CN102521574A - 基于热释电红外信息的人体动作识别方法 - Google Patents

Abstract

一种基于热释电红外信息的人体动作识别方法：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；进行人体动作数据采集；进行特征提取，对实验中建立的热释电红外动作数据库采用快速傅里叶变换和小波包分析两种特征提取算法，分别提取信号的频谱特征和时频特征；分别采用支持向量机和K均值聚类算法对提取出的频谱特征和小波系数特征进行分类识别，并对比不同算法下的识别效果。本发明能够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。本发明可以为安防系统、智能家居以及人机交互领域提供一种新的解决方案。

Description

基于热释电红外信息的人体动作识别方法

技术领域

本发明涉及一种人体动作识别方法。特别是涉及一种采用快速傅里叶变换(Fast FourierTransform，FFT)和小波包分析(Wavelet Packet Analysis，WPA)两种算法提取不同动作热释电信号的频谱特征和时频特征，分别采用支持向量机(Support Vector Machine，SVM)和K均值聚类(K-means Cluster)算法对获取的特征信息进行分类识别的基于热释电红外信息的人体动作识别方法。

背景技术

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。

热释电红外(pyroelectric infrared，PIR)传感器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，但尚未考虑多个受试者以及多种动作模式的情况。

发明内容

本发明所要解决的技术问题是，提供一种可以为安防系统、智能家居以及人机交互领域提供一种新的解决方案的基于热释电红外信息的人体动作识别方法。

本发明所采用的技术方案是：一种基于热释电红外信息的人体动作识别方法，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，

对实验中建立的热释电红外动作数据库采用快速傅里叶变换和小波包分析两种特征提取算法，分别提取信号的频谱特征和时频特征；

4)分别采用支持向量机和K均值聚类算法对提取出的频谱特征和小波系数特征进行分类识别，并对比不同算法下的识别效果。

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，并建立人体热释电红外动作数据库。

所述的快速傅里叶变换具体是提取0～6Hz的频谱信号作为特征参量。

步骤4所述的分别采用支持向量机和K均值聚类算法对提取出的频谱特征和小波系数特征进行分类识别是，支持向量机的软件程序是在Matlab环境下采用LIBSVM工具包实现的，识别过程中采用五折交叉验证方法评价分类器的性能；K均值聚类算法的识别过程同样采用五折交叉验证，即从15个人的样本中每次选取三个人的样本作为测试集，余下的作为训练集，通过计算样本与各种动作的聚类中心的欧氏距离来进行分类，求样本x_i，x_j之间欧氏距离的计算公式为：

$d(x_i,x_j)={\left[\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2\right]}^{1/2}$

然后根据归类正确与否计算测试样本的识别正确率。

所述的小波包分析是采用db4小波对信号进行5层小波包分解，并对小波包分解系数进行重构，提取各频带范围的信号。

本发明的基于热释电红外信息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，并采用时频分析与模式识别算法对数据库中的样本进行特征提取和分类识别方面的研究，继而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。该项发明可以为安防系统、智能家居以及人机交互领域提供一种新的解决方案，并获得可观的社会效益和经济效益。

附图说明

图1是本发明实验模拟场景示意图；

图2是受试者B六种动作的经过快速傅里叶变换后的频谱图；

其中：(a)是走的频谱图，(b)是跑的频谱图，(c)是跳的频谱图，(d)是捡的频谱图，

(e)是踢的频谱图，(f)是攀爬的频谱图

图3是小波包分解树示意图；

图4是小波包分解各节点重构信号图；

图5是末节点能量百分比信息；

图6是不同算法提取的特征在SVM中识别结果对比；

图7是不同算法提取的特征经过K-means聚类识别结果对比；

图8是不同算法组合下识别结果对比。

具体实施方式

下面结合实施例和附图对本发明的基于热释电红外信息的人体动作识别方法做出详细说明。

本发明的基于热释电红外信息的人体动作识别方法，提出一种新的基于热释电信息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，并采用时频分析与模式识别算法对数据库中的样本进行特征提取和分类识别方面的研究，继而实现对不同人不同运动状态的检测和识别。

本发明的基于热释电红外信息的人体动作识别方法，包括如下步骤：

1)实验设施的设置，

如图1所示，采用表面加盖有菲涅尔透镜的单只PIR传感器A，设置高度为H；

2)进行人体动作数据采集；

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(walk)，跑(run)，跳(jump)，捡(pick)，踢(kick)，攀爬(climb)，每种动作做十次，并建立人体热释电红外动作数据库。具体是：选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。如图1所示，被测对象沿固定直线行走，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水平距离，H为传感器距地面的高度。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。

3)进行特征提取，

对实验中建立的热释电红外动作数据库采用快速傅里叶变换(Fast Fourier Transform，FFT)和小波包分析(Wavelet Packet Analysis，WPA)两种特征提取算法，分别提取信号的频谱特征和时频特征；

所述的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，具体是采用时域抽取法(DIT-FFT)或频域抽取法(DIF-FFT)进行。

假设有N点有限长序列x(n)，则其DFT为：

$X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}---\left(1\right)$

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：

$\left\{\begin{array}{c}X\left(k\right)=X_1\left(k\right)+W_N^k{X}_2\left(k\right)\\ X(k+\frac{N}{2})=X_1\left(k\right)-W_N^k{X}_2\left(k\right)\end{array}\right.k=\mathrm{0,1},...,\frac{N}{2}-1---\left(2\right)$

$\left.\begin{array}{c}X\left(2r\right)=\underset{n=0}{\overset{\frac{N}{2}-1}{\mathrm{\Σ}}}{x}_1\left(n\right)W_{N/2}^{\mathrm{nr}}\\ X(2r+1)=\underset{n=0}{\overset{\frac{N}{2}-1}{\mathrm{\Σ}}}{x}_2\left(n\right)W_{N/2}^{\mathrm{nr}}\end{array}\right\}n=0,...,\frac{N}{2}---\left(3\right)$

图2为受试者A六种动作的经过快速傅里叶变换后的频谱图。频谱图显示出不同动作的频谱特征存在很大差异性，且热释电信号频谱主要集中在0～5Hz范围内。为了不丢失信息，同时避免冗余信息的影响，我们选择提取0～6Hz频段内的频谱信号作为特征向量用于不同动作的识别过程。

由于傅里叶变换未包含时间信息，对于信号中的突变、偏移、趋势、事件开始和终止等成分不能很好的获取，因此本发明提出小波包分析方法作为另一种特征提取算法。

所述的小波包分析(Wavelet Packet Analysis)能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对离散小波变换没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时-频分辨率。关于小波包分析的理解，以一个三层的分解进行说明，其小波包分解树如图3所示。在图3中，A表示低频信号，D表示高频信号，字母后面的序号代表小波包分解的层数，也就是尺度数，分解具有如下的关系：S＝AAA3+DAA3+ADA3+DDA3+DAD3+ADD3+DDD3。本发明采用db4小波对信号进行5层小波包分解，并对小波包分解系数进行重构，提取各频带范围的信号。

图4为受试者A的跳跃动作信号经过小波包分解后的第五层重构信号图，图中可以清晰的看到各频带小波系数重构后的平滑信号和细节信号。图5是其小波包树末节点能量百分比信息，可以看出对于该处理信号，前两个结点包含了原始信号的大部分能量。对数据库中各个动作样本进行小波包分解，并提取五层小波系数作为特征参量用于不同动作的分类识别。

4)分别采用支持向量机(Support Vector Machine，SVM)和K均值聚类(K-means Cluster)算法对提取出的频谱特征和小波系数特征进行分类识别，并对比不同算法下的识别效果。支持向量机所采用的程序是在Matlab环境下采用LIBSVM工具包实现的，识别过程中采用五折交叉验证方法评价分类器的性能；K均值聚类算法的识别过程同样采用五折交叉验证，即从15个人的样本中每次选取三个人的样本作为测试集，余下的作为训练集，通过计算测试样本与六种动作各自的聚类中心的欧氏距离来将其分到距离最近的类中，然后根据归类正确与否计算测试样本的识别正确率。求样本x_i，x_j之间欧氏距离的计算公式为：

$d(x_i,x_j)={\left[\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2\right]}^{1/2}$

然后根据归类正确与否计算测试样本的识别正确率。

如图6～图8所示，从中可以看出，K-means算法较SVM分类识别率较高，因此更适合于热释电人体红外数据的分类识别；小波包分解提取时频信息对于几类具有突变信号特征的动作(如jump，pick，kick和climb等)更加有效，而快速傅里叶变换则对提取走(walk)和跑(run)两种动作的特征较有优势，从而证明了本发明提出的特征提取和分类算法能够实现对六种动作的识别。

Claims (5)

1.一种基于热释电红外信息的人体动作识别方法，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，

对实验中建立的热释电红外动作数据库采用快速傅里叶变换和小波包分析两种特征提取算法，分别提取信号的频谱特征和时频特征；

4)分别采用支持向量机和K均值聚类算法对提取出的频谱特征和小波系数特征进行分类识别，并对比不同算法下的识别效果。

2.根据权利要求1所述的基于热释电红外信息的人体动作识别方法，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信息的人体动作识别方法，其特征在于，所述的快速傅里叶变换具体是提取0～6Hz的频谱信号作为特征参量。

4.根据权利要求1所述的基于热释电红外信息的人体动作识别方法，其特征在于，步骤4所述的分别采用支持向量机和K均值聚类算法对提取出的频谱特征和小波系数特征进行分类识别是，支持向量机的软件程序是在Matlab环境下采用LIBSVM工具包实现的，识别过程中采用五折交叉验证方法评价分类器的性能；K均值聚类算法的识别过程同样采用五折交叉验证，即从15个人的样本中每次选取三个人的样本作为测试集，余下的作为训练集，通过计算样本与各种动作的聚类中心的欧氏距离来进行分类，求样本x_i，x_j之间欧氏距离的计算公式为：

$d(x_i,x_j)={\left[\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2\right]}^{1/2}$

然后根据归类正确与否计算测试样本的识别正确率。

5.根据权利要求1所述的基于热释电红外信息的人体动作识别方法，其特征在于，所述的小波包分析是采用db4小波对信号进行5层小波包分解，并对小波包分解系数进行重构，提取各频带范围的信号。

Images