CN110132276B - 一种基于行人运动状态的自适应步长估计方法 - Google Patents

Abstract

本发明公开了一种基于行人运动状态的自适应步长估计方法。本发明步骤如下：1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；2.数据的预处理；3.数据的周期分割；4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；5.将提取的特征通过分类器识别行人每一步的运动状态；6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。本发明建立了新的非线性步长模型来估计行人步长，提高了步长估计精度。通过最小二乘法拟合行人不同运动状态的步长参数，根据分类器的运动状态识别结果，选择合适的步长参数，使得步长估计模型能够适应行人不同的运动状态。

Description

一种基于行人运动状态的自适应步长估计方法

技术领域

本发明涉及室内定位领域，具体涉及一种基于行人运动状态的自适应步长估计方法。

背景技术

随着社会的不断进步和发展，出现了很多室内建筑如大型购物商场、机场和游乐场等，因此，室内定位技术有着巨大的发挥空间。行人航迹推算(PedestrianDeadReckoning，PDR)算法是一种近年来越来越受到研究人员的重视的室内定位技术。而步长估计是PDR技术中非常关键的一环，步长估计的精度将直接影响PDR技术的定位效果，所以提高步长估计的精度是具有重要研究意义的。而且步长的估计在其他领域也有巨大的发挥空间，如健康检测领域、运动模式分析领域等等。

现有的步长估计方法一般采用特定的步长计算公式，其公式参数给定后就无法变动，并且在估计行人的步长时将行人限定在特定的运动状态下，如正常行走。这与实际情况极度不符，行人的运动状态应该是随意变化的，所以当行人改变了运动状态后，现有的步长估计方法会出现巨大的估计误差，无法适应行人的运动状态。

发明内容

本发明的目的在于克服现有技术的不足，提出一种能够满足行人多种运动状态的步长估计方法，提高步长估计的精度。本发明可以应用于内置加速度计的智能终端设备，技术原理简单，易于推广使用。

一种基于行人运动状态的自适应步长估计方法，具体包括下面6个步骤：

步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；

步骤2.数据的预处理；

步骤3.数据的周期分割。

步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差。

步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态。

步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。

所述的步骤2的特征在于包括以下步骤：

2.1.加速度数据的预处理

2.1.1由加速度计收集的三轴加速度计数据a_x，a_y，a_z来计算平均加速度a_total；

2.1.2移除平均加速度a_total中的重力加速度分量；

2.1.3通过一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a

2.2.磁力计数据的预处理：

由磁力计收集的三轴磁力计数据h_x，h_y，h_z来计算平均地磁场强度h_total。

所述步骤3中的周期分割具体包括如下步骤：

步骤3.1.根据过零检测法获得加速度数据的零点集合S1；

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；

步骤3.3.根据动态时间规整(DTW)约束，精炼步骤3.2获得的预测范围；

步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；

步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；

步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个零点记为一个周期。

所述步骤3.2的具体实现过程如下：

3.2.1第一个峰值(谷值)和第二个峰值(谷值)由峰值检测法获得。当检测到两个峰值(谷值)后，继续后续步骤。

3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值(下一个谷值的候选点其所处时刻与上一个谷值时刻的差值)t_i应该满足如下周期约束：

t_i∈((1-γ)*T,(1+γ)*T)

其中，γ为预测范围长度控制参数，根据实验经验设定。T为不断更新的周期模板，其更新方式如下：

T_i为当前周期模板，T_i+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差。

3.2.3搜索所有满足周期约束的候选点获得下一个峰值(谷值)的预测范围R_P。

所述步骤3.3的具体实现过程如下：

3.3.1构造匹配序列：

其中，

和

分别为第i-1个峰值(谷值)所处时刻和第i个峰值(谷值)所处时刻。a为步骤2预处理过后的加速度序列。

3.3.2构造测试序列集合：

V＝{v₁,v₂,…,v_j,…,v_k}

其中，v_j为第j个测试序列，由上一个峰值(谷值)时刻到预测范围R_P中的第j个点之间的加速度数据组成。

3.3.3计算DTW距离集合：

D＝{DTW(μ,v₁)，DTW(μ,v₂)，…DTW(μ，v_j)，…DTW(μ，v_k)}

其中DTW(μ，v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值。

3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围R_D：

其中，

和τ为预测范围R_D的长度控制参数，D_min为DTW距离集合D中的最小值。

3.3.5DTW约束建立在行人于同一运动状态下每一步加速度波形具有相似性的基础上。若行人改变运动状态，那么在运动模式改变的过渡区这种相似性难以满足，R_D将会是空集。通过观察R_D是否为空集来判断行人是否改变运动状态，完成行人在进行连续不同的运动状态情况下的计步。

所述步骤3.4的具体实现过程如下：

当进行峰值检测时，在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻。当进行谷值检测时，在预测范围R_D内寻找对应加速度最小的值做为下一个谷值时刻。

所述步骤3.5的具体实现过程如下：：

根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：

其中，t_zero，i+1为第i+1个预测零点，t_peak，i+1为第i+1个峰值时刻，t_valley,i为第i个谷值时刻。

所述步骤3.6的具体实现过程如下：

根据如下公式剔除S1中的假零点：

其中ti为零点集合S1中的第i个零点，t_zero为预测零点，S2为真实零点集合。根据S2进行周期分割，S2中每两个相邻零点{t_i，t_i+1}记为一个完整的周期，即为行人的每一步。

所述的步骤4的具体实现过程如下：

4.1周期分割后，检测行人每一步中加速度的最大值和最小值：

a_max，k＝max(a_i)，i∈[t_i，t_i+1]

a_min，k＝min(a_i),i∈[t_i,t_i+1]

其中，t_k和t_k+1分别表示周期分割获得的第k步起始时刻和终止时刻，a_max，k和a_min，k分别表示第k步中加速度的最大值和最小值。

4.2根据如下公式获取行人每步的行走频率f_k和加速度方差v_k：

其中，t_k和t_k+1分别表示第k步的起始时刻和终止时刻，a_t表示第k步内的加速度幅值，

表示第k步的加速度均值，N表示第k步内加速度的个数。

所述的步骤5具体包括以下步骤：

步骤5.1.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.2.根据提取的特征，通过分类器获得运动状态识别的初步结果；

步骤5.3.分类器结果校正，获得最终运动状态识别结果。

所述的步骤5.1中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

5.1.1加速度a_total的统计特征：包括加速度绝对值的均值

加速度的方差

加速度的偏度ske_a以及加速度的峰度kur_a。

5.1.2地磁场强度h_total的统计特征：包括地磁场强度的方差

地磁场强度的偏度ske_h，地磁场强度的峰度kur_h。

5.1.3根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0,a_t-1≤0}∪{t|a_t≤0,a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征。

所述的步骤5.2中的分类器已经在离线阶段训练好，分类器的离线训练阶段具体包括以下步骤：

步骤5.2.1.分别收集行人在不同运动状态下的加速度计数据和磁力计数据，并记录数据所属的标签。

步骤5.2.2.数据的预处理，预处理过程和步骤2一致；

步骤5.3.3.数据的周期分割，周期分割过程和步骤3一致；

步骤5.3.4.提取速度计数据和磁力计数据在每一周期内的特征，提取的特征和步骤5.1一致；

步骤5.3.5.根据提取的特征及其所属的标签训练分类器；

所述的步骤5.3中的分类器结果校正是指在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的运动状态识别结果。当第i步的分类器结果与第i-1步的运动状态不同时，做一定的延时，考虑后续两步i+1,i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的运动状态作为第i步的最终运动状态识别结果；否则采用分类器的结果作为第i步的最终运动状态识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的运动状态识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

所述的步骤6的特征在于包括以下步骤：

6.1根据行人运动状态的识别结果，选取步长参数α，β和γ。步长参数通过最小二乘算法拟合得到。根据行人不同运动状态的实验数据可以得到适应不同运动状态的步长参数。行人个别特殊的运动状态下的步长参数无需通过最小二乘算法拟合获得到，例如静止，原地踏步状态下的步长为0，步长参数均为0。

6.2根据本发明新建立的非线性步长模型估计行人步长：

其中，L_k表示行人第k步的步长。

本发明有益效果如下：

本发明建立了新的非线性步长模型来估计行人步长，提高了步长估计精度。通过最小二乘法拟合行人不同运动状态的步长参数，根据随机森林分类器的运动状态识别结果，选择合适的步长参数，使得步长估计模型能够适应行人不同的运动状态。总体上，本发明技术原理简单，在现实中具有很好的实用性和应用前景。

附图说明

图1是步长估计的总流程示意图。

具体实施方式

下面结合附图对本发明做进一步的说明。

如图1所示，本发明提出的一种行人运动状态适应的步长估计方法，具体包括下面6个步骤：

步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；

步骤2.数据的预处理；

步骤3.数据的周期分割。

步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差。

步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态。

步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。

下面以行人在正常行走，原地踏步和小跑三种不同运动状态下的步长估计为实施例，详细阐述上述步骤。

步骤1.行人手持内置加速度计的智能终端进行运动，行人的运动可以是正常行走，原地踏步和小跑中的一种，也可以是三种运动的组合，如先进行正常行走，再原地踏步，最后小跑。加速度计采集行人在在运动过程中的加速度数据和磁力计数据。

步骤2.将采集到的加速度数据和磁力计数据进行预处理，具体包括以下步骤：

2.1加速度数据的预处理：

2.1.1通过由智能终端设备内置的三轴加速度计采集得到的加速度数据计算平均加速度a_total：

其中a_x，a_y，a_z分别表示三轴加速度计采集到的X轴，Y轴和Z轴的加速度数据。

2.1.2移除平均加速度a_total中的重力加速度分量:

a′＝a_total-g

其中g表示重力加速度，a′表示移除重力加速度分量后的加速度数据。

2.1.3加速度计的原始加速度数据含有大量的高斯噪声信号，影响计步的准确性，故而需要一个滤波阶段，尽可能多的消除各种噪声和毛刺。用一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器对移除重力分量后的加速度值a′进行滤波，滤波后的加速度为a。

2.2磁力计数据的预处理：

通过由智能终端设备内置的三轴磁力计采集得到的磁力计数据计算平均加速度平均地磁场强度h_total：

其中h_x，h_y，h_z分别表示三轴磁力计采集到的X轴，Y轴和Z轴的地磁场强度数据。

步骤3进行数据的周期分割，具体包括以下步骤：

步骤3.1.通过过零检测法得到零点集合S1，S1中的零点均为正向零点，即：

S1＝{t|a_t-1≤0,a_t≥0}

其中a_t-1和a_t分别表示t和t-1时刻加速度的大小。

下面结合一个具体实施例来阐述上述步骤3.2至步骤3.6。由于计步过程中加速度谷值的检测和峰值的检测相似，本实施例主要以波峰的检测为例。假设最新检测到的峰值时刻为t_peak，i。

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围，具体包括如下步骤：

3.2.1考虑当前是否已经获得不少于2个的峰值，若是，则继续后续步骤。否则通过峰值检测法获得峰值。即第一个峰值和第二个峰值是由峰值检测法获得的。

3.2.2更新周期模板：

其中，T_i为更新后的周期模板，T_i-1为上一次的周期模板，t_i为当前峰值时刻

与上一个峰值时刻

之间的差值，即当前一步的周期。

由于在同一运动模式下行人每一步周期的是相似的，所以下一个峰值

的候选点其所处时刻与当前峰值时刻

的差值t_i+1应该满足如下周期约束：

t_i+1∈((1-γ)*T_i,(1+γ)*T_i)

其中γ为预测范围长度控制参数，根据实验经验设定。

3.2.3记录所有满足周期约束的候选点获得

预测范围R_P。

步骤3.3.同一运动模式下行人相邻两步加速度波形是具有相似性的，通过计算这种相似性能够进一步预测下一个峰值所处的时刻。由于智能终端内置的加速度计在行人每一步的收集到的加速度数据数量是不同的，即计算的是两个长度不同序列之间的相似性，所以采用DTW计算这种相似性是一个好的选择。

DTW，即动态时间规整，是一种为计算两个长度不同的时间序列之间的相似性而设计的算法，最早应用于语音序列的识别上。DTW算法的步骤为：1)计算两个序列各个点之间的距离(常用欧式距离)，获得距离矩阵D。2)寻找一条从该距离矩阵左上角到右下角的路径，使得该路径上的矩阵元素和最小。该最小值即为两序列的相似度，其路径通过动态规划得到，如下所示：

γ(i，j)＝D(i，j)+min{γ(i-1,j-1),γ(i-1，j)，γ(i,j-1)}

其中，D(i，j)表示序列1中第i个点和序列2中第j个点的距离。γ(i，j)为当右下角点为(i,j)时的最短路径。本专利利用DTW计算匹配序列和测试序列的相似度。

3.3.1更新匹配序列：

其中

和

分别为上一个峰值所处时刻和当前峰值所处时刻。a为预处理过后的加速度序列。

3.3.2构造测试序列集合，将当前峰值时刻

到预测范围R_P中的第一个数之间的加速度数据作为首个测试序列，将

到预测范围R_P中的第二个数之间的加速度数据作为第二个测试序列，以此类推获得一个测试序列集合：

V＝{v₁，v₂,…,v_j，…，v_k}

其中，v_j为第j个测试序列，由

到R_P中的第j个点之间的加速度数据组成，测试序列集合的长度k和预测范围R_P的长度一致。

3.3.3将匹配序列μ_i和每一个测试序列进行DTW计算，获得DTW距离集合，：

D＝{DTW(μ,v₁),DTW(μ,v₂),…DTW(μ,v_j),…DTW(μ,v_k)}

其中DTW(μ,v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值。

3.3.4DTW约束：(1)预测范围R_D内的点其DTW值小于设定的阈值

(2)预测范围R_D内的点其DTW值和该预测范围内的最小其DTW值之间的差值小于设定的阈值τ。根据DTW约束获得更加精确的峰谷值预测范围R_D：

其中

和τ为预测范围R_D的长度控制参数。D_min为DTW距离集合D中的最小值。

3.3.5DTW约束建立在行人于同一运动状态下每一步加速度波形的相似性的基础上。若行人改变运动状态，那么在运动状态改变的过渡区这种相似性难以满足，R_D将会是空集。当R_D为空集时，行人改变了运动状态，周期约束和DTW约束需要重新建立，返回步骤3.2；否则继续步骤3.4。

步骤3.4.在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻t_peak,i+1。

步骤3.5.为了消除集合S1中的假零点，将波峰和波谷的检测结果转化为零点的检测结果。转化过程如下：

其中t_zero,i+1为第i+1个预测零点，t_peak,i+1为第i+1个峰值时刻，t_valley,i为第i个谷值时刻。

步骤3.6.根据如下公式剔除S1中的假零点：

其中ti为假零点集合中的第i个零点，S2为真实零点集合。

S2中每两个零点记为一步，即{t_i,t_i+1}记为一个完整的周期，t_i,t_i+1∈S2,i＝1,2,3,…。

步骤4具体包括以下步骤：

4.1周期分割后，检测行人每一步中加速度的最大值和最小值：

a_max,k＝max(a_i),i∈[t_i,t_i+1]

a_min,k＝min(a_i),i∈[t_i,t_i+1]

其中，t_k和t_k+1分别表示周期分割获得的第k步起始时刻和终止时刻，a_max,k和a_min,k分别表示第k步中加速度的最大值和最小值。

4.2根据如下公式获取行人每步的行走频率f_k和加速度方差v_k：

其中，t_k和t_k+1分别表示第k步的起始时刻和终止时刻，a_t表示第k步内的加速度幅值，

表示第k步的加速度均值，N第k步内加速度的个数。

步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态，在本实施例中采用随机森林分类器。具体包括以下步骤：

步骤5.1.提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

5.1.1加速度a_total的统计特征：

加速度绝对值的均值

加速度的方差

加速度的偏度ske_a：

加速度的峰度kur_a：

5.1.2地磁场强度h_total的统计特征：

地磁场强度的方差

地磁场强度的偏度ske_h：

地磁场强度的峰度kur_h：

5.1.3其他特征：

根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0,a_t-1≤0}∪{t|a_t≤0,a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征。

步骤5.2.将提取的特征作为输入，通过离线阶段训练好的随机森林分类器获得运动状态识别的初步结果。随机森林是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，每棵决策树都是一个分类器，对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。随机森林能够有效地运行在大数据集上，能够评估各个特征在分类问题上的重要性，具有极高的准确率。随机森林分类器的离线训练过如下：分别收集行人在进行正常行走、原地踏步和小跑这三种运动状态下的加速度数据和磁力计数据。分别提取这三种运动状态下每一步如上文所示的特征。将特征及其所属运动状态ID输入到随机森林分类器中，训练分类器。模式ID根据需要拟定，如正常行走的ID是1，原地踏步的ID是2，小跑的ID是3。

步骤5.3.校正分类器结果，获得最终运动状态识别结果。一般情况下，行人的运动状态会持续一段时间，而不是时刻变换的。根据这点可以通过行人相邻几步的运动状态识别结果，对当前这步的分类器结果作一定的校正，特别是要校正那些突然改变运动状态的分类器结果，能够提高运动状态识别的精度。在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的运动状态识别结果。当第i步的分类器结果与第i-1步的运动状态不同时，做一定的延时，考虑后续两步i+1,i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的运动状态作为第i步的最终运动状态识别结果；否则采用分类器的结果作为第i步的最终运动状态识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的运动状态识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

步骤6具体包括以下步骤：

6.1根据行人运动状态的识别结果，选取步长参数。行人正常行走和小跑状态下的步长参数已经事先通过最小二乘算法拟合得到，过程如下：

假设真实情况下的步长为SL，则k步的步长估计误差：

记输入向量

则有X(k)＝[x(1),x(2),…,x(k)],期望向量d(k)＝[SL₁,SL₂,…,SL_k]，那么误差E可以表示为：

E＝(d(n)-X^T(k)w)^T(d(n)-X^T(k)w)

则步长参数w＝[α，β，γ]的估计为：

w＝[X(k)X^T(k)]^-1[X(k)d(k)]

最终行人正常行走状态下的步长参数为[α₁，β₁，γ₁]，行人在小跑状态下的步长参数为[α₂，β₂，γ₂]。

最后，行人在进行原地踏步的过程中没有产生位移，所以行人原地踏步状态下的步长为0，步长参数自然为[0，0，0]。

6.2选取步长参数后，根据建立的非线性步长模型估计行人每一步的步长，最终估计结果如下：

其中，L_k表示行人第k步的步长。

Claims (1)

1.一种基于行人运动状态的自适应步长估计方法，其特征在于包括如下步骤：

步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；

步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态；

步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长；

步骤2的具体实现如下：

2.1.加速度数据的预处理

2.1.1由加速度计收集的三轴加速度计数据a_x，a_y，a_z来计算平均加速度a_total；

2.1.2移除平均加速度a_total中的重力加速度分量；

2.1.3通过一个数字域截止频率f_LP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a；

2.2.磁力计数据的预处理：

由磁力计收集的三轴磁力计数据h_x，h_y，h_z来计算平均地磁场强度h_total；

所述步骤3中的周期分割具体包括如下步骤：

步骤3.1.根据过零检测法获得加速度数据的零点集合S1；

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；

步骤3.3.根据动态时间规整约束，精炼步骤3.2获得的预测范围；

步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；

步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；

步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个零点记为一个周期；

所述步骤3.2的具体实现过程如下：

3.2.1第一个峰值/和第二个峰值/谷值由峰值检测法获得；当检测到两个峰值/谷值后，继续后续步骤；

3.2.2下一个峰值/谷值的候选点其所处时刻与上一个峰值/谷值时刻的差值t_i应该满足如下周期约束：

t_i∈((1-γ)*T，(1+γ)*T)

其中，γ为预测范围长度控制参数，根据实验经验设定；T为不断更新的周期模板，其更新方式如下：

T_i为当前周期模板，T_i+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差；

3.2.3搜索所有满足周期约束的候选点获得下一个峰值/谷值的预测范围R_P；

所述步骤3.3的具体实现过程如下：

3.3.1构造匹配序列：

其中，

和

分别为第i-1个峰值/谷值所处时刻和第i个峰值/谷值所处时刻；a为步骤2预处理过后的加速度序列；

3.3.2构造测试序列集合：

V＝{v₁，v₂，...，v_j，...，v_k}

其中，v_j为第j个测试序列，由上一个峰值/谷值时刻到预测范围R_P中的第j个点之间的加速度数据组成；

3.3.3计算DTW距离集合：

D＝{DTW(μ，v₁)，DTW(μ，v₂)，...DTW(μ，v_j)，...DTW(μ，v_k)}

其中DTW(μ，v_j)为匹配序列μ_i-1和测试序列v_j根据DTW计算得到的距离值；

3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围R_D：

其中，

和τ为预测范围R_D的长度控制参数，D_min为DTW距离集合D中的最小值；

3.3.5通过观察R_D是否为空集来判断行人是否改变运动状态，完成行人在进行连续不同的运动状态情况下的计步；

所述步骤3.4的具体实现过程如下：

当进行峰值检测时，在预测范围R_D内寻找对应加速度最大的值做为下一个峰值时刻；当进行谷值检测时，在预测范围R_D内寻找对应加速度最小的值做为下一个谷值时刻；

所述步骤3.5的具体实现过程如下：

根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：

其中，t_zero，i+1为第i+1个预测零点，t_peak，i+1为第i+1个峰值时刻，t_valley，i为第i个谷值时刻；

所述步骤3.6的具体实现过程如下：

根据如下公式剔除S1中的假零点：

其中t(i)为零点集合S1中的第i个零点，t_zero为预测零点，S2为真实零点集合；根据S2进行周期分割，S2中每两个相邻零点{t_i，t_i+1}记为一个完整的周期，即为行人的每一步；

所述的步骤4的具体实现过程如下：

4.1周期分割后，检测行人每一步中加速度的最大值和最小值：

a_max，k＝max(a_i)，i∈[t_i，t_i+1]

a_min，k＝min(a_i)，i∈[t_i，t_i+1]

其中，t_k和t_k+1分别表示周期分割获得的第k步起始时刻和终止时刻，a_max，k和a_min，k分别表示第k步中加速度的最大值和最小值；

4.2根据如下公式获取行人每步的行走频率f_k和加速度方差v_k：

其中，t_k和t_k+1分别表示第k步的起始时刻和终止时刻，a_t表示第k步内的加速度幅值，

表示第k步的加速度均值，N表示第k步内加速度的个数；

所述的步骤5具体包括以下步骤：

步骤5.1.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.2.根据提取的特征，通过分类器获得运动状态识别的初步结果；

步骤5.3.分类器结果校正，获得最终运动状态识别结果；

所述的步骤5.1中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

5.1.1加速度a_total的统计特征：包括加速度绝对值的均值φ_a，加速度的方差

加速度的偏度ske_a以及加速度的峰度kur_a；

5.1.2地磁场强度h_total的统计特征：包括地磁场强度的方差

地磁场强度的偏度ske_h，地磁场强度的峰度kur_h；

5.1.3根据过零检测法检测加速度数据在每一个周期内所包含的零点：

S1＝{t|a_t≥0，a_t-1≤0}∪{t|a_t≤0，a_t-1≥0}

将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征；

所述的步骤5.2中的分类器已经在离线阶段训练好，分类器的离线训练阶段具体包括以下步骤：

步骤5.2.1.分别收集行人在不同运动状态下的加速度计数据和磁力计数据，并记录数据所属的标签；

步骤5.2.2.数据的预处理，预处理过程和步骤2一致；

步骤5.3.3.数据的周期分割，周期分割过程和步骤3一致；

步骤5.3.4.提取速度计数据和磁力计数据在每一周期内的特征，提取的特征和步骤5.1一致；

步骤5.3.5.根据提取的特征及其所属的标签训练分类器；

所述的步骤5.3中的分类器结果校正是指在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的运动状态识别结果；当第i步的分类器结果与第i-1步的运动状态不同时，做延时，考虑后续两步i+1，i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的运动状态作为第i步的最终运动状态识别结果；否则采用分类器的结果作为第i步的最终运动状态识别结果，如下式所示：

其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的运动状态识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果；

所述的步骤6的特征在于包括以下步骤：

6.1根据行人运动状态的识别结果，选取步长参数α、β和γ；步长参数通过最小二乘算法拟合得到；根据行人不同运动状态的实验数据得到适应不同运动状态的步长参数；

6.2通过建立的非线性步长模型估计行人步长：

其中，L_k表示行人第k步的步长。

Images