基于热释电红外探测的人体动作分层次识别方法

1.一种基于热释电红外探测的人体动作分层次识别方法，其特征在于，包括如下步骤：
1）实验设施的设置，
采用表面加盖有菲涅尔透镜的单只PIR传感器，设置传感器距地面高度为H，传感器与人体垂直距离为D；
2）进行人体动作数据采集；
3）进行特征提取，
根据采集的不同信号的人体动作特点，分别采用快速傅里叶变换和小波包分析提取不同动作的特征参量；
4）分层次识别，
将步骤3所提取的特征作为特征参数，将它们一一区分开，具体包括如下过程：
（1）分别获得步骤3中采用快速傅里叶变换算法提取走和跑信号的频谱特征，和采用基于小波包能量的特征提取方法提取的跳，捡，踢，攀爬的小波包能量特征；
（2）将走和跑的频谱特征区分开；
（3）将攀爬的小波包能量特征与跳，捡，踢的小波包能量特征区分开；
（4）将跳，捡，踢的小波包能量特征区分开；
5）使用K均值聚类算法实现分类过程，考虑到不同人的热释电信号存在一定个体差异性，在分类过程中采取五折交叉验证算法来评估训练模型。
2.根据权利要求1所述的基于热释电红外探测的人体动作分层次识别方法，其特征在于，所述的人体动作数据采集是，选择多数个被测对象，每一个被测对象在与高度为H的PIR传感器向下垂线的水平距离D处依次做六种动作，分别是：走，跑，跳，捡，踢，攀爬，每种动作做十次，并建立小样本的人体热释电红外动作数据库。
3．根据权利要求1所述的基于热释电红外探测的人体动作分层次识别方法，其特征在于，在进行步骤3所述的特征提取时，由于走和跑两种动作在频率上与跳，捡，踢，攀爬动作区分较明显，因此先采用快速傅里叶变换算法提取走和跑信号的频谱特征，从而将这两种动作与跳，捡，踢，攀爬动作区分开；小波包分析获取信号中的突变、偏移、趋势、事件开始和终止成分，适合跳，捡，踢，攀爬这几类动作的特征提取。
4．根据权利要求1所述的基于热释电红外探测的人体动作分层次识别方法，其特征在于，步骤3所述的小波包分析是采用基于小波包能量的特征提取方法，即经过5层db4小波包分解后，在重构各尺度小波系数的基础上求解不同分解尺度上信号的能量，并将这些能量值按尺度顺序排列形成特征向量供识别过程使用，设C5j (j=0,1,…,32)表示第五层小波包重构系数，其对应的能量为E5j (j=0,1,…,32)，则有
其中， (j=0,1,…,32; k=1,2,…,n)表示重构信号C5j离散点的幅值，将上述能量为元素构造信号的特征向量T作为后续分类器的输入，即
T=[E51, E52,…, E5j] (j=32) 。
5．根据权利要求1所述的基于热释电红外探测的人体动作分层次识别方法，其特征在于，步骤5所述的使用K均值聚类算法实现分类过程是，在全部15个受试者中，每次选取其中三个受试者的数据作为测试样本，余下的数据作为训练样本用于确定每一类动作数据的聚类中心，通过计算每个样本到聚类中心的距离来将其归类到距离最短的中心所在的类，以此类推，一直循环到所有受试者均被选择过一遍为止，这种交叉验证方法也在一定程度上避免了因不同人的个人差异性而造成的影响，最后通过正确识别率的计算来得到识别结果：
PCR=Nc/N×100%
其中Nc为识别正确的样本数，N为总测试样本数。

基于热释电红外探测的人体动作分层次识别方法\n技术领域\n[0001] 本发明涉及一种人体动作分层次识别方法。特别是涉及一种根据不同动作热释电信号的特点，分别采用快速傅里叶变换和小波包分析提取不同动作的运动特征的基于热释电红外探测的人体动作分层次识别方法。\n背景技术\n[0002] 随着计算正渗透和影响着人们生活的各个方面，根据传感器数据来识别人的动作和行为逐渐成为“以人为中心的计算”中一个非常活跃的研究领域。人的运动分析在高级人机交互、安全监控、视频会议、医疗诊断及基于内容的图像存储与检索等方面具有广泛的应用前景和潜在的经济价值，从而激发了国内外广大科研工作者及相关商家的浓厚兴趣。基于视觉的人的运动分析是近年来计算机视觉领域中备受关注的前沿方向，它针对包含人的图像序列进行运动检测、目标分类、跟踪以及对人的运动进行理解和识别，属于图像分析和理解的范畴；从技术角度而言，人的运动分析的研究内容相当丰富，既包含了图像处理以及计算机视觉等知识，也涉及了模式识别以及人工智能的理论，是一个多学科交叉的研究方向。尽管有关人运动的视觉分析的研究已经取得一定成果，但是在运动分割、遮挡处理、三维建模及性能评估等方面还存在着许多缺点和不足；各种成像设备价格昂贵，检测及识别算法复杂度高，视频、红外图像涉嫌隐私侵犯等问题，使得人体运动的视觉分析在某些特定场合难以得到适当的应用。\n[0003] 热释电红外（pyroelectric infrared, PIR）传感器是一种基于热释电效应原理的被动红外探测器，它能够检测出探测区域内的移动红外辐射源，实现运动人体的检测。由于其低成本、低功耗及环境适应性强等特点，被广泛应用于安防系统、照明控制及摄像机的辅助监控中。PIR传感器可以将探测到的运动人体的红外辐射转换为连续电压信号输出，在该模拟信号中包含有与人体运动形态有关的特征信息，利用统计学方法或特征提取算法可以从中获取与人体某些特定动作（如行走、跑步、跳跃等）相对应的特征参量，从而设计实现一种基于热释电信息的人体动作识别系统。目前，利用热释电信息进行人体动作识别在国内外的研究中尚属少见：清华大学的杨靖等人利用单个PIR传感器检测一名受试者原地踏步与跳跃两种动作的热释电信号，通过对信号的分析处理，实现了对这两种动作的监测和识别，但尚未考虑不同受试者和不同动作模式的情况。本专利提出的人体动作模式实验设计、不同动作信号的特征提取过程以及分层次识别算法等，可以用于建立小样本红外动作数据库，并实现对数据库中不同人的不同动作模式的特征提取和分类识别，为热释电信号的分析和处理提供一种新的思路。\n发明内容\n[0004] 本发明所要解决的技术问题是，提供一种能够实现对不同人不同运动状态的检测和识别的基于热释电红外探测的人体动作分层次识别方法。\n[0005] 本发明所采用的技术方案是：一种基于热释电红外探测的人体动作分层次识别方法，包括如下步骤：\n[0006] 1）实验设施的设置，\n[0007] 采用表面加盖有菲涅尔透镜的单只PIR传感器，设置传感器距地面高度为H，传感器与人体垂直距离为D；\n[0008] 2）进行人体动作数据采集；\n[0009] 3）进行特征提取，\n[0010] 根据采集的不同信号的人体动作特点，分别采用快速傅里叶变换和小波包分析提取不同动作的特征参量。\n[0011] 4）分层次识别，\n[0012] 将步骤3所提取的特征作为特征参数，将它们一一区分开；\n[0013] 5）使用K均值聚类算法实现分类过程，考虑到不同人的热释电信号存在一定个体差异性，在分类过程中采取五折交叉验证算法来评估训练模型。\n[0014] 所述的人体动作数据采集是，选择多数个被测对象，每一个被测对象在与高度为H的PIR传感器向下垂线的水平距离D处依次做六种动作，分别是：走，跑，跳，捡，踢，攀爬，每种动作做十次，并建立小样本的人体热释电红外动作数据库。\n[0015] 在进行步骤3所述的特征提取时，由于走和跑两种动作在频率上与跳，捡，踢，攀爬动作区分较明显，因此先采用快速傅里叶变换算法提取走和跑信号的频谱特征，从而将这两种动作与跳，捡，踢，攀爬动作区分开；小波包分析获取信号中的突变、偏移、趋势、事件开始和终止成分，适合跳，捡，踢，攀爬这几类动作的特征提取。\n[0016] 步骤3所述的小波包分析是采用基于小波包能量的特征提取方法，即经过5层db4小波包分解后，在重构各尺度小波系数的基础上求解不同分解尺度上信号的能量，并将这些能量值按尺度顺序排列形成特征向量供识别过程使用，设C5j (j=0,1,…,32)表示第五层小波包重构系数，其对应的能量为E5j (j=0,1,…,32)，则有\n[0017] \n[0018] 其中， (j=0,1,…,32; k=1,2,…,n)表示重构信号C5j离散点的幅值，将上述能量为元素构造信号的特征向量T作为后续分类器的输入，即\n[0019] T=[E51, E52,…, E5j] (j=32) 。 \n[0020] 步骤4所述的分层次识别，包括如下过程：\n[0021] 1）分别获得步骤3中采用快速傅里叶变换算法提取走和跑信号的频谱特征，和采用基于小波包能量的特征提取方法提取的跳，捡，踢，攀爬的小波包能量特征；\n[0022] 2）将走和跑的频谱特征区分开；\n[0023] 3）将攀爬的小波包能量特征与跳，捡，踢的小波包能量特征区分开；\n[0024] 4）将跳，捡，踢的小波包能量特征区分开。\n[0025] 步骤5所述的使用K均值聚类算法实现分类过程是，在全部15个受试者中，每次选取其中三个受试者的数据作为测试样本，余下的数据作为训练样本用于确定每一类动作数据的聚类中心，通过计算每个样本到聚类中心的距离来将其归类到距离最短的中心所在的类。以此类推，一直循环到所有受试者均被选择过一遍为止，这种交叉验证方法也在一定程度上避免了因不同人的个人差异性而造成的影响。最后通过正确识别率的计算来得到识别结果：\n[0026] PCR=Nc/N×100% \n[0027] 其中Nc为识别正确的样本数，N为总测试样本数。\n[0028] 本发明的基于热释电红外探测的人体动作分层次识别方法，依据不同动作特点提取不同特征进行分层次识别的方法准确率较高，在实际应用中效果较好。可以为热释电信号的处理提供一种新的思路，进而应用于安防系统、智能家居以及人机交互领域等领域。\n附图说明\n[0029] 图1是本发明实验模拟场景示意图；\n[0030] 图2是受试者A六种动作信号的时频图\n[0031] 其中：（a）是走的时频图，（b）是跑的时频图，（c）是跳的时频图，（d）是捡的时频图，\n[0032] （e）是踢的时频图，（f）是攀爬的时频图；\n[0033] 图3是分层次识别算法流程图；\n[0034] 图4是分层次前后识别结果对比图。\n具体实施方式\n[0035] 下面结合实施例和附图对本发明的基于热释电红外探测的人体动作分层次识别方法做出详细说明。\n[0036] 本发明的基于热释电红外探测的人体动作分层次识别方法，提出一种新的基于热释电红外探测的人体动作识别方法，通过建立包含15个人6种动作的小样本红外动作数据库，并根据不同动作信号的特点，分别采用频谱分析和时频分析算法提取动作特征，最后提出一种基于不同信号特征的分层次动作识别方法，继而实现对不同人不同运动状态的检测和识别。\n[0037] 本发明的基于热释电红外探测的人体动作分层次识别方法，包括如下步骤：\n[0038] 1）实验设施的设置，\n[0039] 采用表面加盖有菲涅尔透镜的单只PIR传感器A，设置传感器A距地面高度为H，传感器A与人体B垂直距离为D；\n[0040] 实验模拟场景如图1所示。实验对象为身体健康，年龄在21～25岁的青年，其中男性8人，女性7人。被测对象B沿固定路线行走，在与传感器A的垂直位置做相应动作，D为传感器与被测人体的距离，H为传感器与地面高度。经过优化比较后，将传感器的位置固定为D=2m，H=1.3m。实验中，受试者被要求依次做六种动作，分别是：走（walk），跑（run），跳（jump），捡（pick），踢（kick），攀爬（climb），每种动作做十次。15个受试者共采集到900个样本，从而建立起一个小样本的人体热释电红外动作数据库。\n[0041] 2）进行人体动作数据采集；\n[0042] 本发明提出的算法主要对走、跑、跳、捡、踢、攀爬等六种动作进行识别，因此需要根据动作的特点及信号的特征来选取适合的特征提取方法。图2给出了一名受试者六种动作的时频图，从图中可以看出不同动作信号的时间和频率的对应关系以及能量分布情况。\n其中，走和跑两种动作包含较多的低频信息，且时域上持续时间较长；跳、捡、踢三类信号的时频图有着相似性，能量均集中在某一时间段内，且持续时间较短，能量较高；攀爬信号的特征则介于上述两类信号之间，能量分布有一定的时间延续性，在某一时间段内能量较集中。信号时频分布的差异性也能从各种动作的特点上得到对应的解释：走和跑两种动作显然持续的时间较长，频率较低；而跳、捡、踢三种动作包含瞬时突变信号，在频谱图上表现为某一刻出现尖峰，因此高频成分较多，能量较集中；攀爬动作则属于在某一时刻突变（攀上过程）后经过一段较缓慢的持续时间（跨越或爬行过程）后再进行第二次突变（跳下过程），因此信号表现为在两个时刻能量较集中，且包含较多高频信息，中间一段时间内信号则频率较低，能量也较低。\n[0043] 所述的人体动作数据采集是，选择多数个被测对象，每一个被测对象在与高度为H的PIR传感器向下垂线的水平距离D处依次做六种动作，分别是：走，跑，跳，捡，踢，攀爬，每种动作做十次，并建立小样本的人体热释电红外动作数据库。\n[0044] 3）进行特征提取，\n[0045] 根据采集的不同信号的人体动作特点，分别采用快速傅里叶变换（Fast Fourier Transform，FFT）和小波包分析（Wavelet Packet Analysis，WPA）提取不同动作的特征参量。\n[0046] 在进行所述的特征提取时，由于走和跑两种动作在频率上与跳，捡，踢，攀爬动作区分较明显，因此先采用快速傅里叶变换（FFT）算法提取走和跑信号的频谱特征，从而将这两种动作与跳，捡，踢，攀爬动作区分开；小波包分析获取信号中的突变、偏移、趋势、事件开始和终止成分，适合跳，捡，踢，攀爬这几类动作的特征提取。\n[0047] 快速傅里叶变换是离散傅里叶变换（Discrete Fourier Transform，DFT）的快速算法，是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。假设有N点有限长序列 ，则其DFT为：\n[0048] (1)\n[0049] FFT算法的基本思想是利用离散傅里叶变换DFT的旋转因子的周期性和对称性，合并DFT运算中的某些项，将长序列DFT转换为短序列DFT，从而减少DFT的运算次数。FFT算法一般可分为时域抽取法 (DIT-FFT)和频域抽取法 (DIF-FFT)两种，如公式（2）和（3）所示。经过FFT之后，得到六种动作信号的频谱特征作为用于分类过程的特征参量。\n[0050] (2)\n[0051] (3)\n[0052] 所述的小波包分析是采用基于小波包能量的特征提取方法，即经过5层db4小波包分解后，在重构各尺度小波系数的基础上求解不同分解尺度上信号的能量，并将这些能量值按尺度顺序排列形成特征向量供识别过程使用，设C5j (j=0,1,…,32)表示第五层小波包重构系数，其对应的能量为E5j (j=0,1,…,32)，则有\n[0053] （4）\n[0054] 其中， (j=0,1,…,32; k=1,2,…,n)表示重构信号C5j离散点的幅值，将上述能量为元素构造信号的特征向量T作为后续分类器的输入，即\n[0055] T=[E51, E52,…, E5j] (j=32) （5）\n[0056] 4）分层次识别，\n[0057] 将步骤3所提取的特征作为特征参数，将它们一一区分开；\n[0058] 所述的分层次识别，包括如下过程：\n[0059] （1）分别获得步骤3中采用快速傅里叶变换（FFT）算法提取走和跑信号的频谱特征，和采用基于小波包能量的特征提取方法提取的跳，捡，踢，攀爬的小波包能量特征；\n[0060] （2）将走和跑的频谱特征区分开；\n[0061] （3）将攀爬的小波包能量特征与跳，捡，踢的小波包能量特征区分开；\n[0062] （4）将跳，捡，踢的小波包能量特征区分开。\n[0063] 5）使用K均值聚类算法实现分类过程，考虑到不同人的热释电信号存在一定个体差异性，在分类过程中采取五折交叉验证算法来评估训练模型。\n[0064] 所述的使用K-means聚类算法实现分类过程是，在全部15个受试者中，每次选取其中三个受试者的数据作为测试样本，余下的数据作为训练样本用于确定每一类动作数据的聚类中心，通过计算每个样本到聚类中心的距离来将其归类到距离最短的中心所在的类。以此类推，一直循环到所有受试者均被选择过一遍为止，这种交叉验证方法也在一定程度上避免了因不同人的个人差异性而造成的影响。最后通过正确识别率（Probability of Correct Recognition, PCR）的计算来得到识别结果：\n[0065] PCR=Nc/N×100% （3）\n[0066] 其中Nc为识别正确的样本数，N为总测试样本数。\n[0067] 图4所示为采用K-means算法对六种动作的识别结果。从中可以看出，采用分层次识别算法的正确率比未分层之前提取单一特征的正确率要高。其中，走和跑动作的识别率为96.67%，跳动作的识别率为86.78%，捡动作的识别率为84.31%，踢动作的识别率为\n89.25%，攀爬动作的识别率为89.85%，可见，本发明提出的依据不同动作特点提取不同特征进行分层次识别的方法准确率较高，在实际应用中效果较好。