[发明专利]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

权利要求书

1.一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，其特征在于，包括以下步骤：

(1)对行人的手机各姿态下内部加速度传感器、陀螺仪和近距离传感器的三轴数据进行采集，量化处理，求解加速度传感器重力分量，并虚拟为重力计数据；

(2)采用高斯混合聚类算法对待识别行人的实时手机姿态进行分类识别；具体为：

(21)设置高斯混合聚类模型初始参数；

高斯混合聚类模型参数为(α_i,μ_i,Σ_i)，其中，μ_i与Σ_i分别为第i个高斯混合成分的均值和方差参数，而α_i0为相应“混合系数”，其中k为已知聚类簇数即手机姿态个数；各个手机姿态的高斯混合聚类模型参数(α_i,μ_i,Σ_i)即各个姿态下对多名行人手机各姿态下虚拟重力计数据处理所得，计算公式为：

其中，g_xpi、g_ypi和g_zpi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，X_pi为三维向量即第i类姿态下第p组重力计三轴数值m是用于计算第i类姿态下初始高斯混合成分的数据的总个数；

各手机姿态出现概率认为是相等的，则取

(22)初始化或更新滑动窗口，设定滑动窗口长度为H，定义变量：

A＝max Groz_h,h∈[1,H]；

其中，max Groz_h为滑动窗口中最大的陀螺仪z轴数值；计算滑动窗口内A大小，判断是否超过阈值thrl进行相应的手机位姿匹配与区分，滑动窗口每读入一个数据更新一次，窗口的总长度不变，滑动窗口长度H大于陀螺仪信号一周期的采样数据个数；

(23)进行高斯混合聚类算法匹配过程；包括以下步骤：

(231)计算X_t由各混合成分生成的后验概率γ_it，X_t为t时刻待识别行人手机虚拟重力计三轴数值其中，g_xt、g_yt和g_zt分别为虚拟重力计在x、y和z轴分量，即其中，

根据后验概率γ_ti的大小确定X_t的簇标记即当i使得γ_ti取最大时令λ_t等于i即进行一次姿态划分；即，取后验概率最大的类作为待识别行人手机姿态的类别；

(232)所有手机姿态均由聚类识别分类，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，基于聚类识别结果结合近距离传感器的信号特征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，定义聚类算法识别结果为E₃，具体计算方式为：

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_h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_h大于该阈值则E₂成立；N为1时聚类识别结果为竖屏，N为2时聚类识别结果为横屏，N为3时聚类识别结果为通话，N为4时聚类识别结果为甩手，N为5时聚类识别结果为裤兜；

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，括号里的数字为事件的结果；

(233)将数据X_t划入相应的簇C_λt＝C_λt∪{X_t}，簇即为一系列待识别手机姿态划分的一类；

(234)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，对待识别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。