CN104422527A - 一种基于红外热释电信息的人体热源判断方法和装置 - Google Patents

Abstract

本发明公开了一种基于红外热释电信息的人体热源判断方法和装置，该方法包括：采集红外热释电信息，得到对应的时域信号；通过变换从时域信号中提取红外热释电信息的信号特征；基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。通过对环境中的热源的红外信号进行采集，提取热源的频谱信息作为特征，送入BP神经网络进行验证，对静止热源也能够有较高识别率。

Description

一种基于红外热释电信息的人体热源判断方法和装置

技术领域

本发明涉及人体判别技术领域，尤其涉及一种基于红外热释电信息的人体热源判断方法和装置。

背景技术

人体判别技术研究具有重大的应用价值和研究意义。一方面：近年来人们对智能家居越来越感兴趣，而智能家居的控制产品有些已变成家用电器，有些正变成家用电器。空调作为家电中不可或缺的一部分，近十年来，经历了高速发展的阶段。舒适性和节能均成为空调这类高档消费品的重要指标。通过对人体位置和活动量的检测对空调进行智能化控制，减少不必要的温度调节，可以满足舒适与节能的双重指标。然而非人体红外辐射源的干扰使人体检信息测出现错误检测，这将对智能空调的使用产生不必要的电能浪费。另一方面：人们对社会公共安全和家居环境安全提出了更高的技术要求，热释电红外(PIR)探测器作为入侵报警系统中最常见的监控产品之一，存在高误报率的缺点。因此研究一种基于热释电红外信号的人体识别方法是解决错误检测的关键，也是减少电能浪费的有效手段。

人体目标的检测可以主要分为两类：摄像机检测和红外传感器检测。摄像机检测虽然检测与跟踪精度高，但数据处理复杂，价格昂贵，占据较大内存空间并且侵犯隐私，使其的使用受到很大的限制。红外传感器也非常适合人体信息的检测。热释电红外传感器具有价格低，低功率，无接触，隐蔽性好，对光照条件无要求的优点被广泛的运用于智能环境中人体信息的检测。热释电红外传感器能以非接触的形式检测出人体辐射的红外线能量变化，并将其转换成电压信号输出。它通常由2个极性相反的传感元件串联连接，并与1个高阻和1个场效应晶体管组装在一起。由于2个传感元件极性相反，连接信号就会相互抵消而没有输出。因此热释电传感器对环境温度的变化、背景辐射，自身温度变化和受振动产生的随机噪声都具有良好的补偿作用。但是它只对人体的移动或运动敏感，并且探测距离较短。

上世纪90年代中期，日本松下电器公司的人类环境系统开发中心一直致力于基于PIR传感器的人体信息传感的处理研究，并将研究成果应用以智能家居中，包括空调、照明等的控制。1995年Nobuyuki Yoshiike等将人类信息传感器系统用于检测室内人体的状况，人员数量、位置和活动情况。人员数量识别准确率为90％。该研发中心在1997年对系统算法进行了改进，并将其应用于出入大门的数量检测中，计数准确率达到98％。1998年该中心又在原系统基础上增加了4通道距离传感器，并应用在室内人员数量及位置检测，可以检测到人体的不同姿势，且系统的人数识别准确率是93％。2006年韩国釜山国立大学研发了基于PIR探测器阵列的室内检测系统。

然而非人体红外辐射源的干扰使人体信息出现错误检测，这将对智能空调的使用产生不必要的电能浪费，还会带来入侵报警系统的误报。研究一种基于热释电红外信号的人体识别方法是解决错误检测的关键。由于不同的形状的热源在通过PIR检测范围时，将会产生不同的信号，这就为利用热释电传感器进行人体和非人体的检测提供了理论上的依据。虽然PIR探测器在人体和非人体热源的检测中已经取得了一些成果，但还不能同时实现对大范围，静止红外热源的检测，并达到单特征识别率较高的目标。

发明内容

本发明提出了一种对环境中的热源的红外信号进行采集，提取热源的频谱信息作为特征，送入BP神经网络进行验证得到高识别率的人体热源判断方法和装置。

为实现上述设计，本发明采用以下技术方案：

一方面采用一种基于红外热释电信息的人体热源判断方法，包括：

采集红外热释电信息，得到对应的时域信号；

通过变换从时域信号中提取红外热释电信息的信号特征；

基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

其中，所述采集红外热释电信息，得到对应的时域信号具体为：

探测器采集红外热释电信息，将采集到的红外热释电信息周期保存；

根据周期保存的红外热释电信息得到对应的时域信号。

其中，所述通过变换从时域信号中提取红外热释电信息的信号特征具体为：

当对于连续时间变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

其中，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}f\left(t\right)e^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(t\right)={\∫}_{-\∞}^{\∞}F\left(u\right)e^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp [-\frac{i2\mathrm{\πnk}}{N}];$

或

快速傅里叶变换；

其中t为时间变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

其中，所述基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生具体为：

a1、选择BP神经网络的转换函数f(x)=1/(1+e^-x)；

a2、初始化权值W和阈值θ；

a3、从信号特征中获取训练样本x_i=(x₀，x₂，…，x_m-1)，获取训练样本的目标向量D_i=(d₀，d₁，…d_n-1)，其中i表示第i个样本或目标向量；

a4、用预设的转换函数和如下计算公式：

x_j＝f(Σw_ijx_i-θ_j)，0≤j≤m₁-1；

y_k＝f(Σw_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目；

a5、使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+1)＝w_ij(t)+ηδ_jx_i

调整权值；其中，w_ij(t)表示在时间t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_jx_i表示增益项；δ_j表示第j个节点的误差项；

a6、求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{m_3-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目；

a7、判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则执行步骤a3。

另一方面采用一种基于红外热释电信息的人体热源判断装置，包括：

信息采集单元，用于采集红外热释电信息，得到对应的时域信号；

特征提取单元，用于通过变换从时域信号中提取红外热释电信息的信号特征；

热源判断单元，用于基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

其中，所述信息采集单元包括：

信息保存模块，用于探测器采集红外热释电信息，将采集到的红外热释电信息周期保存；

时域信号生成模块，用于根据周期保存的红外热释电信息得到对应的时域信号。

其中，所述特征提取单元具体用于：

当对于连续时间变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

其中，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}{f\left(t\right)e}^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(t\right)={\∫}_{-\∞}^{\∞}{F\left(u\right)e}^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x\left(n\right)W}_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp [-\frac{i2\mathrm{\πnk}}{N}];$

或

快速傅里叶变换；

其中t为时间变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

其中，所述热源判断单元包括：

函数选择模块，用于选择BP神经网络的转换函数f(x)＝1/(1+e^-x)；

初始化模块，用于初始化权值W和阈值θ，所述W和θ的取值范围均为(0，1)；

样本获取模块，用于从信号特征中获取训练样本x_i＝(x₀，x₂，...，x_m-1)，获取训练样本的目标向量D_i＝(d₀，d₁，...，d_n-1)，其中i表示第i个样本或目标向量；

输出计算模块，用于用预设的转换函数和如下计算公式：

x_j＝f(∑w_ijx_i-θ_j)，0≤j≤m₁-1；

y_k＝f(∑w_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目；

权值调整模块，用于使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+1)＝w_ij(t)+ηδ_jx_i

调整权值；其中，w_ij(t)表示在时间t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_jx_i表示增益项；δ_j表示第j个节点的误差项；

误差计算模块，用于求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{m_3-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目；

判断输出模块，用于判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则运行样本获取模块。

本发明的有益效果在于：通过对环境中的热源的红外信号进行采集，提取热源的频谱信息作为特征，送入BP神经网络进行验证，对静止热源也能够有较高识别率。

附图说明

图1是本发明一种基于红外热释电信息的人体热源判断方法的第一实施例步骤流程图；

图2是本发明一种基于红外热释电信息的人体热源判断方法的第一实施例步骤流程图；

图3是本发明一种基于红外热释电信息的人体热源判断方法的红外热释电信息的采集装置的结构图；

图4a是红外热释电传感器的信号采集示意图；

图4b是红外热释电传感器的信号采集范围示意图；

图5是热释电探测器扫描一周时的时域信号的波形图；

图6a-6e是图5对应的快速傅里叶变换图；

图7是神经网络结构模型图；

图8是人体热源识别率统计图；

图9是本发明一种基于红外热释电信息的人体热源判断装置的结构方框图；

图10是本发明一种基于红外热释电信息的人体热源判断装置信息采集单元的结构方框图；

图11是本发明一种基于红外热释电信息的人体热源判断装置热源判断单元的结构方框图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

图1是本发明一种基于红外热释电信息的人体热源判断方法的第一实施例步骤流程图，如图所示，该方法包括：

步骤110：采集红外热释电信息，得到对应的时域信号；

步骤120：通过变换从时域信号中提取红外热释电信息的信号特征；

步骤130：基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

通过对环境中的热源的红外信号进行采集，提取热源的频谱信息作为特征，送入BP神经网络进行验证，实现远距离，大范围检测，对静止热源也能够有较高识别率。

图2是本发明一种基于红外热释电信息的人体热源判断方法的第二实施例步骤流程图，如图所示，该方法包括：

步骤201：探测器采集红外热释电信息，将采集到的红外热释电信息周期保存。

步骤202：根据周期保存的红外热释电信息得到对应的时域信号。

步骤203：当对于连续时间变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

其中，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}f\left(t\right)e^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(u\right)={\∫}_{-\∞}^{\∞}F\left(u\right)e^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp [-\frac{i2\mathrm{\πnk}}{N}];$

或

快速傅里叶变换；

其中t为时问变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

步骤204：选择BP神经网络的转换函数f(x)=1／(1+e^-x)。

步骤205：初始化权值W和阈值θ。

步骤206：从信号特征中获取训练样本x_i=(x₀，x₂，…，x_m-1)，获取训练样本的目标向量D_i=(d₀，d₁，…，d_n-1)，其中i表示第i个样本或目标向量。

步骤207：用预设的转换函数和如下计算公式：

x_j=f(Σw_ijx_i-θ_j)，0≤j≤m₁-1；

y_k=f(Σw_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目。

步骤208：使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+)=w_ij(t)+ηδ_ix_i

调整权值；其中，w_ij(t)表示在时问t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_ix_i表示增益项；δ_j表示第j个节点的误差项。

步骤209：求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{m_3-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目。

步骤210：判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则执行步骤206。

为了对本实施例进行进一步说明，从红外热释电信息的采集开始进行详细阐述。

由于不同的形状的热源在通过PIR检测范围时，将会产生不同的信号，这就为利用热释电传感器进行人体和非人体的检测提供了理论上的依据。据此，采用步进电机带动带有菲涅尔透镜的单个PIR探测器匀速转动，实现远距离、360度大范围、静止物体的检测。探测范围为半径7.4米的圆盘。在探测原点处有半径为0.9米的盲区。对采集到的人体与非人体热源的样本进行傅里叶变换，将信号的频谱信息作为信号的特征，之后利用BP神经网络进行5折交叉验证，从而完成人体与非人体热源的区分，实现人体的判别。本设计的结构图如图3所示。

人体是很好的红外源，典型的人体温度为37℃或98°F，经维恩位移定律可以计算人体的辐射波长为9～10μm。因此热释电红外传感器的敏感波长范围通常在8～12μm左右。热释电效应是指温度的变化使得晶体结构内部的原子位置发生微小改变，从而导致材料的极化程度发生变化，这种极化程度的改变能够使晶体两端产生一个电压信号。热释电红外传感器正是利用热释电效应原理制成的一种热电型红外探测元件。PIR传感器探测原理的本质是检测照射在芯片上的红外光强度的变化，即引发传感器中热释电晶体的热度变化，变化越快则产生的热释电信号也越大。通常由2个极性相反的传感元件串联连接，并与1个高阻和1个场效应晶体管组装在一起。由于2个传感元件极性相反，连接信号就会相互抵消而没有输出。因此热释电传感器对环境温度的变化、背景辐射，自身温度变化和受振动产生的随机噪声都具有良好的补偿作用，同时只对人体的移动或运动敏感，使传感器在实际使用中稳定可靠。本设计采用RE200B型双元热释电传感器。

为了提高探测器的灵敏度及探测距离，一般探测器的前方装设一个菲涅尔透镜10或衍射光学型聚焦镜等。本设计中在热释电传感器11的前方安装有菲涅尔透镜10，它的两个作用是：一是聚焦作用，即将热释红外信号12折射(反射)在热释电传感器11上，如图4a和图4b所示，所示这可以使热释电传感器11的探测距离大大增加；第二个作用是将探测区域14内分为不断交替变化的盲区(暗区)和可见区(明区)，使进入探测区域14的移动物体能以温度变化的形式在热释电传感器11上产生变化的热释电红外信号，从而输出电压信号。

本研究采用8120型菲涅尔透镜，该透镜体积小，易于安装且探测深度较深。实验时，进行部分遮挡满足近似长方形检测区域的要求。并且它的宽度大约为一个人的宽度(50cm)。由于热释电传感器输出的信号非常微弱，并且信号还包含其他干扰，因此需要对传感器输出的含有噪声的微弱电信号进行放大和滤波处理，以满足信号处理部分的需要。

数模(A／D)转换装置，即数据采集卡，采用美国国家仪表公司(NationalInstruments，NI)生产的NI USB-6251数据采集卡。系统数据采集的软件平台是基于LabVIEW建立起来的，它是美国NI公司研制的一种虚拟仪器软件开发平台。本系统设计的界面上具体包括数据的存储路径、采样率和采样数，以及信号的实时波形显示，时域信号总体波形显示和信号经过傅里叶变换后的频谱显示等部分。

在必要的硬件组装完成后，即可进行本分方案的数据采集及分析判断过程。本设计选用42H2P3412A4型两相步进电机，带动单个的热释电传感器实现了360度范围内的检测，扫描一周需要30秒，其中热释电传感器放置在高为2.7米的支架上，仰角为45度，并进行部分遮挡，实现了半径为7.4米的圆盘扫描。将电脑屏做为非人体热源。人体与非人体热源都随机站在距圆心为1到7米处，每隔0.5米都进行一次扫描与数据的采集。图5为电机带动热释电探测器扫描一周时的时域信号对应的波形图。此时人体热源与目标非人体热源随机分布在半径为2米的圆弧上。其中第三个极大值点为插排和电脑充电器所产生的较小的红外热源，第四个极大值点为采集数据使用的电脑，它距离原点为1.5米。所以幅值较第一、二极大值点(均为电脑屏幕)大。第五、六、七个极大值点为人体热源。只将前两台电脑屏，后三个人作为样本进行之后的特征提取和判别。

傅里叶变换可以把时域信号转换到频域来进行分析，进而提取信号的特征。对于连续时间变量t的信号f(t)满足狄利克雷(Dirichlet)条件：1)具有有限个间断点；2)具有有限个极值点；3)绝对可积。

在本实施例中，处理对象是离散的，这时候采用离散傅里叶变换(DFT)。假设有N点有限长序列x(n)，则其离散傅里叶变换(DFT)为：

$X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp [-\frac{i2\mathrm{\πnk}}{N}]$

式子中，k为空间频率且0≤k≤N-1，N为信号的总长度，在本实施例中，数据采集的频率为200赫兹，扫描一周所花的时间为30秒，那么N的总长度为6000，n为离散信号的长度变量，取值为0～5999。由于离散傅里叶变换(DFT)的运算速度非常缓慢，运算量非常庞大，导致它的使用受到了限制。快速傅里叶变换(FFT)是一种用来快速计算离散傅里叶变换及其逆变换的有效算法，所以本方案中优选使用速度较快的快速傅里叶变换(FFT)算法，大大提高处理速度，便于实际应用。

图6a-6e即为人体与非人体热源(电脑屏幕)均在距中心2米处的快速傅里叶变换(FFT)的变换图。其中(d)(e)分别与图5中的前两个极大值点相对应，为电脑。(a)(b)(c)分别于图6中的后三个极大值点相对应，为测试者。其中从图中可以看出人体与非人体热源的红外信号均集中在低频段(0～2HZ)，电脑屏幕与人体热源的频谱形状不同，人体的低频信息更加的丰富，0～1.4HZ之间人体的幅值比电脑幅值高。从变化形式上看，人体和电脑的两次转折频率都在0.6～0.8HZ和1.2～1.4HZ之间。但他们的频谱斜率不同，人体的频谱中在0～0.7HZ中的变化斜率要低于0.7～1.4HZ的斜率，电脑两个范围内的斜率变化正好与人体相反。不同人的频谱以及电脑屏幕都各自具有相似性。因此，可以将其作为特征，用于人体与非人体热源(电脑屏幕)的区分。

综上可知，区分的依据为所有的频谱信息，包括具体的幅值范围和趋势等，下一步的BP神经网络区分人体要判断的是频谱图中所有频点对应的幅值和不同频点间的变化趋势，是全面的综合分析。

由于人工神经网络源于对脑神经的模拟，有很强的适应于复杂环境的能力和多目标控制有很好的自学习能力，并可以任意精度逼近任意非线性连续函数的特性。使得预言，21实际初人工神经元网络理论将会有更大的发展，它的应用将推动科学技术的大步前进。BP(Back Propagation)神经网络是目前应用最广泛最成熟的一种神经网络模型，如图7所示，它是按层次结构构造的，它包括一个输入层、一个输出层和一个或多个隐含层，一层内的节点只和该层紧邻的下一层的各节点连接。其中每一层都包括若干个神经元，同一层中的神经元之间没有互相联系，各层神经元个数以及隐含层的层数应视具体问题而定。

BP神经网络是一个有导师学习(训练)的神经网络模型。BP神经网络包括两个过程，训练过程和测试过程。训练过程是向网络提供一定数量的训练样本，将网络的实际输出和期望输出向量进行比较，通过修改各层神经元之间的权系数，使得期望输出与实际输出之间的误差达到最小，确定权值系数，整个网络也随之确定了。测试过程就是将测试样本送入神经网络，求得的输出向量即为测试结果。

BP神经网络的具体计算步骤包括上述步骤204～步骤209，在本实施例中，采用速率调整、网络结构调整(改变隐含层神经元数)、修改训练次数等改变神经网络，给不同的距离赋予有不同的参数值，依据就是使系统的平均误差为最小或者满足要求。本技术方案中的BP神经网络在实际的运用过程中，需要建立一个人体特征信号的模型，该模型通过预先多次的人体信号采集，直接对采集到的人体信号进行傅里叶变换和BP神经网络的训练得到，将该人体特征信号的模型在实际判断过程中作为母本，是BP神经网络的测试过程中的对比基础。在本实施例中，实际参与测试的不同距离处均有60个人体样本和40个非人体样本，由于人体热源与非人体热源的样本较少，我们采用了五折交叉验证的方法来求解不同距离处人体判别的识别率。同样的道理，在实际使用本方案进行验证时，考虑到样本数目的问题，也需要使用五折交叉验证的方法。交叉验证有时也被称作循环判定，是用来评估一种统计分析结果如何应用于独立数据集的一种方法。交叉验证主要应用于样本预测的情况，并且需要在实际应用中评价一个预测模型的正确率。K折交叉验证(K-fold Cross-validation)是交叉验证中的一个常用类型，在K折交叉验证中，原始样本集被随机的分割成K个子集。在K个子集中轮流选择一个作为验证集，余下K-1个子集作为训练集。在K个子集都充当过验证集一次后，交叉验证过程就被重复了K次(即K折)，然后将K次验证的结果求平均即得到一次交叉验证率。这种方法的特点是，每个随机产生的子集都被选作过训练集和测试集，并且每次都得到了一个验证的正确率。本文采用五折交叉验证方法，对提取的特征参量组成的数据集进行运算。

在判断识别结束后，使用正确识别(PCR)来评价模型的识别性能。正确识别率的计算公式如下：

$\mathrm{PCR}=\frac{\mathrm{Nc}}{N}\×100\%$

其中，Nc为识别正确的样本数，N为总测试样本数。具体的识别率统计图如图8所示。从图8中可以看出识别率较高，1米处的识别率较低是由于PIR探测器有45度的倾角，中间有大约1米的盲区。6米～7米处无法检测出电脑屏，但仍然可以检测出人体。单特征的识别率较高，有力的证明了此方案的可行性。

图9是本发明一种基于红外热释电信息的人体热源判断装置的结构方框图，如图所示，该装置包括：

信息采集单元910，用于采集红外热释电信息，得到对应的时域信号；

特征提取单元920，用于通过变换从时域信号中提取红外热释电信息的信号特征；

热源判断单元930，用于基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

进一步地，如图10所示，所述信息采集单元910包括：

信息保存模块911，用于探测器采集红外热释电信息，将采集到的红外热释电信息周期保存；

时域信号生成模块912，用于根据周期保存的红外热释电信息得到对应的时域信号。

具体地，所述特征提取单元920具体用于：

当对于连续时间变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

其中，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}f\left(t\right)e^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(t\right)={\∫}_{-\∞}^{\∞}F\left(u\right)e^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\left[x\left(n\right)\right]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp [-\frac{i2\mathrm{\πnk}}{N}];$

或

快速傅里叶变换；

其中t为时间变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

进一步地，所述热源判断单元930包括：

函数选择模块931，用于选择BP神经网络的转换函数f(x)=1/(1+e^-x)。

初始化模块932，用于初始化权值W和阈值θ，所述W和θ的取值范围均为(0，1)。

样本获取模块933，用于从信号特征中获取训练样本x_i=(x₀，x₂，...，x_m-1)，获取训练样本的目标向量D_i=(d₀，d₁，...，d_n-1)，其中i表示第i个样本或目标向量。

输出计算模块934，用于用预设的转换函数和如下计算公式：

x_j=f(∑w_ijx_i-θ_j)，0≤j≤m₁-1；

y_k=f(∑w_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目。

权值调整模块935，用于使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+1)=w_ij(t)+ηδ_jx_i

调整权值；其中，w_ij(t)表示在时间t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_jx_i表示增益项；δ_j表示第j个节点的误差项。

误差计算模块936，用于求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{{m_3}^{-1}}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目。

判断输出模块937，用于判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则运行样本获取模块。

通过上述各个模块的配合工作，通过对环境中的热源的红外信号进行采集，提取热源的频谱信息作为特征，送入BP神经网络进行验证，实现远距离，大范围检测，对静止热源也能够有较高识别率。本设计提出的人体判别方案，应用于智能家居中，能解决空调中舒适性与节能指标的冲突。应用于安监系统中亦可降低人体检测误报率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于红外热释电信息的人体热源判断方法，其特征在于，包括：

采集红外热释电信息，得到对应的时域信号；

通过变换从时域信号中提取红外热释电信息的信号特征；

基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

2.根据权利要求1所述的一种基于红外热释电信息的人体热源判断方法，其特征在于，所述采集红外热释电信息，得到对应的时域信号具体为：

探测器采集红外热释电信息，将采集到的红外热释电信息周期保存；

根据周期保存的红外热释电信息得到对应的时域信号。

3.根据权利要求2所述的一种基于红外热释电信息的人体热源判断方法，其特征在于，所述通过变换从时域信号中提取红外热释电信息的信号特征具体为：

当对于连续时间变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

4.根据权利要求3所述的一种基于红外热释电信息的人体热源判断方法，其特征在于，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}f\left(t\right)e^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(t\right)={\∫}_{-\∞}^{\∞}F\left(u\right)e^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\[x\left(n\right)\]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp \[-\frac{i2\mathrm{\πnk}}{N}\];$

或

快速傅里叶变换；

其中t为时间变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

5.根据权利要求4所述的一种基于红外热释电信息的人体热源判断方法，其特征在于，所述基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生具体为：

a1、选择BP神经网络的转换函数f(x)=1/(1+e^-x)；

a2、初始化权值W和阈值θ；

a3、从信号特征中获取训练样本x_i=(x₀，x₂,…，x_m-1)，获取训练样本的目标向量D_i=(d₀，d₁,…,d_n-1)，其中i表示第i个样本或目标向量；

a4、用预设的转换函数和如下计算公式：

x_j=f(Σw_ijx_i-θ_j)，0≤j≤m₁-1；

y_k=f(Σw_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目；

a5、使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+1)=w_ij(t)+ηδ_jx_i

调整权值；其中，w_ij(t)表示在时问t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_jx_i表示增益项；δ_j表示第j个节点的误差项；

a6、求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{{m_3}^{-1}}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目；

a7、判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则执行步骤a3。

6.一种基于红外热释电信息的人体热源判断装置，其特征在于，包括：

信息采集单元，用于采集红外热释电信息，得到对应的时域信号；

特征提取单元，用于通过变换从时域信号中提取红外热释电信息的信号特征；

热源判断单元，用于基于BP神经网络根据信号特征判断红外热释电信息是否由人体热源产生。

7.根据权利要求6所述的一种基于红外热释电信息的人体热源判断装置，其特征在于，所述信息采集单元包括：

信息保存模块，用于探测器采集红外热释电信息，将采集到的红外热释电信息周期保存；

时域信号生成模块，用于根据周期保存的红外热释电信息得到对应的时域信号。

8.根据权利要求7所述的一种基于红外热释电信息的人体热源判断装置，其特征在于，所述特征提取单元具体用于：

当对于连续时问变量内的红外热释电信息满足狄利克雷条件时，通过傅里叶变换把时域信号转换到频域，从频域中提取红外热释电信息的信号特征。

9.根据权利要求8所述的一种基于红外热释电信息的人体热源判断装置，其特征在于，所述傅里叶变换为：

傅里叶变换： $F\left(u\right)={\∫}_{-\∞}^{\∞}f\left(t\right)e^{-i2\mathrm{\πut}}\mathrm{dt};$

或

傅里叶逆变换： $f\left(t\right)={\∫}_{-\∞}^{\∞}F\left(u\right)e^{i2\mathrm{\πut}}\mathrm{du};$

或

离散傅里叶变换： $X\left(k\right)=\mathrm{DFT}\[x\left(n\right)\]=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)W_N^{\mathrm{nk}}=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)\exp \[-\frac{i2\mathrm{\πnk}}{N}\];$

或

快速傅里叶变换；

其中t为时间变量，u为频率向量，F(u)为信号的频谱值，k为空间频率且0≤k≤N-1，x(n)表示有限长序列，n为离散信号的长度变量，N为信号的总长度。

10.根据权利要求9所述的一种基于红外热释电信息的人体热源判断装置，其特征在于，所述热源判断单元包括：

函数选择模块，用于选择BP神经网络的转换函数f(x)=1/(1+^-x)；

初始化模块，用于初始化权值W和阈值θ，所述W和θ的取值范围均为(0，1)；

样本获取模块，用于从信号特征中获取训练样本x_i=(x₀，x₂,…，x_m-1)，获取训练样本的目标向量D_i=(d₀，d₁,…,d_n-1)，其中i表示第i个样本或目标向量；

输出计算模块，用于用预设的转换函数和如下计算公式：

x_j＝f(Σw_ijx_i-θ_j)，0≤j≤m₁-1；

y_k＝f(Σw_ijx_k-θ_k)，0≤k≤m₂-1

计算BP神经网络的各隐含层的输出x_j和输出层的输出值y_k，BP神经网络的输入节点的输出等于其输入；其中m表示输入层的单元数目，m₁表示隐含层的单元数目，m₂表示输出层的单元数目；

权值调整模块，用于使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式：

w_ij(t+1)=w_ij(t)+ηδ_jx_i

调整权值；其中，w_ij(t)表示在时间t由第i个隐含层节点到第j个输出层节点的权值或由第i个输入层节点到第j个隐含层节点的权值；x_i表示第i个节点的输出；ηδ_jx_i表示增益项；δ_j表示第j个节点的误差项；

误差计算模块，用于求系统平均误差，对每一个模式对，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{m_3-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right);$

系统的平均误差为：

$E_i=\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{E}_i=\frac{1}{2p}\left(\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中：d_ik和y_ik分别表示第i个输入模式第k个输出层节点的期望输出和计算输出，p表示样本的数目；d_k和y_k分别表示第k个输出层节点的期望输出和计算输出，m₃表示输入模式的数目；

判断输出模块，用于判断系统的平均误差是否小于预设的阈值，是则将训练样本的输出向量作为人体热源的判断结果输出，否则运行样本获取模块。