CN105046880A - 一种智能移动终端基于多普勒效应进行危险监测及预警的方法 - Google Patents

Abstract

本发明提供了一种智能移动终端基于多普勒效应进行危险监测及预警的方法，目前的研究很少涉及使用智能设备所带来的潜在危险检测，已有的基于图像和额外设备的方法有其固有的局限性和不足。本发明首先利用加速度计数据判断用户是否处于走路状态，之后利用声音多普勒效应和声音测距实时监测周围环境，将环境信息通过分类器判断是否具有潜在危险，并将危险按照危险等级进行预警，及时警告用户危险的存在，具有便捷性，实时性，准确性，用户友好，功耗低等特点。实验结果表明，本发明具有高准确性和实时性，可以及时对危险进行预警。我们相信本发明能够发挥其方便、高效、准确的特点，在移动危险检测领域和导盲领域得到长期和普遍的应用。

Description

一种智能移动终端基于多普勒效应进行危险监测及预警的方法

技术领域

本发明属于信号处理、分类器和传感器领域，具体涉及一种智能移动终端基于多普勒效应进行危险监测及预警的方法。

背景技术

随着社会的不断进步和科学技术的日新月异，人们的生活方式正在不断变革。以智能手机为代表的新一代高性能智能移动终端以其操作简单，便于携带等特点给予人们生活上极大的便利，在这种情况下，人们对于智能设备的依赖程度也逐渐提高。另一方面，正是对手机的依赖导致很多人随时随地都专注于手机，即使在出行过程中也把玩于手中，从而由于分心很容易忽略周围环境中潜在的危险因素，产生安全隐患，轻则跌倒，重则发生车祸。因此如何有效避免由于玩手机导致分心而发生意外是亟待解决的问题。

传统的环境障碍检测方法主要基于测距技术，包括激光测距、红外线测距、超声波测距等。此类环境障碍检测技术精度高、识别准，属于精密测距，广泛应用于军事领域、工业测控领域等。但是以上测距技术需要特定的传感器及相应的硬件支持、造价不菲、不便于随身携带，不适合个人以及家庭的使用。

在智能设备上也出现了障碍物检测应用，主要包括两种解决方法。第一种是直接通过智能设备的后置摄像头获取环境图像进而利用计算机视觉技术判断环境中是否存在障碍物。该方法可以比较精确的对环境危险因素进行判断，但是其自身对设备姿势、外界光源亮度以及视距方向有非常高的要求，通常只能检测明亮环境中特定方向上的障碍物，并且检测时资源消耗大，实时性低。第二种是通过在智能设备上额外增加一个激光测距仪或超声波模块获取环境信息，在智能设备上进行处理，得到障碍物的距离。该方法精度高，但是需要额外的硬件设备，便携性低。

发明内容

为了解决现有技术中的问题，本发明提出一种利用加速度计判断走路状态，并基于声音多普勒效应和声音测距获得周围环境信息，结合分类器得到的危险等级进行预警，规避人们由于使用手机导致分心产生的安全隐患的智能移动终端基于多普勒效应进行危险监测及预警的方法。

为了实现以上目的，本发明所采用的技术方案为：包括以下步骤：

1)状态检测：判断用户是否处于行走状态，并且是否正在使用智能移动终端设备；

2)环境监测：检测发射声波与反射声波的时间差t，计算声源与障碍物之间的距离S，声源与用户进行相对运动时，用户收到的声波振动频率与声源发出的频率不同发生频移，对比发射声波和反射声波的频率偏移，即可检测周围环境中移动物体和智能移动终端设备之间的相对运动速度，从而判断是否即将有危险发生；

3)危险等级分类及预警：通过支持向量机分类器判断是否有危险信号，若有危险信号，则通过KNN算法判断危险的程度进行预警获得危险数据后，利用KNN算法构建向量空间模型对危险程度进行分类并向用户预警。

所述的步骤1)中根据智能移动终端设备屏幕的点亮与否判断用户是否正在使用手机，点亮表示正在使用，未点亮表示未使用。

所述的步骤1)中利用智能移动终端设备的加速度计数据的规律性振动判断人是否在行走，在静止状态下加速度计数据在0附近微小振动，在走路时数据会以较大幅度振动。

所述的步骤2)中智能移动终端设备周期性发射特定振幅、频率和采样率的声波，检测发射声波与反射声波的时间差t，声波在空气中传播速度v＝332m/s，从而获得智能移动终端设备与障碍物之间的距离S为：

所述的步骤2)中智能移动终端设备与障碍物有相对运动，接收到的反射声波与发射声波有频率偏移，声波在空气中的传播速度为v＝332m/s，f为声波的原始发射频率，发生频移的反射声波频率为f′，则用户与障碍物的相对速度v₀通过下式得出：

其中，+表示两者具有靠近的相对运动，－表示两者具有远离的相对运动。

所述的步骤2)发射声波与反射声波的检测中采用巴特沃斯低通滤波器降低周围环境噪声获得反射声波。

所述的步骤3)中获得危险数据后，KNN算法采用向量空间模型来分类，相同类别的数据相似度高，借助计算与已知类别数据的相似度来预测未知类别数据的可能分类，利用海明距离作为距离度量，通过多数表决计算海明距离与类别中K个最小的距离，即可获得危险等级。

所述的步骤3)获得危险等级后，根据危险等级类别不同以不同智能移动终端震动强度向用户预警。

所述的步骤3)中需要训练支持向量机分类器，将多普勒频移、障碍物距离、运动状态、运动速度输入分类器进行训练以调整分类器参数，当分类器在一定距离内的准确率达到阈值之后停止训练。

所述的支持向量机构建高维超平面来进行分类，训练分类器寻找最优超平面，寻找最优超平面是在约束条件下最小化|w|，w为超平面法向量：

$\arg {\min }_{w,b}\frac{{||w||}^2}{2}$

满足y_i(wx_i-b)≥1，其中1＝1,…,n；

使用非负拉格朗日乘数α_i求解：

$\arg {\min }_{w,b}{\max }_{\mathrm{\α}\≥0}\{\frac{1}{2}{||w||}^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\[y_i({\mathrm{wx}}_i-b)-1\]\}$

利用二次规划求解：

$w=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

对应的x_i就是支持向量，这些支持向量在边缘上并且满足y_i(wx_i-b)＝1。

与现有技术相比，本发明利用加速度计判断用户走路状态，并基于声音多普勒效应和声音测距方法实时监测周围环境，利用分类器模型对环境信息进行分类，按照危险等级进行预警，在不额外增加专用设备的基础上，实现了便于携带，检测准确度高，实时性好，用户友好，功耗低等特点，及时为专注于智能移动终端的人提供周围环境危险预警，并且可以进一步为有视觉功能障碍的人群提供简单可靠的导盲服务。

进一步，利用设备屏幕的点亮与否判断用户是否正在使用智能移动终端，点亮表示正在使用，未点亮表示未使用；人在走路时身体会随着步伐起伏，在一定范围内进行振动。加速度计数据的规律性振动可以用来判断人是否在行走。状态检测的目的在于选择用户需要危险预测的状态，其他时刻***处于休眠状态，以减少电量的消耗。

进一步，环境监测能够发射声波并采集反射声波，基本原理是检测发射声波与反射声波的时间差，可以计算声源与障碍物之间的距离。多普勒效应即声源与观测者进行相对运动时，观测者接收到的声波振动频率与声源发出的频率不同发生频移，对比发射声波和反射声波的频率偏移，即可检测周围环境中移动物体和智能设备之间的相对运动速度，从而判断是否即将有危险发生。

更进一步，使用巴特沃斯低通滤波器去除环境中的噪声，从而获得反射声波并提高准确度。

进一步，日常生活中，快速行驶的机动车所造成的安全威胁远高于固定障碍物的威胁，另一方面，近距离的障碍物也比稍远距离的障碍物更加危险，所以本发明设置三种危险等级：高、中、低。行驶中的机动车的潜在危险是高等级，3米之内的固定障碍物是中等级，5米之内的固定障碍物是低等级。不同程度的危险以不同的震动强度提醒用户，等级越高，震动越强烈。危险等级的分类由两步实现。

附图说明

图1是***整体流程图；

图2是行走状态检测流程图；

图3是行走状态的振动图；

图4是多普勒及声音测距进行环境检测流程图。

具体实施方式

下面结合附图及具体的实施例对本发明作进一步的说明。

参见图1，本发明包括以下步骤：

1)状态检测：判断用户是否处于行走状态，并且是否正在使用智能移动终端设备；

2)环境监测：检测发射声波与反射声波的时间差t，计算声源与障碍物之间的距离S，声源与用户进行相对运动时，用户收到的声波振动频率与声源发出的频率不同发生频移，对比发射声波和反射声波的频率偏移，即可检测周围环境中移动物体和智能移动终端设备之间的相对运动速度，从而判断是否即将有危险发生；

3)危险等级分类及预警：通过支持向量机分类器判断是否有危险信号，若有危险信号，则通过KNN算法判断危险的程度进行预警获得危险数据后，利用KNN算法构建向量空间模型对危险程度进行分类并向用户预警。

参见图2和图3，状态检测判断用户是否处于行走状态并且是否正在使用设备，当用户边走边使用手机时需要进行危险预警。利用设备屏幕的点亮与否判断用户是否正在使用手机，点亮表示正在使用，未点亮表示未使用。人在走路时身体会随着步伐起伏，在一定范围内进行振动。加速度计数据的规律性振动可以用来判断人是否在行走。状态检测的目的在于选择用户需要危险预测的状态，其他时刻***处于休眠状态，以减少电量的消耗。

参见图4，环境监测能够发射声波并采集反射声波，基本原理是检测发射声波与反射声波的时间差，可以计算声源与障碍物之间的距离。多普勒效应即声源与观测者进行相对运动时，观测者收到的声波振动频率与声源发出的频率不同发生频移，对比发射声波和反射声波的频率偏移，即可检测周围环境中移动物体和智能设备之间的相对运动速度，从而判断是否即将有危险发生。在获得声音数据后，需要使用带通滤波器去除环境中的噪声，从而获得反射声波并提高准确度。本发明检测两种危险的靠近：行驶中的机动车的主动靠近和固定的障碍物的被动靠近。行驶中的机动车速度较快，若反射声波的频率升高表示机动车正靠近人，若反射声波的频率降低表示机动车离人而去。由于机动车行驶过程中的发动机以及轮胎与路面摩擦产生的频率较低，本发明利用智能设备发射1500Hz的声音，接收其反射声波。如果机动车速度为15m/s，发生的多普勒频移约为Δf＝67Hz，容易检测。由于用户周围任何方向出现行驶中的机动车的潜在危险都很高，所以只要检测到由机动车接近就对用户进行预警。对于固定障碍物，人步行的平均速度一般为1.5m/s，此时发生的多普勒频移Δf＝1.5Hz，该频率变化较小，不容易检测，所以采用测距方式得到障碍物的距离。人在室外行走时，测距主要会检测到前后左右四个方向的障碍物，为了区分障碍物是否处于用户前方，本发明保留检测到的障碍物距离的历史信息，将最新检测的距离与历史信息比较。如果有一组距离信息基本保持不变，说明其表示用户与类似于墙壁的障碍物的距离，因为用户在前进，所以墙壁处于用户的左边或者右边，这两个方向都不会造成危险。如果一组距离信息逐渐变大，说明用户正在远离这个障碍物，这个障碍物已经处于身后，不会造成危险。如果一组距离信息逐渐变小，说明用户正逐渐靠近该障碍物，此时需要向用户预警。本发明通过该方法剔除用户左右以及后方的障碍物，只关注前方的障碍物并预警。

危险等级分类确定危险的程度。日常生活中，快速行驶的机动车所造成的安全威胁远高于固定障碍物的威胁，另一方面，近距离的障碍物也比稍远距离的障碍物更加危险，所以本发明设置三种危险等级：高、中、低。行驶中的机动车的潜在危险是高等级，3米之内的固定障碍物是中等级，5米之内的固定障碍物是低等级。不同程度的危险以不同的震动强度提醒用户，等级越高，震动越强烈。危险等级的分类由两步实现。首先通过支持向量机分类器判断是否有危险信号，由于支持向量机通常用作二值分类，筛选出有危险的信号可以提高***的效率。若有危险信号，则通过KNN算法判断危险的程度进行预警。

具体实施步骤如下：

步骤一、状态检测：

1.用户安装危险监测***；

2.***休眠；

3.如果屏幕点亮，跳转到4，否则跳转到2；

4.后台线程被唤醒，收集加速度计数据；

5.将加速度计数据通过低通滤波器除去噪声；

6.通过滑动窗口判断是否在行走；

7.如果判断用户在行走跳转到8，否则跳转到2；

8.如果屏幕被关闭，跳转到2，否则跳转到步骤二。

步骤二、环境监测：

1.原始声音数据发射和采集：利用智能设备音箱发射固定频率、振幅和采样率的声波，同时利用声音接收器收集声波；

2.带通滤波：将采集的声波数据通过巴特沃思滤波器进行降噪，获得发射声波的反射声波；

3.提取多普勒信息和距离信息，跳转到步骤三。

步骤三、危险等级分类：

1.在***发布前进行实验训练分类器；

2.将多普勒频移，障碍物距离、运动状态、运动速度输入分类器进行训练以调整分类器参数；

3.当分类器在一定距离内的准确率达到阈值之后停止训练；

4.对于被分类器判断为危险的情况，利用KNN算法将其分为高、中、低三个危险等级；

5.根据不同危险等级对用户进行震动预警。

本发明具体包括：

1.状态检测

设备屏幕点亮唤醒***，收集加速度计数据。走路时身体会随着步伐起伏，表现在加速度计数据上为数值的振动。参见图3，在静止状态下加速度计数值在0附近微小振动，在走路时数值会以较大幅度振动；

利用这种特点，设置滑动窗口大小为20，先将数值加上最小值的绝对值以去掉负号，之后计算窗口中的平均值M和方差S。如果M＜3S，则判断为走路状态。

2.带通滤波降噪

现有智能手机的录音机都具有降噪功能，由于型号不同，降噪效果也不尽相同。声波检测环境需要降低周围的环境噪声，本发明选用巴特沃斯滤波器，其特点是在通频带内的频率响应曲线最平滑，没有起伏，阻频带逐渐下降为零。

巴特沃斯低通滤波器可用如下振幅的平方对频率的公式表示：

${\left|H\left(\mathrm{\ω}\right)\right|}^2=\frac{1}{1+{\left(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_c}\right)}^{2n}}=\frac{1}{1+{\mathrm{\ϵ}}^2{\left(\frac{\mathrm{\ω}}{{\mathrm{\ω}}_p}\right)}^{2n}}$

其中n表示滤波器的阶数。本发明选用3作为滤波器的阶数，此时阻频带下降速率快，满足滤波要求。环境噪声多为高频噪声，周围人说话噪声为500-700Hz，检测声波频率在1500Hz左右，因此本发明设计巴特沃斯数字带通滤波器，通带频率1200-1600Hz，阻带上限频率1700Hz，阻带下限频率1100Hz，通带衰减小于1dB，阻带最大衰减大于20dB，采样率2000Hz。通过带通滤波器，可以滤除大部分噪声，以便获取目标声波。声波的强度(振幅)在空气中传播会发生衰减，单频率声音在较远距离传播,声压级L衰减(声压取log)基本是线性的，即

L＝as

其中s是距离，a是衰减系数，可根据温度湿度频率查表得到。通过检测声压与频率，可获取反射声波。

3.声音测距

智能设备周期性发射特定振幅、频率和采样率的声波，检测发射声波与反射声波的时间差t，声波在空气中传播速度v＝332m/s，可以计算智能设备与障碍物之间的距离S为：

$S=\frac{1}{2}\×v\×t$

4.多普勒效应

多普勒效应是指智能设备与障碍物有相对运动时，接收到的反射声波与发射声波有一定的频率偏移现象。基本原理是如果用户与障碍物具有相对速度v₀，声波在空气中的传播速度为v＝332m/s，f为该声波的原始发射频率，则发生频移的反射声波频率f'为：

$f^{\′}=\left(\frac{v\±v_0}{v}\right)f$

其中，+表示两者具有靠近的相对运动，－表示两者具有远离的相对运动。

智能设备与障碍物之间的相对速度v₀为：

其中，－表示两者具有靠近的相对运动，+表示两者具有远离的相对运动。

5.训练支持向量机分类器

支持向量机构建一个或多个高维超平面来进行分类，超平面即为分类边界。分类器训练就是寻找最优超平面。寻找最优超平面是在约束条件下最小化|w|，w为超平面法向量：

$\arg {\min }_{w,b}\frac{{||w||}^2}{2}$

满足y_i(wx_i-b)≥1，其中i＝1,…,n。

使用非负拉格朗日乘数α_i求解：

$\arg {\min }_{w,b}{\max }_{\mathrm{\α}\≥0}\{\frac{1}{2}{||w||}^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\[y_i({\mathrm{wx}}_i-b)-1\]\}$

利用二次规划求解：

$w=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

对应的x_i就是支持向量，这些支持向量在边缘上并且满足

y_i(wx_i-b)＝1

6.利用KNN进行危险等级分类

获得危险数据后，利用KNN对其危险程度进行分类。KNN采用向量空间模型来分类，相同类别的数据相似度高。可以借助计算与已知类别数据的相似度来预测未知类别数据的可能分类。利用海明距离作为距离度量。通过多数表决计算海明距离与类别中K(通过进化算法得到K为3)个最小的距离，即可获得危险等级属于高、中、低哪一类，并根据类别不同以不同震动强度向用户预警。

Claims (10)

1.一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于，包括以下步骤：

1)状态检测：判断用户是否处于行走状态，并且是否正在使用智能移动终端设备；

2)环境监测：检测发射声波与反射声波的时间差t，计算声源与障碍物之间的距离S，声源与用户进行相对运动时，用户收到的声波振动频率与声源发出的频率不同发生频移，对比发射声波和反射声波的频率偏移，即可检测周围环境中移动物体和智能移动终端设备之间的相对运动速度，从而判断是否即将有危险发生；

3)危险等级分类及预警：通过支持向量机分类器判断是否有危险信号，若有危险信号，则通过KNN算法判断危险的程度进行预警获得危险数据后，利用KNN算法构建向量空间模型对危险程度进行分类并向用户预警。

2.根据权利要求1所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤1)中根据智能移动终端设备屏幕的点亮与否判断用户是否正在使用手机，点亮表示正在使用，未点亮表示未使用。

3.根据权利要求2所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤1)中利用智能移动终端设备的加速度计数据的规律性振动判断人是否在行走。

4.根据权利要求1所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤2)中智能移动终端设备周期性发射特定振幅、频率和采样率的声波，检测发射声波与反射声波的时间差t，声波在空气中传播速度v＝332m/s，从而获得智能移动终端设备与障碍物之间的距离S为：

5.根据权利要求4所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤2)中智能移动终端设备与障碍物有相对运动，接收到的反射声波与发射声波有频率偏移，声波在空气中的传播速度为v＝332m/s，f为声波的原始发射频率，发生频移的反射声波频率为f′，则用户与障碍物的相对速度v₀通过下式得出：

其中，+表示两者具有靠近的相对运动，－表示两者具有远离的相对运动。

6.根据权利要求5所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤2)发射声波与反射声波的检测中采用巴特沃斯低通滤波器降低周围环境噪声获得反射声波。

7.根据权利要求1所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤3)中获得危险数据后，KNN算法采用向量空间模型来分类，相同类别的数据相似度高，借助计算与已知类别数据的相似度来预测未知类别数据的可能分类，利用海明距离作为距离度量，通过多数表决计算海明距离与类别中K个最小的距离，即可获得危险等级。

8.根据权利要求7所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤3)获得危险等级后，根据危险等级类别不同以不同智能移动终端震动强度向用户预警。

9.根据权利要求8所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的步骤3)中需要训练支持向量机分类器，将多普勒频移、障碍物距离、运动状态、运动速度输入分类器进行训练以调整分类器参数，当分类器在一定距离内的准确率达到阈值之后停止训练。

10.根据权利要求9所述的一种智能移动终端基于多普勒效应进行危险监测及预警的方法，其特征在于：所述的支持向量机构建高维超平面来进行分类，训练分类器寻找最优超平面，寻找最优超平面是在约束条件下最小化|w|，w为超平面法向量：

$\arg {\min }_{w,b}\frac{{||w||}^2}{2}$

满足y_i(wx_i-b)≥1，其中i＝1,…,n；

使用非负拉格朗日乘数α_i求解：

$\arg {\min }_{w,b}{\max }_{\mathrm{\α}\≥0}\{\frac{1}{2}{||w||}^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\[y_i({\mathrm{wx}}_i-b)-1\]\}$

利用二次规划求解：

$w=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i$

对应的x_i就是支持向量，这些支持向量在边缘上并且满足y_i(wx_i-b)＝1。