基于红外信号的人体智能识别方法及系统技术方案

本发明专利技术公开了一种基于分布式布局热释电红外探测器的人体智能识别方法及系统。该识别系统由位于监测现场的分布式布局的探测器和探测器主机组成。探测器和探测器主机通过无线通信传递信息。该方法为，探测器对检测区域进行实时信号处理；提取事件窗口，然后对事件窗口中的信号进行时域特征和频域特征的提取，把提取的特征通过无线通信传输给探测器主机，探测器主机对每个探测器的信息进行特征层融合，通过主元回归算法判断待识别对象是否为人体。该人体智能识别方法结合了分布式布局探测器信息融合技术及模式识别技术，可有效减少外界环境和其他生物对监控系统的影响，减少了被动热释电红外探测器的误识别率。

【技术实现步骤摘要】

本专利技术属于生物传感、信号处理和模式识别
，具体涉及一种基于红外信号的人 体智能识别方法，通过该方法可以实现对人体和非人体红外热源的识别。从而使基于人体红 外信号的检测与识别在安防或智能家居等领域的应用得到技术上的极大提升，在方法和技术 上确保最大化的减少被动热释电红外探测器的误识别率。
技术介绍
随着社会的发展与进步，无论是普通家庭、银行、机场还是部队，人们开始越来越关注 安全问题，而人体入侵是这些安全问题产生的主要原因.人体生物探测器由于其主要对人体 感应，目前在人体入侵检测领域有很大的市场需求。被动热释电红外探测器(PIR)由于其成本低廉，功耗小，是无源传感器不容易被探测到，另外具有好的环境适应性等特点被广泛的应用于公共安全、企业安全和社区、家庭安全等领域 但是目前被动热释电红外探测器存在许多不足，从而导致其应用领域局限在安防性能要求不高，或是作为其它高端监控产品的前端感应器件。其主要原因在于 一是由于不能识别入侵对象是人体或其它对象，而导致严重的误报。二是由于人体着装面料的不同导致对入侵对象不能准确检测，而造成较高的误报率。随着无线通信技术、计算机技术、电子技术和各种智能算法的发展，使得研制具有高识 别率的人体智能识别系统成为可能。通过无线通信可以把分布式布局的各个探测器的信息传 输到高性能的处理器上，然后通过信息融合及模式识別的方法得到准确的识别结果.
技术实现思路
本专利技术的目的是提出一种基于分布式布局热释电红外探测器的智能识别方法，融合多个 探测器的信息、采用模式识别技术，提高对入侵人体的正确识别率，拒绝对非人体对象的误 报 本专利技术为一种基于红外信号的人体智能识别方法，其特征为，该方法通过多个分布式布 局的探测器从不同角度完成对检测区域红外热源型号的实时采集，在所述多个分布式布局的 探测器中对所采集的信号进行信号放大、数字滤波和特征信息提取，并且，由分布式布局的 探测器把所提取的特征信息通过无线通信传输给探测器主机'探测器主机对每个探测器的特征信息进行特征层的融合处理，在训练阶段得到人和非人两类红外热源的回归向量及概率密 度函数，在测试阶段根据训练阶段得到的回归向量及概率密度函数识别红外热源对象是否为 人体。并且根据上述基于红外信号的人体智能识别方法，本专利技术还提出 一种基于红外信号的人 体智能识别系统，该系统由分布式布局的多个探测器和探测器主机组成，所述分布式布局的 探测器和所述探测器主机通过无线通信传递信息，分布式布局的探测器完成对红外热源的采 集、预处理和特征提取，并将特征信息传输给探测器主机，探测器主机对各个探测器发来的 信息进行特征层的信息融合，判断待识别对象是否为人体。分布式布局的探测器主要由热释电红外传感器、红外信号检测放大电路、PIC16F877控 制器，无线通信模块组成，完成对探测器视野范围红外热源的检测和特征提取。探测器主机 主要由TI公司的TMS320DM642处理器和无线通信模块等组成，完成与各探测器的通信，实 现对各个探测器信息的融合，并识别判断待检测对象是否为人体。热释电红外探测器只能对其视野范围(FOV)内的对象进行检测，单个探测器的FOV有限， 并且检测准确性差，为了增大探测范围同时提高探测系统的检测准确性需要采用多个传感器 共同对^:测区域进行检测。本专利技术中采用声个分布式布局的红外探测器目的是为了从不同角度获得红外辐射源的特 征波形，为识别系统提供更多有价值的信息.分布式探测器及探测器主M信息处理的方法 如下分布式探测器首先，M测器实时对热释电红外传感器输出的信息进行处理，判断是否有红外热源在监 测区域出现，其实现方法如下(p用带通正弦滤波器作为匹配滤波器，即sin，去捕捉和放大响应信号，式中W是滤波器的长度，取^=20 ② 对步骤(P中的数据进行数字化.计算滤波后信号的斜率，斜率绝对值大于门限SlopeJTh 的点为l,否则为0。斜率门限SlopeJTh的确定方法在训练过程中对按固定路径(包括在检测区域内垂直行走， 水平行走和45度行走)行走得到波形的斜率进行平均并乘以0.75作为门限'③ 把②中的数据转换成事件窗口.统计②中连续为1的个数，如果超过宽度门限WideJTh 则确定为事件窗口，否则忽略，并重新开始统计l的个数.宽度门限Wide—Th的确定方法在训练过程中检测区域有人体行走时'热释电红外传感器输出波形信号宽度的均值乘以0.75作为门限。定义满足最大斜率正负交替，并且最大斜率的绝对值连续大于斜率门限Slope一Th的个数超 过宽度门限WideJTh的起始点到结束点的宽度为事件窗口 。④对事件窗口中的数据进行特征提取，包括时域波形过零点的频率Rate—ZeroCross、最大 斜率Slope和频域的频语Spectrum及总能量TotaLPower，把0 - 20Hz的频率分成條 Sect—Fl: 0~5Hz, Sect—F2: 5~10Hz， Sect—F3: 10~15Hz， Sect—F4: 15 20Hz，计算各段能量 的比例RateFl，RateF2， RateF3， RateF4。(D把④中提取的各4笨测器的特征信息数据传送给探测器主机，特征信息的传输格为 Featurel=, Feature2 = ;其中Featurel是l x 7的向量，Feature2就是事件窗口中信号的频语Spectrum,长度为128点。 N探测器构成的Featurel是Nx7的矩阵，Feature2是N x 128的矩阵。探测器主机 . 在训练阶段探测器主机在接收到各个探测器的特征信息后进行如下处理①对各个探测器的Fea/"wl特征进行标准化处理，探测器总数为N，初始特征为Fe^^eli,/ = 1，2，…，W,则初始特征矩阵标准化过程为:<formula>formula see original document page 7</formula>式中//表示训练样本初始特征矩阵Fea加wl的均值；tf表示训练样本初始特征矩阵 的方差矩阵均值；Wor附-巧表示经标准化处理后的特征矩阵，② 对①中标准化的特征矩阵Mwvm_F及FeW"re2分别利用PCA主元分析，把特征值按从大到小的顺序排列，保留前5个特征值对应的特征向量，而忽略其它特征值对应的特征向 量，得到降维的特征矩阵NF和F2。③ 把②中得到的特征矩阵NF和F2利用下面的公式进行特征组合F-;其中0S"1 (2)④对③中的组合特征矩阵利用多元线性回归方法得到回归向量R。 计算训练样本的均值和方差,其中/^和s。分别是非人体热源的均值和 方差，A和i^分别是人体热源的均值和方差。在测试阶段① 对各个探测器的&a加rel特征用(1)式进行标准化处理。② 把①中标准化处理后的特征iVb/7w—F及尸e加wre2进行特征组合得到待识别对象的特征向量M。③ 将M与训练阶段得到的回归向量进行内积运算，即;c = M.及。④ 需要识别的问题是两分类问题，对待识别的;c有2种假设(/Z。，/M ，其中/Z。识别结果为 非人体，巧表示识别结果为人体，按(3)式进行判别。k{ o 、,、 ' '〃，/ = 0,1， (3)其中； (;c 1 H,) = W(/z,，5本文档来自技高网...

【技术保护点】
基于红外信号的人体智能识别方法，其特征在于，该方法通过多个分布式布局的探测器从不同角度完成对检测区域红外热源的实时采集，在所述分布式布局的探测器中对所采集的信号进行信号放大、数字滤波和特征信息提取，并且，由分布式布局的探测器把所提取的特征信息通过无线通信传输给探测器主机，探测器主机对每个探测器的特征信息进行特征层的融合处理；在训练阶段得到人和非人两类红外热源的回归向量及概率密度函数，在测试阶段根据训练阶段得到的回归向量及概率密度函数识别红外热源对象是否为人体。

【技术特征摘要】

【专利技术属性】
技术研发人员：龚卫国，王林泓，李伟红，杨利平，梁光清，黄宜民，肖虹，李正浩，辜小花，
申请(专利权)人：重庆大学，重庆建设工业有限责任公司，
类型：发明
国别省市：85[中国|重庆]