基于谷歌眼镜传感器的曲线拟合计步算法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 40-45.

基于谷歌眼镜传感器的曲线拟合计步算法

罗浩1，方志祥1，萧世伦2

1.武汉大学测绘遥感信息工程国家重点实验室，武汉 430079
2.美国田纳西大学地理系，诺克斯维尔 37919

出版日期:2016-09-15 发布日期:2016-09-14

Curve fitting step counting algorithm based on Google glass sensor

LUO Hao1, FANG Zhixiang1, Shih-Lung Shaw2

1.State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
2.Department of Geography, University of Tennessee, Knoxville 37919, America

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 当前独立的计步器普遍要考虑行人佩戴的部位，如基于手机的计步方法可靠性受限于手机放置位置。根据谷歌眼镜的位置固定特性设计了一种新的计步算法，有效地解决了平地、斜坡、上下楼梯等场景下的计步问题。该算法综合运用谷歌眼镜采集的加速度传感器信号和旋转矢量传感器信号，对这些信号进行快速傅里叶变换滤波处理，用二次曲线拟合信号序列，根据曲线参数阈值进行计步判断。实验结果表明：该算法在平地、斜坡、上下楼梯等场景具有96%以上的准确率。

关键词: 谷歌眼镜, 计步器, 传感器, 曲线拟合

Abstract: The reliability of current step counting method generally relies on the body parts where the independent pedometer is equipped, or the positioned location where the mobile phone is set. To solve this problem, this paper proposes a step counting algorithm according to the fixed characteristics of Google glass. The proposed algorithm considers both the acceleration sensor signal and rotation vector sensor signal of Google glass to count steps of pedestrians. In this algorithm, signals are filtered by a fast Fourier transformation filter, and are fitted by a quadratic curve fitting method. Then, the step account is calculated according to the threshold of curve parameter. The experimental results show that the algorithm has a high accuracy of 96%, and can be adapted to some scenarios including ground, slope, and stairs.

Key words: Google glass, pedometer, sensor, curve fitting

罗浩1，方志祥1，萧世伦2. 基于谷歌眼镜传感器的曲线拟合计步算法[J]. 计算机工程与应用, 2016, 52(18): 40-45.

LUO Hao1, FANG Zhixiang1, Shih-Lung Shaw2. Curve fitting step counting algorithm based on Google glass sensor[J]. Computer Engineering and Applications, 2016, 52(18): 40-45.

[1]	成怡，郝密密. 改进深度强化学习的室内移动机器人路径规划[J]. 计算机工程与应用, 2021, 57(21): 256-262.
[2]	王一凡，鲁慧民，高若然，李阳. 手指静脉图像感兴趣区域提取研究综述[J]. 计算机工程与应用, 2021, 57(13): 34-42.
[3]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[4]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[5]	龚本灿，周峰，陈鹏，任东. 基于路径质量的无线传感网路由协议[J]. 计算机工程与应用, 2020, 56(6): 99-104.
[6]	彭春燕，杜秀娟. 水声传感器网络基于深度信息的安全路由协议[J]. 计算机工程与应用, 2020, 56(2): 76-81.
[7]	龙建全，梁艳阳. 多路口环境下RRT的最优路径规划[J]. 计算机工程与应用, 2020, 56(19): 273-278.
[8]	刘明芹，张晓光，徐桂云，李宗周. 单机器人SLAM技术的发展及相关主流技术综述[J]. 计算机工程与应用, 2020, 56(18): 25-35.
[9]	郑祖朋，汪祖民，彭杨，季长清，秦静. 能量采集传感器网络中MAC协议研究综述[J]. 计算机工程与应用, 2020, 56(15): 24-29.
[10]	刘安睿劼，王耀力. 基于轮式机器人的实时3D栅格地图构建[J]. 计算机工程与应用, 2020, 56(13): 164-171.
[11]	韩雨涝. 非并行二分法的覆盖空洞修复算法[J]. 计算机工程与应用, 2020, 56(12): 87-92.
[12]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[13]	朱瑞金，龚雪娇，唐波. 分布式混合压缩感知无线传感器网络数据收集[J]. 计算机工程与应用, 2019, 55(6): 73-80.
[14]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[15]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.