自主移动智能金属探测器研制

为提升民用金属探测器探测精度和智能化程度,设计并制作了一种可自主移动探测的金属探测器.可自主移动的小车承载AY-LDC1000传感器探头,利用金属的涡流效应,采用STM32作为微处理器,检测探测频率的变化,并控制探测器自主移动,能在指定范围内自动、准确地探测出金属位置.通过实验检测该系统的可行性和稳定性,结果表明:探测器能精确自动探测出金属目标,且具有较高的探测率.     

基于PIR Sensor的单目标跟踪系统的设计与实现

针对基于热释电红外传感器的人体跟踪系统在实际环境中,由于受环境噪声和硬件参数影响而误差较高的问题,本文提出了一种基于热释电红外传感器PIR Sensor(Pyroelectric Infrared Sensor)的高精度人体目标跟踪方案。该方案首先对检测区域内运动人体热辐射的红外信号特征进行了提取,然后利用PIR Sensor定位节点自身几何参数和探测数据,得到初步定位结果。最后通过Kalman滤波算法对初步定位结果进行滤波处理并更新目标的状态信息,实现对检测区域内人体目标的定位与跟踪。实验表明,该系统的跟踪误差与同类跟踪系统相比降低了71.96%,证明了该系统具有较高的跟踪精度。     

基于热释电红外传感器的多节点定位系统研究与设计

针对热释电红外传感器(PIR)在人体探测领域中越来越广泛的应用,研究设计了一种基于PIR的检测定位系统,可实时完成对人员目标入侵探测区域时的检测与定位,并预推出人员目标的行进轨迹;该系统由多个PIR感知节点组成,每个感知节点通过传感在动、静两种状态下对探测区域进行信息采集;最终融合多节点与不同状态下传感器采集的数据,算出各个传感器的探测角度值,以交叉定位的算法,得到目标的定位坐标;经实验证明,该系统运行稳定,检测灵敏,定位效果很好,拓宽了热释电传感器在定位定向方面的使用范围。     

基于信道状态信息子载波特征差分的 人体移动检测方法

无线信号在室内易受到多径效应、小尺度衰落等影响,使得现有基于射频信号的人体移动检测方法无法保证缓慢行为识别的鲁棒性和可靠性.该文通过分析人体行为与CSI子载波的相关性发现不同子载波对人体行为存在敏感差异性,进而提出基于离散小波变换的信道状态信息子载波特征差分算法,设计设备无关的人体移动检测.在多径丰富和稀疏两种室内场景下的实验结果表明,该方法对人体移动检测的平均精度可达到93%.     

基于加权组合模型的红外时间序列预测

为克服Prophet模型对残差自相关性考虑的缺失,时间推理能力的不足,提高被动红外(passive infrared,PIR)运动探测器检测结果的准确性,提出一种Prophet与SARIMA动态加权组合的预测模型.分析PIR运动探测器的特点,分析对比几种流行的预测算法的优劣,在此基础上设计Prophet-SARIMA的组合预测模型,统计和分析用户的行为.为获取最好的组合效果,设计动态加权组合算法,通过加权算法可确定最优的权值组合.通过实验验证了Prophet-SARIM A组合预测模型在人体红外数据的预测中具有更强的适用性和更高的准确性.     

基于超低频电磁波的穿墙生命探测技术

基于超低频电磁波的强穿透性、低衰减率的特点,提出了基于超低频电磁波的穿墙生命探测器设计方法,并对其工作原理进行详细的论证,包括利用双通道相关检测方法来得到目标信号和利用人体生命信号的特征来对目标信号进行识别,并通过仿真对其进行验证。仿真结果表明:这种基于超低频电磁波的探测器可以实现对障碍物后目标对象的探测。     

混合高斯模型和机器视频的火灾检测的实现

针对目前基于传感器技术的火灾探测器存在检测区域小、干扰大、误报率高等不足,提出了一种基于混合高斯模型与机器视觉相结合的火灾检测方法.该方法通过对摄像头获取的图像信息进行处理和分析,利用火灾早期产生的烟雾和火焰的颜色及形体变化特征来探测火灾.通过建立混合高斯模型对火灾进行识别,再对识别结果进行进一步的动态特征识别.试验证明,该方法克服了传感器检测方法的缺点,实时性好、识别率高.     

防犯传感器

原先采用防犯传感器的侵入者检测装置是利用无源红外线元件（PIR元件）获得来自检测区域内人体的红外线并按人体和周围温度之差来检测侵入者的。     

有向传感器网络中热释电红外传感器节点部署及仿真研究

针对有向传感器网络（Directional Sensor Networks, DSNs）探测区域中PIR（Pyroelectric Infrared Sensor）传感器节点部署问题,设计了4种基于几何形状的节点部署方案,计算了各部署方案的节点密度。基于修改后的TIS测试编写仿真算法,在Matlab平台上对各节点部署方案进行了仿真实验,统计不同部署方案下的目标检测率,并对实验数据进行分析。结果表明,设计的4种部署方案的目标检测率均高于随机部署约10%;等腰三角形部署方案适用于节点数目充足的情况,能实现探测区域全覆盖,目标检测率可达80%以上;正方形部署方案适用于节点数目有限的情况,能实现探测区域大部分覆盖,目标检测率可达75%以上。     

结合注意力机制的火灾检测算法

鉴于现有的火灾检测手段大多依赖于感温探测器和感烟探测器,但感温探测器和感烟探测器的探测具有一定的滞后性,无法实时准确地检测出初期火灾的问题,因此,构建了一个大规模多场景的火灾图像数据集;同时对图像数据集进行了火焰和烟雾目标标注,并提出了一种具有注意力机制的火灾检测算法,采用颜色分析的方法检测出图像中火焰和烟雾的疑似区域;再对火焰和烟雾目标的疑似区域进行关注,通过结合深度网络的特征提取能力,得到火灾目标的检测模型;实验结果表明,此方法在检测火灾任务上取得了更优的效果,相比于基于YOLOv3的火灾检测模型,mAP(mean average precision)提高了5.9%,同时满足了实时检测的需求。     

基于动态下使用热释电传感器的新型目标探测方法的研究

为了增大热释电型红外传感器的探测范围,提高热释电传感器的探测灵敏度,提出了一种可实现大范围目标检测并且具有高灵敏性的热释电传感器的新型使用方法;该方法使热释电传感器在步进电机的带动下匀速转动,在周围环境基本不变的情况下,记录下其波形作为初始波形,在没有目标进入探测范围的情况下,波形将保持一定的规律基本不变;一旦目标进入传感器的探测范围,将打破原始波形规律,传感器即输出报警信号。由于热释电传感器是匀速转动的,所以一个热释电传感器就能对360°范围进行检测,大大扩大了热释电传感器的探测范围,并且当目标进入探测区域后即使静止不动依然会被动态下的传感器探测出来,解决了热释电传感器不能探测静止目标的问题,大大提高了热释电的灵敏度;该方法进一步拓展了热释电传感器的使用范围,进一步提升了热释电传感器在安防和智能家居系统中的应用。     

无线传感器网络中的被动式红外传感器模型研究

针对公共安全的需要，利用无线传感器网络系统进行区域监控已然成为趋势。通过对系统的物理结构分析提出了一种被动式红外传感器模型。该模型对配备被动式红外传感器的无线传感网络的系统设计具有指导意义。传感器节点的测试以及实时系统的试验验证了模型的可靠性。     

一种小型动/静态双坐标感知系统结构设计

针对提高被动式热释电红外(PIR)传感器的探测距离和范围,提出动/静态双坐标感知系统理论,根据动/静态双坐标感知系统对动态目标实现一定距离内和全范围探测的要求,光学基准传递的要求,提出了小型动/静态双坐标感知系统的结构设计方案。该系统配用红外透镜作为其光学装置,在匀速转台的带动下,实现360°全范围探测红外信号,解决了PIR传感器探测距离和探测视场的矛盾,拓宽了PIR传感器的使用领域。经过实验验证,该系统结构设计合理。     

Fall detection using single-tree complex wavelet transform

The goal of Ambient Assisted Living (AAL) research is to improve the quality of life of the elderly and handicapped people and help them maintain an independent lifestyle with the use of sensors, signal processing and telecommunications infrastructure. Unusual human activity detection such as fall detection has important applications. In this paper, a fall detection algorithm for a low cost AAL system using vibration and passive infrared (PIR) sensors is proposed. The single-tree complex wavelet transform (ST-C$\mathbb{C}$WT) is used for feature extraction from vibration sensor signal. The proposed feature extraction scheme is compared to discrete Fourier transform and mel-frequency cepstrum coefficients based feature extraction methods. Vibration signal features are classified into “fall” and “ordinary activity” classes using Euclidean distance, Mahalanobis distance, and support vector machine (SVM) classifiers, and they are compared to each other. The PIR sensor is used for the detection of a moving person in a region of interest. The proposed system works in real-time on a standard personal computer.     

基于热释电红外传感器的车辆和人员分类

设计了一种应用于野外环境中的热释电红外系统,并创新性地提出用单热释电红外传感器节点进行车辆和人员的分类.分类算法利用信号的幅度、信号的持续时间、信号一阶差分值的绝对值的最大值作为特征向量,利用支持向量机（SVM）进行目标分类.在10,20 m处分类准确率分别可以达到93.5％,94.5％,并且针对10,20m的综合分类准确率可以达到92％.该系统扩展了热释电传感器的应用范围和应用场景,所用分类方法对于其他同类传感器系统具有一定的借鉴意义.     

嵌入式驾驶员状态检测算法的实现与优化

提出了一种可以在嵌入式平台上实时运行的驾驶员状态检测算法. 状态检测采用了基于统计学习的Adaboost算法与动态建模算法. 与传统的采用主动红外光的方法相比, 本系统采用对人眼更为安全的被动式方法, 且对光线的变化有更好的鲁棒性. 算法的主要创新点是: 1) 提出了检测区域自适应调整的单双眼检测相结合的Adaboost人眼检测算法, 提高了人眼检测的准确性与速度; 2)提出基于高斯混合模型的人眼动态建模跟踪算法, 自动提取驾驶员眼睛区域灰度分布的信息, 实现了对不同驾驶员人眼的建模与跟踪定位. 在多个公共数据集以及实车采集的视频上进行的实验表明, 该算法能够准确判断驾驶员的状态, 满足实时处理的要求.     

Performance comparison of feature extraction algorithms for target detection and classification

This paper addresses the problem of target detection and classification, where the performance is often limited due to high rates of false alarm and classification error, possibly because of inadequacies in the underlying algorithms of feature extraction from sensory data and subsequent pattern classification. In this paper, a recently reported feature extraction algorithm, symbolic dynamic filtering (SDF), is investigated for target detection and classification by using unmanned ground sensors (UGS). In SDF, sensor time series data are first symbolized to construct probabilistic finite state automata (PFSA) that, in turn, generate low-dimensional feature vectors. In this paper, the performance of SDF is compared with that of two commonly used feature extractors, namely Cepstrum and principal component analysis (PCA), for target detection and classification. Three different pattern classifiers have been employed to compare the performance of the three feature extractors for target detection and human/animal classification by UGS systems based on two sets of field data that consist of passive infrared (PIR) and seismic sensors. The results show consistently superior performance of SDF-based feature extraction over Cepstrum-based and PCA-based feature extraction in terms of successful detection, false alarm, and misclassification rates.     

Passive infrared sensor dataset and deep learning models for device-free indoor localization and tracking

Location estimation or localization is one of the key components in IoT applications such as remote health monitoring and smart homes. Amongst device-free localization technologies, passive infrared (PIR) sensors are one of the promising options due to their low cost, low energy consumption, and good accuracy. However, most of the existing systems are complexly designed and difficult to deploy in real life, in addition, there is no public dataset available for researchers to benchmark their proposed localization and tracking methods. In this paper, we propose a system and a dataset collected from our PIR system consisting of commercial-of-the-shelf (COTS) sensors without any modification. Our dataset includes profile data of 36 classes that have over 1,000 samples of different walking directions and test data consisting of multiple scenarios with a sequence length of over 2,000 timesteps. To evaluate our system and dataset, we implement various deep learning methods such as CNN, RNN, and CNN–RNN. Our results prove the applicability and feasibility of our system and illustrate the viability of deep learning methods for PIR-based localization and tracking. We also show that our dataset can be converted for coordinate estimation so that deep learning methods and particle filter approaches can be applied to estimate coordinates. As a result, the best performer achieves a distance error of 0.25 m.