大家好，插播一下，最近花了點時間，基于g-sensor，在做一些姿勢識別的事情，比如走路，跑步，騎車，起立，坐下，文章還在整理，歡迎關注。周末爭取傳個apk給大家體驗一下。

開始：

最新發現了很多文章將算法直接拿去用，簡書上，github上，導致下面有很多疑問。

希望大家轉載或者改造的時候，可以注明一下算法的原作者為 finnfu以及原文鏈接，謝謝。

很多人問源碼地址，因為一些原因不能提供，寫了個簡單的算法demo，以及算法介紹文檔。

https://github.com/finnfu/stepcount

如果覺得對你有幫助，請給個star吧！

下面是正文：

目前在計步領域比較領先的有樂動力以及春雨計步器，在做算法的參數調試的時候也是一直拿這兩個應用做對比。樂動力當之無愧行業第一，不管是應用的體驗還是準確度都是非常棒，春雨計步器的亮點是輕量級，使用以及界面操作都很簡單。之前因為一些需求，需要做一個計步器，所以就開始自己研究算法了，各種場景(走路拿在手上，放在口袋，跑步)，算法的準確度大概可以達到95.7%，綜合起來覺得是比春雨略好，但是贏不了樂動力(可以達到97.7%)在體驗和大局觀為王的互聯網時代，我覺得技術上的差距會越來越小，重要的是體驗還有對于產品的定位，所以決定將算法與大家分享，第一是希望可以幫到到家，第二也是希望大家提一些意見，讓這個算法可以得到改進。

人在走路時大致分為下面幾種場景：

1、正常走路，手機拿在手上(邊走邊看、甩手、不甩手)

2、慢步走，手機拿在手上(邊走邊看、甩手、不甩手)

3、快步走，手機拿在手上(甩手、不甩手、走的很快一般不會看手機吧)

4、手機放在褲袋里(慢走、快走、正常走)

5、手機放在上衣口袋里(慢走、快走、正常走)

6、上下樓梯(上面五中場景可以在這個場景中再次適用一遍)

以上，不管出于哪一種場景(其實對應手機不同的運動規律)，g-sensor的三軸數據都是有規律可以尋找的。

每一步都有特征點，找到這個特征點，就是識別出來一步。

下面推薦一個工具，叫gsensor-debug，可以觀察三軸的曲線，下面是手機上下擺動的曲線

這是很規律曲線只要檢測波峰就行了，實際的走路曲線會有很多雜波，算法的作用就是濾除這些雜波(走路的波形可以用工具自己看，可以保存為文件，用excel打開有數據，將數據轉換為波形就可以自己看)

//存放三軸數據

float[]?oriValues?=newfloat[3];

finalintvalueNum?=4;

//用于存放計算閾值的波峰波谷差值

float[]?tempValue?=newfloat[valueNum];

inttempCount?=0;

//是否上升的標志位

booleanisDirectionUp?=false;

//持續上升次數

intcontinueUpCount?=0;

//上一點的持續上升的次數，為了記錄波峰的上升次數

intcontinueUpFormerCount?=0;

//上一點的狀態，上升還是下降

booleanlastStatus?=false;

//波峰值

floatpeakOfWave?=0;

//波谷值

floatvalleyOfWave?=0;

//此次波峰的時間

longtimeOfThisPeak?=0;

//上次波峰的時間

longtimeOfLastPeak?=0;

//當前的時間

longtimeOfNow?=0;

//當前傳感器的值

floatgravityNew?=0;

//上次傳感器的值

floatgravityOld?=0;

//動態閾值需要動態的數據，這個值用于這些動態數據的閾值

finalfloatinitialValue?=?(float)1.3;

//初始閾值

floatThreadValue?=?(float)2.0;

privateStepListener?mStepListeners;

檢測步子就是檢測波峰，但是要濾除無效的波峰，主要采用了如下三種措施

a、規定曲線連續上升的次數

b、波峰波谷的差值需要大于閾值

c、閾值是動態改變的

另一個是一些參數的初始值，比如initialValue 以及ThreadValue 的初始值，以及averageValue函數的梯度化范圍值

需要結合各種場景的波形圖來統計，還有幾十實際的測試來調試參數，這些參數大概前后調了兩個星期，其實總體思路不復雜。

下面貼出核心代碼以及一些注釋：

(因為一些原因，整個工程我就不傳了，后面有時間我可以將app傳上來)

/*

*?注冊了G-Sensor后一只會調用這個函數

*?對三軸數據進行平方和開根號的處理

*?調用DetectorNewStep檢測步子

*?*/

@Override

publicvoidonSensorChanged(SensorEvent?event)?{

for(inti?=0;?i?<3;?i++)?{

oriValues[i]?=?event.values[i];

}

gravityNew?=?(float)?Math.sqrt(oriValues[0]?*?oriValues[0]

+?oriValues[1]?*?oriValues[1]?+?oriValues[2]?*?oriValues[2]);

DetectorNewStep(gravityNew);

}

/*

*?檢測步子，并開始計步

*?1.傳入sersor中的數據

*?2.如果檢測到了波峰，并且符合時間差以及閾值的條件，則判定為1步

*?3.符合時間差條件，波峰波谷差值大于initialValue，則將該差值納入閾值的計算中

*?*/

publicvoidDetectorNewStep(floatvalues)?{

if(gravityOld?==0)?{

gravityOld?=?values;

}else{

if(DetectorPeak(values,?gravityOld))?{

timeOfLastPeak?=?timeOfThisPeak;

timeOfNow?=?System.currentTimeMillis();

if(timeOfNow?-?timeOfLastPeak?>=250

&&?(peakOfWave?-?valleyOfWave?>=?ThreadValue))?{

timeOfThisPeak?=?timeOfNow;

/*

*?更新界面的處理，不涉及到算法

*?一般在通知更新界面之前，增加下面處理，為了處理無效運動：

*?1.連續記錄10才開始計步

*?2.例如記錄的9步用戶停住超過3秒，則前面的記錄失效，下次從頭開始

*?3.連續記錄了9步用戶還在運動，之前的數據才有效

*?*/

mStepListeners.onStep();

}

if(timeOfNow?-?timeOfLastPeak?>=250

&&?(peakOfWave?-?valleyOfWave?>=?initialValue))?{

timeOfThisPeak?=?timeOfNow;

ThreadValue?=?Peak_Valley_Thread(peakOfWave?-?valleyOfWave);

}

}

}

gravityOld?=?values;

}

/*

*?檢測波峰

*?以下四個條件判斷為波峰：

*?1.目前點為下降的趨勢：isDirectionUp為false

*?2.之前的點為上升的趨勢：lastStatus為true

*?3.到波峰為止，持續上升大于等于2次

*?4.波峰值大于20

*?記錄波谷值

*?1.觀察波形圖，可以發現在出現步子的地方，波谷的下一個就是波峰，有比較明顯的特征以及差值

*?2.所以要記錄每次的波谷值，為了和下次的波峰做對比

*?*/

publicbooleanDetectorPeak(floatnewValue,floatoldValue)?{

lastStatus?=?isDirectionUp;

if(newValue?>=?oldValue)?{

isDirectionUp?=true;

continueUpCount++;

}else{

continueUpFormerCount?=?continueUpCount;

continueUpCount?=0;

isDirectionUp?=false;

}

if(!isDirectionUp?&&?lastStatus

&&?(continueUpFormerCount?>=2||?oldValue?>=20))?{

peakOfWave?=?oldValue;

returntrue;

}elseif(!lastStatus?&&?isDirectionUp)?{

valleyOfWave?=?oldValue;

returnfalse;

}else{

returnfalse;

}

}

/*

*?閾值的計算

*?1.通過波峰波谷的差值計算閾值

*?2.記錄4個值，存入tempValue[]數組中

*?3.在將數組傳入函數averageValue中計算閾值

*?*/

publicfloatPeak_Valley_Thread(floatvalue)?{

floattempThread?=?ThreadValue;

if(tempCount?

tempValue[tempCount]?=?value;

tempCount++;

}else{

tempThread?=?averageValue(tempValue,?valueNum);

for(inti?=1;?i?

tempValue[i?-1]?=?tempValue[i];

}

tempValue[valueNum?-1]?=?value;

}

returntempThread;

}

/*

*?梯度化閾值

*?1.計算數組的均值

*?2.通過均值將閾值梯度化在一個范圍里

*?3.參數暫時不開放(a,b,c,d,e,f,g,h,i,i,k,l)

*?*/

publicfloataverageValue(floatvalue[],intn)?{

floatave?=0;

for(inti?=0;?i?

ave?+=?value[i];

}

ave?=?ave?/?valueNum;

if(ave?>=?a)

ave?=?(float)?b;

elseif(ave?>=?c?&&?ave?

ave?=?(float)?e;

elseif(ave?>=?f?&&?ave?

ave?=?(float)?h;

elseif(ave?>=?i?&&?ave?

ave?=?(float)?k;

else{

ave?=?(float)?l;

}

returnave;

}

總結

以上是生活随笔為你收集整理的android 判断手机计步_Android_基于G-Sensor的计步算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。