CN101236605A - 基于红外信号的人体智能识别方法及系统 - Google Patents

Abstract

本发明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。

Description

基于红外信号的人体智能识别方法及系统

技术领域

本发明属于生物传感、信号处理和模式识别技术领域，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。

背景技术

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别的方法得到准确的识别结果。

发明内容

本发明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。

本发明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，本发明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探测区域进行检测。

本发明中采用多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机对信息处理的方法如下：

分布式探测器：

首先，各探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：

①用带通正弦滤波器作为匹配滤波器，即sin[2π(1:N)/N]，去捕捉和放大响应信号，式中N是滤波器的长度，取N＝20。

②对步骤①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Slope_Th的点为1，否则为0。

斜率门限Slope_Th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Wide_Th则确定为事件窗口，否则忽略，并重新开始统计1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_Th的个数超过宽度门限Wide_Th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和频域的频谱Spectrum及总能量Total_Power，把0～20Hz的频率分成4段：

Sect_F1：0～5Hz，Sect_F2：5～10Hz，Sect_F3：10～15Hz，Sect_F4：15～20Hz，计算各段能量的比例RateF1，RateF2，RateF3，RateF4。

⑤把④中提取的各探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：

Feature1＝[Rate_ZeroCross，Slope，Total_Power，RateF1，RateF2，RateF3，RateF4]，

Feature2＝[Spectrum]；

其中Feature1是1×7的向量，Feature2就是事件窗口中信号的频谱Spectrum，长度为128点。N探测器构成的Feature1是N×7的矩阵，Feature2是N×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Feature1特征进行标准化处理，探测器总数为N，初始特征为Feature1_i，i＝1，2，…，N，则初始特征矩阵标准化过程为：

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}F{\mathrm{eature}1}_i$

$\mathrm{\σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|{\mathrm{Feature}1}_i-\mathrm{\μ}|---\left(1\right)$

$\mathrm{Norm}\_F_i=\frac{{\mathrm{Feature}1}_i-\mathrm{\μ}}{\mathrm{\σ}},i=\mathrm{1,2},\·\·\·,N$

式中μ表示训练样本初始特征矩阵Feature1的均值；σ表示训练样本初始特征矩阵Feature1的方差矩阵均值；Norm_F_i表示Feature1经标准化处理后的特征矩阵。

②对①中标准化的特征矩阵Norm_F及Feature2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＝[a×NF，(1-a)×F2]；其中0≤a≤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。

⑤计算训练样本的均值[μ₀，μ₁]和方差[∑₀，∑₁]，其中μ₀和∑₀分别是非人体热源的均值和方差，μ₁和∑₁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Feature1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Norm_F及Feature2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x＝M·R。

④需要识别的问题是两分类问题，对待识别的x有2种假设{H₀，H₁}，其中H₀识别结果为非人体，H₁表示识别结果为人体，按(3)式进行判别。

$x\∈\left\{\begin{array}{c}{H}_0:\max \left\{p\left(x\right|H_i)\right\}=0\\ H_1:\max \left\{p\left(x\right|H_i)\right\}=1\end{array}\right.,i=\mathrm{0,1},---\left(3\right)$

其中p(x|H_i)＝N(μ_i，∑_i)，i＝0，1，概率密度函数满足正态分布，均值是μ_i方差是∑_i。

本发明方法结合生物传感、信息融合和模式识别技术，能够准确识别入侵对象的性质，消除了外界环境和其他生物对系统的干扰，极大地降低了误报发生的几率。

附图说明

图1：是实现本发明方法的人体智能识别系统的方框图；

图2：是本发明方法的人体识别算法框图；

图3：是实现本发明方法的人体识别算法程序流程图；

图4：是实现本发明方法的两类问题的正态分布图。

具体实施方式

本发明是一种基于分布式布局热释电红外探测器的智能识别方法和系统，下面结合附图说明该方法及系统的具体实施方式：

图1表示实现本发明方法的人体智能识别系统的方框图。利用这个系统可以实现对检测区域的红外辐射对象进行实时检测并输出识别结果。

如图1所示，人体智能识别系统由位于监测现场的分布式布局的探测器1和探测器主机2组成。分布式布局的探测器1和探测器主机2通过无线通信传递信息。分布式布局的探测器1由N个探测器按最优布局方式进行布局，由热释电红外传感器实时对探测区域的红外热源进行感应，并输出电压信号，电压信号通过红外信号检测放大电路后输入到每个分布式探测器中的PIC16877中，由PIC16877完成对红外信号的预处理，即进行数字滤波。然后提取窗口事件，对窗口中的信号提取时域和频域的特征信息，并将特征信息打包后发送给探测器主机2。探测器主机2接收到各个探测器的特征信息后，由TMS320DM642处理器完成对特征层的信息融合，并根据在训练阶段得到的回归向量和概率密度函数对待识别的对象进行识别分类。

分布式布局的探测器1对检测区域进行实时信号处理，具体步骤如下：

(1)探测器的PIC16F877对热释电红外传感器输出的信号进行数字滤波，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，提取的特征包括时域波形过零点的频率Rate_ZeroCross、最大斜率Slope和频域的频谱Spectrum及总能量Total_Power，把0～20Hz的频率分成4段，各段能量的比例分别为RateF1，RateF2，RateF3，RateF4。

(2)把(1)中提取的特征信息通过无线通信传输给探测器主机2，探测器主机2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。在训练阶段按图2中

首先提取特征向量，然后通过PCA主元分析及多元线性回归MLR得到回归向量和分类概率密度函数。具体程序流程按图3中的首先对各个探测器的特征进行标准化，然后把探测器不同的特征进行组合，对特征向量采用PCA主元分析得到降维的特征矩阵，接着利用多元线性回归方法得到回归向量，计算训练样本的均值和方差，得到人和非人的两类概率密度函数。训练阶段具体包括以下步骤：

①对各个探测器的Feature1特征进行标准化处理，探测器总数为N，初始特征为Feature1_i，i＝1，2，…，N，则初始特征矩阵标准化过程为，

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}F{\mathrm{eature}1}_i$

$\mathrm{\σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|{\mathrm{Feature}1}_i-\mathrm{\μ}|---\left(1\right)$

$\mathrm{Norm}\_F_i=\frac{{\mathrm{Feature}1}_i-\mathrm{\μ}}{\mathrm{\σ}},i=\mathrm{1,2},\·\·\·,N$

式中μ表示训练样本初始特征矩阵Feature1的均值；σ表示训练样本初始特征矩阵Feature1的方差矩阵均值；Norm_F_i表示Feature1经标准化处理后的特征矩阵；

②对步骤①中标准化的特征矩阵Norm_F及Feature2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把步骤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＝[a×NF，(1-a)×F2]；其中0≤a≤1         (2)

④对步骤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；

⑤计算训练样本的均值[μ₀，μ₁]和方差[∑₀，∑₁]。

在测试阶段按图2中

提取特征向量，然后与训练阶段获取的回归向量进行内积运算，根据训练阶段得到概率密度函数确识别对象的分类，具体程序流程见按图3中

首先对各个探测器的特征进行标准化，然后对探测器的特征进行组合，组合后的特征向量与回归向量做内积运算，利用训练阶段得到的概率密度函数进行分类，见图4，如果内积结果小于x_c，此时p(x|ω₀)＞p(x|ω₁)，则识别结果为非人热源；如果内积结果大于x_c，即p(x|ω₀)＜p(x|ω₁)则识别结果为人体热源，x_c是两个条件概率密度函数的交点，p(x|ω₀)是非人体热源的条件概率密度函数，p(x|ω₁)是人体热源的条件概率密度函数。

所述测试阶段包括步骤：

①对各个探测器的Feature1特征根据(1)式进行标准化处理；

②把步骤①中标准化处理后的特征Norm_F及Feature2根据(2)式进行特征组合，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x＝M·R；

④需要识别的问题是两分类问题，对待识别的对象x有2种假设{H₀，H₁}，其中H₀识别结果为非人体，H₁表示识别结果为人体，根据(3)式进行判别，

$x\∈\left\{\begin{array}{c}{H}_0:\max \left\{p\left(x\right|H_i)\right\}=0\\ H_1:\max \left\{p\left(x\right|H_i)\right\}=1\end{array}\right.,i=\mathrm{0,1},---\left(3\right)$

其中p(x|H_i)＝N(μ_i，∑_i)，i＝0，1。

探测器主机在训练阶段主元分析(PCA)具体算法如下：对每个特征矩阵F进行分解，保留主要的因子，忽略那些可能是噪声引起的小因子，对某个特征矩阵F的特征值分解表示为

$F_{m\×n}=U_{m\×m}{\mathrm{\Σ}}_{m\×n}{V}_{n\×n}^T---\left(4\right)$

其中U和V是正交矩阵，m是采样点数，n是一个传感器对应该特征信号的点数。其中∑＝diag(σ₁，σ₂，…σ_r，0，…，0)是对角线元素非负且按从大到小顺序排列的对角阵，r是非零特征值的个数，则F可写成

$F=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\σ}}_i{u}_i{v}_i^T={\mathrm{\σ}}_1{u}_1{v}_1^T+{\mathrm{\σ}}_2{u}_2{v}_2^T\·\·\·{\mathrm{\σ}}_r{u}_r{v}_r^T---\left(5\right)$

F可以用前k个特征值对应的特征向量表示，忽略序号大于k的特征值，则

$F\≈F_k=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\σ}}_i{u}_i{v}_i^T={\mathrm{\σ}}_1{u}_1{v}_1^T+{\mathrm{\σ}}_2{u}_2{v}_2^T\·\·\·{\mathrm{\σ}}_k{u}_k{v}_k^T---\left(6\right)$

$={\tilde{U}}_{m\×k}{\widetilde{\mathrm{\Σ}}}_{k\×k}{\tilde{V}}_{k\×n}^T$

其中k＜＜m，n，特征矩阵F还可以定义为

              F≈TP^T                      (7)

$T_{m\×k}={\tilde{U}}_{m\×k}{\widetilde{\mathrm{\Σ}}}_{k\×k}$

$P={\tilde{V}}_{n\×k}$

              其中FP＝T                   (8)

T是得分矩阵，P是系数矩阵，P可视为F在新正交坐标系下展开的真正的坐标，T是F在新坐标系统中的投影，称为k空间。在得到得分矩阵和系数矩阵后，利用多元线性回归方法(MLR)对得分矩阵和系数矩阵进行回归。在分类阶段首先把特征向量投影到在训练阶段得到的系数上，在k空间通过特征向量对得分矩阵T的回归得到方程(9)的最小二乘解，即是回归向量f_k×1，

                 I_m×1＝T_m×kf_k×1        (9)

$f_{k\×1}={\left(T^{T}T\right)}^{-1}{T}^{T}I={\widetilde{\mathrm{\Σ}}}^{-2}{T}^{T}I---\left(10\right)$

其中 ${\widetilde{\mathrm{\Σ}}}^{-2}=\mathrm{diag}(\frac{1}{{\mathrm{\σ}}_1^2},\frac{1}{{\mathrm{\σ}}_2^2},\·\·\·,\frac{1}{{\mathrm{\σ}}_k^2})$

由式(7)(9)(10)得到回归向量为

$R_{n\×1}=P_{n\×k}{f}_{k\×1}$

$=P_{n\×k}{\widetilde{\mathrm{\Σ}}}^{-2}{T}^{T}I$

$={\tilde{V}}_{n\×k}{\widetilde{\mathrm{\Σ}}}^{-2}{\left({\tilde{U}}_{m\×k}{\widetilde{\mathrm{\Σ}}}_{k\×k}\right)}^{T}I---\left(11\right)$

$={\tilde{V}}_{n\×k}{\widetilde{\mathrm{\Σ}}}^1{\tilde{U}}_{m\×k}^{T}I$

通过以上对人体红外信号进行训练得到回归向量及由人与非人热源的特征向量的均值和方差确定的概率密度函数，可以对待识别的对象进行准确的分类，做到系统的智能识别。

两分类问题，对待识别的x有2种假设{H₀，H₁}，其中H₀识别结果为非人体，H₁表示识别结果为人体，按下式进行判别。

$x\∈\left\{\begin{array}{c}{H}_0:\max \left\{p\left(x\right|H_i)\right\}=0\\ H_1:\max \left\{p\left(x\right|H_i)\right\}=1\end{array}\right.,i=\mathrm{0,1},$ 其中p(x|H_i)＝N(μ_i，∑_i)，i＝0，1。其中概率密度函数满足正态分布，均值是μ_i，方差是∑_i，μ₀和∑₀分别是非人体热源的均值和方差，μ₁和∑₁分别是人体热源的均值和方差。

Claims (7)

1、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。

2、根据权利要求1所述的人体智能识别方法，其特征在于，所述探测器通过各自的热释电红外传感器实时监测是否有红外热源在监测区域出现，并对热释电红外传感器输出的信息进行处理，该实现方法为：

①用带通正弦滤波器作为匹配滤波器，即sin[2π(1:N)/N]，去捕捉和放大响应信号，式中N是滤波器的长度，取N＝20；

②对步骤①中的响应信号进行数字化：计算滤波后的信号的斜率，斜率绝对值大于门限Slope_Th的点为1，否则为0；

斜率门限Slope_Th的确定方法：在训练过程中对按固定路径行走得到的波形的斜率进行平均并乘以0.75作为门限，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；

③把步骤②中的信号数字化后的数据转换成事件窗口：统计步骤②中连续为1的个数，如果超过宽度门限Wide_Th则确定为事件窗口，否则忽略，并重新开始统计1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_Th的个数超过宽度门限Wide_Th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和频域的频谱Spectrum及总能量Total_Power，把0～20Hz的频率分成4段，各频段能量的比例RateF1，RateF2，RateF3，RateF4；

⑤把步骤④中提取的各探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：

Feature1＝[Rate_ZeroCross，Slope，Total_Power，RateF1，RateF2，RateF3，RateF4]，

Feature2＝[Spectrum]；

其中Feature1是1×7的向量，Feature2是事件窗口中信号的频谱Spectrum，长度为128点，N个探测器构成的Feature1是N×7的矩阵，Feature2是N×128的矩阵。

3、根据权利要求1所述的人体智能识别方法，其特征在于，所述探测器主机在接收到多个分布式布局的探测器所传输的特征信息后进行处理，所述训练阶段包括步骤：

①对各个探测器的Feature1特征进行标准化处理，探测器总数为N，初始特征为Feature1_i，i＝1，2，…，N，则初始特征矩阵标准化过程为，

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}F{\mathrm{eature}1}_i$

$\mathrm{\σ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}|{\mathrm{Feature}1}_i-\mathrm{\μ}|---\left(1\right)$

$\mathrm{Norm}\_F_i=\frac{{\mathrm{Feature}1}_i-\mathrm{\μ}}{\mathrm{\σ}},i=\mathrm{1,2},\·\·\·,N$

式中μ表示训练样本初始特征矩阵Feature1的均值；σ表示训练样本初始特征矩阵Feature1的方差矩阵均值；Norm_F_i表示Feature1经标准化处理后的特征矩阵；

②对步骤①中标准化的特征矩阵Norm_F及Feature2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把步骤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＝[a×NF，(1-a)×F2]；其中0≤a≤1

④对步骤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；

⑤计算训练样本的均值[μ₀，μ₁]和方差[∑₀，∑₁]。

4、根据权利要求3所述的人体智能识别方法，根据训练阶段得到的回归向量和概率密度函数，在测试阶段对待识别的红外热源对象进行识别，其特征在于，所述测试阶段包括步骤：

①对各个探测器的Feature1特征用权利要求3中的(1)式进行标准化处理；

②把步骤①中标准化处理后的特征Norm_F及Feature2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x＝M·R；

④需要识别的问题是两分类问题，对待识别的对象x有2种假设{H₀，H₁}，其中H₀识别结果为非人体，H₁表示识别结果为人体，根据(3)式进行判别，

$x\∈\left\{\begin{array}{c}{H}_0:\max \left\{p\left(x\right|H_i)\right\}=0\\ H_1:\max \left\{p\left(x\right|H_i)\right\}=1\end{array}\right.,i=\mathrm{0,1},---\left(3\right)$

其中p(x|H_i)＝N(μ_i，∑_i)，i＝0，1。

5、一种基于红外信号的人体智能识别系统，其特征在于，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融合处理，识别对象是否为人体。

6、根据权利要求5所述的基于红外信号的人体智能识别系统，其特征在于，所述分布式布局的探测器包括有热释电红外传感器、运放电路、PIC16F877控制器和无线通信模块，热释电红外传感器采集检测区域红外热源信号，热释电红外传感器的输出与运放电路的输入相连，运放电路的输出和PIC16F877控制器的输入相连，所采集信号通过运算放大后，在PIC16F877控制器中进行数字滤波和信号处理，并将处理后的信息通过无线通信模块传输给探测器主机。

7、根据权利要求5所述的基于红外信号的人体智能识别系统，其特征在于，所述探测器主机包括有处理器TMS320DM642、无线通信模块，完成与各探测器的通信，实现对各个探测器信息的融合，并判断待检测对象是否为人体。

Images