人体动作热释电装置及其识别方法

摘要

一种人体动作热释电装置及其识别方法，装置有通过菲涅尔透镜接收应受试者行走图像的传感器，传感器的信号输出依次经放大滤波电路和数据采集卡进入计算机。识别方法是，热释电红外数据采集；信号预处理，有离散小波变换和小波变换降噪；特征提取，有相似性参数提取；规则性评价参数提取。本发明采用带有菲涅尔透镜的红外热释电传感设备采集人体运动时的动作信息，通过信号的预处理、特征提取，能够很好地实现三种动作模式的区分。由于红外热释电传感器体积小，廉价，和传统的视频图像分析相比，具有显著的优势。该基于红外热释电的动作识别方法可以应用到需要注意安全性的场所中，比如监狱周界、银行等，能够带来一定的社会效益和经济效益。

权利要求

1.一种用于人体动作热释电装置的识别方法，其特征在于，包括如下步骤：

1）热释电红外数据采集

所述的热释电红外数据采集，是受试者沿固定路线做以下三种动作模式，第一种为正常行走，并在与传感器垂直的方位做跳跃动作；第二种同样为正常行走，在与传感器垂直的方位做拾拣的动作；第三种为一直正常行走；

2）信号预处理，包括：

（1）离散小波变换；

（2）小波变换降噪；

3）特征提取，包括：

（1）相似性参数提取；

（2）规则性评价参数提取

所述的规则性评价参数提取，是首先对行走和拾拣信号的EMD后的第二模态进行希尔伯特变换；然后将原信号作为X轴，Y轴表示希尔伯特变换信号，在二维空间中定义Hr参数，所述的Hr＝散点总和/（40*40）；为了使画出来图精度更高，将变换后的实部和虚部扩展到0-40，散点总和为在40*40的二维图上的散点个数和。

2.根据权利要求1所述的用于人体动作热释电装置的识别方法，其特征在于，所述的离散小波变换，是先对尺度按幂级数作离散化，然后再对位移离散化。

3.根据权利要求1所述的用于人体动作热释电装置的识别方法，其特征在于，所述的小波变换降噪，包括如下三个步骤：(1)一维信号的小波分解，选择一个小波函数，并且确定分解层次，进行分解；

(2)小波分解高频系数的阈值量化，对各个分解尺度下的高频系数进行一维小波重构；

对于基线漂移，由于它处于小波分解最高层次的低频层，因此，直接将小波分解最高层次细数置零，去除基漂；

(3)一维小波重构，根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。

4.根据权利要求1所述的用于人体动作热释电装置的识别方法，其特征在于，所述的相似性参数提取，是建立在经验模式分解的基础上，对分解出的高频一、二模态用欧式距离进行评价。

说明书

人体动作热释电装置及其识别方法

技术领域

[0001] 本发明涉及一种人体动作热释电识别方法。特别是涉及一种结合经验模态分解与规则度评价的人体动作热释电识装置及其识别方法。

背景技术

[0002] 生物特征识别技术是利用人体先天的生理特征或固有的行为特征来进行身份认证的新技术。指纹、虹膜、脸像等生理特征，通常要求近距离或者接触性的感知，而步态是远距离情况下可感知的行为特征。步态因其非侵犯、远距离、难伪装等优势引起了计算机视觉领域的浓厚兴趣，成为近年来生物特征识别技术中备受关注的前沿方向。其旨在根据人们的行走姿势实现对个人身份或动作的识别生理、病理及心理特征的检测，具有广阔的应用前景。

[0003] 热释电红外(PIR)传感器可以探测人体发出的红外辐射，在有效范围内可实现运动人体的检测。由于它的低成本低功耗，在防盗报警及自动照明控制等方面有广泛的应用。除此之外，将热释电红外传感器应用于身份或动作识别的也有相关研究。

[0004] 清华大学精密仪器与机械学系的研究人员实现了利用热释电红外信号进行人体踏步和原地跳跃的动作识别。通过采集受试者在原地做“走5步-跳-走5步-跳-走5步-跳”的动作信号，在时、频两域提取其特征。

[0005] 图1为时域电压信号，W1-W15为踏步的信号峰；J1-J6为跳跃的信号峰，A1-A6为不同动作转换产生的转换信号峰。其通过对热释电传感器输出时域信号的处理得到信号中的峰值，确定出现人体踏步动作的时间点。而又通过对时-频域信号进行积分处理，得到跳跃信号的峰值，确定出人体跳跃动作的时间点。

[0006] 该研究探求了基于热释电红外信息的人体动作识别的可行性，并取得了有效的结果，为动作识别提出了一种心思路。但动作模式较简单，只实现了原地踏步与跳跃两种动作的识别，且动作设置有局限性，刻意性，与实际应用尚有一定的差距。

发明内容

[0007] 本发明所要解决的技术问题是，提供一种基于热释电红外信息的结合经验模态分解与规则度评价的人体动作热释电识装置及其识别方法。

[0008] 本发明所采用的技术方案是：一种人体动作热释电装置及其识别方法，人体动作热释电装置，包括有通过菲涅尔透镜接收应受试者行走图像的传感器，所述的传感器的信号输出依次经放大滤波电路和数据采集卡进入计算机。

[0009] 所述的受试者是在与传感器成90°的水平方向行走。

[0010] 一种用于人体动作热释电装置的识别方法，包括如下步骤：

[0011] 1)热释电红外数据采集；

[0012] 2)信号预处理，包括：

[0013] (1)离散小波变换；

[0014] (2)小波变换降噪；

[0015] 3)特征提取，包括：

[0016] (1)相似性参数提取；

[0017] (2)规则性评价参数提取。

[0018] 所述的热释电红外数据采集，是受试者沿固定路线做以下三种动作模式，第一种为正常行走，并在与传感器垂直的方位做跳跃动作；第二种同样为正常行走，在与传感器垂直的方位做拾拣的动作；第三种为一直正常行走。

[0019] 所述的离散小波变换，是先对尺度按幂级数作离散化，然后再对位移离散化。

[0020] 所述的小波变换降噪，包括如下三个步骤：

[0021] (1)一维信号的小波分解，选择一个小波函数，并且确定分解层次，进行分解；

[0022] (2)小波分解高频系数的阈值量化，对各个分解尺度下的高频系数进行一维小波重构；对于基线漂移，由于它处于小波分解最高层次的低频层，因此，直接将该层细数置零，去除基漂；

[0023] (3)一维小波重构，根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。

[0024] 所述的相似性参数提取，是建立在经验模式分解的基础上，对分解出的高频一、二模态用欧式距离进行评价。

[0025] 所述的规则性评价参数提取，是首先对行走和拾拣信号的EMD后的第二模态进行希尔伯特变换；然后将原信号作为X轴，Y轴表示希尔伯特变换信号，在二维空间中定义Hr参数；为了使画出来图精度更高，将变换后的实部和虚部扩展到0-40，散点总和为在40*40的二维图上的散点个数和。

[0026] 本发明的人体动作热释电识装置及其识别方法，采用带有菲涅尔透镜的红外热释电传感设备采集人体运动时的动作信息，通过信号的预处理、特征提取，能够很好地实现三种动作模式的区分。由于红外热释电传感器体积小，廉价，和传统的视频图像分析相比，具有显著的优势。该基于红外热释电的动作识别方法可以应用到需要注意安全性的场所中，比如监狱周界、银行等，能够带来一定的社会效益和经济效益。

附图说明

[0027] 图1是本发明的整体构成框图；

[0028] 图2是传感器及测试对象行走路线布置；

[0029] 图3是Jump(a)及其去噪后(b)的波形图；

[0030] 图4是Pick(a)及其去噪后(b)的波形图；

[0031] 图5是Walk(a)及其去噪后(b)的波形图；

[0032] 图6是jump动作emd分解；

[0033] 图7是pick动作emd分解；

[0034] 图8是walk动作emd分解；

[0035] 图9是正弦和白噪声的hilbert变换二维图。

具体实施方式

[0036] 下面结合实施例和附图对本发明的人体动作热释电识装置及其识别方法。

[0037] 本发明的人体动作热释电装置及其识别方法，首先搭建了由传感器和滤波放大电路等组成的红外信息采集硬件电路，并通过NI公司的数据采集卡和Labview平台连接，实现模拟电压信号的数字化；而后的数据处理包括基于小波变换的信号去噪、去均值的信号预处理，并提取了一种新奇的特征提取方案，得到表征信号不规则度的参数hr，最后采用阈值的判别方法实现了对三种动作的准确判别。

[0038] 如图1所示，本发明的人体动作热释电装置，包括有通过菲涅尔透镜2接收应受试者1行走图像的传感器3，所述的传感器3的信号输出依次经放大滤波电路4和数据采集卡6进入计算机5。所述的受试者1是在与传感器3成90°的水平方向行走。

[0039] 受试者在与传感器成90°的水平方向行走，动作信号由LabVIEW平台编写的采集程序得到。而后的数据处理中，首先对时域电压信号用小波分析的方法进行去除高频噪声；然后对去均值后的信号用经验模态分解进行分解，得到各模态的信号；然后对第一模态进行hilbert变换，并将实部和虚部扩展到0-40，x轴表示原信号，y轴表示变换后信号，在二维相空间中画出散点图，并定义特征参数的计算公式；最后，对特征进行阈值的判别，实现三种动作的识别。

[0040] 本发明的用于人体动作热释电装置的识别方法，包括如下步骤：

[0041] 1)热释电红外数据采集

[0042] 受试者1为身体健康的青年，传感器3及测试对象行走路线布置如图2所示。受试者1沿固定路线做以下三种动作模式，第一种为正常行走，在与传感器3垂直的方位做跳跃动作；第二种同样为正常行走，在与传感器3垂直的方位做拾拣的动作；第三种为正常行走。通过采集装置(数据采集卡6)采集人体运动时的红外信号。D为传感器与被测人体的距离，H为传感器与地面高度。实验中，D＝2m，H＝1.2m。

[0043] 在D＝2m，H＝1.2m时，分别采集受试者三种模式下样本数据，每个模式重复10次。由时域图可以看出，信号包含有高频的噪声，为了后续的特征提取，首先有必要对信号进行预处理。本发明采用小波固定阈值的方法进行去噪，而后又对信号采用了去均值处理，使其成为零均值信号。

[0044] 2)信号预处理

[0045] 在信号采集过程中，由于仪器、人体微小活动等因素而易引入噪声，为此，需要对其进行去除。本发明采用小波固定阈值去噪的方法进行去除。包括有：

[0046] (1)离散小波变换与多分辨率分析

[0047] 小波变换(WT)是一种时频局部化、多分辨分析方法，具有自动“变焦距”的功能。WT可用来提取和识别那些淹没在噪声中的微弱电生理信号。以WT为理论基础的信号处理方法，在获得信噪比增益的同时，能够保持对信号突变信息的良好分辨，因此对临床上的非平稳信号的处理中具有独特的优越性。由于WT具有的优良的时频分析特性，而且还具有处理非平稳随机信号的能力，因此WT应该能成为心电信号的一种可行有效的处理方法。

[0048] 离散小波变换简称DWT。通常的方法是先对尺度按幂级数作离散化，然后再对位移离散化。τ的采样间隔要满足Nyquist采样率，以保持信息的完整性。一般定义如下：

[0049]

[0050] 其中， 逆变换为：

[0051]

[0052] 其中，A为小波函数的框架。

[0053] 多分辨率概念是由S.Mallat和Y.Meyer于1986年提出来的。它又称为多尺度分析，其基本思想是利用正交小波基函数的多尺度特性将信号在不同尺度下展开并加以比较分析，从而获取有用的信息。

[0054] 时域上的大尺度对应着频域上的小尺度，由低通滤波器我们可以滤除高频信息，获取大尺度上的低频信息——概貌信息；时域上的小尺度对应着频域上的大尺度，由高通滤波器我们可以获取小尺度上的高频信息——细节信息。由此通过小波变换，我们既可以获取信息的低频信息，也可以获得信息的高频信息。

[0055] Mallat算法是由Mallat于1988年提出的小波分解与重构快速算法。根据该算法，若f(k)为信号f(t)的离散采样数据，且f(k)＝c0.k，则信号f(t)的正交小波变换分解公式为：

[0056]

[0057]

[0058] 其中，cj，k为尺度系数，dj，k为小波系数；h，g分别为低通和高通滤波器；j为分解尺度数；N为离散采样点数。小波重构过程是分解过程的逆运算，相应的重构公式为：

[0059]

[0060] (2)小波变换降噪

[0061] 一维信号的小波消噪过程主要分为以下三个步骤：

[0062] (i)一维信号的小波分解。选择一个小波函数，并且确定分解层次，进行分解。其中，如何选取小波函数是关键。

[0063] (ii)小波分解高频系数的阈值量化。对各个分解尺度下的高频系数进行一维小波重构。如何选取阂值以及进行阈值量化是关键。对于基线漂移，由于它处于小波分解最高层次的低频层，因此，可以直接将该层细数置零，去除基漂。

[0064] (iii)一维小波重构。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。

[0065] 在3个步骤中，最关键的是如何选择阈值及如何进行阈值量化，在某种程度上，它关系到信号降噪的质量。

[0066] 小波分析进行阈值处理一般有下述3种方法。

[0067] (i)默认阈值消噪。

[0068] (ii)给定阈值消噪。在实际应用过程中，阈值往往可以通过经验公式获得，而且这种阈值比默认阈值的可信度高。

[0069] (iii)强制消噪。将小波分解结构中的高频系数或想要去掉的频率水平的系数全部置零。即滤掉所有不需要的部分，然后对信号进行重构。方法简单，消噪后信号平滑，但容易失去有用成分。

[0070] 实验中，本发明采用‘db5’小波用固定阈值去噪的原理进行降噪，如图3、图4、图5所示，采用该方法能够有效地去除信号中的噪声。

[0071] 3)特征提取

[0072] 由三种动作的时域图可以看出，其反应了动作的特性。第一种模式中，跳跃动作表现为有一个很高的峰；第二种模式中，中间有一段平台期；而一直的正常行走表现为信号的一致性、规律性。为此，本发明首先对预处理后的信号进行经验模态分解，并对高频的一、二模态进行相似性的计算，将jump动作模式区分出；而后提取第二模态规则性特征，实现三种模式的识别。

[0073] (1)相似性参数

[0074] 在提取相似性参数之前，需要对信号进行经验模态分解，将信号分解为一系列的平稳性信号。

[0075] 经验模态分解(Empirical Mode Decomposition，EMD)是信号处理领域内解决非线性非平稳信号分析问题的新方法，是一种更具适应性的时频分析方法。它将信号分解为一系列固有模态分量(Intrinsic Mode Function，IMF)，每一个固有模态分量可以看作信号的固有模态，能够表达信号的局部特性。

[0076] EMD分解步骤：

[0077] 首先识别信号x(t)的所有极大值点和极小值点，分别拟合出信号的上、下包络线esup(t) elow(t)，计算上下包络线的平均值，即：

[0078]

[0079] 将x(t)减去m(t)得到：

[0080] c(t)＝x(t)-m(t) (6)

[0081] 然后将c(t)视为新的x(t)，重复上面的步骤，根据判止准则筛选出原信号的第一阶IMFc1(t)，将x(t)减去c1(t)得到：

[0082] m1(t)＝x(t)-c1(t) (7)

[0083] 把m1(t)看作新的x(t)，用同样的方法可以筛选出原始信号的其他IMF。x(t)最终表示为：

[0084]

[0085] 式中，r(t)称为残余项，代表信号的平均趋势。

[0086] 通过EMD，高频信息最先被分解出来，图6、图7、图8为一个正常行走信号的分解示意图。

[0087] 由分解图可知，三者的区分主要集中在高频部分。Walk(行走)和pick(拾拣)的第一、二模态波形相似，这是由于两者的高频信息的一致性，而第一种模式，跳跃信号表现在第二模态上，跳跃发生时刻的第一模态信号幅值很微弱。因此，采用相似性的概念，本发明采用欧式距离进行一二模态的相似性的评价，欧式距离公式为：

[0088] Xd(A，B)＝sqrt[∑(a[i]-b[i])2](i＝1，2，...n) (9)

[0089] (2)规则性评价参数

[0090] 通过一二模态的相似性参数只能将jump区分出，而walk和pick并不能识别出，为此，本发明又提出一种规则度的评价参数Hr。在提取之前，有必要介绍一下hilbert变换的有关概念。

[0091] (i)hilbert(希尔伯特)变换

[0092] Hilbert变换由于能够提取信号的瞬时频率信息，为非线性信号分析提供了坚实的理论基础。

[0093] 给定一连续的时间信号x(t)，其Hilbert变换是xh(t)，定义为：

[0094]

[0095] xh(t)可以看成是x(t)通过一滤波器的输出，该滤波器的单位冲击响应为h(t)＝1/πt，其频谱为：

[0096]

[0097]

[0098] 可以很容易看出，Hilbert变换器是幅频特性为1的全通滤波器。信号x(t)通过Hilbert变换器后，其负频率成分作90度相移，而正频率成分作-90度相移。

[0099] (ii)Hr参数计算方法

[0100] 为了区分walk和pick，对二者的EMD第二模态进行hilbert变换，将原信号作为x轴，y轴表示hilbert变换信号，在二维空间中定义Hr参数：

[0101]

[0102] 为了使画出来图精度更高，本文将变换后的实部和虚部扩展到0-40。散点总和为在40*40的二维图上的散点个数和。图9为正弦信号和白噪声的二维散点图。

[0103] 由图可知，它可以很好地表征信号规则度，能够用来作为walk和pick两种动作的识别。通过以上相似性参数和Hr参数的计算，得到样本的统计参数，如表1所示：

[0104] 表1特征参数统计

[0105]

[0106] 由表1知，通过两次阈值判别，就可以将三个动作模式区分去，实现分类。阈值分别取类均值的中心，即d1＝5.338，d2＝0.225；