一种基于软决策的多模式行人步态检测方法

本发明属于行人步行导航，具体涉及一种基于软决策的多模式行人步态检测方法。背景技术：1、近年来，随着智能化移动设备的普及，基于位置的服务迅速兴起，准确的定位信息显得尤为重要。为了解决由于建筑物的遮挡导致的gps信号衰减严重且无法穿透建筑物的问题，研究人员进行了广泛的探索，基于超宽带(ultra wide band，uwb)、wifi、蓝牙等技术的定位方法被不断提出。这些应用无线定位技术的方法往往定位精度高，但由于需要提前部署各类基础设施，定位成本较高。2、随着低成本惯性传感器技术的发展，在室内定位技术中，惯性导航定位越来越受欢迎，因为它不需要预先部署任何基础设施，而且可以通过智能手机内置的惯性传感器自主使用。传统惯性导航技术的基本思想是将前向加速度进行二次积分从而获得位移，然而这种导航技术依赖于高精度的惯性传感器，对于智能手机内置的惯性传感器而言，由于传感器精度较低，在经过一段时间的积分后会产生较大的累积误差。于是应用于低精度传感器的惯性导航技术行人航位推算(pedestrian dead reckoning，pdr)方法逐渐受到研究者的关注。pdr技术最早由levis等人在1996年提出，该方法的思想基于人的行走模式，当传感器检测到行人行进一步时，对这一步的步长以及前进方向进行估计，并相应地更新行人位置。3、步态检测是行人航位推算技术的启动模块，准确的步态检测能够精确计步并为后续估计分割出有效的数据段。其实现的原理是行人在行走的过程中，人体会带动手机在垂直方向上呈现规律性的运动，因此在加速度计和陀螺仪数据上会产生周期性的变化。常见的步态检测方法主要有峰值检测、零交叉检测和自相关分析法，这些方法在单一的智能手机携带方式下足以达到较好的检测效果，但这往往不符合日常生活中行人行走时的复杂情况，因此基于硬决策分类的多模式行人航位推算技术开始受到关注，而其中最为关键的问题是如何准确模式识别。lee和huang通过分析加速度信号的特性，提出了一种基于阈值的硬决策方法识别模式。tian等人则采用监测的旋转速率来硬决策地判断手机携带模式。但由于硬决策过程需要设定较多约束，上述方法在行人运动过程较为复杂的情况下会出现模式紊乱的情况并影响后续的估计，因此需要一种更为鲁棒的识别方法。4、术语解释5、硬决策(hard decision)：硬决策是指基于确定性规则或阈值来做出的离散决策，系统根据输入数据或信号的特征，通过应用预先设定的阈值或规则，直接给出一个离散的输出或决策结果，通常输出的结果为“0”或“1”。6、软决策(soft decision)：软决策是指基于概率或置信度来做出的决策。在软决策中，系统不仅提供一个离散的结果，还会给出这个结果的可信度或概率，通常涉及对不同可能结果的概率估计或置信度评估。技术实现思路1、本发明的目的是针对在复杂环境(智能手机携带模式变化频繁)下，过去的多模式步态检测方法由于模式识别紊乱造成的后续步态检测不准确问题，提出了一种基于软决策的多模式步态识别方法，2、第一方面，本发明提供基于软决策的多模式行人步态检测方法，包括以下步骤：3、步骤1、数据采集多模式下行人的步态数据；所述步态数据包括手机端的加速度、角速度的测量值；4、加速度采用加速度计传感器获取，角速度采用陀螺仪传感器获取；5、步骤2、数据预处理6、对多模式下行人的步态数据进行滑动平均滤波，从而减少噪声干扰。7、传感器的噪声模型建模如下：8、9、10、其中，ba、bg分别为加速度计和陀螺仪的零偏；ηa、ηg分别为加速度计和陀螺仪的随机游走噪声，该测量噪声被认为是零均值白噪声高斯过程，即服从高斯分布。分别表示步骤1采集到的加速度、角速度的测量值，a、ω分别表示加速度、角速度的真实值；11、由于传感器的零偏会受到温度的影响，因此非常不稳定，且传感器零偏一般非常微小，故此处忽略不计。对于均值为0的白噪声则使用滑动平均滤波进行过滤，该方法在信号序列上滑动一个半长度为l的窗口，计算窗口内样本的平均值作为窗口输出来进行滤波。以加速度计为例，滤波公式如下：12、13、其中t表示时刻，表示加速度估计值，而角速度估计值则为14、对加速度计进行滤波前后的一段对比结果如图3所示，可以发现滤波后的数据特征更为明显，且部分干扰的伪波峰被直接过滤了。15、步骤3、将预处理后的加速度、角速度数据输入至预先建立的模式概率估计模型，并以imm理论为基础更新当前时刻各个模式的模式概率。16、3-1预先建立模式概率估计模型17、获取预先采集的多模式下行人的步态数据，假设行人行走过程中的加速度、角速度数据分布为高斯分布，分别计算加速度、角速度的均值和标准差分别代表加速度、角速度，m代表手机携带模式；18、根据加速度、角速度的均值和标准差得到似然函数lm，即为模式概率估计模型：19、20、21、22、23、∑m＝diag(σm)24、其中，n为x的维数；∑m为模式m的协方差矩阵，假设加速度计传感器、陀螺仪传感器及其各个测量轴之间相互独立，∑m则为对角矩阵；表示将向量与向量沿着列的方向上拼接在一起，μm与σm同理；diag为创建对角矩阵函数，主对角线为输入向量，其余为0。25、3-2更新当前时刻各个模式的模式概率；具体是：26、状态空间中存在m＝{m1,m2,…,mh}，h表示模式数量，各模式在任意t时刻的发生的概率为：27、pt(m1)+pt(m1)+…+pt(mh)＝1       (5)28、在t＝0时刻，所有模式概率初始化为同一值：29、30、存在状态转移概率矩阵其中且∑iπji＝1。31、相应的模式概率更新公式为：32、33、其中lj为步骤3-1中得到的模式概率估计模型。34、再对得到的模式概率进行归一化处理：35、36、最终可得到当前时刻的模式概率：37、38、步骤4、使用峰值检测的方法检测行人步态。39、峰值检测法通过大小为3的滑动窗口对预处理过的加速度数据段am进行滑动并检测峰值，对于不同手机携带模式m需选取不同的加速度计敏感轴数据进行检测，因此会产生不同的加速度数据段am，加速度计敏感轴是指受重力影响明显并导致测量值变化较大的加速度计测量轴。峰值依照式(10)进行检测：40、41、其中表示加速度峰值；表示手机携带模式m下t时刻的预处理后加速度数据；42、然而由于行人行走过程中存在大量随机性，在加速度数据段am中一般存在大量的伪波峰，因此设定两个约束条件：43、(1)应大于设定阈值即44、(2)相邻峰值之间时间间隔应大于设定阈值tthreshold，即45、若存在满足上述两个约束条件的峰值，则当前模式的步态检测结果为1，反之为0，最终得到当前时刻t的步态检测结果：46、47、其中表示模式m1下时刻t的步态检测结果；48、步骤5、根据步骤4的步态检测结果和步骤3的模式概率结果进行加权和处理，得到步进概率qt，再将步进概率与阈值比较从而判断步态。49、qt＝vtu′t         (12)50、第二方面，本发明提供多模式行人步态检测系统，包括：51、数据采集以及预处理模块，负责采集多模式下行人的步态数据，并对其进行数据预处理；52、模式概率计算模块，负责将数据采集以及预处理模块处理后的加速度、角速度数据输入至预先建立的模式概率估计模型，并以imm理论为基础更新当前时刻各个模式的模式概率；53、步态检测结果模块，负责使用峰值检测的方法检测行人步态；并根据步态检测结果和模式概率结果进行加权和处理，得到步进概率；最后，将步进概率与阈值比较，从而判断步态。54、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行所述的方法。55、第四方面，本发明提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法。56、本发明的有益效果是：57、本发明提出了一套完整的处理方法和流程，对多种智能手机携带模式进行步态检测，该方法对以往硬决策的模式分类方法做出了改变，以概率的方式表示当前所处模式的状态，从而有效缓解了复杂行人行走环境下模式识别紊乱的问题，并因此提高了行人步态检测的精度。