低功耗駕車和步行狀態識別系統的製作方法
2023-04-29 01:30:21 2
本發明涉及一種低功耗駕車和步行狀態識別系統，屬於智能識別
技術領域：
。
背景技術：
：基於加速度傳感器的人體運動監測領域的研究大致可分為兩類。第一類是基於多傳感器的，經常採用的方法是在人體多個部位放置加速度傳感器，多傳感器組成了體感網，或是採用綜合加速度傳感器、姿態傳感器等多類型傳感器，通過分析融合多傳感器採集到的數據來對人體動作進行識別。利用多個傳感器能夠較全面的獲得人體運動信息，並在一定程度上提高了識別準確率；但佩戴多個傳感器會降低使用者的舒適性，給使用者帶來不便，而且多傳感器也會使得整個系統的成本大幅上升，也會增加計算負擔和加大能耗。因此，在本發明的應用場景中，上述方法的實際操作性不強。第二類方式是利用單個加速度傳感器來對人體的不同運動狀態進行識別。單個加速度傳感器獲得較小的數據量便於分析，同時也更易於嵌入到智慧型手機、智能手錶等電子設備中，因此，該方式在人體運動狀態上具有更廣闊的前景。但是由於傳感器個數較少不能較全面的獲得人體運動信息，識別準確率相對稍差。當然，除了基於加速計的人體或車輛的運動狀態檢測外，基於計算機視覺的動作識別技術也是比較成熟的。但是基於視覺的定位與動作識別技術大多是基於三維或二維圖像特徵，三維圖像特徵的參數通常多、訓練複雜、計算量大，而二維圖像處理適用於固定視角，但是基於視覺的方案會遇到各種的遮擋情況，且需藉助複雜的圖像處理與深度學習技術，所以實現難度較大、成本較高、而且遍布各處的監控攝像頭不僅成本高、也可能造成用戶的反感。考慮到上述問題與本發明實際的應用場景，我們提出一種基於單加速計與運動穩定度的識別方法。與本發明最相似的方案是一種基於神經網絡的多層分類器模型，分類效果較理想，但該方法較為複雜，系統計算開銷較大。基於神經網絡的多層分類器模型主要包括3個分類器：pre-classifier、static-classifier、Dynamic-classifer。一個神經元分類器結構包括一個輸入模塊、一個處理模塊。一個輸出模塊。輸入的形式為u＝[u1，u2，...，ur]1，輸出模塊為y＝[y1，y2，...，yh]1，輸入中的r代表輸入的特徵集中的元素數目，r代表分類的個數。中間的f函數為Logsigmoid函數。用Theresilientbackpropagation(RPROP)機器學習算法來訓練神經元分類器。整個分類主要包括兩個階段：Pre-classifier階段與Static/dynamicclassifier階段。(1)Pre-classifier階段：通過提取加速度的數據的兩個特徵來完成特徵提取。一個是Signalmagnitudearea(SMA)，其計算方法為SMA=1W(Σi=1w|xi|+Σi=1w|yi|+Σi=1w|zi|)]]>其中w為每次提取特徵的滑動窗口的大小。通過這種方式完成第一個特徵的提取；另一個特徵是averageenergy(AE)，即三軸加速度的平均能量。(2)Static/dynamicclassifier階段：為了識別靜止和運動活動的不同類別，通過提取加速度傳感器數據的八個特徵：mean、correlationbetweenaxes、energy、interquartilerange、meanabsolutedeviation、rootmeansquare、standarddeviation、variance。由於又是利用三個軸加速度，故最終每個窗口中的加速度數據用24(3×8)個特徵表示。對於室內停車場來說，進入人員的運動狀態幾乎不是在開車就是在走路。要實時的、不引起用戶反感的情況下識別進入室內停車場後人員的行車/步行運動狀態對於停車場室內定位、交費、室內導航、公共安全等方面是很有幫助的。如果僅通過24小時實時監控來實現對所有進入人員的逐個跟蹤，成本過於高昂，技術上也很難實現。現有對目標運動狀態的識別大部分是基於計算機視覺的、人工神經網絡的、或支持向量機(SupportVectorMachine，SVM)的，這些方法的算法複雜、實現難度高、設備要求高。因此，在不幹擾用戶日常行為的前提下，以儘可能便捷、準確、成本低的方式設計與實現行車/步行識別算法使得停車場定位系統能夠準確的識別停車用戶在何時何地由行車狀態轉換為步行狀態或由步行狀態轉換為行車狀態停車場停車的位置是整個設計的關鍵。技術實現要素：本發明的目的在於提供一種低功耗駕車和步行狀態識別系統，利用嵌入了加速計模塊、藍牙模塊、無線傳輸模塊的身份證大小的嵌入式卡片來實現對運動目標的實時3軸加速度數據採集與存儲、識別算法設計與識別結果顯示。考慮到嵌入式卡片的擺放方式是不定的，本發明是基於合加速度(即3軸加速度的合成)的。基於本發明的穩定度算法也可以很簡單的實現計步功能。並通過實際的路測驗證了該識別方法的有效性。為了實現上述目的，本發明的技術方案如下。一種低功耗駕車和步行狀態識別系統，利用單個3軸加速計的室內停車場人員的運動狀態的檢測系統包括加速計數據的採集模塊、數據存儲模塊、算法實現模塊(數據預處理模塊、特徵提取模塊、識別模塊)、顯示模塊等。本發明所用的輔助設備是一個集成了加速計與藍牙模塊的身份證大小的便攜卡片式裝置；當用戶開車進入停車場時就發放此卡，通過這個便攜的卡片式裝置採集到的實時運動數據來實現對進入人員或車輛的運動狀態的實時檢測。該方法基於合加速度與運動穩定性算法來實時完成對運動目標的步行/行車狀態的檢測，其中穩定性算法實現方式如下：計算加速度傳感器的合加速度值，取加速度傳感器原始x，y，z軸的值的平方根，ak表示第k個點的合加速度，計算方式如下面的公式所示。ak=ax2+ay2+az2]]>具體的穩定性算法實現步驟如下所示：(1)按一定的頻率採集加速計的三軸加速度值。(2)濾波。將100個採集到的三軸的加速度值通過高通濾波後的數據值相加得到sumX、sumY、sumZ。通過高通濾波可以去掉短周波的影響。求和的目的是用於下一步的求均值。用100個採集點的各軸的均值來作為這一時間段內運動狀態的最終的代表值，可以降低識別誤差，提高最終樣例數據的準確性。(3)將上一步求得3個軸的加速度各個方向的和sumX、sumY、sumZ求平均，並計算求平方和在開方，如下式所示：N=6×(sumX100)2+(sumY100)2+(sumZ100)2]]>當N＜1時：穩定性優當1＜N＜2時：穩定性良當N＞2時：穩定性差由於進入人員可能將卡片隨意的拿在手上、放進包裡、開車人員可能會將卡隨手放在車上，因而不是之前的常見的將檢測裝置以特定的擺放方式綁定到人身上某個位置來採集數據，所以不能通過三軸加速度的單一軸(X軸、Y軸、Z軸)的數據來進行運動狀態識別，因為這種情況下X軸、Y軸、Z軸的擺放方向沒有指定，而且是實時變化的。為了解決上述問題，本方案使用合加速度來檢測運動狀態，具體的實現算法如下。運動狀態識別總體實現算法：(1)計算加速度傳感器的合加速度值，取加速度傳感器原始x軸、y軸、z軸的值的平方根，ak表示第k個點的合加速度。(2)首先判斷單個X軸、Y軸、Z軸的加速度是不是為零，或是在一個接近零的小區間幾乎不變，如果是則判斷出是靜止狀態；或者一段時間內的平均合加速度值小於一個閾值，則判定為靜止。(3)接下來主要通過穩定性算法，判定走路還是開車。在一段時間內，如果運動狀態幾乎都保持在穩定性優狀態，則可以判定此時為開車狀態；如果是在穩定性優狀態與穩定性良狀態交替出現，則判定為走路狀態。(4)識別為走路狀態時，通過統計走路時穩定性優狀態與穩定性良狀態之間的交替次數，就可以估算出步行的步數。連續出現兩次穩定性良狀態的間隔判別為走了一步。(5)通過判斷步行20步的時間內，穩定性良狀態的比率是否超過40％，如果超過就判斷為走路，否則就判斷為開車狀態。該發明的有益效果在於：本發明方法具有以下優點：(1)整個識別裝置成本低、體積小。第二部分的加速度採集裝置體積大、成本高。(2)具有良好的用戶適應性。本方案所採用的停車場用戶移動方式識別採用的是嵌入了藍牙與加速計的身份證大小的卡片，用戶可以隨意的放在包中、拿在手上、放在車中，無需將卡綁定到特定的位置，而第二部分是將體積較大的設備綁到測試人員的特定部位的。因此，我們的實現方式擁有更好地用戶適應性。在不引起用戶反感與不便的情況下實現用戶移動方式數據的實時採集、存儲、處理。(3)運用合加速度進行用戶移動方式分析。沒有像第二部分中的試驗方法那樣單獨分析3個軸各自的加速度的變化情況，因為我們的卡是隨意放在包中、車中、或拿在手上，這樣卡的擺放位置與方向是隨意變動的，而第二部分中是通過將可穿戴設備中的加速計以固定的擺放方向綁到人的身體的特定部位上。我們這種情況下3個軸各自的加速度變化情況是無序的。而是運用合加速度進行運動狀態分析，可以較好實現開車/走路的識別。(4)實現算法簡便、計算量小、識別準確率高。第二部分，是通過神經元分類器與複雜的分類算法來完成的，本發明，僅運用合加速度算法與運動穩定性算法就可以實現行車/步行狀態的判別，算法簡便高效，識別效果較好.(5)所需數據量小。第二部分因為需要採集大量的x、y、z軸的數據進行分類與訓練，而本發明的實現算法僅需要實時的少量的3軸加速度就可以進行。(6)實時顯示。可以在採集加速度數據的同時很快的的完成算法運算，實現實時用戶移動方式顯示。本發明的目的是藉助嵌入了加速計與藍牙的身份證大小的裝置和計算量小的識別算法在所需輸入參數較少和無需大規模數據集的情況下，實現實時的開車/走路狀態的檢測。利用加速計實現運動目標實時3軸加速度數據的採集、存儲與傳輸，然後再結合本發明提出的簡便的識別算法就可以達到實時的、較高的識別精度。具體實施方式下面結合實施例對本發明的具體實施方式進行描述，以便更好的理解本發明。實施例本發明實施例中的低功耗駕車和步行狀態識別系統，利用單個3軸加速計的室內停車場人員的運動狀態的檢測系統包括加速計數據的採集模塊、數據存儲模塊、算法實現模塊(數據預處理模塊、特徵提取模塊、識別模塊)、顯示模塊等。本發明所用的輔助設備是一個集成了加速計與藍牙模塊的身份證大小的便攜卡片式裝置；當用戶開車進入停車場時就發放此卡，通過這個便攜的卡片式裝置採集到的實時運動數據來實現對進入人員或車輛的運動狀態的實時檢測。該方法基於合加速度與運動穩定性算法來實時完成對運動目標的步行/行車狀態的檢測，其中穩定性算法實現方式如下：計算加速度傳感器的合加速度值，取加速度傳感器原始x，y，z軸的值的平方根，ak表示第k個點的合加速度，計算方式如下面的公式所示。ak=ax2+ay2+az2]]>具體的穩定性算法實現步驟如下所示：(1)按一定的頻率採集加速計的三軸加速度值。(2)濾波。將100個採集到的三軸的加速度值通過高通濾波後的數據值相加得到sumX、sumY、sumZ。通過高通濾波可以去掉短周波的影響。求和的目的是用於下一步的求均值。用100個採集點的各軸的均值來作為這一時間段內運動狀態的最終的代表值，可以降低識別誤差，提高最終樣例數據的準確性。(3)將上一步求得3個軸的加速度各個方向的和sumX、sumY、sumZ求平均，並計算求平方和在開方，如下式所示：N=6×(sumX100)2+(sumY100)2+(sumZ100)2]]>當N＜1時：穩定性優當1＜N＜2時：穩定性良當N＞2時：穩定性差使用合加速度來檢測運動狀態，具體的實現算法如下。運動狀態識別總體實現算法：(1)計算加速度傳感器的合加速度值，取加速度傳感器原始x軸、y軸、z軸的值的平方根，ak表示第k個點的合加速度。(2)首先判斷單個X軸、Y軸、Z軸的加速度是不是為零，或是在一個接近零的小區間幾乎不變，如果是則判斷出是靜止狀態；或者一段時間內的平均合加速度值小於一個閾值，則判定為靜止。(3)接下來主要通過穩定性算法，判定走路還是開車。在一段時間內，如果運動狀態幾乎都保持在穩定性優狀態，則可以判定此時為開車狀態；如果是在穩定性優狀態與穩定性良狀態交替出現，則判定為走路狀態。(4)識別為走路狀態時，通過統計走路時穩定性優狀態與穩定性良狀態之間的交替次數，就可以估算出步行的步數。連續出現兩次穩定性良狀態的間隔判別為走了一步。(5)通過判斷步行20步的時間內，穩定性良狀態的比率是否超過40％，如果超過就判斷為走路，否則就判斷為開車狀態。通過測試，在室內停車場開車時大部分情況都顯示穩定性優狀態，走路時幾乎是在穩定性優與穩定性良狀態之間交替顯示。連續的一次交件間隔代表走了一步。1、對20分鐘內，一共走了1620步。室內走路統計結果的驗證，如下表所示。共記錄穩定性狀態3314次。表1走路時穩定性情況統計表通過實時觀測，人走一步，會有1次穩定性優與1次穩定性良狀態出現。而且通過實際實驗得出，一般在步行20步的時間內，都是穩定性優狀態與穩定性良狀態交替出現時，就可以判別為走路狀態。取這段時間內統計的的穩定性良狀態出現的次數就可以估測出步行數。有以上數據得出判別走路的識別率約為1590/1620＝98.15％。2、對開車1小時的穩定性統計結果，分為沒有減速帶的情況與有減速帶的情況。(1)沒有減速帶的情況下，包括加減速、轉彎等情況。穩定性結果統計如下表所示。表2沒有減速帶時的開車穩定性情況統計表(2)在有少量減速帶的情況下，數據統計結果如下。通過減速帶時，大部分情況是從穩定性優變為穩定性良，如果通過減速帶時的車速較大，這樣車體的整體波動性就會較大，這種情況下就會出現從穩定性優轉變為穩定性差。表3有減速帶時的開車穩定性情況統計表舒適性穩定性優穩定性良穩定性差出現概率95.20％2.85％1.95％從上述開車數據的分析情況可以看出，在開車時，95％以上的比率會顯示穩定性優狀態。顯示穩定性良和穩定性差的情況較少。通過實驗的數據得到，在步行20步的時間內，通過判斷穩定性良狀態出現的比率，當比率大於40％時就判斷為走路狀態，否則判別為開車狀態。本發明的走路/開車的識別準確率達97％以上。真實的路況測試與數據分析都驗證了本發明在室內停車場內對進入人員和車輛運動狀態的實時識別方案是可行的，效果是良好的，識別率較高。以上所述是本發明的優選實施方式，應當指出，對於本
技術領域：
的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護範圍。當前第1頁1 2 3