1.一种基于行人运动状态的自适应步长估计方法，其特征在于包括如下步骤：步骤1.由智能终端内置的加速度计采集行人在运动过程中的加速度数据和磁力计数据；

步骤2.数据的预处理；

步骤3.数据的周期分割；

步骤4.检测行人每一步中加速度的最大值和最小值，同时计算行人每步的行走频率和加速度方差；

步骤5.提取每一步的特征，通过分类器识别行人每一步的运动状态；

步骤6.根据分类器的运动状态识别结果，采用合适的步长参数估计行人的步长。

2.根据权利要求1所述的一种基于行人运动状态的自适应步长估计方法，其特征在于步骤2的具体实现如下：

2.1.加速度数据的预处理

2.1.1由加速度计收集的三轴加速度计数据ax，av，az来计算平均加速度atotal；

2.1.2移除平均加速度atotal中的重力加速度分量；

2.1.3通过一个数字域截止频率fLP＝0.2π的4阶巴特沃斯数字低通滤波器过滤加速度中的高频噪声分量，获得最终的加速度序列a：

2.2.磁力计数据的预处理：

由磁力计收集的三轴磁力计数据hx，hy，hz来计算平均地磁场强度htotal。

3.根据权利要求2所述的一种基于行人运动状态的自适应步长估计方法，其特征在于所述步骤3中的周期分割具体包括如下步骤：步骤3.1.根据过零检测法获得加速度数据的零点集合S1；

步骤3.2.根据周期约束，获得下一个峰谷值的预测范围；

步骤3.3.根据动态时间规整约束，精炼步骤3.2获得的预测范围；

步骤3.4.在步骤3.3获得的预测范围内搜索最值，即为下一个峰值或谷值；

步骤3.5.将峰值和谷值的检测结果转化为零点的检测结果，获得预测零点；

步骤3.6.根据预测零点，剔除零点集合S1中的假零点，获得真实零点集合S2，S2中的每两个零点记为一个周期；

所述步骤3.2的具体实现过程如下：

3.2.1第一个峰值(谷值)和第二个峰值(谷值)由峰值检测法获得；当检测到两个峰值(谷值)后，继续后续步骤；

3.2.2下一个峰值的候选点其所处时刻与上一个峰值时刻的差值(下一个谷值的候选点其所处时刻与上一个谷值时刻的差值)ti应该满足如下周期约束：ti∈((1-γ)*T，(1+γ)*T)其中，γ为预测范围长度控制参数，根据实验经验设定；T为不断更新的周期模板，其更新方式如下：Ti为当前周期模板，Ti+1为下一次的周期模板，t为当前峰值与下一个峰值之间的时刻差；

3.2.3搜索所有满足周期约束的候选点获得下一个峰值(谷值)的预测范围RP；

所述步骤3.3的具体实现过程如下：

3.3.1构造匹配序列：

其中， 和 分别为第i-1个峰值(谷值)所处时刻和第i个峰值(谷值)所处时刻；a为步骤2预处理过后的加速度序列；

3.3.2构造测试序列集合：

V＝{v1，v2，…，vj，…，vk}

其中，vj为第j个测试序列，由上一个峰值(谷值)时刻到预测范围RP中的第j个点之间的加速度数据组成；

3.3.3计算DTW距离集合：

D＝{DTW(μ，v1)，DTW(μ，v2)，…DTW(μ，vj)，…DTW(μ，vk)}其中DTW(μ，vj)为匹配序列μi-1和测试序列vj根据DTW计算得到的距离值；

3.3.4根据如下DTW约束获得更加精确的峰谷值预测范围RD：其中， 和τ为预测范围RD的长度控制参数，Dmin为DTW距离集合D中的最小值；

3.3.5通过观察RD是否为空集来判断行人是否改变运动状态，完成行人在进行连续不同的运动状态情况下的计步；

所述步骤3.4的具体实现过程如下：

当进行峰值检测时，在预测范围RD内寻找对应加速度最大的值做为下一个峰值时刻；当进行谷值检测时，在预测范围RD内寻找对应加速度最小的值做为下一个谷值时刻；

所述步骤3.5的具体实现过程如下：：

根据如下公式将峰值和谷值的检测结果转化为零点的检测结果：其中，tzero，i+1为第i+1个预测零点，tpeak，i+1为第i+1个峰值时刻，tvalley，i为第i个谷值时刻；

所述步骤3.6的具体实现过程如下：

根据如下公式剔除S1中的假零点：

其中t(i)为零点集合S1中的第i个零点，tzero为预测零点，S2为真实零点集合；根据S2进行周期分割，S2中每两个相邻零点{ti，ti+1}记为一个完整的周期，即为行人的每一步。

4.根据权利要求3所述的一种基于行人运动状态的自适应步长估计方法，其特征在于所述的步骤4的具体实现过程如下：

4.1周期分割后，检测行人每一步中加速度的最大值和最小值：amax，k＝max(ai)，i∈[ti，ti+1]amin，k＝min(ai)，i∈[ti，ti+1]其中，tk和tk+1分别表示周期分割获得的第k步起始时刻和终止时刻，amax，k和amin，k分别表示第k步中加速度的最大值和最小值；

4.2根据如下公式获取行人每步的行走频率fk和加速度方差vk：其中，tk和tk+1分别表示第k步的起始时刻和终止时刻，at表示第k步内的加速度幅值，表示第k步的加速度均值，N表示第k步内加速度的个数。

5.根据权利要求4所述的一种基于行人运动状态的自适应步长估计方法，其特征在于所述的步骤5具体包括以下步骤：步骤5.1.提取速度计数据和磁力计数据在每一周期内的特征；

步骤5.2.根据提取的特征，通过分类器获得运动状态识别的初步结果；

步骤5.3.分类器结果校正，获得最终运动状态识别结果；

所述的步骤5.1中的提取速度计数据和磁力计数据在每一周期内的特征，具体包括如下特征：

5.1.1加速度atotal的统计特征：包括加速度绝对值的均值φa，加速度的方差 加速度的偏度skea以及加速度的峰度kura；

5.1.2地磁场强度htotal的统计特征：包括地磁场强度的方差 地磁场强度的偏度skeh，地磁场强度的峰度kurh；

5.1.3根据过零检测法检测加速度数据在每一个周期内所包含的零点：S1＝{t|at≥0，at-1≤0}∪{t|at≤0，at-1≥0}将每一个周期内所包含的零点个数，即集合S1的长度ρ作为一个特征；

所述的步骤5.2中的分类器已经在离线阶段训练好，分类器的离线训练阶段具体包括以下步骤：步骤5.2.1.分别收集行人在不同运动状态下的加速度计数据和磁力计数据，并记录数据所属的标签；

步骤5.2.2.数据的预处理，预处理过程和步骤2一致；

步骤5.3.3.数据的周期分割，周期分割过程和步骤3一致；

步骤5.3.4.提取速度计数据和磁力计数据在每一周期内的特征，提取的特征和步骤

5.1一致；

步骤5.3.5.根据提取的特征及其所属的标签训练分类器；

所述的步骤5.3中的分类器结果校正是指在获得分类器的结果后，对该结果做一定的判断来决定是否将其作为最终的运动状态识别结果；当第i步的分类器结果与第i-1步的运动状态不同时，做延时，考虑后续两步i+1，i+2的分类器结果，若后续两步的分类器结果均与第i步的结果不同，则将第i-1步的运动状态作为第i步的最终运动状态识别结果；否则采用分类器的结果作为第i步的最终运动状态识别结果，如下式所示：其中，WP(i-1)和WP(i)分别表示第i-1步和第i步的运动状态识别结果，c(i)，c(i+1)和c(i+2)分别表示第i步，第i+1步和第i+2步的分类器结果。

6.根据权利要求5所述的一种基于行人运动状态的自适应步长估计方法，其特征在于所述的步骤6的特征在于包括以下步骤：

6.1根据行人运动状态的识别结果，选取步长参数α、β和γ；步长参数通过最小二乘算法拟合得到；根据行人不同运动状态的实验数据得到适应不同运动状态的步长参数；

6.2通过建立的非线性步长模型估计行人步长：其中，Lk表示行人第k步的步长。