一种基于终端的行人定位方法及行人定位装置与流程
本发明涉及定位技术领域，尤其涉及一种基于终端的行人定位方法及行人定位装置。
背景技术：
全球卫星定位系统(如gps等)已广泛应用于智能手机、汽车、飞机等设备和交通工具上，在陆上、航空、航海等领域定位导航发挥着巨大的作用。但是，卫星定位系统在室内、高楼密集的环境中会受到削弱甚至屏蔽，从而失去定位导航功能。随着室内定位需求的不断增加，室内定位导航技术的研究潜藏着巨大的社会和经济效益。
技术实现要素：
本发明的主要目的在于提出一种基于终端的行人定位方法及行人定位装置，以至少解决相关技术中室内定位性能差的问题。
为实现上述目的，本发明实施例提供一种基于终端的行人定位方法，包括：
获取行人的初始位置和初始航向角；
识别行人携带终端的实时姿态；
基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度；
对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数；
确定行人的步长和航向偏移量；
根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
为实现上述目的，本发明实施例还提供一种行人定位装置，包括：传感器组件、存储器、处理器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现如上的行人定位方法的步骤。
采用本发明实施例，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择不同载体坐标系下的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中基于终端的行人定位方法的流程图；
图2是本发明实施例中基于终端的行人定位方法的部分流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
随着定位技术的发展，针对室内行人定位导航系统的研究已取得了极大的进展，其中，基于智能手机内置多种惯性传感器的室内行人航位推算算法(pedestriandeadreckoning，pdr)以其可靠性好、精度高、无依赖性等优点，表现出良好的应用前景。
相关技术中，行人航位推算算法通常是采用通用算法，而没有针对不同的持握姿态提出差异化的行人航位推算算法，不适用于现实生活中行人移动过程中持握智能手机姿态的不确定性和可变化性。
为了解决相关技术中没有针对不同的持握姿态提出差异化的行人航位推算算法、造成定位精度低的问题，一方面，如图1所示，本发明实施例提供一种基于终端的行人定位方法，包括：
s101，获取行人的初始位置和初始航向角。例如，可以通过gps获取行人的初始位置和初始航向角。
s102，识别行人携带终端的实时姿态。行人携带终端的姿态可以有多种，例如胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态或其他姿态等。行人携带终端的实时姿态可以通过终端中的元器件(如传感器组件或摄像头等)进行识别。
s103，基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度。可以理解的是，行人携带终端的姿态与参考加速度的确定公式之间具有确定的对应关系，例如，行人携带终端的姿态与参考加速度的确定公式一一对应，根据实时识别的行人携带终端的实时姿态确定其对应的参考加速度的确定公式，参考加速度可以为载体坐标系下的轴向加速度或载体坐标系下加速度的模值，参考加速度也可以为地球坐标系下的轴向加速度或地球坐标系下加速度的模值。
这里，需要说明的是，“加速度模值”可以为载体坐标系下三轴加速度的和的模值或地球坐标系下三轴加速度的和的模值。另外，地球坐标系可以为东北天坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面且指向上方。载体坐标系原点位于载体(如终端)质心，x轴沿载体横轴向右(如终端的宽度方向且指向终端的右方)，y轴沿载体纵轴向后(如终端的长度方向且指向终端的后方)，z轴沿载体竖轴向下(如终端的厚度方向且指向终端的下方)。
s104，对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。需要说明的是，这里所提到的预处理可以为对参考加速度进行滤波处理。利用波峰检测算法对预处理后的参考加速度进行筛选，筛选出的波峰用于统计行人的步数，筛选出的波峰的数量即为行人的步数。
s105，确定行人的步长和航向偏移量。
s106，根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
本发明实施例的基于终端的行人定位方法，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择载体坐标系或地球坐标系下不同的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
在本发明的一些实施例中，行人携带终端的姿态可以包括胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态和其他姿态。当实时姿态为胸前握持终端姿态，确定终端在地球坐标系下的z轴加速度为参考加速度；当实时姿态为终端随手摆动姿态，确定终端在载体坐标系下的x轴加速度为参考加速度；当实时姿态为终端在裤子口袋姿态，确定终端在载体坐标系下的z轴加速度为参考加速度；当实时姿态为其他姿态，确定终端在载体坐标系下三轴加速度的模值为参考加速度。
在本发明的一些实施例中，为了简化对行人携带终端的实时姿态的识别、提高行人移动过程中对行人携带终端的实时姿态的识别率，步骤s102可以包括：
s201，采集传感器组件的检测数据，构建采样点的特征向量。
其中，在一些实施例中，传感器组件可以包括加速度传感器和陀螺仪传感器，采集传感器组件的检测数据可以包括采集加速度传感器的第一三轴数据[ax，ay，az]、采集陀螺仪传感器的第二三轴数据[ωx，ωy，ωz]，并根据公式1构建所述采样点的特征向量f：
f＝[axayazamagωxωyωzωmag]公式1；
在公式1中，amag为第一三轴数据的模值，ωmag为第二三轴数据的模值。
s202，构建包含有多个采样点的样本，确定样本内所有采样点的特征向量的属性集，其中，属性集包括静态属性、频域属性和时域属性中的至少一个。静态属性可以包括一个或多个，例如，静态属性可以包括样本中所有采样点的特征向量的均值、方差中的至少一个；频域属性可以包括一个或多个，例如频域属性可以包括样本中所有采样点的特征向量的极大值频率，时域属性可以包括一个或多个，例如时域属性可以包括样本中所有采样点的特征向量的波峰数量。在一些示例中，属性集可以包括静态属性、频域属性和时域属性中的至少一个所包含的一个或多个属性。
需要说明的是，每个样本中均包含多个采样点，任意相邻的两个样本之间可以有相同的采样点。例如，相邻的两个样本中采样点的重叠率可以为百分之五十，以提高采样的连续性，从而可以提高姿态识别的连续性。确定每个样本的属性集，属性集可以包括静态属性、频域属性和时域属性中的至少一个，例如，属性集可以包括静态属性、频域属性和时域属性。这里，静态属性可以为样本中所有采样点的特征向量的均值或方差等，频域属性可以为样本中所有采样点的特征向量的极大值频率，时域属性可以为样本中所有采样点的特征向量的波峰数量。
s203，基于属性集，通过分类器所训练得到的姿态分类模型识别行人携带终端的实时姿态。
这里需要解释说明的是，分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即分类器(classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，确定必要的评估指标，评估分类模型的性能。
实验证明，通过分类器这种机器学习的方法对行人移动过程中行人携带终端的实时姿态的识别，可达到95％以上的姿态识别率。
为了实现对行人在姿态转换过程中轨迹的持续描绘，进一步提高定位精度，如图2所示，在本发明的一些实施例中，识别行人携带终端的实时姿态还可以包括：
当前样本的实时姿态与前一个样本的实时姿态不相同时，以当前样本的起始时间点延迟第一时间段后的时间点作为后一个样本的起始时间点，确定第一时间段内的实时姿态与前一个样本的实时姿态相同。由此，可以实现行人移动过程中任意姿态的切换，达成了系统整体的完备性。
在本发明的一些实施例中，步骤s103中对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数可以包括：
s301，对参考加速度进行滑动平均滤波和时域低通滤波，获得滤波加速度；
s302，根据公式2、公式3、公式4、公式5及公式6对滤波加速度进行过滤，获得波峰对应的采样点编号istep：
istep＝ipeak∩idelay∩iinterval∩ithreshold公式6；
其中，k为姿态编号，k＝1为胸前握持终端姿态，k＝2为随手摆动姿态，k＝3为终端在裤子口袋姿态，k＝4为其他姿态，
s303，根据波峰的个数确定行人的步数。
在本发明的一些实施例中，可以根据公式7确定行人的步长
其中，h为行人的身高，α、β、γ均为常数，
在本发明的一些实施例中，可以根据公式8确定航向偏移量ψi：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i的采样点的横滚角，
相关技术中，通过磁传感器可以得到行人移动方向与地磁北的绝对方向角，但会受到室内环境中硬磁材料和软磁材料的干扰导致航向估计产生极大的偏差。本发明实施例中通过采用具有良好抗电磁干扰能力的陀螺仪传感器的测量数据确定航向偏移量，可以避免相关技术中磁材料的干扰，从而可以提高行人航向检测的精确度，进而可以提高行人定位的精确度。
进一步地，当行人的姿态转换时，由前姿态所计步子的最后一步的方向角及后姿态的第一步所得的方向角求差值获得姿态补偿角，并根据姿态补偿角重新确定航向偏移量。由此，可以提高测量航向偏移量的准确性。
在本发明的一些实施例中，根据公式9确定采样点istep所对应的行人的位置
其中，
下面以一个具体的实施例描述本发明实施例的基于终端的行人定位方法。
具体而言，基于终端的行人定位方法包括：
步骤一、识别行人携带终端的实时姿态，行人携带终端的姿态包括：
姿态1：胸前握持终端姿态；
姿态2：终端随左手摆动姿态；
姿态3：终端随右手摆动姿态；
姿态4：终端在裤子口袋姿态；
姿态5：其他姿态。
具体的实施流程包括：
s11，对加速度传感器、陀螺仪传感器、重力加速度传感器(可由加速度传感器获得)的数据进行采集并标记采样的时间点，采样频率为nhz，n可取为50。
s12，设定样本的时长为t秒，即每个样本包括n乘t个采样点，任意两个相邻样本的采样点的重叠率为50％。
s13，根据公式1构建每个采样点的特征向量f：
f＝[axayazamagωxωyωzωmag]公式1；
其中，ax，ay，az分别为加速度传感器的第一三轴数据，ωx，ωy，ωz分别为陀螺仪传感器的第二三轴数据，第一三轴数据的模值为：
s14，对每一个样本内的所有采样点的特征向量求静态属性，如均值、方差等；频域属性，如极大值频率等；时域属性，如波峰数量，构成样本的属性集，根据属性集，通过分类器所训练得到的模型进行实时姿态的识别判定。
另外，需要说明的是，行人在实际的移动过程中会发生姿态的转换，在转换中可能发生姿态识别的误判断，导致行人航位推算错误。
为解决上述问题，在姿态识别过程中，标记当前样本的实时姿态为modej，前一个样本的实时姿态为modej-1，其中j表示当前样本的下标值。当modej-1＝modej时，认为行人携带终端的姿态为稳定状态，没有发生转换；当modej-1≠modej时，认为行人在移动过程中行人携带终端的姿态发生了变化，此时以当前样本的起始时间点开始，向后延时t秒，再以延时后的时间点作为后一个样本的起始时间点进行采样点的提取和姿态识别，此时认为行人完成了姿态的转换。在姿态转换过程中认为行人保持与modej-1相同的姿态，即当前样本的实时姿态与前一个样本的实时姿态相同，第一时间段内的实时姿态与前一个样本的实时姿态相同。取modej-1姿态下最后一步的步长、步频及航向角作为姿态转换阶段行人移动的轨迹来进行补偿。
步骤二、确定行人的移动距离，具体的实施流程包括：
第一部分，统计行人的步数。具体包括以下实施步骤：
s21，针对不同的姿态，选取其对应的加速度数据作为参考加速度。
不同的行人具有不同的胸前持握习惯，具有不同的俯仰角和横滚角。针对姿态1，确定地球坐标系(e系)下z轴的加速度为参考加速度。
这里，需要解释说明的是：
地球坐标系(e系，earthcoordinatesystem，ecs)：选取东北天坐标系为地球坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面，指向上方。
载体坐标系(c系，carriercoordinatesystem，ccs)：原点位于载体质心，x沿载体横轴向右，y轴沿载体纵轴向后，z轴沿着载体竖轴向下。
俯仰角(θ)：载体绕x轴逆时针转动时，载体的y轴与水平面之间的夹角。
横滚角(φ)：载体绕y轴逆时针转动时，载体的x轴与水平面之间的夹角。
航向角(ψ)：载体绕z轴逆时针转动时，载体的y轴在水平面的投影与z轴的夹角。
实现载体坐标系到地球坐标系的坐标系变换矩阵rt参见公式10：
对编号为i的采样点的坐标系变换矩阵rt，令航向角ψi＝0，得到公式11：
其中，gx，i，gy，i，gz，i分别为编号为i的采样点对应的重力加速度传感器的第三三轴数据，由此获得编号为i的采样点的俯仰角θi和横滚角φi，参见公式12：
由俯仰角和航向角以及坐标系变换矩阵，获得地球坐标系下z轴的加速度，参见公式13：
其中，
滤除重力加速度的影响，获得姿态1所对应的参考加速度为：
类似地，针对姿态2，确定载体坐标系下的x轴加速度为其对应的参考加速度为：
类似地，针对姿态3，确定载体坐标系下x轴加速度为其对应的参考加速度为：
类似地，针对姿态4，确定载体坐标系下z轴的加速度为其对应的参考加速度为：
类似地，针对姿态3，确定载体坐标系下三轴加速度的模值为其对应的参考加速度为：
s22，对不同姿态的参考加速度做预处理，获得滤波加速度。
首先进行滑动平均滤波，滑动平均滤波的公式见公式14：
其中，k∈{1，2，3，4，5}，为姿态编号，m为滤波器的阶数，可取为5，i为传感器数据采样点的编号；
为了改善传感器组件所采集的数据的高频噪声，对
其中，β可取范围为[0，1]；
s23，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。
当预处理后的参考加速度(即滤波加速度)所对应的采样点满足局部极大值条件、延时峰值检测条件、时间间隔条件及动态阈值条件时，该滤波加速度为波峰。
具体而言，根据公式2，对滤波加速度进行筛选，筛选出的滤波加速度满足局部极大值条件。
根据公式3，对滤波加速度进行筛选，筛选出的滤波加速度满足延时峰值检测条件。
其中，m为常数，满足：
可以理解的是，延时峰值检测条件即当前波峰之后的m个采样点，如果出现了波峰，则判断当前波峰与新出现波峰峰值的大小，如果当前波峰的峰值较大，则记录当前波峰作为新步子，如果新峰值的波峰高于当前波峰，则当前波峰判定为伪波峰，选取新波峰作为新步子。
根据公式4，对滤波加速度进行筛选，筛选出的滤波加速度满足时间间隔条件。
其中，行人步行的频率区间为[fmin，fmax]，其中，fmin为行人移动的最小频率，fmax为行人移动的最大频率，istep-1为前一波峰对应的采样点编号，n为终端传感器数据的采样频率。
根据公式5，对滤波加速度进行筛选，筛选出的滤波加速度满足动态阈值条件。
其中，
根据公式6获得波峰对应的采样点：
istep＝ipeak∩idelay∩iinterval∩ithreshold公式6；
s24，根据公式16确定行人的实时步频：
其中，f0为常数，istep为当前步子的采样点编号，istep-1为前一步子的采样点编号，n为终端的采样频率。行人处于静止状态时
第二部分、确定行人的步长。行人移动过程中持握姿态会发生变化，但步行的频率不随姿态的变化而改变，根据公式7确定步长：
其中，h为行人的身高，α，β，γ为常数，可预先通过多元非线性最小二乘法拟合得到，fstep为行人的步频。
步骤三、确定行人航向。行人在移动开始阶段，通过磁传感器或其他方法首先得到行人的初始航向角ψ0，在行人移动过程中通过陀螺仪求得行人航向角偏移量ψi，最终得到行人在采样点编号为i所对应的绝对方向角ψi+ψ0。
具体而言，根据公式8航向偏移量：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i时刻的采样点的横滚角，
需要说明的是，行人在移动过程中，会产生姿态的随机转换。由姿态转换引起的航向的偏移通过补偿来解决。在行人移动方向不变的情况下由姿态k1转为姿态k2引起的航向变化为
步骤四、获得行人位置坐标。
根据公式9确定采样点编号istep所对应的所述行人的位置
其中，ψistep+ψ0为采样点编号istep所对应的航向角。
另一方面，本发明实施例提供一种行人定位装置，设置于移动终端，包括：传感器组件、存储器、处理器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现如下方法步骤：
s101，获取行人的初始位置和初始航向角。例如，可以通过gps获取行人的初始位置和初始航向角。
s102，识别行人携带终端的实时姿态。行人携带终端的姿态可以有多种，例如胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态或其他姿态等。行人携带终端的实时姿态可以通过终端中的元器件(如传感器组件或摄像头等)进行识别。
s103，基于预先设置的对应关系，对载体坐标系下的加速度数据进行坐标系的转换，将与实时姿态对应的坐标系的轴向加速度或加速度模值设置为参考加速度。可以理解的是，行人携带终端的姿态与参考加速度的确定公式之间具有确定的对应关系，例如，行人携带终端的姿态与参考加速度的确定公式一一对应，根据实时识别的行人携带终端的实时姿态确定其对应的参考加速度的确定公式，参考加速度可以为载体坐标系下的轴向加速度或载体坐标系下加速度的模值，参考加速度也可以为地球坐标系下的轴向加速度或地球坐标系下加速度的模值。
这里，需要说明的是，“加速度模值”可以为载体坐标系下三轴加速度的和的模值或地球坐标系下三轴加速度的和的模值。另外，地球坐标系可以为东北天坐标系，其中x轴指向水平东方，y轴指向水平北方，z轴垂直于水平面且指向上方。载体坐标系原点位于载体(如终端)质心，x轴沿载体横轴向右(如终端的宽度方向且指向终端的右方)，y轴沿载体纵轴向后(如终端的长度方向且指向终端的后方)，z轴沿载体竖轴向下(如终端的厚度方向且指向终端的下方)。
s104，对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数。需要说明的是，这里所提到的预处理可以为对参考加速度进行滤波处理。利用波峰检测算法对预处理后的参考加速度进行筛选，筛选出的波峰用于统计行人的步数，筛选出的波峰的数量即为行人的步数。
s105，确定行人的步长和航向偏移量。
s106，根据步数、步长及航向偏移量、初始位置以及初始航向角，确定行人的目标位置。
本发明实施例的基于终端的行人定位方法，通过对行人携带终端的实时姿态的识别，并针对不同的姿态选择载体坐标系或地球坐标系下不同的轴向加速度或加速度模值，以利用波峰检测算法进行步数统计，可以提高步数统计的精确性，从而可以提高行人的定位精度，以进一步满足对导航可靠性的要求，尤其是针对室内定位、导航而言，具有较高的实际应用价值。
在本发明的一些实施例中，行人携带终端的姿态可以包括胸前握持终端姿态、终端随手摆动姿态、终端在裤子口袋姿态和其他姿态。当实时姿态为胸前握持终端姿态，确定终端在地球坐标系下的z轴加速度为参考加速度；当实时姿态为终端随手摆动姿态，确定终端在载体坐标系下的x轴加速度为参考加速度；当实时姿态为终端在裤子口袋姿态，确定终端在载体坐标系下的z轴加速度为参考加速度；当实时姿态为其他姿态，确定终端在载体坐标系下三轴加速度的模值为参考加速度。
在本发明的一些实施例中，为了简化对行人携带终端的实时姿态的识别、提高行人移动过程中对行人携带终端的实时姿态的识别率，步骤s102可以包括：
s201，采集传感器组件的检测数据，构建采样点的特征向量。
其中，在一些实施例中，传感器组件可以包括加速度传感器和陀螺仪传感器，采集传感器组件的检测数据可以包括采集加速度传感器的第一三轴数据[ax，av，az]、采集陀螺仪传感器的第二三轴数据[ωx，ωv，ωz]，并根据公式1构建所述采样点的特征向量f：
f＝[axayazamagωxωyωzωmag]公式1；
在公式1中，amag为第一三轴数据的模值，ωmag为第二三轴数据的模值。
s202，构建包含有多个采样点的样本，确定样本内所有采样点的特征向量的属性集，其中，属性集包括静态属性、频域属性和时域属性中的至少一个。静态属性可以包括一个或多个，例如，静态属性可以包括样本中所有采样点的特征向量的均值、方差中的至少一个；频域属性可以包括一个或多个，例如频域属性可以包括样本中所有采样点的特征向量的极大值频率，时域属性可以包括一个或多个，例如时域属性可以包括样本中所有采样点的特征向量的波峰数量。在一些示例中，属性集可以包括静态属性、频域属性和时域属性中的至少一个所包含的一个或多个属性。
需要说明的是，每个样本中均包含多个采样点，任意相邻的两个样本之间可以有相同的采样点。例如，相邻的两个样本中采样点的重叠率可以为百分之五十，以提高采样的连续性，从而可以提高姿态识别的连续性。确定每个样本的属性集，属性集可以包括静态属性、频域属性和时域属性中的至少一个，例如，属性集可以包括静态属性、频域属性和时域属性。这里，静态属性可以为样本中所有采样点的特征向量的均值或方差等，频域属性可以为样本中所有采样点的特征向量的极大值频率，时域属性可以为样本中所有采样点的特征向量的波峰数量。
s203，基于属性集，通过分类器所训练得到的姿态分类模型识别行人携带终端的实时姿态。
这里需要解释说明的是，分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即分类器(classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。总之，分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。分类器的构造和实施大体会经过以下几个步骤：选定样本(包含正样本和负样本)，将所有样本分成训练样本和测试样本两部分；在训练样本上执行分类器算法，生成分类模型；在测试样本上执行分类模型，生成预测结果；根据预测结果，确定必要的评估指标，评估分类模型的性能。
实验证明，通过分类器这种机器学习的方法对行人移动过程中行人携带终端的实时姿态的识别，可达到95％以上的姿态识别率。
为了实现对行人在姿态转换过程中轨迹的持续描绘，进一步提高定位精度，如图2所示，在本发明的一些实施例中，识别行人携带终端的实时姿态还可以包括：
当前样本的实时姿态与前一个样本的实时姿态不相同时，以当前样本的起始时间点延迟第一时间段后的时间点作为后一个样本的起始时间点，确定第一时间段内的实时姿态与前一个样本的实时姿态相同。由此，可以实现行人移动过程中任意姿态的切换，达成了系统整体的完备性。
在本发明的一些实施例中，步骤s103中对参考加速度进行预处理，利用波峰检测算法对预处理后的参考加速度进行筛选，并根据筛选出的波峰统计行人的步数可以包括：
s301，对参考加速度进行滑动平均滤波和时域低通滤波，获得滤波加速度；
s302，根据公式2、公式3、公式4、公式5及公式6对滤波加速度进行过滤，获得波峰对应的采样点编号istep：
istep＝ipeak∩idelay∩iinterval∩ithreshold公式6；
其中，k为姿态编号，k＝1为胸前握持终端姿态，k＝2为随手摆动姿态，k＝3为终端在裤子口袋姿态，k＝4为其他姿态，
s303，根据波峰的个数确定行人的步数。
在本发明的一些实施例中，可以根据公式7确定行人的步长
其中，h为行人的身高，α、β、γ均为常数，
在本发明的一些实施例中，可以根据公式8确定航向偏移量ψi：
其中，θi为编号为i的采样点的俯仰角，φi为编号为i的采样点的横滚角，
相关技术中，通过磁传感器可以得到行人移动方向与地磁北的绝对方向角，但会受到室内环境中硬磁材料和软磁材料的干扰导致航向估计产生极大的偏差。本发明实施例中通过采用具有良好抗电磁干扰能力的陀螺仪传感器的测量数据确定航向偏移量，可以避免相关技术中磁材料的干扰，从而可以提高行人航向检测的精确度，进而可以提高行人定位的精确度。
进一步地，当行人的姿态转换时，由前姿态所计步子的最后一步的方向角及后姿态的第一步所得的方向角求差值获得姿态补偿角，并根据姿态补偿角重新确定航向偏移量。由此，可以提高测量航向偏移量的准确性。
在本发明的一些实施例中，根据公式9确定采样点istep所对应的行人的位置
其中，
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！