[发明专利]一种基于深度学习的步数测量方法

说明书

本发明公开了一种基于深度学习的步数测量方法，其包括以下步骤：S1、采集足部的惯性原始数据；S2、采用固定步长滑动窗口对惯性原始数据进行分割，得到若干分割后的序列数据；S3、对于每个序列数据，将其拆分并排列为前向数据和后向数据；S4、基于前向数据和后向数据通过对称型循环卷积神经网络获取目标对象处于站立状态的概率；S5、判断目标对象的足部是处于摆动状态还是处于站立状态；S6、将目标对象由站立状态切换为摆动状态的总次数作为其测量过程中的总步数，完成步数测量。本方法在不需要运动模式和行人信息的情况下，将原始的惯性单元数据通过滑动窗口的形式送入神经网络，可以准确且鲁棒的实现行人步数的检测。

技术领域

本发明涉及测量技术领域，具体涉及一种基于深度学习的步数测量方法。

背景技术

由于建筑结构对于GPS信号等卫星信号的屏蔽与干涉，使得室内定位不能依赖于此类常用于室外定位的方法。因此，大量的研究试图寻找一种稳定、精确且实时的面向室内场景的导航系统。

室内定位系统按照所用传感器类型可分为有源室内定位系统和无源定位系统。其中，有源室内定位系统利用环境中的信号源(如Wi-Fi、蓝牙等)，通过信号接受强度(RSS)进行室内定位。而无源定位系统依靠载体自身携带的传感器(如惯性测量单元、相机、激光雷达等)，通过相应的算法计算出相邻时刻间相对的运动姿态。相比于有源定位系统，无源定位系统具有对外界依赖度低、适用范围广、成本低等优点。

在无源定位系统中，基于惯性测量单元(IMU)的行人航位推算系统(PDR)是一种常用的定位算法。该算法可分为：基于对陀螺仪加速度计的二次积分获得位姿的惯性导航系统(INS)；基于惯性测量单元数据获得行人步数和步长，进而推算行人二维平面位置信息的步数-航向系统(SHS)。

对于步数-航向系统，算法流程可以分为三个部分：步数检测、步长估计和航向估算。其中步数估计利用行人身上佩戴的传感器数据，通过分析人行走这一周期性过程的规律，实现测量步数的过程。当前步数检测主要依赖于时域分析和频域分析两种方法，其中时域分析利用陀螺仪加速度计的模值和方差结合峰值检测、谷值检测、过零检测等进行分析；频域分析则是将传感器读数进行短时傅里叶变换(STFT)、小波变换等转换到频域进一步分析。但是这些传统方法有一定的局限性，主要表现在两个方面：

1)行人的运动模式是多样且复杂的(如慢走、快走、跑步、跳跃、匍匐前进等)，这导致传统方法根据领域知识和丰富的经验调整好的检测模型可能在只针对某一种运动模式具有良好的表现。

2)由于年龄、性别、运动习惯的差异，使得人群间运动行为的差异也是比较大的，这使得传统方法不能够对于不同的使用者都维持一个较高的步数检测精度。传统步数检测方法的鲁棒性较差，直接影响着模型的实用性。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的步数测量方法解决了传统步数检测方法鲁棒性较差的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于深度学习的步数测量方法，其包括以下步骤：

S1、将惯性测量单元设置在目标对象的足部，采集足部的惯性原始数据；

S2、采用固定步长滑动窗口对惯性原始数据进行分割，得到若干分割后的序列数据；

S3、对于每个序列数据，将其拆分并排列为前向数据和后向数据；

S4、将同一个序列数据对应的前向数据和后向数据分别输入对称型循环卷积神经网络，并通过对称型循环卷积神经网络获取目标对象处于站立状态的概率；

S5、根据目标对象处于站立状态的概率值与阈值的大小关系，判断目标对象的足部是处于摆动状态还是处于站立状态；

S6、将目标对象由站立状态切换为摆动状态的总次数作为其测量过程中的总步数，完成步数测量。