学位论文 > 优秀研究生学位论文题录展示

基于热释电红外信息的人体动作识别研究

作　者: 冯莉
导　师: 万柏坤
学　校: 天津大学
专　业: 生物医学工程
关键词: 热释电红外传感器动作识别快速傅里叶变换小波包分析支持向量机聚类算法分层次识别
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 153次
引　用: 0次
阅　读: 论文下载

内容摘要

随着安全问题受到社会的普遍关注,智能监控系统中对于人的运动检测与分析逐渐成为一个研究热点,人体动作识别在智能监控、感知接口、虚拟现实及内容检索等领域都有着广阔的应用前景。基于热释电红外(PIR)信息的人体动作识别基本原理可以描述为:运动人体发出的红外辐射中包含着与人体动作形态相关的特征信息,该信息可以被热释电红外传感器有效探测,并输出相应的模拟信号。通过对该模拟信号的分析和处理,就可以从中提取出人体不同动作状态下的特征信息,从而实现对人体的不同动作进行分类识别的目的。本文采用表面安装有菲涅耳透镜的热释电红外传感器检测人体不同动作形态(包括走、跑、跳、捡、踢、攀爬等六种动作)的红外辐射信息,利用所得热释电的连续电压信号,提取不同人不同动作形态的特征信息来进行人体动作识别。研究中首先搭建了运动人体热释电红外信息的采集系统,进行人体动作的热释电数据采集;第一种特征提取方法是将时域信号进行快速傅里叶变换提取出频谱信息作为特征,第二种特征提取方法是将时域信号进行五层小波包分解,得到小波包重构系数和小波包能量作为特征;在分类识别算法方面尝试采用支持向量机(SVM)和K-means聚类算法来实现人体动作识别,并比较了不同分类算法的识别结果;最后在优化特征提取与分类算法的基础上,根据不同动作信号的特点采取分层次识别的方法。实验结果表明,相对于单一特征提取,分层次提取不同特征进行动作识别能取得更好的识别效果,总体识别率达到90%以上。其中,走和跑动作的识别率为96.67%,跳动作的识别率为86.78%,捡动作的识别率为84.31%,踢动作的识别率为89.25%,攀爬动作的识别率为89.85%。研究表明,通过对PIR传感器输出信号的处理,可以在一定程度上实现运动人体的动作识别,为一些安全监控场所提供一种低成本的具有人体动作识别功能的应用系统。目前,基于运动人体红外信息的动作识别研究尚处于探索阶段,本文的研究成果将为这项技术的发展起到一定的推进作用。

全文目录

摘要  3-4
ABSTRACT  4-8
第一章绪论  8-19
  1.1 生物特征识别概述  8-12
    1.1.1 基于生理特征的生物识别  9-11
    1.1.2 基于行为特征的生物识别  11-12
  1.2 人体动作识别概述  12-16
    1.2.1 基于视觉的人体动作识别  13-14
    1.2.2 基于热释电信息的人体动作识别  14-16
  1.3 研究内容及论文结构  16-19
第二章热释电红外传感器的基本原理  19-23
  2.1 人体红外辐射原理  19
  2.2 热释电效应原理  19-21
  2.3 热释电红外传感器  21-23
第三章人体热释电红外信息采集系统  23-30
  3.1 被动红外探测装置  23-25
  3.2 信号调理电路  25-26
  3.3 数模转换装置与LabVIEW 程序设计  26-30
    3.3.1 数模转换装置——NI USB-6251  26-27
    3.3.2 LabVIEW 数据采集程序设计  27-30
第四章热释电红外数据采集与信号特征提取  30-47
  4.1 热释电红外数据采集  30-33
    4.1.1 实验方案  30-31
    4.1.2 数据采集  31-33
  4.2 基于傅里叶变换的特征提取  33-38
    4.2.1 快速傅里叶变换原理  33-36
    4.2.2 FFT 的频谱分析  36-38
  4.3 基于小波变换的特征提取  38-47
    4.3.1 小波变换的基本原理  38-40
    4.3.2 小波函数的选择  40-41
    4.3.3 小波包分析原理  41-43
    4.3.4 小波变换的时频分析  43-47
第五章基于支持向量机和聚类算法的动作识别研究  47-60
  5.1 支持向量机  47-51
    5.1.1 支持向量机原理  47-49
    5.1.2 支持向量机的核函数  49-50
    5.1.3 交叉验证与正确识别率  50-51
  5.2 聚类算法  51-54
    5.2.1 聚类算法原理  51-53
    5.2.2 聚类分析的研究意义  53-54
    5.2.3 K-means 聚类算法  54
  5.3 分类识别过程及结果讨论  54-60
    5.3.1 支持向量机的识别结果  54-55
    5.3.2 K-means 聚类的识别结果  55-57
    5.3.3 分层次动作识别过程  57-59
    5.3.4 识别结果总结  59-60
第六章总结与展望  60-62
  6.1 内容总结  60-61
  6.2 工作展望  61-62
参考文献  62-66
发表论文和参加科研情况说明  66-67
致谢  67

基于热释电红外信息的人体动作识别研究

内容摘要

全文目录

相似论文