一种适用于基于热释电传感人体移动路径识别的建模方法

摘要

本发明涉及一种适用于基于热释电人体移动路径识别的建模方法，包括如下步骤：(1)研究了区间灰关联度在多特征指标条件下的识别机理，提出一种新的基于综合区间灰关联度的人体移动路径识别方法，揭示综合区间灰关联度形成的原理，推理出不同路径的人体特征信息与综合灰关联度之间定量的描述；(2)设计实验并结合多种识别算法，定量计算人体行走时的五种特征指标，对不同路径下的算法支持率和总支持度进行比较，并比较算法对异常数据的处理性能，从而验证步骤(1)所提出的观点。本发明解决了人体移动路径识别的问题，本发明可靠性高，容错性强，计算简单，易于实现，并为今后利用热释电技术进行实时跟踪提供一种依据。

说明书

技术领域

本发明属于传感器网络技术中有关人体身份识别问题，具体地讲是一种适用于基于热释电人体移动路径识别的建模方法。

背景技术

热释电红外(PIR)传感器对人体的红外辐射(8～14μm)具有非常好的探测能力[1]，并且具有体积小，功耗低，成本低的特点。通过对传感器输出信号进行特征分析，可以实现不同人体身份的识别[2]。

现国内外都有类似的基于热释电的人体识别系统，文献[3]Jian-Shuen Fang等人研究了热释电对人体的识别能力与人体到热释电节点的垂向距离有关[3]，并用不同的MASK来验证他的观点，同时还得出MASK孔的大小和数目与人体识别精度有一定的关联。Jian-Shuen Fang等人提出利用热释电矩阵和隐形马尔科夫模型对人体进行实时识别[4]，首先用HMM算法去训练采集的人体特征数据并通过EM算法学习该过程，然后利用实验数据来论证他们提出的识别方法。Jian-Shuen Fang等人在人体目标训练阶段利用MLPCE方法来获取人体目标热红外信息的回归向量[5]，然后通过研究识别的ROC曲线来选择合适且能获得最大识别率的阈值。Xin Zhou等研究人员提出基于无线压缩热释电传感系统的步行人体识别方法[6]，该方法用于不均匀传感抽样结构和传感协议随机映射的条件，但该方法 只能用于小范围的人体识别。

当单个特征或单个传感器无法满足识别要求时，融合识别则被提出，融合识别是信息融合技术在自动识别领域的具体应用。研究人员针对不同场合提出了许多融合方法，主要有基于模糊理论[7-8]、证据理论[9]、神经网络的方法[10]。同时部分研究人员针对具有多个特征指标的多传感器目标识别问题进行了研究，分别提出了可变模糊方法[11]和极大似然方法[12]。

尽管上述方法都有较好的融合效果，但是这些方法中特征指标权重的选取由人为给定，或者有层次分析法、比较矩阵的方法来确定，主观因素较大，过于经验化和绝对化、而且上述文献都是针对传感器测量值和目标特征值均为精确值的情形。由于客观事物的复杂性和不确定性以及人类认识的模糊性，对于目标类型的特征指标往往得不到精确的数值，而只能以区间数来表示，这样更能反映客观事物的不确定性。

基于前人对人体身份识别的研究，并在分析采集的大量数据的基础上，因此有必要提供一种适用于基于热释电人体移动路径识别的建模方法，该方法中的特征指标权重由主观权重和客观权重有机的组成，避免了主观因素的过于经验化和客观权重的机械化，实现对人体所在的未知路径进行识别，并为今后利用热释电技术进行身份识别提供一种依据。

相关文献： 

[1]Qi Hao,Fei Hu,Yang Xiao,“Multiple Human Tracking and  Identification With Wireless Distributed Pyroelectric Sensor System,”[J].IEEE Syst.J,2009,4(3),428-439. 

[2]BODOR R,JACKSON B,PAPANIKOLOPOULOS N.Vision-based human tracking and activity recognition[C].Processdings of the 11th Mediterranean Conference on Control and Automation IEEE,2003:150-155. 

[3]J.-S.Fang,Q.Hao,“Path-dependent human identification using a pyroelectric infrared sensor and Fresnel lens arrays,”Opt.Exp.,vol.14,no.2,pp.609–624,July 2006.

[4]J.-S.Fang,Q.Hao,D.J.Brady,B.D.Guenther,and K.Y.Hsu,“Realtime human identification using a pyroelectric infrared detector array and hidden markov models,”Opt.Exp.,vol.14,no.15,pp.6643–6658,July 2006.

[5]J.-S.Fang,Q.Hao,D.J.Brady,B.D.Guenther,and K.Y.Hsu,“A pyroelectric infrared biometric system for real-time walker recognition by use of a maximum likelihood principal components estimation(MLPCE)method,”Opt.Exp.,vol.15,no.6,pp.3271–3284,July 2006.

[6]Xin Zhou,Qi Hao,andFei Hu,“1-bit Walker Recognition with Distributed Binary Pyroelectric Sensors,”Proc.IEEE.Conf.Multisensor Fusion and Integration for Intelligent Systems,Sep.2010,pp.168-173. 

[7]Glossas N I,A spragathos N A.“Fuzzy logic grasp control  using tactile sensors,”Mechatronics,vol.11,no.7,pp:899-820,2001. 

[8]Grimberg R,Savin A.Fuzzy inference system used for a quantitative evaluation of the material discontinuities detected by eddy current sensors[J].Sensors and Actuators(S0924-4247),2000,81(3):248-250. 

[9]Shafer G.A Mathematical Theory of Evidence.Princeton:Princeton University Press,1976. 

[10]Jimenez L O,Morales2Morell A,Creus A.Classification of hy-perdimensional data based on feature and decision fusion approaches using projection pursuit,majority voting and neural networks[J].IEEE Trans.on Geosci.and Remote Sensing,1999,37(3):1360-1366. 

[11]Chanussot J,Mauris G,Lambert P.Fuzzy fusion techniques for linear features detection in multitemporal SAR images[J].IEEE Trans.on Geosci.and Remote Sensing,1999,37(3):1292-1305. 

[12]Yong Lu and Zhenyang Wu.Maximum likelihood subband polynomial regression for robust speech recognition[J].Applied Acoustics,2013,74(5):640-646. 

发明内容

本发明的目的是提供一种对提高人体跟踪的可靠性起着指导性作用，并为今后利用热释电技术进行人体跟踪提供一种依据的适用于基于热释电人体移动路径识别的建模方法。

为了实现上述目的，本发明所采用的技术方案是：

一种适用于基于热释电人体移动路径识别的建模方法，包括如下步骤：

(1)研究了影响人体移动路径识别的五种因素，所述五种因素分别为电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值；

(2)设计实验并结合多种识别算法，定量计算人体行走时的五种因素特征指标，对不同路径下的算法支持率和总支持度进行比较，并比较算法对异常数据的处理性能，从而验证步骤(1)所提出的观点。

所述步骤(1)具体为：

(11)本发明结合国内外的研究成果，总结出了现有的相关人体身份识别方法中存在的问题，同时提出了一个综合区间灰关联度的方法；

(12)设计场景，建立路径识别模型；

(13)提出适用于本模型的综合区间灰关联度算法，给出具体步骤。

所述步骤(11)具体为：

(111)提出现有方案中存在的问题，即：现有的人体识别方法虽然都有较好的识别结果，但是这些方法中特征指标权重的选取由人为给定，或者有层次分析法、比较矩阵的方法来确定，主观因素较大，过于经验化和绝对化，而且识别系统往往是针对传感器测量值和目标 特征值均为精确值的情形；

(112)提出了一种改进的综合区间灰关联度的方法，该方法中的特征指标权重由主观权重和客观权重有机的组成，避免了主观因素的过于经验化和客观权重的机械化，从而实现对人体所在的未知路径识别。

所述步骤(12)具体为：

(121)热释电传感器可对人体热红外信息进行采集，当人体目标在热释电节点感应区域的多段路径上进行移动时将产生不同的热释电特征波，通过对特征波的处理，可得到能反映人体目标在不同路径所对应的多个特征值，设实验区域的路径间隔为S＝{s₁,…,s_m}，每个节点上有两个热释电传感器，人体目标T在热释电探测区域按指定路线进行移动，不同热释电传感器在不同路径上感应的特征波将有所不同。从特征波中我们可以分离出5种能区分不同路径的特征指标，分别为电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值；

(122)令M＝{1,…,m}，N＝{1,…,n}，设实验区域的路径间隔S＝{s₁,…,s_m}，从不同的路径间隔中分离出相同的特征指标集Ω＝{θ₁,…,θ_n}，对于路径间隔s_i按属性θ_j进行测度，得到s_i关于特征指标θ_j的特征指标区间为从而构成特征指标矩阵 设传感器测得的各特征指标区间集向量为 把观测值区间集向量作为行向量合并到特征指标矩阵的最后一行，得到的矩阵我们称之为增广特征指标矩阵其中

$\bar{A}=\left(\begin{array}{cccc}[a_{11}^l,a_{11}^u]& [a_{12}^l,a_{12}^u]& ···& [a_{1n}^l,a_{1n}^u]\\ [a_{21}^l,a_{21}^u]& [a_{22}^l,a_{22}^u]& ···& [a_{2n}^l,a_{2n}^u]\\ ·& ·& ·& ·\\ ·& ·& ·& ·\\ ·& ·& ·& ·\\ [a_{m1}^l,a_{m1}^u]& [a_{m2}^l,a_{m2}^u]& ···& [a_{\mathrm{mn}}^l,a_{\mathrm{mn}}^u]\\ [a_{\mu 1}^l,a_{\mu 1}^u]& [a_{\mu 2}^l,a_{\mu 2}^u]& ···& [a_{\mathrm{\mu n}}^l,a_{\mathrm{\mu n}}^u]\end{array}\right);$

(123)为了消除不同物理量纲对决策结果的影响，可采用引用文献中的规范化方法，对增广特征指标矩阵进行处理，得到规范化增广特征指标矩阵其中且有

$\left(\begin{array}{c}{r}_{\mathrm{ij}}^l=a_{\mathrm{ij}}^l/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(a_{\mathrm{ij}}^u\right)}^2}\\ r_{\mathrm{ij}}^u=a_{\mathrm{ij}}^u/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(a_{\mathrm{ij}}^l\right)}^2}\end{array}\right),i\in \bar{M},j\in N,$

所述步骤(13)具体为：

(131)设定区间灰关联系数矩阵；

(132)描述综合权重的形成；

(133)给出综合区间灰关联度算法具体步骤。

所述步骤(131)具体为：

(1311)设待识路径特征指标与已规划路径特征指标的距离矩阵为D＝(d_ij)_m×n，$d_{\mathrm{ij}}=\frac{1}{\sqrt{2}}\sqrt{{(r_{\mathrm{ij}}^l-r_{\mathrm{\mu j}}^l)}^2+{(r_{\mathrm{ij}}^u-r_{\mathrm{\mu j}}^u)}^2};$

(1312)设规划路径间隔类型s_i与人体移动的待识路径X关于特征指标θ_j的区间灰关联系数为：

${\xi }_{\mathrm{ij}}=\frac{\underset{i}{\min }\underset{j}{\min }\left\{d_{\mathrm{ij}}\right\}+\beta \underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}{d_{\mathrm{ij}}+\beta \underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}$

i＝1,…,m；j＝1,…,n

其中，β∈[0,1]为分辨系数，一般取为0.5；

(1313)区间灰关联系数矩阵为：

$\xi =\left(\begin{array}{cccc}{\xi }_{11}& {\xi }_{12}& ···& {\xi }_{1n}\\ {\xi }_{21}& {\xi }_{22}& ···& {\xi }_{2n}\\ ·& ·& & ·\\ ·& ·& ···& ·\\ ·& ·& & ·\\ {\xi }_{m1}& {\xi }_{m2}& ···& {\xi }_{\mathrm{mn}}\end{array}\right).$

所述步骤(132)具体为：

(1321)描述客观权重；

(1322)描述主观权重；

(1323)给出综合权重；

所述步骤(1321)具体为：

(13211)本方法中的客观权重由客观商权表示，所谓熵权就是根据各指标传递给决策者信息量大小决定相应指标的权重，它反映了不同特征指标在决策中所起作用的大小。如果某个特征指标对识别所起的作用越大，表示该特征携带和传输的信息越多，则它的熵值就越小，熵权值越大；

(13212)对关联系数矩阵，特征j的熵定义为其中，当f_ij＝0时，设f_ijInf_ij＝0。定义特征j的客观熵权即客观权重为由此可知，客观权重是来自系统本身的信息，因而能更加客观、真实地反映各种特征在识别中所起作用的大小。

所述步骤(1322)还包括：

主观权重是根据决策者对各项指标的主观重视程度来赋权的一 种方法，设特征指标个数为n，由q名专家采用主观赋权给出了q个权重组合，其权重矩阵为：

W＝[W¹,W²,…,W^q]^T，$W^k=(W_1^k,W_2^k,···,W_n^k),k=\mathrm{1,2},···,q;q\ge 2$

计算权重矩阵的相关系数，可得权重相关系统矩阵T，相关系数在一定程度上能代表专家的权威程度：

$T=\left(\begin{array}{cccc}{t}_{11}& t_{12}& ···& t_{1q}\\ t_{21}& t_{22}& ···& t_{2q}\\ ·& ·& & ·\\ ·& ·& ···& ·\\ ·& ·& & ·\\ t_{q1}& t_{q2}& ···& t_{\mathrm{qq}}\end{array}\right),t_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\Sigma }}({\omega }_k^i-{\bar{\omega }}^i)({\omega }_k^j-{\bar{\omega }}^j)}{\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{({\omega }_k^i-{\bar{\omega }}^i)}^2}\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{({\omega }_k^j-{\bar{\omega }}^j)}^2}},\bar{\omega }=\underset{k=1}{\overset{n}{\Sigma }}{\omega }_k/n.$

所述步骤(1323)具体为：

(13231)这里定义专家加权权重矩阵ψ＝[ψ₁,ψ₁,…,ψ_q]^T，对T做归一化处理得T'，即可表示为ψ：ψ＝T'*W。如果ψ不收敛需要对ψ进行循环计算，直到它收敛为止；(13232)综合权重由主观权重和客观权重组成，其综合权重Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)，满足如下关系：

$\underset{j=1}{\overset{n}{\Sigma }}{\psi }_j=1,$且${\Lambda }_j=\frac{w_j{\psi }_j}{\underset{j=1}{\overset{n}{\Sigma }}{w}_j{\psi }_j}(j=\mathrm{1,2,3},···,n)$

若指标综合权重向量Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)'已知，则规划路径类型s_i与人体移动的待识别路径X综合区间灰关联度为：

$Z_i=\underset{j=1}{\overset{n}{\Sigma }}{\Lambda }_i\xi ,i=1,···,m$

Z_i反映了X与s_i的相似程度，Z_i越大，表明X与s_i越相似，即人体移动的未知路径X属于路径类型s_i的可能性越大。

所述步骤(133)具体为：

(1331)由特征矩阵得到增广的特征指标矩阵；

(1332)规范化增广特征指标矩阵；

(1333)计算距离矩阵；

(1334)计算区间灰关联系数矩阵；

(1335)计算属性客观权重向量；

(1336)计算属性主观权重向量；

(1337)计算综合权重向量；

(1338)得到各段路径与目标移动的未知路径X的综合区间灰关联度；

(1339)路径识别规则如下：如果存在k₀使得则判别该未知路径X为路径类型

所述步骤(2)具体为：

(21)实验方法设计；

(22)5段路径实验数据演算比较；

(23)10段路径不同算法比较；

(24)5段路径识别情况比较；

(25)异常数据识别率比较。

所述步骤(21)具体为：

实验区域为8m*8m热释电传感器感应区域，该区域被划分为9个0.6m的等间隔区域，由于热释电感应区域在1M以外数据采集有效，所以实验数据有效距离为1.2M到6.6M，数据训练阶段为：人体A首先以指定路径A模式进行移动，然后以指定路径B模式进行移动，并各重复进行20次，同时人体B以同样的方式重复20次试验。其中16次试验数据均值作为数据库的识别数据，剩余4次试验数据 均值作为测试数据。

所述步骤(22)具体为：

(221)通过热释电节点对人体在5段路径移动时，其数据的处理可以得出电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值这五种特征指标值；

(222)分别利用综合区间关联度融合方法、一般权重区间法和相对接近度法对特征指标值进行处理，并比较最后的支持度，得出综合权重区间法和相对接近度法总支持度要大于一般权重区间法的支持度，说明这两种方法相对于一般权重区间法的识别结果可信度更高。

所述步骤(23)具体为：

(231)利用综合区间关联度融合方法、一般权重区间法和相对接近度法，分别对目标A和目标B在10段不同路径上行走的数据进行处理，比较两个人通过三种算法处理后的差距支持率，得出综合权重区间法和相对接近度法的差距支持率增幅要大于一般权重区间法，其识别的可靠性要好于一般权重区间法；

(232)通过比较不同人不同算法的总支持度，得出基于综合权重区间法和相对接近度法的总支持度要大于一般权重区间法总支持度，但相对接近度法的总支持度不一定大于综合权重区间法的总支持度。

所述步骤(24)具体为：通过比较5段和10段不同路径上的人体目标识别率，得出当5段路径之间相隔1.2m时，热释电传感器所 采集的人体热红外数据差异较明显，识别效果比较好。

所述步骤(25)具体为：通过比较数据采集存在异常时不同算法对目标的识别情况得出，当数据采集的过程中有异常数据出现时，综合权重区间法要明显好于相对接近度法。其原因在于综合权重区间法的数据形态是模糊状即区间的形式，只要异常数据的波动值在区间内就会对目标移动的路径进行识别。而相对接近度法不能对偏离过大的数据进行有效的计算。其容错性要明显好于相对接近度法。

由上述技术方案可知，本发明基于前人的研究成果，进行深入研究，发现现有的基于热释电传感器的识别方法对人体识别存在的问题，经过对多种算法的分析比较，从客观权重和主观权重的角度出发，提出了一种综合权重灰区间关联度算法，用于对人体移动路径进行识别，揭示了综合区间灰关联度形成的原理，推理出了不同路径的人体特征信息与综合灰关联度之间定量的描述。最后通过实验验证了模型的可靠性和正确性，得出在相对环境下，人体目标所在各段路径的识别率，对各段路径的平均识别率达80％以上。与其他识别方法相比，可得出该方法识别可靠性高，容错性较强，计算简单，易于实现。该数学模型为从事基于热释电技术对人体身份识别研究的人员，提供了一定的参考价值。

通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。

附图说明

图1为本发明的流程图。

图2为本发明的实验场景图。

图3为本发明的主观赋权流程图。

图4a本发明中行走路径A示意图。

图4b为本发明中行走路径B示意图。

图5a为本发明中针对路径A的5段路径各算法总支持度示意图。

图5b为本发明中针对路径B的5段路径个算法总支持度示意图。

图6a为本发明中距离为1.2米时三算法差距支持率比较图。

图6b为本发明中距离为1.8米时三算法差距支持率比较图。

图6c为本发明中距离为2.4米时三算法差距支持率比较图。

图6d为本发明中距离为3.0米时三算法差距支持率比较图。

图6e为本发明中距离为3.6米时三算法差距支持率比较图。

图6f为本发明中距离为4.2米时三算法差距支持率比较图。

图6g为本发明中距离为4.8米时三算法差距支持率比较图。

图6h为本发明中距离为5.4米时三算法差距支持率比较图。

图6i为本发明中距离为6.0米时三算法差距支持率比较图。

图6j为本发明中距离为6.6米时三算法差距支持率比较图。

图7为本发明中不同人不同算法总支持度比较图。

图8a为本发明中路径A情况下5段不同路径的人体目标识别率比较图。

图8b为本发明中路径B情况下5段不同路径的人体目标识别率比较图。

图9为本发明中10段不同路径的人体目标识别率示意图。

图10为本发明中异常数据不同算法识别率比较图。

具体实施方式

下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。

结合图1，本实施例适用于基于热释电人体移动路径识别的建模方法包括如下步骤：

步骤S1，研究了区间灰关联度在多特征指标条件下的识别机理，提出一种新的基于综合区间灰关联度的人体移动路径识别方法，揭示综合区间灰关联度形成的原理，推理出不同路径的人体特征信息与综合灰关联度之间定量的描述；

步骤S2，设计实验并结合多种识别算法，定量计算人体行走时的五种特征指标，对不同路径下的算法支持率和总支持度进行比较，并比较算法对异常数据的处理性能，从而验证步骤(1)所提出的观点。

其中，步骤S1具体为：

步骤S11，本文结合国内外的研究成果，总结出了现有的相关人体身份识别方法中存在的问题，同时提出了一个综合区间灰关联度的方法；

步骤S12，设计场景，建立路径识别模型；

步骤S13，提出适用于本模型的综合区间灰关联度算法，给出具体步骤。

其中，步骤S11具体为：

步骤S111，提出现有方案中存在的问题，即：现有的人体识别方法虽然都有较好的识别结果，但是这些方法中特征指标权重的选取由人为给定，或者有层次分析法、比较矩阵的方法来确定，主观因素较大，过于经验化和绝对化，而且识别系统往往是针对传感器测量值和目标特征值均为精确值的情形；

步骤S112，提出了一种改进的综合区间灰关联度的方法，该方法中的特征指标权重由主观权重和客观权重有机的组成，避免了主观因素的过于经验化和客观权重的机械化，从而实现对人体所在的未知路径识别。

图2为适用于基于热释电人体移动路径识别的建模方法中实验场景图，图2所述具体情况如下：

步骤S121，明确实验目的：热释电传感器可对人体热红外信息进行采集，当人体目标在热释电节点感应区域的多段路径上进行移动时将产生不同的热释电特征波，通过对特征波的处理，可得到能反映人体目标在不同路径所对应的多个特征值，设实验区域的路径间隔为S＝{s₁,…,s_m}，如图2，每个节点上有两个热释电传感器，人体目标T在热释电探测区域按指定路线进行移动，不同热释电传感器在不同路径上感应的特征波将有所不同。从特征波中我们可以分离出5种能区 分不同路径的特征指标，分别为电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值。

步骤S122，令M＝{1,…,m}，N＝{1,…,n}，设实验区域的路径间隔S＝{s₁,…,s_m}，从不同的路径间隔中分离出相同的特征指标集Ω＝{θ₁,…,θ_n}，对于路径间隔s_i按属性θ_j进行测度，得到s_i关于特征指标θ_j的特征指标区间为从而构成特征指标矩阵 设传感器测得的各特征指标区间集向量为 把观测值区间集向量作为行向量合并到特征指标矩阵的最后一行，得到的矩阵我们称之为增广特征指标矩阵，其中

$\bar{A}=\left(\begin{array}{cccc}[a_{11}^l,a_{11}^u]& [a_{12}^l,a_{12}^u]& ···& [a_{1n}^l,a_{1n}^u]\\ [a_{21}^l,a_{21}^u]& [a_{22}^l,a_{22}^u]& ···& [a_{2n}^l,a_{2n}^u]\\ ·& ·& ·& ·\\ ·& ·& ·& ·\\ ·& ·& ·& ·\\ [a_{m1}^l,a_{m1}^u]& [a_{m2}^l,a_{m2}^u]& ···& [a_{\mathrm{mn}}^l,a_{\mathrm{mn}}^u]\\ [a_{\mu 1}^l,a_{\mu 1}^u]& [a_{\mu 2}^l,a_{\mu 2}^u]& ···& [a_{\mathrm{\mu n}}^l,a_{\mathrm{\mu n}}^u]\end{array}\right);$

步骤S123，为了消除不同物理量纲对决策结果的影响，可采用引用文献中的规范化方法，对增广特征指标矩阵进行处理，得到规范化增广特征指标矩阵其中且

$\left(\begin{array}{c}{r}_{\mathrm{ij}}^l=a_{\mathrm{ij}}^l/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(a_{\mathrm{ij}}^u\right)}^2}\\ r_{\mathrm{ij}}^u=a_{\mathrm{ij}}^u/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(a_{\mathrm{ij}}^l\right)}^2}\end{array}\right),i\in \bar{M},j\in N.$

基于数据采集平台，适用于基于热释电人体移动路径识别的建模方法中，步骤S13具体为：

步骤S131：设定区间灰关联系数矩阵；

步骤S132：描述综合权重的形成；

步骤S133：给出综合区间灰关联度算法具体步骤。

其中，步骤S131具体为：

步骤S1311，设待识路径特征指标与已规划路径特征指标的距离矩阵为D＝(d_ij)_m×n，$d_{\mathrm{ij}}=\frac{1}{\sqrt{2}}\sqrt{{(r_{\mathrm{ij}}^l-r_{\mathrm{\mu j}}^l)}^2+{(r_{\mathrm{ij}}^u-r_{\mathrm{\mu j}}^u)}^2};$

步骤S1312，设规划路径间隔类型s_i与人体移动的待识路径X关于特征指标θ_j的区间灰关联系数为：

${\xi }_{\mathrm{ij}}=\frac{\underset{i}{\min }\underset{j}{\min }\left\{d_{\mathrm{ij}}\right\}+\beta \underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}{d_{\mathrm{ij}}+\beta \underset{i}{\max }\underset{j}{\max }\left\{d_{\mathrm{ij}}\right\}}$

i＝1,…,m；j＝1,…,n

其中，β∈[0,1]为分辨系数，一般取为0.5；

步骤S1313，区间灰关联系数矩阵为：

$\xi =\left(\begin{array}{cccc}{\xi }_{11}& {\xi }_{12}& ···& {\xi }_{1n}\\ {\xi }_{21}& {\xi }_{22}& ···& {\xi }_{2n}\\ ·& ·& & ·\\ ·& ·& ···& ·\\ ·& ·& & ·\\ {\xi }_{m1}& {\xi }_{m2}& ···& {\xi }_{\mathrm{mn}}\end{array}\right).$

所述步骤S132具体为：

步骤S 1321，描述客观权重；

步骤S 1322，描述主观权重；

步骤S 1323，给出综合权重。

其中，所述步骤S1321具体为：

步骤S13211，本方法中的客观权重由客观商权表示，所谓熵权就是根据各指标传递给决策者信息量大小决定相应指标的权重，它反映了不同特征指标在决策中所起作用的大小。如果某个特征指标对识别所起的作用越大，表示该特征携带和传输的信息越多，则它的熵值 就越小，熵权值越大；

步骤S13212，对关联系数矩阵，特征j的熵定义为 $H_j=-k\underset{i=1}{\overset{m}{\Sigma }}{f}_{\mathrm{ij}}\mathrm{In}{f}_{\mathrm{ij}},$其中，$f_{\mathrm{ij}}={\xi }_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\Sigma }}{\xi }_{\mathrm{ij}},k=1/\mathrm{Inm}.$当f_ij＝0时，设f_ijInf_ij＝0。定义特征j的客观熵权即客观权重为由此可知，客观权重是来自系统本身的信息，因而能更加客观、真实地反映各种特征在识别中所起作用的大小。

所属步骤S1322还包括：

主观权重是根据决策者对各项指标的主观重视程度来赋权的一种方法，设特征指标个数为n，由q名专家采用主观赋权给出了q个权重组合，其权重矩阵为：

W＝[W¹,W²,…,W^q]^T，$W^k=(W_1^k,W_2^k,···,W_n^k),k=\mathrm{1,2},···,q;q\ge 2$

计算权重矩阵的相关系数，可得权重相关系统矩阵T，相关系数在一定程度上能代表专家的权威程度：

$T=\left(\begin{array}{cccc}{t}_{11}& t_{12}& ···& t_{1q}\\ t_{21}& t_{22}& ···& t_{2q}\\ ·& ·& & ·\\ ·& ·& ···& ·\\ ·& ·& & ·\\ t_{q1}& t_{q2}& ···& t_{\mathrm{qq}}\end{array}\right),t_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\Sigma }}({\omega }_k^i-{\bar{\omega }}^i)({\omega }_k^j-{\bar{\omega }}^j)}{\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{({\omega }_k^i-{\bar{\omega }}^i)}^2}\sqrt{\underset{k=1}{\overset{n}{\Sigma }}{({\omega }_k^j-{\bar{\omega }}^j)}^2}}\bar{\omega }=\underset{k=1}{\overset{n}{\Sigma }}{\omega }_k/n.$

所属步骤S1323具体为：

步骤S13231，定义专家加权权重矩阵ψ＝[ψ₁,ψ₁,…,ψ_q]^T，对T做归一化处理得T'，即可表示为ψ：ψ＝T'*W。如果ψ不收敛需要对ψ进行循环计算，直到它收敛为止，主观赋权的基本步骤如图3所示；

步骤S13232，定义综合权重由主观权重和客观权重组成，其综合权重Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)，满足如下关系：

$\underset{j=1}{\overset{n}{\Sigma }}{\psi }_j=1,$且${\Lambda }_j=\frac{w_j{\psi }_j}{\underset{j=1}{\overset{n}{\Sigma }}{w}_j{\psi }_j}(j=\mathrm{1,2,3},···,n)$

若指标综合权重向量Δ＝(Λ₁,Λ₂,…,Λ_j,…Λ_n)'已知，则规划路径类型s_i与人体移动的待识别路径X综合区间灰关联度为：

$Z_i=\underset{j=1}{\overset{n}{\Sigma }}{\Lambda }_i\xi ,i=1,···,m$

Z_i反映了X与s_i的相似程度，Z_i越大，表明X与s_i越相似，即人体移动的未知路径X属于路径类型s_i的可能性越大。

所述步骤S133具体为：

步骤S1331，由特征矩阵得到增广的特征指标矩阵；

步骤S1332，规范化增广特征指标矩阵；

步骤S 1333，计算距离矩阵；

步骤S 1334，计算区间灰关联系数矩阵；

步骤S 1335，计算属性客观权重向量；

步骤S 1336，计算属性主观权重向量；

步骤S 1337，计算综合权重向量；

步骤S 1338，得到各段路径与目标移动的未知路径X的综合区间灰关联度；

步骤S 1339，路径识别规则如下：如果存在k₀使得则判别该未知路径X为路径类型

为了验证所提出的综合区间灰关联度算法，设计了相关的实验，从而所属步骤S2具体为：

步骤S21，实验方法设计；

步骤S22，5段路径实验数据演算比较；

步骤S23，10段路径不同算法比较；

步骤S24，5段路径和10段路径识别情况比较；

步骤S25，异常数据识别率比较。

其中，所述步骤S21具体为：

实验区域为8m*8m热释电传感器感应区域，该区域被划分为9个0.6m的等间隔区域，由于热释电感应区域在1M以外数据采集有效，所以实验数据有效距离为1.2M到6.6M，数据训练阶段为：人体A首先以图4a的路径进行移动，然后以图4b的路径进行移动，并各重复进行20次，同时人体B以同样的方式重复20次试验。其中16次试验数据均值作为数据库的识别数据，剩余4次试验数据均值作为测试数据。

所述步骤S22具体为：

步骤S221，通过热释电节点对人体在5段路径移动时，其数据的处理可以得出电压峰值，电压谷值，电压差，峰值到谷值的时间差，电压差与时间差的比值这五种特征指标值；

步骤S222，分别利用综合区间关联度融合方法、一般权重区间法和相对接近度法对特征指标值进行处理，并比较最后的支持度，得出综合权重区间法和相对接近度法总支持度要大于一般权重区间法的支持度，如图5a和图5b所示，说明这两种方法相对于一般权重区间法的识别结果可信度更高。

所述步骤S23具体为：

步骤S231，用综合区间关联度融合方法、一般权重区间法和相对接近度法，分别对目标A和目标B在10段不同路径上行走的数据进行处理，比较两个人通过三种算法处理后的差距支持率，如图6a至6g所示，得出综合权重区间法和相对接近度法的差距支持率增幅要大于一般权重区间法，其识别的可靠性要好于一般权重区间法；

步骤S232，通过比较不同人不同算法的总支持度，如图7所示，得出基于综合权重区间法和相对接近度法的总支持度要大于一般权重区间法总支持度，但相对接近度法的总支持度不一定大于综合权重区间法的总支持度。

图8a和图8b为5段不同路径的人体目标识别率比较图，图9为10段不同路径的人体目标识别率比较图，从而所述步骤S24具体为：

通过比较5段和10段不同路径上的人体目标识别率，得出当5段路径之间相隔1.2m时，热释电传感器所采集的人体热红外数据差异较明显，识别效果比较好。

以上实验数据都采用的是热释电传感器采集的有效数据，当由于环境原因或传感器硬件的原因在数据采集时引起数据波动，将会影响识别率。图10为异常数据不同算法识别率比较图，从而所属步骤S25具体为：

通过比较数据采集存在异常时不同算法对目标的识别情况得出，当数据采集的过程中有异常数据出现时，综合权重区间法要明显好于相对接近度法。其原因在于综合权重区间法的数据形态是模糊状即区间的形式，只要异常数据的波动值在区间内就会对目标移动的路径进 行识别。而相对接近度法不能对偏离过大的数据进行有效的计算。其容错性要明显好于相对接近度法。

本实例中通过实验验证了模型的可靠性，该方法将传感器观测值和不同路径的特征值模糊化，并用区间来表达数据训练和观测时的不确定性。同时通过加入客观权重和主观权重的概念并融合形成综合权重，相对于一般区间灰关联度，其提高了识别结果的可信度。

以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。