劉 宇，肖明朗，郭俊啟，張 旭，張澤欣，李 瑤，方 針,2

(1.重慶郵電大學 光電信息感測與傳輸技術重慶市重點實驗室,重慶 400065;2.中國電子科技集團公司第二十六研究所，重慶 400060)

0 引言

隨著行人對位置的服務(LBS) 需求越來越廣泛，行人對室內定位的需求也在不斷增加。人體室內定位技術主要包括WIFI定位、超寬帶(UWB)定位、慣性定位、射頻識別(RFID)定位等[1-4]，其中對環(huán)境依賴性低且具有自主性優(yōu)勢的慣性定位技術備受關注。由于行人行走模式的復雜性，行走模式的識別精度直接影響到行人多向行走模式下的室內慣性定位效果。多向行走模式識別技術在室內定位中具有重要的應用意義，所以使用慣性傳感器采集的運動數據來識別人員行走模式，成為室內定位的一個重要研究方向。

近年來，為了提高行人慣性定位中模式識別的精度，研究人員對行人多向行走模式識別技術進行了大量研究。文獻[5]中提出了通過加速度進行步態(tài)檢測判別人員的前進運動，但并未分析其他方向的運動模式。文獻[6]中提出了利用加速度計運動方向軸向的加速度峰值正、負來識別前進和后退，但由于行走時加速度呈周期性變化特征，無論前進或后退都存在正負值，該算法并未提出如何去準確區(qū)分不同行走模式下加速度的正、負值。文獻[7]中提出的人體多方位航跡推算算法中，通過相位反轉法能對行人多向行走進行區(qū)分，但其方法需要確定第一次運動時的相位，在行人高頻率切換運動模式時，穩(wěn)定性較低。文獻[8]中提出了一種利用靜止到運動第一個加速度波形的差異，識別行人的多向行走，但其每一次識別都需要行人先靜止一段時間，滿足不了實時性要求高的行人定位。

本文提出的基于加速度時域-斜率特征算法的多向行走識別算法，先使用加速度方差對行走模式進行分類，使用步態(tài)檢測法檢測每一類行走模式的峰值或谷值，計算運動方向(x軸或y軸)加速度在z軸峰值或谷值時刻的斜率，最后分析斜率大小獲取識別結果。提出的算法能精確識別出行人每個步態(tài)的行走模式，包括前進、后退、左移和右移共4個方向的行走模式。

1 算法框架

全文算法通過提取人體加速度時域特征來識別行人行走模式，圖1為算法框圖。先將慣性測量單元(IMU)中采集到的加速度數據進行預處理——低通濾波；然后通過提取和分析數據時域特征差異，將待識別的行走模式分為前進、后退和左移、右移兩類行走模式；最后通過步態(tài)檢測對z軸加速度進行峰值或谷值檢測，計算運動方向(x軸或y軸)加速度在z軸峰值或谷值時刻的斜率，通過分析時域-斜率特征的大小，獲得穩(wěn)定的識別結果。

圖1 多向行走模式識別算法框圖

2 加速度時域特征提取

IMU平臺使用的三軸微機電系統(tǒng)(MEMS)加速度傳感器能采集多個方向的運動數據，每個軸向都可以獲取多種特征參量。坐標系如圖2所示，行人將IMU佩戴在腰部，x軸與前進、后退運動方向平行，y軸與左、右橫向運動方向平行，z軸與重力方向平行。在不同的運動模式下，通過分析特征參量的差異，從而對不同的運動模式分類。為了保證本文算法的實時性，因此，選取響應時間較短、計算量小的時域信號作為特征參量。

圖2 IMU佩戴方式及坐標定義圖

方差能反映數據偏離平均值的程度[9]，在不同運動模式的切換下，如果運動幅度變大，數據方差也會越來越大。當人體在不同的行走模式下時，加速度傳感器每一軸的數據波動均不同。通過分析，使用計算傳感器x、y軸數據的方差特征，將待識別的行走模式分為前進、后退和左移、右移兩類。方差計算式為

(1)

圖3 加速度數據時域方差特征圖

圖3為多種行走模式連續(xù)切換下加速度傳感器x、y軸數據的方差分布，前進和后退時x軸的方差都大于var1，而左移和右移時x軸方差接近于var2；同時,左移、右移時y軸的方差遠大于前進和后退時y軸的方差。由圖3可知，通過方差數據特征設定雙重閾值，能穩(wěn)定的將人體行走運動模式分為兩類，即前進行走與后退行走(第一類運動)和左移行走與右移行走(第二類運動)。圖3的數據處理完全模擬現實的實時行走情況，能充分驗證該分層識別算法的有效性。

3 步態(tài)檢測

加速度傳感器原始輸出的波形會產生很多峰值現象，易造成峰值檢測錯誤，造成計步誤判。

本文通過低通濾波對加速度原始數據進行預處理，在保留其數據特征前提下，盡可能地消除信號中的噪聲，使數據曲線更平滑，更易于數據特征的提取。濾波后加速度的數據曲線類似于1個正弦波，行人的每個步態(tài)信號都是1個波峰值、1個零點和1個波谷值對應。

不同的行走模式下，加速度數據的幅值和頻率不同。本文對加速度傳感器z軸數據特征進行分析，采用“幅值+時間”閾值檢測法來檢測步態(tài)[10]。因此，當人體處于第一運動狀態(tài)時，z軸加速度數據的峰值特征明顯，通過檢測加速度的波峰值來識別行人的有效跨步。去除閾值小于a1的垂直方向(z軸)加速度的波峰；若相鄰2個加速度峰值間的時間間隔小于t1，去除后一個峰值，并存儲正確波峰值采樣點位置。

當人體處于第二運動狀態(tài)時，z軸加速度數據的谷值特征明顯，可通過為檢測谷值來檢測行人的有效跨步。去除閾值大于a2的垂直方向加速度的波谷；若相鄰2個加速度波谷間的時間間隔小于t2，去除后一個波谷，并存儲正確波谷值采樣點位置。

圖4、5為行人行走時4類運動模式的步態(tài)檢測。圖4中每個峰值標記代表行人前進和后退時的一次有效跨步。圖5中每個谷值標記代表行人左移和右移時的一次有效跨步。圖中行人的每一步都被標記出來，驗證了該步態(tài)檢測算法的有效性。

圖4 z軸加速度數據波形

圖5 z軸加速度數據波形

4 前進與后退行走識別

研究前進、后退行走模式識別的文獻有很多，創(chuàng)造性地提出了結合步態(tài)檢測和斜率計算算法來識別行人的前進和后退行走。即通過步態(tài)檢測獲取z軸的峰值時刻采樣點(每個峰值點也代表行人的一步)，同時計算該時刻加速度傳感器x軸數據(行走方向)的斜率，通過斜率大小來區(qū)分前進和后退行走。當該時刻斜率小于0時，識別人體該運動模式為前進行走，當斜率大于0時，識別人體該運動模式為后退行走。該算法使用上述步態(tài)檢測中代表行人有效跨步的波峰值和波谷值，模式識別結果與行人的每一步時效統(tǒng)一，因此具有很高的實時性。斜率能反映波形在一定時間段的升降狀態(tài)。斜率計算式為

}K=[Ax(m1)-Ax(m1-1)]×

[Ax(m1+1)-Ax(m1)]

(2)

式中:K為斜率值;m1為每一步z軸加速度峰值時刻的采樣點;Ax(m1-1)、Ax(m1)、Ax(m1+1)分別為m1前一時刻、當前時刻和后一時刻x軸的加速度值。

圖6 z軸和x軸加速度數據波形圖

圖6為前進、后退運動模式時加速度傳感器z軸和x軸數據波形的對應關系圖。圖6中，z軸每個峰值采樣點位置都對應同一時刻x軸加速度數據的升降趨勢，即每次有效跨步都能檢測到行人的行走模式，保證了定位所需的高時效性。圖中標記出了行人每前進一步時，x軸加速度都處于下降趨勢，其斜率小于0；行人后退一步時，x軸加速度都為上升趨勢，其斜率大于0，因此可驗證前進和后退識別算法的有效性。

5 左移和右移行走識別

雖然左、右移行走在行人行走中出現頻率較低，但對室內慣性定位有重要影響。通過總結前進和后退行走的研究經驗，創(chuàng)造性地提出了通過計算步態(tài)檢測時存儲的谷值采樣點時刻，用加速度傳感器y軸(行走方向)數據斜率的大小來區(qū)分左移行走和右移行走。即當斜率小于0時，識別人體該行走模式為右移行走，當斜率大于0時，識別人體該行走模式為左移行走。

圖7為左、右移運動模式時加速度傳感器z軸和y軸的數據波形對應關系圖。圖中z軸加速度每個谷值采樣點位置都對應同一時刻y軸加速度數據的升降趨勢，即每次有效跨步都能檢測到行人的行走模式，保證了定位所需高時效性。圖中標記出行人每右移行走1步時，y軸加速度都處于下降趨勢，其斜率小于0；行人每左移行走1步時，y軸加速度都為上升趨勢，其斜率大于0，因此可以驗證左移和右移行走識別算法的有效性。

圖7 z軸和y軸加速度數據波形圖

6 實驗結果與分析

為了驗證提出的基于加速度時域-斜率特征算法的多向行走識別算法的優(yōu)勢和通用性，獲取更客觀的測試結果，共有15人參與實驗測試，設計了2組實驗進行驗證，完成前進、后退、左移和右移4類行走模式。

1) 以第三教學樓1樓作為測試場景，示意圖如圖8所示。測試人員從O前進行走出發(fā)至A，從A倒退行走至B，從B前進行走至O，從O左移行走至C，從C右移行走至O，從O右移行走至D，最后從D右移行走返回出發(fā)點O。

圖8 第三教學樓1樓測試場景示意圖

2) 以第一教學樓2樓作為測試場景，示意圖如圖9所示。測試人員從O前進行走出發(fā)至A，從A有移行走至B，從B左移行走至A，從A后退行走至C，從C右移行走至D，從D左移行走至C，最后從C前進行走返回出發(fā)位置O。

圖9 第一教學樓2樓測試場景示意圖

記錄測試人員每種行走模式下行走的步數用于計算識別率。在實驗過程中，對測試人員的行走不做任何限制，按照測試人員的行走習慣完成不同的行走模式。

實驗測試在多個集成慣性傳感器的IMU平臺上進行驗證，最終可根據定位平臺發(fā)出的行人每一步的行走模式標志位作為判定識別類型。識別率可定義為

R=(Stepc/Stept)×100%

(3)

式中：R為識別率；Stepc為正確的識別步數；Stept為實驗的總步數。

2組實驗統(tǒng)計數據識別率分析結果如10所示。針對不同的行人測試，算法對前進行走的識別率達到100%，后退行走的平均識別率達在98%，對左移和右移行走的平均識別率在95%以上，識別效果較好。

圖10 2組實驗4種行走模式識別率

7 結束語

通過提取加速度計傳感器數據的時域作為算法的特征參量，本文可以識別前進、后退、左移和右移4類行走模式。依照本文思路，后續(xù)可實現更多細分模式的識別，如斜向行走等，有利于實現更高的定位精度。在集成多個慣性傳感器的IMU系統(tǒng)平臺進行測試驗證，通過多個場景的測試算法得到識別結果。結果表明，提出的基于加速度時域-斜率特征算法的多向行走識別算法，其平均識別率在96%以上，基本可以滿足行人多向行走模式下的室內定位。算法結合文獻[7]中的多方位航跡推算算法，可以獲得更高的行人室內導航定位精度，具有較高的工程應用價值。