结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法

随着位置服务(LBS)的普及,基于智能手机的行人步频检测方法对行人航迹推算(PDR)有重要影响.针对传统步频检测方法在行人多种运动模式下计步误差大的问题,提出一种结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法.首先根据行人行走特点划分运动模式,使用卷积神经网络(CNN)提取行人不同运动模式的局部特征,利用自注意力机制(SA)对提取的运动特征进行权重分配;再结合双向长短期记忆网络(BiLSTM)挖掘行人运动特征的前后时序关系进行分类识别;然后根据分类结果提出自适应最小峰距和自适应动态阈值两个特征约束的峰值检测算法对步频进行检测,并在步行中动态调整阈值大小.实验结果表明:本文提出方法在8种组合运动模式下步频检测平均误差率为1.31%,与传统峰值检测相比误差率降低5.97%,同时也优于固定阈值法.

基于变分模态分解法的行人步频检测

提升步频检测精度是提升行人航迹推算精度的手段之一,使用变分模态分析方法,针对采集到的行人在运动过程中的手机加速信息进行降噪处理,可实现步频检测精度的提升。为了验证该方法的有效性,用变分模态分解法对智能手机采集的加速度信息进行降噪,然后用峰值检测法检测降噪后的行人步频,通过对比分析的方法证明变分模态分解法降噪的优点,准确率可达到99.17%。

奇异谱分析方法的行人步频检测

提高步频检测精度是行人航迹推算的关键之一。提出基于奇异谱分析的降噪方法,利用手机内置的加速度传感器采集行人步态数据,通过对滑动窗口滤波、巴特沃斯带通滤波和奇异谱分析对加速度模值进行降噪分析,进一步利用峰值探测方法检测手机携带于发信息、打电话、摆臂和口袋四种位置下的行人步频。实验表明:奇异谱分析方法降噪最优,平均准确率达99.1%。

多场景下的行人步频自适应检测方法

针对步频检测中容易出现步数过计、错计等问题影响行人航迹推算(PDR)室内定位精度,提出一种自适应步频检测算法.由于智能手机内置加速度传感器直接采集得到的数据存在大量干扰噪声,提出一种组合滤波去噪方法,即将加速度数据依次通过赫尔指数移动平均法、卡尔曼滤波(KF)和低通滤波的预处理滤波组合去除噪声.然后在不同场景下,如上下楼、水平地面和不限制步速,经过峰谷值去异、自适应动态阈值、峰谷值成对的检测算法后获取峰谷值个数,实现在多场景和多步态下的准确计步.实验结果表明:相比峰值检测和动态阈值算法,该方法能有效剔除伪真步数且适应于上下楼场景,综合场景下的实验平均精度达到99.44%.

基于手机多携带位置下的路程估计方法

提高步频检测的识别率和步长估计的精度是行走轨迹推算定位技术的两个关键。基于手机加速计和行人位置推算原理,利用巴特沃斯滤波器提取手机加速度信号中与行人步态事件相关的信息;借助于峰值探测法识别步频,进而利用步频探测获得的步频点分割加速度信号;通过分析行人行走时的特征,建立了基于加速度波形面积的步长估计模型,以此估计行人的行走路程。实验表明:手机在不同携带位置下,利用频域滤波器提取的信息探测步频的平均识别率达99%以上;在不同步速下,基于面积估计模型的路程估计的平均可靠度在98%以上。

改进的井下人员定位PDR算法研究

传统的行人航位推算(PDR)算法用于井下人员定位时,因步频检测、步长估计和航向估计阶段的姿态累计误差导致定位误差逐渐增大,而常用的零速校正、航向漂移消除、步态信号优化等误差修正方法无法改变PDR算法的固有缺陷,定位精度有待提高。提出采用改进的峰值检测法实现PDR算法中步频检测,基于深度循环神经网络(RNN)实现步长估计。将改进的PDR算法用于井下人员定位:首先采用手机加速度传感器、陀螺仪、磁力计获取行人运动数据;然后采用改进的峰值检测法获取固定时间间隔内的平均步频,与时间间隔、加速度及加速度方差作为特征输入训练后的深度RNN模型进行步长估计;最后结合估计的航向角预测人员当前位置。试验结果表明,改进的井下人员定位PDR算法对测试集数据的预测相对误差为5.9%,对实际测试路线的定位相对误差为1.6%~3.9%,小于传统PDR算法定位误差,有效提高了井下人员定位精度。