基于紅外溫度點陣的人體檢測

孫宇貞+方永輝+胡超

摘 要：采用矩陣式紅外熱電堆采集空間溫度數據，并利用改進的RBF（Radical Basis Function徑向基函數）神經網絡算法進行人體入侵檢測。通過改進的粒子群算法優化RBF的精度和收斂速度，其中為了消除基本PSO（Particle Swarm Optimization粒子群算法）在某些函數的優化上有收斂速度慢、精度較差的缺點，采用慣性權重因子改進了粒子群算法。將改進PSO算法訓練的RBF神經網絡應用到人體入侵檢測識別中，通過實測數據驗證，改進后的RBF神經網絡算法的訓練效果有明顯的提升，檢測效果也有明顯的提高。

關鍵詞：矩陣式紅外熱電堆；RBF神經網絡；慣性權重因子；粒子群算法

DOI：10.16640/j.cnki.37-1222/t.2017.04.220

1 引言

常用的人體入侵檢測方法有視頻監測、超聲波、機電檢測、紅外檢測等，而它的準確性和可靠性對人們的生命財產安全起確定性的作用。本文采用的是Melexis（邁來芯）的一套矩陣式紅外熱電堆溫度采集裝置，其中傳感器MLX90621是一款采用16*4像素的紅外陣列傳感器，可以檢測出一副畫面中64個點的溫度，可以提供的視角范圍是，配合電機，它的檢測范圍可以達到，因此它每一幀可以測得的溫度數據有個。相比于傳統的檢測方法，雖然它的檢測像素低，但是在后面的算法計算中，它的計算量會降低，它的優勢在于成本低、體積小易于隱蔽，而且不易受環境因素的影響，比如黑夜、電磁干擾等。在人體識別部分，本文采用的是改進RBF神經網絡算法，RBF神經網絡是一種采用局部接受域來執行函數映射的人工神經網絡[1]。而如何確定RBF神經網絡的隱層基函數的個數、中心向量以及寬度是訓練RBF神經網絡的關鍵所在。假如設定的隱層基函數的個數偏多會造成訓練和測試的時間加長，不僅容易產生過擬合[2]，而且還會造成網絡的泛化能力下降。相反，設定偏少的話會造成神經網絡的收斂誤差變大。一般采用K-mean聚類算法來確定徑向基函數的個數和中心向量，但其依賴初始中心的選擇，只能獲得局部最優解[3]。

粒子群算法（PSO）是基于群體智能的優化算法，通過粒子間的合作與競爭的群體智能理論的優化搜索，它可以記憶所有粒子都共享的迄今為止問題的最優解[4]。PSO的優勢在于簡單且易于實現。但基本PSO的缺點在于其參數是相對固定的，會導致在優化某些函數時，造成精度差、收斂速度慢等。因此本文針對基本PSO的缺點，提出了結合慣性權重模型，將適應度擇優選取引入基本PSO算法的方法進行改進。RBF神經網絡首先采用最近鄰聚類算法來確定隱層基函數的個數，中心向量即為聚類的的均值。同時將改進的粒子群優化算法來優化最近鄰聚類算法的聚類半徑，從而確定出RBF神經網絡最優的隱層基函數和中心向量，使其不用依靠初始中心的選擇，減少了現有算法中人為因素的影響，從而有效地提高了RBF神經網絡的精度和收斂速度。獨立訓練特定的RBF網絡并合成其預測結果，可以有效得提高神經網絡表達對象的準確性[5，6]。將改進PSO優化RBF神經網絡的方法應用于人體入侵檢測識別中，通過實測數據驗證，準確率相對基本RBF神經網絡有了顯著的提高。

2 RBF神經網絡設計

2.1 RBF基本原理

RBF 神經網絡，即徑向基神經網絡，是前饋神經網絡的一種，具有三層結構，如圖 1 所示。它的基本思想是用RBF作為隱單元的“基”構成隱含層空間，將輸入矢量直接（即不需要通過權鏈接）映射到隱空間，當RBF神經網絡的中心確定之后，映射關系也就隨之確定了。隱含層的作用是把向量從低維映射到高維，這樣低維線性不可分的情況到高維就線性可分了，隱含層空間到輸出空間的映射關系是線性的。

（1）假設已經有個聚類中心，分別為：，分別計算與它們之間的距離，。

（2），即到中心的歐式距離最小。

（3）比較與的大小，如果，則就會被設定為一個新的聚類中心，如果，則按照更新，。

（4）重新選取下一個輸入的樣本數據，返回1）。

（5）所有的輸入數據取完則結束。

從上面的算法步驟來看，可以得出，隱層基函數的中心的確定，最主要的因素是聚類半徑，若過大，會造成基函數的中心個數較少的情況，從而導致網絡的收斂誤差偏大，反之則會造成基函數的中心個數較多的情況，從而導致網絡的泛化能力下降。因此本文在最近鄰聚類算法中選取合適的聚類半徑時，采用改進的粒子群算法，最后可以確定出最優的RBF神經網絡的隱層基函數的中心向量。

3 粒子群優化算法

3.1 基本粒子群優化算法

粒子群優化算法（PSO）是由Kennedy和 Eberhart于1995年提出的一種通過模仿鳥類群體捕食行為研究的群體智能算法[7]。粒子群優化算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解[8]。它的優勢在于簡單容易實現并且沒有許多參數的調節[9]，目前已被廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域。在由 m 個粒子組成的粒子群中，每個搜索空間中的潛在的解由粒子的位置來確定，新的個體在取值時主要由粒子的當前速度、粒子群中的最優個體以及當前粒子的歷史最優解3個因素來決定，其中粒子的當前速度控制著搜索的步長，算法的全局以及全局搜索能力由其決定，對PSO的收斂速度和質量有著重要的影響；后兩者則主要用于控制搜索的方向，反映了可利用的梯度信息[10]。粒子根據如下三條原則來更新自身狀態：（1）保持自身慣性；（2）按自身的最優位置來改變狀；（3）按群體的最優位置來改變狀態。

算法描述：在一個 n維的搜索空間中，是由m個粒子組成的粒子群，其中，為第個粒子的位置為，為速度。其中，為個體極值，為種群的全局極值。接下去粒子會根據公式（6）不斷更新自己的速度，根據公式（7）不斷更新自己的位置。

3.2 慣性權重因子的引入及其改進

為改善粒子群算法的搜索性能，以及基本PSO參數固定優化某些函數時精度較差的問題，Shi和Eberhart對基本PSO算法進行了改進，在粒子的速度進化方程中引入慣性權重[11]。一般地，較大的權重有利于提高算法的全局開發能力，而較小的權重則能增強算法的局部搜索能力[12]。因此慣性權重因子對當前速度的大小起決定性因素，提升PSO性能的關鍵一環是慣性權重因子和調整策略的合理設置[13，14]。將代入公式（6）可得：

上式中，和分別代表第個粒子和最優粒子在第次迭代時相應的函數值。的計算是用來判斷目標函數的平整度[16]。由圖2可以看出，在迭代時變化越明顯，表明目標函數越不平整，相反則表示越平整。通過跟隨的變化而變化，以此來實現的動態變化。

4 基于改進PSO算法的RBF神經網絡訓練

前面提到RBF神經網絡基函數個數和中心向量難以獲取最優的缺點，本文將改進PSO算法應用到RBF神經網絡的訓練學習中，有效地提高了RBF神經網絡的精度和收斂速度，大大地增強了網絡的泛化能力。粒子群算法的神經網絡訓練過程如圖3所示。具體的優化步驟如下：

1）首先對樣本進行歸一化處理。

2）初始化。由參數，，組成粒子群，然后隨機賦上初始值，并根據這些隨機值來初始化粒子群的位置和速度。

3）計算適應度值。根據得到的RBF神經網絡輸入輸出值，應用公式：

來計算粒子群的適應度值，以此來確定和。其中和分別為訓練樣本數和輸出神經元個數，、分別為第個樣本的第個分量的輸出值和期望輸出值。

4）根據公式（8）更新粒子的位置和速度，得到新的粒子群。

5）判斷優化目標是否滿足終止條件，若滿足，則結束算法；否則返回到（3）。

5 實驗驗證及結果分析

本文在對上述改進PSO算法訓練的RBF神經網絡算法進行尋優測試后發現，改進后的RBF神經網絡算法在尋找最優值時，收斂速度和精度上都優于基本RBF神經網絡算法，且大大提高了網絡的泛化能力。然后將改進后的RBF神經網絡運用到實際的人體識別檢測中來進行驗證。在實驗中，通過MLX90621紅外陣列傳感器配合電機采集一個空間在不同情況下的溫度數據作為實驗數據，每一幀有16X36個溫度數據，共測得297組數據用于訓練。下面附上其中一張實測數據結果驗證圖（見圖4）：

圖中坐標軸中顯示的溫度數據就是實測的空間溫度數據，綠色區域為熱源干擾物，紅色區域為目標。根據采集獲得的溫度數據將其分為最高溫度、最低溫度、平均溫度三類，在正常情況下，由于人體的正常溫度存在一個絕對范圍，因此結合這個絕對范圍并將分割處理后的圖像一起作為訓練的特征值對改進PSO算法訓練的RBF神經網絡進行訓練，實現了對人體目標的檢測，然后利用訓練好的RBF神經網絡直接對新的溫度數據進行分類，檢測并判斷每一幀是否有人。

下面分別采集無人無干擾和無人有熱源干擾的兩種情況下的空間溫度數據，用這兩組數據作為訓練樣本對基本RBF神經網絡和改進PSO算法訓練的RBF神經網絡進行訓練，訓練結果如表1所示：

從訓練結果來看，改進后的RBF神經網絡算法的訓練效果有了很大的提高，無論在無人無干擾還是無人有熱源干擾的數據中，測得的無人的準確率都高于基本RBF神經網絡。最后用測得的有人有熱源干擾的空間溫度數據用來進行結果驗證，驗證結果如表2所示：

重新在一個空間中測得99組有人有干擾的溫度數進行結果驗證，在基本PSO的基礎上引入慣性權重因子，對基本RBF神經網絡的訓練效果有明顯的提升，改進PSO算法訓練的RBF神經網絡算法測得有人的準確率明顯高于基本RBF神經網絡。

6 結論

對人體識別算法進行了研究，最終確定使用RBF神經網絡作為研究對象，并使用最近鄰聚類算法來確定RBF神經網絡的中心向量，成功地消除了操作時人為因素的參與。本文通過引入動態慣性權重因子對基本PSO算法進行改進，將改進PSO算法訓練的RBF神經網絡與基本RBF神經網絡進行對比，對比訓練的過程及結果可以得出，改進后的RBF神經網絡在訓練效果上有了很大的提升，精度、收斂速度以及穩定性都優于基本RBF神經網絡。最后將改進后的RBF神經網絡應用到人體入侵檢測識別中，經過實測數據驗證，雖然改進PSO算法訓練的RBF神經網絡在排除干擾的問題上提升不是非常明顯，但是識別的準確率有了很大的提高，說明改進后的RBF神經網絡更加適用于低精度且計算量少的人體入侵檢測識別中。

參考文獻：

[1]SimonHaykin.Neural Networks：A comprehensive Foundation，SecondEdition[M]. U.S：Prentive Hall，1988.

[2]段其昌.一種改進PSO優化RBF神經網絡的新方法[J]計算機仿真，2009，26（12）：126-129.

[3]Y Moddy and C J Darken. Fast learning in network of locally tuned processing unites [C] .Neural Computation，1989（01）：281-294.

[4]Kennedy J and R C Eberhart. Particle swarm optimization[C]. Conf.Neural Networks.1995.1942-1948.

[5]王桂洋，張亞庭.基于APSO優化算法的 GCHP 系統神經網絡預測控制[J].計算機測量與控制，2014，22（01）：106-108.

[6]譚子平.基于白適應權值神經網絡的 PID 參數優化[J].計算機光盤軟件與應用，2014，17（07）：97-98.

[7]皮倩瑛，葉洪濤.一種動態調節慣性權重的粒子群算法[J].廣西科技大學學報，2016，27（03）：26-31.

[8]胡珀，婁淵勝.改進粒子群優化算法在服務組合中的應用[J].計算機工程，2011，37（17）：130-133.

[9]任圓圓，劉培玉，薛素芝.一種新的自適應動態文化粒子群優化算法[J]. 計算機應用研究，2013（30）11：3240-3243.

[10]于海鵬，翟紅生.基于混合策略的自適應粒子群優化算法[J].計算機工程與設計，2014，35（07）：2552-2556.

[11]Shi Y，Eberhart R C.A Modified Particle Swarm Op-timizer[C]/ / Proceedings of the IEEE Congress onEvolutionary Computation.Now York： IEEE，1998：303-308.

[12]羅金炎.粒子群優化算法慣性權重的一種動態調整策略[J]沈陽化工大大學學報，2013（04）：371-375.

[13]De Silva I J，Rider IM J，Romero R，et al.Transmission network expansion planning with security constraints[J].IEEE Proc Gener Transm Distrib，2005，152（6）：828-836.

[14]左浩，李雯.混沌粒子群與模糊聚類在圖像分割中的應用[J].計算機工程與應用，2012，48（02）：194-196.

[15]田雨波.混合神經網絡技術[M].北京：科學出版社，2009.

[16]王啟付，王戰江，王書.一種動態改變慣性權重的粒子群優化算法[J].中國機械工程，2005，16（11）：945-948.

作者簡介：孫宇貞（1975-），女，山東棲霞人，副教授，碩士研究生導師，研究方向：電力設備智能控制，電廠過程控制。