| dc.date.accessioned | 2022-05-31T16:31:34Z | |
| dc.date.available | 2022-05-31T16:31:34Z | |
| dc.date.issued | 2021 | |
| dc.identifier | doi:10.17170/kobra-202205306261 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/13879 | |
| dc.language.iso | eng | eng |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject.ddc | 004 | |
| dc.title | Movement Recognition and Direction Detection of Pedestrians | eng |
| dc.type | Dissertation | |
| dcterms.abstract | In this dissertation we developed a method that uses smartphone sensors to recognise the pedestrian movement (using the accelerometer) and direction (using the compass) accurately. The proposed approach works independent of the GPS and also improved the recognition time of pedestrians movement and direction in comparison to using the GPS.Currently, smartphones are the most common devices people carry with them along with the tablets and smartwatches. Most smartphones are equipped with different types of sensors, including an accelerometer, magnetometer, gyroscope, compass, and GPS. In this work, we use the data acquired from a smartphone’s accelerometer to identify the movement of a pedestrian and the smartphone compass to determine the direction of a pedestrian. Classification algorithms such as (J48) which is an open source java implementation of the C4.5 Decision Tree (DT) algorithm, k-nearest neighbor (kNN), Rule based (JRip) and Meta-level (bagging and boosting) are used to determine the type of movement, including slowing down to a stop, accelerating, and decelerating. We show that these classification algorithms achieve accuracies between 93.39% and 96.98% and are capable of recognising pedestrians movement within 500ms. The direction of pedestrians movement is determined by using the accelerometer and compass sensor of a smartphone. To ensure the accuracy of a pedestrian movement direction, the smartphone’s orientation must be pre-aligned to the pedestrian’s orientation. If the smartphone and the pedestrian orientation is not aligned, then the direction obtained from the compass will not represent the actual movement direction of the pedestrian. Therefore, we present an algorithm that is independent of the smartphone’s orientation that automatically aligns the smartphone orientation to the direction of movement when the pedestrian completes two steps while the smartphone is placed in a front trouser pocket. Our proposed automated algorithm reaches an accuracy of 96% and detects changes in pedestrians’ directions within 250ms.
In this dissertation, we also studied the influence of the magnetic deviation on the compass while measuring the movement direction. To illustrate the influence of magnetic deviation, we designed a filter to differentiate between safe and endangered pedestrians based on their movement direction. We observed that magnetic deviations could influence the accuracy of the filter, so our algorithm compensates for these effects using the gyroscope of a smartphone. | eng |
| dcterms.abstract | In dieser Dissertation wird eine Methode vorgestellt, welche Smartphone-Sensoren verwendet, um die Fußgängerbewegung (basierend auf Beschleunigungsdaten) sowie die Richtung (basierend auf Kompassdaten) genau erkennt. Der vorgeschlagene Ansatz arbeitet unabhängig von GPS und die Erkennungszeit der Fußgängerbewegung und Richtung im Vergleich zu einem GPS zu verbessert.Neben Tablets und Smartwatches, sind Smartphones die von Personen am häufigsten mitgeführten Geräte. Sie sind mit verschiedenen Sensoren, unter anderem Beschleunigungssensor, Magnetometer, Gyroskop, Kompass und GPS ausgestattet. Basierend auf den in Smartphones verbauten Beschleunigungssensoren sowie Kompasse, wird in dieser Dissertation ein alternativer Ansatz entwickelt, welcher Bewegungsaktivitäten sowie Bewegungsrichtungen eines Fußgängers bestimmt. Die Bewegungsart, inklusive dem langsamen Gehen bis zum Halt, dem Beschleunigen und Abbremsen der Gehbewegung, wird mithilfe von verschiedenen Klassifizierungsalgorithmen, unter anderem (J48) die eine Open source-Java-Implementierung von C4.5 Decision Trees (DT) Algorithmus, K-Nearest-Neighbor (kNN), Rule-Based (JRip) und Meta-Klassifizierungsalgorithmen (Bagging, Boosting) erkannt. Es wird gezeigt, dass die verwendeten Klassifizierungsalgorithmen die Bewegungsart mit einer Genauigkeit von 93,39% bis 96,98% und innerhalb einer Zeitspanne von unter 500ms erkennen können. Die Richtung eines Fußgängers wird bestimmt, indem Beschleunigungsdaten mit Kompasswerten des Smartphones ergänzt werden. Um sicherzustellen, dass Bewegungsrichtungen korrekt erkannt werden, wird die Ausrichtung des Smartphones mit der des Fußgängers abgeglichen. Wird diese Ausrichtung des Smartphones nicht korrigiert, entspricht die vom Kompass stammende Richtung nicht mit der tatsächlichen Bewegungsrichtung des Fußgängers überein. Zur Korrektur der Ausrichtung wird ein Algorithmus vorgestellt, der unabhängig von der aktuellen Ausrichtung des Smartphones, diese innerhalb von zwei Schritten automatisch auf die Bewegungsrichtung des Fußgängers ausrichtet. Dieser Algorithmus erkennt Änderungen in der Bewegungsrichtung in einer Zeitspanne von unter 250ms und einer Genauigkeit von 96%.
Zusätzlich, wird in dieser Dissertation der Einfluss von magnetischen Störungen auf die vom Kompass errechnete Bewegungsrichtung untersucht. Um Störungen des Kompasses zu entgegnen, wurde ein Filter entwickelt, der zwischen gefährdeten und nicht gefährdeten Fußgängern auf der Grundlage ihrer Gehrichtung unterscheidet. Wie beobachtet können magnetische Störungen die Genauigkeit von diesem Filter beeinflussen. Daraufhin wurde ein Algorithmus entwickelt, der die Auswirkung von magnetischen Störungen auf Kompassdaten kompensiert. | ger |
| dcterms.accessRights | open access | |
| dcterms.creator | Memon, Abdul Qudoos | |
| dcterms.dateAccepted | 2021-04-12 | |
| dcterms.extent | 134 Seiten | |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik | |
| dc.contributor.referee | David, Klaus (Prof. Dr.) | |
| dc.contributor.referee | Hillmer, Hartmut (Prof. Dr.) | |
| dc.contributor.referee | Sick, Bernhard (Prof. Dr.) | |
| dc.contributor.referee | Stumme, Gerd (Prof. Dr.) | |
| dc.subject.swd | Fußgängerunfall | ger |
| dc.subject.swd | Unfallverhütung | ger |
| dc.subject.swd | Smartphone | ger |
| dc.subject.swd | Sensor | ger |
| dc.subject.swd | Fußgänger | ger |
| dc.subject.swd | Objekterkennung | ger |
| dc.subject.swd | Beschleunigungssensor | ger |
| dc.subject.swd | Algorithmus | ger |
| dc.type.version | publishedVersion | |
| kup.iskup | false | |
| ubks.epflicht | true | |
