人体识别智能监控系统（精选6篇）
人体识别智能监控系统 第1篇
关键词：红外传感器,Matlab仿真,步态识别,人体识别
0 引 言
随着社会的进步,地铁作为城市轨道交通中的重要组成部分在人们的生活中发挥着至关重要的作用。传统方式逐步被新型方式取代,现在的自动售检票系统(Automatic Fare Collection system,AFC)是一种由中央处理单元控制的集自动售检票功能为一体的自动化处理系统。人体识别系统主要运行在闸机设备上,利用其内部的识别技术对乘客的行为进行识别,从而实现自动检票[1,2]。系统中运用的通行识别技术是十分重要的环节,它是保证持票乘客正常通过、阻止无票乘客进出的“守门人”,在城市轨道交通中发挥着重要作用。
识别技术中的步态识别方法是重要的识别方式之一。步态识别方法是通过人体的通行特征来区分通行者和与通行者十分相似的物体,并且融合了计算机视觉技术、模式识别技术与视频图像序列识别技术,是特征生物技术的一个新兴研究领域,具有广阔的应用前景[3,4]。本文利用Matlab实现对通道内通行目标进行仿真,综合步态识别技术进行识别验证,实验证明,借助Matlab平台对通道内通行的物体进行识别具有很好的准确性和可靠性。
1 人体识别系统
人体识别系统是城市轨道交通闸机中的核心部分,是闸机的“思维中枢”。闸机人体识别系统是由控制通行模块和闸机上的若干传感器组成,它将人体识别技术、现代传感器技术和计算机技术相结合,检测通行通道内通行目标的通行情况,将检测结果报告给控制通行模块,控制通行模块根据检测结果来控制闸机其他部分的工作。因此,人体识别系统的研究是整个闸机系统设计的关键,它的优劣不仅是衡量闸机性能的主要标准,而且还关系到整个自动售检票系统的成败。
闸机人体识别系统中的通行通道是由两台平行放置的闸机组成,对射式红外传感器分别布置在两端的闸机上,一端为传感器的发射端,另一端则为传感器的接收端。控制通行模块是人体识别系统的核心组件,是连接系统软件和硬件设置的中心纽带。当传感器检测到有目标进入通道时同时检查是否存在刷卡信号:如果不存在刷卡信号,则检查是否达到收费的身高要求,未达到收费的身高要求则打开扇门允许通过,如达到收费的身高要求则为非法通行并进行报警处理;如果存在刷卡信号,则查询进入通行通道的目标个数与刷卡次数是否一致,不一致则为非法通行并进行报警处理,一致则打开扇门使其通行,并且通过传感器再次检测离开通行通道的目标个数是否与刷卡次数一致,不一致则为非法通行并进行报警处理,一致则为合法通行。控制通行模块主要通过采集到的传感器的显示状态,分析得出通行目标的类型与数量,得出进入通道通行的人数,检查是否与刷卡时人数一致,如不同,则判别为非法通行启动报警装置;如相同,则打开扇门将其通过,并同时通过传感器检测通行目标离开通道时是否与刷卡时人数一致,不一致则判别为非法通行启动报警装置,一致则为合法通行。人体识别系统通行基本流程图如图1所示。
2 仿真实验
2.1 通道传感器布置
使用对射式红外传感器采集通道内通行目标,对射式红外传感器由发射端和接收端两部分组成,它可以用来检测在发射端和接收端之间是否存在通行目标[5]。当在发射端和接收端之间不存在通行目标时,接收端则会接收到对应发射端发射的红外线,此时传感器所对应的工作状态为0;当在发射端和接收端之间存在通行目标时,通行目标会遮挡发射端发射的红外线,相对应的接收端则不会接收到红外线,此时传感器所对应的工作状态就变为1。则t时刻,所有的传感器状态均可以用0或者用1来显示。
本实验中根据GB 10000-1988中国成年人人体尺寸[6]布置12对传感器,传感器1～4对用于检测通行目标是否进入通道,分别布置于小腿、大腿及臀部位置;传感器5～10对用于步态识别,分别布置于脚踝位置;传感器11～12对用于检测通行目标是否离开通道,布置于直立行走时臀部、坐时头部位置。状态数据分为四个部分,分别用1隔开,数据前三个部分分别对应三类传感器,最后一个部分为通行目标通行的时间。当t时刻通道内无人通行时,数据显示为10000,1000000,100,t。如图2所示,显示为无人通行时传感器状态图。图中0显示为白色,1则显示为黑色,横坐标对应数据显示格式。
2.2 通行识别方法
2.2.1 步态识别方法
步态识别是近年来计算机视觉和生物特征识别领域备受关注的一个研究方向,主要根据人体行走过程中双腿直立行走这一特殊行为特征进行身份识别。与其他生物特征识别技术[7](例如指纹、语音、人脸等)相比,步态识别的优势在于非接触性、非侵犯性、易于感知、难于隐藏、难于伪装[8]。本实验的步态识别方法是借助对射式红外传感器对闸机通道内通行状态中人体与物体进行识别的方法,是在人体步态的XYT 模型的基础上,通过对人体特殊的步态特征定义来区分人体与物体。
在含有传感器组成的通行通道内,人体行走与物体在通过传感器时会产生一系列与时间序列相联系的离散点,每个时间点传感器的状态则相应地反应出当时状态下人体与物体遮挡传感器的情况。在本实验中,借助Matlab[9]仿真平台显示通行目标通过通道时传感器的状态,如果人体通过通道时,由于人体特殊的行走规律,会产生特殊的双绞线模型,而物体通过通道时,则是连续遮挡锯齿模型,对这些离散数据进行处理,人体识别系统则可以对人体与物体进行区分。人体通过时传感器状态如图3所示。
如图3所示,横坐标对应数据显示格式,显示传感器的状态,纵坐标代表时间(单位:s),中间6个传感器为步态检测传感器。人体的行走过程可以分为若干个步态周期的组合[10]。在采集数据中可以看到,用于采集步态识别的传感器有数据缺失的现象,采样点的限制造成了数据的缺失,因此理论上传感器布置的数量越多,采集到的数据越充分,仿真效果就越准确,人体识别系统的识别率越高。但是,传感器数量的增多会带来很多其他问题,因此,要获得高的识别率还要进行大量实验以确定传感器数量的最佳值。
人体与物体共同通行时传感器状态如图4所示。从结果显示中可以看出人体的双脚步态特征:两脚前后遮挡传感器,一脚先遮挡传感器,另一只脚随后遮挡并且遮挡时间不一致。物体特征:一直遮挡传感器。由上述特征可以检测出通行通道中的通行目标的类型和数量,从而将检测结果传输给控制通行模块,以便更好地控制系统中其他设备的正常工作。
2.2.2 人体识别规则
人体识别规则是通过人体库综合通行规则方法对通行通道内的目标进行判定,由于采用之前所述传感器布置方案,人体识别可以对各种不同的人体通行情况进行有效识别。
人体库是对通行目标进行逐一分类,实现对已经在自动检票机刷卡即将在闸机通行通道内通行人体的识别,结合人体识别系统:按身高:身高低于130 cm的儿童不需要购票,只需针对高于130 cm的通行目标进行识别; 按胖瘦:胖(包括女士怀孕)、正常、瘦;按穿着:显示两腿、显示三条腿(拐杖)、显示一条腿(残疾、穿长裙);按通行个数:单人通行、多人通行;多人通行间隔:紧贴、并排、正常。
通行规则是对不同人体通行过程中通行状态进行识别,实现对自动检票机刷卡即将在通道内通行人体的识别:人体正常行走;人体携带物体正常通行;人体非法通行。
人体识别规则是人体库综合通行规则的方法控制闸机的正常运行以实现对通道通行目标的识别。当单人通行时,如果出现单人爬行和单人跨越的现象,则认定为非法通行进行报警处理,其余认定为合法通行;如果多人通行出现紧贴、并排通行试图逃票者,则认定为非法通行进行报警处理,其余认定为合法通行。
3 结 论
本文主要研究了城市轨道交通自动售检票系统中通行识别技术,在Matlab仿真的基础上结合步态识别方法与人体识别规则,并将其运用到自动检票机的人体识别系统中,摆脱了对图像检测技术的依赖,减少了自动检票机的设备成本,两者结合提高了自动检票机的设备性能,实验表明该设计可靠有效,为将来自动检票设备提供了新的设计方案。
参考文献
[1]石慧麟.城市轨道交通自动售检票系统设计[J].城市轨道交通研究,2001(2):61-63,68.
[2]范文毅,殷锡金.城市轨道交通车站设备[M].北京:中国铁道出版社,2000.
[3]HUANG P,HARRIS C,NIXON M.Human gait recogni-tion in canonical space using temporal templates[J].VisionImage and Signal Processing,1999,146(2):93-100.
[4]谢林海,刘相滨,佟施.基于步态的身份识别技术[J].计算机技术与发展,2007,17(9):106-108,112.
[5]曲日,鲍彦如,任长明.城市轨道交通中闸机事件识别技术[J].中国铁道科学,2006,27(4):112-118.
[6]中国标准化与信息分类编码研究所.GB10000-1988中国成年人人体尺寸[S].北京:中国标准化与信息分类研究所,1989.
[7]朱亚涛,金花,吕晶.基于生物特征的身份识别技术[J].现代电子技术,2005,28(6):6-7.
[8]王亮,胡卫明,谭铁牛.基于步态的身份识别[J].计算机学报,2003,26(3):353-360.
[9][美]冈萨雷斯.数字图像处理(Matlab版)[M].阮秋琦,译.北京:电子工业出版社,2005.
人体识别智能监控系统 第2篇
包括以下三门课程（三门课程内容选做2门）：
一、图像处理与图像识别：
1.数字图像的基本概念；
2.数字图像处理的基本方法；
3.图像模式识别的基本原理和方法；
4.图像和视频信息压缩的基本概念和原理。
二、密码学
1.密码学的基本概念；
2.分组密码中，DES、IDEA、NSSD算法；
3.公钥密码体制中，背包公钥密码、RSA、拉宾算法和基本的数论知识；
4.利用线性反馈移位寄存器的密码反馈原理；
5.数字签名、Hash函数、安全协议。
三、TCP/IP协议
1.熟悉TCP/IP所涉及的各种物理网络技术；
2.掌握TCP/IP族各层主要协议；
3.掌握TCP/IP中的路由协议及其常用算法；
4.掌握基于流行操作系统平台上的TCP/IP联网及应用方法；
5.熟悉基于socket机制和客户服务器模型的编程；
6.熟悉TCP/IP高层协议及其应用；
7.理解TCP/IP的层次结构思想。
参考书目：
1.《数字图像处理》，朱志刚等译；
2.科学出版社出版的图像图形丛书；
3.《密码学》，卢开澄，清华大学出版社，1999年8月；
4.《计算机密码应用基础》，朱文余、孙琦，科学出版社，2000年8月；
5.《TCP/IP网络原理与技术》，周明天，清华大学出版社；
人体识别智能监控系统 第3篇
关键词： 3DsMAX技术； 智能解析系统； 人体六经； 穴位针灸
中图分类号：TP319/R224 文献标志码：A 文章编号：1006-8228（2013）01-26-02
Design and implementation of intelligent analysis system based on the route of six-channel in human body
Tu Xiaoxia， Tao Junjie， Sun Qiongli， Huang Jianbo， Zhou Jian， Zhou Xingding
（Zhejiang University of Chinese Medicine， Hangzhou， Zhejiang 310053， China）
Abstract： The system of intelligent analysis is established， based on the route of six-channel in human body. Through setting up basic framework with Csharp.NET， SQLserver database， and embedding framework with the dynamic three-dimensional human body model through 3DsMAX， meanwhile aiding by Photoshop， flash， the system is optimized. This system includes the demonstration of the route of six-channel in body， presentation and functionality of the main points in six-channel， point combination chart of common diseases and acupuncture learning. The purpose of this system， which is a certain value of popularization and application， is to make more people familiar with our ancient quintessence of traditional Chinese medicine that not only includes a complete and systematic knowledge of Chinese medicine and acupuncture clinic， but also relies on the emerging technology platform-IT.
Key words： 3DsMAX technology； intelligent analysis system； six-channel in human body； acupuncture points
0 引言
随着2010年中医针灸被列入“人类非物质文化遗产代表作名录”，人们对中医针灸的信任也越来越高。本文所介绍的基于人体六经走向的综合智能解析系统综合了现代的计算机技术和传统的中医针灸理论，迎合了现代人追求时尚的口味和对养生的热爱。“万病不出阴阳，阳极化阴，阴极化阳之理”，六经囊括身体大部份的穴位，把阴阳调和之理演绎的惟妙惟肖。在中医的学习中，对六经的学习是重点。该系统基于人体六经走向进行的综合智能解析是对六经的综合演绎，可以很好地帮助我们学习中医针灸。
1 系统分析与设计
1.1 系统的框架与体系结构
基于人体六经走向的综合智能解析系统开发主要以Visual Studio 2008为开发环境，SQL Server 2008为后台数据库。内嵌入用3Ds MAX 2010建立的三维人体模型。本系统是以独立的软件方式存在，用户无需联网即可使用本系统，方便快捷。
1.2 系统功能模块介绍
基于人体六经走向的综合智能解析系统主要是为了实现六经走向的动态演示，六经疾病的简单诊治，为中医爱好者提供较为完善的学习平台。本系统主要包括：人体六经走向的演示、六经主要穴位及其功能的介绍，常见疾病的穴位治疗组合图以及相关学习等模块。
1.2.1 人体六经走向的演示
人体六经走向的演示主要是指通过3DsMAX、Photoshop等技术绘制人体模型，再在人体模型上用不同的颜色表示不同的经脉。当用户在选择区选择了一条经脉后，在三维的人体上就会用某种特定的颜色显示该经脉，内有箭头沿着经脉运动表示该经脉的走向，并且自动地不断循环往复。当箭头经过该经脉上的主要穴位时，会停下来，并显示该穴位的学名（中英文双语）。这样就能更加直观地看到六经的循环，使人对六经有一个更加正确的认识。
1.2.2 六经主要穴位及其功能的介绍
六经上的主要穴位的介绍和功能是指当用户在选择区正确输入一个穴位的学名时，在三维人体的相应位子显示该穴位并弹出提示框，标明该穴位学名（中英文双语）以及该穴位的简单介绍、主治疾病、刺灸方法。这样就能使学习者更加直观、生动地了解六经上各个穴位的位置及相关知识。
1.2.3 常见疾病的穴位治疗组合图
常见疾病的穴位组合图功能是指当用户想了解六经上的某种疾病所涉及的穴位时，就可以通过此功能查询。具体方法如下：搜索栏中输入某种病症，点击确认键后，三维人体上会显示该病症所涉及的穴位、该病的主要症状以及患者应该注意的事项，以方便患者更加清楚及确定地了解该病症。同时可以使患者避免加重病情。
1.2.4 学习模块
针灸学习是通过立体的三维人体图使中医爱好者更方便、更直观地认识六经穴位所在位置及各种刺灸方法。以便于爱好者更好地学习六经上各个穴位的刺灸方法。具体方法如下：系统随机地在三维人体上显示某个穴位，学习者在应答区域按照要求填写该穴位的名称（中英文双语）和刺灸方法，点击确定键后提交，系统经过后台判断对学习者给出一定的鼓励，以增强中医针灸爱好者学习中医针灸的信心。
2 相关技术
本文所介绍的系统是用Csharp.NET、SQLserver数据库构建基本框架，内嵌入由3DsMAX建立的动态三维人体，同时辅助以Photoshop、Flash美化系统。具有点面结合、动静结合、动态颜色配合等特点，界面友好，让使用者易于操作。
2.1 3DS MAX三维建模技术
3DS MAX是Autodesk出品的一款3D动画软件，现已成为世界上应用最广的三维建模及动画渲染工具，并且广泛应用于游戏开发、角色动画、电影电视视觉效果和设计行业等领域，完全能够满足制作高质量动画和最新设计效果的需要。3DS MAX主要有以下特点。
⑴ 功能强大，扩展性好：建模功能强大是3DS MAX被用于虚拟现实系统构建的重要原因，特别是在角色动画方面具有很大的优势，此外丰富的插件也是其一大亮点。
⑵ 操作简单，容易上手：与其强大的功能相比，3DS MAX可以说是最容易上手的3D软件。
⑶ 和其他相关软件配合流畅。其中最新的3DS MAX 2008还提供了新的接口技术和优化，极大地改进了交互，明显提高了操作速度[7]。
在本文介绍的系统中三维建模是系统的基础，它的好坏直接影响着该系统的成败。我们应用3DS MAX进行建模时，考虑到系统对三维人体模型的高要求，尽量遵循一个原则：在采用尽量简单的模型的基础上，不让三维人体模型失真，正确体现人体骨骼、肌肉和经脉。
2.2 三维动画技术
三维动画技术模拟真实物体的方式使其成为一种非常实用的技术手段。由于其精确性、真实性和无限的可操作性，目前被广泛应用于医学、教育、军事、娱乐等诸多领域[1]。本文所介绍的系统就是在三维建模的基础上运用了三维动画技术，在三维人体上使代表方向的箭头沿着经脉（规定轨迹）循环往复地运动。
3 结束语
基于人体六经的动态智能解析系统具有较高的可操作性与实用性，能够帮助解决日常碰到的一些中医针灸问题，即便不是专业的针灸学习者也能轻松上手，具有一定的实用价值和推广价值。目前该系统尚处在试验阶段，还有很多地方需要改进。课题组将继续努力，将更多专业针灸知识加入到系统的数据库中，并且改正原来存在的名字错误，翻译错误等小错误，使系统统计数据更为准确，功能更加强大。
参考文献：
[1] 王亚平.3DMAX软件动画制作探析[J].大众科技，2008.3：36-37
[2] 陈文捷.3DMAX制作人体头部模型方法的探讨[J].才智，2010.7：75
[3] 徐信义.《伤寒论》营卫学说研究[D].广州中医药大学，2009.10.
[4] 樊新荣.《伤寒论》三阳三阴病证的证素辩证研究[D].湖南中医药大学，2008.
[5] 鲍艳举.从《伤寒论》三阴三阳位序看六经实质及经方发展史[D].中华中医药杂志，2011.9.
[6] 邱浩.六经病欲解时的临床意义[D].医学杂志，2005.7：41-43
人体识别智能监控系统 第4篇
视频监控系统是现代化生活的重要组成部分, 视频监控系统的关键是基于监控系统的人体行为识别技术。设计一种高效鲁棒性的人体行为识别算法是人体行为识别研究领域的重点。
基于人体行为的智能监控系统通常按照人体行为检测与跟踪[1]、人体行为特征提取与运动表征、人体行为识别与理解[2]等处理流程。其中, 人体行为检测与目标跟踪、人体行为特征提取与运动表征、人体行为识别和理解属于视觉中低级处理部分、中级处理部分和高级处理。处理流程如图1所示。
本文对人体行为跟踪定位、人体行为特征提取与人体行为识别进行了研究。针对Meanshift算法跟踪速度慢和跟踪效果差的问题, 引入Kalman滤波的方法, 在跟踪时, 搜索迭代次数少, 速度快, 受人体移动及背景变化的影响小;利用肢体角度特征和区域面积特征提取运动特征, 实时性较好、识别率高;运用基于OAA模型的支持向量分类器来对动作进行分类识别, 提高了分类效率与性能。实验结果表明, 此识别方法的实时性好、鲁棒性高, 使监控系统效能得到提高。
1 人体目标跟踪
目标跟踪是人体行为识别过程的关键环节, 其主要任务是对目标检测阶段获得的运动目标进行定位跟踪, 确定目标的空间位置、运动速度以及运动轨迹等信息, 为进一步工作奠定基础。
1.1 Meanshift 算法
Meanshift算法是一种核密度估计算法, 对于非刚性目标, 该算法跟踪速度快, 准确率高, 特别适合对实时性有较高要求的系统。核心思想是:以矩形窗作为跟踪窗口, 在初始帧计算核函数加权下的搜索窗口的直方图分布[3], 用同样的方法计算候选目标的直方图, 用巴氏距离度量目标搜索窗口直方图和候选目标直方图之间的灰度分布相似度, 以相似度最大为原则, 通过Meanshift的迭代向量运算, 在搜索窗口内得到目标位置[4]。
1.2 Kalman 滤波算法
Kalman滤波是一种基于最小均方预测的最优线性递归滤波方法。该方法的主要思想是:利用前一帧已经定位到的目标状态, 采用最小化的线性均方误差准则, 对下一帧图像的目标位置和速度做最优估计, 并且更新当前帧的目标区域。Kalman滤波算法是一种速度快、效率高的递推估计算法, 在目标跟踪中应用广泛。利用Kalman滤波进行目标跟踪共分为状态预测和参数更新两个阶段。
1.3 基于 Meanshift 与 Kalman 滤波的跟踪算法
Meanshift算法是基于密度梯度增加的非参数方法, 实时性好, 迭代速度快, 但存在缺少必要的模板更新[5], 目标被遮挡时鲁棒性差, 目标运动速度快时准确率低等不足。Kalman滤波器是一种常用的预测方法, 对目标的运动速度和位置预测准确[6], 扩展性强, 跟踪效率高。为了克服Meanshift算法的不足, 引入Kalman滤波器预测相邻帧的状态, 提出一种基于Meanshift和Kalman滤波的跟踪算法。
具体的跟踪算法为:
(1) 在初始帧中定位目标人体, 得到位置坐标, 构造模板。用Kalman滤波器得到下一帧的人体位置y0 , 计算当前帧的分布概率, 得到
(2) 根据确定权值
(3) 确定目标的新位置:
对目标位置进行更新并计算出核密度函数g的计算公式为:
(4) 判断, 如果该式成立, 进行步骤 (6) , 否则执行步骤 (5) 。
(6) 进行下一帧跟踪, 判断初始模板与当前帧的相似度是否在阈值范围内, 如果在阈值内, 则用Kalman滤波器预测下一帧的位置;如果不在阈值范围内, 则需重新定位眼睛以获取新的模板。
2 人体特征提取
从原始视频数据中提取何种底层特征 (如形状信息包括侧影、轮廓, 运动信息包括位置、速度、方向等) 描述人体运动, 以及如何选择充分有效的描述方法表征人体运动状态成为人体行为理解中至关重要的一步。
2.1 肢体角度特征提取
人体运动过程中, 人的肢体包含丰富的运动信息, 智能监控系统完全可以通过人体运动过程中的肢体运动情况来实现准确率较高的行为识别功能。人体运动过程中关节点的角度、角加速度、角速度等运动信息可以表征唯一的运动动作姿势。本文将提取与分析躯干、大臂、小臂等的角度作为人体运动的动态特征。
以人体直立时双脚所在位置的水平线为基准线, 根据肢体和身高的比例关系和肢体随人体运动的表现出的几何信息, 可以定位人体的十二个关节坐标。
2.2 区域面积特征提取
在人体的运动中, 人的轮廓具有整体性、唯一性, 并能完整的表征人体运动。在视频图像中人体的两维轮廓要转化为一维矢量进行运算。本文提出利用提取区域面积特征来表征人体运动过程中的轮廓信息。
其具体方法如下:
(1) 建立质心点坐标系。计算人体的质心点位置{X, Y} :
U (x, y) 为 (x, y) 像素点处的像素值, 求出质心位置后在该点建立横向X轴, 纵向Y轴的直角坐标系。
(2) 区域划分。将直角坐标系进行区域划分, 用划分区域变化替代跟踪轮廓线, 以△Ψ 为幅度逆时针旋转X坐标轴, 直到坐标轴与原来位置重合, 完成区域划分。
(3) 区域面积特征提取。以划分好的单个小区域面积为对象, 计算小区域内的前景像素点的个数, 计算公式为:
2.3 肢体与区域融合的特征提取
采用加权相加法对肢体角度特征与区域面积特征进行融合。这两种特征代表的人体运动信息量不同, 在融合过程中, 匹配量化值的可信度不同, 所以需要对不同特征分配合适的权值再相加融合。特征的权值用自身的识别等错率EER计算, 设特征m的等错率为e m, 则特征的权值ωm为:
m为特征编号, N为特征个数, ωm在0与1之间, 满足归一化条件。e m与ωm为反比, 特征权值得到后, R*表示归一化后的特征匹配量化值。则加权相加法公式为:
t表示个体编号。
3 基于 OAA 的支持向量机分类识别
人体的行为识别是指对人体的运动模式进行分析和识别, 并用自然语言加以描述。
支持向量机 (SVM) 是建立在统计学习理论和结构风险最小原理基础的框架上, 针对有限样本, 根据其有限信息构建模型, 通过将实际问题维度转换, 以此避免造成的维数灾难问题, 造成线性判别函数, 对各个样本进行分类[7]。
OAA策略对当前待分类数据的分类是相对独立。待分类数据在分类前, 与每个支持向量机存在关系, 可以再错过正确分类后仍然被接受。因此判决规则是, 在取其输出值最大时, 处于该支持向量机位置时的相匹配类。
基于OAA模型的支持向量机可以通过分类器得到了理想的分类识别效果。
4 实验结果与分析
实验采用著名的Blank样本集[8], 和自拍的测试视频样本。实验的软件条件为Windows 7, Visual C++6.0, Open CV 1.0和MATLAB R2008b, 硬件条件为Intel Core Duo i7-2.3GHZ, 4GBDDR3的计算机。
(1) 基于Meanshift与Kalman滤波的跟踪算法性能检测
通过分帧的方式共提取到1000帧视频图像, 图像大小为240 x320像素。为了验证跟踪算法的鲁棒性与准确性, 实验对比了基于Kalman滤波的跟踪算法、基于Meanshift算法的跟踪算法和基于Meanshift与Kalman滤波的跟踪算法的三种跟踪方法, 统计每一帧视频图像的跟踪结果。测试结果如表1所示。
实验结果表明, 基于Meanshift与Kalman滤波的跟踪算法的跟踪准确率较高。
为了验证本算法在人体快速移动时的有效性, 对基于Meanshift与Kalman滤波的跟踪算法轨迹与Meanshift算法轨迹进行对比, 测试结果如图2所示。
实验结果表明, 改进算法与目标实际运动轨迹拟合度高, 受人体快速移动影响小, 跟踪效果更好
(2) 特征提取算法性能检测
检测提出的肢体与区域融合的人体特征提取算法性能, 对两种原算法与改进后的算法进行检测实验, 对实验结果进行对比, 实验结果如表2所示。
实验结果表明, 改进后的算法检测率高, 实时性好。
(3) 分类识别算法性能检测
检测提出的基于OAA模型的支持向量机分类识别算法性能, 对走、跑、左、跳等动作进行识别检测。实验结果如表3所示。
实验结果表明, 该分类算法对形状信息的特征变量分类效果好, 准确率较高。
5 结束语
提出了一种基于监控系统的人体行为识别方法, 对跟踪定位、特征提取、行为识别分类进行了重点研究, 运用基于Meanshift和Kalman滤波的跟踪算法、肢体角度特征与区域面积特征融合的特征提取算法、基于OAA模型的支持向量机分类识别算法对运动人体进行行为识别。仿真实验表明, 此方法实时性好, 鲁棒性高。结合现有技术, 如何更加快速、高效的对人体进行行为识别将成为下一步研究的重点。
摘要：针对传统行为识别技术实时性、鲁棒性较差等问题, 提出了一种高效鲁棒性的人体行为识别算法。通过基于Meanshift和Kalman滤波相结合的跟踪算法来跟踪定位人体目标;利用肢体特征和区域特征来提取运动特征;利用基于OAA的支持向量机分类识别。仿真实验表明, 该算法实时性好、鲁棒性高, 能有效应用于监控系统中。
关键词：行为识别,目标跟踪,特征提取,监控系统
参考文献
[1]E.Montseny, J.Frau.Computer vision:specialized processors for real-time image analysis[C].Proceedings of the Workshop proceedings, Barcelona, Spain, September 1991.
[2]阮涛涛, 姚明海, 瞿心昱等.基于视觉的人体运动分析综述[J].计算机系统应用, 2010, 20 (2) :245-253.
[3]汤中泽, 张春燕, 申传家.帧差法和Meanshift相结合的运动目标自动检测与跟踪[J].科学技术与工程.2010, 35 (3) :409-413.
[4]Ting Y, Yiqing X.Ultrasound image segmentation based on the Meanshift and graph cuts theory[J].Research Journal of Applied Science, Engineering and Technology.2013, 5 (7) :2458-2465.
[5]Ning J D, Zhang L, Wu C.Robust meanshift tracking with corrected background-weighed histogram[J].Computer Video, IET, 2012, 6 (1) :62-69.
[6]Ghadam R, Shafai B.Transformed unscented kalman filter[J].Automatic Control, IEEE Transactions, 2013, 58 (1) :252-257.
[7]李英杰, 尹怡欣, 邓飞.一种有效的行为识别视频特征[J].计算机应用, 2011, 31 (2) :406-419.
人体识别智能监控系统 第5篇
发电企业燃料智能化管理系统系列产品之——
燃料入厂自动识别系统
产品定位：
燃料入厂自动识别系统为武汉博晟信息科技有限公司发电企业燃料智能化管理整体解决方案系列产品之一。该系列产品立足于为发电企业提供最适合的燃料管理系统，与中国五大发电集团（中国华能集团公司、中国大唐集团公司、中国华电集团公司、中国国电集团公司、中国电力投资集团公司）均有项目合作。
燃料入厂自动识别系统参与的管理环节有调度、入厂、计量、采样、入场和报表。
系统简介：
博晟科技燃料自动识别管理系统利用信息技术和物联网技术，把燃料管理中所涉及的煤炭、车辆、设备、人、管理细节等信息孤岛联成一个可靠的系统，实现对燃料调度、入厂、采样、监卸各环节有效管理，避免燃料管理过程中的人为干扰，系统中应用了射频技术、定位技术、图形识别技术、语音提示、红绿灯提示，实现燃料管理标准规范、运作高效可靠、数据自动传输、过程实时监控的工
作目标。
系统架构图
主要功能说明：
系统一级模块结构图如下：
(1)刷卡管理：系统采用司机刷卡与自动读卡两种方式：
燃管员根据司机刷卡应用是RFID/ID 卡为司机持有，在地磅房处安装的刷卡机刷卡称重；自动读卡应用是将RFID卡固定在车辆前部，车辆通过磅房处，固定在磅房附近的读卡器自动读卡（类似ETC）。
(2)汽车来煤预告：来煤信息生成汽车来煤预告单，用户可查当日及次日车辆及来煤信息，汽车入厂刷卡时，快速激活ID卡并开始进厂流程。
(3)发卡管理：司机向ID卡管理人员递交货票，ID卡管理人员通过录入其车号、矿别、矿发量、煤种等信息，系统自动激活一张ID卡，与货票、汽车信息绑定。(4)质检现场扣吨管理：在现场发现煤质掺矸、掺水现象严重，使用手持式读写卡器，对该车号进行扣矸、扣水，将此记录在ID卡中，在回皮时自动扣掉。
(5)汽车ID卡车号识别（分为过重车和回空）：在过重车或回空时，煤车驾驶员通过在刷卡器上刷卡，就可以实现自助式过衡计量。
(6)汽车进煤过衡（含ID卡车号识别）：煤车上衡后，司机停稳煤车自助刷卡，系统自动记录车毛重，语音提示司机驶离重车磅，系统同步计量与拍照。
(7)采样自动识别：车辆到达采样装置时，红绿灯及拦车器控制车辆是否采样，车辆通过无线ID卡实现采样自动识别，自动读取电子标签和选择储样罐。
(8)出厂自动识别：运煤车辆到达出口处，通过无线ID卡，读取电子标签，核准后发出信号，拦车器及红绿灯控制车辆出厂，遇其他车辆手工抬起拦车器放行。(9)煤场自动识别：通过无线ID卡，读取进出车辆电子标签，拦车器控制车辆的进出，记录车辆进出时间。
(10)皮重校验：通过本次皮重和车辆历史记录比较，超过合理范围，即认为计重有作弊嫌疑，取消车辆回皮处理，通过显示屏及语音对司机提示。
(11)燃料入厂过程监视：实时显示燃料过磅数据及现场监控信息以及当前正在过磅车辆信息，对于异常记录用红色示警，数据来自地磅采集数据。
(12)现场控制：通过摄像机、红绿灯、LED屏和语音提示等,实现了燃料自助、封闭、可视化、全生命周期、全方位智能高效管理，提升燃料管理效能。
系统支持设备：
为达到预期效果，系统需一定的硬件设备作支持，设备包括自动控制柜、闸道机、读卡器、摄像机、定位仪、LED屏、红绿灯、打印机等设备构成；最后数据汇总到数据控制中心，该中心完成数据的统计和监控，用计算机接管自动采样机，实现现场无人为干预自动采样。
系统特点：
系统以汽车煤入厂过程控制为目标，具体体现如下：(1)(2)(3)(4)(5)(6)(7)(8)
入厂煤精细化管理； 入厂过程智能控制； 磅房无人值守管理； 计量自动取数管理： 采样异常自动预警； 硬件侦测预防作弊； 数据图形叠加监控； 多种设备集成应用。
系统应用：
火电企业燃料自动识别管理系统目前已在五大发电集团、地方发电集团所属多家发电企业得到深入应用。应用效果具体体现在：（1）入厂计量过程自动化，提升磅房计量速度；（2）采制过程的自动化，实现数据实时采集；（3）化验管理的网络化，数据处理及时正确；（4）煤场管理的数字化，实时采集信息展现；（5）分布式数据库技术，实现车辆自动称重；（6）工作流程分级授权，强化监督管理职能；
人体识别智能监控系统 第6篇
1 手势动作识别系统硬件架构
便携式手势动作识别系统硬件架构主要由DSP处理器TMS320VC5502、SEMG信号数据采集、预处理、串口RS232、JTAG调试口、LCD显示屏、锂电池供电单元和SARAM和Flash存储器等部分组成。手势动作识别系统硬件架构如图1所示。
肌电信号的采集利用两片Ag/Ag Cl电极作为肌电信号传感器, 并贴附在尺侧腕屈肌和肱桡肌的皮肤表面上, 把一片Ag/Ag Cl电极贴在上肢前臂关节处的肌肤表面作为参考点来消除共模信号, 提高电路的整体抗干扰能力。
DSP处理器TMS320VC5502是整个便携式手势动作识别系统的核心, 主要负责接收经过处理的肌电信号, 再根据相应的算法进行特征提取和动作识别, 获得有效的手势识别结果后, 再通过串口RS232发送给受控设备;LCD显示屏用来直观展示手势识别结果;由于设计的便携式手势动作识别系统体积较小, 采用了锂电池的供电方式。
2 基于小波包主元分析的SEMG特征提取
WPPCA结合了小波包变换WPT (Wavelet Packet Transform) 和主元分析PCA (Principal Component Analysis) 两种算法的优点, 不仅能够对原始肌电信号进行时-频域分析, 而且还能去除小波系数中线性相关性较大的特征, 从而实现对特征维数的压缩, 有效地提取肌电信号中的特征[7]。采用WPPCA来获取两路原始肌电数据特征矩阵过程如图2所示。
2.1 小波包变换
WPT是一种更加细致的时-频域分析法[8], 能够将高频段和低频段进行更加细致的分析, 得到更全面的特征量。三层小波包分解过程结构图如图3所示。
2.2 主元分析
(2) 求小波系数数据与u的差值向量B:
其中行向量h的元素全是1。
(3) 计算协方差矩阵C:
(4) 计算矩阵C的特征向量和特征值, 依据特征值从大到小来排列特征向量。根据式 (5) 计算各特征值λj的累积贡献率Zi, 以Zi≥96%为标准来获得前Pi (Pi2L) 个主元构建矩阵D。
(5) 根据式 (6) 计算肌电数据特征矩阵Yi。
经WPPCA处理后的两路SEMG信号的8个特征值贡献率如表1所示。
从表1可以看出, SEMG信号经WPPCA后所得的桡侧腕曲肌和肱桡肌特征矩阵中, 前两个特征1、2的贡献率相加后所得的累积贡献率分别为97.42%和99.25%, 满足阈值的条件, 进而将小波系数矩阵从16维减少到4维数据, 获得动作类别特征矩阵Y=[Y11, Y21, Y12, Y22]T。
3 线性判别分析的SEMG动作识别
LDA算法的基本思想是将维数较高的样品数据投影到最优样本分类的矢量空间, 从而达到有效获得分类数据和动作模式识别[10]。记肌电数据运动模式特征样本集合Φ为Y=[Y1, Y2, , YN], Yn=[Y1, n, Y2, n, , YM, n]T, n=1, 2, , N, T表示矩阵转置。采样点数记为N, 样本特征个数记为M。定义运动类别w1、w2, 集合Φ中w1类有N1个采样点数, w2类有N2个采样点数, N=N1+N2。属于w1类的样本记为子集Φ1, 属于w2类的样本记为子集Φ2。SEMG信号数据中两种动作类别的分类具体方法如下:
(1) 计算肌电数据运动特征样本中各手势类别的样品均值向量mi, wi类的样品量记为Ni, i=1, 2, 。
(2) 分别计算肌电数据中手势动作的样品类内离散度矩阵Si由式 (8) 所示;总类内离散度矩阵Sw由式 (9) 所示;动作类别之间的离散度矩阵Sb由式 (10) 所示。
(3) 计算最优解W*。
Fisher准则函数被定义为JF (W) , 表达式如式 (11) 所示, 经推导后W*的表达式如式 (12) 所示。
(4) 按式 (13) 将特征数据中训练样品集合内所有样品数据进行投影, 算出en, 从而获得与集合Φ1和Φ2相对应的两个像集合记为Θ1和Θ2。
(5) 计算分割阈值e0。
在一维空间, 按照式 (14) 计算样品的均值为m軗i。
根据式 (15) 计算出分割阈值e0。
(6) 按照式 (16) 计算出已获取的肌电特征数据测试样品Y对应的投影点e。
(7) 根据决策规则式 (17) 对动作模式进行分类:
4 实验结果分析
利用设计的DSP便携式人体手势动作实时识别系统进行测试实验, 根据香农采样定理设定2 k Hz作为采样频率, 分别采集5 s的握拳、展拳、手腕内翻和手腕外翻4种动作的肌电数据。并对所获取的肌电数据进行WPPCA分析, 所得的4个主元数据如图4所示。
在图4中, 桡侧腕曲肌的肌电特征数据为主元数据1、2;肱桡肌的肌电特征数据为主元数据3、4。在这主元数据1~4中包含握拳、展拳、内翻、外翻数据各100个。从而获得4行400列的运动模式特征矩阵Y=[Y1, Y2, Y3, Y4]T, 矩阵的转置记为T。
Yi=[Yi, 1, Yi, 2, Yi, 3, Yi, 400]为第i个主元的数据, i=1, 2, 3, 4。将前50个握拳、展拳、内翻和外翻这4种动作的数据作为分类器的训练样本, 后50个握拳、展拳、内翻和外翻这4种动作的数据作为分类器的测试样本, 从而获得训练数据和测试数据都为4行200列, 并将运动模式矩阵的训练样本数据和测试样本数据输入到LDA分类器中, 进而获得每一种动作类别与其他动作类别间的分类阈值如表2所示。
采用LDA、K近邻、BP神经网络和RBF神经网络对WPPCA获取的运动模式特征矩阵进行动作识别, 其分类结果如表3所示。
(%)
从表3可以看出同样使用小波包主元分析法来提取SEMG信号特征, 使用LDA分类器动作平均识别率达到99.5%, 而使用K近邻分类器动作平均识别率达87%, BP神经网络动作平均识别率达92%, RBF神经网络平均识别率达95%。从这四种分类方法的分类结果可以看出, 应用线性判别分析法对小波包主元分析法所得的运动特征矩阵进行分类, 达到的动作平均识别率最高。
利用DSP硬件平台设计的便携式人体手势动作实时识别系统, 采用人体表面肌电信号作为手势识别的信号源, 利用小波包主元分析法对SEMG信号进行特征提取, 再利用线性判别分析法对SEMG的动作进行识别。实验结果表明, 在不同的SEMG信号特征提取方法下, WPPCA具有良好的特征表达能力, 应用LDA分类器对运动特征矩阵进行训练和分类, 达到了99.5%的动作平均识别率, 识别结果优于其他分类器, 解决了人体表面肌电信号的平稳性差、小波包变换系数维数过高和识别率低等问题, 能够准确地将手势识别结果转换成智能设备的控制命令, 为人机的信息直接交互提供了新的方式。
摘要：针对人体表面肌电信号 (SEMG) 的非平稳性、小波包变换系数维数过高和识别率低的问题, 设计了基于DSP处理器TMS320VC5502硬件平台的便携式人体手势动作实时识别系统, 并提出了一种小波包主元分析 (WPPCA) 和线性判别分析 (LDA) 相结合的表面肌电信号动作特征识别新方法。实验结果表明, 该方法能够将小波包系数矩阵由16维降到4维, 并且对前臂的握拳、展拳、手腕内翻和手腕外翻4种动作模式的平均正确识别率达99.5%, 与传统的小波包变换相比有较高的识别率。
关键词：主元分析,表面肌电信号,动作识别,线性判别分析,设备控制
参考文献
[1]王金凤, 李涛, 孙漫漫.基于STM32处理器的表面肌电无线采集装置设计[J].电子技术应用, 2012, 38 (7) :78-80.
[2]邱红, 刘光远, 赖祥伟.改进的禁忌搜索算法在肌电信号情感识别中的应用[J].计算机工程与设计, 2012, 33 (4) :1553-1557.
[3]张毅, 连奥奇, 罗元.基于小波变换及AR模型的EMG模式识别研究[J].电子测量与仪器学报, 2011, 25 (09) :770-774.
[4]侯秀丽, 宋爱国.基于小波变换与BP网络的四通道表面肌电信号模式识别[J].仪器仪表学报, 2007, 28 (4) :528-531.
[5]KHEZRI M, JAHED M.A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics, 2011, 58 (5) :1952-1960.
[6]胡明霞.表面肌电信号识别特征提取的仿真研究[J].计算机仿真, 2013, 30 (5) :345-348.
[7]李伟, 景占荣, 黄爱萍.基于微惯性测量单元的人体动作检测系统设计[J].计算机测量与控制, 2009, 17 (8) :1482-1485.
[8]庄哲民, 张阿妞, 李芬兰.基于优化的LDA算法人脸识别研究[J].电子与信息学报, 2007, 29 (9) :2047-2049.
[9]周欣, 吴瑛.核Fisher判别分析在数字信号分类中的应用[J].北京邮电大学学报, 2011, 34 (1) :35-39.
