CN110426037A - 一种封闭环境下的行人运动轨迹实时获取方法 - Google Patents

Abstract

本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，对行人运动方位细分化识别，基于行人行走模式识别室内行人的行走方向和速度，解决了封闭环境下行人运动轨迹获取和导航中的误差累积问题。本发明提出含有隐含参数的统计模型的行人运动方位识别算法，同时通过异常数据剔除和连锁坏区修复方法校正行人行走方向，校正之后的方向误差降低了48％左右，其中绝大部分校正之后的方向误差小于10度，计算出行人精确位置平均精度可达1.8米，根据行人状态自动动态调整智能手机传感器的采集频率，在不降低运动轨迹监测精度的前提下大幅度降低智能手机能耗，可以实现低功耗、高精度、低成本且不依赖额外设备的行人运动轨迹实时获取。

Description

一种封闭环境下的行人运动轨迹实时获取方法

技术领域

本发明涉及一种行人运动轨迹实时获取方法，特别涉及一种封闭环境下的行人运动轨迹实时获取方法，属于室内高精度定位技术领域。

背景技术

随着智能手机等移动智能终端设备的普及以及内嵌传感器种类的丰富，智能手机中的各种传感器例如WiFi、摄像头、GPS、陀螺仪、加速度传感器、地磁传感器等，赋予了智能手机移动感知和位置获取能力，产生了新型物联网位置感知模式，系统中每个用户是一个数据采集节点，通过智能手机中的各种传感器，采集数据并分享数据到应用服务器，应用服务器处理融合用户发送的数据之后，构建各种基于运动轨迹形式的应用，无需部署传感器节点，极大地节省了系统部署的成本。行人运动轨迹实时获取技术涉及到日常生活的方方面面，包含巨大的经济、环境、社会和商业价值，由于其包含的巨大潜力，已经逐渐成为最前沿、最热门的应用形式，彰显出了其前所未有的巨大机遇。

运动轨迹实时获取可分为开阔空间的位置获取和封闭空间的位置获取，目前，开阔空间的位置获取发展迅速较为成熟，且精度较高应用广泛，但封闭空间的位置获取发展落后精度较低，且存在稳定性差等诸多问题。相比于开阔空间的位置获取，封闭空间的位置获取的感知数据局限性更大，数据干扰更为复杂，精度要求更高，尽管室内空间的位置获取能够带来大量经济、社会和商业价值，但是室内空间的位置由于技术难度大，仍然面临着多方面的挑战，在基于室内位置服务的封闭空间位置获取应用中，通常需要获取行人高精度的室内实时位置，从而为用户进行精准的个性化推荐，但现有技术的室内定位和行人运动轨迹技术的精度还不足以满足应用的需求，而且稳定性较差，位置获取演示较长。

综合来看，现有技术的封闭环境下的行人运动轨迹实时获取主要存在以下几点缺陷：一是封闭空间的位置获取发展落后，技术突破少，精度较低，且存在稳定性差等诸多问题，相比于开阔空间的位置获取，封闭空间的位置获取的感知数据局限性更大，数据干扰更为复杂，精度要求更高，由于技术难度大，仍然面临着多方面的挑战，现有技术的室内定位和行人运动轨迹技术的精度还不足以满足应用的需求，而且稳定性较差，位置获取演示较长，实际应用效果很差；二是现有技术在基于无线信号的室内行人定位系统中，使用的无线信号种类包括红外线、蓝牙、超声波、射频识别、Zigbee、超带宽和WiFi，在定位之前需要先人工采集待定位的室内区域的无线信号分布情况，并用采集的样本构建指纹库，这是一项工作量极大成本极高的工作，消耗大量的人力物力财力，导致该种行人运动轨迹获取方法使用成本极高，准备工作很多，失去了绝大多数使用价值；三是现有技术使用较多的是利用智能手机中自带的惯性传感器的室内行人监测技术，包括加速度传感器、陀螺仪、地磁传感器这三种传感器数据，但该技术一般只是根据传感器数据直接推算，没有使用模式识别和机器学习等方法对数据进行处理和识别，识别用户轨迹和位置存在很多的错误和大量的误差，大部分情况下误差超过四米，这在实际的室内行人运动轨迹实时获取也几乎失去了使用价值，而且该方法需要手机的各类传感器频繁的获取各类数据，消耗大量的手机功耗，浪费大量的电能。

发明内容

针对现有技术的不足，本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，对行人运动方位细分化识别，基于行人行走模式识别室内行人的行走方向和速度，可以有效抵御室内例如地磁干扰物，金属物体等物体的干扰，以及行人行走时身体抖动的干扰，解决了封闭环境下行人运动轨迹获取和导航中的误差累积问题。本发明提出含有隐含参数的统计模型的行人运动方位识别算法，同时通过异常数据剔除和连锁坏区修复方法校正行人行走方向，校正之后的方向误差降低了48％左右，其中绝大部分校正之后的方向误差小于10度，计算出行人精确位置平均精度可达1.8米，用户位置根据需要发送到服务器使得服务器可以基于行人位置提供精准服务。根据行人状态自动动态调整智能手机传感器的采集频率，在不降低运动轨迹监测精度的前提下大幅度降低智能手机能耗。相比其它需要架设额外设备的室内行人轨迹获取方法，不依赖任何额外设备，大幅降低了硬件软件成本，更加有利于室内行人轨迹获取方法的大范围推广运用，可以实现低功耗、高精度、低成本且不依赖额外设备的行人运动轨迹实时获取，获取位置延时极小，数据开销小、速度快，效率高，提高了封闭环境下的行人运动轨迹实时获取的效率。

为达到以上技术效果，本发明所采用的技术方案如下：

一种封闭环境下的行人运动轨迹实时获取方法，采用含有隐含参数的统计模型对封闭环境下行人的运动方位进行建模，对行人运动方位细分化识别，使用行人智能手机中自带的传感器，包括地磁传感器、加速度传感器、陀螺仪，含有隐含参数的统计模型包括四个要素，分别为运动隐含参数、传感器记录数据、运动变换概率和数据变化概率；

运动隐含参数是建模对象的行人运动状态属性，传感器记录数据是对应于每种运动状态的传感器采集数据，运动变换概率是模型中不同行人运动状态之间的转移概率，以概率矩阵形式表示，数据变化概率是在每种运动隐含参数下得到不同传感器记录数据的概率，以概率矩阵形式表示；

行人运动方位对应于统计模型的运动隐含参数，行人智能手机中各种传感器数据对应于统计模型的传感器记录数据，行人运动轨迹实时获取通过行人智能手机传感器数据作为传感器记录数据，识别出概率最大的运动方位序列。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，封闭环境下行人智能手机传感器采集的数据，包括三轴地磁传感器数据、三轴加速度传感器数据、三轴陀螺仪数据，根据传感器数据，行人智能手机基于惯性导航原理实时计算行人位置，假设在T₀时刻行人的位置为(X₀，Y₀)，行人的步长为B，行走的方位角为a，在T₁时刻行人行走一步，T₁时刻行人的位置(X₁，Y₁)表示为：

行人行走的方位角通过地磁传感器获取，本发明提出含有隐含参数的统计模型的行人运动方位识别算法，校正行人行走方向，计算出行人精确位置之后，行人智能手机客户端将用户位置发送到服务器使得服务器基于行人位置提供精准服务。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，运动隐含参数定义为根据行人行走方向和速度特点对运动方位进行分类，以10度为间隔将360度分为36个区间，行人行走的方向用一个区间表示，封闭环境下行人正常行走速度的范围是0.3米/秒至2.1米/秒，将行人的速度分为三种类型，慢速的行走速度范围为0.3米/秒至0.9米/秒，中速的行走速度范围为0.9米/秒至1.5米/秒，快速的行走速度范围为1.5米/秒至2.1米/秒，根据行走方向和速度，运动方位分为108种类型，统计模型的运动隐含参数对应108种运动方位。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，传感器记录数据定义为将行人迈一步的时间长度等间隔切分，行人迈一步的时间表示为C，等间隔切分为d段，对每个时间间隔内的传感器数据提取传感器记录数据向量E_i，i＝1，2，…，d，行人迈一步的传感器记录数据F_j表示为一个包含d个观测向量的二维矩阵：

F_j＝[E₁，E₂，...，E_d]，j＝1，2，...，k。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，行人智能手机传感器数据中提取三种相关性较高的传感器记录数据组成传感器数据向量；

第一传感器数据为方向的变化量G，将T_i时刻行人的方向表示为GT_i，方向变化量表示为G_i＝GT_i-GT_i-1，方向的变化量G反应行人迈步时身体朝向的变化；

第二传感器数据为Z轴加速度H，人在迈步时身体的重心会在垂直方向上上下移动，Z轴加速度H反应行人迈步时身体垂直方向的加速度情况；

第三传感器数据为行走速度S，先提取加速度传感器的水平方向加速度，然后再积分得到水平方向的行走速度S；

传感器数据向量E_i，i＝1，2，…，d，表示为：

E_i＝[G_i，H_i，S_i]。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，运动变换概率表示不同运动隐含参数之间运动变换概率矩阵，运动变换概率分为两部分，包括方向状态运动变换概率M和速度状态运动变换概率N，运动方位的统计模型中运动变换概率矩阵表示为：

a_ij＝M(i，j)×N(i，j)。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，从运动隐含参数L_i到运动隐含参数L_j的方向状态运动变换概率M(i，j)为：

其中i_m和j_m分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的方向区间，θ表示当运动隐含参数L_i和运动隐含参数L_i属于同一方向段的概率，同时也是从运动隐含参数L_i到运动隐含参数L_j的方向转移的最大概率，而且M(i，j)满足条件：

其中k表示运动隐含参数的总数，约束条件保证方向状态运动变换概率之和收敛于1。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，从运动隐含参数L_i到运动隐含参数L_j的速度状态运动变换概率为：

其中i_n和j_n分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的速度类型，ω表示当运动隐含参数L_i和运动隐含参数L_j属于同一速度类型的概率，同时也是从运动隐含参数L_i和运动隐含参数L_j的速度转移最大概率，N(i，j)满足约束条件：

其中k表示运动隐含参数的总数，约束条件保证速度状态运动变换概率之和收敛于1。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，数据变化概率是对每一种运动方位得到各种不同传感器记录数据的概率分布函数，对运动方位P，查询数据库得到P对应的标准传感器记录数据：

F′_j＝[E₁′，E′₂，...，E′d]

在实际运动方位P时得到的实际传感器记录数据表示为：

F_j＝[E₁，E₂，...，E_d]

其中F′_j和F_j中的每个分量E′_i和E_i，i＝1，2，…，d，都是一个三维向量，采用欧氏距离来度量标准传感器记录数据和实际传感器记录数据，F′_j和F_j之间的欧式距离Q(F′_j，Fj)表示为：

数据变化概率矩阵可以定义为：

其中g(x)表示均值为0的高斯函数，高斯函数g(x)的方差取决于手机传感器的精度，根据实际传感器记录数据，统计模型使用维特比解码算法识别概率最大的运动方位的序列，通过把行人轨迹匹配到概率最大运动方位序列的方法实时获取行人运动轨迹。

一种封闭环境下的行人运动轨迹实时获取方法，进一步的，采用原始轨迹异常数据的识别修正方法提高轨迹获取的精度；

原始轨迹异常数据的识别修正方法采用如果轨迹中任意一点如果满足以下条件之一，判定该轨迹点为异常数据：

条件一，轨迹点的传感器记录数据，在任意状态下的数据变化概率均小于0.5，说明该轨迹点的传感器记录数据无法匹配到任意一种运动方位；

条件二，轨迹点的速度超过封闭环境下行人正常的速度范围，正常速度范围设定为0.3米/秒至2.1米/秒；

如果一点轨迹点被识别为异常数据，则删除该轨迹点来修正原始轨迹。

与现有技术相比，本发明的优点在于：

1.本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，采用含有隐含参数的统计模型建模，对行人运动方位细分化识别，基于行人行走模式识别室内行人的行走方向和速度，可以有效抵御室内例如地磁干扰物，金属物体等物体的干扰，以及行人行走时身体抖动的干扰，解决了封闭环境下行人运动轨迹获取和导航中的误差累积问题。本发明提出含有隐含参数的统计模型的行人运动方位识别算法，同时通过异常数据剔除和连锁坏区修复方法校正行人行走方向，消除外界环境干扰和行人行走抖动导致的累积误差，校正之后的方向误差降低了48％左右，其中绝大部分校正之后的方向误差小于10度，计算出行人精确位置平均精度可达1.8米，用户位置根据需要发送到服务器使得服务器可以基于行人位置提供精准服务。

2.本发明提供的一种行人智能手机传感器数据采集频率智能调整方法，将行人的状态分为稳定状态和不稳定状态，智能手机传感器对应采用低频率采集和高频率采集两种模式，根据行人状态自动动态调整智能手机传感器的采集频率，在不降低运动轨迹监测精度的前提下大幅度降低智能手机能耗。该技术优化了封闭环境下的行人运动轨迹实时获取中的传感器采集策略，提出了根据行人的行走状态自适应的调整传感器采集频率的策略。相比于恒定频率传感器采集，该策略大幅度降低了传感器的能量消耗，可以支持低功耗、高强度、大规模的行人运动轨迹实时获取，提高封闭环境下的行人运动轨迹实时获取的可用性、可靠性。

3.本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，使用行人智能手机中自带的传感器，包括地磁传感器、加速度传感器、陀螺仪，无需人工采集待定位的室内区域的无线信号分布情况，无需用采集的样本构建指纹库，不依赖任何额外设备，相比其它需要架设额外设备的室内行人轨迹获取方法，大幅降低了硬件软件成本，更加有利于室内行人轨迹获取方法的大范围推广运用，该技术可以实现低功耗、高精度、低成本且不依赖额外设备的行人运动轨迹实时获取，获取位置延时极小，数据开销小、速度快，效率高，提高了封闭环境下的行人运动轨迹实时获取的效率。

附图说明

图1是本发明提供的一种封闭环境下的行人运动轨迹实时获取方法的结构图。

图2是本发明叠加不同方法的行人运动轨迹实时获取效果比较示意图。

图3是本发明封闭环境下的行人运动轨迹实时获取实验的位置相关数据示意图。

具体实施方式

下面结合附图，对本发明提供的一种封闭环境下的行人运动轨迹实时获取方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。

参见图1至图3，本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，采用含有隐含参数的统计模型对封闭环境下行人的运动方位进行建模，通过对行人运动方位细分化识别，降低金属物和行人走动时身体抖动造成的误差，解决封闭环境下行人运动轨迹获取和导航中的误差累积问题。一种封闭环境下的行人运动轨迹实时获取方法仅使用行人智能手机中自带的传感器，包括地磁传感器、加速度传感器、陀螺仪，不依赖任何额外设备，相比其它需要架设额外设备的室内行人追踪方法，大幅降低了硬件成本，更加有利于室内行人追踪方法的大范围推广运用。同时相比于传统的室内行人追踪技术，本发明采用了传感器数据采集频率智能调整方法，通过行人的运动方位动态调整行人智能手机传感器的采集模式，降低能耗。

封闭环境下行人智能手机传感器采集的数据，包括三轴地磁传感器数据、三轴加速度传感器数据、三轴陀螺仪数据和无线局域网信号数据，其中无线局域网信号数据包括每个无线接入点的SSID、BSSID和信号强度。根据传感器数据，行人智能手机基于惯性导航原理实时计算行人位置，假设在T₀时刻行人的位置为(X₀，Y₀)，行人的步长为B，行走的方位角为a，在T₁时刻行人行走一步，T₁时刻行人的位置(X₁，Y₁)表示为：

行人行走的方位角通过地磁传感器获取，由于行人行走时身体抖动的影响和地磁干扰的存在，获取的原始数据和行人实际行走方向有较大误差，而且误差会随着行走的距离越长而逐渐累积。本发明提出含有隐含参数的统计模型的行人运动方位识别算法，校正行人行走方向，消除外界环境干扰和行人行走抖动导致的累积误差，计算出行人精确位置之后，行人智能手机客户端会将用户位置发送到服务器使得服务器可以基于行人位置提供精准服务。

一、封闭环境下行人运动方位识别

(一)含有隐含参数的统计模型建模和行人运动轨迹实时获取

本发明提供的一种封闭环境下的行人运动轨迹实时获取方法，采用含有隐含参数的统计模型对封闭环境下行人的运动方位进行建模，统计模型包括四个要素，分别为运动隐含参数、传感器记录数据、运动变换概率和数据变化概率。

运动隐含参数描述建模对象的行人运动状态属性，传感器记录数据描述对应于每种运动状态的传感器采集数据，是可见的，运动变换概率描述模型中不同行人运动状态之间的转移概率，以概率矩阵形式表示，数据变化概率描述在每种运动隐含参数下得到不同传感器记录数据的概率，以概率矩阵形式表示。本发明采用含有隐含参数的统计模型对封闭环境下行人的运动方位进行建模，定义统计模型中的四个要素。

基于统计模型对封闭环境下行人运动方位进行建模，通过识别行人的运动方位来提高行人运动轨迹实时获取的精度，行人运动方位对应于统计模型的运动隐含参数，行人运动方位是未知的，行人智能手机中各种传感器数据对应于统计模型的传感器记录数据，行人运动方位识别问题定义为通过行人智能手机传感器数据作为传感器记录数据，识别出概率最大的运动方位序列。

1.运动隐含参数定义

行人行走可能向任意方向，行走方向具有很强的随机性。根据行人封闭环境下行走的特点，根据行走方向和速度对运动方位进行分类，以10度为间隔将360度分为36个区间，行人行走的方向用一个区间表示，封闭环境下行人正常行走速度的范围是0.3米/秒至2.1米/秒，将行人的速度分为三种类型，慢速的行走速度范围为0.3米/秒至0.9米/秒，中速的行走速度范围为0.9米/秒至1.5米/秒，快速的行走速度范围为1.5米/秒至2.1米/秒，根据行走方向和速度，运动方位分为108种类型。统计模型的运动隐含参数对应108种运动方位。

2.传感器记录数据定义

将行人迈一步的时间长度进行等间隔切分，行人迈一步的时间表示为C，等间隔切分为d段，对每个时间间隔内的传感器数据提取传感器记录数据向量E_i，i＝1，2，…，d，行人迈一步的传感器记录数据F_j表示为一个包含d个观测向量的二维矩阵：

F_j＝[E₁，E₂，...，E_d]，j＝1，2，...，k

行人智能手机传感器数据中提取三种相关性较高的传感器记录数据组成传感器数据向量。

第一传感器数据为方向的变化量G，将T_i时刻行人的方向表示为GT_i，方向变化量表示为G_i＝GT_i-GT_i-1，方向的变化量G反应行人迈步时身体朝向的变化；

第二传感器数据为Z轴加速度H，人在迈步时身体的重心会在垂直方向上上下移动，Z轴加速度H反应行人迈步时身体垂直方向的加速度情况；

第三传感器数据为行走速度S，行人在封闭环境下行走的速度稳定，行走速度用来区分不同的行走习惯，人行走的速度是水平方向的，先提取加速度传感器的水平方向加速度，然后再积分得到水平方向的行走速度S。

传感器数据向量E_i，i＝1，2，…，d，表示为：

E_i＝[G_i，H_i，S_i]

3.运动变换概率定义

不同运动隐含参数之间运动变换概率通过运动变换概率矩阵表示，运动变换概率矩阵遵循封闭环境下行人行走特点。第一，由于在封闭环境下，行人行走的区域主要包括走廊和过道连接，相比于改变行走方向，行人更可能保持原来的方向行走，而且改变方向的幅度越大的可能性越小；第二，人在行走时身体会左右摇晃，但一旦行人迈出脚之后便不会改变行走方向，人在迈一步的时间内行走的方向不变，保证了行走每次迈步时的隐含状态唯一；第三，行人在封闭环境下行走的速度在一定的范围内，如果超过范围，将运动方位识别为异常。基于行人行走特点，运动变换概率分为两部分，包括方向状态运动变换概率M和速度状态运动变换概率N，运动方位的统计模型中运动变换概率矩阵表示为：

a_ij＝M(i，j)×N(i，j)

从运动隐含参数L_i到运动隐含参数L_j的方向状态运动变换概率M(i，j)为：

其中i_m和j_m分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的方向区间，θ表示当运动隐含参数L_i和运动隐含参数L_i属于同一方向段的概率，同时也是从运动隐含参数L_i到运动隐含参数L_j的方向转移的最大概率，而且M(i，j)满足条件：

其中k表示运动隐含参数的总数，约束条件保证方向状态运动变换概率之和收敛于1。

从运动隐含参数L_i到运动隐含参数L_j的的速度运动变换概率为：

其中i_n和j_n分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的速度类型，ω表示当运动隐含参数L_i和运动隐含参数L_j属于同一速度类型的概率，同时也是从运动隐含参数L_i和运动隐含参数L_j的速度转移最大概率，N(i，j)必须满足以下约束条件，保证速度状态运动变换概率之和收敛于1。

定义数据变化概率之前，采集每种运动隐含参数对应的标准传感器记录数据，采用数据筛选融合方法处理采集的传感器记录数据，采集运动方位的标准传感器记录数据是建立一个运动方位和传感器记录数据的数据库，数据库中每条数据包含<运动方位，标准传感器记录数据>。对每种运动方位，行人正常的拿着智能手机在封闭环境下行走并记录下三种传感器记录数据，方向的变化量G、Z轴加速度H和行走速度S，为保证传感器记录数据的所有情况都被采集到，对每种运动方位，选择不同的行人、用不同的智能手机、在不同的区域重复采集多次，对同一种运动方位的传感器记录数据取平均值，为提高传感器记录数据的可信度，设定一些约束条件过滤掉偏差较大的数据，过滤不满足条件的数据是迈一步的行走时间大于2.5秒或者迈步时Z轴的加速度大于11米/秒，过滤不符合条件的数据提高了数据可信度。

4.数据变化概率定义

数据变化概率是对每一种运动方位得到各种不同传感器记录数据的概率分布函数，对运动方位P，查询数据库得到P对应的标准传感器记录数据：

F′_j＝[E₁′，E′₂，...，E′_d]

在实际运动方位P时得到的实际传感器记录数据表示为：

F_j＝[E₁，E₂，...，E_d]

其中F′_j和F_j中的每个分量E′_i和E_i，i＝1，2，…，d，都是一个三维向量，本发明采用欧氏距离来度量标准传感器记录数据和实际传感器记录数据，F′_j和F_j之间的欧式距离Q(F′_j，F_j)表示为：

其中Q(F′_j，F_j)表示标准传感器记录数据和实际传感器记录数据中每个分量的欧式距离，每个分量包括三种传感器记录数据，包括方向的变化量G、Z轴加速度H和行走速度S，Q(F′_j，F_j)表示为：

因此，数据变化概率矩阵可以定义为：

其中g(x)表示均值为0的高斯函数，高斯函数g(x)的方差取决于手机传感器的精度，根据具体的实验来确定。

确定了封闭环境下行人运动方位的含有隐含参数的统计模型的所有参数之后，封闭环境下行人运动方位的含有隐含参数的统计模型建立完成。

下一步，根据实际传感器记录数据，基于封闭环境下行人运动方位的隐含参数的统计模型使用维特比解码算法识别概率最大的运动方位的序列，根据实际传感器记录数据的序列F＝F₁F₂…F_t，识别概率最大的运动方位P＝P₁P₂…P_t，t_i时刻在建立的行人行走含有隐含参数的统计模型W下，给定一个传感器记录数据序列F，目标为概率最大的运动方位序列概率表示为δ_t(i)，为了得到t_i时刻的运动方位序列，根据含有隐含参数的统计模型数据变化概率，t_i时刻运动方位序列概率δ_t(i)和t_i-1时刻运动方位序列概率δ_t-1(i)之间的关系通过如下的公式推导：

δ₁(i)＝π_ib_i(F₁)，1≤i≤N

δ_t(i)＝max_j(δ_t-1(j)a_jib_i(F_t))，2≤t≤T，1≤i≤N，1≤j≤N

其中δ₁(i)表示t₁时刻时的初始运动方位，b_i(F_t)表示在t时刻，当运动隐含参数为L_i时传感器记录数据为F_t的数据变化概率，a_ji为运动变换概率，N为时间最大值，根据δ_t(i)δ_t-1(j)之间的关系表示出每个时刻下运动方位序列的概率，从而表示出运动方位序列概率最大化时的运动方位序列。

定义一个后向指针ψ_t(i)，回溯之前时刻的概率最大化时的运动方位序列，

ψ_t(i)＝arg max_j[δ_t-1(j)a_ji]，2≤t≤T，1≤i≤N，1≤j≤N

ψ_t(i)表示运动方位序列最大化时运动方位序列的值。

通过为维特比解码算法定义一个异常数据的概率阈值k来筛选运动方位序列概率δt(i)，使得到的运动方位序列更可靠。如果运动方位序列概率δt(i)低于设定的概率阈值k，认为对应的运动方位序列不可靠，舍弃该运动方位序列并继续计算其它运动方位序列的概率，通过搜索所有运动方位序列的数据变化概率，得到运动方位序列数据变化概率最大化的情况，回溯维特比路径ψ_t(i)，解析出数据变化概率最大化时对应的运动方位序列：

P′＝p₁′p₂′...p_t′

p_t′＝ψ_t+1(p′_t+1)，t＝T-1，T-2，...，1

P′＝p₁′p₂′...p_t′为最后的数据变化概率最大的运动方位序列，通过把行人轨迹匹配到概率最大运动方位序列的方法来实时获取行人运动轨迹，图2描述了基于含有隐含参数的统计模型进行封闭环境下行人运动轨迹获取的过程。

(二)异常数据剔除和连锁坏区修复方法

由于环境的影响和手机传感器误差的存在，会导致行人原始运动轨迹出现异常，从而导致行人运动轨迹获取精度下降，本发明提出一种原始轨迹异常数据的识别修正方法识别修正行人原始运动轨迹中由于误差和噪声造成的异常数据，提高轨迹获取的精度。

原始轨迹异常数据的识别修正方法采用如果轨迹中任意一点如果满足以下条件之一，该轨迹点为异常数据：

条件一，轨迹点的传感器记录数据，在任意状态下的数据变化概率均小于0.5，说明该轨迹点的传感器记录数据无法匹配到任意一种运动方位；

条件二，轨迹点的速度超过封闭环境下行人正常的速度范围，正常速度范围设定为0.3米/秒至2.1米/秒；

如果一点轨迹点被识别为异常数据，则删除该轨迹点来修正原始轨迹。

惯性导航中一个轨迹点位置异常时，会造成该轨迹点之后的轨迹点异常，异常数据后面的轨迹为连锁坏区，识别并删除异常数据之后，修复该异常数据导致的连锁坏区。连锁坏区修复采用将异常数据后面的轨迹平行移动到与原轨迹相切，同时由于异常数据的删除，原始轨迹会从中间断开，本发明采用等距离插值法保证轨迹的连续性，使得原始轨迹保持原来的长度，降低异常数据删除对原始轨迹连续性的影响，对有异常数据删除的轨迹，计算删除轨迹的前端和后端距离，按照原始轨迹的方向等距离插入轨迹点，插入的轨迹点的数量与删除的轨迹点的数量相等，保证轨迹的长度不变。

(三)传感器数据采集频率智能调整方法

行人智能手机传感器始终保持高频率的采集数据会对手机的功能造成影响，消耗大量的电能，而智能手机的电量十分有限，所以降低能耗是封闭环境下行人轨迹监测的一个重要问题。

智能手机传感器的耗电量跟采集频率正相关，智能手机传感器的采集频率越高，采集的数据更密集，消耗的能量越高。在很多情况下，行人的动作较稳定，行人智能手机传感器的数据变化较缓慢，此时传感器可降低采集频率来降低能耗。

本发明采用行人智能手机传感器数据采集频率智能调整方法，根据行人状态自动动态调整智能手机传感器的采集频率，在不降低运动轨迹监测精度的前提下大幅度降低智能手机能耗。

第一步，将封闭环境下行人的状态分为稳定状态和不稳定状态两种情况，用行人的行走方向来衡量行人的状态，行人智能手机传感器采集模式分为低频率采集和高频率采集两种模式；

第二步，算法的输入是连续的行人行走方向的序列d_i(i＝1,2...n)，行走方向的导数d'为连续行走方向变化的情况，行走方向的二次导数d”反映行走方向变化量的变化情况；

第三步，当行人走直线或者行走状态稳定时，行走方向不会非常剧烈的变化，行人处于稳定状态，行走方向的的二次导数d”小于一个设定最小值e，将行人智能手机传感器调整低频率采集模式；

第四步，当行人的行走状态变化剧烈时，行走方向的二次导数d”大于设定最小值e，行人处于不稳定状态，将行人智能手机传感器调整到高频率采集模式。

行人智能手机传感器数据采集频率智能调整方法将行人的状态分为稳定状态和不稳定状态，智能手机传感器对应采用低频率采集和高频率采集两种模式，根据行人状态自动动态调整智能手机传感器的采集频率，在不降低运动轨迹监测精度的前提下大幅度降低智能手机能耗。

二、封闭环境下的行人运动轨迹实时获取实验

实验选择某大学某国家重点实验室二楼作为实验地点，测试封闭环境下行人运动轨迹实时获取的效果和精度，图3是该重点实验室二楼的平面图，在测试地点，选择了三个最具代表性的区域：

1.一个面积11.5x7.2m²的封闭区域；

2.两个房间之间一条15米长的走廊；

3.半径为2.2米的一个图书阅览区。

在实验区域内分布一些例如电梯和消防栓等的金属物体，这些金属物体会干扰封闭区域的地磁分布。同时，为测试不同手机对于行人运动轨迹实时获取误差的影响，选取了三种不同型号的手机，分别是苹果iPhone XR手机、华为Mate 20 Pro手机和小米8青春版手机，这三款手机都包含了陀螺仪、加速度传感器和地磁传感器。实验过程中，行人用手握住手机行走，手机传感器持续采集数据，为了测试封闭环境下行人运动轨迹实时获取的精度，本发明进行了大量实验，一共25个参与者参与并采集了数据，行走的总距离超过20公里，通过大量的实验验证方法对行人运动方向校正的精度、硬件电量消耗、封闭环境下行人轨迹获取精度。

(一)行人运动方向校正的精度

异常数据的概率阈值k是一个关键的系统参数，根据维特比算法的输出概率筛选出行人轨迹中的异常值，保证识别出室内行人行走模式可信。选取合适的异常数据的概率阈值k要同时考虑假阴性和假阳性的比例，要建立在大量实验基础上，通过大量实验的来选取最优的异常数据的概率阈值k，选取不同的k值，分别观测实验结果的假阳性和假阴性比例，随着k值逐渐增大，行走模式识别结果假阳性比例逐渐上升，假阴性比例逐渐下降。当异常数据的概率阈值k为0.63时，假阴性和假阳性同时达到较小的值，而且假阴性和假阳性之和最小。所以，异常数据的概率阈值k的最佳取值为0.63。

通过实验验证本发明提出的封闭环境下的行人运动轨迹实时获取方法对于行走方向的校正误差，为了计算方向，在实验前先在选定的区域通过将手机放置在行走路线来获取实际行走方向，然后在同一区域正常行走得到原始行走方向，再用本发明提出的方法计算校正之后的行走方向，最后通过误差计算得到原始方向误差和校正之后的方向误差，对三个实验区域相比于原始方向误差，校正之后的方向误差降低了48％左右，其中绝大部分校正之后的方向误差小于10度。

(二)硬件电量消耗

为了提高封闭环境下的行人运动轨迹实时获取的性能，提高方法的可用性，对方法的耗电量进行了测试。实验中分别设置两种手机传感器采集方法，恒定传感器采集频率方法和本发明提出的传感器数据采集频率智能调整方法。

恒定传感器采集频率为手机传感器设定一个恒定的频率采集数据，本实验中将恒定采集频率设定为50Hz，实验中行人先在走廊中直线行走，转弯之后再恢复直线行走。对比行人行走一步的耗电量来比较两种方法的节能情况。

实验结果为：在开始的直线行走阶段，行人行走一步过程中恒定采集频率策略的耗电量为传感器数据采集频率智能调整方法的3.2倍，这是由于直线行走状态下，传感器数据采集频率智能调整方法检测到行人的运动状态较为稳定，使用低频率采集模式，大幅降低了能耗，当行人行走到转弯处时，行人的运动状态改变，传感器数据采集频率智能调整方法将传感器采集频率切换到高频率采集模式，保证行人运动轨迹实时获取的精度，导致能耗有所上升。总体来说，传感器数据采集频率智能调整方法大幅降低能耗，相比于使用恒定频率采集将耗电量降低46％左右。

(三)封闭环境下行人轨迹获取精度

每个区域收集25条不同行人的轨迹，,验证行人轨迹误差之前，先对轨迹进行预处理。首先过滤掉错误明显的异常数据，然后对剩下轨迹多次实验取均值，保证实验的可信度。在实验中设置三组不同的情况进行对比实验，第一组对比实验是对原始的行人轨迹计算误差；第二组对比实验是使用WiFi信号指纹对原始轨迹进行校正，基于WiFi信号的室内定位是精确度很高的室内行人导航技术，设置该组实验对比本发明提出的行人运动轨迹实时获取技术跟目前精度很高的室内行人导航技术作对比；第三组对比实验是通过本发明提出的异常数据剔除和连锁坏区修复方法对封闭环境下的行人运动轨迹实时获取方法进行处理和修正后的数据。

从三组对比实验的结果得出，对于原始的行人轨迹，有18％左右的概率误差超过3.5米,基于WiFi信号校正的轨迹误差技术接近85％的轨迹误差小于2米，异常数据剔除和连锁坏区修复后封闭环境下的行人运动轨迹实时获取方法有更大幅度的提升，平均精度为1.8米，相比于基于WiFi信号的室内定位技术，定位精度有了大幅度的提高，能够满足绝大多是室内定位场景的应用需要，并且有很好的的效果。

Claims (10)

1.一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：采用含有隐含参数的统计模型对封闭环境下行人的运动方位进行建模，对行人运动方位细分化识别，使用行人智能手机中自带的传感器，包括地磁传感器、加速度传感器、陀螺仪，含有隐含参数的统计模型包括四个要素，分别为运动隐含参数、传感器记录数据、运动变换概率和数据变化概率；

运动隐含参数是建模对象的行人运动状态属性，传感器记录数据是对应于每种运动状态的传感器采集数据，运动变换概率是模型中不同行人运动状态之间的转移概率，以概率矩阵形式表示，数据变化概率是在每种运动隐含参数下得到不同传感器记录数据的概率，以概率矩阵形式表示；

行人运动方位对应于统计模型的运动隐含参数，行人智能手机中各种传感器数据对应于统计模型的传感器记录数据，行人运动轨迹实时获取通过行人智能手机传感器数据作为传感器记录数据，识别出概率最大的运动方位序列。

2.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：封闭环境下行人智能手机传感器采集的数据，包括三轴地磁传感器数据、三轴加速度传感器数据、三轴陀螺仪数据，根据传感器数据，行人智能手机基于惯性导航原理实时计算行人位置，假设在T₀时刻行人的位置为(X₀，Y₀)，行人的步长为B，行走的方位角为a，在T₁时刻行人行走一步，T₁时刻行人的位置(X₁，Y₁)表示为：

行人行走的方位角通过地磁传感器获取，本发明提出含有隐含参数的统计模型的行人运动方位识别算法，校正行人行走方向，计算出行人精确位置之后，行人智能手机客户端将用户位置发送到服务器使得服务器基于行人位置提供精准服务。

3.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：运动隐含参数定义为根据行人行走方向和速度特点对运动方位进行分类，以10度为间隔将360度分为36个区间，行人行走的方向用一个区间表示，封闭环境下行人正常行走速度的范围是0.3米/秒至2.1米/秒,将行人的速度分为三种类型，慢速的行走速度范围为0.3米/秒至0.9米/秒，中速的行走速度范围为0.9米/秒至1.5米/秒，快速的行走速度范围为1.5米/秒至2.1米/秒，根据行走方向和速度，运动方位分为108种类型，统计模型的运动隐含参数对应108种运动方位。

4.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：传感器记录数据定义为将行人迈一步的时间长度等间隔切分，行人迈一步的时间表示为C，等间隔切分为d段，对每个时间间隔内的传感器数据提取传感器记录数据向量E_i，i＝1，2，…，d，行人迈一步的传感器记录数据F_j表示为一个包含d个观测向量的二维矩阵：

F_j＝[E₁，E₂，...，E_d]，j＝1，2，...，k。

5.根据权利要求4所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：行人智能手机传感器数据中提取三种相关性较高的传感器记录数据组成传感器数据向量；

第一传感器数据为方向的变化量G，将T_i时刻行人的方向表示为GT_i，方向变化量表示为G_i＝GT_i-GT_i-1，方向的变化量G反应行人迈步时身体朝向的变化；

第二传感器数据为Z轴加速度H，人在迈步时身体的重心会在垂直方向上上下移动，Z轴加速度H反应行人迈步时身体垂直方向的加速度情况；

第三传感器数据为行走速度S，先提取加速度传感器的水平方向加速度，然后再积分得到水平方向的行走速度S；

传感器数据向量E_i，i＝1,2,…,d，表示为：

E_i＝[G_i，H_i，S_i]。

6.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：运动变换概率表示不同运动隐含参数之间运动变换概率矩阵，运动变换概率分为两部分，包括方向状态运动变换概率M和速度状态运动变换概率N，运动方位的统计模型中运动变换概率矩阵表示为：

a_ij＝M(i,j)×N(i，j)。

7.根据权利要求6所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：从运动隐含参数L_i到运动隐含参数L_j的方向状态运动变换概率M(i,j)为：

其中i_m和j_m分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的方向区间,θ表示当运动隐含参数L_i和运动隐含参数L_i属于同一方向段的概率，同时也是从运动隐含参数L_i到运动隐含参数L_j的方向转移的最大概率，而且M(i,j)满足条件：

其中k表示运动隐含参数的总数,约束条件保证方向状态运动变换概率之和收敛于1。

8.根据权利要求6所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：从运动隐含参数L_i到运动隐含参数L_j的速度状态运动变换概率为：

其中i_n和j_n分别表示运动隐含参数L_i和运动隐含参数L_j的方向所属的速度类型，表示当运动隐含参数L_i和运动隐含参数L_j属于同一速度类型的概率，同时也是从运动隐含参数L_i和运动隐含参数L_j的速度转移最大概率，N(i,j)满足约束条件：

其中k表示运动隐含参数的总数,约束条件保证速度状态运动变换概率之和收敛于1。

9.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：数据变化概率是对每一种运动方位得到各种不同传感器记录数据的概率分布函数，对运动方位P，查询数据库得到P对应的标准传感器记录数据：

F′_j＝[E₁′，E′₂，...，E′_d]

在实际运动方位P时得到的实际传感器记录数据表示为：

F_j＝[E₁，E₂，...，E_d]

其中F′_j和F_j中的每个分量E′_i和E_i，i＝1,2,…,d，都是一个三维向量，采用欧氏距离来度量标准传感器记录数据和实际传感器记录数据，F′_j和F_j之间的欧式距离Q(F′_j，F_j)表示为：

数据变化概率矩阵可以定义为：

其中g(x)表示均值为0的高斯函数，高斯函数g(x)的方差取决于手机传感器的精度，根据实际传感器记录数据，统计模型使用维特比解码算法识别概率最大的运动方位的序列，通过把行人轨迹匹配到概率最大运动方位序列的方法实时获取行人运动轨迹。

10.根据权利要求1所述的一种封闭环境下的行人运动轨迹实时获取方法，其特征在于：采用原始轨迹异常数据的识别修正方法提高轨迹获取的精度；

原始轨迹异常数据的识别修正方法采用如果轨迹中任意一点如果满足以下条件之一，判定该轨迹点为异常数据：

条件一，轨迹点的传感器记录数据，在任意状态下的数据变化概率均小于0.5，说明该轨迹点的传感器记录数据无法匹配到任意一种运动方位；

条件二，轨迹点的速度超过封闭环境下行人正常的速度范围，正常速度范围设定为0.3米/秒至2.1米/秒；

如果一点轨迹点被识别为异常数据，则删除该轨迹点来修正原始轨迹。