基于加速度時(shí)域-斜率特征的多向行走識別算法

劉 宇，肖明朗，郭俊啟，張 旭，張澤欣，李 瑤，方 針,2

(1.重慶郵電大學(xué) 光電信息感測與傳輸技術(shù)重慶市重點(diǎn)實(shí)驗(yàn)室,重慶 400065;2.中國電子科技集團(tuán)公司第二十六研究所，重慶 400060)

0 引言

隨著行人對位置的服務(wù)(LBS) 需求越來越廣泛，行人對室內(nèi)定位的需求也在不斷增加。人體室內(nèi)定位技術(shù)主要包括WIFI定位、超寬帶(UWB)定位、慣性定位、射頻識別(RFID)定位等[1-4]，其中對環(huán)境依賴性低且具有自主性優(yōu)勢的慣性定位技術(shù)備受關(guān)注。由于行人行走模式的復(fù)雜性，行走模式的識別精度直接影響到行人多向行走模式下的室內(nèi)慣性定位效果。多向行走模式識別技術(shù)在室內(nèi)定位中具有重要的應(yīng)用意義，所以使用慣性傳感器采集的運(yùn)動數(shù)據(jù)來識別人員行走模式，成為室內(nèi)定位的一個(gè)重要研究方向。

近年來，為了提高行人慣性定位中模式識別的精度，研究人員對行人多向行走模式識別技術(shù)進(jìn)行了大量研究。文獻(xiàn)[5]中提出了通過加速度進(jìn)行步態(tài)檢測判別人員的前進(jìn)運(yùn)動，但并未分析其他方向的運(yùn)動模式。文獻(xiàn)[6]中提出了利用加速度計(jì)運(yùn)動方向軸向的加速度峰值正、負(fù)來識別前進(jìn)和后退，但由于行走時(shí)加速度呈周期性變化特征，無論前進(jìn)或后退都存在正負(fù)值，該算法并未提出如何去準(zhǔn)確區(qū)分不同行走模式下加速度的正、負(fù)值。文獻(xiàn)[7]中提出的人體多方位航跡推算算法中，通過相位反轉(zhuǎn)法能對行人多向行走進(jìn)行區(qū)分，但其方法需要確定第一次運(yùn)動時(shí)的相位，在行人高頻率切換運(yùn)動模式時(shí)，穩(wěn)定性較低。文獻(xiàn)[8]中提出了一種利用靜止到運(yùn)動第一個(gè)加速度波形的差異，識別行人的多向行走，但其每一次識別都需要行人先靜止一段時(shí)間，滿足不了實(shí)時(shí)性要求高的行人定位。

本文提出的基于加速度時(shí)域-斜率特征算法的多向行走識別算法，先使用加速度方差對行走模式進(jìn)行分類，使用步態(tài)檢測法檢測每一類行走模式的峰值或谷值，計(jì)算運(yùn)動方向(x軸或y軸)加速度在z軸峰值或谷值時(shí)刻的斜率，最后分析斜率大小獲取識別結(jié)果。提出的算法能精確識別出行人每個(gè)步態(tài)的行走模式，包括前進(jìn)、后退、左移和右移共4個(gè)方向的行走模式。

1 算法框架

全文算法通過提取人體加速度時(shí)域特征來識別行人行走模式，圖1為算法框圖。先將慣性測量單元(IMU)中采集到的加速度數(shù)據(jù)進(jìn)行預(yù)處理——低通濾波；然后通過提取和分析數(shù)據(jù)時(shí)域特征差異，將待識別的行走模式分為前進(jìn)、后退和左移、右移兩類行走模式；最后通過步態(tài)檢測對z軸加速度進(jìn)行峰值或谷值檢測，計(jì)算運(yùn)動方向(x軸或y軸)加速度在z軸峰值或谷值時(shí)刻的斜率，通過分析時(shí)域-斜率特征的大小，獲得穩(wěn)定的識別結(jié)果。

圖1 多向行走模式識別算法框圖

2 加速度時(shí)域特征提取

IMU平臺使用的三軸微機(jī)電系統(tǒng)(MEMS)加速度傳感器能采集多個(gè)方向的運(yùn)動數(shù)據(jù)，每個(gè)軸向都可以獲取多種特征參量。坐標(biāo)系如圖2所示，行人將IMU佩戴在腰部，x軸與前進(jìn)、后退運(yùn)動方向平行，y軸與左、右橫向運(yùn)動方向平行，z軸與重力方向平行。在不同的運(yùn)動模式下，通過分析特征參量的差異，從而對不同的運(yùn)動模式分類。為了保證本文算法的實(shí)時(shí)性，因此，選取響應(yīng)時(shí)間較短、計(jì)算量小的時(shí)域信號作為特征參量。

圖2 IMU佩戴方式及坐標(biāo)定義圖

方差能反映數(shù)據(jù)偏離平均值的程度[9]，在不同運(yùn)動模式的切換下，如果運(yùn)動幅度變大，數(shù)據(jù)方差也會越來越大。當(dāng)人體在不同的行走模式下時(shí)，加速度傳感器每一軸的數(shù)據(jù)波動均不同。通過分析，使用計(jì)算傳感器x、y軸數(shù)據(jù)的方差特征，將待識別的行走模式分為前進(jìn)、后退和左移、右移兩類。方差計(jì)算式為

(1)

圖3 加速度數(shù)據(jù)時(shí)域方差特征圖

圖3為多種行走模式連續(xù)切換下加速度傳感器x、y軸數(shù)據(jù)的方差分布，前進(jìn)和后退時(shí)x軸的方差都大于var1，而左移和右移時(shí)x軸方差接近于var2；同時(shí),左移、右移時(shí)y軸的方差遠(yuǎn)大于前進(jìn)和后退時(shí)y軸的方差。由圖3可知，通過方差數(shù)據(jù)特征設(shè)定雙重閾值，能穩(wěn)定的將人體行走運(yùn)動模式分為兩類，即前進(jìn)行走與后退行走(第一類運(yùn)動)和左移行走與右移行走(第二類運(yùn)動)。圖3的數(shù)據(jù)處理完全模擬現(xiàn)實(shí)的實(shí)時(shí)行走情況，能充分驗(yàn)證該分層識別算法的有效性。

3 步態(tài)檢測

加速度傳感器原始輸出的波形會產(chǎn)生很多峰值現(xiàn)象，易造成峰值檢測錯(cuò)誤，造成計(jì)步誤判。

本文通過低通濾波對加速度原始數(shù)據(jù)進(jìn)行預(yù)處理，在保留其數(shù)據(jù)特征前提下，盡可能地消除信號中的噪聲，使數(shù)據(jù)曲線更平滑，更易于數(shù)據(jù)特征的提取。濾波后加速度的數(shù)據(jù)曲線類似于1個(gè)正弦波，行人的每個(gè)步態(tài)信號都是1個(gè)波峰值、1個(gè)零點(diǎn)和1個(gè)波谷值對應(yīng)。

不同的行走模式下，加速度數(shù)據(jù)的幅值和頻率不同。本文對加速度傳感器z軸數(shù)據(jù)特征進(jìn)行分析，采用“幅值+時(shí)間”閾值檢測法來檢測步態(tài)[10]。因此，當(dāng)人體處于第一運(yùn)動狀態(tài)時(shí)，z軸加速度數(shù)據(jù)的峰值特征明顯，通過檢測加速度的波峰值來識別行人的有效跨步。去除閾值小于a1的垂直方向(z軸)加速度的波峰；若相鄰2個(gè)加速度峰值間的時(shí)間間隔小于t1，去除后一個(gè)峰值，并存儲正確波峰值采樣點(diǎn)位置。

當(dāng)人體處于第二運(yùn)動狀態(tài)時(shí)，z軸加速度數(shù)據(jù)的谷值特征明顯，可通過為檢測谷值來檢測行人的有效跨步。去除閾值大于a2的垂直方向加速度的波谷；若相鄰2個(gè)加速度波谷間的時(shí)間間隔小于t2，去除后一個(gè)波谷，并存儲正確波谷值采樣點(diǎn)位置。

圖4、5為行人行走時(shí)4類運(yùn)動模式的步態(tài)檢測。圖4中每個(gè)峰值標(biāo)記代表行人前進(jìn)和后退時(shí)的一次有效跨步。圖5中每個(gè)谷值標(biāo)記代表行人左移和右移時(shí)的一次有效跨步。圖中行人的每一步都被標(biāo)記出來，驗(yàn)證了該步態(tài)檢測算法的有效性。

圖4 z軸加速度數(shù)據(jù)波形

圖5 z軸加速度數(shù)據(jù)波形

4 前進(jìn)與后退行走識別

研究前進(jìn)、后退行走模式識別的文獻(xiàn)有很多，創(chuàng)造性地提出了結(jié)合步態(tài)檢測和斜率計(jì)算算法來識別行人的前進(jìn)和后退行走。即通過步態(tài)檢測獲取z軸的峰值時(shí)刻采樣點(diǎn)(每個(gè)峰值點(diǎn)也代表行人的一步)，同時(shí)計(jì)算該時(shí)刻加速度傳感器x軸數(shù)據(jù)(行走方向)的斜率，通過斜率大小來區(qū)分前進(jìn)和后退行走。當(dāng)該時(shí)刻斜率小于0時(shí)，識別人體該運(yùn)動模式為前進(jìn)行走，當(dāng)斜率大于0時(shí)，識別人體該運(yùn)動模式為后退行走。該算法使用上述步態(tài)檢測中代表行人有效跨步的波峰值和波谷值，模式識別結(jié)果與行人的每一步時(shí)效統(tǒng)一，因此具有很高的實(shí)時(shí)性。斜率能反映波形在一定時(shí)間段的升降狀態(tài)。斜率計(jì)算式為

}K=[Ax(m1)-Ax(m1-1)]×

[Ax(m1+1)-Ax(m1)]

(2)

式中:K為斜率值;m1為每一步z軸加速度峰值時(shí)刻的采樣點(diǎn);Ax(m1-1)、Ax(m1)、Ax(m1+1)分別為m1前一時(shí)刻、當(dāng)前時(shí)刻和后一時(shí)刻x軸的加速度值。

圖6 z軸和x軸加速度數(shù)據(jù)波形圖

圖6為前進(jìn)、后退運(yùn)動模式時(shí)加速度傳感器z軸和x軸數(shù)據(jù)波形的對應(yīng)關(guān)系圖。圖6中，z軸每個(gè)峰值采樣點(diǎn)位置都對應(yīng)同一時(shí)刻x軸加速度數(shù)據(jù)的升降趨勢，即每次有效跨步都能檢測到行人的行走模式，保證了定位所需的高時(shí)效性。圖中標(biāo)記出了行人每前進(jìn)一步時(shí)，x軸加速度都處于下降趨勢，其斜率小于0；行人后退一步時(shí)，x軸加速度都為上升趨勢，其斜率大于0，因此可驗(yàn)證前進(jìn)和后退識別算法的有效性。

5 左移和右移行走識別

雖然左、右移行走在行人行走中出現(xiàn)頻率較低，但對室內(nèi)慣性定位有重要影響。通過總結(jié)前進(jìn)和后退行走的研究經(jīng)驗(yàn)，創(chuàng)造性地提出了通過計(jì)算步態(tài)檢測時(shí)存儲的谷值采樣點(diǎn)時(shí)刻，用加速度傳感器y軸(行走方向)數(shù)據(jù)斜率的大小來區(qū)分左移行走和右移行走。即當(dāng)斜率小于0時(shí)，識別人體該行走模式為右移行走，當(dāng)斜率大于0時(shí)，識別人體該行走模式為左移行走。

圖7為左、右移運(yùn)動模式時(shí)加速度傳感器z軸和y軸的數(shù)據(jù)波形對應(yīng)關(guān)系圖。圖中z軸加速度每個(gè)谷值采樣點(diǎn)位置都對應(yīng)同一時(shí)刻y軸加速度數(shù)據(jù)的升降趨勢，即每次有效跨步都能檢測到行人的行走模式，保證了定位所需高時(shí)效性。圖中標(biāo)記出行人每右移行走1步時(shí)，y軸加速度都處于下降趨勢，其斜率小于0；行人每左移行走1步時(shí)，y軸加速度都為上升趨勢，其斜率大于0，因此可以驗(yàn)證左移和右移行走識別算法的有效性。

圖7 z軸和y軸加速度數(shù)據(jù)波形圖

6 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證提出的基于加速度時(shí)域-斜率特征算法的多向行走識別算法的優(yōu)勢和通用性，獲取更客觀的測試結(jié)果，共有15人參與實(shí)驗(yàn)測試，設(shè)計(jì)了2組實(shí)驗(yàn)進(jìn)行驗(yàn)證，完成前進(jìn)、后退、左移和右移4類行走模式。

1) 以第三教學(xué)樓1樓作為測試場景，示意圖如圖8所示。測試人員從O前進(jìn)行走出發(fā)至A，從A倒退行走至B，從B前進(jìn)行走至O，從O左移行走至C，從C右移行走至O，從O右移行走至D，最后從D右移行走返回出發(fā)點(diǎn)O。

圖8 第三教學(xué)樓1樓測試場景示意圖

2) 以第一教學(xué)樓2樓作為測試場景，示意圖如圖9所示。測試人員從O前進(jìn)行走出發(fā)至A，從A有移行走至B，從B左移行走至A，從A后退行走至C，從C右移行走至D，從D左移行走至C，最后從C前進(jìn)行走返回出發(fā)位置O。

圖9 第一教學(xué)樓2樓測試場景示意圖

記錄測試人員每種行走模式下行走的步數(shù)用于計(jì)算識別率。在實(shí)驗(yàn)過程中，對測試人員的行走不做任何限制，按照測試人員的行走習(xí)慣完成不同的行走模式。

實(shí)驗(yàn)測試在多個(gè)集成慣性傳感器的IMU平臺上進(jìn)行驗(yàn)證，最終可根據(jù)定位平臺發(fā)出的行人每一步的行走模式標(biāo)志位作為判定識別類型。識別率可定義為

R=(Stepc/Stept)×100%

(3)

式中：R為識別率；Stepc為正確的識別步數(shù)；Stept為實(shí)驗(yàn)的總步數(shù)。

2組實(shí)驗(yàn)統(tǒng)計(jì)數(shù)據(jù)識別率分析結(jié)果如10所示。針對不同的行人測試，算法對前進(jìn)行走的識別率達(dá)到100%，后退行走的平均識別率達(dá)在98%，對左移和右移行走的平均識別率在95%以上，識別效果較好。

圖10 2組實(shí)驗(yàn)4種行走模式識別率

7 結(jié)束語

通過提取加速度計(jì)傳感器數(shù)據(jù)的時(shí)域作為算法的特征參量，本文可以識別前進(jìn)、后退、左移和右移4類行走模式。依照本文思路，后續(xù)可實(shí)現(xiàn)更多細(xì)分模式的識別，如斜向行走等，有利于實(shí)現(xiàn)更高的定位精度。在集成多個(gè)慣性傳感器的IMU系統(tǒng)平臺進(jìn)行測試驗(yàn)證，通過多個(gè)場景的測試算法得到識別結(jié)果。結(jié)果表明，提出的基于加速度時(shí)域-斜率特征算法的多向行走識別算法，其平均識別率在96%以上，基本可以滿足行人多向行走模式下的室內(nèi)定位。算法結(jié)合文獻(xiàn)[7]中的多方位航跡推算算法，可以獲得更高的行人室內(nèi)導(dǎo)航定位精度，具有較高的工程應(yīng)用價(jià)值。