搜索
基于人体行走相位关联的可穿戴和环境传感器的行人识别TetsushiIkeda；HiroshiIshiguro；TakahiroMiyashita；NorihiroHagita.（期刊：JAmbientIntellHumanComput(2014)5:645–654）（翻译整理：郑维珍清华大学精密仪器系研究生微信:weizhen1895可以提供文献翻译、下载或咨询服务，欢迎来信。）摘要：提供个性化和基于位置的服务是在商场等公共区间内很有前景的事情。到目前为止，空间环境中的传感器已经可以监测到人的实时位置了，但是用此类传感器来识别行人还有很大的困难。另一方面，可穿戴设备可以输出它们的个人识别信息，但这类传感器依旧问题重重。在这篇文章里，我们提出了一种利用激光测距器将可穿戴加速器和步迹结果联系起来的方法。我们首先提出了单步和加速度之间的基于信号关联的联系方法。然而，在拥挤的环境中，由于闭塞，有时只有一只脚能被观察到。为了解决这个问题，我们首次提出了一个着眼于循环性步伐行为的相位关联的新的评估函数。针对个人的循迹实验结果证实了这一方法的有效性。关键词：加速度计激光测距器传感器融合循迹1背景介绍在诸如大型购物商场等公共空间内提供个性化的和位置基础的服务的信息基础设施有着广泛的应用。这套系统可以提供当前正在商场购物的人员的位置信息。当他们行李较多的时候，使用者可以呼叫一个搬运机器人，而后者可以通过定位系统准确达到位置。为了使个性化的和位置基础的服务成为可能，我们提供了一套可以定位、识别和追踪行人的系统，而行人正是移动信息的携带终端，无论是在怎样的拥挤环境中。许多定位系统已经研究了如何通过安装于环境中的传感器实现行人定位。例如，使用相机和激光测距仪的定位系统可以很精确第追踪行人。但是，仅仅使用环境中的传感器难以区分每个行人或携带专门可穿戴装置的个人。另一方面，在普适计算中，很多种的可穿戴装置都被应用于人体定位。由于使用ID身份标签的定位系统需要在环境中安装读取装置，对大型公共空间来说，这不是一个现实的解决方案。可穿戴惯性传感器也被用于人体定位，但是累积估计误差经常带来很多问题。对于精密的定位系统，整合别的信息资源是很有必要的。为了在环境中任何地方能够把携带专门移动装置的行人定位出来，一个很有前途的方法就是整合探测行人的环境传感器和定位行人的可穿戴传感器。在这篇文章里，我们提出了一种整合环境中的激光测距仪个用于连续精确定位行人的可穿戴传感器。用于使用激光测距仪的定位系统已经被成功应用于大型公共场所（比如火车站）的行人定位，而且激光测距仪的尺寸也变得更小了，所以激光测距仪是非常适合于公共空间的。由于许多手机都携带了有着多种用途的加速度传感器，因此，携带手机的就不再需要穿戴附加的装置。本文接下来的部分组织如下：首先，我们回顾了以前的研究成果；然后，我们讨论了一种整合激光测距仪（LRFs）和加速度计的方法，以及它们如何能够提供一个可信赖的评估；最后，我们讨论了此方案的在实际环境中的可行性，而且展示了实验评估的结果。2相关研究2.1通过环境传感器定位行人定位行人已经成为计算机视觉上的一个重要组成部分被广泛研究(Hu等，2004)。使用相机的一个优点是我们可以获取包括颜色和运动捕获的诸多信息。相机需要面临的一个问题就是忍受环境光照条件的变化，而且在公共场所使用相机拍照来识别行人有时会带来很多隐私上的麻烦。激光测距仪用于公共空间的行人定位吸引了越来越多的关注。随着激光测距仪尺寸越来越小，安装于环境中变得更加容易。由于激光测距仪仅仅观测行人的位置，因此不会加剧个人隐私的纠纷。Cui等(2007)通过观测行人的步伐成功追踪了一大批人。Zhao和Shibasaki(2005)也使用行人的一个简单步伐模式追踪了行人。Glas等人(2009)将激光测距仪安装在购物商场，通过探测顾客腰部高度来预测行人的轨迹。总的来说，安装于环境中的传感器能够很好地用于行人的精确定位。但是，当人们处于拥挤环境中时，它难以识别行人。2.2通过可穿戴传感器定位行人在普适计算下，可穿戴设备被用于定位行人(Hightower和Borriello，2001)。被研究过的装置包括IR身份标签(Want等，1992)、超声波身份标签(Harter等，1999)、RFID身份标签(Amemiya等，2004；Ni等，2003)、Wi-Fi(Bahl和Padmanabhan2000)和UWB(Mizugaki等，2007)。如果装置ID被系统识别，携带专门装置的人就被定位和识别了。然而，基于身份标签的方式为了实现准确定位，需要安装许多读取装置，因而安装读取设备的花费对于大型公共空间而言也是很大的问题。基于Wi-Fi和UWB的方式不能提供足够的分辨率以将人群识别开来。更进一步，如果用户不得不携带额外的装置仅仅为了获得定位服务，这样的花费和不便捷性也是需要考虑的。可穿戴惯性传感器也已经被与探测器整合到一起用于行人定位(Bao和Intille2004；Foxlin，2005，Hightower和Borriello，2001)。由于整体漂移还有很多问题，因此连接探测器和其他传感器显得非常重要。最近，多种手机都携带了加速度计，而有的人们在日常生活中也是随身携带。因此，使用加速度传感器来定位行人可以有效使用这类基础设施。2.3通过传感器的联合定位行人为了从环境中定位和识别行人，整合环境传感器和可穿戴装置的方法也被研究了。Kourogi等人(2006)整合了若干可穿戴惯性传感器，一个GPS模块和一个RFID身份识别系统。Woodman和Harle(2008)也整合了可穿戴惯性传感器和地图信息。Schulz等人(2003)使用LRFs和ID身份识别系统在实验室完成人员定位，他们提出了一种方法，能够使用LRFs实现位置探测和通过环境中的ID身份标签识别行人。Mori等人(2004)使用地面传感器和ID身份标签来识别携带ID的人。这些方法都是在初始定位之后，再用ID身份标签完成行人识别。然而，由于这些整合方法的环境传感器和ID身份标签都是基于位置信息的，因而在拥挤环境中的时候，ID身份标签的空间分辨率不足以区分行人。相反，我们整合了环境中的LRFs和运动人员携带的可穿戴设备。这样的方法基于运动的同步性，而在整合过程中不需要计算精确的位置，因而不需要忍受惯性传感器的漂移问题。之前的研究中(Ikeda等人，2010)，LRFs和可穿戴陀螺仪被整合到绕竖直轴旋转的躯体上。但是很难识别直线行走的行人，尤其是他们的轨迹颇为相似的时候。这种方法的另一个问题就是，一般手机携带陀螺仪的并不多见。在这篇文章里，为了解决这一问题，我们提出了一种提取步行特征的方法。LRFs探测行人的步伐高度，评估行人位置和步频；可穿戴的惯性传感器探测步频。由于，每个人的步频都有所不同，这一方法可以识别直线行走的行人，而它仅仅穿戴设备中使用了一个加速度传感器。3基于LRFs和可穿戴惯性传感器的行人循迹和识别3.1环境的和可穿戴的传感器之间的信号联系为了对每个携带可穿戴传感器的行人进行定位，我们着眼于环境的和可穿戴的传感器之间的信号联系。在收集到两种传感器所探测到的运动特征之后，这些信号被用于对比以确定是否来自于同一个人。在这个框架里面，通过可穿戴传感器定位行人的任务，见削减为比较过可穿戴传感器提供的行人信号和环境传感器探测到的全部信号，并从中筛选出信号最相近的人（图1）。设想一下，行人的步伐可以被环境中的LRFs循迹，两只脚的运动都会被估计出来（图2）。与此同时，步伐的时间也被可穿戴的惯性传感器探测到。如果这两种信号是从同一个人那里出来的，我们可以认为它们高度相关，因为它们都产生自同一个步伐节奏。我们发现，来自可穿戴的惯性传感器的加速度信号和通过循迹结果评估出来的双脚的加速度之间有着良好的一致性。本文关注步行的行为表现，而且提出了一种将来自两类传感器的信号整合到一起的方法。图1通过环境的和可穿戴的传感器共同定位行人。a算法的概念。b方案流程图。图2在购物商场的行人。白色的标记表示探测到的行人的脚。每个行人的运动都是荣光可穿戴传感器和用于循迹的LRFs共同确定的。3.2利用LRFs完成行人步伐循迹Zhao和Shibasaki(2005)提出了一种通过LRFs探测步高实现行人循迹的方法。通过探测行人步高，不仅可以定位行人的位置，还可以获得步伐的时间。我们扩充了Glas等人（2009)的系统，运用了粒子滤波算法来实现步伐循迹(图3)。在我们的循迹算法里，我们首先通过分析几百个扫描图像的分析来滤除噪声和运动物体。我们从循迹位置计算出每一步的速度和加速度：当是平均速度，是速度向量，是每一步的加速度，是采样时间。3.3可穿戴传感器的加速度测量为了从可穿戴传感器的加速度传感器中提取出步频，我们关注了加速度中的垂直分量。垂直分量是从三维加速度向量乘上竖直方向向量得到的：我们通过几秒内平均的来估计：这里的L是采样计算平均值。原始的数值加速度信号和平滑后的在Fig.4a里给出。图3通过LRFs完成行人的未定估计。LRFs的布置位置在A,B和C。aLRFs观测结果。b每个粒子代表一个行人。c行人位置估计，每个人表标上独特的数字。3.4步伐运动和身体加速度的联系Fig.4b展示了通过平滑循迹方法计算的每一步的速度和加速度。当行人脚步的速度减低，就意味着它最终着陆，此时会发现一个较大的加速度竖直分量。因此，我们当检测到加速度为负值的时候，我们可以认为这是着陆的冲击造成的。注意到，根据LRFs测出的高度，在脚着陆的瞬间，速度并不为0。为了评估两个信号之间联系，我们提出了LRFs探测的最小步伐加速度和加速度传感器测出的加速度的泊松关联函数：对于可穿戴的加速度，携带传感器的行人的轨迹可以通过（4）估计出来。4基于步行相位的相位关联在拥挤情形下，有时后用于遮挡只有一只脚能被检测到。但是，式（4）知识选取了加速度是较低的，因为一只脚记录的轨迹是如此的。图5展示了一只脚的加速度信号和可穿戴传感器之间的信号联系。一只脚的加速度周期中，由于步伐的相位，加速度会呈现出正值和负值的关系。为了解决这一问题，我们提出了一种基于步行行为相位的评估算法。图48秒内LRFs和可穿戴传感器的信号实例。a可穿戴传感器信号的竖直分量。b信号关联。c最小加速度关联。4.1脚和身体加速度之间的联系为了将步行时加速度的正负值联系起来，我们提出了一种根据该信号权重来调节的方法。图5和图6展示了这种关系。图5单脚的加速度和可穿戴传感器的加速度之间的联系。图6基于周期性运动的加速度信号关联。4.2基于步行相位权重的脚和身体加速度之间的联系1）单步速度平滑处理和提取最小值、最大值。根据瞬时最大值确定一个周期时间。在周期内的所有时间，将最大值处的时间φ（t）设置为0，下一个最大值处为π，中间由线性插值给出。具体公式如下：（6）2）将每个周期分割为M个时间段φ𝑘（k=1…M）。我们在这个实验中使用M=16。在每个时间段k，根据式（4）计算平均加速度。3）根据平均值确定一个函数w。我们这个实验中使用θ=0.25.通过式（8）的权重函数，我们评估传感器之间的关联性如下：根据式（9）用户的轨迹可以可以从轨迹的最大值中选取处理。图7显示了每个相位阶段的权重函数计算结果。图7每个相位周期下的权重函数。5实验5.1实验设计我们在位于日本Osaka的亚太商业中心的购物商场（图8）开展我们的实验。我们定位人群的区域是20m的圆形区域，其中包括许多餐馆和商店。在这个区域内，我们在20cm的高度上安装了6个LRF阵列。我们调整了之前的系统，使其除了追踪脚步外还具由和可穿戴传感器一起协作完成定位和识别行人的功能。行人在环境中的每一步都会通过一个离子滤波算法实现探测和追踪。通过计算离子的期望，我们可以按照每秒25次的频率计算出位置和速度。这个算法在测量位置处是非常稳定而且可信的。环境中有三个携带可穿戴传感器的行人，可以获得他们的三维加速度向量。在实验中，加速度被采样之后通过蓝牙方式传输到PC机。图11展示了4秒内对行人轨迹的追踪结果。有的情况