專利名稱：基于多角度人體熱釋電信息探測的身份識別方法
技術領域：
本申請涉及一種身份識別方法，更具體的說，涉及一種基于多角度人體熱釋電信息探測的身份識別方法。

背景技術：
步態(tài)識別是生物特征識別技術中的一個新興領域。它旨在根據(jù)人們的行走姿勢實現(xiàn)對個人身份的識別或生理、病理及心理特征的檢測，具有廣闊的應用前景，成為近年來生物醫(yī)學信息檢測領域備受關注的前沿方向。熱釋電紅外(PIR)傳感器探測人體發(fā)出的紅外輻射，在有效范圍內可實現(xiàn)運動人體的檢測。由于它的低成本低功耗，在防盜報警及自動照明控制等方面有廣泛的應用。行走時的人體紅外輻射還含有肢體擺動及步行姿態(tài)特征信息，將為步態(tài)特征提取與身份識別提供新的來源。
人體有較恒定的體溫，一般為37℃，可以看作是一個紅外輻射源，會發(fā)出10μm左右特定波長的紅外線。而個體之間發(fā)射的紅外線的強度會有區(qū)別。熱釋電紅外傳感器(Pyroelectric Infrared，PIR)探測人體發(fā)出的紅外輻射，在有效探測范圍內可實現(xiàn)運動人體的檢測，在防盜報警及自動照明控制等方面有廣泛的應用。熱釋電紅外傳感器是一種被動式紅外傳感器，能夠接收人體發(fā)射的紅外線并將其轉換為電信號輸出。利用雙元傳感元件制成的熱釋電傳感器對環(huán)境溫度的變化、背景輻射和受振動產(chǎn)生的隨機噪聲都具有良好的補償作用，使傳感器在實際使用中穩(wěn)定可靠。人體運動時，紅外輻射將以唯一的方式影響PIR傳感器的輸出信號。通過對傳感器輸出信號的分析，就可能提取出人體運動的特征性數(shù)據(jù)，實現(xiàn)對不同人、不同運動狀態(tài)的識別，從而得到一種低成本的人體身份識別系統(tǒng)。


發(fā)明內容
本發(fā)明的主旨是提出并實現(xiàn)一個改進的熱釋電紅外傳感器探測系統(tǒng)，以及新的算法來處理探測數(shù)據(jù)，得到一個更好的步態(tài)識別結果。本發(fā)明的另一個主旨是在不影響步態(tài)識別效果的前提下，能夠減少人體運動檢測過程的工作量以及對硬件設施的要求。
為了實現(xiàn)所述目的，本發(fā)明提出一種基于多角度人體熱釋電信息探測的身份識別方法，包括下述步驟 S1.對人體紅外熱釋電信號進行采集； S2.對采集的人體紅外熱釋電信號進行輸出放大處理，同時進行濾波處理； S3.對處理后的人體紅外熱釋電信號進行數(shù)據(jù)處理，數(shù)據(jù)處理是小波變換、獨立成分分析、K-Means聚類算法處理、身份識別； K-Means聚類算法處理進一步包括下列步驟 (1)適當選擇c個類的初始中心； (2)在第k次迭代中，對任意一個樣本，求其到c個中心的距離，將該樣本歸到距離最短的中心所在的類， (3)利用均值等方法更新該類的中心值， (4)對于所有的c個聚類中心，如果利用K-Means聚類算法處理中步驟(2)、(3)的迭代法更新后，值保持不變，則迭代結束，否則繼續(xù)迭代； 身份識別細化為下列步驟 將小波變換、獨立成分分析所提取出的特征對C個聚類中心求距離，若其與第k聚類中心的距離最小，就將該人體熱釋電信號歸類為第k類，從而識別出身份。
所述小波變換包括下列步驟 對于具有有限能量的信號或平方可積的信號f(t)，其連續(xù)小波變換定義為 上式中的符號<x(t)，y(t)>表示兩個函數(shù)x(t)和y(t)內積，且 其中a，b∈R，a是尺度參數(shù)，b是位置參數(shù)，

是小波函數(shù)，是函數(shù)

經(jīng)過不同的尺度伸縮和平移得到的一系列基函數(shù)，

稱為母小波； 所述獨立成分分析，步驟如下 (1)求第i個人的原始數(shù)據(jù)矩陣求均值向量μi，i＝1，2，...，C； (2)設第i個人的原始矩陣有Mi個樣本數(shù)。i＝1，2，...，C； (3)設

為總樣本數(shù)，并求類內散射矩陣 類間散射矩陣 (4)線性轉換矩陣UT為

的特征向量b＝UT(x-μ)。
所述數(shù)據(jù)處理是傅立葉變換、主成分分析、K-Means聚類算法處理、身份識別； 傅立葉變換包括下列步驟 對于一個長度為N的有限長度數(shù)字序列，定義序列的離散傅立葉正變換 n＝0，1，…，N-1 將信號x(n)經(jīng)過上式計算，得到信號的頻譜信息； 主成分分析的步驟如下 (1)對原始數(shù)據(jù)矩陣進行標準化處理，矩陣中的元素減去所在列的均值，然后除以所在列的標準差，使得每個變量變?yōu)榫禐?，方差為1，得到矩陣Y Y＝[yij]n×p，i＝1，2，…，n，j＝1，2，…，p 其中， (2)對標準化后的矩陣Y求協(xié)方差矩陣，Y的每一列對應一個變量的n個量測值，任意兩列之間可以計算兩變量間的協(xié)方差，得到協(xié)方差矩陣 其中k＝1，2，…，p，m＝1，2，…，p，

和

分別為Y中第k列和第m列的均值，當k＝m時， (3)特征分解，計算協(xié)方差矩陣Z的特征值和特征向量，由式|Z-λI|＝0求出p個特征值并將其按照由大到小排列，λ1≥λ2≥λ3≥…≥λp，特征根對應的特征向量分別為U1，U2，U3，…Up，則協(xié)方差矩陣Z為Z＝UΛUT，其中，Λ-Z的特征值按照由大到小所組成的對角陣； (4)確定主成分個數(shù) 根據(jù)累積貢獻率 ηm＝(λ1+λ2+…+λm)/(λ1+λ2+…+λp) 當ηm大于某個閾值(一般要達到70％～80％以上，此處中取80％)時，可認為主成分數(shù)目為m。， (5)求主成分得分-新的變量 Fn×m＝Yn×pUp×m F陣的每一行相當于原數(shù)據(jù)矩陣的所有行，即原始變量構成的向量，在主成分坐標軸，即載荷軸上的投影，這些新的投影構成的向量就是主成分得分向量。
本發(fā)明具有如下效果以頻譜矩陣作為特征進行識別的效果較現(xiàn)有的熱釋電探測設備已有了很大的提高，在本發(fā)明采用的新算法ICA與改進后的硬件設施的基礎上，識別率有更明顯的提高；提供了一種低成本的人體身份識別系統(tǒng)。



圖1.人體運動數(shù)據(jù)獲取系統(tǒng)框圖。
圖2.傳感器及測試對象行走路線布置圖。
圖3.熱釋電傳感器RE200B外形。
圖4.菲涅爾透鏡的聚焦作用。
圖5.濾波放大電路。
圖6.數(shù)據(jù)處理流程。

具體實施例方式 下面將結合附圖對本發(fā)明加以詳細說明，應指出的是，所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。
本發(fā)明的一個具體實施例系統(tǒng)如圖1所示。PIR傳感器選自成熟的市場化產(chǎn)品476型紅外移動探頭，菲涅耳透鏡為WA-1標準透鏡，光柵分區(qū)為9、5、5、3。數(shù)據(jù)采集卡為12位精度100kHz采樣頻率的A/D轉換卡，通過USB總線連入計算機。行走的人體經(jīng)過PIR傳感器時，PIR傳感器因為熱釋電效應有微弱的電壓輸出，經(jīng)過電壓放大，利用數(shù)據(jù)采集卡進行A/D轉換，接入計算機進行數(shù)據(jù)分析。
測試人行走的路線與傳感器安裝處的距離D及傳感器的安裝高度H對測試數(shù)據(jù)及識別正確率有直接的影響，經(jīng)過優(yōu)化比較，此處的測試數(shù)據(jù)取自D＝3m處，傳感器的安裝高度H＝1.3m，文中各個參數(shù)的表示如圖2所示。
熱釋電紅外(Pyroelectric Infrared，PIR)傳感器就是利用熱釋電效應的原理，將紅外輻射能轉換為電能的一種元件。本實驗選用尼賽拉公司生產(chǎn)的RE200B型號的熱釋電紅外傳感器，它是雙元傳感器，由硅窗、敏感材料、高值電阻Rg和場效應管組成。其外形如圖3所示. 菲涅爾透鏡可以極大的降低成本，典型的應用是用于PIR傳感器上。菲涅爾透鏡作用有兩個一是聚焦作用，即將熱釋紅外信號折射(反射)在PIR傳感器上，如圖4所示；第二個作用是將探測區(qū)域內分為不斷交替變化的盲區(qū)(暗區(qū))和可見區(qū)(明區(qū))，使進入探測區(qū)域的移動物體能以溫度變化的形式在PIR傳感器上產(chǎn)生變化的熱釋電紅外信號。在該具體實施例中，采用8001-1型菲涅爾透鏡. 熱釋電紅外傳感器輸出的信號很微弱，所以要對其進行放大處理，同時還要濾波以去除干擾及噪聲。本系統(tǒng)采用的電路如圖5所示。
對于由LABVIEW讀入的熱釋電探測信號經(jīng)過如圖6所示的數(shù)據(jù)處理過程，最后得到數(shù)據(jù)處理結果。
小波變換(Wavelet Transform)是一種重要的線性時頻分析方法。它不僅繼承和發(fā)展了STFT(短時傅立葉變換)的局部化思想。而且克服了STFT窗口大小不隨頻率變化，即小波變換的窗口大小(窗口面積)固定但形狀可變、時間窗和頻率窗都可改變，低頻部分具有較高的頻率分辨率和較低的時間分辨率，而高頻部分具有較高的時間分辨率和較低的頻率分辨率。對于具有有限能量的信號或平方可積的信號f(t)。其連續(xù)小波變換定義為 上式中的符號<x(t)，y(t)>表示兩個函數(shù)x(t)和y(t)內積，且 其中a，b∈R，a是尺度參數(shù)，b是位置參數(shù)，

是小波函數(shù)，是函數(shù)

經(jīng)過不同的尺度伸縮和平移得到的一系列基函數(shù)，

稱為母小波。
對于一個長度為N的有限長度數(shù)字序列，定義序列的離散傅立葉正變換 本發(fā)明在處理數(shù)據(jù)中，采用的是2進離散小波變換的方法，尺度設為3，提取3層的近似系數(shù)用來特征提取的原信號。
獨立成分分析步驟如下 (1)求第i個人的原始數(shù)據(jù)矩陣求均值向量μi，i＝1，2，...，C (2)設第i個人的原始矩陣有Mi個樣本數(shù)。i＝1，2，...，C (3)設

為總樣本數(shù)，并求 類內散射矩陣 類間散射矩陣 (4)線性轉換矩陣UT為

的特征向量 b＝UT(x-μ)(15) 傅立葉變換包括下列步驟 對于一個長度為N的有限長度數(shù)字序列，定義序列的離散傅立葉正變換 n＝0，1，…，N-1 將信號x(n)經(jīng)過上式計算，得到信號的頻譜信息； 主成分分析的步驟如下 (1)對原始數(shù)據(jù)矩陣進行標準化處理，矩陣中的元素減去所在列的均值，然后除以所在列的標準差，使得每個變量變?yōu)榫禐?，方差為1，得到矩陣Y Y＝[yij]n×p，i＝1，2，…，n，j＝1，2，…，p(4) 其中， (2)對標準化后的矩陣Y求協(xié)方差矩陣，Y的每一列對應一個變量的n個量測值，任意兩列之間可以計算兩變量間的協(xié)方差，得到協(xié)方差矩陣 其中k＝1，2，…，p，m＝1，2，…，p，

和

分別為Y中第k列和第m列的均值，當k＝m時， (3)特征分解。計算協(xié)方差矩陣Z的特征值和特征向量，由式(17) |Z-λI|＝0(8) 求出p個特征值并將其按照由大到小排列，λ1≥λ2≥λ3≥…≥λp，特征根對應的特征向量分別為U1，U2，U3，…Up，則協(xié)方差矩陣Z可以寫成下式 Z＝UΛUT(9) 其中，Λ-Z的特征值按照由大到小所組成的對角陣 (4)確定主成分個數(shù) 根據(jù)累積貢獻率 ηm＝(λ1+λ2+…+λm)/(λ1+λ2+…+λp)(10) 當ηm大于某個閾值(一般要達到70％～80％以上，此處取80％)時，可認為主成分數(shù)目為m。，(5)求主成分得分-新的變量值 Fn×m＝Yn×pUp×m(11) F陣的每一行相當于原數(shù)據(jù)矩陣的所有行(即原始變量構成的向量)在主成分坐標軸(載荷軸)上的投影，這些新的投影構成的向量就是主成分得分向量。
本方法采用的分類算法是K-means聚類算法。其算法步驟為 (1)適當選擇c個類的初始中心； (2)在第k次迭代中，對任意一個樣本，求其到c個中心的距離，將該樣本歸到距離最短的中心所在的類， (3)利用均值等方法更新該類的中心值； (4)對于所有的c個聚類中心，如果利用(2)(3)的迭代法更新后，值保持不變，則迭代結束，否則繼續(xù)迭代。
本實驗的實驗對象身體健康，年齡在21～25歲之間。傳感器及測試對象行走路線布置如圖41所示。被測對象沿固定路線往返行走，以采集人體兩側的紅外信號。D為傳感器與被測人體的距離，H為傳感器與地面高度。實驗中分別對D＝2m，H＝0.9m；D＝2m，H＝1.3m；D＝3m，H＝0.9m；D＝3m，H＝1.3m；四種情況進行了優(yōu)化，共有30°、60°、90°、120°、150°。受試者共16人，5男11女，行走分四種狀態(tài)慢速、中速、快速，每種狀態(tài)采集10個樣本。
將頻譜矩陣作為特征，在SVM分類器中識別率如表52所示 表1取0～10Hz頻段的頻譜矩陣作為特征的識別結果 從表1中可以看到，將頻譜矩陣作為特征經(jīng)過SVM分類器進行分類的識別效果較好，而且經(jīng)過PCA處理后，識別率均有較大改善，中速狀態(tài)下的識別率可以達到70.21％，而混合慢速、中速與快速三種狀態(tài)下的樣本數(shù)據(jù)后的識別率為65.47％，但是仍然要高于AR系數(shù)作為特征的識別率48.13％。此處中所取的主成分個數(shù)是按照累計貢獻率ηm達到80％時的原則來確定的。
雖然將0～10Hz頻段內的頻譜數(shù)據(jù)作為特征進行PCA處理后的正確識別率有所提高，但是這樣的識別效果顯然是不能令人滿意的。因此，我們選擇以同樣方法截取0～4Hz頻段的頻譜數(shù)據(jù)進行了處理，識別率如表5-3所示 表2取0～4Hz頻段的頻譜矩陣作為特征的識別結果 從表5-3中可以看到，在其他條件相同的情況下，取0～4Hz頻段內的頻譜數(shù)據(jù)作為特征的識別率，相對于表5-2中取0～10Hz頻段內的頻譜作為特征的識別率有較大改善。其中，在中速下的數(shù)據(jù)進行PCA后識別率可達到86.53％，而對慢速中速和快速三種狀態(tài)下的樣本的識別率也達到了81.88％。可見，取0～4Hz頻段進行識別比0～10Hz頻段進行識別的效果要好。
獨立成分分析是基于PCA基礎上更優(yōu)化的一種處理數(shù)據(jù)的方法，用ICA處理后可以得到更好的處理結果。
之后此處對數(shù)據(jù)庫中慢速、抱球(中速行走)和快速的樣本(共480個)進行處理，結果如表3所示。從中可以看到，改變形態(tài)(抱球)后，0～4Hz頻段頻譜數(shù)據(jù)在PCA處理后識別率仍可以達到76.89％，相對于正常狀態(tài)下慢速、中速和快速行走狀態(tài)的識別率81.88％有所下降，但是影響不是很大。PIR傳感器所采集的信號將頻譜矩陣作為特征經(jīng)過SVM分類器進行分類的識別效果較好，而且經(jīng)過PCA處理后，識別率有較大改善。
表3改變形態(tài)后頻譜數(shù)據(jù)作為特征的識別結果 綜上所述，以頻譜矩陣作為特征進行識別的效果較現(xiàn)有的熱釋電探測設備已有了很大的提高。在新算法ICA與改進后的硬件設施的基礎上，識別率也將有明顯的提高。
以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術的人在本發(fā)明所揭露的技術范圍內，可理解想到的變換或替換，都應涵蓋在本發(fā)明的包含范圍之內，因此，本發(fā)明的保護范圍應該以權利要求書的保護范圍為準。
權利要求
1.一種基于多角度人體熱釋電信息探測的身份識別方法，其特征是，包括下述步驟
S1.對人體紅外熱釋電信號進行采集；
S2.對采集的人體紅外熱釋電信號進行輸出放大處理，同時進行濾波處理；
S3.對處理后的人體紅外熱釋電信號進行數(shù)據(jù)處理，數(shù)據(jù)處理是小波變換、獨立成分分析、K-Means聚類算法處理、身份識別；
K-Means聚類算法處理進一步包括下列步驟
(1)適當選擇c個類的初始中心；
(2)在第k次迭代中，對任意一個樣本，求其到c個中心的距離，將該樣本歸到距離最短的中心所在的類，
(3)利用均值等方法更新該類的中心值，
(4)對于所有的c個聚類中心，如果利用K-Means聚類算法處理中步驟(2)、(3)的迭代法更新后，值保持不變，則迭代結束，否則繼續(xù)迭代；
身份識別細化為下列步驟
將小波變換、獨立成分分析所提取出的特征對C個聚類中心求距離，若其與第k聚類中心的距離最小，就將該人體熱釋電信號歸類為第k類，從而識別出身份。
2.根據(jù)權利要求1所述的一種基于多角度人體熱釋電信息探測的身份識別方法，其特征是，
所述小波變換包括下列步驟
對于具有有限能量的信號或平方可積的信號f(t)，其連續(xù)小波變換定義為
上式中的符號＜x(t)，y(t)＞表示兩個函數(shù)x(t)和y(t)內積，且
其中a，b∈R，a是尺度參數(shù)，b是位置參數(shù)，ψa，b(t)是小波函數(shù)，是函數(shù)ψ(t)經(jīng)過不同的尺度伸縮和平移得到的一系列基函數(shù)，ψ(t)稱為母小波；
所述獨立成分分析，步驟如下
(1)求第i個人的原始數(shù)據(jù)矩陣求均值向量μi，i＝1，2，...，C；
(2)設第i個人的原始矩陣有Mi個樣本數(shù)。i＝1，2，...，C；
(3)設
為總樣本數(shù)，并求類內散射矩陣
類間散射矩陣
(4)線性轉換矩陣UT為
的特征向量b＝UT(x-μ)。
3.根據(jù)權利要求1所述的一種基于多角度人體熱釋電信息探測的身份識別方法，其特征是，所述數(shù)據(jù)處理是傅立葉變換、主成分分析、K-Means聚類算法處理、身份識別；
傅立葉變換包括下列步驟
對于一個長度為N的有限長度數(shù)字序列，定義序列的離散傅立葉正變換
n＝0，1，…，N-1
將信號x(n)經(jīng)過上式計算，得到信號的頻譜信息；
主成分分析的步驟如下
(1)對原始數(shù)據(jù)矩陣進行標準化處理，矩陣中的元素減去所在列的均值，然后除以所在列的標準差，使得每個變量變?yōu)榫禐?，方差為1，得到矩陣Y
Y＝[yij]n×p，i＝1，2，…，n，j＝1，2，…，p
其中，
(2)對標準化后的矩陣Y求協(xié)方差矩陣，Y的每一列對應一個變量的n個量測值，任意兩列之間可以計算兩變量間的協(xié)方差，得到協(xié)方差矩陣
其中k＝1，2，…，p，m＝1，2，…，p，
和
分別為Y中第k列和第m列的均值，當k＝m時，
(3)特征分解，計算協(xié)方差矩陣Z的特征值和特征向量，由式|Z-λI|＝0求出p個特征值并將其按照由大到小排列，λ1≥λ2≥λ3≥…≥λp，特征根對應的特征向量分別為U1，U2，U3，…Up，則協(xié)方差矩陣Z為Z＝UΛUT，其中，Λ-Z的特征值按照由大到小所組成的對角陣；
(4)確定主成分個數(shù)
根據(jù)累積貢獻率
ηm＝(λ1+λ2+…+λm)/(λ1+λ2+…+λp)
當ηm大于某個閾值(一般要達到70％～80％以上，此處中取80％)時，可認為主成分數(shù)目為m。，
(5)求主成分得分-新的變量
Fn×m＝Yn×pUp×m
F陣的每一行相當于原數(shù)據(jù)矩陣的所有行，即原始變量構成的向量，在主成分坐標軸，即載荷軸上的投影，這些新的投影構成的向量就是主成分得分向量。
全文摘要
本申請涉及一種身份識別方法。為提供一個更好的步態(tài)識別結果，能夠減少人體運動檢測過程的工作量以及對硬件設施的要求，本發(fā)明采用的技術方案是，包括下述步驟S1.對人體紅外熱釋電信號進行采集；S2.對采集的人體紅外熱釋電信號進行輸出放大處理，同時進行濾波處理；S3.對處理后的人體紅外熱釋電信號進行數(shù)據(jù)處理，數(shù)據(jù)處理是小波變換、獨立成分分析、K-Means聚類算法處理、身份識別。本發(fā)明主要應用于數(shù)字信號處理中的線性調頻信號參數(shù)估計。
文檔編號G06K9/00GK101816560SQ20101018723
公開日2010年9月1日 申請日期2010年5月31日 優(yōu)先權日2010年5月31日
發(fā)明者明東, 孟琳, 馮莉, 白艷茹, 綦宏志, 萬柏坤 申請人:天津大學