英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
毕业论文（设计）
英文翻译
原文标题 A robust system for counting people using an
infrared sensor and a camera
基于红外线传感器和相机的人数清点稳定系统
Fatih Erden, Ali Ziya Alkar, Ahmet Enis Cetin
安卡拉大学电气和电子工程系，土耳其
摘要 - 本文给出了在给定区域内的人员计数问题的多模式解决方案。多模式系统由电红外（热释电红外）感器和相机组成。用相机检测监视区域中的脸部的目的是人员进行计数。由于仅有摄像系统会产生不精确的结果，所以附加的差分热释电红外传感器被集成到摄像机中。两种类型的人体运动：（i）进出监视区域;（ii）该区域的日常活动。由红外传感器使用马尔可夫决策算法加以区分。从热释电红外传感器电路接收到的连续时间实值信号的小波变换用于从传感器信号中提取特征。然后小波参数被送到表示两个运动类别的一组马尔科夫模型。 测试信号的起始点被确定为产生更高概率的模型的类别。 然后通过利用从热释电红外传感器信号分析获得的附加信息来校正由相机产生的人数结果。通过构建概念证明，可以看出，多模式系统可以减少仅有摄像头系统时的误报，并以更稳健的方式确定人数。
关键词 - 红外线传感器，马尔科夫模型，多模态系统，人数计数
1引言
确定特定地区的人数对于许多监控应用来说是一个关键问题。 观察区域内有无数预料不到的人员出入可能表示异常情况的发生[1]。 对商店或购物中心的人员进行实时和准确的估计可以为经理人员提供大量信息。 控制系统可以通过正确估计建筑物中的人数来有效地管理电力和能源消耗，例如他们可以通过建筑物中的人数来调整气候和照明[2]。可以根据等待的乘客的数量来安排公共交通系统的时间表[3]。同时电视收视率是媒体行业的重要信息。假设有多少人，找出有多少人正在观看某个电视节目。可以将哪些节目正在观看的信息以及节目和商业广告节目发送给客户。然而，如果坐在屏幕前方的人数完全已知，则可以更准确地提供观众测量。因此，一些作品已经解决了估计一个地区人数的问题，例如[7–12]。
本文的目的是使用热电红外（热释电红外）传感器和相机来确定电视机前的人数。热释电红外传感器是低成本的红外传感器，可提供有关观察区域的差分运动和红外签名信息。本文着重于处理连续时间热释电红外传感器信号，以改善仅摄像系统的计数结果。
目前基于热释电红外传感器的系统在电器自动化方面有许多潜在的应用[13,14]，火源检测检测系统[15]，失踪人员检测系统[16]，家庭嵌入式监控系统的设计和实施[17]，手势识别[18]，电池供电的存在检测等，并且都基于热释电红外传感器的模拟电路的开/关决定。最近有许多研究使用热释电红外传感器的模拟电路和热释电红外传感器在运动过程中产生的连续时间实值信号，但是计算人数这方面还没有被应用[15,19,20].
Yun和Lee[19]最近开发了一种基于热释电红外传感器的检测人的移动方向，速度和身份的系统。 他们收集来自3个模块的原始数据，每个模块由4个热释电红外传感器组成，并形成一个缩减的特征集，即电压峰值，峰值时间和通过时间。 然后，他们将这些功能提供给分类列表。
Wahl等人[2]使用分布式基于热释电红外的方法来估计环境中的人员数量。这种方法通过网关的人的移动方向来进行区分。这个工作与本研究的不同之处在于它具有多模式结构并且使用得是热释电红外传感器的连续时间信号而不是二进制热释电红外传感器。另外，该算法估计得是进入某一地区的人数，但不包括该地区随时在场的人数。
Dan等人[8] 使用安装在天花板上的相机来确保人数统计系统的准确性。该系统融合相机提供的深度和视觉数据，而不是融合不同类型的传感器。
基于视频处理的人员计数方法可以分为两组[21]:(一）基于检测和（二）基于地图的方法。 基于检测的方法使用某种形式的分割和对象检测来首先单独检测人，然后对其进行计数[9,22,23]。 相反，基于地图的方法使用某些功能的度量来计算不需要单独检测场景中每个人的人[10,11]。 基于地图的方法更适合精确测量人数。 由于这里的目标是统计观看电视机的人数，这是一种由Viola和Jones提出的基于地图的方法[23] 在本文中使用了检测人脸的方法，因为它在计算上足够高效，可以实时运行。 即使在低分辨率视频中，它也可以很好地工作。 其他可能更适用于给定应用的基于视频的人体检测器也可以结合到多模式系统中。
在这种新颖的多模式系统中，除常规照相机之外，还使用差分热释电红外传感器来克服相机专用系统在计数人员时所面临的问题。两种类型的人体运动;（i）进入和退出观测区域和（ii）观测区域内的日常活动由热释电红外传感器使用马尔可夫决策算法加以区分 。使用仅提供二进制信息的普通热释电红外传感器来区分这两种运动是不可能的。从热释电红外传感器电路接收到的连续时间实值传感器信号小波变换用于特征提取。然后将小波参数馈送到表示两个运动类别的一组马尔科夫模型中。根据产生最高概率的模型确定测试信号的类别。通过热释电红外传感器信号分析的分类结果来校正由相机产生的人数结果。实验表明，多模式系统可以减少误报，并更精确地确定监控区域内的人员数量。由于仅仅当热释电红外传感器的模拟判定电路在传感器的观察范围内检测到进入/退出类型的运动时才启动相机，所得到的系统是能量有效的系统。据了解，这是第一项基于热释电红外传感器和相机融合的人体计数研究。
本文的结构如下。差分热释电红外传感器的工作原理和信号数据采集在第一节中描述。基于小波的传感器信号处理和表示运动类别的马尔科夫模型的训练将在第二部分中介绍。第三部分描述了热释电红外传感器和多模式系统的决策机制。实验结果在第四部分介绍。
2红外传感器和数据采集
差分热释电红外传感器主要测量内部两个热电元件之间红外辐射密度的差异。如图1（s1）和（s2）是热电元件的输出，（g）是接地的。 平行连接的两个元件取消了由于气压导致的正常温度变化和变化。 如果这些元件暴露在相同数量的红外辐射下，则它们相互抵消，传感器在（d）处产生零输出。 因此，热释电红外传感器的模拟电路可非常有效地拒绝错误检测。
图1差分热释电红外传感器的内部结构模型
图2捕捉来自热释电红外传感器的模拟输出信号的电路
市场上可买到的热释电红外运动检测器电路产生二进制输出。但是，可以捕获表示作为电路的瞬态行为的电压信号的幅度的连续时间模拟信号。用于捕捉来自热释电红外传感器的模拟输出信号的相应电路，见图2。该电路由四个运算放大器（运算放大器）U1A，U1B，U1C和U1D组成。 U1A和U1B构成一个两级放大器电路，而U1C和U1D为比较器。热释电红外传感器第二个引脚的幅度非常低的原始输出通过两级放大器电路放大。U1B输出端的放大信号送入比较器结构，输出0V或5V的二进制信号。在热释电红外传感器读出电路的原始版本中，不使用二进制输出，模拟输出信号为第二个运算放大器U1B的输出直接被捕获。 使用采样率为100 Hz的微控制器对模拟输出信号进行数字化，并将其传输到通用计算机进行进一步处理。是典型的使用8位量化的无活动情况下的热释电红外传感器输出信号的采样差分，如图3。
图3 当检测范围内没有行为时红外传感器的输出信号，采样频率为100Hz
3传感器信号处理和马尔可夫模型
小波变换用于从热释电红外传感器信号中提取特征。 小波域分析提供了对由环境温度变化引起的传感器信号变化的鲁棒性。
假设x [n]是从热释电红外传感器接收的采样频率为100 Hz的信号的采样版本。在两级子带分解之后获得对应于x [n]的[25Hz，50Hz]频带信息的小波系数w [k]。在分解过程中，输入信号用对应于拉格朗日小波的整数算术滤波器进行过滤，然后进行分辨率减半。低通滤波器和高通滤波器的传递函数分别由下式给出：
和
持续时间为4秒的两个样本信号的小波变换如图所示图4. 图4（a）适用于进入观察区域的人员图4（b）用于观察区域内人员的简单手/臂移动。两个小波信号都在指数30附近具有峰值。由于人员进入热释电红外传感器的观看范围而获得的小波信号在主运动时与手臂运动相比具有更大的峰值高度，并且它也有后续振荡。峰值的幅度和运动的持
图4（a）进入观察区域的人员
图4（b）观察区域内人员的简单手/臂移动
续时间使得代表普通活动和进入/退出运动的马尔可夫模型有所不同。两个三态马尔可夫模型在小波域进行训练，以表示两种 运动类型：（i）进入和离开监视区域，以及（ii）监视区域中的诸如手，手臂和腿部运动等普通活动。分别在“进入/退出动作”和“普通活动”类中连接获取许多样本信号。通过研究当前小波系数的绝对值| w [k] |与两个非负阈值T1和T2之间的关系，将A和B中的每个小波系数映射到一个状态。 如果| w [k] | lt;T1，则w [k]的状态标记为S0。如果T1lt;| w [k] | lt;T2，则状态S1并且如果| w [k] |gt; T2，则获得状态S2。确定阈值的过程将在下一小节中介绍。
接下来，形成状态序列CA和CB，并计数每个状态序列中每个可能转变的数量。 假设aij和bij表示CA和CB中从状态Si到Sj的转换次数。 由于“进入/退出运动”类别中的小波信号的峰值高于“普通活动”类别中的小波信号的峰值，因此预计a22将大于b22。此外，由于后续的振荡，应该在入口/出口类型信号中出现不同状态之间的更多转换。这两个三态马尔科夫模型显示在图5.
图5 对应于（a）进入/退出动作和（b）普通活动类两个三态马尔科夫算法
马尔可夫模型的训练以每个类别的状态转移概率的计算结束。 如果LA和LB是CA和CB的长度，那么状态转移概率计算如下：
式中，是中从Si状态过度到Sj的概率。
3.1阈值估计
当在热释电红外传感器的观察范围内没有人进行活动时，相应的传感器输出信号是噪声信号。为了表征无活动情况，噪声信号的小波系数被映射到状态S0。换句话说，T1被设置为几乎所有绝对值小波系数的值的噪音信号都低于它。由于众所周知的68-95-99.7规则，该值需要大于1 2r，其中l是平均值，r分别是小波域中没有活动信号时候的标准偏差。
另外，训练过程的输出 - a和 - b都是T1和T2的函数，应该反映两者之间的区别。因此，我们需要选择（T1，T2）以使得它们最大程度的不相似：
其中，
是x与y之间的距离。方程（1）中的不相似函数的典型如图6。 从图中可以看出，相异函数是不可微分的，而且是非线性的。因此，通过使用具有目标函数D（T1，T2）的遗传算法将其最大化。
图6 不相似函数D（T1，T2）的典型曲线
4决策机制
热释电红外传感器本身不能计算监视区域中的人数，但它可以区分运动是进入/退出类型的动作还是仅仅是手势。测试信号的类别激励使用概率方法来决定。首先将测试信号划分为覆盖3秒时间间隔的300个样本的窗口，然后在每个窗口上执行小波变换。由于在小波分解树的每个阶段分辨率减半，所得到的小波信号窗口长度为75，那么相应的状态序列便被建立起来了。设C是测试窗口的状态序列。 属于该窗口的“进入/退出动作”和“普通活动”类别的概率计算如下：
（5）
其中L是C的长度，并且是每个模型从第i个元素到第（i 1）个元素的转换概率。
如果tij表示C中从Si到Sj的转换次数，则Eq(5) 可以重排如下：
（6）
当前测试信号窗口产生较高概率的模型被报告为该窗口的类别提示。 由于决定性因素是基于概率的大小，因此在方程中取双方的对数(6) 不会影响结果 这可以使得决策机制的计算成本降低，因为乘以对数后乘以概率方程中的求和来加以代替，新的概率方程变成：
在分类过程中，只使用两个代表“进入/退出动作”和“普通活动”类的模型。没有必要为“无活动”的情况形成模型。当90％或更多的C元素是S0时，很容易检测到“无活性”情况。
一个测试信号窗口产生一个分类的分类算法长度为L的状态序列C可以概括为算法I下一小节将会描述基于视频的人脸检测。
|
如果测试窗口 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[23137]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
