度θ，若建模精度θ大于或等于设计的精度阈值θ₀，则模型建立完成；

若建模精度θ小于设计的建模精度θ₀，则重复步骤s4.1至s4.4，直到模型符合精度要求。

优选地，上述设计的精度阈值θ₀在本实施例中为95％。

s5.利用步骤s4中的移动终端携带位置模型，识别移动终端当前的携带位置。

具体的，将采集的惯性信号进行预处理、特征提取以及特征选择后得到的特征输入建好的移动终端携带位置模型Model中，得到移动终端的实时携带位置矩阵R2。

其中，预处理、特征提取以及特征选择过程分别可以对应上述步骤s1至步骤s3。

该移动终端的实时携带位置矩阵R2与识别结果矩阵R1具有相同的形式，根据实时携带位置矩阵R2中移动终端的携带位置的属性代码，识别移动终端当前的携带位置。

s6.根据移动终端当前的携带位置，选用不同的步态检测方法获取行人的步态信息。

根据移动终端当前的携带位置，从下述步骤s6.1、s6.2、s6.3、s6.4和s6.5中的步态检测方法选取一种对应于移动终端的当前携带位置的步态检测方法：

s6.1.当移动终端当前的携带位置为胸前平放位置时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为pf，步态检测的间隔为pt；然后，转到步骤s6.6。

s6.2.当移动终端当前的携带位置为打电话时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为df，步态检测的间隔为dt；然后，转到步骤s6.6；。

s6.3.当移动终端当前的携带位置为口袋内时，采用波峰波谷检测算法进行步态检测，并设置步态检测时峰值阈值为kf，步态检测的间隔为kt；然后，转到步骤s6.6。

s6.4.当移动终端当前的携带位置为背包内时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为bf，步态检测的间隔为bt；然后，转到步骤s6.6。

s6.5.当移动终端当前的携带位置为摆动手位置时，采用自相关算法进行步态检测，并设置步态检测时自相关系数窗口长度为wl，步态检测的间隔为wt；然后，转到步骤s6.6。

s6.6.通过上述步骤s6.1、s6.2、s6.3、s6.4或s6.5的步态检测方法，得到基于移动终端的行人行走时第i步开始时间节点Ti1及结束时间节点Ti2。

根据Ti1和Ti2得到第i步的时间Ti＝Ti2-Ti1，从而得到第i步的实时行走步频f_i。

按照下述公式进行实时步长的估算：L_step＝a*h+b*w+c*f_i+d；

其中，L_step为预测步长，h为行人身高，w为行人体重，f_i为第i步的实时行走步频，a、b、c分别表示参数h、w、f_i的权重信息，d为补偿项。

由于本实施例针对移动终端的不同携带位置分别选用了最优的步态检测方法，因而能够更加精确的进行步数检测，得到准确的步数及实时步频。

分别计算每个窗口内三轴加速度与三轴陀螺仪的单轴以及轴间关系的时域特本实施例有效解决了基于移动终端的PDR室内定位技术中，当移动终端与行人的相对位置发生变化时，检步算法偏差过大或者无法进行有效检步的不足。

下面结合一则具体实例对本发明方法做进一步详细说明：

1.实验者分别将智能手机置于胸前平放位置、打电话位置、口袋中、背包中及摆动手位置进行实验数据采集，行进步数为50步。

利用移动平均滤波以及卡尔曼滤波对采集的惯性数据进行预处理降噪。

2.对得到的上述惯性信号进行窗口分割，窗口的宽度设定为2s。

征，每个窗口得到54个特征，组成54维特征矩阵D1。

3.对m维惯性信号特征矩阵D1进行降维，得到n维特征矩阵D2。

4.利用随机森林算法建立行人手机携带位置识别模型Model。

5.设计实验行进路线为直线，长度为45米。

实验者以不同位置携带手机以正常步态前进采集数据，分别采集含有状态切换(平放- 摆动手-平放、平放-打电话-平放、平放-背包中-平放)的行进数据各2组。

每组实验前两个状态均行走20步，最后一个状态行进至路线终点45米处，并记录步数。

利用所建模型进行复杂携带位置下的步态检测实验。

图3为利用本发明方法与现有步态检测方法进行位置识别前后的检步点对比，该图示例为摆动手位置与平放位置的切换实验时的检步点对比。

可以看出，在未进行位置识别时，普通检步算法在复杂的运动中有很多错误检步点。

加入位置识别后，检步效果明显提高。

图4为本发明方法与现有步态检测方法进行位置识别前后的步态检测准确率对比，由图 4可以看出本发明方法更准确，能够满足人们室内环境下定位的精度要求。

本发明解决了移动终端在不同携带位置下步态检测不通用的问题，精度高，适用范围广。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (6)

1.基于移动终端在不同携带位置下改善步态检测的方法，其特征在于，包括如下步骤：

s1.获取移动终端在不同携带位置下行人运动时的惯性信号；

s2.根据步骤s1的惯性信号，得到含有移动终端携带位置信息的m维惯性信号特征矩阵；

s3.对m维惯性信号特征矩阵进行降维，得到n维特征矩阵；

s4.构建表示移动终端的携带位置的属性代码，将移动终端的携带位置的属性代码与步骤s1中惯性信号数据的每一个数据采样时间点的信息组成携带位置属性矩阵；

利用n维特征矩阵和携带位置属性矩阵建模，得到移动终端携带位置模型；

建模的过程具体如下：

利用n维特征矩阵和携带位置属性矩阵组成模型样本，将模型样本中的一部分作为训练样本，用于模型训练，另一部分作为检验样本，用于测试；

s4.1.从训练样本中，有放回的随机选择k1个样本构造新样本集，由此构建k1棵分类树，每次未被选中的样本组成k1个袋外数据；

s4.2.样本有p个属性，分别对应惯性信号特征；

在每棵树的每个节点处随机抽取q个属性，其中，q<p；

然后采用信息增益策略从这q个属性中选择一个最优属性作为该节点的分裂属性；在当前节点的q个属性中选择一个最优属性，即：

随机森林引入通过k轮训练，随机森林算法得到一个决策树分类器集合；

s4.3.每棵树形成过程中的每个节点都要按照步骤s4.2来分裂，一直到不能分裂为止，每棵树形成过程中不进行决策树的剪枝；

s4.4.将所有生成的k棵树组成随机森林模型；

s4.5.利用步骤s4.4.建立的随机森林模型对检验样本进行识别，得到对应移动终端携带位置的识别结果矩阵；

将识别结果矩阵与训练样本中携带位置属性矩阵对比，得到本次模型的建模精度θ，若建模精度θ大于或等于精度阈值θ₀，则模型建立完成；

若建模精度θ小于精度阈值θ₀，则重复执行上述步骤s4.1至s4.5，直到满足精度要求；

s5.利用步骤s4中的移动终端携带位置模型，识别移动终端当前的携带位置；

s6.根据移动终端当前的携带位置，选用不同的步态检测方法获取行人的步态信息。

2.根据权利要求1所述的改善步态检测的方法，其特征在于，

所述步骤s1中，还包括对得到的惯性信号数据进行预处理降噪的步骤。

3.根据权利要求1所述的改善步态检测的方法，其特征在于，

所述步骤s2具体为：

将步骤s1得到的惯性信号进行窗口分割，然后提取信号窗口内的单轴及轴间关系的时域特征信息，组成含有移动终端携带位置信息的m维惯性信号特征矩阵。

4.根据权利要求1所述的改善步态检测的方法，其特征在于，

所述步骤s3具体为：

s3.1.对m维惯性信号特征进行对于分类结果的贡献率分析，去除贡献率低于ε的特征；

s3.2.将步骤s3.1得到的特征进行线性变换，根据特征的能量损失率η确定降维数n；

s3.3.利用主成分分析算法，将m维惯性信号特征降至n维特征矩阵，得到与移动终端的携带位置相关性最大的n维特征矩阵。

5.根据权利要求1所述的改善步态检测的方法，其特征在于，

所述移动终端的携带位置包括胸前平放位置、打电话、口袋内、背包内以及摆动手位置。

6.根据权利要求5所述的改善步态检测的方法，其特征在于，

所述步骤s6具体为：

根据移动终端当前的携带位置，从下述步骤s6.1、s6.2、s6.3、s6.4和s6.5中的步态检测方法选取一种对应于移动终端的当前携带位置的步态检测方法：

s6.1.当移动终端当前的携带位置为胸前平放位置时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为pf，步态检测的间隔为pt；然后，转到步骤s6.6；

s6.2.当移动终端当前的携带位置为打电话时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为df，步态检测的间隔为dt；然后，转到步骤s6.6；

s6.3.当移动终端当前的携带位置为口袋内时，采用波峰波谷检测算法进行步态检测，并设置步态检测时峰值阈值为kf，步态检测的间隔为kt；然后，转到步骤s6.6；

s6.4.当移动终端当前的携带位置为背包内时，采用波峰检测算法进行步态检测，并设置步态检测时峰值阈值为bf，步态检测的间隔为bt；然后，转到步骤s6.6；

s6.5.当移动终端当前的携带位置为摆动手位置时，采用自相关算法进行步态检测，并设置步态检测时自相关系数窗口长度为wl，步态检测的间隔为wt；然后，转到步骤s6.6；

s6.6.通过上述步骤s6.1、s6.2、s6.3、s6.4或s6.5的步态检测方法，得到基于移动终端的行人行走时第i步开始时间节点Ti1及结束时间节点Ti2；

根据Ti1和Ti2得到第i步的时间Ti＝Ti2-Ti1，从而得到第i步的实时行走步频f_i；

按照下述公式进行实时步长的估算：L_step＝a*h+b*w+c*f_i+d；

其中，L_step为预测步长，h为行人身高，w为行人体重，f_i为第i步的实时行走步频，a、b、c分别表示参数h、w、f_i的权重信息，d为补偿项。