摘要
人体行为识别技术是智能化研究的一个重要方向，已经逐渐应用到人们的日常家居生活中。基于智能监控设备的人体行为识别技术需要通过图像进行识别，存在隐私性差等弊端，不适合应用于卧室、卫生间等私密场所，而基于传感器的人体行为识别技术具有较高的隐私性。然而目前基于传感器的人体行为识别技术多使用单种传感器进行研究，存在抗干扰能力弱、识别准确率低等问题。因此如何通过多种传感器的联合感知提高人体行为识别的准确率成为研究的热点。课题来源于青岛市企业技术创新重点项目:智海居家守护雷达(LX202005.0326)。 本文采用基于热释电红外传感器与超声波传感器的人体行为识别系统获取室内人员运动的原始探测信号，并针对其特征开展研究工作。论文的主要研究内容如下: (1)首先介绍了声信号在室内环境中的传播模型和人体红外辐射特性，阐述了热释电红外传感器与超声波传感器的探测原理，并对两种传感器输出的人体行为探测信号进行分析。重点研究了红外辐射信号的时域波形，并通过小波变换得到其频率分布特征。分析了人在运动过程中对超声回波信号产生的影响，并使用改进的MFCC算法提取人体运动超声回波信号的细节特征。 (2)针对单传感器测量误差问题，本文采用最优加权的数据融合方法分别对红外数据和超声数据进行处理，在保证总方差最小的情况下，为每一个传感器所采集到的数据动态分配最优加权因子。为进一步提高人体行为识别精度，分析了红外辐射信号与超声回波信号特征的维度，并且为了充分考虑数据集中不同类样本之间和同类样本之间的相关关系，采用PCA-DCCA改进算法融合两种传感器的特征数据。 (3)基于红外辐射信号与超声回波信号的融合特征，设计了1D-CNN人体行为识别分类器。网络模型由3个卷积层、1个池化层和1个全连接层构成，为了提取更多的有效信息，在第二个卷积层使用多个尺度的卷积核进行卷积运算，并对其输出结果进行加权融合处理。通过分析与实验，不断优化网络模型的各项超参数，进而提高分类器在训练集和测试集上的性能。 (4)针对热释电红外传感器和超声波传感器的特点设计硬件电路和传感器阵列，并在室内搭建实验平台完成实验数据的采集，为本文的算法研究提供数据支撑。然后对人体行为识别实验的结果进行分析，通过分类器的识别准确率来判断本文数据融合方法的效果，同时对比分析了1D-CNN人体行为识别分类器与传统SVM分类器的性能。最终实验结果表明，基于PCA-DCCA改进算法得到的红外与超声融合特征比单种传感器特征具有更好的分类效果，并且使用卷积神经网络的分类器性能更优，基于1D-CNN的人体行为识别分类器达到了97.75％的准确率，比使用SVM方法提高了4.25％。
NETL