CN105404866A - 一种多模式自动实施人体状态感知的实现方法 - Google Patents

Abstract

本发明涉及高效率人体检测技术和人体舒适性量化分析，其公开了一种多模式自动实施人体状态感知的实现方法，解决传统技术中无法实现高效、准确人体状态感知的问题。本发明在Arm嵌入式平台上实现了类似人体识别及温度场分析，经过运动信息和汇编优化，可以快速实现类似人体目标识别。然后通过红外测温传感器对环境温度场初始化识别及分析，确定环境对类似人体目标的辐射能力。通过红外测温传感器针对类似人体目标的检测及计算，在满足均方根阈值的条件下，确定目标的类似人体真实性并给出标志。同时，通过动态计算人体区域的最高温度值及均值并在一定时间差内进行数值比较，给出目标的舒适性级别。本发明适用于人体状态检测。

Description

一种多模式自动实施人体状态感知的实现方法

技术领域

本发明涉及涉及高效率人体检测技术和人体舒适性量化分析，具体涉及一种多模式自动实施人体状态感知的实现方法。

背景技术

人体检测作为计算机视觉领域备受关注的研究热点和前沿方向，它在机器人视觉、高级人机交互以及智能家居等方面得到广泛的应用和推广。实现人体识别、检测技术有很多种，从硬件成本及检测响应时间来看，引入红外摄像头器件，可以对其检测数据进行图像分析而实现检测目标。

同时，人体舒适性量化分析也成为智能家居的热点，从人体生理指标分析，对人体的温度的非接触测量是较佳的技术方案，由此可知，引入红外测温传感器(其像素布局为矩形阵列m行×n列，一般情况下m、n为对于1的自然数且m不小于2，m的用途是用以形成垂直方向的温度阵列)可以较满意的获得人体生理状态(即某时刻辐射温度数据库及温度场变化趋势)。

近几年，随着Arm嵌入式操作系统在各个领域的广泛应用，以及其所属处理器表现出来的良好性能，使其成为嵌入式环境下的热门技术。

针对目前在研或现有产品的技术特性分析，发现其自身分别存在一些缺陷，会给用户使用及体验产品时带来不便而受到诸多投诉。其相应的技术缺陷分析如下：

1)图像分析样本学习型建立特征的方式，具备灵活快速(1秒内完成)的长处时，还会存在出现假人体现象，如类似人体特征物体或人体画像，虽可以增加多项复杂的判别算法排除，但加大了计算量，同时还无法提供人体生理指标，不能实现接近100％的人体识别功能。

2)温度场分析廉价的低分辨率的红外传感器，其单像素视角A小(一般0.5°<A<10°)，虽能提供监视区域的人体生理指标，但获得广角(一般取值90°～180°)监视区域的扫描时间太长(一般扫描模式会耗时60秒以上)，同时对移动目标无法随动跟踪、实时取样及数据分析。

发明内容

本发明所要解决的技术问题是：提出一种多模式自动实施人体状态感知的实现方法，解决传统技术中无法实现高效、准确人体状态感知的问题。

本发明解决上述技术问题所采用的技术方案是：一种多模式自动实施人体状态感知的实现方法，应用于包括摄像头、电机驱动模块、红外测温模块的Arm嵌入式平台中，包括以下步骤：

a、图像采集及预处理步骤：

a1、通过接入嵌入式平台的摄像头采集图像；

a2、对采集的图像进行灰度转换；

a3、对灰度图像进行高斯图像金字塔下采样；

a4、对采样后的图像进行梯度直方图处理；

a5、对梯度直方图处理后得到的8个特征通道进行积分图运算；

b、人体识别步骤：

b1、通过帧间运动信息，找到检测区域；

b2、采用基于离散AdaBoost算法的分类器对检测区域进行特征提取；

b3、对通过分类器检测输出的行人窗口进行合并，在图像上标志出行人区域；

b4、根据前后两次检测时间获得的行人区域，获得类似人体目标横向移动速度；

c、电机驱动输入控制步骤：

根据类似人体目标横向移动速度及第二次取样时间，获得类似人体目标的实际位移修

正值，据此获得类似人体目标位置；

d、利用红外测温模块实现温度场检测分析步骤：

d1、获取环境初始值数据库，并计算环境的热辐射能力；

d2、针对图形处理的类似人体目标的实际角度获取温度场数据，并根据垂向温度场变

化，确定类似人体目标真实性并给出标志；

d3、记录此时的真实人体目标的最高值及区域均值，进行动态比较，获得人体的舒适

性级别并给出标志。

进一步的，还包括步骤：

d4、按用户需求协议，将产生的数据处理结果定向存储并发送给第三方关联产品系统。

进一步的，步骤a3中，对灰度图像进行高斯图像金字塔下采样的方法是：

根据灰度图像的高度和宽度以及检测窗口的大小，计算出灰度图像需要做几层高斯金字塔下采样，然后进行逐层采样。

进一步的，步骤b1中，所述通过帧间运动信息，找到检测区域的方法是：

通过上一帧行人所在位置确定当前图像检测区域。

进一步的，步骤b2中，所述采用基于离散AdaBoost算法的分类器对检测区域进行特征提取，包括：

训练多个检测窗口大小不同的分类器，其中弱分类器采用2层决策树，决策树及其权重通过离散AdaBoost算法学习得到，检测区域经过多个分类器计算判断是否包含行人。

本发明的有益效果是：由于在人体识别过程中，加入了帧间运动信息，排除了大部分非行人区域，并且在图像与处理阶段，针对梯度直方图和积分图运算进了汇编优化，进一步加快了检测速度，同时，采用训练了多个不同尺度的分类器，分别对检测区域进行分类，有效提高了检测得准确度，使得本发明能够在嵌入式平台上运行得更加顺畅，而且质量也有大幅提升；此外，通过环境温度及类似人体温度场分析，扩展了产品的人性化设计特性，使用户可以获得较高的生活安全保健、产品节能等体验感。

附图说明：

图1是本发明基于Arm嵌入式系统的人体识别方法原理框图；

图2是图像预处理流程；

图3是人体检测流程分析；

图4温度场分析流程；

图5是系统工作流程框图。

具体实施方式

本发明旨在提出一种多模式自动实施人体状态感知的实现方法，解决传统技术中无法实现高效、准确人体状态感知的问题。

本发明的人体识别算法包含两类数据处理模式：图像分析及温度场分析。图像分析采用“积分通道特征+AdaBoost”数据分析方法，利用人体特征提取和分类器，通过样本学习方式，自动迅速、较准确地检测出类似人体目标。温度场分析存在两种目标算法：1)建立动态环境数据，了解背景的冷暖状态；2)针对类似人体目标区域进行纵向温度场数据分析，通过高低温差阈值判断目标的生理特征；同时记录当时的最高温度值作为动态比较基准，从而相对的判断出人体舒适性级别。

从硬件角度分析，静止的广角的摄像头与小角度的红外测温传感器针对类似人体目标，应保持角度一致性(静止物)或关联性(移动物)，需建立红外传感器的电机驱动模组。从检测实时性考虑，一般将红外传感器物理调节参数及电机驱动速率保持在最高参数范围。该目标的实现需建立相对应的驱动算法。

下面结合附图对本发明的实现步骤进行具体描述：

一、图像处理：

参照图1，基于Arm嵌入式平台，要实现人体识别至少包括以下步骤：s0、通过接入嵌入式平台的摄像头获取每帧图像。s1、对每一帧图像进行预处理。s2、对预处理后的图像进行人体识别。

参照图2，其中，图像预处理包括以下步骤：s1.1、对输入图像进行灰度变换，得到灰度图像。s1.2、根据图像的高度和宽度以及检测窗口的大小，计算出输入图像需要做几层高斯金字塔下采样，比如输入图像分辨率为640*480，检测窗口54*54，那么需要依次做4次高斯金字塔下采样，每一层图像都是由上一层图像下采样得来的，4层图像分辨率分别为：640*480、320*240、160*120、80*60。s1.3、下采样后的图像进行梯度直方图，其步骤包括：1)在每个像素上计算图像梯度幅值和梯度方向。其中梯度幅值采用sobel算子从横向和纵向分别求梯度值，然后对同一个像素位置的横向和纵向梯度求平方和再开方得到其梯度值，梯度方向根据横向和纵向梯度值求取；2)将梯度方向在[0-180]区间内量化为6个单位，梯度幅值通过HOG映射到这个区间内，共占据6个特征通道，再包括图像灰度值占一个特征通道，梯度幅值占一个特征通道，总共8个特征通道。其中，计算梯度值以及梯度幅值在各个方向的映射包含大量的乘除法和浮点运算这里本发明直接利用Arm的浮点运算指令进行汇编优化，通过性能测试，计算图像梯度幅值、梯度方向以及HOG运算速度提升40％。s1.4、对每一个特征通道进行积分图运算，得到积分通道特征值。积分图计算通过汇编优化能够同时进行8通道的运算处理，运算速度提高了50％。

参照图3，针对640*480分辨率图片进行人体识别时，分别将经过预处理的4层金字塔图像通过已有的分类器进行特征提取，由于加入了帧间运动信息，能够提前排除大部分非人脸的检测区域，只对待检测区域进行行人特征检测。包含如下步骤：s2.1、由前几帧图像检测出的行人位置，能够判断出其运动方向和粗略位置，将其映射到第1层金字塔图像中，标注行人所在的大致区域，当检测出第一层图像行人所在位置时，将其映射到第二层图像，得到检测区域，再在检测区域内进行检测，如此循环至最后一层金字塔图像。s2.2、在标识出的检测区域，通过AdaBoost算法训练出的分类器对其进行特征提取，该分类器会自动在8个特征通道选择更具有鉴别力的特征进行计算，如果通过则证明符合行人特征，最后将4层图像所有检测到符合行人的窗口进行合并处理，得到当前图像行人的位置。一般人体识别方法：需要对图像进行N次降采样缩放处理，比如相对于640*480分辨率的图片，在完成4次高斯金字塔降采样后，每两层金字塔之间还需要进行降采样处理，总共就需要处理4*N层图像，然后从各个尺度上进行特征提取，在经过分类器分类计算是否存在检测对象。本发明所采用的方法无需对图像进行缩放处理，每一层金字塔图像，只需要进行一次梯度直方图运算和积分图运算，得到积分通道特征，再经过多个分类器进行分类，获取行人位置。

二、驱动电机控制：

根据各类似人体速度及第二次取样时间，获得类似人体的实际位移修正值。参照图略去。

三、温度场分析：

参照图5，s4、通过接入嵌入式平台的红外测温传感器获取目标区域的温度场数据。s4.1、工作初期，先获取环境初始值数据库，并计算环境的热辐射能力；s4.2、针对图形处理的类似人体目标的实际角度获取温度场数据，并根据垂向温度场变化，确定类似人体目标真实性并给出标志；s4.3、记录此时的真实人体目标的最高值及区域均值，进行动态比较，获得人体的舒适性级别并给出标志。

四、总数据结果记录并向第三方协议传输：

按用户需求协议，将产生的数据处理结果定向存储并及时发于第三方关联产品系统。参照图略。

本发明在Arm嵌入式平台上实现了类似人体识别及温度场分析，经过运动信息和汇编优化，可以快速实现类似人体目标识别。然后通过红外测温传感器对环境温度场初始化识别及分析，确定环境对类似人体目标的辐射能力。通过红外测温传感器针对类似人体目标的检测及计算，在满足均方根阈值的条件下，确定目标的类似人体真实性并给出标志。同时，通过动态计算人体区域的最高温度值及均值并在一定时间差内进行数值比较，给出目标的舒适性级别。

实验中，在Armcortex某嵌入式处理器上实现的算法，可以达到快速识别人体的效果，同时可以实时性给出人体健康保护数据。

Claims (5)

1.一种多模式自动实施人体状态感知的实现方法，应用于包括摄像头、电机驱动模块、红外测温模块的Arm嵌入式平台中，其特征在于，包括以下步骤：

a、图像采集及预处理步骤：

a1、通过接入嵌入式平台的摄像头采集图像；

a2、对采集的图像进行灰度转换；

a3、对灰度图像进行高斯图像金字塔下采样；

a4、对采样后的图像进行梯度直方图处理；

a5、对梯度直方图处理后得到的8个特征通道进行积分图运算；

b、人体识别步骤：

b1、通过帧间运动信息，找到检测区域；

b2、采用基于离散AdaBoost算法的分类器对检测区域进行特征提取；

b3、对通过分类器检测输出的行人窗口进行合并，在图像上标志出行人区域；

b4、根据前后两次检测时间获得的行人区域，获得类似人体目标横向移动速度；

c、电机驱动输入控制步骤：

根据类似人体目标横向移动速度及第二次取样时间，获得类似人体目标的实际位移修正值，据此获得类似人体目标位置；

d、利用红外测温模块实现温度场检测分析步骤：

d1、获取环境初始值数据库，并计算环境的热辐射能力；

d2、针对图形处理的类似人体目标的实际角度获取温度场数据，并根据垂向温度场变化，确定类似人体目标真实性并给出标志；

d3、记录此时的真实人体目标的最高值及区域均值，进行动态比较，获得人体的舒适性级别并给出标志。

2.如权利要求1所述的一种多模式自动实施人体状态感知的实现方法，其特征在于，还包括步骤：

d4、按用户需求协议，将产生的数据处理结果定向存储并发送给第三方关联产品系统。

3.如权利要求1所述的一种多模式自动实施人体状态感知的实现方法，其特征在于，步骤a3中，对灰度图像进行高斯图像金字塔下采样的方法是：

根据灰度图像的高度和宽度以及检测窗口的大小，计算出灰度图像需要做几层高斯金字塔下采样，然后进行逐层采样。

4.如权利要求1所述的一种多模式自动实施人体状态感知的实现方法，其特征在于，步骤b1中，所述通过帧间运动信息，找到检测区域的方法是：

通过上一帧行人所在位置确定当前图像检测区域。

5.如权利要求1所述的一种多模式自动实施人体状态感知的实现方法，其特征在于，步骤b2中，所述采用基于离散AdaBoost算法的分类器对检测区域进行特征提取，包括：

训练多个检测窗口大小不同的分类器，其中弱分类器采用2层决策树，决策树及其权重通过离散AdaBoost算法学习得到，检测区域经过多个分类器计算判断是否包含行人。