面向多目标定位、动作捕捉与行为分析的智能二进制感知技术研究

Multiple object localization, motion capture and behavior analysis have been widely used for applications in virtual reality, intelligent security, home automation, personal health-care, etc. Compared with wearable and video sensor based systems, the use of low-cost non-invasive distributed sensor networks for human behavior study is advantageous in non-cooperative users, low privacy infringement, and low power consumption. However, the technology also suffers from low sensing efficiency, long calibration process, and high computational complexity. This project aims to develop a framework of distributed binary sensing and binary data learning by utilizing the theories of channel coding and geometric probability, which includes novel spatial sampling functions, feature extraction out of sparse binary signals, system calibration and adaptation, and recognition and tracking of multi-target motion and behavioral features. The developed approach will be implemented for a series of low-cost sensors (e.g., thermal, photonic, pressure) with wireless sensor network platforms. The experimental results will be compared with those using wearable and video sensor systems for performance verification and design improvement. The developed technology will be an important enhancement and complement for the current motion capture technologies; it will help solve a number of serious technical challenges imposed on virtual reality, intelligent security, home automation, and personal health-care systems.

多目标定位、运动捕捉与行为分析在虚拟现实、安全保护、智能家居和个性化健康管理等领域应用广泛。与基于可穿戴式与视频传感器的技术相比，使用低成本、非侵入、分布式传感器网络测量人体行为的优点包括无需用户配合、保护用户隐私和低能耗。但是，该技术也面临着信息采集效率低、系统校准时间长和数据挖掘复杂度高等问题。本课题拟建立一整套分布式二进制传感和二进制数据学习的理论框架，利用信道编码理论和几何概率理论，设计新颖的空间采样函数，对二进制稀疏信号的特征信息进行高效提取；设计智能系统校准与自适应机制，实现对多目标运动与行为特征的快速识别和追踪。该技术将利用无线传感器网络平台，对低成本的热、光、压力等传感器进行系统实现和实验；通过与可穿戴式和视频传感器测量结果的对比，来验证、改进和提高该技术。本课题的完成将补充和完善现有的动捕技术，有助于解决虚拟现实、智能安全、智能家居与健康管理中的一系列技术问题和挑战。

多目标定位、运动捕捉与行为分析在虚拟现实、安全保护、智能家居和个性化健康管理等领域应用广泛。与基于可穿戴式与视频传感器的技术相比，使用低成本、非侵入、分布式传感器网络测量人体行为的优点包括无需用户配合、保护用户隐私和低能耗。但是，该技术也面临着信息采集效率低、系统校准时间长和数据挖掘复杂度高等问题。本项目建立了一整套分布式二进制传感和二进制数据学习的理论框架，利用压缩传感和信道编码理论，结合最新的机器学习方法，设计了新颖的空间采样函数，对二进制稀疏信号的特征信息进行了高效提取；并设计了智能系统校准与自适应机制，实现对多目标运动与行为特征的快速识别和追踪。通过上述方法，本项目搭建了1）基于光纤压力传感器网络和PIR传感器网络的二进制多目标定位系统，2）基于PIR传感器的二进制人体活动识别系统，3）基于低分辨率热红外阵列的人体活动识别系统。实验结果与理论分析证明了以下重要结论：1）结合矩阵互相关系数条件与低密度奇偶校验码（LDPC）矩阵可以设计出高压缩率的二进制压缩测量矩阵；2）基于贝叶斯推理的压缩解码方法可以解决包括异或操作和逻辑和操作的二进制压缩传感重建问题；3）基于LDPC压缩测量矩阵和贝叶斯推理解码的方法用于二进制定位传感网络可实现以8比特传感数据和40厘米精度测量四位人员目标的位置；4）基于检测概率矩阵分解的方法可通过选择使定位系统误差最小的传感器方位来实现系统校准；5）提出的模糊自适应共振神经网络能有效选择提取和识别二进制传感人体信号的特征；6）二进制传感人体信号可用于高效识别人体姿态；7）提出的卷积神经网络可用于设计PIR传感器和低分辨率热红外阵列掩模，可提高对目标人体动作的识别力；8）提出的频域神经网络比传统卷积神经网络对压缩信号具有更强的识别性能；9）提出的频域神经网络可用于设计更高效的压缩测量矩阵，使目标人体信号的压缩采样更容易被识别同时重建误差更小。