CN110926467B - 一种基于均值聚类算法的自适应行人手机姿态识别方法 - Google Patents

一种基于均值聚类算法的自适应行人手机姿态识别方法 Download PDF

Info

Publication number
CN110926467B
CN110926467B CN201911093221.7A CN201911093221A CN110926467B CN 110926467 B CN110926467 B CN 110926467B CN 201911093221 A CN201911093221 A CN 201911093221A CN 110926467 B CN110926467 B CN 110926467B
Authority
CN
China
Prior art keywords
mobile phone
pedestrian
axis
attitude
cluster
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.)
Active
Application number
CN201911093221.7A
Other languages
English (en)
Other versions
CN110926467A (zh
Inventor
曾庆化
易荷田
黄河泽
雷棋尧
熊智
曾世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911093221.7A priority Critical patent/CN110926467B/zh
Publication of CN110926467A publication Critical patent/CN110926467A/zh
Application granted granted Critical
Publication of CN110926467B publication Critical patent/CN110926467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Telephone Function (AREA)

Abstract

本发明公开了一种基于新型均值聚类算法的自适应行人手机姿态识别方法，包括采集行人的手机各姿态下的加速度传感器和三轴陀螺仪输出数据，进行量化处理，并将加速度传感器输出数据虚拟为重力计数据；采用新型均值聚类算法对待识别行人的实时手机姿态进行分类识别；姿态转换检测，对行人携带手机时两种姿态之间的转换过程进行检测与识别；设定滑动窗口大小为M，存储一系列时刻采样点的簇划分结果即姿态判别结果；对滑动窗口内一系列连续手机姿态转换进行检测；输出姿态转换检测判断结果；即判断是否发生姿态转换，给出两姿态转换临界过程附近的采样点。本方法具有较强的普适性，同时方法可靠性高，计算简单并具有较好的实时性。

Description

一种基于均值聚类算法的自适应行人手机姿态识别方法
技术领域
本发明属于行人定位导航技术领域，特别涉及了一种基于均值聚类算法的自适应行人手机姿态识别方法。
背景技术
随着智能手机的普及，基于智能手机的行人定位及导航技术成为定位导航领域中的一个重要的新兴分支。目前比较常用的方法为行人航向推算算法(PDR)，这种方法要求手机保持相对人体固定的位置以保证航向的准确性。这是由于手机的姿态发生较大变动，导航系统会误认为是行人的航向发生变化，从而对定位导航结果造成严重有害的影响。然而在日常生活场景中，手机常处于多种放置姿态，一般可分为手持手机竖屏状态、手持手机横屏状态、手持手机通话状态、手持手机甩手状态以及手机放置在裤兜的状态，固定的手机携带方式极大限制了行人的手机使用场景，严重影响了用户体验感。为了适应更加广泛的应用场景，实现灵活的手机携带方式下的行人定位及导航，一种高效且适应于广大人群的行人手机姿态的实时识别方法具有重大的研究意义。
发明内容
发明目的：为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于均值聚类算法的自适应行人手机姿态识别方法，对行人手机的姿态进行识别，并检测行人手机姿态是否发生变化，有利于扩大PDR算法的应用场景。
技术方案：为了实现上述发明目的，本发明采用以下技术方案：
一种基于均值聚类算法的自适应行人手机姿态识别方法，包括以下步骤：
(1)采集行人的手机各姿态下的加速度传感器和三轴陀螺仪输出数据，进行量化处理，并将加速度传感器输出数据虚拟为重力计数据；
(2)采用均值聚类算法对待识别的行人实时手机姿态进行分类识别；
(3)姿态转换检测，对行人携带手机时两种姿态之间的转换过程进行检测与识别；
设定滑动窗口大小为M，存储一系列时刻采样点的簇划分结果即姿态判别结果；对滑动窗口内一系列连续手机姿态转换进行检测；
(4)输出姿态转换检测判断结果；即判断是否发生姿态转换，给出两姿态转换临界过程附近的采样点。
进一步的，步骤(1)中将加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。
进一步的，步骤(2)包括以下步骤：
(21)初始化均值聚类中心；
将步骤(1)中多名行人的手机各姿态下的虚拟重力计数据求和，并将其平均值作为初始均值聚类中心；设定多名行人各个手机姿态的均值聚类中心即均值向量为{u01,u02...,u0k}，其中k为手机姿态数；所述各个手机姿态的初始聚类中心{u01,u02...,u0k}即各个姿态下多名行人手机各姿态下虚拟重力计数据的均值向量，计算公式为：
Figure GDA0003055306360000021
其中，gxpi、gypi和gzpi分别为第i类姿态下第p组虚拟重力计x、y和z轴的重力分布数据，m是用于计算均值向量的数据的总个数；
(22)初始化滑动窗口，用于存储一段连续输入采样点的陀螺仪z轴数值；
设定滑动窗口长度为H，定义变量：
A＝max grozm,m∈[1,H]；
其中，max grozm为滑动窗口中最大的陀螺仪z轴数值，且滑动窗口大小H大于陀螺仪信号一周期的采样数据个数；
(23)进行均值聚类算法匹配过程。
更进一步的，步骤(23)包括以下步骤：
(231)实时采集待识别行人手机姿态数据，进行量化处理，并将t时刻加速度传感器输出数据虚拟为重力计数据，计算t时刻待识别行人手机虚拟重力计数据与上一时刻更新后的均值聚类中心中各类的均值向量u(t-1)i(1≤i≤k)的距离：dti＝||Xt-u(t-1)i||2，其中Xt为三维向量即待识别行人的t时刻重力计三轴数值，其中t＝1,2,…T，T表示采集的待识别行人手机姿态数据的数量；
根据距离最近的均值向量确定Xt的簇标记
Figure GDA0003055306360000031
即当i使得dti取最小时令λt等于i即进行一次姿态划分；即若第i类聚类中心与Xt距离最近即判断Xt属于i类姿态，则令Xt的簇标记λt等于i；即，取距离最小的类作为待识别行人手机姿态的类别；
(232)所有姿态都由聚类识别分类，特别地对于重力分布有重合的手机姿态，根据手机三轴陀螺仪数据，基于聚类识别结果进一步结合信号特征E1和E2进行匹配识别；
定义鉴别裤兜模式传感器信号特征为E1，定义鉴别甩手模式的传感器信号特征为E2，定义均值聚类算法识别结果为E3，具体计算方式：
Figure GDA0003055306360000032
Figure GDA0003055306360000033
Figure GDA0003055306360000034
其中，proximity是近距离传感器数值，即当近距离传感器数值为0时，特征E1成立，否则不成立；max Groz为连续采样点内陀螺仪z轴最大值即滑动窗口A内最大值，thrl为阈值，若max Groz大于该阈值则E2成立；E3的结果由聚类识别结果决定，聚类识别结果为竖屏即E3＝1，聚类识别结果为横屏即E3＝2，聚类识别结果为通话即E3＝3，聚类识别结果为甩手即E3＝4，聚类识别结果为裤兜即E3＝5；具体识别逻辑决策表如下：
表1重力重合区域聚类算法结合信号特征识别决策逻辑表
Figure GDA0003055306360000035
Figure GDA0003055306360000041
表1中，括号里的数字为该事件的结果，E1(0)E3(4)表示E1＝0和E3＝4同时满足时，分类结果为甩手；E1(1)E3(4)表示E1＝1和E3＝4同时满足时，分类结果为裤兜；E2(0)E3(5)表示E2＝0和E3＝5同时满足时，分类结果为裤兜；
(233)将数据Xt划入相应的簇
Figure GDA0003055306360000042
簇即为一系列待识别手机姿态划分的一类；
(234)更新第i类簇的聚类均值中心，其他簇均值中心数值不变；
(235)输出簇划分结果，即手机姿态判别结果，令t＝t+1，返回步骤(231)。
更进一步的，步骤(234)中更新第i类簇的聚类均值中心的计算公式为：
Figure GDA0003055306360000043
其中，Xt为t时刻待识别行人手机重力计三轴数值
Figure GDA0003055306360000044
其中，gxt、gyt和gzt分别为虚拟重力计在x、y和z轴分量，n为当前第i个簇类当前已识别了的共n组重力数据，uti为第i个簇类更新后均值向量，u(t-1)i为第i个簇类上一时刻更新后的均值向量。
进一步的，步骤(3)包括以下步骤：
(31)判断该滑动窗口内的状态点来自于哪几种姿态；
(32)判别每种姿态的状态点是否连续，且连续的状态点的个数是否超过阈值G；若是，则判定该滑动窗口表示的时间段内存在该姿态，否则该姿态的出现为错判；
(33)对这一过程连续状态点进行姿态转换过程匹配，判断属于哪两种姿态之间的转换。
其中，滑动窗口大小M应大于行人一步以内的姿态状态点个数。
有益效果：与现有技术相比，具有以下技术效果：本发明方法相对一般的手机姿态判别方法而言，普适性强识别准确率高，实现了自适应的行人手机姿态识别。相比于深度学习等方法，本方法计算简单，容易实现，且实时性高。
附图说明
图1为本发明的整体流程图；
图2为本发明中单个行人手机重力计球面坐标区域分布示意图；
图3为三个行人手机姿态重力球重力分布示意图；
图4为行人行走过程中携带手机各姿态下陀螺仪Z轴信号特征图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明公开了一种基于均值聚类算法的自适应行人手机姿态识别方法，包含如下具体步骤：
步骤1、采集行人手机各姿态下的加速度传感器和三轴陀螺仪输出数据，进行量化处理，并将加速度传感器输出数据虚拟为重力计数据。
加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。
步骤2、采用均值聚类算法对待识别行人的实时手机姿态进行分类识别；
(21)初始化均值聚类中心；
将步骤(1)中多名行人的手机各姿态下的虚拟重力计数据求和，各姿态的数据平均值作为各姿态的初始均值聚类中心；设定多名行人各个手机姿态的均值聚类中心即均值向量为{u01,u02...,u0k}，其中k为手机姿态数；所述各个手机姿态的初始聚类中心{u01,u02...,u0k}即各个姿态下多名行人手机各姿态下虚拟重力计数据的均值向量，计算公式为：
Figure GDA0003055306360000051
其中，gxpi、gypi和gzpi分别为第i类姿态下第p组虚拟重力计x、y和z轴的重力分布数据，m是用于计算均值向量的数据的总个数。
(22)初始化滑动窗口，用于存储一段连续输入采样点的陀螺仪z轴数值；
设定滑动窗口长度为H，定义变量：
A＝max grozm,m∈[1,H]；
其中，maxgrozm为滑动窗口中最大的陀螺仪z轴数值。滑动窗口即每读入一个数据更新一次，窗口的总长度不变。且滑动窗口大小H大于陀螺仪信号一周期的采样数据个数。
(23)进行均值聚类算法匹配过程；具体为：
同一行人不同手机姿态的三轴重力分布投影到球面坐标系中，所述球面坐标系由当地重力数值为半径，三轴代表重力计三轴，即将重力计三轴输出数据分别投影到球面坐标系三轴上，有明显的区域分布特征如图2所示，其中I、II、III、IV和V分别为横屏、竖屏、通话、裤兜以及甩手姿态。但是不同行人的重力分布如图3所示难以使用静态的阈值进行划分，对此本专利提出以下基于聚类算法的手机姿态识别匹配过程：
(231)实时采集待识别行人手机姿态数据，进行量化处理，并将t时刻加速度传感器输出数据虚拟为重力计数据，计算t时刻待识别行人手机虚拟重力计数据与上一时刻的更新后的均值聚类中心中各类的均值向量u(t-1)i(1≤i≤k)的距离：dti＝||Xt-u(t-1)i||2，其中Xt为三维向量即待识别行人的t时刻重力计三轴数值，其中t＝1,2,…T，T表示采集的待识别行人手机姿态数据的数量。
根据距离最近的均值向量确定Xt的簇标记
Figure GDA0003055306360000061
即当i使得dti取最大时令λt等于i即进行一次姿态划分；即若第i类聚类中心与Xt距离最近即判断Xt属于i类姿态，则令Xt的簇标记λt等于i；即，取距离最小的类作为待识别行人手机姿态的类别。
(232)对于重力分布有重合的手机姿态，根据手机三轴陀螺仪数据，由聚类识别结果并进一步结合信号特征E1和E2进行匹配识别；
由于不同行人手机的同种姿态分布区域存在差异，如图3所示，难以进行静态的区域划分。对此，本实施例所述聚类算法基于不同手机姿态下的重力分布特征实现了对不同行人各种手机姿态的动态区域自适应识别。所有姿态都基于聚类结果分类，特别地对于重力分布有重合的姿态结合信号特征E1、E2的匹配结果。
对手机内置陀螺仪及近距离传感器的传感器信号特征进行分析和匹配。不同姿态下陀螺仪Z轴信号最大值等信号特征有明显区别，如图4所示；当手机位于裤兜中时手机被裤兜遮挡，手机中的近距离传感器数值为0。当重力值的分布难以区分时，即难以根据重力分布进行聚类划分时，进行这一步，即结合各姿态信号特征匹配进行区分，提高识别率；
对于重力重合的情况例如裤兜和甩手姿态的识别具体实施方式为：定义鉴别裤兜模式传感器信号特征为E1，定义鉴别甩手模式的传感器信号特征为E2，定义均值聚类算法识别结果为E3，具体计算方式：
Figure GDA0003055306360000071
Figure GDA0003055306360000072
Figure GDA0003055306360000073
其中，proximity是近距离传感器数值，即当近距离传感器数值为0时，特征E1成立，否则不成立。max Groz为连续采样点内陀螺仪z轴最大值即滑动窗口A内最大值，thrl为阈值，若max Groz大于该阈值则E2成立。E3的结果由聚类识别结果决定，聚类识别结果为竖屏即E3＝1，聚类识别结果为横屏即E3＝2，聚类识别结果为通话即E3＝3，聚类识别结果为甩手即E3＝4，聚类识别结果为裤兜即E3＝5。具体识别逻辑决策表如下：
表1重力重合区域聚类算法结合信号特征识别决策逻辑表
Tab.1 Gravity coincidence region clustering algorithm combined withsignal feature recognition decision logic table
Figure GDA0003055306360000074
表1中，括号里的数字为该事件的结果，例如前面定义过E1为1是即近距离传感器数值为0，即E1成立，否则E1为0时近距离传感器数值不为0。E1和E3放在一起即两个事件的结果一起判断得到一个分类结果，即E1(0)E3(4)表示E1＝0和E3＝4同时满足时，分类结果为甩手；E1(1)E3(4)表示E1＝1和E3＝4同时满足时，分类结果为裤兜；E2(0)E3(5)表示E2＝0和E3＝5同时满足时，分类结果为裤兜。
(233)将数据Xt划入相应的簇
Figure GDA0003055306360000081
簇即一系列识别点的集合，一个点识别为该类即划分到该类点识别的集合。
(234)更新第i类簇的聚类均值中心，其他簇不变；
经典k-means聚类算法的应用场景为样本集已知，对总数固定的已知的样本集进行分类，从初始聚类中心开始，以距离的远近划分类簇，对一次划分完成后的每个类簇内的所有样本点计算均值向量得到新的聚类中心，以新的聚类中心进行下一次簇的划分，重复上述步骤直至聚类中心幅度变化小于阈值或者程序运行达到最大运行轮数则停止聚类得到最终簇的划分结果。为提高算法的实时性并减小算法的计算量，实现对每一个到来的采样点进行实时姿态判断识别，且能适应于不同的行人的手机姿态判别，在已知传感器数据存在区域分布的特征(如图2所示)，并已知簇的种类个数的情况下(这里指出每个簇即代表一种手机姿态)，本发明提出的均值聚类算法由当前已识别出的样本点参与参数更新，不断更新每类簇的聚类均值中心，适用于具有较好体验感的行人实时定位导航场景。
本发明中更新第i类簇的聚类均值中心计算公式为：
Figure GDA0003055306360000082
其中，Xt为t时刻待识别行人手机重力计三轴数值
Figure GDA0003055306360000083
其中，gxt、gyt和gzt分别为虚拟重力计在x、y和z轴分量，n为当前第i个簇类当前已识别了的共n组重力数据，uti为第i个簇类更新后均值向量，u(t-1)i为第i个簇类上一时刻更新后的均值向量。该式意义在于每到来一个样本点，通过距离以及信号特征判断划分为簇类i，则i簇的聚类中心重新计算，而其它簇中心不变，计算方式为该式所述，仅由上一次的聚类中心和本次聚类划分得到的样本点计算新的聚类中心，大大减少了计算量。
(235)输出簇划分结果，即手机姿态判别结果，令t＝t+1，返回步骤(231)。
步骤3、姿态转换检测，对行人携带手机时两种姿态之间的转换过程进行检测与识别；
设定滑动窗口大小为M，存储一系列时刻采样点的簇划分结果即姿态判别结果；对滑动窗口内一系列连续手机姿态转换进行检测；
(31)判断该滑动窗口内的状态点来自于哪几种姿态；
(32)判别每种姿态的状态点是否连续，且连续的状态点的个数是否超过阈值G；若是，则判定该滑动窗口表示的时间段内存在该姿态，否则该姿态的出现为错判。这是由于种稳定的姿态状态转换到另一种稳定的姿态状态的过程中，很有可能出现个别姿态类别误判点或者这两种姿态的转换经过第三种姿态的重力特征区域如图2(a)和图2(b)所示，在该图中状态II转换到IV经过了状态V。
(33)对这一过程连续状态点进行姿态转换过程匹配，判断属于哪两种姿态之间的转换。
行人携带手机时的手机姿态转换过程，可能出现个别姿态误判点，也可能出现两种姿态之间的转换的重力分布经过了第三种姿态的重力分布区域如图2(a)和图2(b)所示在该图中状态II转换到IV经过了状态V，而姿态转换过程中陀螺仪信号受到转换动作的干扰，信号特征难以用于姿态区分。步骤3方法所述避免了以上几种情况下手机姿态转换误判的情况发生，姿态连续状态点个数超过阈值表示这是一个稳定存在的状态。其中滑动窗口大小M应大于行人一步以内的姿态状态点个数。
(4)输出姿态转换检测判断结果。即判断是否发生姿态转换，给出两姿态转换临界过程附近的采样点。
本发明实施例对手机姿态分类不做限定，在上述任意实施例的基础上，优选的，手机姿态可以包括打电话、手持竖屏、手持横屏、甩手、裤兜。
本发明实施例对重力计信号和陀螺仪信号的采集频率不做限定，在上述任意实施例的基础上，其采样间隔可以为ams，频率为
Figure GDA0003055306360000091
则每路信号每秒有
Figure GDA0003055306360000092
个点。当样本数据中的信号包括重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号以及在X轴、Y轴、Z轴三个方向上的陀螺仪信号，上述6路信号共计
Figure GDA0003055306360000093
个采样点每秒。

Claims (5)

1.一种基于均值聚类算法的自适应行人手机姿态识别方法，其特征在于，包括以下步骤：
(1)采集行人的手机各姿态下的加速度传感器和三轴陀螺仪输出数据，进行量化处理，并将加速度传感器输出数据虚拟为重力计数据；
(2)采用均值聚类算法对待识别的行人实时手机姿态进行分类识别；包括以下步骤：
(21)初始化均值聚类中心；
将步骤(1)中多名行人的手机各姿态下的虚拟重力计数据求和，并将其平均值作为初始均值聚类中心；设定多名行人各个手机姿态的均值聚类中心即均值向量为{u01,u02...,u0k}，其中k为手机姿态数；所述各个手机姿态的初始聚类中心{u01,u02...,u0k}即各个姿态下多名行人手机各姿态下虚拟重力计数据的均值向量，计算公式为：
Figure FDA0003055306350000011
其中，gxpi、gypi和gzpi分别为第i类姿态下第p组虚拟重力计x、y和z轴的重力分布数据，m是用于计算均值向量的数据的总个数；
(22)初始化滑动窗口，用于存储一段连续输入采样点的陀螺仪z轴数值；
设定滑动窗口长度为H，定义变量：
A＝max grozm,m∈[1,H]；
其中，max grozm为滑动窗口中最大的陀螺仪z轴数值，且滑动窗口大小H大于陀螺仪信号一周期的采样数据个数；
(23)进行均值聚类算法匹配过程；
包括以下步骤：
(231)实时采集待识别行人手机姿态数据，进行量化处理，并将t时刻加速度传感器输出数据虚拟为重力计数据，计算t时刻待识别行人手机虚拟重力计数据与上一时刻更新后的均值聚类中心中各类的均值向量u(t-1)i(1≤i≤k)的距离：dti＝||Xt-u(t-1)i||2，其中Xt为三维向量即待识别行人的t时刻重力计三轴数值，其中t＝1,2,…T，T表示采集的待识别行人手机姿态数据的数量；
根据距离最近的均值向量确定Xt的簇标记
Figure FDA0003055306350000021
即当i使得dti取最小时令λt等于i即进行一次姿态划分；即若第i类聚类中心与Xt距离最近即判断Xt属于i类姿态，则令Xt的簇标记λt等于i；即，取距离最小的类作为待识别行人手机姿态的类别；
(232)所有姿态都由聚类识别分类，对于重力分布有重合的手机姿态，根据手机三轴陀螺仪数据，基于聚类识别结果进一步结合信号特征E1和E2进行匹配识别；
定义鉴别裤兜模式传感器信号特征为E1，定义鉴别甩手模式的传感器信号特征为E2，定义均值聚类算法识别结果为E3，具体计算方式：
Figure FDA0003055306350000022
Figure FDA0003055306350000023
Figure FDA0003055306350000024
其中，proximity是近距离传感器数值，即当近距离传感器数值为0时，特征E1成立，否则不成立；maxGroz为连续采样点内陀螺仪z轴最大值即滑动窗口A内最大值，thrl为阈值，若maxGroz大于该阈值则E2成立；E3的结果由聚类识别结果决定，聚类识别结果为竖屏即E3＝1，聚类识别结果为横屏即E3＝2，聚类识别结果为通话即E3＝3，聚类识别结果为甩手即E3＝4，聚类识别结果为裤兜即E3＝5；具体识别逻辑决策表如下：
表1重力重合区域聚类算法结合信号特征识别决策逻辑表
Figure FDA0003055306350000025
Figure FDA0003055306350000031
表1中，括号里的数字为该事件的结果，E1(0)E3(4)表示E1＝0和E3＝4同时满足时，分类结果为甩手；E1(1)E3(4)表示E1＝1和E3＝4同时满足时，分类结果为裤兜；E2(0)E3(5)表示E2＝0和E3＝5同时满足时，分类结果为裤兜；
(233)将数据Xt划入相应的簇
Figure FDA0003055306350000032
簇即为一系列待识别手机姿态划分的一类；
(234)更新第i类簇的聚类均值中心，其他簇均值中心数值不变；
(235)输出簇划分结果，即手机姿态判别结果，令t＝t+1，返回步骤(231)；
(3)姿态转换检测，对行人携带手机时两种姿态之间的转换过程进行检测与识别；
设定滑动窗口大小为M，存储一系列时刻采样点的簇划分结果即姿态判别结果；对滑动窗口内一系列连续手机姿态转换进行检测；
(4)输出姿态转换检测判断结果；即判断是否发生姿态转换，给出两姿态转换临界过程附近的采样点。
2.根据权利要求1所述的一种基于均值聚类算法的自适应行人手机姿态识别方法，其特征在于，步骤(1)中将加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。
3.根据权利要求1所述的一种基于均值聚类算法的自适应行人手机姿态识别方法，其特征在于，步骤(234)中更新第i类簇的聚类均值中心的计算公式为：
Figure FDA0003055306350000033
其中，Xt为t时刻待识别行人手机重力计三轴数值
Figure FDA0003055306350000034
其中，gxt、gyt和gzt分别为虚拟重力计在x、y和z轴分量，n为当前第i个簇类当前已识别了的共n组重力数据，uti为第i个簇类更新后均值向量，u(t-1)i为第i个簇类上一时刻更新后的均值向量。
4.根据权利要求1所述的一种基于均值聚类算法的自适应行人手机姿态识别方法，其特征在于，步骤(3)包括以下步骤：
(31)判断该滑动窗口内的状态点来自于哪几种姿态；
(32)判别每种姿态的状态点是否连续，且连续的状态点的个数是否超过阈值G；若是，则判定该滑动窗口表示的时间段内存在该姿态，否则该姿态的出现为错判；
(33)对这一过程连续状态点进行姿态转换过程匹配，判断属于哪两种姿态之间的转换。
5.根据权利要求4所述的一种基于均值聚类算法的自适应行人手机姿态识别方法，其特征在于，滑动窗口大小M应大于行人一步以内的姿态状态点个数。
CN201911093221.7A 2019-11-11 2019-11-11 一种基于均值聚类算法的自适应行人手机姿态识别方法 Active CN110926467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911093221.7A CN110926467B (zh) 2019-11-11 2019-11-11 一种基于均值聚类算法的自适应行人手机姿态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911093221.7A CN110926467B (zh) 2019-11-11 2019-11-11 一种基于均值聚类算法的自适应行人手机姿态识别方法

Publications (2)

Publication Number Publication Date
CN110926467A CN110926467A (zh) 2020-03-27
CN110926467B true CN110926467B (zh) 2021-08-06

Family

ID=69853702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911093221.7A Active CN110926467B (zh) 2019-11-11 2019-11-11 一种基于均值聚类算法的自适应行人手机姿态识别方法

Country Status (1)

Country Link
CN (1) CN110926467B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598052A (zh) * 2020-12-21 2021-04-02 中建八局第二建设有限公司 一种基于K-Means的机械姿态分析方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964685A (zh) * 2015-06-30 2015-10-07 广州市香港科大霍英东研究院 一种手机运动姿态的判定方法
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别
KR20170010593A (ko) * 2015-07-20 2017-02-01 아이데카 주식회사 사용자 단말의 위치 측정 방법 및 장치
CN107368202A (zh) * 2017-07-13 2017-11-21 东软集团股份有限公司 识别驾驶员使用手机行为的方法、装置和计算设备
CN108307050A (zh) * 2018-01-18 2018-07-20 大连理工大学 一种基于智能手机传感器的建筑工人动作识别集成方法
CN109614939A (zh) * 2018-12-13 2019-04-12 四川长虹电器股份有限公司 基于人体姿态估计的“玩手机”行为检测识别方法
CN109708631A (zh) * 2018-12-26 2019-05-03 南京航空航天大学 一种基于手机模态识别的行人导航航向修正方法
CN109815858A (zh) * 2019-01-10 2019-05-28 中国科学院软件研究所 一种日常环境中的目标用户步态识别系统及方法
CN106295675B (zh) * 2016-07-25 2019-09-27 南京邮电大学 一种高准确性的基于智能手机的行为识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964685A (zh) * 2015-06-30 2015-10-07 广州市香港科大霍英东研究院 一种手机运动姿态的判定方法
KR20170010593A (ko) * 2015-07-20 2017-02-01 아이데카 주식회사 사용자 단말의 위치 측정 방법 및 장치
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别
CN106295675B (zh) * 2016-07-25 2019-09-27 南京邮电大学 一种高准确性的基于智能手机的行为识别方法
CN107368202A (zh) * 2017-07-13 2017-11-21 东软集团股份有限公司 识别驾驶员使用手机行为的方法、装置和计算设备
CN108307050A (zh) * 2018-01-18 2018-07-20 大连理工大学 一种基于智能手机传感器的建筑工人动作识别集成方法
CN109614939A (zh) * 2018-12-13 2019-04-12 四川长虹电器股份有限公司 基于人体姿态估计的“玩手机”行为检测识别方法
CN109708631A (zh) * 2018-12-26 2019-05-03 南京航空航天大学 一种基于手机模态识别的行人导航航向修正方法
CN109815858A (zh) * 2019-01-10 2019-05-28 中国科学院软件研究所 一种日常环境中的目标用户步态识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于手机传感器的握持方式判断及运动状态识别;黄一鸣等;《电子科技大学学报》;20170430;第46卷(第02期);第399-406页 *

Also Published As

Publication number Publication date
CN110926467A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
WO2021082749A1 (zh) 一种基于人工智能的动作识别方法和相关装置
CN110113116B (zh) 基于wifi信道信息的人体行为识别方法
US10061389B2 (en) Gesture recognition system and gesture recognition method
CN110232308B (zh) 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法
CN110287825B (zh) 一种基于关键骨骼点轨迹分析的摔倒动作检测方法
CN108171278B (zh) 一种基于运动训练数据的运动模式识别方法和系统
CN109597485B (zh) 一种基于双指角域特征的手势交互系统及其工作方法
CN107635204A (zh) 一种运动行为辅助的室内融合定位方法及装置、存储介质
CN108196668B (zh) 一种便携式手势识别系统及方法
CN106575150A (zh) 使用运动数据识别手势
CN107992792A (zh) 一种基于加速度传感器的空中手写汉字识别系统及方法
CN108510011B (zh) 一种基于手机多传感器的用户出行方式分析方法
CN104731307A (zh) 一种体感动作识别方法及人机交互装置
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
CN105573498A (zh) 一种基于Wi-Fi信号的手势识别方法
CN107766930B (zh) 基于dtw群集模糊分群som神经元的等效rom距离计算方法
Zinnen et al. An analysis of sensor-oriented vs. model-based activity recognition
CN115294658B (zh) 一种面向多应用场景的个性化手势识别系统及其手势识别方法
Wu et al. Continuous arm gesture recognition based on natural features and logistic regression
CN110929766B (zh) 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法
CN108108015A (zh) 一种基于手机陀螺仪和动态时间规整的动作手势识别方法
CN110926467B (zh) 一种基于均值聚类算法的自适应行人手机姿态识别方法
CN110866468A (zh) 一种基于无源rfid的手势识别系统及方法
CN107346207B (zh) 一种基于隐马尔科夫模型的动态手势切分识别方法
CN110362264B (zh) 一种基于触摸板的动态手势识别方法、装置和系统

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
GR01 Patent grant
GR01 Patent grant