随着信息技术以及电子设备软硬件的高速发展，智能手机和人们的日常生活的联系愈加密切，与此同时，Android 手机操作系统已经成为市场占有率第一的智能手机系统。人们的衣食住行都离不开移动设备，而热爱生活的人们也通过智能设备记录运动轨迹，利用数字化设备对运动信息数据的存储、处理以及对比来实现更好的运动效果。由于语音处理和识别的发展，语音控制也使得人们操作智能设备变得更为方便、快捷。

要利用智能设备对被追踪者的运动轨迹进行跟踪，首先要获取到被追踪者地理位置。Android系统的地理位置获取，主要有GPS定位、WiFi定位和移动网络定位这三种。GPS定位是通过全球定位系统，由卫星发射的信号来进行定位；WiFi定位是一种能够精确获得地理位置数据的方法，但是需要用到与GPS坐标一一对应的WiFi热点；移动网络定位通过采集到手机所连接的基站ID号和其它的一些区域码、网络码信息，然后通过网络访问定位服务，获取并返回对应的经纬度坐标。

国外在对地理位置的提取方式研究中，HansHofken提出了对Android设备地理位置的取证分析技术。在分析手机地理位置数据在手机上的存储结构以及相应的提取原理之后，利用先进的GPS地理数据获取方式实现对手机当前地理信息的提取，以此设计并实现了手机端地理位置提取工具AndroidForensicToolkit。在对提取到的地理位置呈现的时候，调用标准的地图服务(如谷歌地图)所提供的API，实现地理位置的图形化展示，凭借地图上路线的描述来显示用户的历史动作。

国外的googlemap、微软的virtual earch以及国内的百度公司都为获取用户手机的位置信息提供了开放性API。由于基于手机的定位技术提出较早，在手机位置信息的提取研究中国内外都有了比较成熟的研究技术。

在国内的相关研究中，武汉大学的康朝贵在轨迹的计算理论与方法的研究中，利用手机采集用户的位置信息，分析城市中居民在日常生活中的活动时间熵和空间熵之间的特征。不仅探讨了位置信息记录在出行识别研究中的必要性，而且提出了一种考虑空间邻近性的轨迹近似熵特征分析方法，为准确发现人群的出行规律以及揭示人群活动动态做出了贡献。

在语音识别方面，21世纪以后，人们在信号处理方面的神经网络开始了大规模的研究，并且在语音识别领域已经有了较好的应用。近两年，低资源语音识别成了语音识别领域的热点问题。卷积神经网络( Convolutional Neural Network, CNN)是低资源深度的一种有效的声学建模方法,深度神经网络(DeepNeuralNetwork,DNN)在低资源语音识别的应用主要有两种：一种是DNN-HMM混合模型，另一种是RNN-HMM级联模型，DNN结构虽然具有很强的分类能力，但是在上下文时序信息方面的捕捉能力有限，因此并不适合处理具有长时相关性的时序信号。而RNN特别适合用对时序信号的建模，在时序信号处理方面可以替换DNN，成为语音识别领域的深度学习框架。

语音控制的运动轨迹跟踪是基于市场上现有的语音包、电子地图和Android设备的GPS系统来实现的，利用电子地图结合GPS 导航系统的定位信号，在其基础上进行功能扩展。本设计主要探讨的就是利用GPS系统对被跟踪对象进行实时定位，对电子地图进行实时更新，将记录到的运动点绘制成一条曲线，以实现轨迹的跟踪和展示功能。

2. 研究的基本内容与方案

本系统设计运用Eclipse开发平台，安装ADT（Android Development Tools）安卓开发工具插件，完成编程并在模拟设备上运行调试程序，实现语音控制运动轨迹跟踪。模拟测试完成后，将APK安装到Android移动设备中进行真实环境的测试，利用语音识别技术、电子地图和GPS系统完成基于语音控制的运动轨迹实时跟踪和轨迹路径显示。

在Android系统上获取地理位置信息的三种主要方法：①Google Play Service提供的API，但在国内不可使用；②系统提供的原生API：由系统的 android.location 中提供的两个类：LocationManager类和LocationListener类来获取GPS的经纬度数据；③使用市场上现有的电子地图SDK提供的API做二次开发。

围绕以上方面，本文拟采用的技术如下：