热释电红外信号特征分析及人体识别方法研究

摘要

随着经济的发展与科技的进步，人们对社会公共安全和家居环境安全提出了更高的要求。政府开展的“平安城市”建设，更是将安防工程的建设推向了一个新的高潮。“平安城市”的核心系统包括电视监控系统、电子巡查系统和入侵报警系统等。“平安城市”的建设给安防产业带来了巨大的商机，同时也对各种安防产品提出了更高的技术要求。热释电红外(Pyroelectric Infrared，PIR)探测器作为入侵报警系统中最常见的监控产品之一，它具有功耗低、性能稳定、成本低廉及良好的环境适应性等优点，在家庭、社区和工商业等安防领域有着广泛的应用。但是，现有各种PIR探测器所存在的高误报率的缺点限制了它的应用场合。通过深入的研究发现：虽然PIR探测器自身原理和结构设计存在一定的局限性，但更重要的是缺乏对PIR探测器输出信号的有效分析，没有对不同辐射源的PIR信号进行深入的特征挖掘。因此，将信号处理与模式识别方法引入到PIR信号的分析中，不仅对提升PIR探测器的检测性能具有一定的应用价值，而且对安防系统中一维信号的分析及识别也具有重要的学术意义。
　　 本论文在国家“863”计划，国家“十一五”基础研究项目及重庆市科技攻关项目等课题的支持下，针对PIR探测器的高误报率问题，以不同红外辐射源的PIR信号为研究对象，以信号处理和模式识别的理论和方法为手段，深入系统地研究了PIR信号的预处理方法、特征提取方法与特征融合方法，并在此基础上，提出了降低PIR探测器误报率的人体PIR信号的识别算法，为提高PIR探测器的检测性能提供了理论依据和可行的实施方案。
　　 本论文主要开展了以下四个方面的探索性研究工作：
　　 (1)在深入研究PIR探测器特性的基础上，建立了不同辐射源的等效模型，推导了不同等效模型的有效辐射面积与辐射源位置关系的表达式，分析了人体和非人体PIR信号的差异性。通过仿真得到了PIR探测器的理想输出波形，仿真数据与实际获取的数据具有很好的相似性。这不仅为进一步研究去噪方法提供了可信的“无污染”的原始信号，而且为后续研究和设计PIR探测器提供了有意义的参考信息。最后，验证了PIR信号的非平稳随机性，为研究PIR信号的特征提取方法提供了依据。
　　 (2)鉴于人体和非人体PIR信号在时频域上能量分布的差异性，本论文提出了一种基于熵理论的小波包熵PIR信号特征提取方法。小波包分解在频域具有更精细的划分，将Shannon信息熵与小波包分解相结合，可以获取表征PIR信号在时频域中复杂度的特征。研究表明：选择与PIR信号具有相同对称特性的db1小波分解后得到的小波包熵具有较好的分类效果。而人体PIR信号的小波包熵在0-2.5Hz频段显著小于该频段非人体PIR信号的小波包熵值，这表明人体PIR信号的有序性更好。
　　 (3)由于实小波变换对PIR信号的数据敏感，即输入数据的变化会对小波系数产生不可预测的结果。因此提出一种基于双密度双树复小波变换(DD-DT CWT)小波熵特征的PIR信号特征提取方法。DD-DT CWT工具有良好的平移不变特性，抗混叠性及计算效率高等优点，利用DD-DT CWT小波系数Shannon熵在保留PIR信号近似周期性变化特征的同时，能有效提取人体和非人体PIR信号的时频特征差异，为准确识别不同辐射源提供有效的判别信息。研究表明：4层分解后DD-DTCWT小波系数Shannon熵识别率为87.3％。
　　 (4)为了进一步提高识别率，提出了一种基于典型相关分析(CCA)的PIR信号特征融合方法。该方法将两组PIR信号的特征矢量间的相关性特征作为判别信息，既达到了信息融合的目的，又消除了特征之间的信息冗余，为两组PIR信号特征融合后用于分类识别提供了新的途径。研究发现，将PIR信号的全局特征划分为不同的子段，然后再将全局特征与子段特征进行CCA融合，可以获得具有更好分类性能的特征描述。实验研究表明：采用DD-DT CWT小波系数Shannon熵特征与其子段特征进行CCA特征融合后，识别率可达到94.3％，比单独采用该特征识别率提高了7.0％。
　　 本论文所提出的3种特征提取及识别方法均能有效地改善现有PIR探测器的检测性能。此外，通过对3种特征提取方法的横向比较发现，基于CCA特征融合的PIR信号识别方法具有最高的人体检测率和最低的误报率。

目录

文摘

英文文摘

1 绪论

1.1 课题研究的背景

1.2 PIR传感器的发展

1.3 基于PIR信号人体检测的研究现状

1.3.1 智能家居中PIR信号人体检测

1.3.2 远距离PIR信号人体检测

1.4 基于PIR信号人体辨识的研究现状

1.5 主要内容和创新点

1.5.1 本论文的主要内容

1.5.2 本论文的创新点

2 PIR探测器信号特征分析

2.1 引言

2.2 PIR探测器的性能研究

2.2.1 PIR探测器的原理

2.2.2 PIR探测器的性能研究

2.3 人体与非人体辐射等效模型的研究

2.4 PIR探测器的数据采集

2.5 PIR探测器输出信号仿真

2.5.1 PIR信号的仿真

2.5.2 仿真数据正确性验证

2.6 PIR探测器输出信号的特征分析

2.6.1 PIR信号随机性检验

2.6.2 PIR信号平稳性检验

2.6.3 拟采用的PIR特征提取方法

2.7 本章小结

3 PIR信号预处理方法研究

3.1 引言

3.2 PIR信号的噪声分析

3.3 PIR信号小波去噪

3.3.1 多分辨率小波分析

3.3.2 PIR信号小波阈值去噪

3.4 PIR信号小波空域相关去噪

3.4.1 空域相关滤波(SSNF)

3.4.2 双变量收缩(BivaShrink)函数去噪方法

3.5 小波去噪小波基的选择

3.6 去噪评价指标

3.7 实验结果与分析

3.7.1 bior小波消失矩及分解层数的选择

3.7.2 噪声及参考信号的仿真

3.7.3 不同去噪方法性能比较

3.8 本章小结

4 PIR信号特征提取及识别方法的研究

4.1 引言

4.2 PIR信号时频域特征提取

4.3 PIR信号小波域特征提取

4.3.1 小波包分解

4.3.2 双密度双树复小波变换

4.3.3 小波熵特征提取

4.4 PIR信号的分类方法

4.4.1 支持向量机(Support Vector Machine,SVM)

4.4.2 最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)

4.5 PIR信号特征提取及识别结果分析

4.5.1 特征提取最优参数的选择

4.5.2 不同特征的分类性能评估

4.5.3 不同特征的分类鲁棒性分析

4.6 本章小结

5 基于信息融合方法的PIR信号识别

5.1 引言

5.2 特征层融合方法

5.2.1 常用的特征层融合方法

5.2.2 典型相关分析(CCA)特征融合方法

5.3 特征子模式CCA特征融合算法

5.3.1 特征子模式划分

5.3.2 特征子模式CCA特征融合及识别

5.4 集成学习方法

5.4.1 基于模式(Pattern-Level)的集成学习方法

5.4.2 基于特征选择(Feature-level)的集成学习方法

5.4.3 个体分类器间的差异度量

5.5 PIR信号分类结果与分析

5.5.1 CCA特征层融合实验结果

5.5.2 基于集成学习方法PIR信号识别结果

5.6 本章小结

6 全文总结与展望

6.1 全文工作总结

6.2 展望

致谢

参考文献

附 录

A.作者在攻读博士学位期间发表的学术论文目录

B.作者在攻读博士学位期间已投稿的论文目录

C.作者在攻读博士学位期间取得的科研成果目录

D.作者在攻读博士学位期间参加的科研项目目录