CN111721420A - 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 - Google Patents

基于红外阵列时序的半监督人工智能人体检测嵌入式算法 Download PDF

Info

Publication number
CN111721420A
CN111721420A CN202010342025.5A CN202010342025A CN111721420A CN 111721420 A CN111721420 A CN 111721420A CN 202010342025 A CN202010342025 A CN 202010342025A CN 111721420 A CN111721420 A CN 111721420A
Authority
CN
China
Prior art keywords
infrared array
state
time
semi
human body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010342025.5A
Other languages
English (en)
Other versions
CN111721420B (zh
Inventor
庞胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhiwu Huiyun Technology Co ltd
Original Assignee
Zhejiang Zhiwu Huiyun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhiwu Huiyun Technology Co ltd filed Critical Zhejiang Zhiwu Huiyun Technology Co ltd
Priority to CN202010342025.5A priority Critical patent/CN111721420B/zh
Publication of CN111721420A publication Critical patent/CN111721420A/zh
Application granted granted Critical
Publication of CN111721420B publication Critical patent/CN111721420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0066—Radiation pyrometry, e.g. infrared or optical thermometry for hot spots detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/027—Constructional details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
    • G01J5/068—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity by controlling parameters other than temperature

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种红外阵列时序的半监督人工智能人体检测嵌入式算法，每300ms读取红外阵列传感器检测获得的红外阵列数据Z(t)＝[zij(t)]，并做卡尔曼滤波；获取滤波后得到在t时刻的最优解数据矩阵为Mt＝[mij]；计算Mt的方差σt及平均值
Figure DDA0002468871800000011
作为温度矩阵的特征值；循环计算前面步骤，存入长度为r的时间序列
Figure DDA0002468871800000012
并计算温度矩阵平均值
Figure DDA0002468871800000013
计算长度为r的时间序列Rt中两种特征值的方差；在寻找到背景特征矩阵
Figure DDA0002468871800000014
的基础上，获取s时刻的数据矩阵为Ms，计算

Description

基于红外阵列时序的半监督人工智能人体检测嵌入式算法
技术领域
本发明涉及一种人体智能识别方法，尤其是涉及一种在某些公共场景下需要检测判断是否有人体情况场景下的半监督人工智能人体检测嵌入式算法。
背景技术
通常在一些类似公厕里等这样的场景里，由于从某种行为上又不便或者是没办法直接检测是否有人体存在情况的，而又希望或者是有必要需要能够获知人体存在数据信息的；例如应用在需要判断公厕里面监测坑位上是否有人的，从而把这个人员数据信息显示在公厕外面设置的显示屏上，从而依此传送给人们一个公厕管理系统中公厕位置的使用情况信息，通过公厕管理系统监测公厕的厕位使用情况数据，为人们提供数据更新直观使用便捷有效性，可以更好提高公厕使用效率及人们的自行及时有效判断分析状态。现有这类人体检测识别技术基本使用摄像头图像识别技术、红外热释电类技术或红外线遮挡检测类的人体识别技术，然而存在着这些人体识别技术中则主要存在着如下缺陷或不足情况：1.摄像头图像识别类的采用通过图像识别检测人体，其主要不足之处有涉及隐私保护，不能用于厕所/卧室等涉及隐私场合；成本较高，图像识别需要的算力较大，硬件成本高。2.红外热释电类的采用通过红外热释电技术检测移动物体，主要不足之处有：只能检测移动的人体，当人体静止时候无法有效识别。3.红外线遮挡检测类的采用通过红外对射遮挡来识别有没有人体在对射路径空间内；主要不足之处有：检测范围局限，只能检测对射路径中的人体；需要红外收发两个终端，安装实施环境受约束。
发明内容
本发明为解决现有人体识别技术存在着容易损坏用户隐私，硬件成本高，无法有效识别静止状态下人体，检测范围局限大，检测设施受环境约束较大等现状而提供的一种可更好的避免隐私问题，可更有效检测获得静止状态下人体信息，检测范围更大，更小程度上的减少检测设施受环境影响的基于红外阵列时序的半监督人工智能人体检测嵌入式算法。
本发明为解决上述技术问题所采用的具体技术方案为：一种基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于包括如下识别步骤：
1a.每间隔T时间读取在t时刻红外阵列传感器检测获得的红外阵列数据
Z(t)＝[zij(t)]，其中[zij(t)]为t时刻阵列中第i行第j列的温度数值，并做卡尔曼滤波；
1b.获取滤波后得到在t时刻的最优解数据矩阵为Mt＝[mij]，其中mij为第i行和第j列的温度值；
1c.计算t时刻的Mt的方差σt及平均值
Figure BDA0002468871790000028
作为温度矩阵的特征值；
1d.循环计算上述步骤中第1a和第1b步骤，存入t长度为r的时间序列
Figure BDA0002468871790000021
并计算温度矩阵平均值
Figure BDA0002468871790000022
队列里依次从t-r+1，t-r+2到最后t；
1f.计算长度为r的时间序列Rt中两种特征值的方差
Figure BDA0002468871790000023
式中：
Figure BDA0002468871790000024
为方差特征的时间序列方差，
Figure BDA0002468871790000025
Figure BDA0002468871790000026
为平均值特征的时间序列方差
如果σ0和σ1的值都小于ε(ε的典型特征值为0.5)，则认为时间序列稳定，将
Figure BDA0002468871790000027
作为背景特征矩阵，否则抛弃此次时间序列运算，重新计算第1至第3步骤直到寻找到稳定的背景特征矩阵
Figure BDA0002468871790000031
其中ε为时间序列方差特征的检测判断阀值；
1g.在寻找到背景特征矩阵
Figure BDA0002468871790000032
的基础上，获取s时刻的数据矩阵为Ms，计算
Figure BDA0002468871790000033
当t时刻及之前人体检测状态为假，计算ΔM的方差特征σ，当σ>θ时则认为从t时刻之后检测到人体，其中θ是为方差特征为σ设定的一个阈值；则将人体检测状态设置为真的状态，即从无人状态转变为有人状态；否则保持当前状态不变；
1h.当t时刻及之前人体检测状态为真的时候，如果σ<α*θ时，，则从t时刻之后将人体检测状态设置为假的状态，即从有人状态转变为无人状态；否则保持当前状态不变；其中0<α<1，其中0<α<1，α是为有人变无人状态设置的一个系数，确保有人无人状态在θ附近的时候连续跳动，也就是说达到阈值θ时进入有人状态，要转变为无人状态必须要低于阈值θ。
采用本发明技术算法方法可以更有效的适用于室内环境中，可更好避免受存在于空调调节气温及少量气流的干扰情况现象存在，相较于同类人体常规红外检测产品具有更强抗干扰性，可检测识别的环境适应能力更强，可对更大检测区域范围内的人体进行检测识别，可更好获得静止状态下的人体检测识别，更好避免隐私现象，更有效保护被检测识别人员的隐私安全问题，检测成本更低，检测范围及安装实施环境更加灵活有效。检测算法为环境自适应半监督训练，在安装初始化时候训练几十秒后便能自适应学习并检测识别人体。
作为优选，所述的ε的典型特征值为0.5；所述的θ的典型特征值为5；0<α<1的典型特征值为0.6。
作为优选，所述的红外阵列传感器采用8*8像素红外阵列传感器。更好保护被检测识别人员的隐私安全问题，可检测识别更大平面面积范围内的人体信息。
作为优选，所述的红外阵列传感器安装设置在所需要检测使用室内环境的天花板上。安装施工灵活方便，可检测识别范围大。
作为优选，所述的红外阵列传感器从室内环境的天花板向检测范围为60～120°可调检测角度模式。安装施工灵活方便，可检测识别范围大。
作为优选，所述的红外阵列传感器的安装使用高度采用高度可调节安装模式。安装施工灵活方便，可检测识别范围大。
作为优选，所述的高度可调节安装模式的高度调节范围为2～3米，根据不同使用环境调节不同的高度使用。安装施工灵活方便，可检测识别范围大。
作为优选，所述的红外阵列传感器适用于对其平面空间3米*3米区域范围内的人体检测识别。提高检测识别更大平面面积范围内的人体信息。
作为优选，算法运行环境采用型号为STM32f103的嵌入式MCU。提高检测识别算法精度与检测学习自适应性，降低运算成本与能耗。
作为优选，所述的每间隔T时间为每间隔200ms～400ms的间隔时间，具体间隔时间可根据采样的单片机运算能力调整设置。提高红外阵列数据的检测获得有效性。
本发明的有益效果是：采用本发明技术算法方法可以更有效的适用于室内环境中，可更好避免受存在于空调调节气温及少量气流的干扰情况现象存在，相较于同类人体常规红外检测产品具有更强抗干扰性，可检测识别的环境适应能力更强，可对更大检测区域范围内的人体进行检测识别，可更好获得静止状态下的人体检测识别，更好保护避免隐私现象，更有效保护被检测识别人员的隐私安全问题，检测成本更低，检测范围及安装实施环境更加灵活有效。涉及隐私场合如：厕所/卧室内的人体检测。可对更大区域范围内的人体检测识别，单体红外阵列传感器可获得检测平面空间3米*3米。安装实施方式更为简单，吊顶安装高度可在3米及以内安装实施应用，安装施工方便。成本控制更低，算法运行环境为嵌入式MCU，如：STM32f103，降低运算成本与能耗。检测算法为环境自适应半监督训练，在安装初始化时候训练几十秒后能自适应学习并检测人体。
具体实施方式
一种基于红外阵列时序的半监督人工智能人体检测嵌入式算法，包括如下识别步骤：
1a.每间隔T时间读取在t时刻红外阵列传感器检测获得的红外阵列数据Z(t)＝[zij(t)]，其中[zij(t)]为t时刻阵列中第i行第j列的温度数值，并做卡尔曼滤波；
1b.获取滤波后得到在t时刻的最优解数据矩阵为Mt＝[mij]，其中mij为第i行和第j列的温度值；
1c.计算t时刻的Mt的方差σt及平均值
Figure BDA0002468871790000051
作为温度矩阵的特征值；
1d.循环计算上述步骤中第1a和第1b步骤，存入t长度为r的时间序列
Figure BDA0002468871790000052
并计算温度矩阵平均值
Figure BDA0002468871790000053
1f.计算长度为r的时间序列Rt中两种特征值的方差
Figure BDA0002468871790000054
式中：
Figure BDA0002468871790000055
为方差特征的时间序列方差，
Figure BDA0002468871790000056
Figure BDA0002468871790000057
为平均值特征的时间序列方差
如果σ0和σ1的值都小于ε(ε的典型特征值为0.5)，则认为时间序列稳定，将
Figure BDA0002468871790000061
作为背景特征矩阵，否则抛弃此次时间序列运算，重新计算第1至第3步骤直到寻找到稳定的背景特征矩阵
Figure BDA0002468871790000062
其中ε为时间序列方差特征的检测判断阀值；
1g.在寻找到背景特征矩阵
Figure BDA0002468871790000063
的基础上，获取s时刻的数据矩阵为Ms，计算
Figure BDA0002468871790000064
当t时刻及之前人体检测状态为假，计算ΔM的方差特征σ，当σ>θ(θ的典型特征值为5)时则认为从t时刻之后检测到人体，其中θ是为方差特征为σ设定的一个阈值；则将人体检测状态设置为真的状态，即从无人状态转变为有人状态；否则保持当前状态不变；
1h.当t时刻及之前人体检测状态为真的时候，如果σ<α*θ时(其中0<α<1，α的典型特征值为0.6)，则从t时刻之后将人体检测状态设置为假的状态，即从有人状态转变为无人状态；否则保持当前状态不变，其中α是为有人变无人状态设置的一个系数，确保有人无人状态在θ附近的时候连续跳动，也就是说达到阈值θ时进入有人状态，要转变为无人状态必须要低于阈值θ。
在上述第1a步骤中，进一步的每间隔T时间为每间隔200ms～400ms的间隔时间，具体间隔时间可根据采样的单片机运算能力调整设置。再进一步的采取每间隔时间为300ms±50ms的间隔时间进行对读取在t时刻红外阵列传感器检测获得的红外阵列数据Z(t)＝[zij(t)]，其中[zij(t)]为t时刻阵列中第i行第j列的温度数值，并做卡尔曼滤波；
卡尔曼滤波采用的算法方程式为
Figure BDA0002468871790000065
Figure BDA0002468871790000066
Figure BDA0002468871790000067
Figure BDA0002468871790000068
Figure BDA0002468871790000069
上述算法基于卡尔曼滤波设计的滤波函数如下：
设定t时刻状态转移矩阵At为：
Figure BDA0002468871790000071
设定观测矩阵Ht为：Ht＝[1 0]；
设定t时刻状态向量为：
Figure BDA0002468871790000072
其中mij(t)为t时刻第i行第j列的状态温度值，Δmij(t)为t时刻第i行第j
列的状态温度变化值；代入卡尔曼滤波方程后得状态预测值：
Figure BDA0002468871790000073
Figure BDA0002468871790000074
最终获得的最优解：
Figure BDA0002468871790000075
其中K(t)运算见卡尔曼方程中的Kt运算。将卡尔曼滤波采用的算法方程应用在本发明申请技术方案数据处理的前置滤波处理过程中，算法精度高，检测算法为环境自适应半监督训练，在安装初始化时候训练几十秒后便能自适应学习并检测识别人体；自适应监测识别获取效率高。
红外阵列传感器采用8*8像素红外阵列传感器。红外阵列传感器安装设置在所需要检测使用室内环境的天花板上。红外阵列传感器从室内环境的天花板向检测范围为60～120°可调检测角度模式。红外阵列传感器的安装使用高度采用高度可调节安装模式。高度可调节安装模式的高度调节范围为2～3米，根据不同使用环境调节不同的高度使用。红外阵列传感器适用于对其3米*3米的长乘宽平面空间区域范围内的人体检测识别，当然红外阵列传感器适用于对其3±0.2米*3±0.2米的长乘宽平面空间区域范围内的人体检测识别。算法运行环境采用型号为STM32f103的嵌入式MCU。
以上内容和结构描述了本发明产品的基本原理、主要特征和本发明的优点，本行业的技术人员应该了解。上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都属于要求保护的本发明范围之内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：包括如下识别步骤，
1a.每间隔T时间读取在t时刻红外阵列传感器检测获得的红外阵列数据Z(t)＝[zij(t)]，其中[zij(t)]为t时刻阵列中第i行第j列的温度数值，并做卡尔曼滤波；
1b.获取滤波后得到在t时刻的最优解数据矩阵为Mt＝[mij]，其中mij为第i行和第j列的温度值；
1c.计算t时刻的Mt的方差σt及平均值
Figure FDA0002468871780000019
作为温度矩阵的特征值；
1d.循环计算上述步骤中第1a和第1b步骤，存入t长度为r的时间序列
Figure FDA0002468871780000011
并计算温度矩阵平均值
Figure FDA0002468871780000012
1f.计算长度为r的时间序列Rt中两种特征值的方差
Figure FDA0002468871780000013
式中：
Figure FDA0002468871780000014
为方差特征的时间序列方差，
Figure FDA0002468871780000015
Figure FDA0002468871780000016
为平均值特征的时间序列方差
如果σ0和σ1的值都小于ε，则认为时间序列稳定，将
Figure FDA0002468871780000017
作为背景特征矩阵，否则抛弃此次时间序列运算，重新计算第1至第3步骤直到寻找到稳定的背景特征矩阵
Figure FDA00024688717800000110
其中ε为时间序列方差特征的检测判断阀值；
1g.在寻找到背景特征矩阵
Figure FDA00024688717800000111
的基础上，获取s时刻的数据矩阵为Ms，计算
Figure FDA0002468871780000018
当t时刻及之前人体检测状态为假，计算ΔM的方差特征σ，当σ＞θ时则认为从t时刻之后检测到人体，其中θ是为方差特征为σ设定的一个阈值；则将人体检测状态设置为真的状态，即从无人状态转变为有人状态；否则保持当前状态不变；
1h.当t时刻及之前人体检测状态为真的时候，如果σ＜α*θ时，则从t时刻之后将人体检测状态设置为假的状态，即从有人状态转变为无人状态；否则保持当前状态不变；其中0＜α＜1，α是为有人变无人状态设置的一个系数，确保有人无人状态在θ附近的时候连续跳动，也就是说达到阈值θ时进入有人状态，要转变为无人状态必须要低于阈值θ。
2.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的ε的典型特征值为0.5；所述的θ的典型特征值为5；α的典型特征值为0.6。
3.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的红外阵列传感器采用8*8像素红外阵列传感器。
4.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的红外阵列传感器安装设置在所需要检测使用室内环境的天花板上。
5.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的红外阵列传感器从室内环境的天花板向检测范围为60～120°可调检测角度模式。
6.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的红外阵列传感器的安装使用高度采用高度可调节安装模式。
7.按照权利要求6所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的高度可调节安装模式的高度调节范围为2～3米，根据不同使用环境调节不同的高度使用。
8.按照权利要求6所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的红外阵列传感器适用于对其平面空间3米*3米区域范围内的人体检测识别。
9.按照权利要求6所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：算法运行环境采用型号为STM32f103的嵌入式MCU。
10.按照权利要求1所述的基于红外阵列时序的半监督人工智能人体检测嵌入式算法，其特征在于：所述的每间隔T时间为每间隔200ms～400ms的间隔时间，具体间隔时间可根据采样的单片机运算能力调整设置。
CN202010342025.5A 2020-04-27 2020-04-27 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 Active CN111721420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010342025.5A CN111721420B (zh) 2020-04-27 2020-04-27 基于红外阵列时序的半监督人工智能人体检测嵌入式算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010342025.5A CN111721420B (zh) 2020-04-27 2020-04-27 基于红外阵列时序的半监督人工智能人体检测嵌入式算法

Publications (2)

Publication Number Publication Date
CN111721420A true CN111721420A (zh) 2020-09-29
CN111721420B CN111721420B (zh) 2021-06-29

Family

ID=72563689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010342025.5A Active CN111721420B (zh) 2020-04-27 2020-04-27 基于红外阵列时序的半监督人工智能人体检测嵌入式算法

Country Status (1)

Country Link
CN (1) CN111721420B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184554A (zh) * 2011-05-28 2011-09-14 西安电子科技大学 基于激活区域背景感知的红外目标跟踪方法
JP2013026669A (ja) * 2011-07-15 2013-02-04 Tokyo Institute Of Technology ノイズ低減装置、ノイズ低減方法及びプログラム
CN106503615A (zh) * 2016-09-20 2017-03-15 北京工业大学 基于多传感器的室内人体检测跟踪和身份识别系统
CN107610156A (zh) * 2017-09-02 2018-01-19 西安电子科技大学 基于引导滤波和核相关滤波的红外弱小目标跟踪方法
CN108230350A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 一种红外运动目标检测方法
CN108363977A (zh) * 2018-02-11 2018-08-03 四川虹美智能科技有限公司 一种人体卧姿状态识别方法及装置
CN109948433A (zh) * 2019-01-31 2019-06-28 浙江师范大学 一种嵌入式人脸跟踪方法及装置
CN110276785A (zh) * 2019-06-24 2019-09-24 电子科技大学 一种抗遮挡红外目标跟踪方法
CN112346032A (zh) * 2020-11-10 2021-02-09 中国科学院数学与系统科学研究院 基于一致性扩展卡尔曼滤波的单红外传感器目标定轨方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184554A (zh) * 2011-05-28 2011-09-14 西安电子科技大学 基于激活区域背景感知的红外目标跟踪方法
JP2013026669A (ja) * 2011-07-15 2013-02-04 Tokyo Institute Of Technology ノイズ低減装置、ノイズ低減方法及びプログラム
CN106503615A (zh) * 2016-09-20 2017-03-15 北京工业大学 基于多传感器的室内人体检测跟踪和身份识别系统
CN108230350A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 一种红外运动目标检测方法
CN107610156A (zh) * 2017-09-02 2018-01-19 西安电子科技大学 基于引导滤波和核相关滤波的红外弱小目标跟踪方法
CN108363977A (zh) * 2018-02-11 2018-08-03 四川虹美智能科技有限公司 一种人体卧姿状态识别方法及装置
CN109948433A (zh) * 2019-01-31 2019-06-28 浙江师范大学 一种嵌入式人脸跟踪方法及装置
CN110276785A (zh) * 2019-06-24 2019-09-24 电子科技大学 一种抗遮挡红外目标跟踪方法
CN112346032A (zh) * 2020-11-10 2021-02-09 中国科学院数学与系统科学研究院 基于一致性扩展卡尔曼滤波的单红外传感器目标定轨方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINDRICH ADOLF: "Deep neural network based body posture recognitions and fall detection from low resolution infrared array sensor", 《2018 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE》 *
SINA AKBARIAN: "Automated Non-Contact Detection of Head and Body Positions During Sleep", 《IEEE ACCESS》 *
乔坤: "基于卡尔曼滤波的运动人体跟踪算法研究", 《计算机与数字工程》 *
种衍文: "一种多特征自适应融合的粒子滤波红外目标跟踪方法", 《武汉大学学报(信息科学版)》 *

Also Published As

Publication number Publication date
CN111721420B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
US10634380B2 (en) System for monitoring occupancy and activity in a space
CN108629935B (zh) 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统
US20140277757A1 (en) Method and apparatus for an energy saving heating, ventilation, and air conditioning (hvac) control system
Yang et al. A novel low-cost and small-size human tracking system with pyroelectric infrared sensor mesh network
Gami Movement direction and distance classification using a single PIR sensor
WO2006083283A2 (en) Method and apparatus for video surveillance
Basu et al. Tracking motion and proxemics using thermal-sensor array
US10205891B2 (en) Method and system for detecting occupancy in a space
EP3361459A1 (en) Method, apparatus and system for passive infrared sensor framework
CN114469076A (zh) 一种融合身份特征的独居老人跌倒识别方法及系统
CN111721420B (zh) 基于红外阵列时序的半监督人工智能人体检测嵌入式算法
US20220366665A1 (en) Video surveillance system with crowd size estimation
JP4754800B2 (ja) 環境内のユーザの移動をモデル化する方法およびシステム、並びに環境内のセンサネットワークのジオメトリをモデル化する方法およびシステム
CN112016492A (zh) 基于视觉的教学注意力监测系统及方法
US11118804B2 (en) Building automation system and method using ceiling-mounted infrared sensors
CN114994663A (zh) 一种基于毫米波雷达的跌倒检测方法及系统
CN114333047A (zh) 一种基于双光感知信息融合的人体摔倒检测装置与方法
CN113988228A (zh) 一种基于rfid和视觉融合的室内监控方法及系统
EP3617933B1 (en) Detecting room occupancy with binary pir sensors
Wong et al. Off-time swimming pool surveillance using thermal imaging system
CN1662060A (zh) 人体影像辨认系统
WO2023128014A1 (ko) 실내 재실자를 인식하여 공조기를 제어하는 공조기 제어장치
CN117853991A (zh) 用于集成式异常检测的装置和方法
US11037418B2 (en) Distributed occupancy detection system and method
Yunus et al. Multiple Detections Application for Indoor Tracking Using PIR Sensor and Kalman Filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant