[发明专利]基于MEMS惯性传感器的行人步态识别方法

说明书

本发明公开了基于MEMS惯性传感器的室内定位人员步态识别方法。在室内定位中，精确的步态识别可以为姿态估计算法提供先验信息，从而提高定位精度。采集被测者在走、跑、静止、上楼梯、下楼梯这五个步态下的加速度和角速度。然后对采集的数据进行差值填充、平滑滤波等预处理。接着进行特征构造，采用加窗、快速傅里叶变换、主成分分析法来加大特征的差异性。最后用随机森林算法进行模型训练。实验结果表明，采用随机森林算法训练出的模型分类精度较高，由于支持矢量机、梯度提升树等其他分类算法。五个状态的平均分类精度为98.2％。

技术领域

本发明涉及个人导航定位领域，可用于卫星导航不可用的场合，如室内、地下通道等地点。

背景技术

在基于惯性导航技术的行人定位方法中，步态识别技术得到了广泛使用。通过大量数据训练出步态识别模型，从而可以判断出行人此刻处于哪种步态，为下一步的姿态估计算法提供了先验信息，从而可以提高定位精度。是决定定位精度的重要因素。

传统的步态识别算法仅仅通过判断加速度或角速度的大小以及不同状态下数据的差异性来估算步态。这种方法在使用时识别精度不高。不同步态下加速度和角速度有时候差异性没有那么大，因此实用性较差。为此，我们提出了一种适用能力较强的步态识别算法。

发明内容

本发明的主要目的在于提供行人不同运动状态下步态的精确识别，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

基于MEMS惯性传感器的室内人员步态识别方法，通过以下两个步骤判断步态：

一、通过加速度计、陀螺仪采集三轴加速度和三轴角速度。因为噪声等干扰。需要对加速度和角速度进行缺值填充、平滑滤波。接着，通过加一个1秒的窗，来构造一条训练数据输入项。特征构造方面，采用快速傅里叶变换来扩大数据的差异性，主成分分析法来进行降维处理。至此，特征构造部分完成，然后需要进行模型设计。

二、根据目前已经处理好的数据，采用机器学习中的随机森林算法来进行分类处理。通过该算法训练模型，并且进行相应的参数调优，并与其它机器学习中的分类算法进行对比。根据以上两个步骤可以训练出模型，进行精确的步态识别。与现有技术相比，本发明具有如下有益效果：提出的步态识别方法对不同的行人有较强的适应能力。使用该模型即可实现不同行人、不同运动状态下步态的准确判断。相对于传统的步态检测方法，所提出的步态检测方法更为实用，识别精度也更高。

附图说明

图1为本发明基于MEMS惯性传感器的室内人员步态识别方法的算法流程示意图。

图2为使用本发明基于MEMS惯性传感器的室内人员步态识别方法的测试精度对比图。

图3为使用本发明基于MEMS惯性传感器的室内人员步态识别方法的运行时间对比图。

图中：1、对加速度角速度进行差值填充、平滑滤波；2、特征构造；3、训练测试模型。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1所示，基于MEMS惯性传感器的室内人员步态识别方法，包括对加速度角速度进行差值填充、平滑滤波。进行特征构造，最后设计实验模型。

由于加速度角速度在不同时刻的差异性较大，所以选择加速度和角速度来作为原始特征数据。为了能够更好进行识别分类，需要对数据进行特征处理，正常成年人的步速是1.5m/s，因此可以认为1秒内可以跨出完整的一步。所以，加一个1秒的窗，然后进行快速傅里叶变换、主成分分析法来进行降维处理。特征构造好之后，采用随机森林算法来进行模型构造。随机森林采用集成学习的思想，适用于多分类的问题。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。