王子豪， 田　杰， 魏玉宏

(武警工程大学 军事通信学重点实验室，陕西 西安 710086)

无线PIR的人体目标追踪方法研究综述

王子豪， 田杰， 魏玉宏

(武警工程大学 军事通信学重点实验室，陕西 西安 710086)

摘要:基于无线热释电红外传感器(PIR)的人体目标追踪过程分为五步：事件检测、事件数字化、事件登记、目标定位、轨迹推断。研究的方向主要是在事件检测过程中的数据采集和信号处理，在事件登记中的区域分割编码，在目标定位中的数据处理，以及在轨迹推断中的数据融合和轨迹预计。阐述了侧视感知模式和俯视感知模式的实现原理，分析了解决主要问题所运用的方法，对比两种感知模式的实验结果，分析两种感知模式的优缺点，并据此讨论了改进方向。

关键词：无线传感器网络； 热释电红外传感器； 人体目标追踪

0引言

无线传感器网络(WSNs)具有覆盖范围广、体积小、功耗低和网络动态特性好等优点，逐渐被应用于目标定位和追踪领域[1]。热释电红外(PIR)技术利用人体辐射出特定波长红外线的特点，能灵敏地接收红外光并将光信号转换为电信号[2]。基于无线传感器网络和PIR技术的人体追踪方法仅需要部署价格低廉的传感器节点，而且传感器节点仅针对人体目标，具有成本低、功耗低、数据吞吐量低和针对性强的优点，适用于人体目标追踪。

本文对基于无线PIR的人体目标追踪方法研究进行综述，并讨论了其发展方向。

1人体目标追踪步骤

人体目标追踪包含五个步骤：事件检测、事件数字化、事件登记、目标定位、轨迹推断。

1)事件检测：在人体目标追踪中，当PIR测量到的热量流高于设定的环境阈值，则这个信号就可以反映出有人体目标在监测范围内运动，这个信号称之为事件。

2)事件数字化：当人体目标在监测范围内运动时，其周围的传感器节点都会产生模拟电信号，后续处理需要将模拟信号数字化。

3)事件登记：根据不同传感器节点的视场，可以把监测区域划分为多个子区域。用一系列的数字序列来表示每一个事件。系统的后台数据库会按照时间顺序登记节点检测得到的事件发生序列。

4)目标定位：根据数据库中的事件序列，结合同一时刻不同传感器节点的事件序列，用网格逼近、最小二乘法等方法推断目标的位置。

5)轨迹推断：目标追踪问题可以看作为部分可观测马尔科夫决策过程(partially observable Markov decision process,POMDP)，利用先前的数据结合当前的检测数据，估计目标

运动轨迹。

2基于无线PIR网络的人体目标追踪方法

按照传感器节点感知模式划分，基于无线PIR的人体目标追踪方法可以分为侧视感知模式和俯视感知模式。其研究的方向主要有事件检测过程中的数据采集与信号处理[3]，在事件登记中的区域分割编码[4]，在目标定位中的数据处理，以及在轨迹推断中的数据融合[5]和轨迹预计。

2.1侧视感知模式

2005年，Hao Qi博士等人最早研究了PIR用于人体运动检测的可行性，并持续探究将PIR应用于人体目标追踪的方法，在区域分割编码、数据采集和数据处理上得到大量的研究成果。

文献[6]研究了一种无线PIR系统，该系统由三种节点组成，分别为slave节点、master节点和host主机。slave节点分布在整个探测区域，由8个传感器单元组成，实现360°的视场覆盖，它们负责事件检测、事件数字化和事件登记，并把处理得到的数据传送到master节点。master节点有一个，负责时间同步和目标定位，并把数据传送到host主机。host主机得到数据后，进行数据融合。在事件数字化中，由于每个节点有8个传感器单元，可以把360°的视场分割为16个区域，用8位二进制数对应8个传感器单元，以此记录区域的编号，哪个传感器单元探测到目标，则其对应二进制位上置1；否则，置0。其区域分割编码如图1所示。这样利用2个或以上的节点形成部分重叠的探测区域，就可以较为准确地探测目标位置，理论上，节点数量越多，目标定位精度越高。在目标定位上，使用了网格逼近(grid approximation)的方法进行线性化角度的测量值，推断目标位置。在仿真环境为9 m×9 m的房间里，在误报率为0.001的条件下，高斯粒子滤波的标准差为x轴方向1.1 m，y轴方向1.2 m，能基本实现人体运动追踪，能应用于精度要求不高的室内环境。

图1　单个slave节点的区域分割示意图和对应的区域分割编码方式Fig 1　Region segmentation diagram of single slave node and corresponding coding method of region segmentation

文献[7]研究了一种基于无线PIR网络的多代理(multi-agent)方案来实现人体目标追踪并实现自校准。方案中包含4类代理(agent)，分别为感知代理(sensing agent)、行动代理(action agent)、决策代理(decision agent)和数据库代理(database agent)。感知代理由PIR、信号处理电路和可编程片上系统(PSoC)组成，实现了事件检测、事件数字化、事件登记和目标定位功能。行动代理由伺服电动机和PSoC组成，它改变感知代理的视场，使感知代理对目标实现持续不间断的监测。决策代理包含了现场可编程门阵列(FPGA)，它负责执行复杂的计算和高分辨率的多目标追踪和自校准。数据库代理使用了MySQL平台，为其他代理提供环境信息。此方案中使用了PSoC，大大增强了节点的计算能力，并通过PSoC控制感知代理动态监测目标，使得追踪针对性更强。此外，利用感知代理不断收集环境信息，存储在数据库代理中，在目标追踪过程中，利用环境信息能减少大量干扰，使得计算更为准确。再加上决策代理的自校准功能，进一步提高了追踪精度。

文献[8]中，Yang Bo等人提出了基于PIR视场角平分线的目标定位方法和新的数据融合方法，并在轨迹推断过程中对比了卡尔曼滤波和粒子滤波的效果。在仿真实验中，通过对比多种传感器部署方案和网状网结构，总结得出一种性能次优但计算复杂度低的网状结构，在10 m×10 m的区域中部署了8个传感器节点，其定位误差小于0.5 m的概率高于80 %，误差大于1 m的概率低于20 %，误差大于1.5 m的概率更是低于5 %。

文献[9]中，Yang Bo等人在无线PIR网络的基础上，将概率神经网络(probabilistic neural network,PNN)和测向交叉定位(bearing-crossing locating)应用于区域分割和目标定位中。首先,通过综合的神经网络分类器算法初步确定人体目标所在的区域，再结合测向交叉定位数据进行数据融合实现目标的精确定位，最后,利用粒子滤波算法和联合概率数据关联算法对目标进行追踪。仿真和实验结果表明:此方法能快速判断人体目标所在区域，而且在多目标时错误探测率得到了有效的降低。在实际实验中，在10 m×10 m的环境里，使用基于神经网络区域划分的交叉定位(crossing location based on neural network region partition,CLBNNRP)方法平均误差为0.71 m，对比交叉定位(crossing location,CL)方法，使用CLBNNRP方法在x轴方向和y轴方向的精确度提高了29.76 %和44.12 %，证明使用CLBNNRP方法能实现精度较高的目标追踪。

2.2俯视感知模式

文献[10]中，基于无线PIR网络，黄鑫研究了新的人体目标定位方法，将传感器节点设置在探测区域的上方，每个传感器节点中包含3只传感器，每个节点的感知区域分为3个，1只传感器负责感知一个区域，如图2所示。

图2　传感器的感知区域Fig 2　Sensing region of sensor

图中白色区域为感知区域，1#传感器感知圆心的圆形区域，2#传感器感知中间的圆环，3#传感器感知最外围的圆环。根据3个或以上节点，形成重叠区域，可以初步定位目标所在位置，感知范围如图2所示。

图3　感知范围示意图Fig 3　Diagram of sensing area

图4中展示了一组节点组成的感知区域，深灰色为3个传感器节点的重叠区域，当布置更多的节点时，重叠区域可扩展得更大。根据实验结果，在边长为3 m的等边三角形区域里，节点部署高度为3 m，此方法的误差在0.32 m左右。此方法利用了区域圆环分割和多个节点重叠区域形成监控区域，提高了精度。但此方法理论上没有考虑到人体目标的身高对测量的影响。

文献[11]中，Luo Xiaomu等人研究了一种新的俯视感知的红外传感器系统，其中每个节点包含5只传感器，每4个传感器节点为一组，如图4所示。

每个传感器节点的探测区域可划分为8个扇形和1个圆形区域，每个探测区域中心位置都设置一个方位已知的指示器。当目标进入一个探测区域时，便会激活该区域的指示器。当目标所在探测区域只激活一个指示器时，用指示器的坐标近似目标坐标；当目标所在探测区域激活2个指示器时，用两指示器连线的中点近似目标坐标；当目标所在探测区域激活3个指示器时，用与3个指示器相等距离的点坐标近似目标坐标；当目标所在探测区域有4个指示器时，利用最大似然估计计算目标坐标。仿真中使用了高1.75 m，半径0.45 m的圆柱体机器人作为目标，在10 m×10 m的区域内部署了一组节点，其平均误差为0.486 m。

2.3对比分析

如表 1所示，上述文献中方法的实验结果对比。在侧视感知模式当中，文献[8]基于无线PIR网状网，对比了3种节点部署方案，方案B的节点部署使得多个传感器节点的区域分割更加分散，当其部署8个传感器节点，实现了10 m×10 m范围内，对单目标的定位精度比文献[9]中方法提升将近50 %。后续可以在探测错误率一定的情况下，研究区域分割的方法和节点的部署。

表1　各文献中方法对比

文献[9]实验中部署9个节点，在10 m×10 m范围内，利用神经网络分类器确定目标所在区域，再利用交叉测向定位对目标进行精确定位，而后利用粒子滤波算法和联合概率数据关联算法进行轨迹推断，实现了对两个目标的较高精度检测。后续可以在神经网络分类器算法和目标定位算法上做进一步研究。

在俯视感知模式中，文献[11]中研究了新的俯视感知模式及节点部署方案，比文献[10]中的方法，在标准差误差相差不大的情况下，使用了4个传感器节点实现了10 m×10 m范围内对多目标追踪的高精度追踪，更符合实际应用的需求。

对比本文讨论的最优的侧视感知模式中的方案和最优的俯视感知模式中的方案，即文献[9]与文献[11]中所研究的方案，俯视感知模式部署传感器节点更少，节点包含5只PIR传感器，少于侧视感知模式中的8只PIR传感器，在10 m×10 m范围内对多目标追踪，标准差误差较为接近，平均误差小于侧视感知模式，证明了俯视感知模式的性能优越性。但在俯视感知模式中并未充分考虑不同人体目标的高度所带来的影响，且在节点部署高度对探测范围、精度的

影响仍需做进一步研究。而侧视感知模式节点部署的高度与人同高，部署位置更为灵活。综上所述，侧视感知模式部署更为灵活，而俯视感知模式在监测范围和追踪精度上有更大优势。

3结束语

基于无线PIR的人体目标追踪方法的研究还处于起步阶段，还需要做更多的研究和改进以适应更多的使用场景和实际需求。在侧视感知模式中，可以通过仿真实验对比多种区域分割及节点部署的方法，筛选出目标定位精度高的区域分割方法和节点部署的方法。还可更深入研究基于概率神经网络的交叉测向定位方法，根据交叉点的权重估算目标位置，进一步提高定位精度。对于室外部署的节点，可以将环境信息记录在数据库并进行分析，对比目标信息与环境信息的差异，大幅度减少干扰。在俯视感知模式中，可以研究无线PIR节点部署的高度对探测范围大小和定位精度高低的影响，设置专门测量目标高度的节点，进而减少目标高度的个体差异对定位精度的影响。

参考文献:

[1]Kim S,Ko J G,Yoon J,et al.Multiple-objective metric for placing multiple base stations in wireless sensor networks[C]∥2007 2nd International Symposium on Wireless Pervasive Computing,ISWPC’07,IEEE,2007:627-631.

[2]Zappi P,Farella E,Benini L.Pyroelectric Infrared sensors based distance estimation[C]∥2008 IEEE Conf on Sensors,2008:716-719.

[3]Shankar Mohan,Burchett J B,Qi Hao,et al.Human-tracking systems using pyroelectric infrared detectors[J].Optical Enginee-ring,2006,45(10):106401.

[4]Lu Jiang,Gong Jiaqi,Hao Qi,et al.Space encoding based compressive multiple human tracking with distributed binary pyroelectric infrared sensor networks[C]∥IEEE Conference on Digital Object Identifier,2012:180-185.

[5]Khaleghi B,Khamis A,Karray F O,et al.Multisensor data fusion:A review of the state-of-the-art[J].Information Fusion,2013,14(1):28-44.

[6]Hao Qi,Brady D J,Guenther B D,et al.Human tracking with wireless distributed pyroelectric sensors[J].IEEE Sensors Journal，2006,6(6):1683-1696.

[7]Lu Jiang,Gong Jiaqi,Hao Qi,et al.Multi-agent based wireless pyroelectric infrared sensor networks for multi-human tracking and self-calibration[C]∥2013 IEEE Conf on Sensors,IEEE,2013:1-4.

[8]Yang Bo,Luo Jing,Liu Qi.A novel low-cost and small-size human tracking system with pyroelectric infrared sensor mesh net-work[J].Infrared Physics & Technology,2014,63:147-156.

[9] Yang Bo,Li Xiaoshan,Luo Jing.A novel multi-human location method for distributed binary pyroelectric infrared sensor tracking system:Region partition using PNN and bearing-crossing loca-tion[J].Infrared Physics & Technology,2014,68:35-43.

[10] 黄鑫.热释电红外无线传感器网络人体定位系统设计与实现[D].广州:中山大学,2009.

[11] Luo Xiaomu,Shen Baihua,Guo Xuemei,et al.Human tracking using ceiling pyroelectric infrared sensors[C]∥2009 IEEE International Conference on Control and Automation,ICCA 2009,2009:1716-1721.

Review of human body target tracking methods based on wireless PIR

WANG Zi-hao, TIAN Jie, WEI Yu-hong

(Key Laboratory of Military Communication，Engineering University of CAPF，Xi’an 710086，China)

Abstract:Process of human body target tracking based on wireless pyroelectric infrared(PIR)sensor can be divided into five steps,which are event detection,event digitalization,event registration,target location and trajectory estimation.Research direction is mainly focused on data collection and signal processing in event detection process,region-segmentation coding in event registration,data processing in target location,as well as data fusion and trajectory prediction in trajectory estimation.Illustrate realization principles of side-view sensing mode,and top-view sensing mode,analyze method for solving main problems and compare experimental results of the two kinds of sensing modes,analyze the advantages and disadvantages of two sensing modes and discuss improving direction according to the analysis.

Key words:WSNs; pyroelectric infrared(PIR) sensor; human body target tracking

收稿日期：2015—08—26

DOI:10.13873/J.1000—9787(2016)04—0008—03

中图分类号：TP 393

文献标识码：A

文章编号：1000—9787(2016)04—0008—03

作者简介:

王子豪(1991-)，男，广东广州人，硕士研究生，主要研究方向为无线传感器网络。