CN110929766A - 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 - Google Patents

Abstract

本发明公开了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，包括对多名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；采用高斯混合聚类算法对各姿态信号特征匹配；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，对滑动窗口内一系列连续手机位姿转换进行检测；输出姿态转换检测判断结果。本发明方法具有较强的普适性，同时方法可靠性高，计算简单并具有较好的实时性。

Description

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

技术领域

本发明属于行人定位导航技术领域，特别涉及了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。

背景技术

随着智能手机的普及，基于智能手机的行人定位及导航技术成为定位导航领域中的一个重要的新兴分支。目前在室内导航情景下，比较常用的方法为行人航向推算算法(PDR)，这种方法的使用要求手机保持相对人体固定的位置以保证手机解算的航向能准确反映行人的航向。这是由于，一旦手机的姿态发生较大变动，导航***会误判为行人的航向发生了变化，这会对定位导航结果造成严重错误的影响。此外，在日常生活场景中，根据人们的日常生活习惯，手机常处于多种放置姿态，一般可分为手持手机竖屏状态即阅读状态，手持手机横屏状态即游戏或视频状态，手持手机通话状态，手持手机甩手状态以及手机放置在裤兜的状态。所以，固定的手机携带方式极大限制了行人行走时手机的使用场景，严重影响了用户体验。为了适应更加广泛的应用场景，实现不预设手机携带方式的行人定位及导航，一种高效且适应于广大人群的对多种行人携带手机姿态的实时识别方法具有重大的研究意义。

发明内容

发明目的：为了解决上述背景技术提出的技术问题，本发明旨在提供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，对行人手机的姿态进行识别，并检测行人手机姿态是否发生变化，有利于扩大PDR算法的应用场景。

技术方案：为了实现上述发明目的，本发明采用以下技术方案：

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，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；

(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，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。

进一步的，步骤(1)中将加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。

进一步的，步骤(2)中高斯混合聚类算法对待识别行人的实时手机姿态分别识别的方法为：

(21)设置高斯混合聚类模型初始参数；

高斯混合聚类模型初始参数为(α_i,μ_i,Σ_i)，其中，μ_i与Σ_i是第i个高斯混合成分的均值和方差参数，而α_i>0为相应“混合系数”，

i∈[1,k]，其中k为已知聚类簇数即手机姿态个数；所述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＝maxGroz_m,m∈[1,H]；

其中，maxGroz_m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。

更进一步的，步骤(23)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，特别地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；maxGroz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maxGroz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；具体识别逻辑决策表如下：

表1重力重合区域聚类算法结合信号特征识别决策逻辑表

表1中，括号里的数字为该事件的结果，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；

(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)。

进一步的，步骤(3)包括以下步骤：

(31)计算该滑动窗口内的状态点来自于哪几种位姿；

(32)判别每种位姿的状态点是否连续且连续个数超过阈值G，若是则判定该滑动窗口表示的时间段内存在该姿态，否则该姿态的出现为错判；

(33)对这一过程连续状态点进行位姿转换过程匹配，判断属于哪两种位姿之间的转换。

其中，滑动窗口大小M大于行人一步以内的姿态状态点个数。

有益效果：与现有技术相比，本发明方法普适性强识别准确率高，实现了自适应的行人手机姿态识别。相比于深度学习等方法，本方法计算简单，容易实现，且实时性高。

附图说明

图1为本发明的整体流程图；

图2为本发明中单个行人手机重力计球面坐标区域分布示意图；

图3为三个行人手机姿态重力球重力分布示意图；

图4为行人行走过程中各姿态下陀螺仪Z轴信号特征图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案做进一步的详细说明：

一种基于新型高斯混合聚类算法的自适应行人携带手机姿态识别方法，在行人携带手机过程中，通过对手机内置加速度传感器、陀螺仪传感器以及近距离传感器等传感器的信号特征进行分析和匹配，应用高斯混合聚类算法实现对不同行人自适应手机位姿识别，并检测手机姿态转换。

高斯混合聚类采用概率模型来表达聚类原型。结合目前应用场景，已知手机各使用姿态类别个数，已知各姿态分布具有区域性分布特征如图2，同时对于不同行人各姿态的重力分布特征如图3所示难以用静态区域方法识别，本发明提出利用高斯混合聚类方法来实现对不同行人个手机姿态的识别与分类。

如图1所示，本发明的一种基于聚类算法的自适应实时行人携带手机位姿识别方法，包含如下具体步骤：

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；

将加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。

步骤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；

每个行人不同手机姿态的三轴重力分布投影到球面坐标系中，所述球面坐标系三轴代表重力计三轴，即将重力计三轴输出数据分别投影到球面坐标系三轴上，有明显的区域分布特征如图2(a)和图2(b)所示，其中I、II、III、IV和V分别为横屏、竖屏、通话、裤兜以及甩手姿态。

对于多个不同的行人同种手机姿态分布区域存在差异如图3所示，难以进行静态的区域划分，则采用概率模型表达聚类原型，利用高斯混合聚类可以实现对不同行人手机姿态的动态区域自适应识别。所有手机姿态均基于高斯混合聚类算法对进行聚类识别；特别地，对于有重力分布区域重合的手机姿态根据聚类识别结果结合其它传感器信号特征进行识别，具体为：

对手机内置陀螺仪传感器及近距离传感器等传感器的信号特征进行分析和匹配。对于不同位姿陀螺仪Z轴信号最大值等信号特征有明显区别如图4所示；当手机被放置于裤兜中手机近距离传感器被遮挡数值为0。当重力分布难以区分时，即难以根据重力分布进行聚类划分时，进行这一步，即结合各姿态信号特征匹配进行区分，提高识别率。

具体实现步骤如下：

(21)设置高斯混合聚类模型初始参数(α_i,μ_i,Σ_i)；

高斯混合聚类模型初始参数为(α_i,μ_i,Σ_i)，其中，μ_i与Σ_i是第i个高斯混合成分的均值和方差参数，而α_i>0为相应的“混合系数”，

i∈[1,k]，其中k为已知聚类簇数；各个手机姿态的高斯混合聚类模型初始参数(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组重力计x、y和z轴的重力数据。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

(22)初始化或更新滑动窗口，设定滑动窗口长度为N，定义变量：

A＝maxGroz_m,m∈[1,N]；

其中，maxGroz_m为滑动窗口中最大的陀螺仪z轴数值。不同位姿下陀螺仪z轴数值和信号峰峰值大小有明显区别，尤其甩手状态下陀螺仪信号明显存在剧烈震荡的信号特征。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N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；

(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，

高斯混合聚类算法判别姿态具体计算方式为：根据后验概率的大小确定t时刻待识别重力计信号X_t的簇标记

即当i使得γ_ji取最大时，令λ_j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)所有姿态包括竖屏、横屏、通话、甩手和裤兜均由聚类算法判别，特别地对于重力分布有重合的姿态如甩手和裤兜，需要进一步由上述高斯混合聚类识别结果结合近距离传感器的信号特征E₁、E₂进行匹配识别。

对于重力重合的情况例如裤兜和甩手姿态的识别，具体实施方式为：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：

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。maxGroz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maxGroz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。具体识别逻辑决策表如下：

表1重力重合区域聚类算法结合信号特征识别决策逻辑表

Tab.1Gravity coincidence region clustering algorithm combined withsignal feature recognition decision

表1中，括号里的数字为该事件的结果，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。

(233)将数据X_t划入相应的簇

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)。

步骤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，对滑动窗口内一系列连续手机位姿转换进行检测；

(31)计算该滑动窗口内的状态点来自于哪几种位姿；

(32)判别每种位姿的状态点是否连续，且连续状态点个数是否超过阈值G，若是则判定该滑动窗口表示的时间段内存在该位姿，否则该位姿的出现为错判。这是由于一种稳定的位姿状态转换到另一种稳定的位姿状态的过程中，很有可能出现个别位姿类别误判点或者这两种位姿的转换经过第三种位姿的重力特征区域如图2(a)和2(b)所示，在该图中状态II转换到IV经过了状态V。

(33)对这一过程连续状态点进行位姿转换过程匹配，判断属于哪两种位姿之间的转换。

姿态转换过程，可能出现个别姿态误判点，也可能出现两种姿态之间的转换的重力分布经过了第三种姿态的重力分布区域如图2(a)和2(b)所示，而姿态转换过程中陀螺仪信号受到转换动作的干扰，信号特征难以用于姿态区分。步骤3方法所述避免了以上几种情况下手机姿态转换误判的情况发生，姿态连续状态点个数超过阈值表示这是一个稳定存在的状态。

该步骤中滑动窗口大小M大于行人一步以内的姿态状态点个数。

步骤4、输出姿态转换检测判断结果，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。

本发明实施例对手机姿态分类不做限定，在上述任意实施例的基础上，优选的，手机姿态可以包括打电话、手持竖屏、手持横屏、甩手、裤兜。

本发明实施例对加速度信号和姿态角信号的采集频率不做限定，在上述任意实施例的基础上，其采样间隔可以为ams，频率为

则每路信号每秒有

个点。当样本数据中的信号包括重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号以及在X轴、Y轴、Z轴三个方向上的陀螺仪信号，上述6路信号共计

个采样点每秒。

Claims (6)

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；

(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，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。

2.根据权利要求1所述的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，步骤(1)中将加速度传感器输出数据虚拟为重力计在手机X轴、Y轴、Z轴三个方向上的重力分量信号，三轴陀螺仪输出数据包括在手机X轴、Y轴、Z轴三个方向上的陀螺仪信号。

3.根据权利要求1所述的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，步骤(2)中高斯混合聚类算法对待识别行人的实时手机姿态分别识别的方法为：

(21)设置高斯混合聚类模型初始参数；

高斯混合聚类模型初始参数为(α_i,μ_i,Σ_i)，其中，μ_i与Σ_i是第i个高斯混合成分的均值和方差参数，而α_i>0为相应“混合系数”，

其中k为已知聚类簇数即手机姿态个数；所述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_m,m∈[1,H]；

其中，max Groz_m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。

4.根据权利要求3所述的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，步骤(23)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，特别地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；maxGroz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maxGroz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；具体识别逻辑决策表如下：

表1重力重合区域聚类算法结合信号特征识别决策逻辑表

表1中，括号里的数字为该事件的结果，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；

(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)。

5.根据权利要求1所述的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，步骤(3)包括以下步骤：

(31)计算该滑动窗口内的状态点来自于哪几种位姿；

(32)判别每种位姿的状态点是否连续且连续个数超过阈值G，若是则判定该滑动窗口表示的时间段内存在该姿态，否则该姿态的出现为错判；

(33)对这一过程连续状态点进行位姿转换过程匹配，判断属于哪两种位姿之间的转换。

6.根据权利要求5所述的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，滑动窗口大小M大于行人一步以内的姿态状态点个数。

Images