基于传感器融合的可移动设备在人身上的定位方法技术

本发明专利技术公开了一种基于传感器融合的可移动设备在人身上的定位方法，通过融合RGB‑D体感传感器采集的不同人体关节点位置数据和由可移动设备内嵌惯性传感器融合计算得到的可移动设备加速度，确定联合数据的对数似然值，比较位置数据和加速度数据的匹配度，确定与可移动设备加速度匹配度最高的位置，此定位信息即可移动设备在人身上的位置。本发明专利技术方法，不同于传统的对可移动设备的位置进行分类的方法，也不同于基于图像处理的方法，依靠放置于环境中的RGB‑D体感传感器和可移动设备内嵌惯性传感器，当携带可移动设备的人员活动时自动对可移动设备进行定位，适用于多种环境条件，实用性强。

【技术实现步骤摘要】
基于传感器融合的可移动设备在人身上的定位方法
本专利技术涉及一种可移动设备在人身上的定位方法，具体说是一种基于传感器融合的可移动设备在人身上的定位方法。本专利技术不仅适用于可穿戴设备，也适用于手机等可移动设备，当可移动设备在人身上时，此定位方法将可移动设备定位于人体关节点处。
技术介绍
基于可移动设备的人体行为识别中一个基础性挑战是由可移动设备位置未知引起的，用户可以把可移动设备，如手机，放在腰部、手部位置等，这给人体行为识别带来了困难。国内外学者对基于可穿戴/可移动设备的人体动作识别进行了大量研究，假定已知的确定的可穿戴传感器位置，进行了设备位置无关的人体动作识别研究。研究人员在实验室中进行人体行为识别研究时，把可移动设备放置于一个特别的位置，如手腕、手臂、腰部、脚部，通过分析可移动设备内嵌传感器数据，识别人体行为。少数研究人员关注了可移动设备定位问题，但研究集中于依靠设备本身内嵌传感器，将定位问题转化为分类问题，这种方法没有实质解决定位问题。他们首先预设可移动设备在身上的可能位置，通过对放置于此位置的传感器的数据进行分类，确定可移动设备处于预设的几个位置中的某一个。既往研究发现，可移动设备先验位置信息对行为识别有重要影响。如何对可移动设备进行定位，目前仍是一个开放性的问题。可穿戴/可移动设备和环境传感器在日常生活中日益流行，运用基于传感器融合的方法，本专利提出了一种新方法，借助外部环境传感器，通过挖掘RGB-D传感器数据和可移动内嵌传感器数据之间的关联性，确定可移动设备在人身上的位置。微软RGB-D(RGB-Depth)体感传感器，可任意放置于环境中，便利地采集人体20/25个骨骼关节点(微软KinectV1/V2)数据。本专利提出了一种基于RGB-D和惯性传感器融合的可移动/可穿戴设备在人身上的定位方法，运用选取的关键关节点数据，可准确地计算可移动/可穿戴设备在身上的位置，以解决目前人体行为识别中可移动/可穿戴设备位置未知的问题。
技术实现思路
本专利技术所要解决的技术问题在于，克服现有技术存在的缺陷，提出了一种基于传感器融合的可移动设备在人身上的定位方法，通过融合RGB-D体感传感器采集的不同人体关节点位置数据和惯导计算的可移动设备加速度，确定联合数据的对数似然值，比较位置数据和加速度数据的匹配度，确定与可移动设备加速度匹配度最高的位置，此定位信息即可移动设备在人身上的位置。本专利提出的方法，不同于基于图像处理的方法，实用性强。本方法依靠RGB-D体感传感器和惯性传感器，不依赖于RGB图像，适用于多种环境条件。本专利技术为实现专利技术目的所采用的技术方案，基于传感器融合的可移动设备在人身上的定位方法，其步骤如下：步骤1.通过RGB-D体感传感器，获取M帧人体深度图像；同时，获取同时间内可移动设备内嵌惯性传感器数据序列；步骤2.提取人体骨骼点坐标，获取人体关节点位置；通过惯性传感器融合，计算可移动设备的移动加速度，通过坐标系转换，计算可移动设备在RGB-D体感坐标系内的移动加速度；步骤3.基于高斯过程的传感器融合，融合人体关节点位置数据和可移动设备的加速度数据，找到位置数据和加速度数据的联合分布函数；步骤4.计算人体关节点位置与可移动设备加速度联合数据的对数似然值；步骤5.计算并比较人体不同关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为计算的可移动设备位置，完成定位。所述步骤3基于高斯过程融合人体关节点位置数据和可移动设备的加速度数据，即运用高斯过程回归模型来表示位置序列y(t)和它们的二阶导数a(t)之间的关系：观测到位置数据y(t)，它是时间t的函数，y＝f(t)+εy,(1)其中εy是零均值的高斯噪声，其中表示噪声方差，εa表示加速度的零均值的高斯噪声。给定N个训练数据{xi,yi,i＝1,…,N}，Y＝[y1,…,yN]T是输出数据。首先，在高斯过程模型下计算测量值Y的对数似然值：在高斯过程模型下，f|X～N(0,C(X,X))，似然函数其中，X表示训练输入，f表示式(1)中函数值，表示式(1)中零均值的高斯噪声的方差，I表示N×N的单位矩阵，C(X,X)表示训练输入点处计算的N×N的协方差矩阵。边缘似然函数是似然函数乘以先验函数：p(Y|X)＝∫p(Y|f,X)p(f|X)df,(2)其中Y是受噪声影响的非独立变量，X是独立变量。在高斯过程模型下，C表示N×N的协方差矩阵，表示式(1)中零均值的高斯噪声的方差，I表示N×N的单位矩阵，可计算测量值Y的对数似然值：其中C表示协方差矩阵，是超参数。运用人体活动数据和选择的协方差函数，可以采用共轭梯度最优化方法来最大化超参数的对数似然值，从而获得超参数值，同时通过分析传感器特性来得到噪声方差其次，测量值Y为位置和速度的联合数据时，找到位置数据和加速度数据的联合分布函数；当我们观测到加速度值时，假定观测值m是隐变量y的一种变形形式。m(t)＝∫K(t,x)y(x)dx(4)离散情况下，用来表示离散的传感器测量值和真实的系统状态值之间的关系。当观测到M＝KY且K已知时，M是n维正态分布的采样：M～N(0,KΣKT+ΣM),(6)其中，∑表示观测值协方差矩阵，∑M是观测值方差的对角矩阵。当加速度观测值采样率是位置观测值采样率的N倍时，位置数据和加速度数据的联合序列最后，得出位置序列Mp和加速度序列Ma联合数据Mall的联合概率分布函数：所述步骤4，计算人体不同关节点位置与可移动设备加速度联合数据的对数似然值：首先构建位置数据和加速度数据的联合序列Mall，给定位置坐标序列Mp和加速度序列Ma的联合序列Mall，我们可计算对数似然值：其中，∑表示观测值协方差矩阵，∑p是位置观测值方差的对角矩阵，∑a是加速度观测值方差的对角矩阵。所述步骤5，通过比较不同的人体关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为可移动设备的位置。步骤4计算得到一个关节点位置与加速度联合数据的对数似然值。本步骤依据RGB-D传感器测量到的J个人体骨骼关节点，依次构建每个关节点位置Mp,i(i＝1,…,J)与加速度Ma的联合序列Mall,i，则式(12)可改写为其中，i＝1,…,J.比较J个对数似然值logLi，即比较J个关节点位置与可移动设备加速度的匹配度，找出最大值，确定最大对数似然值对应的关节点位置，即为计算的可移动设备位置，完成定位。本专利技术方法通过融合RGB-D体感传感器采集的不同人体关节点位置数据和由可移动设备内嵌惯性传感器融合计算得到的可移动设备加速度，确定联合数据的对数似然值，比较位置数据和加速度数据的匹配度，确定与可移动设备加速度匹配度最高的位置，此定位信息即可移动设备在人身上的位置。附图说明图1是本专利技术基于传感器融合的可移动设备定位方法流程图。图2是当惯性传感器采样率是RGB-D传感器采样率3倍时，可移动设备定位中使用的高斯过程模型。具体实施方式下面结合具体实施例和附图，对本专利技术方法作进一步详细说明。设定可移动设备为一种内嵌惯性传感器的智能手环，佩戴于实验者右手手腕处，RGB-D体感传感器被放置于实验室内固定位置，实验者在此体感传感器观测范围内活动，下面按照附图1步骤介绍实验过程。首先，通过RGB-D体感传感器，获取本文档来自技高网...

【技术保护点】
1.一种基于传感器融合的可移动设备在人身上的定位方法，其步骤如下：步骤1.通过RGB‑D体感传感器，获取M帧人体深度图像；同时，获取同时间内可移动设备内嵌惯性传感器数据序列；步骤2.提取人体骨骼点坐标，获取人体关节点位置；通过可移动设备内嵌惯性传感器融合，计算可移动设备的移动加速度，通过坐标系转换，计算可移动设备在RGB‑D体感坐标系内的移动加速度；步骤3.基于高斯过程的传感器融合，融合人体关节点位置数据和可移动设备的加速度数据，找到位置数据和加速度数据的联合分布函数；步骤4.计算人体关节点位置与可移动设备加速度联合数据的对数似然值；步骤5.计算并比较人体不同关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为计算的可移动设备位置，完成定位。

【技术特征摘要】
1.一种基于传感器融合的可移动设备在人身上的定位方法，其步骤如下：步骤1.通过RGB-D体感传感器，获取M帧人体深度图像；同时，获取同时间内可移动设备内嵌惯性传感器数据序列；步骤2.提取人体骨骼点坐标，获取人体关节点位置；通过可移动设备内嵌惯性传感器融合，计算可移动设备的移动加速度，通过坐标系转换，计算可移动设备在RGB-D体感坐标系内的移动加速度；步骤3.基于高斯过程的传感器融合，融合人体关节点位置数据和可移动设备的加速度数据，找到位置数据和加速度数据的联合分布函数；步骤4.计算人体关节点位置与可移动设备加速度联合数据的对数似然值；步骤5.计算并比较人体不同关节点位置与加速度联合数据的对数似然值，确定最大对数似然值对应的位置，即为计算的可移动设备位置，完成定位。2.根据权利要求1所述的基于传感器融合的可移动设备在人身上的定位方法，其特征是：所述步骤3基于高斯过程融合人体关节点位置数据和可移动设备的加速度数据，是运用高斯过程回归模型来表示位置序列y(t)和它们的二阶导数a(t)之间的关系：观测到位置数据y(t)，它是时间t的函数，y＝f(t)+εy,其中εy是零均值的高斯噪声，其中表示噪声方差，εa表示加速度的零均值的高斯噪声；给定N个训练数据{xi,yi,i＝1,…,N}，Y＝[y1,…,yN]T是输出数据；首先，在高斯过程模型下计算测量值Y的对数似然值：在高斯过程模型下，f|X～N(0,C(X,X))，似然函数其中，X表示训练输入，f表示式(1)中函数值，表示式(1)中零均值的高斯噪声的方差，I表示N×N的单位矩阵，C(X,X)表示训练输入点处计算的N×N的协方差矩阵；边缘似然函数是似然函数乘以先验函数：p(Y|X)＝∫p(Y|f,X)p(f|X)df,其中Y是受噪声影响的非独立变量，X是独立变量；在高斯过程模型下，C表示N×N的协方差矩阵，I表示N×N的单位矩阵，可计算测量值Y的...

【专利技术属性】
技术研发人员：冯仕民，赵小虎，丁恩杰，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32