随着车联网的发展,行人在交通场景中扮演的角色越来越受到重视,获取行人的状态信息能够更好地实现人车路协同。交通环境下传统的行人状态识别技术主要使用基于计算机视觉的方法,该类技术通过图像处理方法对图像或者视频进行分析,从中提取出行人的状态,但是摄像头会受区域、天气等外部影响,同时它运算量大对处理器计算能力要求比较高。随着智能移动设备无线通信技术和传感器技术的快速发展,基于行人随身携带的智能移动设备内置传感器的状态识别方法逐渐成为研究热点,该方法更加灵活方便,不受天气影响。因此,本文提出了一种基于智能手机运动传感器的行人状态识别方法。论文主要工作如下:首先,论文分析了人车路协同环境下的行人运动状态,分析了便携式智能终端识别行人状态需要的传感器,并介绍了状态识别流程。其次,针对状态识别的实时性和低功耗要求,论文设计一种基于多运动传感器的低功耗的行人状态识别模型。通过获取行人携带的移动终端运动传感器的数据,论文对其原始数据进行滤波、窗口分割等预处理,然后对窗口数据进行特性提取,并且对提取的特征使用改进的遗传算法进行特征选择,以降低其复杂度,最后使用欧氏距离与支持向量机的分类器对静止、步行、跑步、自行车和汽车五种状态进行分类识别。引入决策树和K-最近邻使用数据集进行对比实验,结果表明本文使用的方法的准确率和实时性更好。然后,为了实现基于移动终端的行人状态识别,本文进行了基于安卓智能手机的行人状态识别的应用程序设计与开发。通过实现设计的状态识别方法,本文对行人状态进行实时分类识别,并对识别结果显示输出。最后,根据实际交通场景进行分类测试验证,本文测试该算法在不同场景下的识别准确率与功耗。通过实验表明,本文提出的方法对五种状态的平均识别率达到80.9%,与传统的SVM算法相比,同等条件下,功耗降低了37.5%,延迟减低了12.7%,验证了本文设计的方法的可行性与有效性。