多場(chǎng)景下的行人步頻自適應(yīng)檢測(cè)方法

郭丞，吳飛，朱海

（ 上海工程技術(shù)大學(xué) 電子與電氣工程學(xué)院, 上海 201620 ）

0 引 言

在市區(qū)和室內(nèi)環(huán)境中，對(duì)目標(biāo)用戶的準(zhǔn)確定位有很多應(yīng)用，如大型會(huì)展中心的導(dǎo)覽、養(yǎng)老院對(duì)老年人的安全看護(hù)、消防救援人員的定位等. 由于建筑物對(duì)衛(wèi)星信號(hào)的遮蔽，全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)在室內(nèi)應(yīng)用中的定位精度不高[1]. 而現(xiàn)有的室內(nèi)定位技術(shù)中，如無(wú)線保真(Wi-Fi)、低功耗藍(lán)牙(BLE)、超寬帶(UWB)、雷達(dá)等需要在定位場(chǎng)所提前部署定位設(shè)備，并且成本與定位區(qū)域的面積成正比，限制了這些室內(nèi)定位方法的普及應(yīng)用[2]. 基于智能手機(jī)內(nèi)置傳感器的行人航跡推算(PDR)算法[3]室內(nèi)定位方法不需要提前布置設(shè)備，適用于一些未知環(huán)境，而高精度的步頻檢測(cè)對(duì)基于加速度計(jì)的PDR定位是很重要的一部分.

步行是人們?nèi)粘Ｗ罨A(chǔ)的運(yùn)動(dòng)形式，很多人通過(guò)手機(jī)自帶的運(yùn)動(dòng)健康軟件來(lái)檢驗(yàn)自己一天運(yùn)動(dòng)量是否達(dá)標(biāo). 在近幾年的步頻檢測(cè)文獻(xiàn)中，峰值檢測(cè)[4-6]和閾值檢測(cè)[7-9]是較為常見(jiàn)的計(jì)步方法. 文獻(xiàn)[10]基于智能手機(jī)內(nèi)置加速度計(jì)，提出了閾值來(lái)檢測(cè)波峰波谷來(lái)實(shí)現(xiàn)計(jì)步，并使用峰谷值間的最小距離特征，以避免過(guò)度計(jì)數(shù)問(wèn)題. 文獻(xiàn)[11]基于低成本的微機(jī)電系統(tǒng)(MEMS)傳感器，提出一種支持向量機(jī)(SVM)的運(yùn)動(dòng)狀態(tài)分類方法，將峰值檢測(cè)和帶通濾波器結(jié)合起來(lái)，再根據(jù)不同的運(yùn)動(dòng)狀態(tài)設(shè)定閾值，但該方法在分類中運(yùn)用了SVM，這將需要大量的計(jì)算. 由于低成本的傳感器精度不高，導(dǎo)致記錄的原始運(yùn)動(dòng)數(shù)據(jù)中包含了很多噪聲干擾，在進(jìn)行步頻檢測(cè)時(shí)，會(huì)影響真實(shí)步數(shù). 文獻(xiàn)[12]介紹了一種能檢測(cè)手機(jī)用戶運(yùn)動(dòng)狀態(tài)的分類器，并根據(jù)運(yùn)動(dòng)狀態(tài)采用自適應(yīng)步頻檢測(cè)，同時(shí)對(duì)傳感器數(shù)據(jù)進(jìn)行低通濾波和移動(dòng)平均濾波的預(yù)處理，計(jì)步精度達(dá)97%，但是該方法對(duì)用戶佩戴設(shè)備要求高，限制了應(yīng)用的便捷性. 文獻(xiàn)[13]提出將手機(jī)傳感器的采集數(shù)據(jù)通過(guò)卡爾曼濾波(KF)[14]處理，再根據(jù)加速度信號(hào)幅值提取步頻數(shù)據(jù)，處理后數(shù)據(jù)的準(zhǔn)確度和魯棒性都有所改善. 文獻(xiàn)[15]提出運(yùn)動(dòng)分類的區(qū)間對(duì)稱步頻檢測(cè)，將運(yùn)動(dòng)分類為慢速、常速和快速，但是這種算法在長(zhǎng)距離的運(yùn)動(dòng)中容易忽略真實(shí)步伐.文獻(xiàn)[16]在峰值檢測(cè)算法的基礎(chǔ)上，提出了最小峰值及距離、動(dòng)態(tài)閾值和靜止消振的檢測(cè)方法，能夠?qū)崿F(xiàn)99.42%的檢測(cè)精度，但是在應(yīng)用場(chǎng)景上受到了限制且算法相對(duì)復(fù)雜.

針對(duì)上述問(wèn)題，本文作者提出了一種基于智能手機(jī)加速度傳感器的加速度數(shù)據(jù)預(yù)處理和步頻檢測(cè)方法，分析了不同類型的行人手持手機(jī)在不同場(chǎng)景、速度行走下的加速度數(shù)據(jù)特征，將預(yù)處理后的加速度數(shù)據(jù)通過(guò)檢測(cè)其峰谷值進(jìn)行計(jì)步. 針對(duì)運(yùn)動(dòng)狀態(tài)下的原始數(shù)據(jù)信號(hào)夾雜著由于手部額外施加的力、傳感器自身漂移等因素所帶來(lái)的偽波峰波谷噪聲等問(wèn)題，提出一種加速度數(shù)據(jù)預(yù)處理算法，該方法通過(guò)赫爾指數(shù)移動(dòng)平均法[17]減弱一定的噪聲，再利用KF去除原始加速度數(shù)據(jù)中存在的部分高斯噪聲，最后再通過(guò)巴特沃斯低通濾波[18]得到更利于步頻檢測(cè)的加速度數(shù)據(jù)峰谷值模型. 針對(duì)行人運(yùn)動(dòng)場(chǎng)景的復(fù)雜性，提出自適應(yīng)的步頻檢測(cè)方法：峰谷值去異、自適應(yīng)動(dòng)態(tài)閾值、峰谷值成對(duì). 通過(guò)行人在上下樓場(chǎng)景下行走以及在水平地面上慢速走、常速走、快速走的測(cè)試表明：本文方法在不同行走速度和場(chǎng)景下能達(dá)到較好的計(jì)步精度，有效剔除加速度信號(hào)中的異常峰谷值.

1 加速度數(shù)據(jù)的采集

本文是基于安卓(Android)操作系統(tǒng)的智能手機(jī)內(nèi)置加速度計(jì)采集數(shù)據(jù)的，經(jīng)手機(jī)內(nèi)置傳感器的輸出頻率通過(guò)設(shè)置輸出模式來(lái)調(diào)控，頻率在15～200 Hz[19].過(guò)高的采樣頻率會(huì)導(dǎo)致數(shù)據(jù)質(zhì)量較差并不利于研究，為了更好地反映行人行走狀態(tài)，設(shè)置軟件的采樣頻率為50 Hz. 現(xiàn)如今在Android手機(jī)里都有線性加速度計(jì)，即去除了重力加速度的加速度值其坐標(biāo)系也與加速度計(jì)相同，因此文中選用線性加速度值進(jìn)行實(shí)驗(yàn)，行人保持手持手機(jī)姿態(tài)如圖1所示，手機(jī)保持在身體平衡的水平姿態(tài)且屏幕朝上.

圖1 行人手持手機(jī)姿態(tài)

圖2為行人手持手機(jī)在平面上直線行走時(shí)所采集的用戶加速度以及x、y、z軸 的合加速度 A cc ，Acc如下式所示：

式中：ax、ay、az分別是去除重力加速度g之 后的x、y和z軸用戶加速度大小，其中g(shù)=9.8 m/s2. 圖2中所示的加速度是去除重力加速度的行人線性加速度，但是波形中依然存在很多類似毛刺的噪聲，尤其是x軸和合加速度的數(shù)據(jù). 此時(shí)的y軸和z軸上的數(shù)據(jù)相對(duì)平緩，在以零線為對(duì)稱軸時(shí)，z軸數(shù)據(jù)更具有對(duì)稱性，其更好地顯示了行人行走時(shí)在垂直方向上受力作用產(chǎn)生的周期性波動(dòng). 綜上本文選用z軸加速度進(jìn)行步頻檢測(cè)，在行人完成一步行走的周期內(nèi)，加速度數(shù)據(jù)產(chǎn)生一對(duì)峰谷值時(shí)即可判定行人行走了一步.

圖2 行人行走時(shí)三軸及合加速度

2 預(yù)處理算法及計(jì)步算法

2.1 數(shù)據(jù)預(yù)處理

智能手機(jī)的加速度信號(hào)是由重力、行人加速度和噪音組成. 但是智能手機(jī)內(nèi)置的加速度傳感器精度不高，采集的過(guò)程中易受行人相對(duì)運(yùn)動(dòng)的抖動(dòng)影響，從而得到采集完的數(shù)據(jù)噪聲偏高，在放大加速度計(jì)信號(hào)時(shí)會(huì)影響步頻檢測(cè). 因此需要采用合適的預(yù)處理算法，還原采集數(shù)據(jù)的規(guī)律性，是步頻檢測(cè)的重要一環(huán).赫爾指數(shù)移動(dòng)平均可過(guò)濾高頻噪聲，保留有用的低頻趨勢(shì)，且隨著計(jì)算階數(shù)的增大，移動(dòng)平均線越平滑，能在一定程度上去除噪聲. KF具有去除高斯噪聲的特性，能夠去除原始數(shù)據(jù)中的高斯噪聲. 經(jīng)過(guò)上面兩步去噪后，加速度數(shù)據(jù)依然還存在著毛刺干擾，而巴特沃斯低通濾波具有通頻帶的頻率響應(yīng)曲線，處理后的數(shù)據(jù)更利于步態(tài)檢測(cè).

1) 赫爾指數(shù)移動(dòng)平均法

大多數(shù)移動(dòng)平均法普遍存在滯后問(wèn)題，該方法在對(duì)樣本值賦予高權(quán)重來(lái)提高低頻趨勢(shì)的同時(shí)，還能有效地減少滯后，可用來(lái)剔除比較明顯的連貫抖動(dòng)誤差和周期性干擾誤差. 通過(guò)不斷的實(shí)驗(yàn)發(fā)現(xiàn)，較高的階數(shù)不利于加速度數(shù)據(jù)的處理，故設(shè)置階數(shù)為3階. 公式如下：

式中：T為階數(shù)；xn為n時(shí) 刻的加速度數(shù)據(jù)；AT(xn) 為處理后的加速度數(shù)據(jù).

2) KF

KF可以處理隨機(jī)離散線性系統(tǒng)，而加速度信號(hào)是離散的，用KF對(duì)加速度數(shù)據(jù)進(jìn)行誤差修正后，得到更接近真實(shí)值的數(shù)據(jù). 濾波將加速度計(jì)的輸出看作是一個(gè)平穩(wěn)的隨機(jī)過(guò)程，同時(shí)將原始信號(hào)中摻雜的干擾因素當(dāng)作白噪聲(WN)來(lái)去除. 其中濾波包括兩個(gè)步驟：第一步是基于線性隨機(jī)差分方程的預(yù)測(cè)信號(hào)生成預(yù)測(cè)信號(hào)；第二步是根據(jù)預(yù)測(cè)信號(hào)和噪聲協(xié)方差找到合適的信號(hào)，然后用它來(lái)更新噪聲協(xié)方差，使加速度信號(hào)平滑化.

原理如下：

式中：Xk為系統(tǒng)狀態(tài)向量；Uk-1為 系統(tǒng)控制向量；Wk-1為系統(tǒng)狀態(tài)噪聲；A為狀態(tài)轉(zhuǎn)移矩陣；B為噪聲轉(zhuǎn)移矩陣.

式中：Zk為量測(cè)向量；H為量測(cè)矩陣；Vk為量測(cè)噪聲矩陣.

預(yù)測(cè)階段：

式中：Kk為 卡爾曼增益；Pk為誤差協(xié)方差矩陣；依據(jù)實(shí)驗(yàn)環(huán)境，Wk和Vk是不相關(guān)的WN，其方差矩陣分別為Qk和Rk.

3) 低通濾波

對(duì)于低通濾波，是低于某個(gè)頻率為通帶，高于某個(gè)頻率為阻帶，巴特沃斯濾波的特點(diǎn)是通頻帶的頻率響應(yīng)曲線最平滑. 而選定的z軸數(shù)據(jù)在經(jīng)過(guò)上兩步處理后仍然存在著毛刺干擾，本文選用巴特沃斯低通濾波器對(duì)數(shù)據(jù)信號(hào)預(yù)處理. 行人的行走步頻為1～3 Hz[20]，設(shè)置低通濾波器的截止頻率為3 Hz. 如式(11)所示：

式中：n為濾波器的階數(shù)；wc為截至頻率；wp為通頻帶邊緣頻率在通頻帶的數(shù)值為

2.2 預(yù)處理結(jié)果分析

如圖3所示，將初始加速度數(shù)據(jù)信號(hào)依次通過(guò)預(yù)處理算法.

圖3 加速度數(shù)據(jù)預(yù)處理前后對(duì)比

圖3(b)為原始加速度數(shù)據(jù)經(jīng)過(guò)赫爾指數(shù)移動(dòng)平均濾波后消除的部分誤差噪聲，圖3(c)為緊接著經(jīng)過(guò)KF后，消除了大部分的干擾噪聲引起的偽波峰波谷，最后將數(shù)據(jù)信號(hào)通過(guò)低通濾波如圖3(d)后，波形顯得愈加平滑，正弦特征越加明顯，更有利于峰谷值檢測(cè).

2.3 峰值檢測(cè)

通過(guò)對(duì)行人步態(tài)的分析可知，步行時(shí)加速度會(huì)出現(xiàn)周期性類正弦波的振蕩特性，峰值檢測(cè)方法是通過(guò)檢測(cè)加速度數(shù)據(jù)中出現(xiàn)的峰值個(gè)數(shù)來(lái)計(jì)算行人的行走步數(shù)[21]. 峰值檢測(cè)方法可以表示為

式中：xt為當(dāng)前時(shí)刻下的加速度；xt-1和xt+1分別為上一時(shí)刻和下一時(shí)刻的加速度. 經(jīng)過(guò)預(yù)處理算法平滑處理后的數(shù)據(jù)仍然存在偽波峰影響最終的檢測(cè)精度和準(zhǔn)確度. 因此，下文提出了自適應(yīng)峰谷值檢測(cè)法，用以剔除異常峰值和谷值以提高檢測(cè)精度.

2.4 步頻檢測(cè)

圖4為基于加速度數(shù)據(jù)預(yù)處理的步頻檢測(cè)流程圖. 經(jīng)過(guò)預(yù)處理后的加速度數(shù)據(jù)能直觀地看到其峰谷值數(shù)目，但是并不能直接作為步頻檢測(cè)的依據(jù)，還需要通過(guò)本文所提的步頻檢測(cè)方法進(jìn)行提煉，步驟如下：

圖4 數(shù)據(jù)預(yù)處理和步頻檢測(cè)流程

1) 峰谷值去異

行人在行走時(shí)會(huì)存在短暫的停留，因此需要識(shí)別靜止和運(yùn)動(dòng)狀態(tài)下的所有峰谷值，但是不包括小于零的峰值和大于零的谷值. 通過(guò)式(13)提取步行信號(hào)中的靜止異常值

式中：ap(n) 和av(k) 是行人行走下識(shí)別出來(lái)的所有峰值和谷值；n和k為待處理數(shù)據(jù)序列；i和j分別是提取加速度峰谷值階段時(shí)的峰值數(shù)目和谷值數(shù)目. 在靜止?fàn)顟B(tài)下經(jīng)過(guò)實(shí)驗(yàn)，如圖5所示，得到的z軸加速度的最大和最小閾值分別為0.05和-0.05. 通過(guò)式(13)可以剔除大部分靜止?fàn)顟B(tài)下的峰谷值，并且能夠完整地將步行峰谷值保留下來(lái).

圖5 靜止時(shí)加速度數(shù)據(jù)

2) 自適應(yīng)動(dòng)態(tài)閾值

動(dòng)態(tài)閾值法是根據(jù)在一個(gè)窗口大小內(nèi)的加速度數(shù)據(jù)的最大值和最小值建立的，窗口的閾值設(shè)定取決于行人的運(yùn)動(dòng)狀態(tài)，它的閾值直接影響系統(tǒng)判定的精度. 通常，步行速度在慢速、正常和快速行走狀態(tài)下會(huì)產(chǎn)生接近零線或者離真值較遠(yuǎn)的偽波峰波谷值，可能還包括在提取運(yùn)動(dòng)信號(hào)時(shí)遺留下來(lái)的少數(shù)靜態(tài)信號(hào)，動(dòng)態(tài)閾值的設(shè)置可以剔除這些偽真實(shí)值.

普遍的動(dòng)態(tài)閾值只是針對(duì)某一特定場(chǎng)景下，而在行人行走在上下樓的復(fù)雜場(chǎng)景時(shí)，由于兩層樓梯之間的連接處是中間休息平臺(tái)，會(huì)導(dǎo)致行人采集在連續(xù)上樓或下樓經(jīng)過(guò)樓梯間的相對(duì)平地時(shí)數(shù)據(jù)波動(dòng)較大.圖6為上下樓的數(shù)據(jù)波動(dòng)圖，矩形圈處為在樓層連接處的平地時(shí)行走的數(shù)據(jù)波動(dòng)，容易被閾值忽略. 但是針對(duì)上下樓場(chǎng)景時(shí)設(shè)置的動(dòng)態(tài)閾值并不適用于平地行走的情況，因此，提出一種自適應(yīng)的動(dòng)態(tài)閾值. 圖7為根據(jù)實(shí)驗(yàn)數(shù)據(jù)的經(jīng)驗(yàn)值，設(shè)置峰值和谷值均方差α=0.2為衡量閾值來(lái)判斷加速度數(shù)據(jù)的離散程度，窗口大小為50，當(dāng)峰谷的均方差大于 α 時(shí)，說(shuō)明數(shù)據(jù)波動(dòng)較大，即行人行走時(shí)有較大起伏或者運(yùn)動(dòng)場(chǎng)所較為復(fù)雜，定義動(dòng)態(tài)閾值如式(14)所示：

圖6 上下樓的數(shù)據(jù)波動(dòng)

圖7 隨機(jī)5組的閾值選取實(shí)驗(yàn)對(duì)比

式中：apeak(i) 和avalley(i) 分 別是i時(shí)刻的峰值、谷值；n和k分別為峰值數(shù)和谷值數(shù)；aˉpeak和aˉvalley分別是所有峰值、谷值的均值. 用峰值和谷值的均方差來(lái)作為閾值能更明顯地過(guò)濾波動(dòng)較大的步頻曲線特性，圖8(a)為圓圈處該動(dòng)態(tài)閾值在行人行走在連續(xù)上下樓時(shí)截取到的偽真值.

圖8 動(dòng)態(tài)閾值截取偽真值

當(dāng)峰谷的均方差小于 α 時(shí)，說(shuō)明數(shù)據(jù)的波動(dòng)程度較小，即行人行走時(shí)步態(tài)較為平緩或者行走地面較為平坦，則定義動(dòng)態(tài)閾值如式(15)所示：式中：用峰值和谷值的均方差來(lái)作為閾值. 實(shí)驗(yàn)中當(dāng)行人行走在較平坦的地面時(shí)，數(shù)據(jù)起伏較小，數(shù)據(jù)離散程度較中心偏低，此時(shí)峰谷值的均方差比方差更為精確. 圖8(b)為矩形框處為該動(dòng)態(tài)閾值在行人行走在水平地面時(shí)截取到的偽真值.

3) 峰谷值成對(duì)

為了得到成對(duì)的峰谷值，即單步發(fā)生的加速度峰谷值應(yīng)該是按照時(shí)間順序間隔出現(xiàn). 根據(jù)采集的步行數(shù)據(jù)，行人行走的每一步數(shù)據(jù)應(yīng)該是峰谷成對(duì)顯示的，因此剔除不成對(duì)的偽真值. 圖9所示實(shí)線圈出來(lái)的值，相鄰的峰值、谷值之間沒(méi)有一個(gè)峰值或谷值間隔，即刪除靠近零的峰值或谷值，最后獲得的峰谷值對(duì)個(gè)數(shù)即為行人的執(zhí)行步數(shù).

圖9 峰谷值對(duì)去偽

3 實(shí)驗(yàn)測(cè)試與結(jié)果分析

實(shí)驗(yàn)使用設(shè)備型號(hào)為Samsung Note10(系統(tǒng)：Android 11). 測(cè)試時(shí)，行人保持手持手機(jī)平端在胸口狀態(tài)行走，且手機(jī)屏幕朝上. 步行估計(jì)誤差按照式(16)進(jìn)行計(jì)算：

式中：Error為實(shí)驗(yàn)誤差；teststep和truestep分別為測(cè)試步數(shù)和實(shí)際步數(shù).

首先，檢驗(yàn)了本文的預(yù)處理算法和只用低通濾波的前后對(duì)比. 如圖10(b)圓圈處所示，只經(jīng)過(guò)低通濾波的數(shù)據(jù)存在很多毛刺，這些毛刺會(huì)影響步頻檢測(cè)結(jié)果.

圖10 預(yù)處理算法對(duì)比

其次，峰值檢測(cè)法和動(dòng)態(tài)閾值法在常速走和快速走時(shí)的檢測(cè)精度有不錯(cuò)的效果，但是在上下樓場(chǎng)景下行走，甚至在慢速行走時(shí)，其平均檢測(cè)誤差高達(dá)19.52%和8.68%. 圖11(a)和(c)為上下樓時(shí)行走和慢速行走的峰值檢測(cè)結(jié)果，圖11(b)和(d)為本文方法的步頻檢測(cè)結(jié)果. 由圖中看出峰值檢測(cè)在上下樓行走、慢速行走時(shí)出現(xiàn)過(guò)計(jì)、錯(cuò)計(jì)的主要原因在于將靠近真實(shí)峰值的異常值也認(rèn)為是步行信號(hào)，而本文的方法能夠克服步行中的這類干擾值達(dá)到更高的檢測(cè)精度.

圖11 兩種步頻檢測(cè)算法對(duì)比

表1 對(duì)比了峰值檢測(cè)和本文提出方法的實(shí)驗(yàn)結(jié)果. 由表1數(shù)據(jù)可知，本文測(cè)試了5名行人(年齡在22～26歲，身高在1.75 ～1.86 m，體重在65～85 kg)在上下樓場(chǎng)景下以及在水平地面慢速走、常速走、快速走時(shí)行走100步的步頻檢測(cè)結(jié)果. 文章方法在上下樓場(chǎng)景下的步頻檢測(cè)中，檢測(cè)精度平均高達(dá)99.40%，在水平地面不限制步速的行走狀態(tài)下，檢測(cè)精度平均高達(dá)99.47%以上. 本文的步頻檢測(cè)算法適用于不同的運(yùn)動(dòng)場(chǎng)景和運(yùn)動(dòng)狀態(tài)，不僅適用于上下樓的運(yùn)動(dòng)場(chǎng)景，還適用于行人行走過(guò)程中的變速行走的運(yùn)動(dòng)狀態(tài). 在進(jìn)行了一段慢、常、快三種步速分別行進(jìn)各40步合計(jì)共120步的路程實(shí)驗(yàn)中，得到最終的行走數(shù)與實(shí)際步數(shù)相差僅1步，實(shí)現(xiàn)在運(yùn)動(dòng)過(guò)程中不受運(yùn)動(dòng)狀態(tài)變化影響的準(zhǔn)確計(jì)步.

表1 （續(xù)）

表1 5名行人的步頻檢測(cè)結(jié)果

綜合上述實(shí)驗(yàn)結(jié)果表明：本文提出的基于加速度數(shù)據(jù)的預(yù)處理算法能夠有效地過(guò)濾原始加速度信號(hào)中的毛刺噪聲，提出的自適應(yīng)步頻檢測(cè)算法適用于不同運(yùn)動(dòng)場(chǎng)景且步行速度不受限制，能夠克服步行過(guò)程中的干擾信號(hào)，達(dá)到較高的步頻檢測(cè)精確度.

4 結(jié)束語(yǔ)

針對(duì)手機(jī)內(nèi)置傳感器的加速度原始信號(hào)存在許多噪聲干擾等問(wèn)題，將加速度信號(hào)通過(guò)赫爾指數(shù)移動(dòng)平均濾波、KF以及低通濾波的組合進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)峰值檢測(cè)中存在錯(cuò)計(jì)以及應(yīng)用場(chǎng)景單調(diào)受限等問(wèn)題，提出一種自適應(yīng)的步頻檢測(cè)算法，該方法針對(duì)多種運(yùn)動(dòng)場(chǎng)景和狀態(tài)去自適應(yīng)調(diào)節(jié)檢測(cè)閾值，有效剔除了用戶步行過(guò)程中的假步，實(shí)現(xiàn)在多種運(yùn)動(dòng)場(chǎng)景和行走步態(tài)下的高精度計(jì)步. 實(shí)驗(yàn)結(jié)果表明：該算法在各種場(chǎng)景和步態(tài)下的平均精度為99.44%，具有抗干擾能力強(qiáng)、計(jì)步精確度高、自適應(yīng)多場(chǎng)景的優(yōu)點(diǎn). 但本文的方法是基于行人手持手機(jī)平行于胸口的單一姿態(tài)且處理數(shù)據(jù)是離線進(jìn)行的. 在未來(lái)，可以設(shè)計(jì)一個(gè)應(yīng)用軟件實(shí)現(xiàn)實(shí)時(shí)計(jì)步和定位，還可以研究在更多行人姿態(tài)下的運(yùn)動(dòng)，如放在背包、口袋以及單手握持手機(jī)前后擺臂等.