CN114739412B - 一种基于智能手机的行人步态实时检测方法及设备 - Google Patents

Abstract

本发明公开了一种基于智能手机的行人步态实时检测方法及设备。所述方法通过智能手机的加速度传感器实时采集行人运动的惯性信号，对采集到的加速度数据计算合成加速度、滤波降噪等预处理操作，然后通过波峰检测法检测波峰点，并通过构建加速度序列和结合动态时间规整算法对此波峰点作进一步判断分析，若满足条件则计步。与传统波峰检测法相比，本发明提出的方法具有更高的步态检测准确率。

Description

一种基于智能手机的行人步态实时检测方法及设备

技术领域

本发明涉及室内定位领域，具体涉及一种基于智能手机的行人步态实时检测方法及设备。

背景技术

随着移动互联网的发展和万物互联时代的到来，以及智能手机等移动终端的日益普及，室内定位和基于室内定位的相关应用越来越受到关注。室内定位提供了实时跟踪室内环境中人的位置信息的能力，在定位导航、应急救援、广告推送、移动健康、虚拟现实等多个领域都有广泛的应用。全球导航卫星系统能够在室外为用户提供高精度、低成本、实时的定位服务，但是由于信号的衰减和多径效应导致其无法应用于室内定位。为了满足爆炸性的室内定位服务的需求，研究人员开发出了各种室内定位技术，当前有多种可用的室内行人导航定位技术，主要有基于无线电信号(如WiFi、蓝牙、超宽带等)的室内定位技术，指纹定位技术和行人航位推算技术。

行人航位推算技术通过惯性传感器(如加速度计、陀螺仪和磁力计)测得行人运动的加速度和陀螺仪等信息，通过导航系统解算出行人的步长和航向等运动信息，实时推算出行人的位置。由于行人航位推算技术仅依赖于智能手机内置的惯性传感器便可实现实时定位，不依赖于外部基础设施，受环境影响极小，可扩展性强，无需先验信息，目前成为了一项主流的室内行人导航技术。

行人航位推算技术包括步态检测、步长估计、航向估计和位置更新四个阶段，步态检测是行人航位推算技术的关键部分，是实现行人航位推算的核心基础。步态检测是通过对智能手机采集的惯性传感器数据判断行人每一步的起点和终点时刻，分割出单步长度的惯性数据，便于后续的步长估计和航向估计。由于步态检测的准确度受到手机携带姿势的影响，传统的波峰检测方法在不同手机姿势情况下容易出现步态错检或者漏检，检测精度较低。

发明内容

发明目的：针对现有技术步态检测方法存在较大误差的缺陷，本发明提出一种基于智能手机的行人步态实时检测方法来提高步态检测准确率。

技术方案：为了实现以上发明目的，本发明的技术方案如下：

一种基于智能手机的行人步态实时检测方法，包括以下步骤：

步骤1：采集智能手机在行人连续运动下的三轴加速度数据，根据三轴加速度数据，计算出智能手机的旋转矩阵，将设备坐标系下的三轴加速度转换为地理坐标系下的三轴加速度数据；

步骤2：对三轴加速度计算合加速度，并消除重力加速度的影响；

步骤3：对加速度数据进行波峰检测，当判断当前加速度数据p_k为一个波峰之后，保存p_k对应的时间t_k为(p_k,t_k)；

步骤4：继续检测和保存与p_k相邻的波峰点(p_k+1,t_k+1)和(p_k+2,t_k+2)；以t_k和t_k+1之间的所有加速度值构建序列A，以t_k+1和t_k+2之间的所有加速度值构建序列B；

步骤5：用动态时间规整算法计算序列A和序列B之间的距离DTW(A,B)，并将DTW(A,B)与预设的阈值σ₁比较大小；

步骤6：若DTW(A,B)≤σ₁，则计步数加1，并从波峰p_k+1处继续步态检测，直至所有加速度检测完毕，输出步数；

步骤7：若DTW(A,B)>σ₁，则继续检测和保存波峰点(p_k+3,t_k+3)和(p_k+4,t_k+4)；将t_k和t_k+2之间的加速度值构建序列C，同理将t_k+2和t_k+4之间的加速度值构建序列D；

步骤8：利用动态时间规整算法求DTW(C,D)，并将DTW(C,D)与预设的阈值σ₂比较大小；

步骤9：若DTW(A,B)≤σ₂，则计步数加2，并从波峰p_k+2处继续步态检测，直至所有加速度检测完毕，输出步数；

步骤10：若DTW(A,B)>σ₂，则从波峰p_k+1处继续步态检测。

其中，加速度序列构建方法如下：

在k时刻检测到一个波峰点p_k，此时波峰点数p加1，判断p和预设的步数间隔s的关系是否满足：p＝＝s+1，若不满足，则s＝1时将p_k相邻的下一个加速度值a_k+1加入序列A中，s＝2时将该加速度值加入序列C中；

对所有加速度值都重复判断p与s的关系是否满足上述条件，完成序列A或C的构建，再判断p和s的关系是否满足：s≤p≤s*2，若满足条件，则s＝1时将p_k相邻的下一个加速度值a_k+1加入序列B中，s＝2时将该加速度值加入序列D中，直到不满足条件，返回构建的加速度序列，以及下一个待判断的峰值点。

一种设备，包括：存储器，存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行如上所述的基于智能手机的行人步态实时检测方法的步骤。

一种计算机存储介质，存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行如上所述的基于智能手机的行人步态实时检测方法的步骤。

有益效果：本发明所提出的一种基于智能手机的行人步态实时检测方法，采用三轴加速度的合加速度来进行数据分析，能够避免设备自身的移动或旋转带来的干扰。对加速度进行低通滤波过滤掉噪声信号产生的伪波峰和伪波谷对步态检测准确率的影响。本发明特别考虑到手持智能手机随手摆动情况下的波形特点，提出了结合动态时间规整算法来提高步态检测准确率。本发明在手机手持胸前、接打电话、置入口袋、随手摆动这四种姿势及其混合姿势下都达到较高的步态检测准确率。

附图说明

图1是本发明步态检测方法的流程图。

图2是不同坐标系的对比图。

图3是低通滤波后的加速度波形对比图。

图4是本发明步态实时检测算法说明图。

图5是手机随手摆动姿势的加速度波形图。

图6是本发明在不同手机姿势下的实验结果图。

具体实施方式

下面结合附图对本发明的实施方法作进一步说明。

本发明提出一种基于智能手机的行人步态实时检测方法，智能手机、手机、设备在下文中互换使用，均是指内置惯性传感器的手持式移动终端。在一些实施方式中，智能手机也可以是诸如智能手环、智能手表等可穿戴设备。以下结合附图描述的方法过程以智能手机为示例，但本领域技术人员应理解，这并不是对本发明的限制。如图1所示，本发明的步态检测方法包括：

步骤1：采集智能手机在不同的手机姿势下行人运动的惯性传感器数据。本实施例使用的数据采集软件是基于Android Studio开发的app软件，用于采集三轴加速度信号。对于采集到的惯性传感器数据，首先要进行坐标系变换。

如图2所示，由于智能手机的坐标系是以手机设备为原点，坐标系是相对的，且会随着手机姿势的变化而发生改变，因此想要获得真实坐标数据，则需要将设备坐标系转化为地理坐标系下的坐标。

假设智能手机沿x、y、z轴的方向分别旋转ω、γ度得到旋转矩阵R：

若手机采集的原始传感器数据为A＝(a₁,a₂,a₃)，则转化后的坐标B为：

B＝R*A

安卓提供的getRotationMatrix()方法可以获取到旋转矩阵，通过向getRotationMatrix()方法中传入设备坐标下的重力向量gravity和磁力向量magnetic即可得到旋转矩阵R，具体伪代码如下：

SensotManager.getRotationMatrix(R,I,gravity,magnetic)

因此，通过智能手机实时采集到的行人运动数据，便转化为了地理坐标系下的坐标形式，数据输入到数据预处理模块继续处理。

步骤2：加速度传感器在采集行人步态信号过程中会存在设备移动或旋转现象，采集的步态信号也会包含重力加速度的影响。此时若以某一轴的加速度信号来进行步态分析，会存在较大的误差。为了获得与方向无关的数据，且同时消除重力加速度的影响，本发明采用三轴方向加速度信号计算合成变量作为步态检测信号，计算公式如下：

其中，a_x为X轴加速度数据，a_y为Y轴加速度数据，a_z为Z轴加速度数据，g为重力加速度，a为合成加速度。若无特殊说明，本发明的加速度数据都指合成加速度。

步骤3：由于人体在连续行走时的周期重复性，合加速度信号呈现类似正弦波的波形，具有明显的波峰和波谷。最简单的步态检测通过检测波峰或波谷的数量即可进行计步，但是由于采集到的加速度信号中含有各种噪声信号，使得加速度数据变得杂乱无章，形成大量伪波峰和伪波谷，影响步态检测的准确率。对此，本发明采取巴特沃斯低通滤波器对原始加速度信号进行数据降噪处理，尽可能消除各种噪声信号的干扰，同时最大程度的保留原始数据的特征。

巴特沃斯低通滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有纹波。其可用如下振幅的平方对频率的公式表示：

其中，n为滤波器的阶数，ω为角频率，ω_c为滤波器的截止频率。巴特沃斯滤波器的滤波效果与截止频率有关，本发明选择具有5Hz截止频率的2阶巴特沃斯低通滤波器对加速度数据进行滤波降噪，滤波前后的加速度波形如图3所示。

步骤4：如图4所示，运用波峰检测法检测第k个满足波峰条件的波峰点p_k，并记录此波峰点对应的时间t_k。波峰检测的满足条件如下所示：

p_k＝{a_k|a_k>a_k-1&&a_k>a_k+1}

如果当前时刻加速度a_k大于上一时刻加速度a_k-1且当前时刻加速度a_k大于下一时刻加速度a_k+1，则判断a_k为一个可能的波峰点。

步骤5：继续检测与此波峰点p_k相邻的下一个波峰点p_k+1和p_k+2，记录它们各自对应的时间t_k+1和t_k+2。将t_k和t_k+1之间的所有加速度值构建加速度序列将t_k+1和t_k+2之间的加速度值构建一个加速度序列/>

本发明对构建加速度序列的主要过程进一步说明如下：假设当前检测到一个波峰点p_k，此时波峰点数p加1，假设要求间隔s步(本发明中s＝1或s＝2)构建加速度序列，首先判断p和s的关系是否满足如下关系：

p＝＝s+1

若不满足，则将p_k相邻的下一个加速度值a_k+1存储到数组A中(s＝1时，若s＝2则将此加速度值存储到本发明下述的数组C中)。每次取一个加速度值都重复判断p与s的关系是否满足上述条件，直到满足条件，则此序列A构建完成。于是继续构建序列B，此时判断p和s的关系是否满足的关系为：

s≤p≤s*2

与上面类似，若满足条件则将加速度值存储到数组B(s＝1时，若s＝2则将此加速度值存储到本发明下述的数组D中)。直到不满足条件便返回构建的加速度序列A(或C)和B(或D)，以及下一个待判断的峰值点。

下面附上本发明构建加速度序列的算法的伪代码，如算法1所示：

步骤6：动态时间规整(Dynamic Time Warping,DTW)算法是一种应用广泛的用于比较两个时间序列之间相似度的方法，DTW算法通过找到两个时间序列之间相似的点，计算所有相似点的距离之和作为规整路径距离，用规整路径距离来衡量两个时间序列的相似性，规整路径距离越小，相似度越高。

由于本发明使用DTW算法来计算两个加速度序列之间的相似度，因此对DTW算法的原理进行解释：假设两个时间序列分别为R＝{r₁,r₂,…,r_n}和B＝{b₁,b₂,…,b_m}，n和m分别为这两个时间序列的长度，一般情况下n不等于m。为了对齐这两个时间序列，构建一个n×m的矩阵网格D，每一个矩阵元素(i,j)表示点r_i和b_j的对齐，矩阵元素(i,j)的值d_ij为r_i和b_j之间的距离，一般采用欧式距离计算，d_ij＝(r_i-b_j)²，也可以采用其它公式。

动态规整算法可以归结为寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列进行计算的对齐的点，被找到的这条路径是在矩阵D中从d₁₁到d_nm的连续的包含矩阵元素的集合，此集合就被定义为规整路径W，W＝{w₁,w₂,…,w_k}。

其中max(m,n)≤K<m+n-1，而规整路径W同时也必须满足以下3个约束条件：

1)边界条件：起点是d₁₁，终点是d_nm，即所选路径必定是从左下角出发，到右上角结束。

2)连续性：W中相邻两元素必须是矩阵D中相邻的元素，即所选路径不能跨点匹配，只能和自己相邻的点对齐。

3)单调性：如果w_i是d_ab，w_i+1是d_a′b′，则a′＞＞a，b′＞＞b，即所选路径的点必须是随着时间单调进行的。

因此，如果规整路径通过了点(i,j)，那么下一个通过的点只可能是以下三种情况之一：(i+1,j)，(i+1,j+1)或者(i,j+1)。满足上述约束条件的路径可能有无数个，然而我们选取规整路径距离最小的路径来衡量两个序列的相似性，为了找到这个规整路径距离最小的路径，定义一个累加距离γ(i,j)，从时间点(0,0)时间点开始匹配这两个时间序列R和B，每通过一个点，之前所有的点计算的距离都会被累加，到达终点(n,m)后，这个累加距离就是动态时间规整计算的最小距离，也就可以用这个最小距离来衡量这两个时间序列之间的相似度。累加距离γ(i,j)可以通过动态规划算法得到，计算公式如下：

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

因此，本发明用DTW算法计算这两个序列之间的距离DTW(A,B)，并与预设的阈值比较大小。

步骤7：若DTW(A,B)≤阈值₁，则表明这两个序列之间相似度高，计步加1，将p_k+1设为当前待处理的波峰点，并从步骤5开始重复执行检测过程，直到所有加速度值被处理完成，输出计步数count。

步骤8：若DTW(A,B)>阈值₁，继续检测后面的波峰点p_k+3和p_k+4，并记录对应的时间t_k+3和t_k+4。将t_k和t_k+2之间的加速度值构建一个加速度序列同理将t_k+2和t_k+4之间的加速度值构建一个加速度序列/>

由于行人在连续行走时携带手机的姿势为将手机持于右手并随手摆动，此时的加速度波形如图5所示，相邻两个波峰之间的加速度值构建的序列A和B的相似度低，而间隔一步的加速度序列之间可观察到明显的周期重复性。因此，本发明在检测到相邻两个波峰之间的时间序列A和B的相似度不满足要求时，继续构建加速度序列C和D，并用DTW算法计算它们之间的距离DTW(C,D)。

步骤9：若DTW(C,D)≤阈值₂，则表明这两个序列之间的相似度高，计步加2，将p_k+2设为当前待处理的波峰点，并从步骤5开始重复执行检测过程，直到所有加速度值被处理完成，输出计步数count。

步骤10：若DTW(C,D)>阈值₂，则当前两个序列之间相似度低，且p_k波峰点检测完毕。将p_k+1设为当前待处理的波峰点，并从步骤5开始重复执行检测过程，直到所有加速度值被处理完成，输出计步数count。

本发明的具体步态实时检测算法如下：

如图6所示，为本发明提出的步态实时检测算法在这四种手机姿势：手持胸前、接打电话、置入口袋、随手摆动各行走100步以及这四种姿势的混合姿势行走100步的步态检测实验结果，在手持胸前和接打电话姿势下的步态检测误差率仅为1％，置入口袋姿势的误差率为4％，随手摆动姿势的误差率为3％，混合姿势下的误差率为5％。因此，本发明在这四种手机姿势及其混合姿势下都取得了较高的步态检测准确率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于智能手机的行人步态实时检测方法，其特征在于，包括以下步骤：

步骤1：采集智能手机在行人连续运动下的三轴加速度数据，根据三轴加速度数据，计算出智能手机的旋转矩阵，将设备坐标系下的三轴加速度转换为地理坐标系下的三轴加速度数据；

步骤2：对三轴加速度计算合加速度，并消除重力加速度的影响；

步骤3：对加速度数据进行波峰检测，当判断当前加速度数据p_k为一个波峰之后，保存p_k对应的时间t_k为(p_k，t_k)；

步骤4：继续检测和保存与p_k相邻的波峰点(p_k+1，t_k+1)和(p_k+2，t_k+2)；以t_k和t_k+1之间的所有加速度值构建序列A，以t_k+1和t_k+2之间的所有加速度值构建序列B；

步骤5：用动态时间规整算法计算序列A和序列B之间的距离DTW(A，B)，并将DTW(A，B)与预设的阈值σ₁比较大小；

步骤6：若DTW(A，B)≤σ₁，则计步数加1，并从波峰p_k+1处继续步态检测，直至所有加速度检测完毕，输出步数；

步骤7：若DTW(A，B)＞σ₁，则继续检测和保存波峰点(p_k+3，t_k+3)和(p_k+4，t_k+4)；将t_k和t_k+2之间的加速度值构建序列C，同理将t_k+2和t_k+4之间的加速度值构建序列D；

步骤8：利用动态时间规整算法求DTW(C，D)，并将DTW(C，D)与预设的阈值σ₂比较大小；

步骤9：若DTW(A，B)≤σ₂，则计步数加2，并从波峰p_k+2处继续步态检测，直至所有加速度检测完毕，输出步数；

步骤10：若DTW(A，B)＞σ₂，则从波峰p_k+1处继续步态检测。

2.根据权利要求1所述的基于智能手机的行人步态实时检测方法，其特征在于，所述步骤2中合加速度计算方式如下：

其中，a_x为智能手机X轴加速度数据，a_y为Y轴加速度数据，a_z为Z轴加速度数据，g为重力加速度，a为合加速度。

3.根据权利要求1所述的基于智能手机的行人步态实时检测方法，其特征在于，所述步骤2还包括：对合加速度进行低通滤波以过滤掉噪声信号。

4.根据权利要求3所述的基于智能手机的行人步态实时检测方法，其特征在于，所述低通滤波采用巴特沃斯低通滤波器。

5.根据权利要求1所述的基于智能手机的行人步态实时检测方法，其特征在于，所述步骤3中波峰检测的满足条件为：

p_k＝{a_k|a_k＞a_k-1&&a_k＞a_k+1}

如果当前时刻加速度a_k大于上一时刻加速度a_k-1且当前时刻加速度a_k大于下一时刻加速度a_k+1，则判断a_k为一个可能的波峰点。

6.根据权利要求1所述的基于智能手机的行人步态实时检测方法，其特征在于，加速度序列构建方法如下：

在k时刻检测到一个波峰点p_k，此时波峰点数p加1，判断p和预设的步数间隔s的关系是否满足：p＝＝s+1，若不满足，则s＝1时将p_k相邻的下一个加速度值a_k+1加入序列A中，s＝2时将该加速度值加入序列C中；

对所有加速度值都重复判断p与s的关系是否满足上述条件，完成序列A或C的构建，再判断p和s的关系是否满足：s≤p≤s*2，若满足条件，则s＝1时将p_k相邻的下一个加速度值a_k+1加入序列B中，s＝2时将该加速度值加入序列D中，直到不满足条件，返回构建的加速度序列，以及下一个待判断的峰值点。

7.一种设备，其特征在于，包括：存储器，存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行如权利要求1-6中任一项所述的基于智能手机的行人步态实时检测方法的步骤。

8.一种计算机存储介质，其特征在于，存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器执行如权利要求1-6中任一项所述的基于智能手机的行人步态实时检测方法的步骤。