姓名：周君会 学号：17011210526
转载自：
https://www.zhihu.com/question/19808224
【嵌牛导读】：计步器可以记录我们的步数，督促我们的健康，对我们的生活带来了极大地便利。
【嵌牛鼻子】：运动手环也是极其常见，手机中自带的也有计步器。
【嵌牛提问】：但是手机中自带的计步器是如何实现精准计步的呢，它的相关原理是什么？
【嵌牛正文】：
Android_基于G-Sensor的计步算法
一、写在分享之前
学习Android也有将近一年的时间了，一直在看大牛们分享的知识，今天也想分享自己之前的一点研究，关于计步器算法的。目前在计步领域比较领先的有乐动力以及春雨计步器，在做算法的参数调试的时候也是一直拿这两个应用做对比。乐动力当之无愧行业第一，不管是应用的体验还是准确度都是非常棒，春雨计步器的亮点是轻量级，使用以及界面操作都很简单。之前因为一些需求，需要做一个计步器，所以就开始自己研究算法了，各种场景（走路拿在手上，放在口袋，跑步），算法的准确度大概可以达到95.7%，综合起来觉得是比春雨略好，但是赢不了乐动力（可以达到97.7%）在体验和大局观为王的互联网时代，我觉得技术上的差距会越来越小，重要的是体验还有对于产品的定位，所以决定将算法与大家分享，第一是希望可以帮到到家，第二也是希望大家提一些意见，让这个算法可以得到改进。
计步器apk下载
apk反编译下载
二、计步器算法的总体思路以及辅助调试的工具
人在走路时大致分为下面几种场景：
1、正常走路，手机拿在手上（边走边看、甩手、不甩手）
2、慢步走，手机拿在手上（边走边看、甩手、不甩手）
3、快步走，手机拿在手上（甩手、不甩手、走的很快一般不会看手机吧）
4、手机放在裤袋里（慢走、快走、正常走）
5、手机放在上衣口袋里（慢走、快走、正常走）
6、上下楼梯（上面五中场景可以在这个场景中再次适用一遍）
以上，不管出于哪一种场景（其实对应手机不同的运动规律），g-sensor的三轴数据都是有规律可以寻找的。
每一步都有特征点，找到这个特征点，就是识别出来一步。
下面推荐一个工具，叫gsensor-debug，可以观察三轴的曲线，下面是手机上下摆动的曲线
这是很规律曲线只要检测波峰就行了，实际的走路曲线会有很多杂波，算法的作用就是滤除这些杂波（走路的波形可以用工具自己看，可以保存为文件，用excel打开有数据，将数据转换为波形就可以自己看）
三、算法的介绍（贴出核心代码）1、变量的定义//存放三轴数据 float[] oriValues = new float[3]; final int valueNum = 4; //用于存放计算阈值的波峰波谷差值 float[] tempValue = new float[valueNum]; int tempCount = 0; //是否上升的标志位 boolean isDirectionUp = false; //持续上升次数 int continueUpCount = 0; //上一点的持续上升的次数，为了记录波峰的上升次数 int continueUpFormerCount = 0; //上一点的状态，上升还是下降 boolean lastStatus = false; //波峰值 float peakOfWave = 0; //波谷值 float valleyOfWave = 0; //此次波峰的时间 long timeOfThisPeak = 0; //上次波峰的时间 long timeOfLastPeak = 0; //当前的时间 long timeOfNow = 0; //当前传感器的值 float gravityNew = 0; //上次传感器的值 float gravityOld = 0; //动态阈值需要动态的数据，这个值用于这些动态数据的阈值 final float initialValue = (float) 1.3; //初始阈值 float ThreadValue = (float) 2.0; private StepListener mStepListeners;
2. 代码，结合注释看
检测步子就是检测波峰，但是要滤除无效的波峰，主要采用了如下三种措施
a、规定曲线连续上升的次数
b、波峰波谷的差值需要大于阈值
c、阈值是动态改变的
另一个是一些参数的初始值，比如initialValue 以及ThreadValue 的初始值，以及averageValue函数的梯度化范围值
需要结合各种场景的波形图来统计，还有几十实际的测试来调试参数，这些参数大概前后调了两个星期，其实总体思路不复杂。
下面贴出核心代码以及一些注释：
（因为一些原因，整个工程我就不传了，后面有时间我可以将app传上来）
/*
* 注册了G-Sensor后一只会调用这个函数
* 对三轴数据进行平方和开根号的处理
* 调用DetectorNewStep检测步子
* */
@Override
public void onSensorChanged(SensorEvent event) {
for (int i = 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);
}
/*
* 检测步子，并开始计步
* 1.传入sersor中的数据
* 2.如果检测到了波峰，并且符合时间差以及阈值的条件，则判定为1步
* 3.符合时间差条件，波峰波谷差值大于initialValue，则将该差值纳入阈值的计算中
* */
public void DetectorNewStep(float values) {
if (gravityOld == 0) {
gravityOld = values;
} else {
if (DetectorPeak(values, gravityOld)) {
timeOfLastPeak = timeOfThisPeak;
timeOfNow = System.currentTimeMillis();
if (timeOfNow - timeOfLastPeak >= 250
&& (peakOfWave - valleyOfWave >= ThreadValue)) {
timeOfThisPeak = timeOfNow;
/*
* 更新界面的处理，不涉及到算法
* 一般在通知更新界面之前，增加下面处理，为了处理无效运动：
* 1.连续记录10才开始计步
* 2.例如记录的9步用户停住超过3秒，则前面的记录失效，下次从头开始
* 3.连续记录了9步用户还在运动，之前的数据才有效
* */
mStepListeners.onStep();
}
if (timeOfNow - timeOfLastPeak >= 250
&& (peakOfWave - valleyOfWave >= initialValue)) {
timeOfThisPeak = timeOfNow;
ThreadValue = Peak_Valley_Thread(peakOfWave - valleyOfWave);
}
}
}
gravityOld = values;
}
/*
* 检测波峰
* 以下四个条件判断为波峰：
* 1.目前点为下降的趋势：isDirectionUp为false
* 2.之前的点为上升的趋势：lastStatus为true
* 3.到波峰为止，持续上升大于等于2次
* 4.波峰值大于20
* 记录波谷值 * 1.观察波形图，可以发现在出现步子的地方，波谷的下一个就是波峰，有比较明显的特征以及差值 * 2.所以要记录每次的波谷值，为了和下次的波峰做对比
* */ public boolean DetectorPeak(float newValue, float oldValue) {
lastStatus = isDirectionUp;
if (newValue >= oldValue) { isDirectionUp = true;
continueUpCount++;
} else {
continueUpFormerCount = continueUpCount;
continueUpCount = 0;
isDirectionUp = false;
}
if (!isDirectionUp && lastStatus
&& (continueUpFormerCount >= 2 || oldValue >= 20)) {
peakOfWave = oldValue;
return true;
} else if (!lastStatus && isDirectionUp) {
valleyOfWave = oldValue;
return false;
} else { return false;
}
}
/*
* 阈值的计算
* 1.通过波峰波谷的差值计算阈值
* 2.记录4个值，存入tempValue[]数组中
* 3.在将数组传入函数averageValue中计算阈值
* */
public float Peak_Valley_Thread(float value) {
float tempThread = ThreadValue;
if (tempCount < valueNum) {
tempValue[tempCount] = value;
tempCount++;
} else {
tempThread = averageValue(tempValue, valueNum);
for (int i = 1; i < valueNum; i++) {
tempValue[i - 1] = tempValue[i];
}
tempValue[valueNum - 1] = value;
}
return tempThread;
}
/*
* 梯度化阈值
* 1.计算数组的均值
* 2.通过均值将阈值梯度化在一个范围里
* */
public float averageValue(float value[], int n) {
float ave = 0;
for (int i = 0; i < n; i++) {
ave += value[i];
}
ave = ave / valueNum;
if (ave >= 8)
ave = (float) 4.3;
else if (ave >= 7 && ave < 8)
ave = (float) 3.3;
else if (ave >= 4 && ave < 7)
ave = (float) 2.3;
else if (ave >= 3 && ave < 4)
ave = (float) 2.0;
else {
ave = (float) 1.3;
}
return ave;
}