徐曉冰， 焦宇浩， 李奇越， 吳 剛， 左濤濤

(合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院，安徽 合肥 230009)

0 引 言

近年來，隨著互聯(lián)網(wǎng)應(yīng)用的推廣，智能系統(tǒng)成為新的研究熱點(diǎn)。如何獲取人體運(yùn)動所蘊(yùn)含的豐富信息，成為智能系統(tǒng)中的關(guān)鍵一環(huán)。熱釋電紅外(pyroelectric infrared, PIR)傳感器是一種新型的低成本、低功耗、不涉及人體隱私[1]的被動式紅外探測器，能夠檢測8～14 μm的紅外信號，且具有較高的靈敏度，而人體輻射出的紅外線峰值波長約為9.35 μm，因此，PIR傳感器能很好地探測運(yùn)動人體。通過分析傳感器的輸出信號，PIR系統(tǒng)可以實(shí)現(xiàn)對人員的識別。近年來，這一領(lǐng)域受到了更多科研人員的關(guān)注，成為一種興起的生物特征識別技術(shù)[2]。文獻(xiàn)[3]分析概括了熱釋電傳感器信號與運(yùn)動人體輻射源特點(diǎn)、熱釋電傳感器特性之間的關(guān)系。文獻(xiàn)[4]探討了在智能家居環(huán)境中使用PIR傳感器的模擬信號，并通過提取相關(guān)特征，使用算法來進(jìn)行身份辨認(rèn)、速度和方向估計以及侵入者檢測。文獻(xiàn)[5]提出一種采用單只PIR傳感器并結(jié)合多種機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了走廊上人體運(yùn)動方向與距離的估計。文獻(xiàn)[6]通過對人體感應(yīng)的時域信號進(jìn)行頻譜分析，結(jié)合主成分分析(PCA)法對數(shù)據(jù)降維，實(shí)現(xiàn)對不同個體不同速度的數(shù)據(jù)的聚類，驗(yàn)證了PIR傳感器用于人體運(yùn)動特征分類的可用性。

文獻(xiàn)[7]提出了一種PIR傳感器平臺，用于在室外環(huán)境中區(qū)分人類和動物的入侵，并排除由風(fēng)吹的植被引起的假警報。提出了一種基于線性調(diào)頻小波的特征提取方法，結(jié)合支持向量機(jī)(support vector machine,SVM)進(jìn)行聚類，達(dá)到了較高平均準(zhǔn)確率。文獻(xiàn)[8]使用4只分布在不同高度的PIR傳感器，運(yùn)用多種方法提取時域信號特征，結(jié)合SVM進(jìn)行聚類識別；并在每只傳感器實(shí)現(xiàn)初步分類識別的基礎(chǔ)上采用DS-Fusion方法融合各傳感器的識別結(jié)果達(dá)到較高的識別率。從以上相關(guān)研究中可以看出，目前的分類器的數(shù)據(jù)集樣本量較小，其結(jié)果缺乏一般性；傳感器的結(jié)構(gòu)設(shè)計和布局存在較復(fù)雜、缺乏合理性等缺點(diǎn)。

本文針對上述不足設(shè)計了一種無線分布式PIR傳感器系統(tǒng)，通過對傳感器節(jié)點(diǎn)的設(shè)計，能夠?qū)σ欢ǚ秶鷥?nèi)的移動人體紅外信號進(jìn)行實(shí)時數(shù)據(jù)采集，并提出了一種識別人員的新方法，對傳感器的時域信號進(jìn)行頻域分析，提取能夠區(qū)分不同人員的特征，經(jīng)過Concat多特征融合后，輸入深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)—長短期記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)和分類識別，實(shí)現(xiàn)對人員的身份識別。實(shí)驗(yàn)證明，該方案總體達(dá)到了良好的識別效果。

1 系統(tǒng)設(shè)計

人員識別系統(tǒng)由PIR傳感器節(jié)點(diǎn)、ZigBee自組網(wǎng)絡(luò)、上位機(jī)組成。圖1展示了人員識別系統(tǒng)總體設(shè)計框圖。首先，為了采集人體紅外信號，設(shè)計了一種PIR傳感器節(jié)點(diǎn)，該節(jié)點(diǎn)通過對PIR傳感器的布置結(jié)合菲涅爾透鏡和視場調(diào)制掩模對傳感器視場的調(diào)制，實(shí)現(xiàn)對人體紅外信號的準(zhǔn)確完整獲?。恢?，對傳感器輸出的模擬信號進(jìn)行濾波放大，再通過單片機(jī)的AD采樣轉(zhuǎn)換為數(shù)字信號；然后，利用ZigBee無線網(wǎng)絡(luò)將人體紅外信號傳輸至計算機(jī)，對采集到的時域人體紅外信號進(jìn)行特征提取和特征融合，利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)，實(shí)現(xiàn)對不同人員的分類識別。

圖1 人員識別系統(tǒng)總體框圖

2 傳感器節(jié)點(diǎn)與布置

2.1 傳感器節(jié)點(diǎn)

傳感器節(jié)點(diǎn)主要由2個PIR傳感器單元、MCU數(shù)據(jù)采集單元、無線數(shù)據(jù)傳輸單元構(gòu)成。為了測量運(yùn)動人體的特征，設(shè)計了一種傳感器節(jié)點(diǎn)模型，如圖2所示。該傳感器節(jié)點(diǎn)由2只PIR傳感器組成，每只信號傳感器被相應(yīng)的片狀菲涅爾透鏡覆蓋。菲涅爾透鏡不僅可以將人體的紅外熱集中到傳感器上，而且可以增加角度和探測距離。2只PIR傳感器分別安裝在距離地面不同高度的同一鉛垂線上，分別采集運(yùn)動人體不同部位的特征。在菲涅爾透鏡上增加了信號調(diào)制掩模，用于進(jìn)一步調(diào)制PIR傳感器的探測角度，來探測人體不同部位的熱輻射變化。

圖2 傳感器節(jié)點(diǎn)模型

根據(jù)PIR傳感器的工作原理，人體的運(yùn)動會使得PIR傳感器接收到熱輻射變化，從而產(chǎn)生信號波形。信號波形數(shù)據(jù)體現(xiàn)為隨時間變化的電壓信號。熱釋電敏感元件的電壓變化經(jīng)過調(diào)理電路的濾波和放大，由MCU完成數(shù)據(jù)采集，MCU(STM32F103C8T6)主要完成數(shù)據(jù)的采集和傳輸。STM32的模數(shù)轉(zhuǎn)換器(analog digital converter,ADC)的采樣頻率為100 Hz，每組數(shù)據(jù)共采樣600個點(diǎn)。STM32將采集到的數(shù)據(jù)通過串行接口傳輸給ZigBee網(wǎng)絡(luò)的終端節(jié)點(diǎn)的MCU(CC2530)，之后，通過ZigBee協(xié)議網(wǎng)絡(luò)完成數(shù)據(jù)的無線傳輸，ZigBee終端節(jié)點(diǎn)發(fā)送給協(xié)調(diào)器節(jié)點(diǎn)，協(xié)調(diào)器節(jié)點(diǎn)通過通用串行總線(universal serial bus,USB)與上位機(jī)PC連接，在上位機(jī)中對數(shù)據(jù)進(jìn)行預(yù)處理和計算，再經(jīng)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對人員的分類識別。

2.2 傳感器布置

傳感器模塊的2個PIR傳感器單元分別放置在0.8,1.3 m的墻壁上。不同高度的傳感器用于獲取人體的不同部位的特征。具體來說，0.8 m對應(yīng)的是人的下半身的運(yùn)動，1.3 m對應(yīng)的是人的上半身的運(yùn)動。2個傳感器單元在垂直方向位于同一條鉛垂線上。實(shí)驗(yàn)場景是一個3 m×3 m的區(qū)域。實(shí)驗(yàn)場景及節(jié)點(diǎn)布置示意如圖3所示。

圖3 實(shí)驗(yàn)場景及節(jié)點(diǎn)布置示意

3 算法描述

提出的算法分為2個模塊：特征提取與融合模塊和深度學(xué)習(xí)分類模塊。首先對2只PIR傳感器的原始時域信號通過快速傅里葉變換(fast Fourier transform,FFT)算法提取信號特征。然后，將2只傳感器的信號特征融合得到一個完整的特征用以表征不同人員的特性。最后，將這一特征送入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練，最終得到分類識別的結(jié)果。

3.1 特征提取與融合

不同的人員的體溫、運(yùn)動時的步頻和速度等特性、體型面積有著一定的差異，信號的頻譜則可以反映出不同人員在運(yùn)動時的速度、頻率信息，以及在運(yùn)動中引起的熱輻射的信息的區(qū)別，因此，采用FFT作為信號特征提取的算法，將計算得到的頻譜作為信號的特征。特征融合采用系列特征融合(Concat)的方法，即將特征向量進(jìn)行連接[9]。第一路信號的FFT頻譜特征向量為X1=[x11,x12,…,x1m]，第二路信號的FFT頻譜特征向量為X2=[x21,x22,…,x2m]，則輸出特征向量為：Y=Concat(X1,X2)={X1,X2}=[x11,x12,…,x1m,x21,x22,…,x2m]。

3.2 深度學(xué)習(xí)分類識別

LSTM通過門控狀態(tài)來控制傳輸狀態(tài)[10，11]，忽略不重要的信息，保留較長序列數(shù)據(jù)中的重要信息，它非常適合基于序列的數(shù)據(jù)進(jìn)行分類、處理和預(yù)測。圖4顯示了LSTM的內(nèi)部結(jié)構(gòu)。

第七次：1958年“中華人民共和國糧食部軍用糧定額支票”（面粉、大米、粗糧、馬料各“伍拾斤”“壹佰斤”“壹仟斤”“伍仟斤”版）。

圖4 LSTM的內(nèi)部結(jié)構(gòu)

該神經(jīng)元結(jié)構(gòu)主要在神經(jīng)元內(nèi)加入了輸入門it、遺忘門ft以及輸出門ot，信息流的輸入和輸出通過輸入門和輸出門控制，遺忘門用于控制前一時刻的狀態(tài)，該神經(jīng)元通過3種門之間協(xié)作實(shí)現(xiàn)了長期記憶[12]，LSTM結(jié)構(gòu)中的參數(shù)為

(1)

式中ct為t時刻的細(xì)胞狀態(tài)，ht為LSTM神經(jīng)元的輸出，bf,bi,bo,bc為偏置。Wxf,Whf,Wcf,Wxi,Whi,Wci,Wxo,Who,Wco,Wxc,Whc為權(quán)重值。

采用CNN-LSTM神經(jīng)網(wǎng)絡(luò)對特征進(jìn)行學(xué)習(xí)并完成分類識別。其結(jié)構(gòu)如圖5所示。網(wǎng)絡(luò)的輸入為1×1 200維的特征向量Y，輸出為人員分類識別的歸一化概率，將人員分類為最大概率對應(yīng)的類別。卷積、池化和LSTM可以提取數(shù)據(jù)的特征。神經(jīng)元初始化方式為隨機(jī)初始化。優(yōu)化器(optimizer)選擇RMSprop算法，學(xué)習(xí)率設(shè)為0.001；損失函數(shù)(loss fuction)使用多類交叉熵(categorical_crossentropy)損失函數(shù)。

圖5 CNN-LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

4 實(shí)驗(yàn)與結(jié)果

4.1 實(shí)驗(yàn)方案

關(guān)于實(shí)驗(yàn)場景的布置，已在本文第2.2節(jié)中詳細(xì)闡述。檢測節(jié)點(diǎn)位于行走路徑中線上。實(shí)驗(yàn)對象為7名22～24歲的健康青年學(xué)生，分別以正常速度沿路線a行走，行走路徑為A0→A1，每名實(shí)驗(yàn)對象行走200次，這樣總共得到1 400個樣本。各實(shí)驗(yàn)對象的特征屬性如表1所示。

表1 各實(shí)驗(yàn)對象的特征屬性

4.2 實(shí)驗(yàn)分析

在進(jìn)行特征提取前，先進(jìn)行歸一化以減小光線、室溫等因素對傳感器輸出電壓的干擾。實(shí)驗(yàn)對象1和對象2的時域波形及歸一化后的波形如圖6所示。

圖6 實(shí)驗(yàn)對象1和2的時域波形及歸一化后的波形

圖7 FFT算法的特征提取的結(jié)果

為加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的速度，并使聚類有更好的效果，特征向量先進(jìn)行歸一化，再輸入CNN-LSTM神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，并最終輸出分類的結(jié)果。

數(shù)據(jù)集共有7名實(shí)驗(yàn)對象，每名實(shí)驗(yàn)對象200組數(shù)據(jù)，隨機(jī)挑選每名實(shí)驗(yàn)對象的40組數(shù)據(jù)作為測試集，即測試集共280組數(shù)據(jù)，其余數(shù)據(jù)作為訓(xùn)練集，共1 120組數(shù)據(jù)。分別將訓(xùn)練集和測試集數(shù)據(jù)標(biāo)簽化，將訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并用測試集測試模型訓(xùn)練效果。

實(shí)驗(yàn)基于Pycharm和Keras，實(shí)驗(yàn)環(huán)境為Windows 7，NVIDIA GeForce RTX 2070 SUPER。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程將epochs參數(shù)設(shè)置為1 200，即訓(xùn)練1 200輪，其中模型的準(zhǔn)確率(Accuracy)和模型的損失(Loss)如圖8所示。從圖中可以看出，模型的準(zhǔn)確率整體呈增長趨勢，模型的損失整體呈減小趨勢，最終準(zhǔn)確率和損失都趨于平穩(wěn)，即模型收斂。說明CNN-LSTM模型在該類人員識別任務(wù)中具有較好的適用性。經(jīng)過測試集驗(yàn)證，在測試集上達(dá)到了99.29 %的準(zhǔn)確率。

圖8 模型的準(zhǔn)確率和模型的損失

表2為不同方法識別準(zhǔn)確率及訓(xùn)練時間的對比結(jié)果。在本系統(tǒng)采集的數(shù)據(jù)集上，分別采用傳統(tǒng)的LSTM網(wǎng)絡(luò)以及文獻(xiàn)[8]中運(yùn)用的PCA+SVM方法進(jìn)行訓(xùn)練并完成分類識別。從表中可以看出CNN與LSTM相結(jié)合使得收斂的速度大幅加快，并使計算量顯著減少，這對于網(wǎng)絡(luò)的整體結(jié)構(gòu)有明顯改善。而SVM的分類方法雖識別準(zhǔn)確率良好，但盡管運(yùn)用PCA進(jìn)行數(shù)據(jù)降維，其訓(xùn)練時間和識別速度與本文方法相比仍較長，難以達(dá)到快速識別的目的。

表2 不同方法的性能對比

5 結(jié) 論

提出了一種將深度學(xué)習(xí)CNN-LSTM神經(jīng)網(wǎng)絡(luò)與PIR傳感器信號相結(jié)合用于人員識別的新方法，實(shí)現(xiàn)了對不同人員99.29 %的身份識別率。與基于視頻圖像的方法相比，有著更小的計算開銷和更低的成本。實(shí)驗(yàn)結(jié)果表明:將2只不同高度的PIR傳感器的信號分別進(jìn)行FFT運(yùn)算獲取到的頻譜特征向量組能夠很好地表征不同人員的特性，可以作為不同人員的特征進(jìn)行分類識別。同時實(shí)驗(yàn)結(jié)果也表明了,深度學(xué)習(xí)CNN-LSTM神經(jīng)網(wǎng)絡(luò)在處理序列特征數(shù)據(jù)實(shí)現(xiàn)人員識別這一應(yīng)用場景中,具有良好的效果。