專利名稱：基于紅外信號的人體智能識別方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于生物傳感、信號處理和模式識別技術(shù)領(lǐng)域，具體涉及一種基于紅外信號的人 體智能識別方法，通過該方法可以實現(xiàn)對人體和非人體紅外熱源的識別。從而使基于人體紅 外信號的檢測與識別在安防或智能家居等領(lǐng)域的應(yīng)用得到技術(shù)上的極大提升，在方法和技術(shù) 上確保最大化的減少被動熱釋電紅外探測器的誤識別率。
背景技術(shù)：
隨著社會的發(fā)展與進步，無論是普通家庭、銀行、機場還是部隊，人們開始越來越關(guān)注 安全問題，而人體入侵是這些安全問題產(chǎn)生的主要原因.人體生物探測器由于其主要對人體 感應(yīng)，目前在人體入侵檢測領(lǐng)域有很大的市場需求。被動熱釋電紅外探測器(PIR)由于其成本低廉，功耗小，是無源傳感器不容易被探測到，另外具有好的環(huán)境適應(yīng)性等特點被廣泛的應(yīng)用于公共安全、企業(yè)安全和社區(qū)、家庭安全等領(lǐng)域 但是目前被動熱釋電紅外探測器存在許多不足，從而導(dǎo)致其應(yīng)用領(lǐng)域局限在安防性能要求不高，或是作為其它高端監(jiān)控產(chǎn)品的前端感應(yīng)器件。其主要原因在于 一是由于不能識別入侵對象是人體或其它對象，而導(dǎo)致嚴重的誤報。二是由于人體著裝面料的不同導(dǎo)致對入侵對象不能準確檢測，而造成較高的誤報率。隨著無線通信技術(shù)、計算機技術(shù)、電子技術(shù)和各種智能算法的發(fā)展，使得研制具有高識 別率的人體智能識別系統(tǒng)成為可能。通過無線通信可以把分布式布局的各個探測器的信息傳 輸?shù)礁咝阅艿奶幚砥魃?，然后通過信息融合及模式識別的方法得到準確的識別結(jié)果.發(fā)明內(nèi)容本發(fā)明的目的是提出一種基于分布式布局熱釋電紅外探測器的智能識別方法，融合多個 探測器的信息、采用模式識別技術(shù)，提高對入侵人體的正確識別率，拒絕對非人體對象的誤 報 本發(fā)明為一種基于紅外信號的人體智能識別方法，其特征為，該方法通過多個分布式布 局的探測器從不同角度完成對檢測區(qū)域紅外熱源型號的實時采集，在所述多個分布式布局的 探測器中對所采集的信號進行信號放大、數(shù)字濾波和特征信息提取，并且，由分布式布局的 探測器把所提取的特征信息通過無線通信傳輸給探測器主機'探測器主機對每個探測器的特征信息進行特征層的融合處理，在訓(xùn)練階段得到人和非人兩類紅外熱源的回歸向量及概率密 度函數(shù)，在測試階段根據(jù)訓(xùn)練階段得到的回歸向量及概率密度函數(shù)識別紅外熱源對象是否為 人體。并且根據(jù)上述基于紅外信號的人體智能識別方法，本發(fā)明還提出 一種基于紅外信號的人 體智能識別系統(tǒng)，該系統(tǒng)由分布式布局的多個探測器和探測器主機組成，所述分布式布局的 探測器和所述探測器主機通過無線通信傳遞信息，分布式布局的探測器完成對紅外熱源的采 集、預(yù)處理和特征提取，并將特征信息傳輸給探測器主機，探測器主機對各個探測器發(fā)來的 信息進行特征層的信息融合，判斷待識別對象是否為人體。分布式布局的探測器主要由熱釋電紅外傳感器、紅外信號檢測放大電路、PIC16F877控 制器，無線通信模塊組成，完成對探測器視野范圍紅外熱源的檢測和特征提取。探測器主機 主要由TI公司的TMS320DM642處理器和無線通信模塊等組成，完成與各探測器的通信，實 現(xiàn)對各個探測器信息的融合，并識別判斷待檢測對象是否為人體。熱釋電紅外探測器只能對其視野范圍(FOV)內(nèi)的對象進行檢測，單個探測器的FOV有限， 并且檢測準確性差，為了增大探測范圍同時提高探測系統(tǒng)的檢測準確性需要采用多個傳感器 共同對^:測區(qū)域進行檢測。本發(fā)明中采用聲個分布式布局的紅外探測器目的是為了從不同角度獲得紅外輻射源的特 征波形，為識別系統(tǒng)提供更多有價值的信息.分布式探測器及探測器主M信息處理的方法 如下分布式探測器首先，M測器實時對熱釋電紅外傳感器輸出的信息進行處理，判斷是否有紅外熱源在監(jiān) 測區(qū)域出現(xiàn)，其實現(xiàn)方法如下(p用帶通正弦濾波器作為匹配濾波器，即sin[2;r(l:iV)/W]，去捕捉和放大響應(yīng)信號，式中W是濾波器的長度，取^=20 ② 對步驟(P中的數(shù)據(jù)進行數(shù)字化.計算濾波后信號的斜率，斜率絕對值大于門限SlopeJTh 的點為l,否則為0。斜率門限SlopeJTh的確定方法在訓(xùn)練過程中對按固定路徑(包括在檢測區(qū)域內(nèi)垂直行走， 水平行走和45度行走)行走得到波形的斜率進行平均并乘以0.75作為門限'③ 把②中的數(shù)據(jù)轉(zhuǎn)換成事件窗口.統(tǒng)計②中連續(xù)為1的個數(shù)，如果超過寬度門限WideJTh 則確定為事件窗口，否則忽略，并重新開始統(tǒng)計l的個數(shù).寬度門限Wide—Th的確定方法在訓(xùn)練過程中檢測區(qū)域有人體行走時'熱釋電紅外傳感器輸出波形信號寬度的均值乘以0.75作為門限。定義滿足最大斜率正負交替，并且最大斜率的絕對值連續(xù)大于斜率門限Slope一Th的個數(shù)超 過寬度門限WideJTh的起始點到結(jié)束點的寬度為事件窗口 。④對事件窗口中的數(shù)據(jù)進行特征提取，包括時域波形過零點的頻率Rate—ZeroCross、最大 斜率Slope和頻域的頻語Spectrum及總能量TotaLPower，把0 - 20Hz的頻率分成條 Sect—Fl: 0~5Hz, Sect—F2: 5~10Hz， Sect—F3: 10~15Hz， Sect—F4: 15 20Hz，計算各段能量 的比例RateFl，RateF2， RateF3， RateF4。(D把④中提取的各4笨測器的特征信息數(shù)據(jù)傳送給探測器主機，特征信息的傳輸格為 Featurel=[Rate—ZeroCross，Slope,Total—Povver,RateFl,RateF2， RateF3， RateF4], Feature2 = [Spectrum];其中Featurel是l x 7的向量，F(xiàn)eature2就是事件窗口中信號的頻語Spectrum,長度為128點。 N探測器構(gòu)成的Featurel是Nx7的矩陣，F(xiàn)eature2是N x 128的矩陣。探測器主機 . 在訓(xùn)練階段探測器主機在接收到各個探測器的特征信息后進行如下處理①對各個探測器的Fea/"wl特征進行標準化處理，探測器總數(shù)為N，初始特征為Fe^^eli,/ = 1，2，…，W,則初始特征矩陣標準化過程為:<formula>formula see original document page 7</formula>式中//表示訓(xùn)練樣本初始特征矩陣Fea加wl的均值；tf表示訓(xùn)練樣本初始特征矩陣 的方差矩陣均值；Wor附-巧表示經(jīng)標準化處理后的特征矩陣，② 對①中標準化的特征矩陣Mwvm_F及FeW"re2分別利用PCA主元分析，把特征值按從大到小的順序排列，保留前5個特征值對應(yīng)的特征向量，而忽略其它特征值對應(yīng)的特征向 量，得到降維的特征矩陣NF和F2。③ 把②中得到的特征矩陣NF和F2利用下面的公式進行特征組合F-[flx,(l-fl)xF2];其中0S"1 (2)④對③中的組合特征矩陣利用多元線性回歸方法得到回歸向量R。 計算訓(xùn)練樣本的均值[//0,//1]和方差[2:。,5:1],其中/^和s。分別是非人體熱源的均值和 方差，A和i^分別是人體熱源的均值和方差。在測試階段① 對各個探測器的&a加rel特征用(1)式進行標準化處理。② 把①中標準化處理后的特征iVb/7w—F及尸e加wre2進行特征組合得到待識別對象的特征向量M。③ 將M與訓(xùn)練階段得到的回歸向量進行內(nèi)積運算，即;c = M.及。④ 需要識別的問題是兩分類問題，對待識別的;c有2種假設(shè)(/Z。，/M ，其中/Z。識別結(jié)果為 非人體，巧表示識別結(jié)果為人體，按(3)式進行判別。k{ o 、,、 ' '〃，/ = 0,1， (3)其中； (;c 1 H,) = W(/z,，5:,:U = O，l,概率密度函數(shù)滿足正態(tài)分布，均值是方差是S,。本發(fā)明方法結(jié)合生物傳感、信息融合和模式識別技術(shù)，能夠準確識別入侵對象的性質(zhì)，消 除了外界環(huán)境和其他生物對系統(tǒng)的干擾，極大地降低了誤才ML生的幾率。


圖1:是實現(xiàn)本發(fā)明方法的人體智能識別系統(tǒng)的方框圖; 圖2:是本發(fā)明方法的人體識別算法框圖； 圖3:是實現(xiàn)本發(fā)明方法的人體識別算法程序流程圖； 圖4:是實現(xiàn)本發(fā)明方法的兩類問題的正態(tài)分布圖。
具體實施方式
本發(fā)明是一種基于分布式布局熱釋電紅外探測器的智能識別方法和系統(tǒng)，下面結(jié)合附圖 說明該方法及系統(tǒng)的
具體實施例方式圖1表示實現(xiàn)本發(fā)明方法的人體智能識別系統(tǒng)的方框圖。利用這個系統(tǒng)可以實現(xiàn)對檢測 區(qū)域的紅外輻射對象進行實時檢測并輸出識別結(jié)果。如圖1所示，人體智能識別系統(tǒng)由位于監(jiān)測現(xiàn)場的分布式布局的探測器1和探測器主機 2組成。分布式布局的探測器1和探測器主機2通過無線通信傳遞信息。分布式布局的探測器i由N個探測器按最優(yōu)布局方式進行布局，由熱釋電紅外傳感器實時對^:測區(qū)域的紅外熱源進行感應(yīng)，并輸出電壓信號，電壓信號通過紅外信號檢測放大電路后輸入到每個分布式探 測器中的PIC16877中，由PIC16877完成對紅外信號的預(yù)處理，即進行數(shù)字濾波。然后提取 窗口事件，對窗口中的信號提取時域和頻域的特征信息，并將特征信息打包后發(fā)送給探測器 主機2。探測器主機2接收到各個探測器的特征信息后，由TMS320DM642處理器完成對特 征層的信息融合，并根據(jù)在訓(xùn)練階段得到的回歸向量和概率密度函數(shù)對待識別的對象進行識 別分類。分布式布局的探測器1對檢測區(qū)域進行實時信號處理，具體步驟如下(1) 探測器的PIC16F877對熱釋電紅外傳感器輸出的信號進行數(shù)字濾波，提取事件窗口 ， 然后對事件窗口中的信號進行時域特征和頻域特征的提取，提取的特征包括時域波形過零點 的頻率Rate—ZeroCross、最大斜率Sl叩e和頻域的頻譜Spectrum及總能量Tota1—Power,把0~. 20Hz的頻率分成4^:,各段能量的比例分別為RateFl,RateF2， RateF3， RateF4。(2) 把(1)中提取的特征信息通過無線通信傳輸給探測器主機2，探測器主機2對每個探 測器的信息進行特征層融合，通過主元回歸算法判斷待識別對象是否為人體。在訓(xùn)練階段按 圖2中@首先提取特征向量，然后通過PCA主元分析及多元線性回歸MLR得到回歸向量和分類 概率密度函數(shù)。具體程序流程按圖3中的g,首先對各個探測器的特征進行標準化，然后把探 測器不同的特征進行組合，對特征向量采用PCA主元分析得到降維的特征矩陣，接著利用多 元線性回歸方法得到回歸向量，計算訓(xùn)練樣本的均值和方差，得到人和非人的兩類概率密度 函數(shù)。訓(xùn)練階段具體包括以下步驟①對各個探測器的Fe^"rel特征進行標準化處理，探測器總數(shù)為N,初始特征為Fe加wwl,,f-l，2，…,JV,則初始特征矩陣標準化過程為，<formula>formula see original document page 9</formula>式中；/表示訓(xùn)練樣本初始特征矩陣尸e加"rel的均值；(T表示訓(xùn)練樣本初始特征矩陣 Fefl/ wl的方差矩陣均值；A^/vW-f;表示尸e。/"wl經(jīng)標準化處理后的特征矩陣；② 對步驟①中標準化的特征矩陣Wo/vM—F及Fea/ww2分別利用PCA主元分析，把特征值按從大到小的順序排列，保留前5個特征值對應(yīng)的特征向量，而忽略其它特征值對應(yīng)的特 征向量，得到降維的特征矩陣NF和F2;③ 把步驟②中得到的特征矩陣NF和F2利用下面的公式進行特征組合F-[ax肌(卜cr)xF2];其中0S"1 (2)④ 對步驟③中的組合特征矩陣利用多元線性回歸方法得到回歸向量R; 計算訓(xùn)練樣本的均值[//0,//1]和方差[5:。,1:1〗.在測試階段按圖2中l(wèi)^取特征向量，然后與訓(xùn)練階段獲取的回歸向量進行內(nèi)積運算，根 據(jù)訓(xùn)練階段得到概率密度函數(shù)確識別對象的分類，具體程序流程見按圖3中0。首先對各個探測器的特征進行標準化，然后對探測器的特征進行組合，組合后的特征向量與回歸向JH故內(nèi)積運算，利用訓(xùn)練階段得到的概率密度函數(shù)進行分類，見圖4,如果內(nèi)積結(jié)果小于A,此時 p(xl叫)〉p(xlrHi),則識別結(jié)果為非人熱源；如果內(nèi)積結(jié)果大于JCc，即p(xl叫^p(xlc^則 識別結(jié)果為人體熱源，^是兩個條件概率密度函數(shù)的交點，p(xl叫)是非人體熱源的條件概 率密度函數(shù)，p("^)是人體熱源的條件概率密度函數(shù)。 所迷測試階段包括步驟① 對各個探測器的FeW"yvl特征根據(jù)(1)式進行標準化處理；② 把步驟①中標準化處理后的特征iVbr附—F及Fefl/"re2根據(jù)(2)式進行特征組合，得到待識別對象的特征向量M;③ 將Af與訓(xùn)練階^:得到的回歸向量進行內(nèi)積運算，即jc = A/. / ;④ 需要識別的問^A兩分類問題，對待識別的對象x有2種假設(shè)其中好。識別結(jié) 果為非人體，巧表示識別結(jié)果為人體，根據(jù)(3)式進行判別，其中^("《)=^0 ,,2,)，/ = 0,1 。探測器主機在訓(xùn)練階段主元分析(PCA)具體算法如下對每個特征矩陣F進行分解，保 留主要的因子，忽略那些可能是噪聲引起的小因子，對某個特征矩陣尸的特征值分解表示為其中"和K是正交矩陣，/W是采樣點數(shù)，w是一個傳惑器對應(yīng)該特征信號的點數(shù)。其中 S = rf/ag(o",， ff2,… ，0,…,0)是對角線元素非負且按從大到小順序排列的對角陣，,是非零特 征值的個數(shù)，則F可寫成F = 2^"'《=。"i《+ °"2"2《... "乂 (5 )F可以用前;t個特征值對應(yīng)的特征向量表示，忽略序號大于/t的特征值，貝'J(6)—{/mx* 「4 其中;t <</ ，"，特征矩陣F還可以定義為(7)其中 i^=rr是得分矩陣，p是系數(shù)矩陣，p可視為F在新正交坐標系下展開的真正的坐標，r是F在新坐標系統(tǒng)中的投影，稱為A空間。在得到得分矩陣和系數(shù)矩陣后，利用多元線性回歸方 法(MLR)對得分矩陣和系數(shù)矩陣進行回歸。在分類階段首先把特征向量投影到在訓(xùn)練階段 得到的系數(shù)上，在;t空間通過特征向量對得分矩陣r的回歸得到方程(9)的最小二乘解，即是回歸向量力x,,<formula>formula see original document page 11</formula>通過以上對人體紅外信號進行訓(xùn)練得到回歸向量及由人與非人熱源的特征向量的均值和 方差確定的概率密度函數(shù)，可以對待識別的對象進行準確的分類，做到系統(tǒng)的智能識別。 兩分類問題，對待識別的;r有2種假設(shè)(/^，A),其中H。識別結(jié)果為非/w體，//,表示識別結(jié)果為人休，按下式進行判別。<formula>formula see original document page 12</formula>,其中<formula>formula see original document page 12</formula>。其中概率密度函數(shù)滿足正態(tài)分布，均值是//,，方差是S,， ；/。和S。分別是非人體熱源的均值和方差，^和i;,分 別是人體熱源的均值和方差。
權(quán)利要求
1、基于紅外信號的人體智能識別方法，其特征在于，該方法通過多個分布式布局的探測器從不同角度完成對檢測區(qū)域紅外熱源的實時采集，在所述分布式布局的探測器中對所采集的信號進行信號放大、數(shù)字濾波和特征信息提取，并且，由分布式布局的探測器把所提取的特征信息通過無線通信傳輸給探測器主機，探測器主機對每個探測器的特征信息進行特征層的融合處理；在訓(xùn)練階段得到人和非人兩類紅外熱源的回歸向量及概率密度函數(shù)，在測試階段根據(jù)訓(xùn)練階段得到的回歸向量及概率密度函數(shù)識別紅外熱源對象是否為人體。
2、 根據(jù)權(quán)利要求1所述的人體智能識別方法，其特征在于，所述探測器通過各自的熱釋 電紅外傳感器實時監(jiān)測是否有紅外熱源在監(jiān)測區(qū)域出現(xiàn)，并對熱釋電紅外傳感器輸出的信息 進行處理，該實現(xiàn)方法為① 用帶通正弦濾波器作為匹配濾波器，即sin[2;r(l:A0/Ari，去捕捉和放大響應(yīng)信號，式中W是濾波器的長度，取^=20;② 對步驟①中的響應(yīng)信號進行數(shù)字化計算濾波后的信號的斜率，斜率絕對值大于門限 Slope—Th的點為l，否則為0;斜率門限SlopeJTh的確定方法在訓(xùn)練過程中對按固定路徑行走得到的波形的斜率進行平 均并乘以0.75作為門限，固定路徑包括在檢測區(qū)域內(nèi)垂直行走，水平行走和45度行走；③ 把步驟②中的信號數(shù)字化后的數(shù)據(jù)轉(zhuǎn)換成事件窗口統(tǒng)計步驟②中連續(xù)為1的個數(shù)，如 果超過寬度門限Wide一Th則確定為事件窗口，否則忽略，并重新開始統(tǒng)計l的個數(shù)；寬度門限Wide」Th的確定方法在訓(xùn)練過程中檢測區(qū)域有人體行走時，熱釋電紅外傳感器 輸出波形信號寬度的均值乘以0.75作為門限；定義滿足最大斜率正負交替，并且最大斜率的絕對值連續(xù)大于斜率門限Slope—Th的個數(shù)超 過寬度門限Wide一Th的起始點到結(jié)束點的寬度為事件窗口 ；④ 對事件窗口中的數(shù)據(jù)進行特征提取，包括時域波形過零點的頻率Rate—ZeroCross、最大 斜率Slope和頻域的頻譜Spectrum及總能量TotaLPower,把0 ~ 20Hz的頻率分成4段，各頻段能 量的比例RateF 1 ，RateF2， RateF3， RateF4;⑤ 把步驟④中提取的各探測器的特征信息數(shù)據(jù)傳送給探測器主機，特征信息的傳輸格為Fe加wrel -[Rate一ZeroCross,Slope，Total一Power,RateFl ,RateF2， RateF3， RateF4], Fe加化e2 - [Spectrum]; 其中Fe^/7"el是l x7的向量，F(xiàn)e^ww2是事件窗口中信號的頻語Spectrum，長度為128點， N個探測器構(gòu)成的FeW"rd是N x 7的矩陣，尸eW""2是N x 128的矩陣。
3、 根據(jù)權(quán)利要求l所述的人體智能識別方法，其特征在于，所述探測器主機在接收到多個分布式布局的探測器所傳輸?shù)奶卣餍畔⒑筮M行處理，所述訓(xùn)練階段包括步驟①對各個探測器的Fe"ft/rel特征進行標準化處理，探測器總數(shù)為N,初始特征為<formula>formula see original document page 3</formula>,則初始特征矩陣標準化過程為，<formula>formula see original document page 3</formula>式中//表示訓(xùn)練樣本初始特征矩陣尸e^wd的均值；o"表示訓(xùn)練樣本初始特征矩陣 Feafwel的方差矩陣均值；Aferw—巧表示Fe加wrel經(jīng)標準化處理后的特征矩陣；② 對步驟(P中標準化的特征矩陣M nw—F及Feafwre2分別利用PCA主元分析，把特征值按從大到小的順序排列，保留前5個特征值對應(yīng)的特征向量，而忽略其它特征值對應(yīng)的特 征向量，得到降維的特征矩陣NF和F2;③ 把步驟②中得到的特征矩陣NF和F2利用下面的公式進行特征組合， 對步驟③中的組合特征矩陣利用多元線性回歸方法得到回歸向量R; ⑤計算訓(xùn)練樣本的均值[/i。，A]和方差P。,S,]。
4、 根據(jù)權(quán)利要求3所述的人體智能識別方法，根據(jù)訓(xùn)練階段得到的回歸向量和概率密度函數(shù)，在測試階段對待識別的紅外熱源對象進行識別，其特征在于，所述測試階段包括 步驟① 對各個探測器的Fea"rel特征用權(quán)利要求3中的(1 )式進行標準化處理；② 把步驟①中標準化處理后的特征M nw一F及Fea,"w2進行特征組合得到待識別對象的特征向量M;③ 將M與訓(xùn)練階段得到的回歸向量進行內(nèi)積運算，即:c - M.及；④ 需要識別的問題是兩分類問題，對待識別的對象:c有2種假設(shè)(/f。，7/,),其中7/。識別結(jié) 果為非人體，//j表示識別結(jié)果為人體，根據(jù)(3)式進行判別，xe{ ，z = 0,l， (3)<formula>formula see original document page 4</formula>其中<formula>formula see original document page 4</formula>
5、 一種基于紅外信號的人體智能識別系統(tǒng)，其特征在于，該系統(tǒng)由分布式布局的多個 探測器和探測器主機組成，所述分布式布局的探測器和所述探測器主機通過無線通信傳遞信 息，分布式布局的探測器完成對紅外熱源的采集、預(yù)處理和特征提取，并將特征信息傳輸給 探測器主機，探測器主機對各個探測器發(fā)來的信息進行融合處理，識別對象是否為人休。
6、 根據(jù)權(quán)利要求5所述的基于紅外信號的人體智能識別系統(tǒng)，其特征在于，所述分布 式布局的探測器包括有熱釋電紅外傳感器、運放電路、PIC16F877控制器和無線通信模塊， 熱釋電紅外傳感器采集檢測區(qū)域紅外熱源信號，熱釋電紅外傳感器的輸出與運放電路的輸入 相連，運放電路的輸出和PIC16F877控制器的輸入相連，所采集信號通過運算放大后，在 PIC16F877控制器中進行數(shù)字濾波和信號處理，并將處理后的信息通過無線通信模塊傳輸給 探測器主機
7、 根據(jù)權(quán)利要求5所述的基于紅外信號的人體智能識別系統(tǒng)，其特征在于，所述探測 器主機包括有處理器TMS320DM642、無線通信模塊，完成與各探測器的通信，實現(xiàn)對各個 探測器信息的融合，并判斷待檢測對象是否為人體。
全文摘要
本發(fā)明公開了一種基于分布式布局熱釋電紅外探測器的人體智能識別方法及系統(tǒng)。該識別系統(tǒng)由位于監(jiān)測現(xiàn)場的分布式布局的探測器和探測器主機組成。探測器和探測器主機通過無線通信傳遞信息。該方法為，探測器對檢測區(qū)域進行實時信號處理；提取事件窗口，然后對事件窗口中的信號進行時域特征和頻域特征的提取，把提取的特征通過無線通信傳輸給探測器主機，探測器主機對每個探測器的信息進行特征層融合，通過主元回歸算法判斷待識別對象是否為人體。該人體智能識別方法結(jié)合了分布式布局探測器信息融合技術(shù)及模式識別技術(shù)，可有效減少外界環(huán)境和其他生物對監(jiān)控系統(tǒng)的影響，減少了被動熱釋電紅外探測器的誤識別率。
文檔編號G06K9/62GK101236605SQ20081006940
公開日2008年8月6日 申請日期2008年2月29日 優(yōu)先權(quán)日2008年2月29日
發(fā)明者李偉紅, 李正浩, 楊利平, 梁光清, 王林泓, 辜小花, 龔衛(wèi)國 申請人:重慶大學(xué)