异常计步识别方法、计步方法、装置、设备及介质
技术领域
本发明涉及大数据的数据处理领域，尤其涉及一种异常计步识别方法、计步方法、装置、设备及介质。
背景技术
随着移动通信产业的发展，智能移动终端已经成为人们必不可少的移动通信工具。目前，终端计步服务就是基于移动终端内部加速度传感器或陀螺仪开发的功能，终端统计计步信息的同时，从各个维度分析用户的运动情况(如：热量消耗，运动类型等)，移动终端上的运动健康类APP受到用户广泛喜爱。
为鼓励用户建立健康的生活习惯，定时完成运动任务，部分APP根据移动终端计步结果给予用户一定奖励或进行排名，这导致部分没有运动习惯的用户通过虚假计步的方式获取奖励，最常见的方式是使用摇步装置增加步数，这种方式不仅伪造了虚假运动数据，还影响APP数据采集的准确性与可靠性，同时也导致奖励分配不公平等不良影响。
发明内容
本发明提供一种异常计步识别、计步方法、装置、计算机设备及存储介质，实现了准确地识别出异常步数，提高了异常步数识别准确率，避免了虚假计步的情况出现，并且准确地反映真实的步数，提升了真实步数的真实性和可靠性，提高了计步的准确率，提升了用户的体验满意度。
一种异常计步识别方法，包括：
获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；
将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；
对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；
通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；
在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。
一种计步方法，包括：
接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据；
将所述原始步数数据划分成预设时间间隔的单元步数数据；
通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；
将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；
将所述原始总步数与所述异常总步数相减，得到真实步数。
一种异常计步识别装置，包括：
获取模块，用于获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；
合成模块，用于将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；
过滤模块，用于对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；
识别模块，用于通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；
判断模块，用于根据所述强条件识别结果和所述弱条件识别结果，判断所述当前步数是否为异常；
确定模块，用于在所述当前步数为异常时，将所述当前步数确定为异常步数。
一种计步装置，包括：
请求模块，用于接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据；
划分模块，用于将所述原始步数数据划分成预设时间间隔的单元步数数据；
异常识别模块，用于通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；
汇总模块，用于将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；
输出模块，用于将所述原始总步数与所述异常总步数相减，得到真实步数。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述异常计步识别方法的步骤，或者所述处理器执行所述计算机程序时实现上述计步方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述异常计步识别方法的步骤，或者所述计算机程序被处理器执行所述计算机程序时实现上述计步方法的步骤。
本发明提供的异常计步识别方法、装置、计算机设备及存储介质，通过获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据；将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数，因此，本发明提供了异常计步识别方法，通过获取采集数据，通过三轴加速度矢量合成生成三轴合成数据，通过计步模型计算得到当前步数；通过强条件异常识别模型输出的强条件识别结果和弱条件异常识别模型输出的弱条件识别结果，确定当前步数是否为异常步数，实现了准确地识别出异常步数，无需使用高功耗的GPS定位进行异常步数识别，并且提高了异常步数识别准确率，避免了虚假计步的情况出现。
本发明提供的计步方法、装置、计算机设备及存储介质，通过接收到计步请求，获取当天从计步传感器采集的原始数据；将所述原始步数数据划分成预设时间间隔的单元步数数据；通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；将所述原始总步数与所述异常总步数相减，得到真实步数，如此，本发明通过获取当天从计步传感器采集的原始数据，并划分成多个单元步数数据，通过异常计步识别方法识别出所有单元步数数据中的异常步数，以及汇总得到异常总步数，最终将原始总步数与异常总步数相减得到真实步数，能够准确地反映真实的步数，提升了真实步数的真实性和可靠性，保证了计步机制的公平公正，并且提高了计步的准确率，提升了用户的体验满意度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中异常计步识别方法或计步方法的应用环境示意图；
图2是本发明一实施例中异常计步识别方法的流程图；
图3是本发明一实施例中异常计步识别方法的步骤S30的流程图；
图4是本发明一实施例中异常计步识别方法的步骤S40的流程图；
图5是本发明另一实施例中异常计步识别方法的步骤S40的流程图；
图6是本发明一实施例中计步方法的流程图；
图7是本发明一实施例中异常计步识别装置的原理框图；
图8是本发明一实施例中计步装置的原理框图；
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的异常计步识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种异常计步识别方法，其技术方案主要包括以下步骤S10-S50：
S10，获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据。
可理解地，所述预设时间段可以根据需求设定，比如预设时间段为1、5、10分钟等等，优选地，预设时间段为10分钟，所述计步传感器可以根据需求设定，比如加速度传感器、陀螺仪传感器等等，所述计步传感器为能够采集到用于计算步数的信号数据，所述计步传感器所述采集数据为在所述预设时间段内用户通过移动终端中的所述计步传感器采集到的数据，所述计步传感器安装在所述移动终端中，获取所述采集数据的过程可以为定时接收到采集请求指令后进行获取，定时的时间间隔可以根据需求设定。
其中，所述采集数据包括所述传感器区分标识、所述X轴数据、所述Y轴数据和所述Z轴数据，所述传感器区分标识为区分所述计步传感器的种类的标识，比如计步传感器的种类包括加速度传感器和陀螺仪传感器，所述X轴数据为在所述预设时间段内所述计步传感器在X轴方向振动产生信号的数据，所述Y轴数据为在所述预设时间段内所述计步传感器在Y轴方向振动产生信号的数据，所述Z轴数据为在所述预设时间段内所述计步传感器在Z轴方向振动产生信号的数据，所述X轴数据、所述Y轴数据和所述Z轴数据均为波形曲线。
S20，将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据。
可理解地，所述三轴加速度矢量合成处理为将所述X轴数据、所述Y轴数据和所述Z轴数据输入矢量合成模型中的三轴加速度矢量合成函数中进行计算出与所述预设时间段中各个时间点对应的合成值，即将所述X轴数据、所述Y轴数据和所述Z轴数据中相同时刻的值输入所述三轴加速度矢量合成函数后得到与该时刻对应的合成值，将所有所述合成值按照时间顺序进行汇总得出所述三轴合成数据，所述三轴合成数据呈现出的波形曲线具有周期性和幅度。
在一实施例中，所述步骤S20中，即所述将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据，包括：
S201，将所述X轴数据、所述Y轴数据和所述Z轴数据输入矢量合成模型中，通过所述矢量合成模型中的三轴加速度矢量合成函数，得到所述三轴合成数据；所述三轴加速度矢量合成函数为：
其中，
f(t)为三轴合成数据中在t时刻的合成值；
xt为X轴数据中在t时刻的值；
yt为Y轴数据中在t时刻的值；
zt为Z轴数据中在t时刻的值。
可理解地，所述矢量合成模型包括所述三轴加速度矢量合成函数，将所述X轴数据、所述Y轴数据和所述Z轴数据中相同时刻的值输入所述三轴加速度矢量合成函数后得到与该时刻对应的合成值，所述合成值与时刻存在关联关系，即在预设时间段内的一个时刻对应一个所述合成值。
S30，对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数。
可理解地，所述滤波处理为对所述三轴合成数据的波形进行滤波，获取需要的频率成分或者去除掉不需要的频率成分，所述滤波处理包括平滑处理和降噪处理，所述滤波处理的方式可以根据需求设定，比如滤波处理的方式可以为一阶滤波、互补滤波、卡尔曼滤波等等，作为优选，所述滤波处理的方式为卡尔曼滤波，经过所述滤波处理的所述三轴合成数据确定为所述待计步数据。
其中，通过所述计步模型搜索出所述待计步数据中的波峰点和波谷点，根据所有所述波峰点的数量和所有所述波谷点的数量，确定出所述当前步数。
在一实施例中，如图3所示，所述步骤S30中，即所述对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数，包括：
S301，对所述三轴合成数据进行平滑处理，得到过渡数据。
可理解地，所述平滑处理为对所述三轴合成数据中的合成值与相邻的合成值进行求平均，即采用邻域平滑滤波算法计算与各所述合成值对应的过渡值，将所有所述过渡值按照时刻进行汇总得到所述过渡数据，如此，能够将三轴合成数据平滑化，有利于后续的异常步数识别。
S302，对所述过渡数据进行降噪处理，得到所述待计步数据。
可理解地，所述降噪处理为去除所述过渡数据中不需要的成分，即去除噪音，这些噪音会干扰后续的异常步数的识别结果，通过降噪处理能够将不需要的成分去除并增强需要的成分，经过降噪处理后的所述过渡数据可以得到所述待计步数据，如此，能够生成一个具有平滑波形曲线的待计步数据。
S303，将所述待计步数据输入所述计步模型中。
可理解地，所述计步模型能够识别出输入的数据中的步数的模型。
S304，通过所述计步模型对所述待计步数据进行极点值搜索，搜索出所述待计步数据中的波峰点和波谷点。
可理解地，所述极点值搜索为对所述待计步数据中每一个时刻的降噪处理后的过渡值与相邻两边的两个降噪处理后的过渡值进行比较，判断该降噪处理后的过渡值是否均比相邻两边的两个降噪处理后的过渡值大或者小，将均比相邻两边的两个降噪处理后的过渡值大的降噪处理后的过渡值标记为所述波峰点，将均比相邻两边的两个降噪处理后的过渡值小的降噪处理后的过渡值标记为所述波谷点，即所述波峰点为比相邻的降噪处理后的过渡值都大的降噪处理后的过渡值，所述波谷点为比相邻的降噪处理后的过渡值都小的降噪处理后的过渡值。
S305，根据所有所述波峰点的数量和所有所述波谷点的数量，获取所述计步模型输出的所述当前步数。
可理解地，若所有所述波峰点的数量和所有所述波谷点的数量相等，则将所有所述波峰点的数量或者所有所述波谷点的数量确定为所述当前步数，若所有所述波峰点的数量和所有所述波谷点的数量不相等，则获取所有波峰点的数量和所有波谷点的数量之间的最大值，将该最大值确定为所述当前步数，所述当前步数为当前统计的步数。
本发明实现了通过对所述三轴合成数据进行平滑处理，得到过渡数据；对所述过渡数据进行降噪处理，得到所述待计步数据；通过所述计步模型对所述待计步数据进行极点值搜索，搜索出所述待计步数据中的波峰点和波谷点；根据所有所述波峰点的数量和所有所述波谷点的数量，确定出当前步数，如此，能够对三轴合成数据进行平滑和降噪处理，能够提升波形的质量，便于后续的异常计步识别，并且通过计步模型统计出当前步数，提供了一种统计当前步数的方法。
S40，通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果。
可理解地，所述强条件异常识别模型为识别出所述待计步数据中的波峰点和波谷点的幅度波动和时间间隔是否存在周期性规律的模型，所述强条件异常识别模型提取出波形曲线中的波峰点和波谷点，计算出波峰幅度方差、波峰时间间隔方差(波峰点之间的时间间隔方差)、波谷幅度方差和波谷时间间隔方差(波谷点之间的时间间隔方差)，并通过周期性异常识别确定所述强条件识别结果，所述周期性异常识别为将波峰幅度方差与波峰幅度阈值比较，得到波峰幅度结果，将波峰时间间隔方差与波峰间隔阈值比较，得到波峰间隔结果，将波谷幅度方差与波谷幅度阈值比较，得到波谷幅度结果，将波谷时间间隔方差与波谷间隔阈值比较，得到波谷间隔结果，根据波峰幅度结果、波峰间隔结果、波谷幅度结果和波谷间隔结果确定所述强条件识别结果是否为强条件异常，所述强条件识别结果包括异常和正常，通过所述周期性异常识别能够识别出是否为异常计步，因为正常走路步速会发生变化，陀螺仪或加速度传感器记录的信号中，波峰间距和幅度会有一定的波动，而摇步器计步时，晃动频率和幅度相对固定，陀螺仪或加速度传感器记录的信号中，波峰间距和幅度波动范围小，并具有周期规律性。
其中，根据不同的所述传感器区分标识，选择不同的弱条件异常识别模型，更具针对性，比如传感器区分标识为加速度传感器时，就获取适用于加速度传感器的弱条件异常识别模型，传感器区分标识为陀螺仪传感器时，就获取适用于陀螺仪传感器的弱条件异常识别模型，所述弱条件异常识别模型为识别出所述X轴数据、所述Y轴数据和所述Z轴数据中是否存在能量异常的模型，所述能量异常识别为通过计算出所述X轴数据、所述Y轴数据和所述Z轴数据的能量和结果，所述能量和结果包括能量和、X轴加速度能量值、Y轴加速度能量值和Z轴加速度能量值，根据能量和结果识别出所述能量和是否存在异常，所述能量和为相同时刻下的所述X轴加速度能量值、所述Y轴加速度能量值和Z轴加速度能量值之和，所述X轴加速度能量值为根据所述X轴数据计算出的各时刻的加速能量，所述Y轴加速度能量值为根据所述Y轴数据计算出的各时刻的加速度能量值，所述Z轴加速度能量值为根据所述Z轴数据计算出的各时刻的加速度能量值，所述能量异常识别包括方差异常识别、比值异常识别和差值异常识别，所述方差异常识别为各轴的加速度能量值的方差中是否至少有两轴的加速度能量值的方差小于预设的能量方差阈值，并且所述能量和的方差是否小于预设的能量和阈值；所述比值异常识别为各轴之间的加速度能量值两两比值是否至少两组比值大于预设能量比阈值；所述差值异常识别为各轴的加速度能量值中最大值与最小值之间的差值是否大于预设差值阈值，通过所述能量异常识别能够识别出是否为异常计步，因为正常走路带动移动终端产生的晃动幅度不一致，X，Y和Z三轴的加速度会有较大变化，而摇步器晃动移动终端时，晃动频率与幅度都很规律，各轴加速度能量值都比较稳定，经过所述能量异常识别能够确定出所述弱条件识别结果，所述弱条件识别结果包括异常和正常。
在一实施例中，如图4所示，所述步骤S40中，即所述通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，包括：
S401，通过所述强条件异常识别模型从所述待计步数据中提取出波峰数据和波谷数据；所述波峰数据为在所述待计步数据中所有所述波峰点的数据；所述波谷数据为在所述待计步数据中所有所述波谷点的数据。
可理解地，通过所述强条件异常识别模型从所述待计步数据中提取出所有波峰点和所有波谷点，并且将与所述波峰点对应的数据记录为所述波峰数据，所述波峰数据包括该波峰点的时刻和幅度值，将与所述波谷点对应的数据记录为所述波谷数据，所述波谷数据包括该波谷点的时刻和幅度值。
S402，通过所述强条件异常识别模型根据所有所述波峰数据，计算出波峰方差结果，同时根据所有所述波谷数据，计算出波谷方差结果。
可理解地，将所有所述波峰数据进行方差计算，即根据所有所述波峰数据的幅度值计算出波峰幅度方差，根据所有所述波峰数据的时刻计算出波峰时间间隔方差(波峰点之间的时间间隔方差)，将所述波峰幅度方差和所述波峰时间间隔方差确定为所述波峰方差结果，所述波峰方差结果体现了波峰点的波动幅度和时间间隔的幅度，将所有所述波谷数据进行方差计算，即根据所有所述波谷数据的幅度值计算出波谷幅度方差，根据所有所述波谷数据的时刻计算出波谷时间间隔方差(波谷点之间的时间间隔方差)，将所述波谷幅度方差和所述波谷时间间隔方差确定为所述波谷方差结果，所述波谷方差结果体现了波谷点的波动幅度和时间间隔的幅度。
S403，通过所述强条件异常识别模型对所述波峰方差结果和所述波谷方差结果进行周期性异常识别，识别出所述强条件识别结果。
可理解地，根据所述波峰方差结果和所述波谷方差结果，确定出所述强条件识别结果，所述周期性异常识别为将波峰幅度方差与波峰幅度阈值比较，得到波峰幅度结果，将波峰时间间隔方差与波峰间隔阈值比较，得到波峰间隔结果，将波谷幅度方差与波谷幅度阈值比较，得到波谷幅度结果，将波谷时间间隔方差与波谷间隔阈值比较，得到波谷间隔结果，根据波峰幅度结果、波峰间隔结果、波谷幅度结果和波谷间隔结果确定所述强条件识别结果是否为异常，其中，所述波峰幅度阈值、所述波峰间隔阈值、所述波谷幅度阈值和所述波谷间隔阈值均可根据需求设定，如果所述波峰幅度结果、所述波峰间隔结果、所述波谷幅度结果和所述波谷间隔结果中任一结果为异常，就确定所述强条件识别结果为异常，如果所述波峰幅度结果、所述波峰间隔结果、所述波谷幅度结果和所述波谷间隔结果均为正常，就确定所述强条件识别结果为正常，所述强条件识别结果包括异常和正常。
本发明实现了通过所述强条件异常识别模型从所述待计步数据中提取出波峰数据和波谷数据；通过所述强条件异常识别模型根据所有所述波峰数据，计算出波峰方差结果，同时根据所有所述波谷数据，计算出波谷方差结果；通过所述强条件异常识别模型对所述波峰方差结果和所述波谷方差结果进行周期性异常识别，识别出所述强条件识别结果，如此，能够通过提取波峰数据和波谷数据，并通过强条件异常识别模型进行周期性异常识别，能够提高识别的准确性，并为后续的异常计步识别提供了高质量的判断依据。
在一实施例中，如图5所示，所述步骤S40中，即所述获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果，包括：
S404，在所述传感器区分标识为加速度传感器时，获取与所述加速度传感器对应的所述弱条件异常识别模型。
可理解地，在所述传感器区分标识为所述加速度传感器时，自动选择与所述加速度传感器对应的所述弱条件异常识别模型，该弱条件异常识别模型为针对所述加速度传感器产生的各轴加速度信号进行识别，并判断是否存在能量异常的模型。
S405，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，得到能量和结果。
可理解地，通过获取到的与所述加速度传感器对应的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，所述能量和为相同时刻下的所述X轴加速度能量值、所述Y轴加速度能量值和Z轴加速度能量值之和，所述能量和结果包括能量和、X轴加速度能量值、Y轴加速度能量值和Z轴加速度能量值。
S406，通过所述弱条件异常识别模型对所述能量和结果进行方差异常识别和比值异常识别，得到所述弱条件识别结果。
可理解地，所述方差异常识别为各轴的加速度能量值的方差中是否至少有两轴的加速度能量值的方差小于预设的能量方差阈值，并且所述能量和的方差是否小于预设的能量和阈值；所述比值异常识别为各轴之间的加速度能量值两两比值是否至少两组比值大于预设能量比阈值；若所述方差异常识别后发现存在至少有两轴的加速度能量值的方差小于预设的能量方差阈值或/和所述能量和的方差小于预设的能量和阈值，确定弱条件方差异常结果为异常，若所述比值异常识别后发现存在至少两组比值大于预设能量比阈值，确定弱条件比值异常结果为异常，在所述弱条件方差异常结果和所述弱条件比值异常结果中任一结果为异常时，确定所述弱条件识别结果为异常，在所述弱条件方差异常结果和所述弱条件比值异常结果均为正常时，确定弱条件识别结果为正常。
本发明实现了通过获取与所述加速度传感器对应的所述弱条件异常识别模型；通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，得到能量和结果；通过所述弱条件异常识别模型对所述能量和结果进行方差异常识别和比值异常识别，得到所述弱条件识别结果，如此，能够针对性的获取弱条件异常识别模型，并获取X轴数据、Y轴数据和Z轴数据的能量和结果，通过方差异常识别和比值异常识别，能够准确地得到弱条件识别结果，能够提高识别的准确性，并为后续的异常计步识别提供了高质量的判断依据。
在一实施例中，所述步骤S40中，即所述获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果，还包括：
S407，在所述传感器区分标识为陀螺仪传感器时，获取与所述陀螺仪传感器对应的所述弱条件异常识别模型。
可理解地，在所述传感器区分标识为所述陀螺仪传感器时，自动选择与所述陀螺仪传感器对应的所述弱条件异常识别模型，该弱条件异常识别模型为针对所述陀螺仪传感器产生的各轴信号进行识别，并判断是否存在能量异常的模型。
S408，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，得到能量和结果。
S409，通过所述弱条件异常识别模型对所述能量和结果进行差值异常识别，得到所述弱条件识别结果。
可理解地，所述差值异常识别为各轴的加速度能量值中最大值与最小值之间的差值是否大于预设差值阈值，若所述差值异常识别后各轴的加速度能量值中最大值与最小值之间的差值大于预设差值阈值，确定所述弱条件识别结果为异常，若所述差值异常识别后各轴的加速度能量值中最大值与最小值之间的差值小于或等于预设差值阈值，确定所述弱条件识别结果为正常。
本发明实现了通过在所述传感器区分标识为陀螺仪传感器时，获取与所述陀螺仪传感器对应的所述弱条件异常识别模型；通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，得到能量和结果；通过所述弱条件异常识别模型对所述能量和结果进行差值异常识别，得到所述弱条件识别结果，如此，能够针对性的获取弱条件异常识别模型，并获取X轴数据、Y轴数据和Z轴数据的能量和结果，通过差值异常识别，能够准确地得到弱条件识别结果，能够提高识别的准确性，并为后续的异常计步识别提供了高质量的判断依据。
S50，在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。
可理解地，如果所述强条件识别结果和所述弱条件识别结果均为异常，就将所述当前步数确定为异常步数，从而识别出所述采集数据为异常计步的数据，并不是正常步行计步的数据。
在一实施例中，在所述强条件识别结果或/和所述弱条件识别结果为正常时，确定所述当前步数确定为正常步数，说明所述采集数据为正常步行采集到的数据。
本发明实现了通过获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据；将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数，因此，本发明提供了异常计步识别方法，通过获取采集数据，通过三轴加速度矢量合成生成三轴合成数据，通过计步模型计算得到当前步数；通过强条件异常识别模型输出的强条件识别结果和弱条件异常识别模型输出的弱条件识别结果，确定当前步数是否为异常步数，实现了准确地识别出异常步数，无需使用高功耗的GPS定位进行异常步数识别，并且提高了异常步数识别准确率，避免了虚假计步的情况出现。
本发明提供的计步方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图6示，提供一种计步方法，其技术方案主要包括以下步骤S100-S500：
S100，接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据。
可理解地，所述计步请求为在移动终端的APP(应用程序软件)下用户需要查看步数的情况下触发的请求，所述计步传感器采集的数据会按日期进行存储所述原始数据，所述计步请求中包括当天的日期，根据当天的日期确定获取该日期的所述原始数据，所述原始数据为提供异常计步识别的原始的数据，所述原始数据包括原始总步数和原始步数数据，所述原始总步数为所述计步传感器统计的当天的步数，所述原始步数数据为通过所述计步传感器采集到的当天的用于计算步数的信号数据，
S200，将所述原始步数数据划分成预设时间间隔的单元步数数据。
可理解地，所述预设时间间隔可以根据需求设定，比如预设时间间隔为10分钟、20分钟等等，所述预设时间间隔可以与所述预设时间段相同，也可以与所述预设时间段不相同，按照预设时间间隔将所述原始步数数据划分成多个所述单元步数数据，所述单元步数数据为以所述预设时间间隔为单元从当天凌晨零点开始从所述原始步数数据中划分出的数据。
在一实施例中，在所述预设时间间隔大于或等于所述预设时间段时，从各所述单元步数数据中抽取出时间段长度为所述预设时间段的单元待识别数据，通过上述的异常计步识别方法对各所述单元待识别数据进行识别，识别出所有所述单元待识别数据中的异常步数，将识别出的所有所述异常步数和所述预设时间间隔与所述预设时间段的比值的乘积，得到异常总步数，将所述原始总步数与所述异常中相减，得到真实步数，如此，不仅能够减少移动终端的电量消耗，而且能够科学地反映异常步数，是由于用户使用摇步器等虚假计步设备的时长具有持续性才能达到虚假计步的效果。
S300，通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果。
可理解地，通过上述的异步计步识别方法可以识别出各所述单元步数数据中是否属于异常步数的识别结果。
S400，将识别出所有所述识别结果中的异常步数进行汇总，得到异常总步数。
可理解地，将识别到的所有属于所述异常步数的步数进行求和，得到所述异常总步数，所述异常总步数表明了当天到此时用户的异常计步的步数的总和。
S500，将所述原始总步数与所述异常总步数相减，得到真实步数。
可理解地，将所述原始总步数减去所述异常总步数可以得到所述真实步数，所述真实步数为当天到此时用户真实步行的步数的总和。
本发明实现了通过接收到计步请求，获取当天从计步传感器采集的原始数据；将所述原始步数数据划分成预设时间间隔的单元步数数据；通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据对应的识别结果；将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；将所述原始总步数与所述异常总步数相减，得到真实步数，如此，本发明通过获取当天从计步传感器采集的原始数据，并划分成多个单元步数数据，通过异常计步识别方法识别出所有单元步数数据中的异常步数，以及汇总得到异常总步数，最终将原始总步数与异常总步数相减得到真实步数，能够准确地反映真实的步数，提升了真实步数的真实性和可靠性，保证了计步机制的公平公正，并且提高了计步的准确率，提升了用户的体验满意度。
在一实施例中，提供一种异常计步识别装置，该异常计步识别装置与上述实施例中异常计步识别方法一一对应。如图7所示，该异常计步识别装置包括获取模块11、合成模块12、过滤模块13、识别模块14和确定模块15。各功能模块详细说明如下：
获取模块11，用于获取采集数据；所述采集数据为在预设时间段内从计步传感器采集的数据，所述采集数据包括传感器区分标识、X轴数据、Y轴数据和Z轴数据；
合成模块12，用于将所述X轴数据、所述Y轴数据和所述Z轴数据进行三轴加速度矢量合成处理，生成三轴合成数据；
过滤模块13，用于对所述三轴合成数据进行滤波处理，得到待计步数据，并通过计步模型计算所述待计步数据中的步数，得到当前步数；
识别模块14，用于通过强条件异常识别模型对所述待计步数据进行周期性异常识别，得到强条件识别结果，同时获取与所述传感器区分标识对应的弱条件异常识别模型，通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量异常识别，得到弱条件识别结果；
确定模块15，用于在所述强条件识别结果和所述弱条件识别结果均为异常时，确定所述当前步数确定为异常步数。
在一实施例中，所述合成模块12包括：
矢量合成子模块，用于将所述X轴数据、所述Y轴数据和所述Z轴数据输入矢量合成模型中，通过所述矢量合成模型中的三轴加速度矢量合成函数，得到所述三轴合成数据；所述三轴加速度矢量合成函数为：
其中，
f(t)为三轴合成数据中在t时刻的合成值；
xt为X轴数据中在t时刻的值；
yt为Y轴数据中在t时刻的值；
zt为Z轴数据中在t时刻的值。
在一实施例中，所述过滤模块13包括：
平滑子模块，用于对所述三轴合成数据进行平滑处理，得到过渡数据；
降噪子模块，用于对所述过渡数据进行降噪处理，得到所述待计步数据；
输入子模块，用于将所述待计步数据输入所述计步模型中；
搜索子模块，用于通过所述计步模型对所述待计步数据进行极点值搜索，搜索出所述待计步数据中的波峰点和波谷点；
输出子模块，用于根据所有所述波峰点的数量和所有所述波谷点的数量，获取所述计步模型输出的所述当前步数。
在一实施例中，所述识别模块14包括：
提取子模块，用于通过所述强条件异常识别模型从所述待计步数据中提取出波峰数据和波谷数据；所述波峰数据为在所述待计步数据中所有所述波峰点的数据；所述波谷数据为在所述待计步数据中所有所述波谷点的数据；
计算子模块，用于通过所述强条件异常识别模型根据所有所述波峰数据，计算出波峰方差结果，同时根据所有所述波谷数据，计算出波谷方差结果；
强条件识别子模块，用于通过所述强条件异常识别模型对所述波峰方差结果和所述波谷方差结果进行周期性异常识别，识别出所述强条件识别结果。
在一实施例中，所述识别模块14还包括：
获取子模块，用于在所述传感器区分标识为加速度传感器时，获取与所述加速度传感器对应的所述弱条件异常识别模型；
能量计算子模块，用于通过获取的所述弱条件异常识别模型对所述X轴数据、所述Y轴数据和所述Z轴数据进行能量和计算，得到能量和结果；
弱条件识别子模块，用于通过所述弱条件异常识别模型对所述能量和结果进行方差异常识别和比值异常识别，得到所述弱条件识别结果。
关于异常计步识别装置的具体限定可以参见上文中对于异常计步识别方法的限定，在此不再赘述。上述异常计步识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种计步装置，该计步装置与上述实施例中计步方法一一对应。如图8所示，该计步装置包括请求模块101、划分模块102、异常识别模块103、汇总模块104和输出模块105。各功能模块详细说明如下：
请求模块101，用于接收到计步请求，获取当天从计步传感器采集的原始数据；所述原始数据包括原始总步数和原始步数数据；
划分模块102，用于将所述原始步数数据划分成预设时间间隔的单元步数数据；
异常识别模块103，用于通过上述的异常计步识别方法对各所述单元步数数据进行识别，识别出与各所述单元步数数据一一对应的识别结果；
汇总模块104，用于将识别出所有所述识别结果中的所有异常步数进行汇总，得到异常总步数；
输出模块105，用于将所述原始总步数与所述异常总步数相减，得到真实步数。
关于计步装置的具体限定可以参见上文中对于计步方法的限定，在此不再赘述。上述计步装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常计步识别方法，或者计步方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中异常计步识别方法，或者处理器执行计算机程序时实现上述实施例中计步方法。
在一个实施例中，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上述实施例中异常计步识别方法，或者计算机程序被处理器执行时实现上述实施例中计步方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
