王召軍，許志猛，陳良琴

基于紅外陣列傳感器的人體行為識(shí)別系統(tǒng)研究

王召軍，許志猛，陳良琴

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108）

隨著人口老齡化的到來(lái)，為了避免發(fā)生意外事故，對(duì)老人日?；顒?dòng)行為進(jìn)行識(shí)別和監(jiān)測(cè)的安全監(jiān)護(hù)系統(tǒng)的需求不斷增長(zhǎng)。傳統(tǒng)的基于攝像頭拍攝或者穿戴式傳感器的活動(dòng)狀態(tài)監(jiān)測(cè)系統(tǒng)存在著隱私保護(hù)和使用不方便等不足。為此，本文設(shè)計(jì)一種基于紅外陣列傳感器的人體行為識(shí)別系統(tǒng)。該系統(tǒng)通過(guò)檢測(cè)環(huán)境中的溫度分布和變化情況識(shí)別人體行為，不需要在老人身上佩戴任何設(shè)備，尺寸小易于安裝，在黑暗環(huán)境中可正常工作，且由于采集到的是低分辨率信息，不會(huì)造成隱私泄露，對(duì)比傳統(tǒng)方案具有明顯優(yōu)勢(shì)。從采集到的溫度分布信息中提取特征并采用K最近鄰（K-Nearest Neighbor, KNN）算法實(shí)現(xiàn)了“走”、“坐”和“跌倒”3種狀態(tài)的識(shí)別。實(shí)驗(yàn)結(jié)果表明平均準(zhǔn)確率可達(dá)到95%，其中跌倒準(zhǔn)確率為97.5%，行走準(zhǔn)確率高達(dá)100%，坐下準(zhǔn)確率為92.5%。

行為識(shí)別；紅外陣列傳感器；多特征提取；K-近鄰算法

0 引言

隨著科學(xué)和醫(yī)療技術(shù)快速發(fā)展，人類(lèi)的整體壽命逐漸延長(zhǎng)，人口老齡化成了全球問(wèn)題。隨著老人的身體機(jī)能慢慢減弱，跌倒及其引起的傷害已成為老年人健康和安全的重要威脅[1]。在中國(guó)有1.3億老年人，每年出現(xiàn)超過(guò)2500萬(wàn)次跌倒事故[2]。如何保障老人的日常生活安全已成為家庭和社會(huì)必須面對(duì)的重大問(wèn)題。因此，對(duì)于老人特別是獨(dú)居老人的健康狀態(tài)和行動(dòng)安全提供監(jiān)測(cè)的系統(tǒng)得到了廣泛關(guān)注。

現(xiàn)階段，針對(duì)跌倒檢測(cè)國(guó)內(nèi)外主要有4類(lèi)技術(shù)[3-6]：基于智能手機(jī)的跌倒檢測(cè)、基于可穿戴式設(shè)備的跌倒檢測(cè)、基于視頻的跌倒檢測(cè)以及基于聲學(xué)的跌倒檢測(cè)系統(tǒng)等?；谥悄苁謾C(jī)的檢測(cè)方案，利用手機(jī)內(nèi)置的加速度傳感器、陀螺儀等可以實(shí)時(shí)采集使用者的狀態(tài)并通過(guò)算法判斷是否跌倒，由于該方案需要受監(jiān)測(cè)對(duì)象一直攜帶手機(jī)才能正常工作的限制，使用上存在較大弊端；基于可穿戴式設(shè)備的方案與基于智能手機(jī)方案缺點(diǎn)類(lèi)似，都要佩戴或者攜帶設(shè)備；基于視頻的檢測(cè)方案對(duì)使用者沒(méi)有太多的限制，但易受到光照影響且容易造成隱私泄露，在臥室、衛(wèi)生間等場(chǎng)合不適合使用；基于聲學(xué)的跌倒檢測(cè)方案通過(guò)分析跌倒時(shí)對(duì)地面的撞擊，提取聲音或者地板震動(dòng)等特征，但由于其他外物造成聲音干擾的情況時(shí)常發(fā)生，準(zhǔn)確率較低。為此，日本的Jihoon Hong等人提出了使用松下Grid-eye的8×8紅外陣列傳感器設(shè)計(jì)一個(gè)跌倒檢測(cè)系統(tǒng)[7]，通過(guò)監(jiān)測(cè)人體紅外輻射溫度分布情況識(shí)別跌倒動(dòng)作。2017年，上海大學(xué)的楊任兵等人提出了基于同一款傳感器采集的紅外圖像的多特征提取的跌倒檢測(cè)算法[8]。傳統(tǒng)視頻監(jiān)控一方面會(huì)暴露隱私，另一方面容易受到光照條件的影響造成在黑暗環(huán)境中無(wú)法正常工作，尤其在易發(fā)生滑倒的浴室、衛(wèi)生間等環(huán)境中會(huì)被霧氣影響采集圖像困難無(wú)法達(dá)到監(jiān)測(cè)目的。與視頻監(jiān)測(cè)相比，紅外方案對(duì)物體紅外輻射溫度進(jìn)行檢測(cè)能夠解決隱私保護(hù)、光照變化、陰影和夜間可視性等問(wèn)題，應(yīng)用場(chǎng)景更多；視頻圖像采用模糊化處理等技術(shù)避免隱私泄露，仍然存在硬件被破解的問(wèn)題，而紅外熱電堆采集的是溫度點(diǎn)陣，硬件上無(wú)法獲得清晰圖像，隱私保護(hù)更安全可靠?？紤]到對(duì)老人日?；顒?dòng)行為的監(jiān)測(cè)具有防范發(fā)生意外的重要意義，雖然上述兩個(gè)基于紅外陣列傳感器的檢測(cè)系統(tǒng)對(duì)于意外摔倒有較好的監(jiān)測(cè)效果，但尚未實(shí)現(xiàn)對(duì)人體坐下、行走等其他動(dòng)作的識(shí)別。

為了解決以上問(wèn)題，本文基于德國(guó)海曼（HEIMANN Sensor）公司的HTPA 32×32紅外陣列傳感器設(shè)計(jì)了一個(gè)人體行為識(shí)別系統(tǒng)。

1 行為識(shí)別系統(tǒng)設(shè)計(jì)

1.1 紅外陣列傳感器介紹

紅外傳感器如圖1(a)所示，其主要參數(shù)如表1所示。該傳感器內(nèi)含熱電堆元件，可采集被探測(cè)物體表面紅外輻射，不受光照因素影響，在黑暗狀況下也可以探測(cè)人體的溫度分布圖像。由于該傳感器分辨率低，即使將溫度值轉(zhuǎn)換成偽色彩圖像也可以確保隱私不被泄露，如圖1(b)所示為一個(gè)手掌的紅外溫度分布圖，從圖中僅能看清目標(biāo)輪廓，細(xì)節(jié)信息不會(huì)泄露。

1.2 系統(tǒng)構(gòu)成

人體活動(dòng)識(shí)別系統(tǒng)整體結(jié)構(gòu)如圖2所示。系統(tǒng)主要由紅外陣列傳感器、基于樹(shù)莓派的溫度數(shù)據(jù)采集平臺(tái)和基于個(gè)人計(jì)算機(jī)（Personal Computer, PC）的動(dòng)作識(shí)別平臺(tái)構(gòu)成。紅外陣列傳感器吊裝在天花板上，由樹(shù)莓派通過(guò)I2C接口實(shí)現(xiàn)控制，實(shí)現(xiàn)探測(cè)區(qū)域的溫度分布信息的采集；采集到的溫度數(shù)據(jù)通過(guò)樹(shù)莓派內(nèi)置的WiFi發(fā)送到PC端，PC端的識(shí)別程序從溫度分布數(shù)據(jù)中提取5種特征，分別經(jīng)過(guò)K最近鄰算法[9-10]、支持向量機(jī)（Support Vector Machine, SVM）算法[11-12]和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）算法[13-16]進(jìn)行分類(lèi)，并與數(shù)據(jù)庫(kù)數(shù)據(jù)對(duì)比，判斷溫度分布數(shù)據(jù)對(duì)應(yīng)人體的動(dòng)作類(lèi)別，進(jìn)而完成人體動(dòng)作的識(shí)別。

表1 傳感器的規(guī)格參數(shù)

圖1 紅外陣列傳感器

圖2 系統(tǒng)構(gòu)成設(shè)計(jì)

Fig.2 System composition design

2 行為識(shí)別系統(tǒng)算法

動(dòng)作識(shí)別算法流程圖如圖3所示，該算法分為3步：人體檢測(cè)，提取特征和分類(lèi)。PC端接收到溫度分布數(shù)據(jù)后，計(jì)算前后兩幀或者兩幀以上的連續(xù)最大溫度分布方差：若前后連續(xù)兩幀或者兩幀以上的方差均小于溫度方差閾值，則視為此時(shí)無(wú)人；若前后連續(xù)兩幀或者兩幀以上的方差均大于設(shè)定溫度方差閾值，則此時(shí)探測(cè)區(qū)域有活動(dòng)的人存在。若存在活動(dòng)的人，提取數(shù)據(jù)特征與數(shù)據(jù)庫(kù)中的訓(xùn)練數(shù)據(jù)對(duì)比分類(lèi)，進(jìn)而判斷出發(fā)生的動(dòng)作。

圖3 行為識(shí)別算法流程圖

2.1 人體檢測(cè)

在室內(nèi)無(wú)人活動(dòng)場(chǎng)景下，環(huán)境溫度分布數(shù)據(jù)均勻且變化小，但有人存在且發(fā)生動(dòng)作時(shí)，溫度分布數(shù)據(jù)就會(huì)發(fā)生波動(dòng)，進(jìn)而提取特征。

海曼HTPA 32×32紅外傳感器發(fā)出的溫度分布第幀可以表示為：

式中：a是第幀的第(,)個(gè)溫度值。通過(guò)計(jì)算時(shí)間窗寬度為10幀內(nèi)的每個(gè)像素的方差判斷是否有人。

當(dāng)前幀的第(,)像素的溫度方差計(jì)算公式為：

當(dāng)前后連續(xù)兩幀或兩幀以上的溫度分布方差大于溫度方差閾值th時(shí)，則認(rèn)為探測(cè)區(qū)域有活動(dòng)的人存在并提取特征。

溫度方差閾值th的選擇會(huì)影響算法的準(zhǔn)確率，選取太大，漏檢率升高，選取太小，增加計(jì)算量，誤判率也會(huì)提高。因此，本文閾值th的確定方法為選擇室內(nèi)環(huán)境無(wú)人的情況下，運(yùn)行實(shí)驗(yàn)測(cè)試裝置5min，計(jì)算這段時(shí)長(zhǎng)內(nèi)的最大溫度分布方差，重復(fù)測(cè)試5次，選擇5次實(shí)驗(yàn)中的最大值作為閾值th。通過(guò)實(shí)驗(yàn)測(cè)試閾值選取為2。本實(shí)驗(yàn)通過(guò)計(jì)算溫度方差來(lái)判斷檢測(cè)區(qū)域是否存在活動(dòng)的人。溫度方差是由每幀內(nèi)像素點(diǎn)的溫度值與滑窗內(nèi)像素點(diǎn)平均值差值的平方和決定，因此當(dāng)室內(nèi)溫度升高或者降低時(shí)，每幀中像素點(diǎn)溫度值會(huì)增加或者降低，滑窗內(nèi)像素點(diǎn)平均值也隨之升高或者降低，兩者的差值變化較小，溫度方差閾值受溫度值影響較小。

2.2 特征提取

探測(cè)區(qū)域有活動(dòng)的人存在時(shí)，提取出5種關(guān)于人體姿態(tài)的特征。當(dāng)最大溫度分布方差大于溫差閾值時(shí)，提取平均有效像素點(diǎn)數(shù)量、激活幀act、反應(yīng)像素的最大數(shù)量max、最大溫度分布方差max、有效動(dòng)作面積real等5種特征，圖4中選取部分像素點(diǎn)方差圖像，具體方法如下：

1）平均有效像素點(diǎn)數(shù)量：根據(jù)紅外熱源的等效模型[17]可知，人體可近似等效于直立的圓柱體，高度影響紅外輻射強(qiáng)度，且人體的上半軀干部分比下半部分紅外輻射能力強(qiáng)。紅外傳感器對(duì)人體敏感程度還和運(yùn)動(dòng)方向有關(guān)，紅外傳感器對(duì)于徑向移動(dòng)反應(yīng)不敏感，對(duì)于橫切方向移動(dòng)最敏感。在室溫閾值為15℃的環(huán)境下，人體處于靜態(tài)時(shí)，測(cè)量出超過(guò)室溫閾值的溫度像素點(diǎn)的總數(shù)量除以總幀數(shù)，就是超過(guò)室溫閾值的單幀平均像素點(diǎn)數(shù)量，即為平均有效像素點(diǎn)數(shù)量，該特征可表示為：

靜態(tài)下，發(fā)生行走、坐下和跌倒時(shí)，受高度影響，行走時(shí)的單幀內(nèi)平均有效像素點(diǎn)數(shù)量最多，跌倒時(shí)的單幀內(nèi)平均有效像素點(diǎn)數(shù)量最少。

2）激活幀act：當(dāng)前后連續(xù)兩幀或兩幀以上的最大溫度分布方差大于溫差閾值時(shí)，則該幀為人體移動(dòng)的開(kāi)始幀，記為第1幀；當(dāng)前后連續(xù)兩幀或兩幀以上最大溫度分布方差小于溫差閾值時(shí)，則該幀為人體移動(dòng)的結(jié)束幀，記為第2幀。如圖4所示，該特征可表示為：

act＝1－2＋1 (5)

該特征表示發(fā)生動(dòng)作所持續(xù)的時(shí)間，若室內(nèi)環(huán)境中沒(méi)有人，該特征值很小且基本不發(fā)生變化；但當(dāng)有人存在并發(fā)生運(yùn)動(dòng)時(shí)，該特征值會(huì)變大。在發(fā)生行走、坐下、跌倒動(dòng)作時(shí)，行走所花費(fèi)時(shí)間最長(zhǎng)，因此行走的激活幀的值最大。

3）反應(yīng)像素的最大數(shù)量max：表示在第1幀到第2幀之間，每幀的1024個(gè)單像素點(diǎn)數(shù)的方差大于溫差閾值時(shí)的最大像素?cái)?shù)量。該特征表示紅外傳感器下發(fā)生相應(yīng)動(dòng)作采集到的像素點(diǎn)的數(shù)量。在發(fā)生行走、坐下、跌倒動(dòng)作時(shí)，由于高度因素，行走時(shí)的反應(yīng)像素的數(shù)量最大，如圖4所示。

4）最大溫度分布方差max：表示在第1幀到第2幀之間的最大溫度分布方差。該特征表示運(yùn)動(dòng)趨勢(shì)的變化程度。在發(fā)生行走、坐下、跌倒動(dòng)作時(shí)，跌倒屬于意外發(fā)生，運(yùn)動(dòng)狀態(tài)從站立狀態(tài)急劇變化成平躺狀態(tài)，運(yùn)動(dòng)趨勢(shì)變化最大；其次，坐下的動(dòng)作變化趨勢(shì)要比行走大，因此跌倒的溫度分布方差最大，如圖4所示。

5）有效動(dòng)作面積real：把人體發(fā)生動(dòng)作近似輪廓化成規(guī)則矩形，計(jì)算發(fā)生動(dòng)作近似面積大小即為有效動(dòng)作面積。通過(guò)測(cè)得超過(guò)激活幀中每一幀內(nèi)的活動(dòng)像素點(diǎn)數(shù)量除以每平方的像素點(diǎn)數(shù)量即可得到該幀上采集到的實(shí)際動(dòng)作發(fā)生的大致面積，該特征可表示為：

real＝/(6)

有效動(dòng)作面積real不僅可以作為訓(xùn)練特征，同時(shí)也可以作為校驗(yàn)數(shù)據(jù)驗(yàn)證算法判斷是否準(zhǔn)確，通過(guò)有效動(dòng)作面積與實(shí)際估算動(dòng)作面積相比較，即可判斷出發(fā)生哪種動(dòng)作。

2.3 分類(lèi)算法

通過(guò)與SVM算法和CNN算法的分類(lèi)效果對(duì)比，本文選擇融合多特征且識(shí)別率高的KNN算法進(jìn)行分類(lèi)。在分類(lèi)中，將測(cè)試數(shù)據(jù)與數(shù)據(jù)庫(kù)中的訓(xùn)練數(shù)據(jù)進(jìn)行比較，進(jìn)而判斷出發(fā)生的實(shí)際動(dòng)作。KNN算法原理是如果一個(gè)樣本在特征空間中距離個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別，并具有這個(gè)類(lèi)別上樣本的特性，一般距離用歐氏距離度量。K值的選擇會(huì)影響分類(lèi)的準(zhǔn)確性，K值太大增加算法計(jì)算時(shí)間，K值太小容易過(guò)擬合，因此，使用交叉驗(yàn)證法[18]確定K值。

3 傳感器采集數(shù)據(jù)的校準(zhǔn)

由公式(6)可知，動(dòng)作識(shí)別所采用的特征涉及人體肢體在傳感器檢測(cè)數(shù)據(jù)中的面積計(jì)算。本系統(tǒng)采用的實(shí)驗(yàn)?zāi)Ｐ图跋袼匚恢萌鐖D5所示，從圖中可以看出，傳感器的安裝高度和角度會(huì)影響面積計(jì)算結(jié)果。為此，有必要根據(jù)傳感器的安裝高度和角度對(duì)采集到的數(shù)據(jù)進(jìn)行校準(zhǔn)。

圖4 提取的特征：Kact，Pmax和Vmax

圖5 實(shí)驗(yàn)?zāi)Ｐ图跋袼匚恢?/p>

3.1 根據(jù)安裝角度的數(shù)據(jù)校準(zhǔn)

已知紅外傳感器視野角度為33°×33°，假設(shè)紅外傳感器方向與垂直地面方向的夾角為，且0°＜＜57°，傳感器安裝存在夾角的情況下，特征值中使用到的探測(cè)面積有地面探測(cè)面積d和頭部高度探測(cè)面積head兩種。計(jì)算公式如下：

d＝22tan33°[tan(＋33°)－tan(－33°)] (7)

式中：表示紅外傳感器距離地面的垂直高度。

根據(jù)模型角度得出移動(dòng)的人體頭部高度模型探測(cè)面積的計(jì)算公式如下：

head＝2(－)2tan33°[tan(＋33°)－tan(－33°)] (8)

式中：表示人的身高。

通過(guò)公式(6)計(jì)算有效動(dòng)作面積real，可以得出：

式中：根據(jù)探測(cè)的是頭部還是地面的面積，分別為head和d。

將人體發(fā)生對(duì)應(yīng)動(dòng)作占地面積矩形化可知跌倒估算面積大約為0.9～1.14m2，實(shí)際坐下估算面積大約為0.25～0.48m2，實(shí)際行走估算面積大約為0.04～0.1m2。通過(guò)將公式(7)、(8)代入公式(9)中，可以計(jì)算出發(fā)生動(dòng)作的有效動(dòng)作面積，將有效動(dòng)作面積和實(shí)際估算面積對(duì)比，即可判斷出發(fā)生哪種動(dòng)作。

3.2 根據(jù)安裝高度的數(shù)據(jù)校準(zhǔn)

在固定紅外傳感器高度時(shí)受到房間高度因素的影響，一般不超過(guò)3m，結(jié)合一般人體身高因素，選擇2m、2.5m和3m試驗(yàn)校正，人體身高選擇1.8m（人體身高的選擇按照一般情況計(jì)算）。

當(dāng)紅外傳感器方向與垂直地面方向的夾角為0°，紅外傳感器固定高度分別為3m、2.5m和2m時(shí)：通過(guò)公式(7)和(8)計(jì)算可知探測(cè)的地面最大面積分別約為15.2m2、10.5m2和6.7m2，因此每平方米的像素點(diǎn)數(shù)量分別約為68、97和151個(gè)。同理可計(jì)算出人體頭頂高度平面上可探測(cè)的最大面積分別約為2.4m2、0.83m2和0.0675m2，計(jì)算出此時(shí)的每平方米的像素點(diǎn)數(shù)量大約為420、1238和15175個(gè)。通過(guò)測(cè)得在溫度方差超過(guò)方差閾值th的[1,2]區(qū)間內(nèi)像素點(diǎn)除以每平方的像素點(diǎn)數(shù)量即可得到該實(shí)際動(dòng)作有效動(dòng)作面積。由實(shí)驗(yàn)測(cè)得在紅外傳感器高度分別為3m、2.5m和2m時(shí)人行走時(shí)的像素點(diǎn)數(shù)量大約320～400、400～450和450～500個(gè)，跌倒時(shí)的像素點(diǎn)數(shù)量大約120～130、130～150和150～200個(gè)，因此可計(jì)算出實(shí)際行走時(shí)有效動(dòng)作面積大小分別約為0.76～0.95m2、0.32～0.36m2和0.029～0.033m2，實(shí)際跌倒時(shí)的有效動(dòng)作面積大小分別約為1.76～2.94m2、1.3～1.5m2和0.99～1.32m2。

綜上所述，當(dāng)紅外傳感器高度為2m時(shí)有效動(dòng)作面積與實(shí)際估算面積最為符合，因此紅外傳感器安裝高度為2m。

紅外傳感器經(jīng)過(guò)安裝角度及高度的校準(zhǔn)，將人體發(fā)生有效動(dòng)作面積與實(shí)際估算面積對(duì)比，即可判斷出發(fā)生哪種動(dòng)作。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)裝置

實(shí)驗(yàn)使用德國(guó)海曼公司HTPA32×32紅外陣列傳感器；樹(shù)莓派使用3B型號(hào)，其系統(tǒng)基于Linux，有SD/MicroSD卡、內(nèi)存、硬盤(pán)，主板上有USB接口和以太網(wǎng)接口，HDMI高清視頻輸出接口、GPIO接口，WiFi通信模塊，實(shí)驗(yàn)裝置如圖6(a)所示。

圖6 實(shí)驗(yàn)?zāi)M圖

4.2 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的實(shí)驗(yàn)環(huán)境選擇室內(nèi)普通辦公房間，室溫15℃左右，實(shí)驗(yàn)測(cè)試場(chǎng)景如圖6(b)、(c)、(d)所示。實(shí)驗(yàn)裝置為一個(gè)傳感器垂直吊裝在天花板上，高度為2m。被測(cè)實(shí)驗(yàn)人員需要根據(jù)要求完成行走、坐下和跌倒3種動(dòng)作。

4.3 獲取測(cè)試數(shù)據(jù)

本文使用KNN算法和SVM算法實(shí)驗(yàn)時(shí)，測(cè)試8名人員（4男4女），要求被測(cè)人員在檢測(cè)區(qū)域依次完成行走、坐下和跌倒3種動(dòng)作，每種動(dòng)作重復(fù)10次，然后保存每次實(shí)驗(yàn)數(shù)據(jù)，最后獲得240組數(shù)據(jù)，其中SVM算法進(jìn)行分類(lèi)時(shí)，訓(xùn)練集為122組，測(cè)試集為118組，SVM模型含有兩個(gè)重要的參數(shù)和，其中為懲罰參數(shù)取值范圍為2－2～24，為選擇徑向基函數(shù)（Radial Basis Function, RBF）后自帶的參數(shù)，取值范圍為2－4～24，調(diào)整和，當(dāng)準(zhǔn)確率最高時(shí)參數(shù)為5，參數(shù)為1.8。使用Keras和CNN構(gòu)建分類(lèi)器，搭建的VGGNet結(jié)構(gòu)包括5層卷積層、3層池化層和1層全連接層，其中卷積層使用線(xiàn)性整流函數(shù)（Rectified Linear Unit, ReLU）為激活函數(shù)，全連接層使用Softmax分類(lèi)器，訓(xùn)練輪數(shù)與每次訓(xùn)練批次數(shù)量的乘積要大于圖片數(shù)量，所以網(wǎng)絡(luò)訓(xùn)練總次數(shù)設(shè)定為500輪，每個(gè)訓(xùn)練批次數(shù)量為32，依次改變學(xué)習(xí)率的大小0.1、0.05、0.01、0.005、0.001、0.0005以及0.0001，統(tǒng)計(jì)行為動(dòng)作識(shí)別準(zhǔn)確率，最后選擇識(shí)別率最高時(shí)的學(xué)習(xí)率0.001。使用CNN算法識(shí)別姿體動(dòng)作實(shí)驗(yàn)時(shí)，測(cè)試6名人員（4男2女），總保存11420張圖片，其中訓(xùn)練集11120張，測(cè)試集300張，實(shí)驗(yàn)行為動(dòng)作模擬結(jié)果如圖7所示。

圖7 姿態(tài)動(dòng)作模擬圖

4.4 KNN算法最優(yōu)K值的選擇

本文使用交叉驗(yàn)證法確定最優(yōu)值，一般值大小不超過(guò)10。將實(shí)驗(yàn)測(cè)得的240組數(shù)據(jù)集，按照不同比例分成訓(xùn)練集和測(cè)試集，以3為初始值，2為步長(zhǎng)依次選取不同值進(jìn)行分類(lèi)計(jì)算相對(duì)應(yīng)的準(zhǔn)確率，選擇準(zhǔn)確率最高的作為最優(yōu)值。如表格2所示，可得出最優(yōu)值為3。

表2 交叉驗(yàn)證結(jié)果

4.5 實(shí)驗(yàn)算法對(duì)比及結(jié)果

實(shí)驗(yàn)將KNN算法、SVM算法和CNN算法準(zhǔn)確率結(jié)果進(jìn)行對(duì)比，如表3所示。

表3 3種算法準(zhǔn)確率結(jié)果對(duì)比

由KNN算法、SVM算法和CNN算法的實(shí)驗(yàn)分類(lèi)識(shí)別結(jié)果可知，KNN算法識(shí)別準(zhǔn)確率比SVM算法和CNN算法準(zhǔn)確率高。但KNN算法中坐下的識(shí)別率較行走和跌倒低，這是因?yàn)樽潞偷箖煞N動(dòng)作易造成錯(cuò)誤分類(lèi)。

5 結(jié)論

本文提出了一種基于紅外陣列傳感器的人體行為識(shí)別系統(tǒng)，通過(guò)提取監(jiān)測(cè)區(qū)域溫度分布信息的特征，并使用KNN算法測(cè)得行走、坐下和跌倒的檢測(cè)準(zhǔn)確率分別為100%、92.5%和97.5%，3種人體行為的平均識(shí)別準(zhǔn)確率為95%。該系統(tǒng)在老年人生命健康安全監(jiān)護(hù)領(lǐng)域具有很高的應(yīng)用價(jià)值。未來(lái)，可進(jìn)一步結(jié)合步態(tài)識(shí)別技術(shù)分析檢測(cè)到的動(dòng)作對(duì)應(yīng)的人員身份，以便在系統(tǒng)檢測(cè)到異常行為動(dòng)作時(shí)可以做出更加準(zhǔn)確的處理方案。

[1] 蔡倫, 林岑, 周鼒, 等. 老年人跌倒的公共衛(wèi)生研究進(jìn)展[J]. 中國(guó)老年學(xué)雜志, 2018, 38(9): 222-225.

CAI Lun, LIN Cen，ZHOU Zi，et al. Advances in public health research on falls of the elderly[J]., 2018, 38(9): 222-225.

[2] 呂汶聰, 張志靜. 老年人跌倒現(xiàn)狀及護(hù)理對(duì)策[J]. 現(xiàn)代醫(yī)學(xué)與健康研究電子雜志, 2018: 119-119.

LV Wencong, ZHANG Zhijing. The current situation of elderly fall and nursing countermeasures[J]., 2018: 119-119.

[3] 吳志強(qiáng), 曹蕾, 王凱, 等. 基于智能手機(jī)的人體跌倒檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2014, 35(4): 1465-1470.

WU Zhiqiang, CAO Lei, WANG Kai, et al. Design of human body fall detection system based on smart phone[J]., 2014, 35(4): 1465-1470.

[4] 左常玲. 基于視頻的自動(dòng)摔倒檢測(cè)研究與實(shí)現(xiàn)[D]. 合肥: 安徽大學(xué), 2012.

ZUO Changling. Research and implementation of video-based automatic fall detection[D]. Hefei: Anhui University, 2012.

[5] 王剛. 基于多傳感器的可穿戴跌倒檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京: 北京工業(yè)大學(xué), 2015.

WANG Gang. Design and implementation of wearable fall detection system based on multi-sensor[D]. Beijing: Beijing University of Technology, 2015.

[6] 李仲華, 臧春華, 楊剛. 基于噪聲嵌入的跌倒檢測(cè)系統(tǒng)的設(shè)計(jì)[J].微機(jī)處理, 2017(2): 74-76.

LI Zhonghua, ZANG Chunhua, YANG Gang. Design of fall detection system based on noise embedding[J]., 2017(2): 74-76.

[7] Mashiyama S, Hong J, Ohtsuki T. A fall detection system using low resolution infrared array sensor[C]//, 2014: 2109-2113.

[8] 楊任兵, 程文播, 錢(qián)慶, 等. 紅外圖像中基于多特征提取的跌倒檢測(cè)算法研究[J]. 紅外技術(shù), 2017, 39(12): 1131-1138.

YANG Renbing, CHENG Wenbo, QIAN Qing, et al. Research on fall detection algorithm based on multi-feature extraction in infrared image[J]., 2017, 39(12): 1131-1138.

[9] LIU Chienliang, LEE Chiahoang, LIN Pingmin. A fall detection system using k-nearest neighbor classifier[J]., 2010(37): 7174-7181.

[10] 張舒雅, 吳科艷, 黃炎子, 等. 基于SVM_KNN的老人跌倒檢測(cè)算法[J]. 計(jì)算機(jī)與現(xiàn)代化, 2017(12):5 3-59.

ZHANG Shuya, WU Keyan, HUANG Yanzi, et al.Old man fall detection algorithm based on SVM_KNN[J]., 2017(12): 53-59.

[11] 陳瑋, 周晴, 曹桂濤. 基于SVM和閾值分析法的摔倒檢測(cè)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用于軟件, 2017(7): 182-187.

CHEN Wei, ZHOU Qing, CAO Guitao. Fall detection system based on SVM and threshold analysis method[J]., 2017(7): 182-187.

[12] Nadi M, Elbendary N, Hassanien A E, et al. Falling Detection System Based on Machine Learning[C]//, 2016: 71-75.

[13] Adhikari K, Bouchachia H, Nait-Charif H. Activity recognition for indoor fall detection using convolutional neural network[C]//2017, 2017: 81-84.

[14] FENG P, YU M, Naqvi S M, et al. Deep learning for posture analysis in fall detection[C]//2014()., 2014: 12-17.

[15] Vidigal M, Lima M, Neto A D A. Elder Falls Detection Based on Artificial Neural Networks[C]//, 2015: 226-230.

[16] Kerdegari H, Mokaram S, Samsudin K, et al. A Pervasive Neural Network Based Fall Detection System on Smart Phone[J]., 2015, 7(2): 221-230.

[17] Linhong Wang. Human infrared signal recognition using single PIR detector[C]//2011 4th, 2011: 2664-2668.

[18] 李洪奇, 楊中國(guó), 朱麗萍, 等. 基于數(shù)據(jù)集特征的KNN最優(yōu)K值預(yù)測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2013, 33(6): 54-58.

LI Hongqi, YANG Zhongguo, ZHU Liping, et al. KNN optimal K-value prediction method based on data set features[J]., 2013, 33(6): 54-58.

Human Behavior Recognition System Based on Infrared Array Sensors

WANG Zhaojun，XU Zhimeng，CHEN Liangqin

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108, China)

With the increase in the aging population, the demand to identify and monitor the daily activities of the elderly is growing. A monitoring system can effectively prevent accidents of elderly people. The traditional activity monitoring system based on the use of camera or wearable sensors has issues, such as privacy violations and inconvenience of use. Therefore, this study designs a human behavior recognition system based on infrared array sensors. The system recognizes activities on different temperature distributions in the environment. There is no need for the sensor to be worn by the elderly. The sensor is small in size, easy to install indoors, and can work in the dark. In addition, the data acquired by the sensor have a low resolution; therefore, there is no privacy violation. The designed system has significant advantages over the traditional systems. The features are extracted from the obtained temperature data, and the K-nearest neighbors algorithm is used to identify the three poses of “walking,” “sitting,” and “falling.” The experimental results show that the average accuracy can reach 95%, of which the accuracies for falling, walking, and sitting are 97.5%, 100%, and 92.5%, respectively.

activity recognition, infrared array sensor, multi-feature extraction, KNN algorithm

TP391.4

A

1001-8891(2020)05-0231-07

2019-05-09；

2020-01-07 .

王召軍（1993-），男，碩士研究生，研究方向：無(wú)線(xiàn)感知。E-mail:1678022616@qq.com。

許志猛（1980-），男，副教授，主要從事無(wú)線(xiàn)感知、無(wú)線(xiàn)通信與網(wǎng)絡(luò)技術(shù)研究。E-mail:zhmxu@fzu.edu.cn。

國(guó)家自然科學(xué)基金資助項(xiàng)目（61401100）；福建省自然科學(xué)基金資助項(xiàng)目(2018J01805)；福州大學(xué)人才基金（GXRC-18083）；福州大學(xué)科研啟動(dòng)基金（GXRC-18074）。