CN110866419A - 一种步长确定方法、系统及计算机可读存储介质 - Google Patents

Abstract

本申请涉及一种步长确定方法和系统。所述步长确定方法包括获取当前步行加速度数据；获取历史步行加速度数据和历史步长值；基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

Description

一种步长确定方法、系统及计算机可读存储介质

技术领域

本发明涉及一种步长确定方法和系统。具体的，涉及一种基于视觉的步长确定方法和系统。

背景技术

定位技术，简单的说就是获取物体的位置信息。伴随着社会的发展和科技的进步，人们在生活和工作中对定位和导航的需求不断增长。运用步行惯性导航(Pedestrian DeadReckoning，PDR)技术，可以实现人员的定位和跟踪。早期的步长计算技术都是将行人的每一个单步步长设置为常数，而行人的步长通常都是不固定的，这是因为步长估计受很多因素的影响，例如人的身高、体重以及心理状态等。行人步长的不固定性通常会增加步行惯性导航的难度，这是因为每一步1cm的误差，将导致100步中产生1m的累积误差。因此，需要一种能够精确估计步长的方法。

发明内容

为了精确估计行人在行走时的步长，本申请根据历史步长值和历史步行加速度数据，确定与当前步行加速度数据对应的步长值。在一些实施例中，本申请利用历史步长值和历史步行加速度数据训练模型，获得步长估计模型。获得步长估计模型后，为确定精确的步长，可以将传感器采集的实时步行加速度数据输入到步长估计模型中，输出估计的步长。

为达到上述目的，本申请提供的技术方案如下：

本申请披露了一种步长确定方法，包括：获取当前步行加速度数据；获取历史步行加速度数据和历史步长值；基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

可选的，所述方法还包括：根据所述历史步行加速度数据和历史步长值训练步长估计模型，得到训练好的步长估计模型；所述确定与所述当前步行加速度数据对应的当前步长值包括：使用所述训练好的步长估计模型处理所述当前步行加速度数据，进而确定当前步长值。

可选的，所述步长估计模型为神经网络模型，所述步长估计模型的输入为步行加速度数据，输出为步长值。

可选的，所述当前步行加速度数据和/或历史步行加速度数据包括落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值和/或一步过程中加速度的方差。

可选的，所述历史步行加速度数据包括真实的历史步行加速度数据和/或模拟的历史步行加速度数据；所述历史步长值包括真实的历史步长值和/或模拟的历史步长值。

可选的，获取所述真实的历史步长值包括通过图像处理获取所述真实的历史步长值。

可选的，所述通过图像处理获取所述真实的历史步长值包括：获取相邻落脚点的图像；基于所述相邻落脚点的图像，确定所述相邻落脚点各自的位置信息；根据所述相邻落脚点各自的位置信息，确定所述真实的历史步长值。

可选的，获取所述真实的历史步长值包括：获取两个落脚点间的距离、所述两个落脚点间的步数和每一步的加速度数据；基于所述两个落脚点间的距离和步数，确定平均步长值；基于所述每一步的加速度数据，确定每一步的步长加权值；基于所述平均步长值和每一步的步长加权值，确定每一步的真实步长值。

本申请另一方面提出了一种步长确定系统，包括：第一获取模块，用于获取当前步行加速度数据；第二获取模块，用于获取历史步行加速度数据和历史步长值；步长确定模块，用于基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

本申请另一方面提出了一种步长确定装置，该装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述步长确定方法中任意一项所述的操作。

本申请另一方面提出了一种计算机可读存储介质。所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现上述步长确定方法中任意一项所述的操作。

与现有技术相比，本申请的有益效果表现如下：

一、采用智能设备同时采集图像数据和加速度数据，与传统的仅采用加速度数据估计步长的方法相比更为精确；

二、采用神经网络模型对数据进行训练，获得步长估计模型，获得的步长估计模型能够进一步对步长进行精确估计。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。

图1是根据本申请的一些实施例所示的一种步长确定方法示意图；

图2是根据本申请的一些实施例所示的一种使用步长估计模型估计步长的方法的示意图；

图3是根据本申请的一些实施例所示的一种获取真实历史步长值的方法的示意图；

图4是根据本申请的一些实施例所示的一种获取真实历史步长值的方法的示意图；

图5是根据本申请的一些实施例所述的一种步长估计模型确定系统的示意图；以及

图6是根据本申请的一些实施例所示的步长值获取系统的示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。

此外，本申请仅描述了与步长估计模型确定方法和系统，可以理解的是，本申请中的描述仅仅是一个实施例。

本申请中的术语“用户设备”或“智能设备”或“移动终端”可以指可以用于请求服务、订购服务或促进服务的提供的工具。

本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。

行人在行走过程中，每一步的步长真实值均不相同。这是因为一步的步长受很多因素的影响，例如人的身高、体重以及心理状态等。因此需要精确测量步长值。本申请提供了一种步长估计方法和系统。本申请根据历史步行加速度数据和历史步长值来估计当前步行加速度数据对应的步长值。在一种实施例中，本申请训练得到步长估计模型，使用所述步长估计模型估计步长值。

根据本申请的一些实施例，图1是根据本申请的一些实施例所示的一种步长确定方法示意图。

如图1所示，在110中，获取当前步行加速度数据。在一些实施例中，当前步行加速度数据可以包括当前步行落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值和/或一步过程中加速度的方差。在一些实施例中，可以通过用户随身携带的智能设备采集当前步行加速度数据。所述智能设备包括但不限于智能手机、平板电脑等、智能手环、智能眼镜、智能头盔、虚拟现实(virtual reality，VR)设备等。

在120中，获取历史步行加速度数据和历史步长值。在一些实施例中，历史步行加速度数据可以是历史步行落脚时对应的加速度值、起脚时对应的加速度值、一步过程中的加速度均值或一步过程中加速度的方差中的一种或多种。在一些实施例中，历史步行加速度数据可以包括真实的历史步行加速度数据。在一些实施例中，可以通过用户随身携带的智能设备获取真实的历史步行加速度数据。在一些实施例中，历史步行加速度数据可以包括模拟的历史步行加速度数据。例如，可用使用生成对抗网络获取模拟的历史步行加速度数据。具体地，可以建立并训练生成对抗网络模型，向训练后的生成对抗网络模型中输入高斯噪声，生成模拟的历史步行加速度数据。在一些实施例中，历史步长值可以包括真实的历史步长值。在一些实施例中，可以通过图像处理获取真实的历史步长值。有关通过图像处理获取真实的历史步长值的更多内容可以参见图3、图4及其描述。在一些实施例中，历史步长值可以包括模拟的历史步长值。例如，可以使用生成对抗网络来获取模拟的历史步长值。具体地，可以建立并训练生成对抗网络模型，向训练后的生成对抗网络模型中输入高斯噪声，生成模拟的历史步长值。

在130中，基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

在一些实施例中，可以根据历史步行加速度数据和历史步长值训练步长估计模型，用步长估计模型处理当前步行加速度数据。有关通过步长估计模型确定与当前步行加速度数据对应的当前步长值的更多内容可以参见图2及其描述，此处不再赘述。

在一些实施例中，可以根据历史步行加速度数据和历史步长值确定步行加速度数据与步长值之间的映射关系，根据所述映射关系确定与当前步行加速度数据对应的当前步长值。

应当注意，上述步长确定方法100仅仅为了描述该方法的特定实施例的一个示例，而非限制本披露范围。

图2是根据本申请的一些实施例所示的一种使用步长估计模型估计步长的方法的示意图。

在210中，根据所述历史步行加速度数据和历史步长值训练步长估计模型，得到训练好的步长估计模型。在一些实施例中，步长估计模型为神经网络模型。神经网络包括但不限于反向传播(Back Propagation，BP)神经网络、径向基函数(Radial Basis Function，RBF)神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络等。在一些实施例中，步长估计模型的输入为步行加速度数据，输出为步长值。

在220中，使用所述训练好的步长估计模型处理所述当前步行加速度数据，进而确定当前步长值。在一些实施例中，将当前步行加速度数据输入训练好的步长估计模型，模型输出对应的当前步长值。

图3是根据本申请的一些实施例所示的获取真实历史步长值的方法的示意图。

在310中，采集相邻落脚点对应的图像。在一些实施例中，所述图像由智能设备采集。例如，所述图像可以由智能设备上的摄像头采集。在一些实施例中，所述智能设备可以是智能手机、平板电脑等。在一些实施例中，所述智能设备可以由智能可穿戴设备控制，例如智能手环、智能眼镜、智能头盔、虚拟现实(virtual reality，VR)设备等。在一些实施例中，所述智能设备由行人携带，并在路面上行进时采集数据。在一些实施例中，所述智能设备和行人是相对固定的。在一些实施例中，可以针对每个落脚点采集至少一张图像。

在320中，基于所述相邻落脚点的图像，确定所述相邻落脚点各自的位置信息。在一些实施例中，所述图像中包括位置已知的物体，可以根据落脚点与该物体的相对位置确定该落脚点的位置信息。在一些实施例中，用户行走的路面上放置有量尺，相邻落脚点的图像包括所述量尺，可以根据落脚点对应的量尺刻度确定该落脚点的位置信息。在一些实施例中，所述量尺上等间距地标有表征距离的刻度。所述量尺上的刻度的精度包括但不限于厘米、毫米等。

在330中，根据所述相邻落脚点各自的位置信息，确定所述真实的历史步长值。在一些实施例中，可以根据相邻落脚点间的距离确定真实的历史步长值。

在一些实施例中，除采集相邻落脚点对应的图像外，还采集相应步行的加速度数据。在一些实施例中，所述加速度数据可以由智能设备中的加速度传感器采集。可以理解，在一些实施例中，由于落脚点图像和步行加速度数据由不同的装置获取(例如，图像是由图像获取装置获取，步行加速度数据由加速度传感器获取)，因此需要确定落脚点图像与步行加速度的对应关系。在一些实施例中，可以通过对齐落脚点图像和步行加速度数据的时间戳，确定落脚点图像与步行加速度的对应关系。

图4是根据本申请的一些实施例所示的另一种获取真实历史步长值的方法的示意图。

在410中，采集两个落脚点间的距离、所述两个落脚点间的步数和每一步的加速度信息。在一些实施例中，可以通过图像处理获取两个落脚点间的距离。例如，可以分别采集两个落脚点对应的图像，通过图像分别确定两个落脚点各自的位置信息，根据两个落脚点各自的位置信息确定两个落脚点间的距离。

在一些实施例中，可以基于两个落脚点间的加速度数据的个数确定两个落脚点间的步数。在一些实施例中，加速度数据可以是落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值或一步过程中加速度的方差等中的一种或多种。在一些实施例中，所述两个落脚点间的步数与加速度数据的个数相等。在一些实施例中，可以通过用户随身携带的智能设备获取每一步的加速度数据。

在420中，基于两个落脚点间的距离和步数，确定平均步长值。在一些实施例中，所述平均步长值为两个落脚点间的距离除以步数。

在430中，基于所述每一步的加速度数据确定两个落脚点间每一步的步长加权值。所述每一步的步长加权值是两个落脚点间每一步的步长的体现。例如，步长加权值可以是1.2、0.9等。每一步的步长加权值基于每一步过程中多个加速度值的变化确定。在一些实施例中，加速度传感器测量在每一步过程中的多个加速度值，所述多个加速度值体现一步过程中的加速度的变化。根据行人在一步过程中的加速度变化，确定每一步的步长加权值。例如，当行人在一步过程中的加速度变化比较陡峭时，这一步的步长较大；当行人在一步过程中的加速度变化比较缓平时，这一步的步长较小。根据经验值对不同的加速度陡峭程度进行赋值，得到两个落脚点间每一步的步长加权值。

在440中，基于平均步长值和每一步的步长加权值，确定每一步的真实步长值。在一些实施例中，所述真实步长值为平均步长值和每一步的步长加权值的乘积。

本申请还包括一个步长估计模型确定系统。图5是根据本申请的一些实施例所示的一种步长估计模型确定系统的示意图。

如图5所示，步长估计模型确定系统包括获取单元510和训练单元520。获取单元510获取至少一组行走数据，所述至少一组行走数据中的每组行走数据包括一个真实步长值和一个加速度数据。所述一个加速度数据可以包括落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值或一步过程中加速度的方差中的一种或多种。训练单元520以所述至少一组行走数据训练步长估计模型，获得训练好的步长估计模型。在一些实施例中，所述步长估计模型可以为神经网络模型。神经网络包括但不限于反向传播(BackPropagation，BP)神经网络、径向基函数(Radial Basis Function，RBF)神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络等。

图6是根据本申请的一些实施例所示的步长值获取系统的示意图。如图6所示，步长值获取系统包括传感器610和处理装置620。传感器610包括图像传感器和加速度传感器。图像传感器被配置为采集图像数据。在一些实施例中，所述采集的图像为包含量尺刻度的图像。加速度传感器采集行人在行进过程中的加速度值。处理装置620被配置为确定至少一组行走数据。如图3和图4中所述，处理装置620根据图像传感器采集的图像和加速度传感器采集的加速度确定多组行走数据。所述多组行走数据的每一组包括一个真实步长值和一个加速度数据。

在一些实施例中，处理装置620基于每两个相邻落脚点间的图像，确定每两个相邻落脚点间的真实步长值。在一些实施例中，处理装置620基于每一步过程中的多个加速度值，确定一个加速度数据。所述一个加速度数据可以包括落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值或一步过程中加速度的方差等中的一种或多种。在一些实施例中，处理装置620对齐所述多个真实步长值和所述多个加速度数据的时间戳。对齐时间戳后的多个真实步长值和多个加速度数据形成多组行走数据。

在一些实施例中，处理装置620可以采集两个落脚点的图像和两个落脚点间的加速度数据。处理装置620根据两个落脚点的图像，确定两个落脚点各自的位置信息，从而确定两个落脚点间的距离。处理装置620根据两个落脚点间的加速度数据的个数确定两个落脚点间的步数。在一些实施例中，处理装置620可以根据两个落脚点间的步数和距离，确定平均步长值。在一些实施例中，处理装置620根据每一步过程中实时测得的多个加速度值的变化，确定步长加权值。处理装置620进而根据步长加权值和平均步长值，确定每一步的真实步长值。在一些实施例中，处理装置620基于多个加速度数据和多个真实步长值，确定多组行走数据。

在一些实施例中，本申请的步长确定方法可以通过计算机可读媒质中存储的程序或代码实现。

以上所述仅为本申请的优选实施而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (18)

1.一种步长确定方法，其特征在于，包括：

获取当前步行加速度数据；

获取历史步行加速度数据和历史步长值；

基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

2.根据权利要求1所述的步长确定方法，其特征在于，所述方法还包括：

根据所述历史步行加速度数据和历史步长值训练步长估计模型，得到训练好的步长估计模型；

所述确定与所述当前步行加速度数据对应的当前步长值包括：

使用所述训练好的步长估计模型处理所述当前步行加速度数据，进而确定当前步长值。

3.根据权利要求2所述的步长确定方法，其特征在于，所述步长估计模型为神经网络模型，所述步长估计模型的输入为步行加速度数据，输出为步长值。

4.根据权利要求1所述的步长确定方法，其特征在于，所述当前步行加速度数据和/或历史步行加速度数据包括落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值和/或一步过程中加速度的方差。

5.根据权利要求1所述的步长确定方法，其特征在于，所述历史步行加速度数据包括真实的历史步行加速度数据和/或模拟的历史步行加速度数据；所述历史步长值包括真实的历史步长值和/或模拟的历史步长值。

6.根据权利要求5所述的步长确定方法，其特征在于，获取所述真实的历史步长值包括通过图像处理获取所述真实的历史步长值。

7.根据权利要求6所述的步长确定方法，其特征在于，所述通过图像处理获取所述真实的历史步长值包括：

获取相邻落脚点的图像；

基于所述相邻落脚点的图像，确定所述相邻落脚点各自的位置信息；

根据所述相邻落脚点各自的位置信息，确定所述真实的历史步长值。

8.根据权利要求5所述的步长确定方法，其特征在于，获取所述真实的历史步长值包括：

获取两个落脚点间的距离、所述两个落脚点间的步数和每一步的加速度数据；

基于所述两个落脚点间的距离和步数，确定平均步长值；

基于所述每一步的加速度数据，确定每一步的步长加权值；

基于所述平均步长值和每一步的步长加权值，确定每一步的真实步长值。

9.一种步长确定系统，其特征在于，包括：

第一获取模块，用于获取当前步行加速度数据；第二获取模块，用于获取历史步行加速度数据和历史步长值；

步长确定模块，用于基于所述历史步行加速度数据和历史步长值，确定与所述当前步行加速度数据对应的当前步长值。

10.根据权利要求9所述的步长确定系统，其特征在于，所述系统还包括：

训练模块，用于根据所述历史步长加速度数据和历史步长值训练步长估计模型，得到训练好的步长估计模型；

所述步长确定模块用于使用所述训练好的步长估计模型处理所述当前步行加速度数据，进而确定当前步长值。

11.根据权利要求10所述的步长确定系统，其特征在于，所述步长估计模型为神经网络模型，所述步长估计模型的输入为步行加速度数据，输出为步长值。

12.根据权利要求9所述的步长确定系统，其特征在于，所述当前步行加速度数据和/或历史步行加速度数据包括落脚点对应的加速度值、起脚点对应的加速度值、一步过程中的加速度均值和/或一步过程中加速度的方差。

13.根据权利要求9所述的步长确定系统，其特征在于，所述历史步行加速度数据包括真实的历史步行加速度数据和/或模拟的历史步行加速度数据；

所述历史步长值包括真实的历史步长值和/或模拟的历史步长值。

14.根据权利要求13所述的步长确定系统，其特征在于，所述第二获取模块通过图像处理获取所述真实的历史步长值。

15.根据权利要求14所述的步长确定系统，其特征在于，所述通过图像处理获取所述真实的历史步长值包括：

获取相邻落脚点的图像；

基于所述相邻落脚点的图像，确定所述相邻落脚点各自的位置信息；

根据所述相邻落脚点各自的位置信息，确定所述真实的历史步长值。

16.根据权利要求13所述的步长确定系统，其特征在于，所述获取真实的历史步长值包括：

获取两个落脚点间的距离、所述两个落脚点间的步数和每一步的加速度数据；

基于所述两个落脚点间的距离和步数，确定平均步长值；

基于所述每一步的加速度数据，确定每一步的步长加权值；

基于所述平均步长值和每一步的步长加权值，确定每一步的真实步长值。

17.一种步长确定装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～8中任意一项所述的操作。

18.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被计算机读取后执行如权利要求1～8任一所述的操作。

Images