实时运动轨迹监测方法、装置、设备及可读存储介质

1.本技术涉及运动监测技术领域，特别涉及一种实时运动轨迹监测方法、装置、设备及可读存储介质。


背景技术：

2.随着经济日益发展，人民群众生活水平提高的同时，健身意识也在逐步增强。比如，越来越多的人逐渐从室内主动走出到户外，并选择合适的健身运动以增强体质。不过，在运动的过程中，人们由于运动姿势不规范往往易导致引发多种肌肉和骨骼相关的健康问题，更严重的情况下，错误的健身动作会伤及内脏。因此，通过合理的运动监测方法来矫正人们运动时的不规范姿势是非常重要的。
3.相关技术中，往往通过建立人体的骨骼模型来实现运动姿态和轨迹的监测。不过，现有技术中的高精度实时建模方法大部分需要基于图像或者视频方可实现，其意味着对人体姿态和轨迹的监测需依赖于图像或视频的质量，换而言之也就是依赖拍摄设备的质量。因此，虽然采用基于图像或视频的方法在高品质图像或高清晰视频的前提下能有足够的准确率以及实时性，但是，其存在成本高的问题，且对于户外运动者来说，布置可跟踪的高成本拍摄设备对其在运动期间实时跟踪显然是不现实的；此外，高成本的拍摄设备在光线差的情况下仍不能获得高清晰的图片，由此可见，基于图像或者视频实现的高精度实时建模方法还存在受环境因素(比如光线、温度和湿度等)影响大的问题，进而可能导致建模结果存在误差。


技术实现要素：

4.本技术提供一种实时运动轨迹监测方法、装置、设备及可读存储介质，以解决相关技术中存在的成本高和受环境因素影响大的问题。
5.第一方面，提供了一种实时运动轨迹监测方法，包括以下步骤：
6.接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息；
7.基于第一旋转向量从预设的点云数据库中查找出对应的第一位置集合，预设的点云数据库包括旋转向量和位置集合之间的映射关系，位置集合包括与关节对应的多个预设位置坐标；
8.获取第一关节在第t-1时刻的第二位置集合，并根据所述第二位置集合和第一位置集合从预设的点云数据库中筛选出第一点云状态空间，所述第一点云状态空间包括多个点云状态，每个点云状态由第一位置集合中的预设位置坐标和第二位置集合中的预设位置坐标组成；
9.基于调频连续波测距计算在第t时刻的智能终端与可穿戴设备间的距离，得到第一距离；
10.分别获取在第t-1时刻的智能终端与可穿戴设备间的第二距离、在第t-2时刻的智
能终端与可穿戴设备间的第三距离、第一关节在第t-1时刻的第一实际位置坐标和第一关节在第t-2时刻的第二实际位置坐标；
11.基于第一距离、第二距离、第三距离、第一实际位置坐标和第二实际位置坐标计算出智能终端在第t时刻的位置坐标；
12.将第一瞬时加速度信息、第一点云状态空间和智能终端在第t时刻的位置坐标输入至隐马尔可夫模型，得到第一关节在第t时刻的第三实际位置坐标。
13.一些实施例中，在所述接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息的步骤之前，还包括：
14.基于d-h模型对手臂运动进行建模，得到连杆模型；
15.将手臂上的多个关节角输入至所述连杆模型，得到多个旋转向量；
16.创建各个旋转向量与其对应的包括多个预设位置坐标的位置集合间的映射关系，得到点云数据库。
17.一些实施例中，所述隐马尔可夫模型中的模型参数包括初始概率分布、状态转移概率分布和输出概率分布，所述状态转移概率分布的概率表达式包含瞬时加速度信息、智能终端的位置坐标以及智能终端与可穿戴设备间的距离，所述输出概率分布为1。
18.一些实施例中，所述可穿戴设备包括惯性传感器和加速度传感器，所述惯性传感器用于采集第一关节在第t时刻的第一旋转向量，所述加速度传感器用于采集第一关节在第t时刻的第一瞬时加速度信息。
19.第二方面，提供了一种实时运动轨迹监测装置，包括：
20.接收单元，其用于接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息；
21.查找单元，其用于基于第一旋转向量从预设的点云数据库中查找出对应的第一位置集合，预设的点云数据库包括旋转向量和位置集合之间的映射关系，位置集合包括与关节对应的多个预设位置坐标；
22.生成单元，其用于获取第一关节在第t-1时刻的第二位置集合，并根据所述第二位置集合和第一位置集合从预设的点云数据库中筛选出第一点云状态空间，所述第一点云状态空间包括多个点云状态，每个点云状态由第一位置集合中的预设位置坐标和第二位置集合中的预设位置坐标组成；
23.测距单元，其用于基于调频连续波测距计算在第t时刻的智能终端与可穿戴设备间的距离，得到第一距离；
24.获取单元，其用于分别获取在第t-1时刻的智能终端与可穿戴设备间的第二距离、在第t-2时刻的智能终端与可穿戴设备间的第三距离、第一关节在第t-1时刻的第一实际位置坐标和第一关节在第t-2时刻的第二实际位置坐标；
25.计算单元，其用于基于第一距离、第二距离、第三距离、第一实际位置坐标和第二实际位置坐标计算出智能终端在第t时刻的位置坐标；
26.预测单元，其用于将第一瞬时加速度信息、第一点云状态空间和智能终端在第t时刻的位置坐标输入至隐马尔可夫模型，得到第一关节在第t时刻的第三实际位置坐标。
27.一些实施例中，所述装置还包括创建单元，其用于：
28.基于d-h模型对手臂运动进行建模，得到连杆模型；
29.将手臂上的多个关节角输入至所述连杆模型，得到多个旋转向量；
30.创建各个旋转向量与其对应的包括多个预设位置坐标的位置集合间的映射关系，得到点云数据库。
31.一些实施例中，所述隐马尔可夫模型中的模型参数包括初始概率分布、状态转移概率分布和输出概率分布，所述状态转移概率分布的概率表达式包含瞬时加速度信息、智能终端的位置坐标以及智能终端与可穿戴设备间的距离，所述输出概率分布为1。
32.一些实施例中，所述可穿戴设备包括惯性传感器和加速度传感器，所述惯性传感器用于采集第一关节在第t时刻的第一旋转向量，所述加速度传感器用于采集第一关节在第t时刻的第一瞬时加速度信息。
33.第三方面，提供了一种实时运动轨迹监测设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的实时运动轨迹监测方法。
34.第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的实时运动轨迹监测方法。
35.本技术提供的技术方案带来的有益效果包括：可实现对关节运动的实时监测和追踪，并有效降低使用成本的同时，降低外界环境因素对旋转向量信息和加速度信息采集精度的影响，以有效保证运动轨迹监测的准确性。
36.本技术提供了一种实时运动轨迹监测方法、装置、设备及可读存储介质，通过可穿戴设备发送的旋转向量从点云数据库中实时获取点云数据，并利用调频连续波超声动态测距测得智能终端与可穿戴设备间的距离，再基于点云数据、智能终端与可穿戴设备间的距离以及可穿戴设备发送的瞬时加速度信息并通过隐马尔可夫模型预测得到关节的实时真实位置坐标，进而实现对关节运动轨迹的监测追踪。由此可见，本技术只需通过一部智能终端和一个可穿戴设备即可实现对关节运动的实时监测和追踪，其无需布置可跟踪的高成本拍摄设备，有效降低了使用成本，且通过可穿戴设备采集的旋转向量信息和加速度信息来实现运动轨迹的监测，可有效降低外界环境因素对旋转向量信息和加速度信息采集精度的影响，进而能有效保证运动轨迹监测的准确性。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本技术实施例提供的一种实时运动轨迹监测方法的流程示意图；
39.图2为本技术实施例提供的一种实时运动轨迹监测设备的结构示意图。
具体实施方式
40.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人
员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
41.本技术实施例提供了一种实时运动轨迹监测方法、装置、设备及可读存储介质，其能解决相关技术中存在的成本高和受环境因素影响大的问题。
42.图1是本技术实施例提供的一种实时运动轨迹监测方法，包括以下步骤：
43.步骤s10：接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息；
44.进一步的，所述可穿戴设备包括惯性传感器和加速度传感器，所述惯性传感器用于采集第一关节在第t时刻的第一旋转向量，所述加速度传感器用于采集第一关节在第t时刻的第一瞬时加速度信息。
45.进一步的，在所述接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息的步骤之前，还包括：
46.基于d-h模型对手臂运动进行建模，得到连杆模型；
47.将手臂上的多个关节角输入至所述连杆模型，得到多个旋转向量；
48.创建各个旋转向量与其对应的包括多个预设位置坐标的位置集合间的映射关系，得到点云数据库。
49.步骤s20：基于第一旋转向量从预设的点云数据库中查找出对应的第一位置集合，预设的点云数据库包括旋转向量和位置集合之间的映射关系，位置集合包括与关节对应的多个预设位置坐标；
50.步骤s30：获取第一关节在第t-1时刻的第二位置集合，并根据所述第二位置集合和第一位置集合从预设的点云数据库中筛选出第一点云状态空间，所述第一点云状态空间包括多个点云状态，每个点云状态由第一位置集合中的预设位置坐标和第二位置集合中的预设位置坐标组成；
51.步骤s40：基于调频连续波测距计算在第t时刻的智能终端与可穿戴设备间的距离，得到第一距离；
52.步骤s50：分别获取在第t-1时刻的智能终端与可穿戴设备间的第二距离、在第t-2时刻的智能终端与可穿戴设备间的第三距离、第一关节在第t-1时刻的第一实际位置坐标和第一关节在第t-2时刻的第二实际位置坐标；
53.步骤s60：基于第一距离、第二距离、第三距离、第一实际位置坐标和第二实际位置坐标计算出智能终端在第t时刻的位置坐标；
54.步骤s70：将第一瞬时加速度信息、第一点云状态空间和智能终端在第t时刻的位置坐标输入至隐马尔可夫模型，得到第一关节在第t时刻的第三实际位置坐标。
55.进一步的，所述隐马尔可夫模型中的模型参数包括初始概率分布、状态转移概率分布和输出概率分布，所述状态转移概率分布的概率表达式包含瞬时加速度信息、智能终端的位置坐标以及智能终端与可穿戴设备间的距离，所述输出概率分布为1。
56.本技术只需通过一部智能终端和一个可穿戴设备即可实现对关节运动的实时监测和追踪，其无需布置可跟踪的高成本拍摄设备，有效降低了使用成本，且通过可穿戴设备采集的旋转向量信息和加速度信息来实现运动轨迹的监测，可有效降低外界环境因素对旋转向量信息和加速度信息采集精度的影响，进而能有效保证运动轨迹监测的准确性。
57.示范性的，随着移动可穿戴设备的大量普及，可穿戴设备在如医疗、娱乐、安全和
健身等领域逐渐变得炙手可热起来；而其能够提供高精度活动数据，为人类的生活提供诸多便利的关键技术在于智能可穿戴设备的动作感知技术，其依靠动作识别技术可以监测一个人的行走、跑步和骑行时的动作数据，并通过人工智能的方法来监测人们的行为动作，进而对运动时产生的动作不规范问题做出提醒，以避免日积月累产生的健身安全隐患。目前被广泛使用的可穿戴设备包括智能腕带、智能手环和智能腰带等，其主要通过获取一个人身体不同部位的动作数据来监测人的行为动作，而使用单一可穿戴设备进行动作行为的监测是其进一步的发展趋势。本实施例中便可通过可穿戴设备来获取用于监测实时运动轨迹的旋转向量信息和瞬时加速度信息，其中，可穿戴设备可以为智能手环，也可是智能腕带，亦或是智能腰带，还可是其他能够实现旋转向量信息和瞬时加速度信息采集的可穿戴设备，因此可穿戴设备的具体选择可根据实际需求确定，在此不作限定。
58.本实施例在通过可穿戴设备来获取旋转向量信息和瞬时加速度信息之前，先进行点云数据库的创建。其中，以可穿戴设备为智能手环为例，使用手臂上肢与小臂作为连杆模型，并使用标准d-h模型(denavit-hartenberg模型被广泛的用于机器人运动学中，其表示了对机器人连杆和关节进行建模的一种非常简单的方法，可用于表示在任何坐标中的变换)建模：通过连杆长度li、连杆偏移di、扭转角αi、关节角θi四个参数建立连杆坐标系，并经过两次平移和两次旋转后建立如公式(1)所示的相邻连杆的齐次变换矩阵ai。
[0059][0060]
其中，关节角θi包括五个，其分别表示肩部屈曲/伸展、外展/内收和内/外旋以及肘部屈/伸和前臂内/外旋。本实施例通过广泛遍历所有运动的状态，建立腕部关节旋转向量信息与位置信息的映射，即每个旋转向量都会有与其对应的多个预设位置坐标，而多个预设坐标形成一个位置集合，因此一个旋转向量都会存在一个与其具有映射关系的位置集合，并对其进行保存形成点云数据库，以供点云运动监测使用。
[0061]
此外，两个旋转向量分别对应的位置集合可形成一个点云状态空间，而点云状态空间中又会包含多个点云状态，且每个点云状态分别由两个位置集合中的预设位置坐标组成。比如，旋转向量f对应位置集合f
′
，位置集合f
′
＝{f
′1,f
′2}，f
′1和f
′2均表示与旋转向量f对应的位置坐标；旋转向量m对应位置集合m
′
，位置集合m
′
＝{m
′1,m
′2,m
′3}，m
′1、m
′2和m
′3均表示与旋转向量m对应的位置坐标；那么旋转向量f和旋转向量m组成的点云状态空间s＝{(f
′1,m
′1),(f
′1,m
′2),(f
′1,m
′3),(f
′2,m
′1),(f
′2,m
′2),(f
′2,m
′3)}，且该点云状态空间包括六个点云状态：(f
′1,m
′1)、(f
′1,m
′2)、(f
′1,m
′3)、(f
′2,m
′1)、(f
′2,m
′2)、(f
′2,m
′3)。
[0062]
因此，本实施例可通过智能手环内置的惯性传感器和加速度传感器分别采集各个关节的旋转向量信息和瞬时加速度信息，并基于旋转向量信息和瞬时加速度信息实现对人体运动轨迹的监测，其中，智能手环实时采集的加速度信息可作为隐马尔可夫模型的观测量，对运动的位置进行预测，进而输出预测的位置三元组，其无需布设高成本的拍摄设备，可有效解决因光线、运动距离、运动场地等因素而造成的一系列不良影响。
[0063]
另外，本实施例在智能手环所形成的点云数据的基础上，还使用了fmcw
(frequency modulated continuous wave，调频连续波)超声动态测距的方法与点云预测算法混合，以约束点云数据空间，使得在不增加用户使用成本的情况下，仅通过一部智能终端和一个佩戴在手腕的智能手环，就可以实时对手臂的运动轨迹进行监测追踪。
[0064]
fmcw超声测距是在扫频周期内发射频率变化的连续波，被物体反射后的回波和发射信号有一定的频率差，通过测量频率差可以获得目标与声波信号发生源的距离信息。由于差频信号频率较低，因此可以使用相对简单的硬件处理，其适合用于数据采集并进行数字信号处理；且由于fmcw超声测距收发同时，理论上不存在脉冲雷达所存在的测距盲区，并且发射信号的平均功率等于峰值功率，因此只需要小功率的器件即可实现，从而降低了被截获干扰的概率。
[0065]
以下将对fmcw超声测距原理作进一步解释。
[0066]
设fs(t)、fe(t)分别表示发出信号和接收信号的频率变化函数，并假设相对速度vr为0，则在信号的上下沿有如下关系：
[0067][0068]
fe(t)＝fs(t-τ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0069]
式中，f0表示最低频率，fc表示fmcw波的频率带宽，tc表示fmcw波的周期，t表示时间，τ表示声音从出发到接收到的时间差；
[0070]fs
(t)、fe(t)之间存在频差函数fb(t):
[0071]
fb(t)＝fs(t)-fe(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0072]
设发出的信号为一余弦波，则其时间域的变化如下：
[0073][0074]
式(5)中，us(t)是发送信号函数，表示发送信号的幅值，fs(t)表示发送信号的频率，φs表示发送信号的相位差；
[0075]
则接收到的信号在时间域变化如下：
[0076][0077]
式(6)中，ue(t)表示接收信号函数，表示接收信号的幅值，fe(t)表示接收信号的频率，φe表示接收信号的相位差。
[0078]
基于式(4)至式(6)可得到：
[0079][0080]
然后，将ue(t)与us(t)相乘，得到混合波um(t)：
[0081][0082]
从式(8)可以看出，最终得到的混合波的频率只与fb(t)有关，而所要确定的相对距离c表示声波的速度，fc表示fmcw波的频率带宽，tc表示fmcw波的周期，其中，fb(t)可以通过混合波um(t)低通滤波后，使用傅里叶变换得到，且相对距离r与fb(t)成正比，由此可见，可以通过混合波来解算相对距离r。
[0083]
因此，本实施例基于调频连续波测距计算出智能终端与可穿戴设备之间的距离，并通过该距离来约束点云数据空间。其中，智能终端可以是智能手机，也可以是平板，其具体选择可根据实际需求确定，在此不作限定。本实施例以智能终端为智能手机为例，通过智能手机与智能手环之间发送超声波，实现两台设备之间的位置测距。
[0084]
最终需要将通过智能手环和智能手机获取到的相关信息输入至隐马尔可夫模型来预测人体运动的轨迹。
[0085]
其中，隐马尔可夫模型中的隐马尔可夫链随机生成的状态的序列，称为状态序列；每一个状态有一个输出，由此产生可观测的随机数列，称为观测数列，同时观测序列也可以作为一个时序序列。隐马尔可夫模型由初始概率分布、状态转移概率分布以及输出概率分布决定，即λ＝(a,b,π)；其中λ表示隐马尔可夫模型，a为状态转移概率矩阵，b为输出概率矩阵，π为初始状态概率向量。a、b和π称为隐马尔可夫模型的三要素。
[0086]
隐马尔可夫模型主要用于解决以下三类基本问题：
[0087]
1)概率计算问题：给定模型λ＝(a,b,π)和被观测的序列o＝(o1,o2,
…
,o
t
)，计算在模型λ下序列o出现的概率p(o|λ)。
[0088]
2)学习问题：已知观测序列o＝(o1,o2,
…
,o
t
)，估计模型λ＝(a,b,π)的参数，使在该模型下观测序列的概率最大，其通常使用极大似然估计的方法来估计参数。
[0089]
3)预测问题，也称作解码问题：已知模型λ＝(a,b,π)和观测序列o＝(o1,o2,
…
,o
t
)，解算出能够输出该观测序列的概率最大的隐藏状态序列。
[0090]
本技术主要涉及隐马尔可夫有关的预测问题，而维特比(viterbi algorithm)算法是目前较为主流的预测算法，由于其使用的是动态规划的思想，能够解决掉贪心算法的不足之处，实际上其也能有效的求出概率最大的状态序列，是目前使用频率最高的预测算法。因此本实施例将在运动监测中大量运用维特比算法来推测运动时肢体的位置，从而刻画运动轨迹，为运动规范性评估提供可靠数据依据。
[0091]
具体的，可使用三个连续时间间隔的位置作为关节的一个点云状态，此时可以计
算处于这个点云状态时关节的加速度，并将加速度值作为观测量，且恰当地设计状态转移概率，就可以使用维特比算法来推测最可能存在的位置点。
[0092]
其中，维特比算法有o(|s|2t)的时间复杂度，s为状态空间大小，t为时间序列的大小；假设状态为位置的三元组，那么s＝n3，则维特比算法的时间复杂度为o(n6t)。因此，为了减小维特比算法的时间复杂度，需要对状态内位置的连续性作出限制，将输出概率放入状态转移概率中计算以及减小s的复杂度，以使得最终时间复杂度可以减小到o(n3t)。具体实现如下：
[0093]
根据隐马尔可夫模型的抽象函数λ＝(a,b,π)可知，需要得知隐藏状态的初始概率分布、转移概率分布以及输出概率分布，而由维特比算法可知还需要获取可观测的时间序列；本实施例将加速度信息作为观测输出，将一段时间δt的位移量作为隐藏状态(也即点云状态)，即云状态)，即表明从t-1时刻的位置到t时刻的位置的位移二元组，i表示任意一状态，其中，t-1时刻到t时刻之间的时间间隔可以设为0.05s。
[0094]
针对初始概率分布：由于不清楚初始位置，因此可以简单的对所有的状态采用一致分布。当t＝1时状态空间大小为n2，但关节的运动范围由于速度限制为在一个很有限的空间内，且采样率越高，则空间越小。因此，可以将状态空间减小到αn2，其中α远小于1，则：
[0095][0096]
针对状态转移概率分布：将从时刻t到时刻t 1对应的状态i转移到状态j的状态转移概率用pr＝(statej|statei；t,t 1)来表示；该概率由三部分组成：第一部分，首先运动轨迹是连续的，也就是说状态i与状态j必须存在连续性，即状态i的终点为状态j的起点，这一连续性的性质可以将空间复杂度由o(n4t)降至o(n3t)，因此可采用以下函数来表示这一关系：
[0097][0098]
其中，i表示0-1概率分布，表示时刻t下，状态i的终点对应的位置。
[0099]
第二部分，与传统的维特比算法不同，本实施例直接将被观测量引入状态转移概率分布中来，即采用状态中的位置信息来表示加速度，即预测的加速度值accel
i,j
，并计算预测的加速度与通过智能手环实际测得的瞬时加速度之间的差值，假设其差值应满足高斯分布，那么第二部分的概率可以表示为：
[0100][0101]
其中，σ为常数，accel
observe
表示智能手环实际测得的瞬时加速度。
[0102]
第三部分，对于新的状态j2，其位置必须属于能够从点云数据库中查询到
的位置集合set
t 1
，即：
[0103][0104]
最终的状态转移概率分布可以表示为：
[0105][0106]
针对输出概率分布：由于本实施例将被观测量引入至状态概率分布部分，因此可以将输出概率设为1。
[0107]
然后，从隐马尔可夫模型的维特比算法中分别获取t-1时刻与t时刻对应的预测的状态state
t-1
和state
t
，其中state
t-1
表示第t-1时刻预测的状态值，state
t
表示第t时刻预测的状态值。因此，可以从两个连续的状态空间内获取唯一一个三元组，即《loc
t-2
,loc
t-1
,loc
t
》，其中loc
t-2
、loc
t-1
和loc
t
分别表示第t-2、t-1、t时刻关节点的实际位置坐标；与此同时，可以从fmcw测距的算法中获取第t-2、t-1、t时刻智能手环与智能手机之间的距离dist
t-2
、dist
t-1
和dist
t
；再根据已知上述六个信息，可以从中求解椭球方程，获取智能手机在运动监测坐标系下的位置坐标并在第t 1时刻的维特比预测算法中，可以通过计算与中的的距离来对点云空间进行约束，即在隐马尔可夫模型中状态转移概率中添加第四部分：
[0108][0109]
其中，表示第t 1时刻、状态中到的距离，即ε表示允许的最小误差。
[0110]
因此，状态转移概率可以改写为以下形式：
[0111][0112]
由此可见，根据隐马尔可夫模型和维特比算法，可以解算出各个关节的位置，从而刻画运动轨迹。
[0113]
以下将对本实施例作进一步解释。
[0114]
本实施例以固定200hz的频率采集原始数据，比如采集智能手环上t时刻的腕关节的旋转向量rot以及瞬时加速度信息acc，并在数据预处理时通过均值降采样的方法，输出50hz预处理完成后的数据流q＝{rot,acc}；其中预处理阶段，使用低通滤波器对数据做降噪处理。其次通过获取的旋转向量rot在预设的点云数据库中进行查询，查找出对应的位置集合，并从预设的点云数据库中获取t-1时刻的腕关节的位置集合；再根据这两个位置集合从预设的点云数据库中获取与旋转向量rot相匹配的点云状态空间，并将其输入至隐马尔可夫模型中。
[0115]
然后通过智能手环与智能手机之间的双发双收fmcw超声频段的声波来计算在第t时刻的智能手机与智能手环间的距离；其中，本实施例通过单峰监测的方法分别计算两个
不同频段的fmcw的声音从发出到接收到的时间差，进而补偿两个不同智能设备之间的时钟误差，同时通过选择三角波形来弥补由于运动而产生的多普勒效应，最终求解出距离。
[0116]
最后，结合t-1时刻和t-2时刻获得的点云状态与测距的距离信息，计算出智能手机在第t时刻的位置坐标，并在每次隐马尔可夫模型预测迭代计算每个状态的概率时引入加速度信息作为观测量，最终预测出一个t时刻最可能存在的状态，进而得到第t时刻腕关节最有可能的位置坐标，最终能实时地进行运动轨迹监测和追踪；其中，可将智能手机在第t时刻的位置坐标作为下一次迭代时的点云空间约束。
[0117]
传统的运动监测方法主要采取基于视觉的数据或者使用佩戴在人体多个位置的传感器数据，这些方法对场地的限制及其严格和要求高，且普通人在健身的时候无法满足其运动监测的硬性要求，可用性较低。而本技术仅使用佩戴在人身体手腕处的智能可穿戴设备与智能手机，在不添加用户使用成本的前提下，能对人运动轨迹进行实时的监测，使得用户可以随时随地监测，不受场地限制，其可用性高。此外，由于本技术通过引入两个超声声源的方法，在不添加任何硬件成本以及软件优化的前提下，实现两部智能设备的时钟同步，保证本技术即开即用，以达到易用性高和可用性强的目的；同时通过获取惯性传感数据与超声测距的方式，将其与改进的隐马尔可夫模型进行混合，最终可使精度达到7-10cm的实时轨迹追踪误差。
[0118]
本技术实施例还提供了一种实时运动轨迹监测装置，包括：
[0119]
接收单元，其用于接收可穿戴设备发送的第一关节在第t时刻的第一旋转向量和第一瞬时加速度信息；
[0120]
查找单元，其用于基于第一旋转向量从预设的点云数据库中查找出对应的第一位置集合，预设的点云数据库包括旋转向量和位置集合之间的映射关系，位置集合包括与关节对应的多个预设位置坐标；
[0121]
生成单元，其用于获取第一关节在第t-1时刻的第二位置集合，并根据所述第二位置集合和第一位置集合从预设的点云数据库中筛选出第一点云状态空间，所述第一点云状态空间包括多个点云状态，每个点云状态由第一位置集合中的预设位置坐标和第二位置集合中的预设位置坐标组成；
[0122]
测距单元，其用于基于调频连续波测距计算在第t时刻的智能终端与可穿戴设备间的距离，得到第一距离；
[0123]
获取单元，其用于分别获取在第t-1时刻的智能终端与可穿戴设备间的第二距离、在第t-2时刻的智能终端与可穿戴设备间的第三距离、第一关节在第t-1时刻的第一实际位置坐标和第一关节在第t-2时刻的第二实际位置坐标；
[0124]
计算单元，其用于基于第一距离、第二距离、第三距离、第一实际位置坐标和第二实际位置坐标计算出智能终端在第t时刻的位置坐标；
[0125]
预测单元，其用于将第一瞬时加速度信息、第一点云状态空间和智能终端在第t时刻的位置坐标输入至隐马尔可夫模型，得到第一关节在第t时刻的第三实际位置坐标。
[0126]
由此可见，本技术只需通过一部智能终端和一个可穿戴设备即可实现对关节运动的实时监测和追踪，其无需布置可跟踪的高成本拍摄设备，有效降低了使用成本，且通过可穿戴设备采集的旋转向量信息和加速度信息来实现运动轨迹的监测，可有效降低外界环境因素对旋转向量信息和加速度信息采集精度的影响，进而能有效保证运动轨迹监测的准确
性。
[0127]
进一步的，所述装置还包括创建单元，其用于：
[0128]
基于d-h模型对手臂运动进行建模，得到连杆模型；
[0129]
将手臂上的多个关节角输入至所述连杆模型，得到多个旋转向量；
[0130]
创建各个旋转向量与其对应的包括多个预设位置坐标的位置集合间的映射关系，得到点云数据库。
[0131]
进一步的，所述隐马尔可夫模型中的模型参数包括初始概率分布、状态转移概率分布和输出概率分布，所述状态转移概率分布的概率表达式包含瞬时加速度信息、智能终端的位置坐标以及智能终端与可穿戴设备间的距离，所述输出概率分布为1。
[0132]
进一步的，所述可穿戴设备包括惯性传感器和加速度传感器，所述惯性传感器用于采集第一关节在第t时刻的第一旋转向量，所述加速度传感器用于采集第一关节在第t时刻的第一瞬时加速度信息。
[0133]
需要说明的是，所属本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述实时运动轨迹监测方法实施例中的对应过程，在此不再赘述。
[0134]
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图2所示的实时运动轨迹监测设备上运行。
[0135]
本技术实施例还提供了一种实时运动轨迹监测设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的实时运动轨迹监测方法的全部步骤或部分步骤。
[0136]
其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图2中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0137]
处理器可以是cpu，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程逻辑门阵列(fieldprogrammable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器，或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0138]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
[0139]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算
机程序被处理器执行时，实现前述的实时运动轨迹监测方法的全部步骤或部分步骤。
[0140]
本技术实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0141]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0142]
本技术是参照根据本技术实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0143]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0144]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。