方志祥，羅 浩，李 靈

1.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079； 2.四川省第二測(cè)繪地理信息工程院，四川 成都 610100

?

有限狀態(tài)自動(dòng)機(jī)輔助的行人導(dǎo)航狀態(tài)匹配算法

方志祥1，羅 浩2，李 靈1

1.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079； 2.四川省第二測(cè)繪地理信息工程院，四川 成都 610100

行人導(dǎo)航狀態(tài)的自動(dòng)識(shí)別是行人導(dǎo)航研究的一個(gè)難點(diǎn)問題，對(duì)提升行人導(dǎo)航軟件服務(wù)的精準(zhǔn)反饋與改善導(dǎo)航性能至關(guān)重要，此方面已有的研究工作很少。本文提出了一種基于有限狀態(tài)自動(dòng)機(jī)的行人導(dǎo)航狀態(tài)匹配算法，其核心思想是在識(shí)別行人動(dòng)作基礎(chǔ)上匹配行人當(dāng)前導(dǎo)航狀態(tài)。利用谷歌眼鏡及智能手機(jī)采集的多種傳感器數(shù)據(jù)對(duì)行人動(dòng)作進(jìn)行識(shí)別，得到其動(dòng)作特征參數(shù)；然后將行人導(dǎo)航狀態(tài)分為熟悉、陌生及迷路3類，根據(jù)有限狀態(tài)自動(dòng)機(jī)理論建立狀態(tài)轉(zhuǎn)移模型，設(shè)計(jì)基于該模型的行人導(dǎo)航狀態(tài)匹配算法；最后，實(shí)現(xiàn)狀態(tài)匹配算法，通過試驗(yàn)對(duì)該算法的有效性進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明，該算法能夠較好地識(shí)別行人導(dǎo)航過程中的狀態(tài)轉(zhuǎn)移，其中對(duì)熟悉向陌生狀態(tài)轉(zhuǎn)移識(shí)別準(zhǔn)確度較高，對(duì)迷路狀態(tài)識(shí)別準(zhǔn)確度達(dá)到90%。

行人導(dǎo)航；有限狀態(tài)自動(dòng)機(jī)；動(dòng)作識(shí)別；狀態(tài)匹配

行人導(dǎo)航服務(wù)成為基于位置的服務(wù)的研究熱點(diǎn)，智能移動(dòng)設(shè)備的普及使得行人導(dǎo)航服務(wù)越來越便捷，由電子地圖、定位、路徑規(guī)劃和路徑引導(dǎo)等組成的行人導(dǎo)航系統(tǒng)廣泛應(yīng)用在幫助行人沿規(guī)劃路徑到達(dá)目的地[1-2],行人導(dǎo)航通過導(dǎo)航地圖提供空間信息，完成路徑規(guī)劃等[3-5]。但是由于具體導(dǎo)航任務(wù)復(fù)雜度高，或現(xiàn)有路徑引導(dǎo)方式的不足等，行人還是會(huì)出現(xiàn)迷路狀況，導(dǎo)致無法按照既定規(guī)劃路線到達(dá)目的地。行人導(dǎo)航是對(duì)地理環(huán)境的認(rèn)知與行人決策相結(jié)合的過程，個(gè)體對(duì)環(huán)境認(rèn)知狀態(tài)的變化會(huì)引起不同的動(dòng)作反應(yīng)，行人的動(dòng)作與狀態(tài)是相互關(guān)聯(lián)的，研究行人導(dǎo)航的實(shí)時(shí)狀態(tài)，及時(shí)發(fā)現(xiàn)和識(shí)別行人可能出現(xiàn)的迷路狀態(tài)，對(duì)于提高行人導(dǎo)航服務(wù)的成功率和舒適度具有重要意義。

人體的動(dòng)作可以直接反映個(gè)體的狀態(tài)?，F(xiàn)有對(duì)人體動(dòng)作識(shí)別的研究中，人體運(yùn)動(dòng)信息的獲取方式主要有兩種，基于視覺的和基于微慣性傳感器的?；谝曈X的人體運(yùn)動(dòng)監(jiān)測(cè)研究起步較早，在視頻監(jiān)控、虛擬現(xiàn)實(shí)等領(lǐng)域應(yīng)用廣泛，涉及運(yùn)動(dòng)目標(biāo)檢測(cè)、動(dòng)作特征提取和動(dòng)作特征理解[6-9]等主要技術(shù)。但是基于視覺的行為動(dòng)作監(jiān)測(cè)對(duì)外部環(huán)境光線、背景等依賴較大，空間復(fù)雜性和時(shí)間差異性對(duì)此類研究的影響很大。隨著微機(jī)電系統(tǒng)(micro-electro-mechanical system，MEMS)的發(fā)展，加速度傳感器、陀螺儀等慣性傳感器充分體現(xiàn)在體積、靈敏度方面的優(yōu)勢(shì)，并且因其價(jià)格低廉，開始廣泛被集成到各類便攜智能設(shè)備中，如常見的智能手機(jī)以及各種新興的智能可穿戴設(shè)備，如手表、眼鏡等。利用這類智能穿戴設(shè)備采集人體運(yùn)動(dòng)數(shù)據(jù)具有諸多優(yōu)勢(shì)，如不受環(huán)境的約束和限制，能夠?qū)崟r(shí)準(zhǔn)確地記錄人體的復(fù)雜運(yùn)動(dòng)信息。國內(nèi)外許多科研機(jī)構(gòu)開展了利用微傳感器對(duì)人體動(dòng)作的監(jiān)測(cè)和識(shí)別研究。文獻(xiàn)[10]采用加速度信號(hào)和生命體征信號(hào)對(duì)跑步、上樓等5個(gè)動(dòng)作應(yīng)用多種分類方法進(jìn)行了分類結(jié)果比較。文獻(xiàn)[11]利用人體傳感器網(wǎng)絡(luò)構(gòu)建了人體動(dòng)作監(jiān)測(cè)平臺(tái)對(duì)日常人體的7種動(dòng)作進(jìn)行了分類和識(shí)別研究。文獻(xiàn)[12—14]利用智能設(shè)備等的慣性傳感器對(duì)行人步行動(dòng)作等進(jìn)行了識(shí)別方面的研究。谷歌眼鏡是谷歌公司推出的一款智能穿戴設(shè)備，其采用Android操作系統(tǒng)，搭載8種傳感器，佩戴在頭部，負(fù)擔(dān)小，可以作為人體動(dòng)作識(shí)別研究中的良好數(shù)據(jù)采集工具，對(duì)研究頭部動(dòng)作具有較大優(yōu)勢(shì)[15]。以上研究主要關(guān)注人體動(dòng)作識(shí)別與分類，而沒有考慮實(shí)際應(yīng)用中具體場(chǎng)景下人體運(yùn)動(dòng)特征與狀態(tài)相互關(guān)聯(lián)的特性，人體的動(dòng)作是當(dāng)前狀態(tài)下人體對(duì)外界條件變化做出的反應(yīng)。在行人導(dǎo)航場(chǎng)景下，導(dǎo)航場(chǎng)景的變化會(huì)引起行人認(rèn)知狀態(tài)的轉(zhuǎn)移和變化。對(duì)個(gè)體狀態(tài)的感知與識(shí)別方面，文獻(xiàn)[16]提出了一種用戶行為感知輔助的室內(nèi)行人定位方法，通過傳感器獲取行人在室內(nèi)特殊位置的相關(guān)行為狀態(tài)，結(jié)合室內(nèi)路網(wǎng)拓?fù)浣Y(jié)構(gòu)進(jìn)行輔助定位；在智能交通領(lǐng)域，文獻(xiàn)[17]結(jié)合近景和遠(yuǎn)景，探索了在全天候的混合交通條件下，基于視覺感知的行人狀態(tài)跟蹤模型；文獻(xiàn)[18]研究行人交叉口過街這一典型情景，對(duì)行人的心理及行為進(jìn)行分析，總結(jié)出多種影響行人心理和行為的因素。有限狀態(tài)自動(dòng)機(jī)模型是一種表達(dá)有限個(gè)狀態(tài)以及在這些狀態(tài)間的轉(zhuǎn)移和動(dòng)作的模型[19-21]，常用在計(jì)算機(jī)領(lǐng)域的識(shí)別研究中。有學(xué)者將其應(yīng)用在在行人的狀態(tài)表達(dá)中并取得很好的效果，文獻(xiàn)[22]提出一種基于視頻跟蹤的行人過街狀態(tài)表達(dá)與分析方法，采用有限狀態(tài)自動(dòng)機(jī)的方式對(duì)狀態(tài)進(jìn)行表述；文獻(xiàn)[23]建立了一種基于人員行為細(xì)節(jié)的微觀離散仿真模型，采用蒙皮動(dòng)畫和有限狀態(tài)機(jī)技術(shù)實(shí)現(xiàn)對(duì)人物行為和人物模型細(xì)節(jié)狀態(tài)的控制；文獻(xiàn)[24]構(gòu)造了姿勢(shì)序列有限狀態(tài)自動(dòng)機(jī)，實(shí)現(xiàn)了對(duì)人體預(yù)定義動(dòng)作的在線識(shí)別。

行人的行為體現(xiàn)了對(duì)當(dāng)前環(huán)境的認(rèn)知狀態(tài)，現(xiàn)有研究中較少涉及對(duì)行人導(dǎo)航狀態(tài)的研究。本文提出一種基于有限狀態(tài)自動(dòng)機(jī)(finite state machine，F(xiàn)SM)的行人導(dǎo)航狀態(tài)匹配算法，對(duì)行人導(dǎo)航過程中的狀態(tài)變化進(jìn)行識(shí)別和分析。首先采集谷歌眼鏡和手機(jī)的多源傳感器數(shù)據(jù)，提取動(dòng)作特征參數(shù)，對(duì)導(dǎo)航過程中行人動(dòng)作進(jìn)行識(shí)別；其次對(duì)行人導(dǎo)航狀態(tài)和相應(yīng)典型代表動(dòng)作組合通過有限狀態(tài)自動(dòng)機(jī)進(jìn)行表述，建立狀態(tài)轉(zhuǎn)移模型；最后通過基于轉(zhuǎn)移模型的匹配算法對(duì)行人導(dǎo)航狀態(tài)進(jìn)行識(shí)別。主要原理如圖1所示。

圖1 主要技術(shù)原理Fig.1 Technology and principle flow chart

1 行人導(dǎo)航狀態(tài)

行人導(dǎo)航狀態(tài)是行人在跟隨導(dǎo)航系統(tǒng)引導(dǎo)過程中對(duì)于實(shí)際環(huán)境與當(dāng)前路徑的認(rèn)知狀態(tài)，根據(jù)實(shí)際經(jīng)驗(yàn)，可以將行人導(dǎo)航狀態(tài)描述為由熟悉、陌生和迷路3類狀態(tài)的組合和過渡。

(1) 熟悉狀態(tài)：該狀態(tài)具有完整認(rèn)知、完全對(duì)應(yīng)、任意到達(dá)等特性，對(duì)規(guī)劃路段有完整的認(rèn)知，能與現(xiàn)實(shí)場(chǎng)景中的路徑完全對(duì)應(yīng)，具體體現(xiàn)在可以畫出路徑及周邊環(huán)境的認(rèn)知地圖，并且能夠不借助外部指示到達(dá)認(rèn)知地圖上任意地點(diǎn)。

(2) 陌生狀態(tài)：該狀態(tài)具有部分認(rèn)知、部分對(duì)應(yīng)、可以到達(dá)等特性。對(duì)規(guī)劃路段認(rèn)知較少，但仍能與現(xiàn)實(shí)場(chǎng)景中的路徑對(duì)應(yīng)，具體體現(xiàn)在知道自身方位、目的地方位、路徑信息，并且可以不借助外部指示沿路徑到達(dá)目的地。

(3) 迷路狀態(tài)：該狀態(tài)具有極少認(rèn)知、無法對(duì)應(yīng)、不能到達(dá)等特性。對(duì)規(guī)劃路段認(rèn)知較少，無法與現(xiàn)實(shí)場(chǎng)景中的路徑對(duì)應(yīng)，不借助外部指示不能按預(yù)定路線到達(dá)目的地。值得注意的是，此迷路狀態(tài)既包含需要問路、打車等較深層次(花費(fèi)較長時(shí)間、精力)的狀態(tài)又包含經(jīng)過簡(jiǎn)單對(duì)比匹配地圖路徑較淺層次(花費(fèi)較短時(shí)間、精力)的狀態(tài)。

2 行人導(dǎo)航狀態(tài)代表性動(dòng)作

借鑒行人交通行為研究，設(shè)計(jì)調(diào)查問卷針對(duì)行人在實(shí)際使用手機(jī)導(dǎo)航中的體驗(yàn)和表現(xiàn)，在問卷網(wǎng)(www.wenjuan.com)上編輯并發(fā)布，篇幅所限此處不列出內(nèi)容，訪問鏈接為https:∥www.wenjuan.com/s/YzUfEvU/，總瀏覽量384，獲取有效調(diào)查問卷300份，平均答題時(shí)長10 min 41 s。根據(jù)調(diào)查結(jié)果，得出行人導(dǎo)航3種狀態(tài)的代表性動(dòng)作如表1所示。

表1 狀態(tài)代表性動(dòng)作Tab.1 The state representative actions

結(jié)合實(shí)際行人導(dǎo)航經(jīng)驗(yàn)進(jìn)行分析：當(dāng)行人對(duì)導(dǎo)航路徑熟悉時(shí)，信心十足，邁步頻率平穩(wěn)，頭部會(huì)有隨機(jī)的左右、上下擺動(dòng)；當(dāng)行人對(duì)導(dǎo)航路徑陌生時(shí)，缺乏對(duì)環(huán)境的認(rèn)知導(dǎo)致信心的缺失，為了確認(rèn)自己走的路徑與導(dǎo)航規(guī)劃路徑相符，會(huì)經(jīng)常性地放慢腳步對(duì)比周圍環(huán)境與導(dǎo)航地圖，從而表現(xiàn)出“左顧右盼”與“邁步頻率時(shí)快時(shí)慢”的行為，此時(shí)的頭部運(yùn)動(dòng)是有目的性的；當(dāng)行人處于迷路狀態(tài)時(shí)，需要重新識(shí)路，“問路”與“尋找對(duì)比地圖顯示的地標(biāo)”是典型行為，從而表現(xiàn)出“停止行走”、“四處張望”。

對(duì)上述各狀態(tài)的代表性動(dòng)作進(jìn)行總結(jié)，將其歸納為兩類主要?jiǎng)幼鳎活悶樾腥说男凶邉?dòng)作，一類為行人的頭部動(dòng)作。其中行走動(dòng)作又分為靜止?fàn)顟B(tài)，即停止行走；行走狀態(tài)，即有位移狀態(tài)，包括平地步行、上樓梯、下樓梯、上斜坡、下斜坡等動(dòng)作。頭部動(dòng)作包括頭部的上下動(dòng)作，即抬頭與低頭，對(duì)應(yīng)行人審視導(dǎo)航環(huán)境和獲取導(dǎo)航信息的動(dòng)作；另一部分是頭部的左右動(dòng)作，即左視和右視，對(duì)應(yīng)行人對(duì)環(huán)境的確認(rèn)過程，尋找標(biāo)志物等動(dòng)作。

定義行人動(dòng)作特征向量來描述動(dòng)作特征數(shù)據(jù)，實(shí)現(xiàn)對(duì)不同導(dǎo)航狀態(tài)下的行人代表性動(dòng)作的識(shí)別。行人動(dòng)作特征包括行走動(dòng)作特征參數(shù)和頭部動(dòng)作特征參數(shù)，其中行走動(dòng)作特征包括行走狀態(tài)特征和頻率參數(shù)。

2.1 行走動(dòng)作及特征

研究人行走周期中作用力的變化可以發(fā)現(xiàn)：當(dāng)行人發(fā)力用腳蹬地時(shí)，地面對(duì)腳掌有反作用力，即刻產(chǎn)生豎直向加速度并逐漸增大，與此同時(shí)人身體重心開始上移，當(dāng)重心不再上升時(shí)，豎直向加速度停止增加，隨后從最大值逐漸變小，下一次邁步時(shí)重復(fù)[25]。建立人體行走狀態(tài)下的三軸坐標(biāo)系(前向軸、側(cè)向軸和垂直軸)，將其與設(shè)備坐標(biāo)系和全局坐標(biāo)系進(jìn)行對(duì)應(yīng)。如圖2所示，設(shè)備坐標(biāo)系的Y軸對(duì)應(yīng)人體坐標(biāo)系的垂向軸和全局坐標(biāo)系中的ZE軸。

圖2 坐標(biāo)系示意Fig.2 Coordinate systems

提取行走狀態(tài)下谷歌眼鏡的加速度傳感器信號(hào)，可以發(fā)現(xiàn)設(shè)備坐標(biāo)系中對(duì)應(yīng)人體豎直向的Y軸加速度存在周期性的變化，對(duì)該軸加速度信號(hào)處理分析，可以提取其代表性特征。如圖3中所示，Y軸信號(hào)規(guī)律明顯，具有周期性特征。

圖3 加速度信號(hào)Fig.3 Acceleration signal curve

為獲取行人的行走動(dòng)作信息，本文采用基于谷歌傳感器的曲線擬合計(jì)步算法來探測(cè)人體的邁步和靜止動(dòng)作[12]。采用傳感器數(shù)據(jù)融合的方法，利用旋轉(zhuǎn)矢量傳感器數(shù)據(jù)和加速度傳感器數(shù)據(jù)提取人體運(yùn)動(dòng)過程中垂向軸的加速度信號(hào)，通過快速傅里葉變換去除信號(hào)噪聲得到光滑曲線，采用最小二乘法對(duì)一個(gè)周期內(nèi)的加速度信號(hào)進(jìn)行擬合得到二次曲線，其特殊的幾何特征可以作為動(dòng)作識(shí)別的特征。對(duì)行走動(dòng)作識(shí)別的基礎(chǔ)上，結(jié)合時(shí)間信息，可進(jìn)一步得到頻率信息。進(jìn)行多次試驗(yàn)統(tǒng)計(jì)多場(chǎng)景下100步范圍內(nèi)的邁步頻率標(biāo)準(zhǔn)差(表2)，該指標(biāo)可以反映行人邁步動(dòng)作的平穩(wěn)程度。表中所示，平地、上斜坡、下斜坡(0.17左右)較上樓和下樓(0.25左右)穩(wěn)定，整體來講，標(biāo)準(zhǔn)差均在0.3以下。由此定義100步范圍內(nèi)邁步頻率標(biāo)準(zhǔn)差小于0.3為邁步平穩(wěn)的判斷標(biāo)準(zhǔn)。

表2 多場(chǎng)景下邁步頻率統(tǒng)計(jì)Tab.2 The statistics of stride frequency

2.2 頭部動(dòng)作及特征

研究人體頭部的動(dòng)作，以人的頸部為原點(diǎn)，肩為橫軸，豎直軸為縱軸，人的頭部運(yùn)動(dòng)主要包括抬頭、低頭、左轉(zhuǎn)、右轉(zhuǎn)、左偏(偏離豎直軸)、右偏(偏離豎直軸)6種基本動(dòng)作。在導(dǎo)航環(huán)境下，人眼獲取導(dǎo)航信息和環(huán)境信息會(huì)伴隨抬頭、低頭及左視右視的動(dòng)作，故行人頭部動(dòng)作研究主要針對(duì)抬頭、低頭、左轉(zhuǎn)、右轉(zhuǎn)這4個(gè)動(dòng)作。

頭部繞頸部的上下左右運(yùn)動(dòng)，將其對(duì)應(yīng)到谷歌眼鏡設(shè)備坐標(biāo)系中，分別體現(xiàn)為設(shè)備繞不同軸的運(yùn)動(dòng)，帶來不同角度在一定范圍內(nèi)的變化。同時(shí)，其在時(shí)間軸上也具備一定的持續(xù)時(shí)間特征。

圖1中的設(shè)備坐標(biāo)系中，X軸為俯仰軸，Y軸為航向軸，Z軸為橫滾軸，谷歌眼鏡上搭載的方向傳感器記錄的3個(gè)角度值分別對(duì)應(yīng)俯仰角、航向角和橫滾角。頭部的動(dòng)作中，抬頭、低頭動(dòng)作是設(shè)備繞俯仰軸上下運(yùn)動(dòng)的過程，對(duì)應(yīng)俯仰角(pitch angle)的變化。左轉(zhuǎn)、右轉(zhuǎn)動(dòng)作是設(shè)備繞航向軸旋轉(zhuǎn)的運(yùn)動(dòng)，方位角(azimuth)可以用來衡量此類動(dòng)作。由于人體頭部的左轉(zhuǎn)右轉(zhuǎn)是相對(duì)于人的軀體方向而言的，因此將人的軀體正面朝向定位為正視方向，頭部方位角相對(duì)于正視方向的變化趨勢(shì)可以反映頭部的運(yùn)動(dòng)趨勢(shì)。

圖4是低頭抬頭引起的俯仰角變化，以及頭部左轉(zhuǎn)右轉(zhuǎn)引起的方位角變化，均具有明顯的角度范圍變化特征。人體頭部繞頸部運(yùn)動(dòng)都有一定的幅度限制，因此確定每個(gè)動(dòng)作的角度范圍，即代表了動(dòng)作特征，進(jìn)一步可識(shí)別特定動(dòng)作。

對(duì)行人低頭和抬頭時(shí)，俯仰角的變化進(jìn)行統(tǒng)計(jì)，如圖5所示，發(fā)現(xiàn)試驗(yàn)結(jié)果存在個(gè)體差異但大致規(guī)律明顯，將平視動(dòng)作的角度范圍設(shè)為-10°～10°、低頭動(dòng)作的角度范圍設(shè)為10°～60°、抬頭動(dòng)作的角度范圍設(shè)為-10°～-60°，可通過俯仰角大小特征識(shí)別抬頭、低頭動(dòng)作。

圖5 低頭抬頭角度數(shù)據(jù)統(tǒng)計(jì)Fig.5 The statistics of head up, head down experimental data

對(duì)行人頭部左轉(zhuǎn)和右轉(zhuǎn)引起的方位角變化進(jìn)行試驗(yàn)分析，這里將導(dǎo)航手機(jī)獲取的軀體方位角視為人體的正視方向，試驗(yàn)者在正視狀態(tài)下行走得到的頭部方位角與軀體方位角之差的統(tǒng)計(jì)如下圖6所示。正視狀態(tài)下，兩者之差均在10°范圍內(nèi)。

圖6 正視試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)Fig.6 The statistics of facing experimental data

由于方位角具有以正北方向?yàn)閰⒖挤较?，范圍?°～360°的特性，進(jìn)一步確定頭部左右轉(zhuǎn)動(dòng)的具體特征判斷條件如下。

設(shè)正視方位角為DM，正視方位角范圍閾值為Dx，Dx設(shè)為10°，谷歌眼鏡獲取的頭部方位角為DG，則：

(1) 若90°

(2) 若0°≤DM≤90°，當(dāng)-Dx≤DG≤Dx時(shí)為正視；當(dāng)Dx

(3) 若270°≤DM<360°，當(dāng)-Dx≤DM-DG≤Dx時(shí)為正視；當(dāng)Dx270°時(shí)為右轉(zhuǎn)。

3 行人導(dǎo)航狀態(tài)FSM構(gòu)造及其匹配算法

3.1 行走導(dǎo)航狀態(tài)FSM模型

行人導(dǎo)航狀態(tài)間的轉(zhuǎn)移體現(xiàn)為不同的動(dòng)作組合，人體穿戴的傳感器設(shè)備可以捕捉到人體動(dòng)作信息，且具有一定的數(shù)據(jù)特征。按2.1節(jié)和2.2節(jié)中的方法可以得到代表動(dòng)作的參數(shù)特征，通過運(yùn)動(dòng)數(shù)據(jù)特征可以識(shí)別預(yù)定義的幾類代表動(dòng)作。有限狀態(tài)自動(dòng)機(jī)是表示有限個(gè)狀態(tài)以及在這些狀態(tài)之間的轉(zhuǎn)移和動(dòng)作等模型，支持各種復(fù)雜行為的建模。本文采用基于有限狀態(tài)自動(dòng)機(jī)的方法對(duì)行人的行為狀態(tài)進(jìn)行表達(dá)。有限狀態(tài)自動(dòng)機(jī)擁有有限數(shù)量的狀態(tài)，狀態(tài)間可以互相遷移，輸入動(dòng)作決定如何執(zhí)行狀態(tài)間的遷移。將識(shí)別的行人動(dòng)作組合序列作為輸入動(dòng)作，使用有限狀態(tài)自動(dòng)機(jī)檢測(cè)行人導(dǎo)航狀態(tài)的轉(zhuǎn)移。

利用有限狀態(tài)自動(dòng)機(jī)研究行人導(dǎo)航過程中行人狀態(tài)的轉(zhuǎn)移，將有限狀態(tài)自動(dòng)機(jī)用如下4元組表示

M=(S,A,δ,F)

式中，S=(S1,S2,S3)為有限狀態(tài)集，S1代表行人導(dǎo)航的熟悉狀態(tài)，S2代表陌生狀態(tài)，S3代表迷路狀態(tài)；A=(A1,A2,…,An)為輸入動(dòng)作集，表示輸入已識(shí)別的行走動(dòng)作和頭部動(dòng)作特征向量，這里的n=5。表3給出了本文描述的行人導(dǎo)航基本動(dòng)作。導(dǎo)航狀態(tài)判別的所對(duì)應(yīng)狀態(tài)轉(zhuǎn)移FSM模型如圖7所示，δ是狀態(tài)轉(zhuǎn)移函數(shù)，定義為：S*A→S，表示動(dòng)作序列FSM從當(dāng)前狀態(tài)轉(zhuǎn)換到后繼狀態(tài)。F是最終狀態(tài)的集合，是S的子集，可能為空。表4給出了狀態(tài)轉(zhuǎn)移表。

表3 動(dòng)作定義表Tab.3 Definition of actions

表4 狀態(tài)轉(zhuǎn)移表Tab.4 State transition table

圖7 狀態(tài)轉(zhuǎn)移FSM模型Fig.7 State transition diagram

對(duì)行人導(dǎo)航過程中識(shí)別的行人基本動(dòng)作進(jìn)行標(biāo)識(shí)定義，如表3所示。在實(shí)際行人導(dǎo)航過程中，行人在不同狀態(tài)下的動(dòng)作通常較為復(fù)雜，可以理解為是多個(gè)上述基本動(dòng)作的組合序列。構(gòu)建的有限狀態(tài)機(jī)模型中，動(dòng)作集中A1代表的動(dòng)作為行走，邁步頻率不穩(wěn)定，且伴隨頭部左右運(yùn)動(dòng)；A2代表行走且步伐穩(wěn)定，對(duì)于這類由陌生向熟悉狀態(tài)的轉(zhuǎn)移，行人沒有了導(dǎo)航的需求，實(shí)際情況中可以不作判斷；A3代表陌生狀態(tài)的再次確認(rèn)，動(dòng)作表現(xiàn)與A1相同；A4代表行人由陌生狀態(tài)進(jìn)入迷路狀態(tài)前的動(dòng)作，表現(xiàn)為停止行走，且頭部左右運(yùn)動(dòng)；A5表示行人脫離迷路狀態(tài)，對(duì)當(dāng)前路徑環(huán)境建立起了一定的認(rèn)知，動(dòng)作表現(xiàn)為重新開始行走。對(duì)動(dòng)作序列FSM中的輸入動(dòng)作集進(jìn)行分析，其對(duì)應(yīng)的動(dòng)作特征組合如下：

A1：a1∧a2，其中a1∈(B,C,D,E,F)，a2∈(H∧I∧(K∨L))

A2：a1，其中a1∈(B,C,D,E,F)，頻率穩(wěn)定

A4：A∧(H∨I)∧(K∨L)

a5：a1，其中a1∈(B,C,D,E,F)

其中,ai∧aj表示動(dòng)作ai與aj同時(shí)出現(xiàn)，即行人同時(shí)做出這兩個(gè)動(dòng)作；ai∨aj表示兩個(gè)動(dòng)作中出現(xiàn)任一個(gè)。

構(gòu)造行人導(dǎo)航狀態(tài)轉(zhuǎn)移的有限狀態(tài)自動(dòng)機(jī)模型，可以將行人當(dāng)前動(dòng)作與狀態(tài)聯(lián)系起來，通過狀態(tài)轉(zhuǎn)移函數(shù)，可以識(shí)別和判斷狀態(tài)轉(zhuǎn)移過程，用于幫助確定行人當(dāng)前導(dǎo)航狀態(tài)。

3.2 匹配算法

在上述研究的基礎(chǔ)上，本問題提出基于狀態(tài)自動(dòng)機(jī)的行人導(dǎo)航狀態(tài)匹配算法，其匹配算法的流程如圖8所示。

圖8 匹配算法流程Fig.8 The flow diagram of the matching algorithm

該算法主要流程簡(jiǎn)要描述如下。

(1) 設(shè)置狀態(tài)機(jī)初始狀態(tài)S；

(2) 輸入導(dǎo)航終端的傳感器數(shù)據(jù),包括旋轉(zhuǎn)矢量傳感器數(shù)據(jù)、加速度傳感器、方向傳感器數(shù)據(jù)等，識(shí)別行走動(dòng)作及其特征、頭部動(dòng)作及其特征，構(gòu)成動(dòng)作輸入集合；

(3) 根據(jù)狀態(tài)轉(zhuǎn)移表4和狀態(tài)轉(zhuǎn)移FSM模型，進(jìn)行判斷，符合A1、A2、A4、A5狀態(tài)某一狀態(tài)轉(zhuǎn)移條件，則將狀態(tài)S更新至相應(yīng)狀態(tài)，并輸出結(jié)果；

(4) 重復(fù)步驟(1)—(3)，直至處理完全部傳感器數(shù)據(jù)集。

4 試驗(yàn)分析

4.1 試驗(yàn)結(jié)果

本文采取實(shí)地試驗(yàn)的方式采集試驗(yàn)數(shù)據(jù)，試驗(yàn)設(shè)計(jì)時(shí)首先選擇合適的起終點(diǎn)，選擇百度地圖進(jìn)行路徑規(guī)劃得到試驗(yàn)用的導(dǎo)航路線。經(jīng)過前期調(diào)研工作，試驗(yàn)區(qū)域選在武漢大學(xué)和華中師范大學(xué)校園內(nèi)，起點(diǎn)選在武漢大學(xué)信息學(xué)部?jī)?nèi)，將華中師范大學(xué)天門樓作為終點(diǎn)，得到導(dǎo)航路線如圖9(a)所示，全程步行距離約1.48 km，參與試驗(yàn)的志愿者均未走過此路線，適合進(jìn)行試驗(yàn)。4名志愿者參與試驗(yàn)中，分別佩戴谷歌眼鏡，根據(jù)手機(jī)上給出的如圖9(a)中所示的導(dǎo)航路線信息，從起點(diǎn)沿給定路線走到終點(diǎn)。在行走過程中，以25 Hz的頻率記錄谷歌眼鏡的傳感器數(shù)據(jù)，包括時(shí)間、加速度傳感器、旋轉(zhuǎn)矢量傳感器、方向傳感器和陀螺儀數(shù)據(jù)。將記錄的數(shù)據(jù)作為匹配算法的輸入信息，基于確定的動(dòng)作特征判斷參數(shù)和有限狀態(tài)自動(dòng)機(jī)的狀態(tài)轉(zhuǎn)移模型，利用本文提出的匹配算法對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行處理得到匹配結(jié)果。

圖9 試驗(yàn)場(chǎng)景與試驗(yàn)結(jié)果示意Fig.9 Experimental scenario and results

圖9(b)—(e)分別展示了4名試驗(yàn)者的狀態(tài)識(shí)別結(jié)果，其中圖上藍(lán)色路徑表示熟悉路段、黃色路徑表示陌生路段，黑色點(diǎn)表示熟悉向陌生轉(zhuǎn)移處、綠色點(diǎn)表示陌生狀態(tài)再次確認(rèn)處、紅色點(diǎn)表示陌生向迷路轉(zhuǎn)移處，迷路向陌生轉(zhuǎn)移處緊挨著紅色點(diǎn)故圖上不標(biāo)出。

這里以試驗(yàn)者1為代表，對(duì)試驗(yàn)過程中出現(xiàn)左顧右盼動(dòng)作時(shí)發(fā)生的狀態(tài)轉(zhuǎn)移進(jìn)行統(tǒng)計(jì)，主要涵蓋陌生和迷路狀態(tài)。統(tǒng)計(jì)結(jié)果如表5所示，其結(jié)果與圖9(b)對(duì)應(yīng)。

表5 試驗(yàn)一狀態(tài)匹配統(tǒng)計(jì)Tab.5 Statistics of state matching of experiment 1

注:表示識(shí)別有誤

按照上述方法可以得到4次試驗(yàn)中的統(tǒng)計(jì)數(shù)據(jù)，試驗(yàn)過程中全程跟蹤觀察試驗(yàn)者并用拍照的方式輔助記錄其真實(shí)狀態(tài)，將利用本文方法得到的匹配結(jié)果與真實(shí)記錄進(jìn)行對(duì)比得到匹配準(zhǔn)確度的統(tǒng)計(jì)如表6所示。

從表6中可以看出，算法對(duì)熟悉向陌生狀態(tài)的判斷識(shí)別的準(zhǔn)確度為100%；算法對(duì)迷路點(diǎn)的確認(rèn)準(zhǔn)確度高且穩(wěn)定(平均90%左右)；算法對(duì)于陌生狀態(tài)的再確認(rèn)識(shí)別準(zhǔn)確度較高(平均60%左右)。

4.2 討 論

本文算法是利用微傳感器數(shù)據(jù)識(shí)別特定環(huán)境下的行人特征動(dòng)作，進(jìn)而匹配行人所處狀態(tài)。算法的準(zhǔn)確度和普適性取決于兩方面：行走導(dǎo)航狀態(tài)FSM模型的可靠性；匹配算法的準(zhǔn)確性；FSM模型的建立涉及認(rèn)知、心理、習(xí)慣等不易定量分析的概念，本文采用問卷調(diào)查的方式獲取了較為準(zhǔn)確的建?；A(chǔ)資料，基本能夠反映真實(shí)狀態(tài)。匹配算法的準(zhǔn)確性可從4.1試驗(yàn)結(jié)果部分得出，相對(duì)而言，算法對(duì)陌生狀態(tài)的再確認(rèn)相對(duì)于迷路識(shí)別準(zhǔn)確度較低。實(shí)際情況下，迷路與陌生狀態(tài)再確認(rèn)均發(fā)生在陌生路段中，均是行人對(duì)導(dǎo)航路徑不確認(rèn)的表現(xiàn)，但迷路所代表的不確認(rèn)程度相對(duì)更大。圖10更直觀地展示了試驗(yàn)者“不確定”點(diǎn)的分布及本算法的識(shí)別結(jié)果。

表6 匹配準(zhǔn)確度Tab.6 The statistics of matching accuracy

圖10 試驗(yàn)者“不確定”點(diǎn)分布Fig.10 Distribution map

由表6可知本試驗(yàn)中同一環(huán)境下，4名試驗(yàn)者表現(xiàn)出不確定次數(shù)分別為12、10、14、11，其分布如圖10所示，圖中帶斜杠的點(diǎn)表示未識(shí)別出。由圖10可知此環(huán)境下較容易給行人造成困惑的地點(diǎn)分布大致相同(實(shí)際環(huán)境中這些點(diǎn)多為岔道口或建筑物樹蔭遮蔽嚴(yán)重的地點(diǎn))而個(gè)體差異主要體現(xiàn)在迷路點(diǎn)與陌生狀態(tài)再確認(rèn)點(diǎn)的分布上，更謹(jǐn)慎或者認(rèn)知相對(duì)較差的行人迷路次數(shù)多一些，試驗(yàn)者1與試驗(yàn)者3對(duì)比明顯，同一個(gè)“不確定”點(diǎn)前者多視為迷路點(diǎn)。而后者多視為陌生狀態(tài)再確認(rèn)點(diǎn)。此外，陌生路段通常在整個(gè)導(dǎo)航路段中占據(jù)絕大部分，所以不確定點(diǎn)的出現(xiàn)幾率相對(duì)于其他點(diǎn)大得多，所以個(gè)體的差異性在本文模型中的迷路點(diǎn)與陌生狀態(tài)再確認(rèn)點(diǎn)的分布上表現(xiàn)得較為明顯。

算法識(shí)別機(jī)制上，迷路有“停止行走”和“左顧右盼”兩個(gè)識(shí)別特征，陌生狀態(tài)再確認(rèn)有“邁步頻率不穩(wěn)定”和“左顧右盼”兩個(gè)識(shí)別特征。“停止行走”與“邁步頻率不穩(wěn)定”均是行走動(dòng)作的特征，兩者比較而言：“停止行走”由一個(gè)獨(dú)立的瞬時(shí)變量(走、停)識(shí)別，“邁步是否平穩(wěn)”則必須有一個(gè)參照變量(邁步頻率標(biāo)準(zhǔn)差)，而該參照變量是一個(gè)過程變量(需要一定的時(shí)間才能確定)?！白箢櫽遗巍笔穷^部動(dòng)作特征，與“停止行走”和“邁步頻率不穩(wěn)定”屬于相對(duì)獨(dú)立的兩個(gè)系統(tǒng)，因此，當(dāng)這兩個(gè)特征分別與“左顧右盼”結(jié)合作為判斷標(biāo)準(zhǔn)時(shí)，后者有可能出現(xiàn)超前或滯后，從而導(dǎo)致“陌生狀態(tài)再確認(rèn)”識(shí)別不準(zhǔn)確。為改善算法，需要確定更為精準(zhǔn)、可靠的識(shí)別特征或者進(jìn)一步的判斷機(jī)制。在更廣泛的調(diào)查基礎(chǔ)上建立更完善的行走導(dǎo)航狀態(tài)FSM模型，建立自適應(yīng)機(jī)制以降低個(gè)體差異的影響，增加模型的容錯(cuò)率，這是筆者下一步研究的方向之一。

5 結(jié) 論

本文提出的導(dǎo)航環(huán)境下行人有限狀態(tài)轉(zhuǎn)移模型及匹配算法，將處于導(dǎo)航環(huán)境下的行人動(dòng)作及狀態(tài)與環(huán)境認(rèn)知聯(lián)系起來，先通過調(diào)查建立狀態(tài)分類規(guī)則，提取每類狀態(tài)的典型動(dòng)作和特征參數(shù)，再根據(jù)識(shí)別動(dòng)作來判斷所處狀態(tài)。本文實(shí)現(xiàn)并驗(yàn)證所提出方法的可行性和有效性，試驗(yàn)結(jié)果表明匹配算法對(duì)于識(shí)別行人狀態(tài)達(dá)到較高的準(zhǔn)確度。在本文的研究中，僅對(duì)于典型的動(dòng)作和狀態(tài)進(jìn)行了研究，更加精細(xì)的行為識(shí)別模型有待進(jìn)一步深入研究。未來的研究工作中，將考慮將本文算法識(shí)別出的行人導(dǎo)航過程中導(dǎo)航狀態(tài)轉(zhuǎn)移結(jié)果作為基礎(chǔ)，研究導(dǎo)航環(huán)境下行人容易出現(xiàn)陌生或迷路的地點(diǎn)，在這些地點(diǎn)上提供更精細(xì)化的路徑導(dǎo)航服務(wù)，幫助提升導(dǎo)航成功率。

[1] 張星, 李清泉, 方志祥, 等.顧及地標(biāo)與道路分支的行人導(dǎo)航路徑選擇算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2013, 38(10): 1239-1242.ZHANG Xing, LI Qingquan, FANG Zhixiang, et al.Landmark and Branch-based Pedestrian Route Complexity and Selection Algorithm[J].Geomatics and Information Science of Wuhan University, 2013, 38(10): 1239-1242.

[2] 陳玥璐, 武剛, 陳飛翔.基于地標(biāo)的行人導(dǎo)航路徑引導(dǎo)方法[J].地理與地理信息科學(xué), 2015, 31(1): 17-22.CHEN Yuelu, WU Gang, CHEN Feixiang.Route Directions Method of Pedestrian Navigation Based on Landmark[J].Geography and Geo-Information Science, 2015, 31(1): 17-22.

[3] 李清泉, 李秋萍, 方志祥.一種基于時(shí)空擁擠度的應(yīng)急疏散路徑優(yōu)化方法[J].測(cè)繪學(xué)報(bào), 2011, 40(4): 517-523.LI Qingquan, LI Qiuping, FANG Zhixiang.An Emergency Evacuation Routing Optimization Method Based on Space-time Congestion Concept[J].Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 517-523.

[4] 于海璁, 陸鋒.一種基于遺傳算法的多模式多標(biāo)準(zhǔn)路徑規(guī)劃方法[J].測(cè)繪學(xué)報(bào), 2014, 43(1): 89-96.YU Haicong, LU Feng.A Multi-modal Multi-criteria Route Planning Method Based on Genetic Algorithm[J].Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 89-96.

[5] FANG Zhixiang, LI Qingquan, ZHANG Xing.A GIS Data Model for Landmark-based Pedestrian Navigation[J].International Journal of Geographical Information Science, 2012, 26(5): 817-838.

[6] 李瑞峰, 王亮亮, 王珂.人體動(dòng)作行為識(shí)別研究綜述[J].模式識(shí)別與人工智能, 2014, 27(1): 35-48.LI Ruifeng, WANG Liangliang, WANG Ke.A Survey of Human Body Action Recognition[J].Pattern Recognition and Artificial Intelligence, 2014, 27(1): 35-48.

[7] 凌志剛, 趙春暉, 梁彥, 等.基于視覺的人行為理解綜述[J].計(jì)算機(jī)應(yīng)用研究, 2008, 25(9): 2570-2578.LING Zhigang, ZHAO Chunhui, LIANG Yan, et al.Survey on Vision-based Human Action Understanding[J].Application Research of Computers, 2008, 25(9): 2570-2578.

[8] POPPE R.A Survey on Vision-based Human Action Recognition[J].Image and Vision Computing, 2010, 28(6): 976-990

[9] WEINLAND D, RONFARD R, BOYER E.A Survey of Vision-based Methods for Action Representation, Segmentation and Recognition[J].Computer Vision and Image Understanding, 2011, 115(2): 224-241.

[11] 陳野, 王哲龍, 李政霖, 等.基于BSN和神經(jīng)網(wǎng)絡(luò)的人體日常動(dòng)作識(shí)別方法[J].大連理工大學(xué)學(xué)報(bào), 2013, 53(6): 893-897.CHEN Ye, WANG Zhelong, LI Zhenglin, et al.Human Daily Activity Recognition Method Based on BSN and Neural Network[J].Journal of Dalian University of Technology, 2013, 53(6): 893-897.

[12] 羅浩, 方志祥, 蕭世倫.基于谷歌眼鏡傳感器的曲線擬合計(jì)步算法[J].計(jì)算機(jī)工程與應(yīng)用, 2016, 52(18): 40-45, 67.LUO Hao, FANG Zhixiang, XIAO Shilun.Curve Fitting Step Counting Algorithm Based on Google Glass Sensor[J].Computer Engineering and Applications, 2016, 52(18): 40-45, 67.

[13] 陳國良, 張言哲, 楊洲.一種基于手機(jī)傳感器自相關(guān)分析的計(jì)步器實(shí)現(xiàn)方法[J].中國慣性技術(shù)學(xué)報(bào), 2014, 22(6): 794-798.CHEN Guoliang, ZHANG Yanzhe, YANG Zhou.Realization of Pedometer with Auto-correlation Analysis Based on Mobile Phone Sensor[J].Journal of Chinese Inertial Technology, 2014, 22(6): 794-798.

[14] YANG Xiuxin, DINH A, CHEN Li.Implementation of a Wearerable Real-time System for Physical Activity Recognition Based on Naive Bayes Classifier[C]∥Proceedings of International Conference on Bioinformatics and Biomedical Technology.Chengdu, China: IEEE, 2010: 101-105.

[15] 楊凱鵬, 張德珍, 崔皓.谷歌眼鏡產(chǎn)品及其專利布局分析[J].中國發(fā)明與專利, 2014(1): 40-45.YANG Kaipeng, ZHANG Dezhen, CUI Hao.Google Glasses Products and Patent Distribution Analysis[J].China Invention & Patent, 2014(1): 40-45.

[16] 周寶定, 李清泉, 毛慶洲, 等.用戶行為感知輔助的室內(nèi)行人定位[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(6): 719-723.ZHOU Baoding, LI Qingquan, MAO Qingzhou, et al.User Activity Awareness Assisted Indoor Pedestrian Localization[J].Geomatics and Information Science of Wuhan University, 2014, 39(6): 719-723.

[17] 孫承岳.結(jié)合近景和遠(yuǎn)景分析的行人狀態(tài)跟蹤[D].北京: 北京交通大學(xué), 2014.SUN Chengyue.The Tracking of Pedestrians’ Status Based on the Analysis of Far-view Video and Near-view Video[M].Beijing: Beijing Jiaotong University, 2014.

[18] 劉光新, 李克平, 倪穎.交叉口行人過街心理及交通行為分析[J].交通科技與經(jīng)濟(jì), 2008, 10(5): 58-61.LIU Guangxin, LI Keping, NI Ying.An Overview on Pedestrian Psychology and Behavior when Crossing Intersections[J].Technology & Economy in Areas of Communications, 2008, 10(5): 58-61.

[19] YIN Yongfeng, Liu Bin, NI Hongying.Real-time Embedded Software Testing Method Based on Extended Finite State Machine[J].Journal of Systems Engineering and Electronics, 2012, 23(2): 276-285.

[20] ANDERSON J A.Automata Theory with Modern Applications[M].Cambridge: Cambridge University Press, 2006: 105-108.

[21] WAGNER F, SCHMUKI R, WAGNER T, et al.Modeling Software with Finite State Machines: A Practical Approach[M].Boca Raton, FL: CRC Press, 2006.

[22] 胡宏宇, 王殿海, 孫迪.基于視頻跟蹤方法的行人過街狀態(tài)表達(dá)與分析[J].交通信息與安全, 2009, 27(3): 43-47.HU Hongyu, WANG Dianhai, SUN Di.Representation and Analysis of Pedestrian Crossing States Based on Video Tracking[J].Journal of Transport Information and Safety, 2009, 27(3): 43-47.

[23] 胡清梅, 方衛(wèi)寧, 郭北苑, 等.基于行人運(yùn)動(dòng)模型的人群疏散三維仿真[J].北京交通大學(xué)學(xué)報(bào), 2009, 33(4): 34-37.HU Qingmei, FANG Weining, GUO Beiyuan, et al.3-D Simulation of Crowd Evacuation Based on a Pedestrian Movement Model[J].Journal of Beijing Jiaotong University, 2009, 33(4): 34-37.

[24] 林水強(qiáng), 吳亞東, 余芳, 等.姿勢(shì)序列有限狀態(tài)機(jī)動(dòng)作識(shí)別方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2014, 26(9): 1403-1411.LIN Shuiqiang, WU Yadon, YU Fang, et al.Posture Sequence Finite-State Machine Method for Motion Recognition[J].Journal of Computer-aided Design & Computer Graphics, 2014, 26(9): 1403-1411.

[25] 許睿.行人導(dǎo)航系統(tǒng)算法研究與應(yīng)用實(shí)現(xiàn)[D].南京: 南京航空航天大學(xué), 2008.XU Rui.Research and Application on Navigation Algorithm of Pedestrian Navigation System[D].Nanjing: Nanjing University of Aeronautics and Astronautics, 2008.

(責(zé)任編輯：宋啟凡)

A Finite State Machine Aided Pedestrian Navigation State Matching Algorithm

FANG Zhixiang1，LUO Hao2，LI Ling1

1.State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China； 2.Second School in Surveying，Mapping and Geographic Information, Sichuan Province, Chengdu 610100, China

The automatic identification of pedestrian’s navigation state is a difficult problem in pedestrian navigation research.It is important to improve the precision feedback and navigation performance of pedestrian navigation services, and few researches have been done in this field.This paper proposes a pedestrian navigation state matching algorithm based on finite state machine (FSM).The main idea of this method is to identify the pedestrian navigation state on the basis of recognizing pedestrian’s actions.The pedestrian’s action characteristics are recognized by using multiple sensor data collected by Google glass and mobile phone.Then, the pedestrian navigation states are divided into familiar, unfamiliar and lost state.The state transition model is established according to the FSM theory, and the pedestrian navigation state matching algorithm based on the model is designed.Finally, this algorithm is implemented, and experiments are conducted to validate its effectiveness.Experimental results show that the proposed algorithm can reach a good precision of recognizing the state transitions during pedestrian navigation process, and especially the accuracy of recognizing lost state achieves 90%.

pedestrian navigation; finite state machine; action recognition; navigation state matching

The National Natural Science Foundation of China (No.413714420)

FANG Zhixiang(1977—)，male，professor，PhD supervisor，majors in pedestrian navigation theory and application, and space-time behavior modeling and application.

方志祥，羅浩，李靈.有限狀態(tài)自動(dòng)機(jī)輔助的行人導(dǎo)航狀態(tài)匹配算法[J].測(cè)繪學(xué)報(bào)，2017,46(3)：371-380.

10.11947/j.AGCS.2017.20160530.

FANG Zhixiang，LUO Hao，LI Ling.A Finite State Machine Aided Pedestrian Navigation State Matching Algorithm[J].Acta Geodaetica et Cartographica Sinica,2017,46(3):371-380.DOI:10.11947/j.AGCS.2017.20160530.

P208

A

1001-1595(2017)03-0371-10

國家自然科學(xué)基金面上項(xiàng)目(413714420)

2016-10-24

修回日期：2017-03-09

方志祥(1977—)，男，教授，博士生導(dǎo)師，研究方向?yàn)樾腥藢?dǎo)航、時(shí)空行為建模與應(yīng)用。

E-mail：zxfang@whu.edu.cn