本发明涉及位置服务和物联网技术领域，尤其是一种运动识别的方法和系统。
背景技术：
随着移动互联网、智能终端等技术的发展，位置服务已经逐渐深入到了人们的生活。随着位置服务和普适计算技术的进一步发展，还进一步衍生出了情境感知技术。若能通过处理传感器数据，自动探测出用户的运动模式、周围情境等，可获得更高维度的位置大数据，并提供更多元、有针对性的位置服务。
从定位技术的角度来讲，现有室内外定位技术，如卫星导航定位、惯性导航、通讯基站定位、局域无线网定位、低功耗蓝牙定位、地图匹配等，已经可以为情景感知提供位置、速度、姿态等运动信息。对于低成本定位，例如利用智能手机、车载设备的定位来讲，必须是在已知识别对象的运动模式的情况下，例如通过携带式或穿戴式传感设备得到传感器数据已知了人体的运动模式属于行走、骑自行车、或开车，才能在软件中加入相应的运动模型约束（例如行人脚步模型、蹬自行车运动模型、机动车非完整性约束及转弯半径模型等），从而达到提高定位导航性能的目的。
技术实现要素：
本发明的目的是提供一种运动识别方法和系统，通过实时采集识别对象的运动数值，对运动模式的类别依照顺序进行判断，无需预知识别对象的运动模式进行自动的运动识别。
本发明提供了一种运动识别的方法，对识别对象进行运动识别，具有这样的特征，包含：实时采集识别对象的运动数值；对各时刻的运动数值利用预定判定规则依照顺序判断为静止模式、准静止模式或移动状态，所述移动状态包括行人模式或车载模式；所述预定判定规则包括：速度、加速度或角速度、步态信息；
所述利用预定判定规则依照顺序判断包括：基于速度、加速度或角速度判断静止模式、准静止模式或移动状态；进一步的，基于步态信息或角速度判断移动状态中的行人模式及车载模式。
在本发明所提供的运动识别的方法中，进一步可选地，具有这样的特征，包含：所述预定判定规则包含：
步骤1：基于加速度变化，或进一步基于角速度抖动，判定识别对象为静止模式或准静止模式，否则判定为移动状态；
步骤2：若步骤1中判定为移动状态，基于步态信息的周期性脚步则进一步判别对象为行人模式，还是车载模式；所述行人模式包括走路模式、跑步模式；所述车载模式包括自行车骑行模式、乘坐机动车模式；
步骤3：若步骤2中判定为行人模式，则基于步态信息的步频进一步判别走路模式或跑步模式；
步骤4：若步骤2中判定为车载模式，则基于周期性水平角速度进一步判别骑行自行车模式、或乘坐机动车模式；
步骤5：重复步骤1至步骤4，获得各时刻的运动模式判断结果为静止模式、准静止模式、走路模式、跑步模式、自行车骑行模式、乘坐机动车模式中一种。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，进一步判别走路、或跑步模式，包含：使用一段时间段长度内的脚步探测结果计算脚步频率的公式为
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，在步骤4中，进一步判别骑自行车模式、或乘坐机动车模式，包含：其中，对一段时刻的加速度计数据进行分析，若出现周期性的水平角速度大小，且水平角速度大小的均值处在第一水平角速度阈值和第二水平角速度阈值之间，则判定为自行车骑行模式;否则，考察识别对象速度，若大于第二速度阈值,则判定为乘坐机动车模式;否则，判定为骑自行车或者乘坐机动车模式。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，水平角速度大小通过加速度计数据计算得到，包含：首先，使用加速度计数据计算水平姿态角，其中，水平姿态角的横滚角
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，其中，将所获得的各时刻运动模式判断结果作为候选存入第一存储模块，统计候选的运动模式判断结果的概率，将最高概率的运动模式判断结果作为当前运动模式；将得到的当前时刻运动模式作为候选存入第二存储模块，统计候选的当前时刻运动模式的概率，将最高概率的当前时刻运动模式作为待定运动模式；检验该待定运动模式是否适用作为最终的运动模式结果。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，其中，在第一存储模块和第二存储模块中，对候选的运动模式判断结果或当前时刻运动模式的概率计算过程，分别包含：使用各种候选运动模式的出现次数，除以该时间段内总的运动识别次数，进行计算分别得到候选的各种运动模式判断结果的概率，或者候选的各种当前时刻运动模式的概率，再进一步选择最高概率；其中，当出现候选运动模式多种可能判定情况时，将其次数分配给该时间段内各种可能候选运动模式，用以计算概率。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，在第一存储模块和第二存储模块中，检验是否使用待定运动模式作为对象的运动模式，基于所选待定运动模式的可能性，若高于可能性阈值，则将待定运动模式确定为最终的运动模式结果;否则，将对象的运动模式标记为待定状态中，其中，可能性阈值根据实际需要中对运动模式识别的准确度要求来确定。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，步骤1中，判断静止模式或准静止模式，包含：若识别对象速度不高于速度阈值，则进一步检测一段时间内角速度标准差是否大于第一角速度阈值，若不大于第一角速度阈值,则判定为静止模式;若大于第一角速度阈值,则判定为准静止模式;若速度高于速度阈值,则判定为移动模式。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，其中，第一角速度阈值根据在保持准静止状态时一段时间内所测得角速度向量的模的标准差来确定。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，在步骤2中，判断是否为走路模式或跑步模式，包含：使用一段时间的加速度计数据进行脚步探测；若探测到足量周期性脚步数据，则判定为走路模式或跑步模式。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，在探测足量周期性脚步数据的过程，包含：若探测到的脚步数少于脚步数阈值，则判定没有检测到周期性的脚步数据；若探测到的脚步数不少于脚步数阈值，则对脚步信号的周期性进行检验，若脚步信号存在周期性，则判定为走路模式或跑步模式，其中，脚步数阈值基于所选时间段长度乘以步行最慢频率来设定。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，步骤3中，判别走路模式、跑步模式的过程，包含：使用脚步探测结果计算步频，若步频小于第一步频阈值,则判定为走路模式，若步频大于第二步频阈值,则判定为跑步模式;否则，判定为走路模式和跑步模式的多种可能性判定情况，其中，第一步频阈值和第二步频阈值分别依据跑步的最小步频，以及走路的最大步频来设定，第一步频阈值小于第二步频阈值。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，步骤4中，判别骑自行车、乘坐机动车模式的过程，包含：对一段时刻的加速度数据进行分析，若满足第一条件即出现周期性水平角速度，且水平角速度大小的均值处在第一水平角速度阈值和第二水平角速度阈值之间，则判定为骑自行车模式;若不满足第一条件，则判定满足第二条件即进一步依据识别对象的速度，若该速度大于第二速度阈值,则判定为乘坐机动车模式;否则第一条件和第二条件均不满足，判定为骑自行车和乘坐机动车模式多种可能判定的情况。
在本发明所提供的运动识别的方法中，可选地，具有这样的特征，其中，第一水平角速度阈值和第二水平角速度阈值的设定依据蹬踏自行车的频率范围来设定，第二速度阈值根据骑行自行车速度的上限设定。另外，本发明还提供了一种运动识别的系统，对识别对象进行运动识别，其包含：传感器，实时采集识别对象的运动数值；识别模块，对各时刻的运动数值利用预定判定规则依照顺序判断为静止模式、准静止模式或移动状态，所述移动状态包括行人模式或车载模式；所述预定判定规则包括：速度、加速度或角速度、步态信息；所述识别模块利用预定判定规则依照顺序判断包括：基于速度、加速度或角速度判断静止模式、准静止模式或移动状态；进一步的，基于步态信息或角速度判断移动状态中的行人模式及车载模式。
本发明的作用和效果：
本发明的目的是提供一种运动识别方法和系统，通过实时采集识别对象的运动数值，依照顺序判断为静止模式、准静止模式、走路模式、跑步模式、自行车骑行模式、乘坐机动车模式中一种，无需预知识别对象的运动模式，基于传感器数据和运动数据，利用加速度、角速度以及速度数据进行自动的运动识别。
基于本发明运动识别方法和系统，可省去现有定位导航技术中预设运动模式的步骤，增强操作便利性。同时，基于本发明中探测出的运动模式，可进一步为定位导航添加运动模型约束，提高定位结果。此外，本发明可适用于位置服务和物联网应用中对用户使用情境的感知和统计。
本发明的其他优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是本发明实施例中运动识别方法的流程图;
图2是本发明实施例中使用第一存储模块、第二存储模块的判别运动模式的示意图；
图3是本发明实施例中处于静止模式时一段时间内的加速度大小值以及其标准差示例；
图4是本发明实施例中处于准静止模式时一段时间内的加速度大小值以及其标准差示例；
图5是本发明实施例中处于手持手机走路模式时一段时间内的加速度大小值以及其标准差示例；
图6是本发明实施例中处于静止模式时一段时间内的角速度大小值以及其标准差示例；
图7是本发明实施例中处于准静止模式时一段时间内的角速度大小值以及其标准差示例；
图8是本发明实施例中处于手持手机走路模式时一段时间内的角速度大小值以及其标准差示例；
图9是本发明实施例中处于手持手机走路模式时一段时间内的脚步探测结果示例；
图10是本发明实施例中处于手持手机跑步模式时一段时间内的脚步探测结果示例；
图11是本发明实施例中处于骑自行车模式时一段时间内的水平角速度大小值以及其标准差示例；
图12是本发明实施例中处于乘机动车模式时一段时间内的水平角速度大小值以及其标准差示例。
具体实施方式
下面结合附图和实例进一步说明本发明的技术方案。
根据本发明的这些目的和其他优点，提供了一种运动识别的方法以及系统，对检测识别对象（简称对象）进行运动识别。
图1是本发明实施例中运动识别方法的流程图。
本发明具有如下步骤：
步骤1：基于加速度变化，或进一步基于角速度抖动，判定识别对象为静止模式或准静止模式，否则判定为移动状态。
本发明中，准静止模式指设备在原地停留，但并非完全绝对静止。代表场景如用户将手机拿在手中使用，但人没有移动。静止状态指设备完全静止，比如放在桌上。移动状态指非静止或准静止的状态。
判断静止和准静止模式，包含：计算识别对象一段时间内的加速度值的标准差，若高于第一加速度阈值（即存在明显加速度变化），则判定为移动模式。否则，进一步检测一段时间内角速度标准差是否大于第一角速度阈值。若不大于第一角速度阈值，则判定为静止模式;若不大于第一角速度阈值,则判定为准静止模式。
加速度计算公式为，其中为求绝对值符号，为加速度计量测向量，为本地重力值，由计算，其中到的值分别为9.7803267715、0.0052790414、0.0000232718、-0.0000030876910891、0.0000000043977311和0.0000000000007211，和分别为纬度和高程值，为计算向量的模。当时判定为存在明显加速度变化。符号表示一段时间内加速度值的标准差。为第一加速度阈值。第一加速度阈值根据将设备拿在手上保持准静止状态时，一段时间内加速度标准差可能达到的较大值确定。实施例中设置为1.2米/平方秒。
图3是本发明实施例中处于静止模式时一段时间内的加速度大小值以及其标准差示例。图4是本发明实施例中处于准静止模式时一段时间内的加速度大小值以及其标准差示例。图5是本发明实施例中处于手持手机走路模式时一段时间内的加速度大小值以及其标准差示例。图3中所示静止模式下加速度大小的标准差为0.04米/平方秒;图4中所示准静止模式下加速度大小的标准差为0.22米/平方秒;图5中所示移动状态下加速度大小的标准差为1.55米/平方秒。使用上述第一加速度阈值来判断，图5中数据大部分会被判定为移动模式，而图3和图4中数据会被判定为静止或准静止均有可能的状态。
角速度计算公式为，其中为角速度向量。当时判定为无明显角速度抖动。符号表示一段时间内角速度的标准差，为第一角速度阈值。第一角速度阈值根据将设备拿在手上保持准静止状态时，一段时间内角速度向量的模的标准差来确定。经统计，当手持设备保持准静止状态时，角速度标准差约为3度/秒至10度/秒。因此，可取2度/秒作为第一角速度阈值。当人正常携带设备行走时，设备测量得到的角速度大小为20度/秒至500度/秒范围，将显著高于角速度阈值。
图6是本发明实施例中处于静止模式时一段时间内的角速度大小值以及其标准差示例；
图7是本发明实施例中处于准静止模式时一段时间内的角速度大小值以及其标准差示例；图8是本发明实施例中处于手持手机走路模式时一段时间内的角速度大小值以及其标准差示例。图6中所示静止模式下角速度大小的标准差为0.12度/秒;图7中所示准静止模式下角速度大小的标准差为6.12度/秒;图8中所示移动状态下角速度大小的标准差为20.25度/秒。使用上述第一角速度阈值来判断，则会将图6中数据判定为静止模式，而将图7中数据判定为准静止模式。
步骤2：若步骤1中判定为移动状态，则进一步基于条件1：是否存在足量周期性的脚步数据，来判别对象是否为行人模式。若不为行人模式，则进一步通过条件2：速度是否大于第一速度阈值，来判断是否为车载模式。若不为车载模式，则判定为行人和车载均有可能的状态。
首先，设定脚步探测时间阈值，如10秒，然后，使用最近一段长度不大于脚步探测时间阈值的时间段内的加速度数据进行脚步探测。脚步探测可使用行人导航领域现有方法，如对加速度测量向量的模的峰值探测。若探测到的脚步数少于脚步数阈值，则判定没有检测到足量的脚步数据。脚步数阈值以脚步探测时间阈值乘以人可能走路的最慢频率来设定。例如，取脚步探测时间阈值为10秒，人走路的最慢频率为0.3步/秒（即约3秒走一步），则脚步数阈值设定为3步。若探测到的脚步数不少于脚步数阈值，则对脚步信号的周期性进行检验。若脚步信号存在周期性，则判定为探测到足量周期性的脚步数据;否则，判定不存在足量周期性的脚步数据。信号周期性的检验可使用数字信号处理领域现有方法，如傅丽叶变换后做频谱分析。若探测到足量周期性的脚步数据，则判定为行人模式;否则，进一步判定是否为车载模式。
车载模式判断标准为速度是否大于第一速度阈值。若大于，则判定为车载模式;否则，判定为行人和车载模式均有可能的状态。经统计，行人走路或跑步的速度一般不超过4.2米/秒（约15公里/小时）。所以，第一速度阈值设定为4.2米/秒。
步骤3：若步骤2中判定为行人模式，则进一步基于脚步频率是否大于脚步频率阈值，判别走路模式、或跑步模式。使用脚步探测结果计算脚步频率。若脚步频率小于第一脚步频率阈值,则判定为走路模式;若脚步频率大于第二脚步频率阈值2,则判定为跑步模式;否则，判定为可能为走路或跑步两种模式均有可能的状态。
使用一段时间内的脚步探测结果计算脚步频率的公式为，其中为脚步频率，为探测到的脚步数，为时间段长度。实施例中取脚步探测时间阈值作为时间段长度。
第一脚步频率阈值和第二脚步频率阈值分别依据跑步的最小脚步频率，以及走路的最大脚步频率来设定。第一脚步频率阈值小于第二脚步频率阈值。经统计，一般人走路脚步频率为0.3步/秒至2步/秒之间，跑步脚步频率为1步/秒至4步/秒之间。所以，可设定第一脚步频率阈值为0.8步/秒，第二脚步频率阈值为2.5步/秒。
图9是本发明实施例中处于手持手机走路模式时一段时间内的脚步探测结果示例；图10是本发明实施例中处于手持手机跑步模式时一段时间内的脚步探测结果示例。图9中所示走路模式下角速度大小的平均脚步频率为1.8步/秒;图10中所示跑步模式下角速度大小的平均脚步频率为3.6步/秒。当使用上述第一脚步频率阈值和第二脚步频率阈值来判断时，会将图9中数据判定为走路或跑步两种模式均有可能的状态，而将图10中数据判定为跑步模式。
步骤4：若步骤2中判定为车载模式，则进一步基于是否存在周期性的水平角速度大小，判别骑自行车模式、或乘坐机动车模式。
对一段时刻的加速度计数据进行分析，若出现周期性的水平角速度大小，且水平角速度大小的均值处在第一水平角速度阈值和第二水平角速度阈值之间，则判定为骑自行车模式;否则，考察识别对象速度，若大于第二速度阈值,则判定为乘坐机动车模式;否则，判定为骑自行车或者乘坐机动车模式。
水平角速度大小可以使用加速度计数据计算得到。其步骤为：首先使用加速度计数据计算水平姿态角（俯仰角、横滚角)，公式为，，其中，、和分别为x、y和z轴的加速度计数据，为重力加速度值，符号代表取符号运算，代表反正弦运算。然后，使用相邻两时刻的水平姿态角，计算俯仰水平角速度和横滚水平角速度，其中和分别代表和时刻的横滚角，其中和分别代表和时刻的俯仰角。然后，计算水平角速度。该方法区别于惯性导航领域现有方法（使用加速度计测量的水平姿态角将角速度数据虚拟调平来计算水平角速度）。
第一水平角速度阈值和第二水平角速度阈值的设定依据一般人蹬自行车的频率范围来设定。经统计，一般人脚蹬自行车的频率为0.5圈/秒至3圈/秒之间。因此，分别设定第一水平角速度阈值和第二水平角速度阈值分别为180度/秒和1080度/秒。
第二速度阈值根据一般人骑自行车速度的上限设定。可设定为30公里/小时，即约8.5米/秒。
图11是本发明实施例中处于骑自行车模式时一段时间内的水平角速度大小值以及其标准差示例；图12是本发明实施例中处于乘机动车模式时一段时间内的水平角速度大小值以及其标准差示例。图11中所示骑自行车模式时水平角速度标准差为214.60度/秒，且存在明显的周期性。图12中乘机动车模式时水平角速度标准差为4.45度/秒，且不存在明显的周期性。当时用上述第一水平角速度阈值和第二水平角速度阈值来判断时，图11中数据的水平角速度大小处于第一水平角速度阈值和第二水平角速度阈值之间，而图12中数据的水平角速度大小远小于第一水平角速度阈值。
步骤5：图1中未显示的，重复步骤1-4，并将各时刻步骤1-4中得到的各时刻运动模式判断结果存入内存1即第一存储模块。使用内存1中数据确定对象的当前运动模式。
图2是本发明实施例中使用第一存储模块、第二存储模块的判别运动模式的示意图。由图2可知，首先，将各时刻运动模式判断结果存入内存1，并统计内存1中各种候选运动模式出现的次数。然后，计算各候选运动模式的概率，并选出概率最高的候选运动模式作为当前运动模式。
候选运动模式包括静态、准静止、走路、跑步、骑自行车、乘坐机动车。
统计一时间段内各中候选运动模式出现的次数，对于有多种可能模式的状态，将其次数平均分配给期内各种可能的模式。例如，若某一时刻运动模式判定为走路和跑步均有可能的状态，则将走路和跑步模式的出现次数各加上0.5;若某一时刻运动模式判定为骑自行车和乘坐机动车均有可能的状态，则将骑自行车和乘坐机动车模式的出现次数各加上0.5。若某一时刻运动模式判定为行人和车载模式均有可能的状态，则将走路、跑步、骑自行车和乘坐机动车模式的次数各加0.25。实施例中使用哈希表累计各种候选状态的出现次数。
步骤6：图1中未显示的，将步骤5中得到的当前时刻运动模式存入内存2即第二存储模块。
由图2可知，使用内存2中数据，确定对象的运动模式。具体方法为统计内存2中各种候选运动模式出现的次数，并选出概率最高的候选运动模式确定为待定运动模式。最后，通过比较待定运动模式的概率是否高于概率阈值来检验是否使用该待定运动模式作为对象的运动模式。
步骤5、6中，将运动模式判断结果存入内存2，可采用链表存储。将最新的运动模式判断结果存于链表尾部。当存储的结果达到特定长度时，移除链表头部的运动模式判断结果。
步骤5、6中，计算各候选运动模式的概率，可使用各候选运动模式的出现次数，除以该时间段内总的运动识别次数，计算各候选运动模式的概率。
步骤6中，检验是否使用待定运动模式作为对象的运动模式，可考察所选待定运动模式的概率，若高于概率阈值，则将待定运动模式确定为对象的运动模式;否则，将对象的运动模式标记为待定状态中。概率阈值根据实际需要中对运动模式识别的准确度要求来确定。一般情况，可取概率密度分布中一倍中误差对应值，即0.68。
实施例中，加速度数据可由三轴加速度计测量值减去重力向量得到;角速度数据可由三轴陀螺测量得到;速度数据可由惯性导航推算，结合外部定位技术如卫星定位的位置修正得到。
根据本实施例所提供的基于场景识别的目标场景确定方法及系统，能够克服缺少自动模式识别功能为位置服务大数据所带来的不便，不便之处主要体现在：（1）因为情境感知及其他相关服务需要知道对象当前的运动状态，才能将数据进行有效的筛选、过滤和存储。缺少运动状态信息，可能造成数据无法被标记或被错误标记，从而造成数据的浪费或错误。（2）从定位技术的角度来讲,现有室内外定位技术,如卫星导航定位、惯性导航、通讯基站定位、局域无线网定位、低功耗蓝牙定位、地图匹配等,已经可以为情景感知提供位置、速度、姿态等运动信息。对于低成本定位(如利用智能手机、车载设备的定位)来讲,在已知对象的运动模式(如行走、骑自行车、开车)的情况下,才能在软件中加入运动模型约束(例如行人脚步模型、蹬自行车运动模型、机动车非完整性约束及转弯半径模型等),提高定位导航性能。
使用本发明中的判断顺序,不需要人为干预，即可自动判断出包括静止、准静止、走路、跑步、骑自行车、以及乘坐机动车,共六种模式。因此，使用本发明,可以省去现有定位导航技术中预设运动模式的步骤,增强操作便利性和用户体验。同时，本发明中将各时刻运动模式判断结果存入内存、将有多种可能模式的状态的概率进行分配、综合利用多时刻运动模式进行模式识别的方法，可提高自动运动模式判断的准确性。此外，本发明的判断顺序经检验有效。尤其是通过加速度和角速度大小区分移动、静止和准静止模式、通过是否有足量周期性脚步数据区分走路和车载、以及通过是否有周期性水平角速度数据判断骑自行车模式，均经检验有效。本发明中阈值均为大量数据统计得到，且经过实际数据检验为有效。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。