一种基于PIR探测器的人与非人识别方法.pdf

本发明是一种基于PIR探测器的人与非人识别方法，属于数字信号处理、模式识别技术领域，特别涉及安防系统中的红外入侵报警应用。其核心思想是基于通用PIR探测器，结合人与非人体型差异的特点，建立人与非人检测模型，为分析人与非人信号差异奠定理论基础，进而在技术上，提出一种可用于人与非人识别的PIR信号特征提取方法。该PIR信号特征提取方法的步骤为：1.对PIR信号进行降噪、归一化预处理；2.计算预处理后PIR信号的过零率；3.对预处理后PIR信号作一阶差分处理，然后进行AR模型分析，并用Marple算法求解模型的回归系数；4.将2得到的过零率和3得到的回归系数作为PIR信号的特征描述用于人与非人识别。最后，实验表明本发明对人与非人识别具有高可靠性。

1.  一种基于PIR探测器的人与非人识别方法，该方法包括以下内容：
(1)基于通用PIR探测器，结合人与非人体型差异的特点，建立人与非人检测模型用于理论分析人与非人PIR信号差异；
(2)针对PIR探测器输出的人体或非人体非平稳信号X，对其进行降噪、归一化预处理后得到非平稳信号Y；
(3)计算信号Y的过零点总数，即过零率；
(4)对信号Y进行一阶差分处理得到平稳信号ΔY，然后利用AR模型对ΔY进行回归分析，并使用Marple算法进行模型求解得到其回归系数(a₁,a₂,…,a_P)；
(5)将(3)得到的过零率和(4)得到的回归系数共同作为信号X的特征描述，用于实现PIR探测器的人与非人识别。

2.  根据权利要求1所述的基于PIR探测器的人与非人识别方法，其特征在于所述步骤(1)中建立的人与非人检测模型描述如下：
将人体和非人体分别等效为垂直放置和水平放置的长方体红外辐射源，PIR探测器视场内明暗区的垂直截面呈矩形等间隔分布且近、中距离内的上层明暗区宽度小于下层明暗区宽度；由于人与非人体型差异的特点，使得人体较非人体做切割明暗区的运动时，在水平方向上能够同时切割到的明暗区更少，而在垂直方向上能够同时切割到的明暗区更多，体现出人体PIR信号较非人体在整体趋势上变化更剧烈，经频谱分析有更多高频成分，而且人体切割多层明暗区时对应的PIR信号波形变化更为复杂、具有更多细节信息，出现更多过零点。

3.  根据权利要求1所述的基于PIR探测器的人与非人识别方法，其特征在于所述步骤(2)的实现方式为：
针对PIR探测器输出的人体或非人体PIR信号X，即采样频率为f_s时，得到的长度为N的离散时间序列，形如X＝{x₁,x₂,…,x_N}，X具有非平稳性，对其进行降噪和归一化处理：
首先，对X进行降噪预处理，利用软阈值的DB1小波去噪方法，其中的软阈值函数为：
Wi,j=0,|Wi,j|≤thsign(Wi,j)(|Wi,j|-th),|Wi,j|>th]]>
其中，W_i,j为去噪后信号(记为Y)的第i层第j个小波系数；W_i,j为去噪前信号X的第i层第j个小波系数；sign(W_i,j)表示取W_i,j的符号；th＝σ_n2lnN为软阈值(σ_n表示噪声标准差)；
其次，对去噪后信号Y进一步做归一化预处理，对应的公式为：
y‾=1NΣi=1Nyiσ=1NΣi=1N(yi-y‾)2yi=yi-y‾σ;i=1,2,3,...,N]]>
其中，Y＝{y₁,y₂,…,y_N}，具有非平稳性；为Y序列的均值；σ为Y序列的标准差。

4.  根据权利要求1所述的基于PIR探测器的人与非人识别方法，其特征在于所述步骤(3)的计算信号Y的过零率的公式如下：
ZCR=Σi=1r-1Sign((-p(i)×p(i+1))∩(|p(i)-p(i+1)|>Δth))Sign(x)=1x>00others]]>
其中，ZCR表示Y的过零率；r为Y的符号分段数(例如序列{1,2,3,-4,-1,5,5}，则r等于3)；p(i)为第i个符号段内信号Y的峰值；Δ_th是为避免环境噪声引起PIR信号波形出现虚假过零点而设置的阈值。

5.  根据权利要求1所述的基于PIR探测器的人与非人识别方法，其特征在于所述步骤(4)的实现方式为：
首先，对预处理后的非平稳PIR信号Y进行一阶差分，公式如下：
Δy_i＝y_i-y_i-1；i＝1,2,3,…,N
其中，令y₀＝0；ΔY＝{Δy₁,Δy₂,…,Δy_N}为Y的一阶差分序列，具有平稳性；
然后，使用AR模型对ΔY进行分析，数学表达式为：
Δy_i+a₁Δy_i-1+a₂Δy_i-2+…+a_kΔy_i-k+…+a_PΔy_i-P＝w_i
其中，w_i为白噪声序列中第i个数据的值；P为AR模型的阶数，可根据AIC准则确定；a_k(k＝1,2,…,P)为该AR模型的回归系数，可通过Marple算法求解得到。

6.  根据权利要求1所述的基于PIR探测器的人与非人识别方法，其特征在于所述步骤(5)中：根据步骤(1)的模型，结合步骤(3)得到的过零率(ZCR)，以及步骤(4)得到的回归系数(a_k(k＝1,2,…,P))，将向量[ZCR,a₁,a₂,…,a_P]作为人体或非人体PIR信号的特征描述， 用于实现PIR探测器的人与非人识别。

一种基于PIR探测器的人与非人识别方法
技术领域
本发明属于数字信号处理、模式识别技术领域，特别涉及安防系统中的红外入侵报警应用。
背景技术
随着经济的发展与科技的进步，人们对社会公共安全、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，也对各种安防产品提出了更高的技术挑战。PIR(Pyroeletric Infrared)探测器，也称作被动红外探测器，在常温下能够有效检测敏感区域内的移动红外辐射源，实现红外入侵报警，而且其隐蔽性好、性能稳定、无光照要求，性价比高，所以在安防领域有着巨大的发展潜力。
PIR探测器的感应对象是移动红外辐射源，其中包括人体和非人体。传统PIR探测器仅仅采用脉冲计数/定时、设定信号幅度阈值触发等简单方法，在有非生物干扰热源或者动物的环境中其误报率很高。为了克服非生物干扰热源，如暖气、强电磁、雷电等的干扰，目前的通用PIR探测器广泛采用了移动分频红外(DFIR)技术，该技术通过识别双传感器输出的两个信号的频率和幅度来判断是否为有效报警；此外，市面上也出现了许多双鉴探测器，其设计理念为红外加微波(即PIR-MW)双技术互相验证。以上两项被动红外探测新技术较为有效的减少了非生物干扰热源导致的PIR探测器误报，但是对于动物类非人体导致的误报，依然难以克服。这使得PIR探测器在诸如智能家居等安防领域中的广泛应用面临着严峻挑战。
鉴于出现以上问题的原因是缺乏对PIR探测器输出信号的深入挖掘技术。目前，国内外相关研究学者开始提出一些有关人与非人PIR信号特征的时域分析、频域分析和时频域分析方法。其中，时域分析方法，如寻峰算法，受PIR信号具有的随机性影响较大，其可靠性很低；频域分析方法，如对PIR信号做FFT变换获取频谱特征，由于存在频谱泄露和丢失信号时域特征的缺陷，导致其人与非人识别率不高；小波分析是一种典型时频域分析方法，它首先将PIR信号从时域变换到小波域，然后提取时域和频域两个尺度方向上的信号特征，该方法可较好的实现人与非人识别，但算法复杂度较大。总体而言，针对非人体引起的通用PIR探测器的高误报率问题，目前缺乏对人与非人PIR信号差异的理论分析，有关人与非人识别的PIR信号特征提取方法较少，其研究尚处于起始阶段。
发明内容
本发明的目的是分析人与非人PIR信号差异，提出一种PIR信号特征提取方法，该方法使得PIR探测器能高可靠性的识别人体和非人体，从而减少由非人体引起的误报。此外，为 满足PIR探测器的实时报警，该方法的实施算法不能太复杂。
首先，为实现这一目的，本发明的技术方案从理论分析人与非人PIR信号差异的角度出发，基于通用PIR探测器的结构和工作原理，并结合人与非人体型差异的特点，建立了一种人与非人检测模型，其具体内容如下：
基于通用PIR探测器的结构和工作原理，分析产生PIR信号的物理机制，可知运动红外辐射源在探测器视场内切割明暗区可产生上下波动的电信号，该信号与辐射源切割明暗区时有效辐射面积的变化规律相关，从而有人体和非人体的PIR信号和其各自的体型有关。利用不同红外辐射源的红外图像的外形轮廓及实际体型参数，可将人体近似为一个垂直放置的长方体辐射源，而非人体近似为一个水平放置的长方体辐射源，二者存在水平方向上和垂直方向上的尺寸差异。一般情况下，水平方向上的人体体型尺寸较非人体小，而垂直方向上的人体体型尺寸较非人体大。为此，本发明基于通用PIR探测器，结合人与非人体型差异的特点，建立了一种人与非人检测模型，该模型的具体描述如下：将人体和非人体分别等效为垂直放置和水平放置的长方体红外辐射源，PIR探测器视场内明暗区的垂直截面呈矩形等间隔分布且近、中距离内的上层明暗区宽度小于下层明暗区宽度；由于人与非人体型差异的特点，使得人体较非人体做切割明暗区的运动时，在水平方向上能够同时切割到的明暗区更少，而在垂直方向上能够同时切割到的明暗区更多，体现出人体PIR信号较非人体在整体趋势上变化更剧烈，经频谱分析有更多高频成分，而且人体切割多层明暗区时对应的PIR信号波形变化更为复杂、具有更多细节信息，出现更多过零点。
在此基础上，根据人与非人体型及PIR探测器明暗区的尺寸参数，即可计算出人与非人有效辐射面积的变化规律，进而分析人与非人PIR信号差异。
进一步，基于以上建立的人与非人检测模型，在理论上，本发明对人与非人PIR信号的差异性进行了定性和定量分析，进而提出一种可用于人与非人识别的PIR信号特征提取方法，该方法的具体实施步骤如下：
(1)针对PIR探测器输出的人体或非人体非平稳信号X，对其进行降噪、归一化预处理后得到非平稳信号Y；
(2)计算信号Y的过零点总数，即过零率(zero-cross rate，ZCR)；
(3)对信号Y进行一阶差分处理得到平稳信号ΔY，然后利用AR模型对ΔY进行回归分析，并使用Marple算法进行模型求解得到其回归系数(a₁,a₂,…,a_P)；
(4)将(2)得到的过零率和(3)得到的回归系数共同作为信号X的特征描述，用于实 现PIR探测器的人与非人识别。
与现有技术相比，本发明的优点是：
(1)基于通用PIR探测器，结合人与非人体型差异的特点，建立了一种人与非人检测模型，借助该模型可有效的对人与非人PIR信号的差异性进行定性和定量分析，从而为提出一种可用于人与非人识别的PIR信号特征提取方法奠定理论基础；
(2)利用非平稳PIR信号经一阶差分处理后具有平稳性的特点，使用AR模型对差分序列进行分析，避免了直接处理PIR信号所面临的信号非平稳性问题；
(3)算法步骤简单，利于目前的通用PIR探测器实现实时的高可靠性的人与非人识别，有效减少非人体引起的误报。
附图说明
图1：本发明方法的整体流程框图；
图2：人与非人检测模型，其中探测器视场内的白色矩形框内表示明区，框外表示暗区；
图3：人与非人切割PIR探测器明暗区的过程分解图，其中(a)、(b)分别对应于人体和非人体运动切割明暗区的过程；
图4：本发明方法与其它PIR信号特征提取方法的人与非人识别效果的ROC曲线比对图，其中纵坐标TPR表示人体的正确识别率，横坐标FPR表示非人体的错误识别率。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
图1为本发明的整体流程框图，包括以下两大部分：
第一部分：建立人与非人检测模型，用于分析人与非人PIR信号差异，具体内容如下：
基于通用PIR探测器，结合人与非人体型差异的特点，本发明建立了一种人与非人检测模型如图2所示。借助该模型，在理论上，能对人与非人PIR信号的差异性进行定性和定量分析，具体内容如下：
首先，根据人体的体型尺寸(有效宽辐射面宽W1高H1)以及PIR探测器明暗区的尺寸参数，得到人体以运动速度V切割单层PIR探测器明暗区(宽W高2W)时，如图3(a)，人体有效辐射面积变化量ΔS₁及PIR信号幅值A₁(t)的计算公式为：
ΔS1=H1×V×t,A1(t)=K1×t;t0≤t≤t1(t0=0,t1=W1/V)(ΔS1=0,A1(t)=A1(t1)-k×(t-t1);t1<t≤t2(t2=W/V)(ΔS1=-H1×V×t,A1(t)=A1(t2)-K1×(t-t2);t2<t≤t3(t3=(W1+W)/V)(ΔS1=0,A1(t)=A1(t3);t3<t≤t4(t4=2W/V)ΔS1=H1×V×t,A1(t)=-K1×(t-t4);t4<t≤t5(t5=(W1+2W)/V)ΔS1=0,A1(t)=A1(t5)+k×(t-t5);t5<t≤t6(t6=3W/V)ΔS1=-H1×V×t,A1(t)=A1(t6)+K1×(t-t6);t6<t≤t7(t7=(W1+3W)/V)ΔS1=0,A1(t)=A1(t7);t7<t≤t8(t3=4W/V)]]>
其中，时间点t₀到t₈对应于图3(a)中的t₀到t₈；H₁为人体切割明暗区的有效高度(图3(a)中H₁＝2W)；K₁为与H₁和V成正比且与探测器自身相关的人体PIR信号变化率；k为人体有效辐射面积不变时的PIR信号幅值衰减率，由探测器决定。
其次，根据非人体的体型尺寸(有效辐射面宽W2高H2)以及PIR探测器明暗区的尺寸参数，得到非人体以运动速度V切割单层PIR探测器明暗区(宽W高2W)时，如图3(b)，非人体有效辐射面积变化量ΔS₂及PIR信号幅值A₂(t)的计算公式为：
ΔS2=H2×V×t,A2(t)=K2×t;t0≤t≤t1(t0=0,t1=W/V)ΔS2=0,A2(t)=A2(t1)-k×(t-t1);t1<t≤t2(t2=W2/V)ΔS2=-H2×V×t,A2(t)=A2(t2)-K2×(t-t2);t2<t≤t3(t3=2W/V)ΔS2=0,A2(t)=A2(t3)-2K2×(t-t3);t3<t≤t4(t4=(W+W2)/V)ΔS2=H2×V×t,A2(t)=A2(t4)-K2×(t-t4);t4<t≤t5(t5=3W2/V)ΔS2=0,A2(t)=A2(t5)+k×(t-t5);t5<t≤t6(t6=(2W+W2)/V)ΔS2=-H2×V×t,A2(t)=A2(t6)+K2×(t-t6);t6<t≤t7(t7=4W/V)]]>
其中，时间点t₀到t₇对应于图3(b)中的t₀到t₇；H₂为非人体切割明暗区的有效高度(图3(b)中H₂＝H2)；K₂为与H₂和V成正比且与探测器自身相关的非人体PIR信号变化率；k为非人体有效辐射面积不变时的PIR信号幅值衰减率，由探测器决定。
最后，图3(a)、(b)中的T₁、T₂分别代表人体和非人体PIR信号的单倍周期，根据PIR探测器中菲涅尔透镜的区段数，可对其时间段内的信号波形A₁(t)、A₂(t)做周期延拓，得到人体和非人体在PIR探测器明暗区宽度恒定的路径上做运动的完整PIR信号。因为W₂＞W₁，所以计算得到的人体PIR信号较非人体在整体趋势上变化更剧烈，经频谱分析具有更多高频成分。而且，依此类推，因为H₁＞H₂，可计算得到在PIR探测器近、中距离视场内，人体切割多层明暗区时对应的PIR信号，结果表明其波形变化更为复杂、具有更多细节信息，出现更多过零点，并且加剧了比非人体PIR信号具有更多高频成分的特征差异。
第二部分：基于第一部分对人与非人PIR信号差异的理论分析结果，本发明提出了一种可用于人与非人识别的PIR信号特征提取方法，该方法实施的PIR信号处理包含三个模块：预处理、特征提取、分类识别。其中，特征提取模块为核心内容，包括计算PIR信号过零率以及提取PIR信号一阶差分序列的AR模型系数。本发明的PIR信号特征提取方法的四个主要步骤如下：
(1)针对PIR探测器输出的人体或非人体PIR信号X，即采样频率为f_s时，得到的长度为N的离散时间序列，形如X＝{x₁,x₂,…,x_N}。X具有非平稳性，本发明方法对其进行的预处理包含降噪和归一化。
首先，为滤除探测器周围环境以及探测器本身电路对有效PIR信号引起的噪声干扰，需要对信号X进行降噪预处理，本方法采用的是一种利用软阈值的DB1小波去噪方法，其中的软阈值函数为：
Wi,j=0,|Wi,j|≤thsign(Wi,j)(|Wi,j|-th),|Wi,j|>th]]>
其中，W_i,j为去噪后信号(记为Y)的第i层第j个小波系数；W_i,j为去噪前信号X的第i层第j个小波系数；sign(W_i,j)表示取W_i,j的符号；th＝σ_n2lnN为软阈值(σ_n表示噪声标准差)。
其次，由于人体和非人体在PIR探测器视场内的实际运动速度、路径、姿态等具有随机性，为减少这些随机因素对PIR信号分析的影响，本方法采取对去噪后信号Y进一步做归一化预处理，对应的公式为：
y&OverBar;=1NΣi=1Nyiσ=1NΣi=1N(yi-y&OverBar;)2yi=yi-y&OverBar;σ;i=1,2,3,...,N]]>
其中，Y＝{y₁,y₂,…,y_N}，具有非平稳性；为Y序列的均值；σ为Y序列的标准差。
(2)针对步骤(1)的处理结果，即信号Y，由第一部分的内容可知，在PIR探测器近、中距离视场内，同等条件下人体PIR信号较非人体PIR信号可产生更多过零点。过零率是信号波形中过零点的总数，用来描述波形在幅度上变化的剧烈程度，反映了信号的变化趋势，所以本方法将过零率作为预处理后所得PIR信号Y的一个特征。其计算公式如下：
ZCR=Σi=1r-1Sign((-p(i)×p(i+1))∩(|p(i)-p(i+1)|>Δth))Sign(x)=1x>00others]]>
其中，ZCR表示Y的过零率；r为Y的符号分段数(例如序列{1,2,3,-4,-1,5,5}，则r等于3)；p(i)为第i个符号段内信号Y的峰值；Δ_th是为避免环境噪声引起PIR信号波形出现虚假过零点而设置的阈值。
(3)针对步骤(1)的处理结果，即信号Y，除步骤(2)的内容，由第一部分的内容还可知，同等条件下人体PIR信号较非人体PIR信号具有更多高频成分。AR模型分析方法具有很高的频率分辨率，根据线性系统相应理论，AR模型的回归系数可用于充分描述被分析信号的特征。鉴于AR模型要求被分析信号具有平稳性，然而PIR信号Y本身具有非平稳性，不能直接使用AR模型进行分析，但是Y的一阶差分序列具有平稳性，而且与信号Y之间可以相互推导，所以本方法使用AR模型对Y的一阶差分序列进行分析，计算出其AR模型的回归系数用于描述PIR信号Y的特征。
首先，对预处理后PIR信号Y进行一阶差分，公式如下：
Δy_i＝y_i-y_i-1；i＝1,2,3,…,N
其中，令y₀＝0；ΔY＝{Δy₁,Δy₂,…,Δy_N}为Y的一阶差分序列，具有平稳性。
然后，使用AR模型对ΔY进行分析，数学表达式为：
Δy_i+a₁Δy_i-1+a₂Δy_i-2+…+a_kΔy_i-k+…+a_PΔy_i-P＝w_i
其中，w_i为白噪声序列中第i个数据的值；P为AR模型的阶数，可根据AIC准则确定；a_k(k＝1,2,…,P)为该AR模型的回归系数，可通过Marple算法求解得到。
(4)根据第一部分的模型，结合上述步骤(2)得到的信号特征(过零率(ZCR))，以及步骤(3)得到的信号特征(回归系数(a_k(k＝1,2,…P,))，本发明方法将向量[ZCR，a₁，a₂，…，a_P]作为人体或非人体PIR信号的特征描述，用于实现PIR探测器的人与非人识别。
本发明方法的计算机仿真分析
图4为基于SVM分类器，当采样频率f_s＝1000hz、采样点数N＝2048、实验数据分配如表1时，本发明方法与其它PIR信号特征提取方法的人与非人识别效果的ROC曲线比对图。其中， 具体涉及到的三种对比方法分别是：基于双密度双树复小波熵(DD-DT CWT)的特征提取方法、基于符号动力学滤波(SDF)的特征提取方法，以及基于快速傅里叶变换(FFT)的频谱特征提取方法。根据ROC曲线的评判准则，即ROC曲线越靠近左上角，则对应方法的人与非人识别效果越好，由图4可知本发明方法较其它三种PIR信号特征提取方法取得了最好的人与非人识别效果，且明显优于SDF和FFT方法。
表1数据分配