一種行人動作識別算法、系統、處理設備及存儲介質技術方案

本發明專利技術涉及一種行人動作識別算法、系統、處理設備及存儲介質，其特征在于，該方法包括：建立基于PCA的SVM步態分類模型；采集待測行人的MIMU測量數據；將待測行人的MIMU測量數據輸入至建立的SVM步態分類模型中，得到待測行人的動作識別結果，本發明專利技術能夠僅利用經數據預處理及降維后的綁定于足部的MIMU所采集的測量數據進行準確的行人動作識別，可以廣泛應用于慣性技術領域中。慣性技術領域中。慣性技術領域中。

【技術實現步驟摘要】
一種行人動作識別算法、系統、處理設備及存儲介質


[0001]本專利技術涉及慣性
，特別是關于一種行人動作識別算法、系統、處理設備及存儲介質。

技術介紹

[0002]伴隨著MIMU(Micro Inertial Measurement Unit，微慣性測量單元)的發展，基于慣性測量器件的導航定位系統已逐漸成為行人自主導航的理想方案，其體積小、功耗低、成本低且易于集成和數字化的特點適合于行人自主導航的應用環境。并且MIMU可獨立工作，不易受到外界的干擾，更增加了其隱蔽性。但是相較于傳統的慣性器件，MIMU的精度則相對較低，這使得導航的積累誤差很大，因而必須有輔助的修正手段來處理誤差。
[0003]主成分分析(PCA)也被稱為主分量分析，其主要思想在于將多指標轉化為少數幾個綜合指標以達到降維的目的，通過這種操作，可以在盡可能地保留數據原始特征的情況下，去除噪聲和不太重要的特征，這有助于在其后的運算中節省大量的資源與時間。支持向量機(SVM)是一種基于統計學的機器學習算法，按照監督學習的方式對數據進行二元分類，作為一種擁有堅實理論基礎的機器學習算法，SVM在多種不同的領域中有著良好的應用。SVM的基本思想是將本身在輸入空間中線性不可分的數據集非線性地映射到高維特征空間中以得到線性可分的數據集，之后在高維特征空間中找到一個具有最大隔離距離的超平面，用于區分經過映射后的數據集。因為SVM算法的最終決策只由超平面附近的高維向量所決定，因此有助于找出分類的關鍵信息，且降低其余大量冗余信息的影響，增加、減少非關鍵樣本也對模型本身并無很大影響，這也使得算法的魯棒性得到提高。同時，因為SVM算法屬于凸優化問題，因此有準確的求解目標函數全局最小量的方法，而不像其他的算法中往往只能求出局部最小值，因而可以利用SVM對各種行人動作進行分類。
[0004]但是，現有的研究主要集中于采用機器學習的方法實現對行人動作零速與非零速狀態的劃分，而并未實現對行人的步行、跑步、上樓、下樓和跳躍等多種運動狀態的識別。同時，尚未有將PCA與SVM結合用于步態識別的先例，這樣單純利用SVM的算法也因為計算量大，而會影響其實時性。

技術實現思路

[0005]針對上述問題，本專利技術的目的是提供一種行人動作識別算法、系統、處理設備及存儲介質，能夠實現對行人的步行、跑步、上樓、下樓和跳躍等多種運動狀態的識別。
[0006]為實現上述目的，本專利技術采取以下技術方案：第一方面，提供一種行人動作識別算法，包括：
[0007]建立基于PCA的SVM步態分類模型；
[0008]采集待測行人的MIMU測量數據；
[0009]將待測行人的MIMU測量數據輸入至建立的SVM步態分類模型中，得到待測行人的動作識別結果。
[0010]進一步地，所述建立基于PCA的SVM步態分類模型，包括：
[0011]采集行人的原始MIMU測量數據；
[0012]對采集的原始MIMU測量數據進行預處理；
[0013]根據預處理后的測量數據，進行步態時間段的劃分和特征值的選取；
[0014]采用主成分分析法，根據選取的特征值，進行數據降維；
[0015]采用降維后的數據進行SVM步態分類模型訓練，得到訓練好的SVM步態分類模型。
[0016]進一步地，所述MIMU測量數據包括硬地上的步行、跑步、上樓、下樓和跳躍五種步態以及沙地上的步行和跑步兩種步態的三軸加速度數據和三軸角速度數據以及二者的模值數據。
[0017]進一步地，所述根據預處理后的測量數據，進行步態時間段的劃分和特征值的選取，包括：
[0018]在預處理后的測量數據的三軸加速度模值時序數據中找出各個峰值數據，并根據找出的峰值數據，劃分步態時間段；
[0019]對預處理后的測量數據選取用于表示一個時間段內測量數據特征的統計變量。
[0020]進一步地，所述統計變量包括三軸加速度數據和三軸角速度數據以及二者的模值數據在一時間段內的最大值、最小值、均值和標準差以及一個標簽數據。
[0021]進一步地，所述采用主成分分析法，根據選取的特征值，進行數據降維，包括：
[0022]根據選取的統計變量，構建樣本矩陣；
[0023]對樣本矩陣內的數據進行標準化，得到標準化后的數據；
[0024]基于標準化后的數據，計算樣本矩陣的協方差矩陣；
[0025]根據樣本矩陣的協方差矩陣，計算特征值及其對應的特征向量；
[0026]根據計算的特征值，確定主成分；
[0027]根據特征值對應的特征向量，得到PCA降維后的測量數據集矩陣。
[0028]進一步地，所述將待測行人的MIMU測量數據輸入至建立的SVM步態分類模型中，得到待測行人的動作識別結果，包括：
[0029]采用建立的SVM步態分類模型對待測行人的動作進行識別，識別公式為：
[0030]G＝model(Y)
[0031]其中，G為動作識別結果；Y為降維后的測量數據集矩陣。
[0032]第二方面，提供一種行人動作識別系統，包括：
[0033]模型建立模塊，用于建立基于PCA的SVM步態分類模型；
[0034]數據采集模塊，用于采集待測行人的MIMU測量數據；
[0035]動作識別模塊，用于將待測行人的MIMU測量數據輸入至建立的SVM步態分類模型中，得到待測行人的動作識別結果。
[0036]第三方面，提供一種處理設備，包括計算機程序指令，其中，所述計算機程序指令被處理設備執行時用于實現上述行人動作識別方法對應的步驟。
[0037]第四方面，提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序指令，其中，所述計算機程序指令被處理器執行時用于實現上述行人動作識別方法對應的步驟。
[0038]本專利技術由于采取以上技術方案，其具有以下優點：
[0039]1、本專利技術采用SVM步態分類模型，能夠僅利用經數據預處理及降維后的綁定于足部的MIMU所采集的測量數據進行準確的行人動作識別，本專利技術為識別不同步態下的零速，提高零速修正算法的針對性，以及識別不同行人動作，作為運動約束算法的依據等方面提供基礎。
[0040]2、本專利技術采用低通濾波和平滑處理對原始MIMU測量數據進行預處理，減少了所采集的原始MIMU測量數據存在的噪音信號與高頻信號的干擾。
[0041]3、本專利技術針對行人動作是時間段狀態的特點，基于測量數據中的加速度模值時序數據的峰值，將數據依每一步的時間段劃分。
[0042]4、本專利技術采用主成分分析法將原始的32維特征數據降維至16維特征數據，從而能夠有效地降低計算所需的資源消耗，改善預測的實時性，在工程上有重要價值。
[0043]5、本專利技術具有良好的通用性與拓展性，根據不同的使用場景，可以選擇不同的數據降維程度，達到合適的準確性和計算效率的平衡。此外，也可以增加新的行人運動狀態種類，采用專利技術的方法重新進行模型訓練與應用本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種行人動作識別算法，其特征在于，包括：建立基于PCA的SVM步態分類模型；采集待測行人的MIMU測量數據；將待測行人的MIMU測量數據輸入至建立的SVM步態分類模型中，得到待測行人的動作識別結果。2.如權利要求1所述的一種行人動作識別算法，其特征在于，所述建立基于PCA的SVM步態分類模型，包括：采集行人的原始MIMU測量數據；對采集的原始MIMU測量數據進行預處理；根據預處理后的測量數據，進行步態時間段的劃分和特征值的選取；采用主成分分析法，根據選取的特征值，進行數據降維；采用降維后的數據進行SVM步態分類模型訓練，得到訓練好的SVM步態分類模型。3.如權利要求2所述的一種行人動作識別算法，其特征在于，所述MIMU測量數據包括硬地上的步行、跑步、上樓、下樓和跳躍五種步態以及沙地上的步行和跑步兩種步態的三軸加速度數據和三軸角速度數據以及二者的模值數據。4.如權利要求3所述的一種行人動作識別算法，其特征在于，所述根據預處理后的測量數據，進行步態時間段的劃分和特征值的選取，包括：在預處理后的測量數據的三軸加速度模值時序數據中找出各個峰值數據，并根據找出的峰值數據，劃分步態時間段；對預處理后的測量數據選取用于表示一個時間段內測量數據特征的統計變量。5.如權利要求4所述的一種行人動作識別算法，其特征在于，所述統計變量包括三軸加速度數據和三軸角速度數據以及二者的模值數據在一時間段內的最大值、最小值、均值和標準差以及一個標簽數據。6.如權利要求5所述的一種行人動作識別算法，其特征在于，所述采...

【專利技術屬性】
技術研發人員：郭美風，楊海軍，陳建強，李新，王成賓，石耿修，梁弘毅，
申請(專利權)人：上海塞嘉電子科技有限公司，
類型：發明
國別省市：