[发明专利]惯性数据压缩方法、服务器及计算机可读存储介质

说明书

本发明公开了一种惯性数据压缩方法、服务器及计算机可读存储介质，本发明通过服务器获取惯性传感器中的待压缩惯性数据，通过预设主成分映射模型对所述待压缩惯性数据进行特征提取，获得映射特征值，所述预设主成分映射模型反映惯性数据与特征值的映射关系，对所述映射特征值进行线性预测编码，获得预测编码结果，对所述预测编码结果进行压缩编码，通过预设主成分映射模型对待压缩惯性数据进行特征提取，能够提高预测编码结果的预测效果，通过对预测编码结果的压缩编码能够降低对惯性数据处理的延时，提高压缩率，并且降低了惯性数据处理计算的复杂度，减少了惯性数据的压缩损失。

技术领域

本发明涉及人机交互领域，尤其涉及一种惯性数据压缩方法、服务器及计算机可读存储介质。

背景技术

人机交互作为一种新兴的人际交流方式,是多媒体、工业控制、视觉交互等领域的重要研究方向。根据人机交互的载体不同,大致可以分为如下几大类:基于图像的人机互动、基于语音信号的人机互动和基于传感器追踪的人机互动。其中基于传感器的追踪的人机互动，其中一个重要方向是基于惯性传感器(inertial sensor)的人机互动。随着Android智能电视的迅速普及,基于惯性传感器的各种人机交互方式的需求也越来越大。目前已经在系统定位、导航、运动载体控制、手势识别、骨骼追踪等方面有了广泛的应用。惯性传感器主要依靠检测和测量目标物体的加速度、倾斜、冲击、振动、旋转和多自由度运动等惯性数据。惯性传感器包括加速度计(或加速度传感计)、角速度传感器(陀螺仪)以及磁场传感器，它们组成的系统叫做惯性测量单元(Inertial measurement unit,简称IMU)。

现有的人机交互方式都是将嵌入式硬件作为数据采集器,然后将采集到的数据通过无线传输方式发送到上位机(智能电视)上,然后在上位机对惯性数据进行处理。然而这些系统采集的惯性系统的数据量非常大，在无线传输过程中要开销大量带宽和消耗大量设备功率，因此往往需要先对这些数据进行压缩再进行无线传输。此外，数据采集端的功耗受限，如何在有限的功耗条件下进行数据压缩也是很大的问题。再次，由于人机互动对于实时性要求很高，因此传统的延时性较大的压缩方法都无法适用；现有技术存在以下缺陷:对于惯性数据缺少一套有效、可靠的数据压缩技术；具有延时大、压缩率低、数据损失大的缺陷；计算复杂度太高，不适合用于计算能力有限的低功耗设备。

发明内容

本发明的主要目的在于一种惯性数据压缩方法、服务器及计算机可读存储介质，旨在解决现有技术中对惯性数据处理时延时大、压缩率低并且数据损失大的问题。

为实现上述目的，本发明提供一种惯性数据压缩方法，所述惯性数据压缩方法包括以下步骤：

服务器获取惯性传感器中的待压缩惯性数据；

通过预设主成分映射模型对所述待压缩惯性数据进行特征提取，获得映射特征值，所述预设主成分映射模型反映惯性数据与特征值的映射关系；

对所述映射特征值进行线性预测编码，获得预测编码结果；

对所述预测编码结果进行压缩编码。

优选地，所述通过预设主成分映射模型对所述待压缩惯性数据进行映射，获得映射特征值，具体包括：

通过所述预设主成分映射模型将所述待压缩惯性数据映射至预设映射矩阵中，获得所述映射特征值。

优选地，所述通过所述主成分映射模型将所述待压缩惯性数据映射至预设映射矩阵中，获得所述映射特征值之前，所述惯性数据压缩方法还包括：

获取训练数据，将所述训练数据切分为长度一致的多个训练向量；

将各训练向量进行封装，生成数据矩阵；

根据所述数据矩阵生成协方差矩阵，并对所述协方差矩阵进行特征分解，获得特征向量；

根据所述特征向量构建所述预设映射矩阵。