[发明专利]基于自适应加速度信号分割的人体姿势实时识别方法

权利要求书

1.一种基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：其包括以下步骤，

(1)建立运动姿势模型clasM和静止姿势模型clasML：

所述运动姿势模型clasM和静止姿势模型clasML的输入均为通过加速度传感器采集的被识别对象的传感器数据；运动姿势模型clasM的输出为被识别对象在运动状态下的不同姿势，静止姿势模型clasML的输出为被识别对象在静止状态下的不同姿势；

(2)通过穿戴在被识别对象身上的加速度传感器获取数据：所述数据为Ax，Ay，Az和t；t为时间，Ax，Ay，Az分别为t时刻下人体的加速度在X、Y、Z三个轴上加速度分量值。

(3)获得信号特征值：根据步骤(2)采集到的数据，计算得到信号特征值Axyz和ΔA，将计算得到的所述信号特征值Axyz和ΔA和步骤(1)采集的信号特征值Ax，Ay，Az都存储到数组

Fture,Fture[i]＝[Ax[i],Ay[i],Az[i],Axyz[i],ΔA[i]]；

其中Axyz为三维加速度；ΔA为相邻的两个Axyz之间变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度；

(4)获取被识别对象姿势变换的边界点：

4-1设定在步骤(3)得到的ΔA信号中存在第i个活动窗口w，大小为w＝2f,边界是[i,i+2f]，其中f是加速度传感器的采样频率，w是活动窗口；

4-2利用公式(5)对每个所述活动窗口计算其前半窗ΔA的平均值和后半窗ΔA的平均值，计算二者之差，并判断其是否大于等于事先定义的闽值th1，同时利用公式(6)判断该活动窗口的中间点与上一个边界点的时间差是否大于2秒钟；

4-3若公式(5)和(6)同时满足，则将该活动窗口的中间点确定为姿势变换的边界点，并保存到边界点数组bp[j]＝i+f，若不同时满足则继续进行步骤(2)；

其中i＝1,…,n，n是的长度；j＝1,…,m，m是姿势变换边界点数组bp的长度；

(5)计算相邻两姿势变换边界点之间的平均三维加速度的大小；

(6)若则调用步骤(1)建立的运动姿势分类模型clasM识别当前特征值的姿势类别，若则调用步骤(1)建立的静止姿势分类模型clasML识别当前特征值的姿势类别；最后运动姿势分类模型clasM或静止姿势分类模型clasML输出当前状态的识别结果。

2.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：

步骤(3)中，将步骤(2)采集到的数据利用公式(1)和公式(2)得到信号特征值Axyz和ΔA

ΔA[i]＝|A_xyz[i]-A_xyz[i-1]| (2)

其中Axyz为三维加速度；ΔA为相邻两个Axyz之间的变化的绝对值；i＝1,…,a，a是采集的加速度数据信号的长度。

3.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：

步骤(5)中，利用公式(7)计算相邻两姿势变换边界点之间的平均三维加速度的大小，

其中为平均三维加速度；j＝1,…,b，b是信号的长度；bp[j]和bp[j-1]分别是姿势变换边界点数组的第j和第j-1个元素。

4.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：步骤(6)中，利用公式(8)对两边界点之间的特征值Fture[i]进行分类，

其中pose是存放姿势识别结果的数组；pose[j]是识别结果的第j个元素；j＝1,…,p，p是数组pose的长度；i＝1,…,s，s是静止姿势类别数组ml或运动姿势类别数组m的长度。

5.根据权利要求1所述的基于自适应加速度信号分割的人体姿势实时识别方法，其特征在于：

步骤(1)中，运动姿势模型clasM的输出包括跑，快走，慢走，上楼梯，下楼梯，静止姿势模型clasML的输出包括站，坐，侧躺，俯卧，仰卧。