基于自学习的红外图像人体识别方法与流程

技术特征：

1.基于自学习的红外图像人体识别方法，包括进行集中处理的处理器，与所述的处理器连接的红外成像模块，所述的红外成像模块上设置进行聚焦成像的镜头，与所述的处理器连接的存储数据的RAM，还包括提供工作电压的电源，其特征在于：所述的处理器内部设置人体识别方法，所述的人体识别方法包括以下步骤：

(1) 设置数据链表L={ai(xi,yi,ci)}，其中，i=0，1，2......，xi=1~M，yi=1~N，M为所述的红外成像模块x轴方向上的最大像素个数，N为所述的红外成像模块y轴方向上的最大像素个数，ci为时间计数器，初始值为0，最大值为Cmax；以二维数组的方式设置活跃地图Array[p][q]，其中p=1~M/K，q=1~N/K，K为压缩比列，存储成像区域的人体活跃值，数值范围为0-100，初始值为Array[p][q]=0；

(2) 所述的处理器每个固定周期通过所述的红外成像模块获取场景的红外图像f(x,y)，其中x=1~M，y=1~N，并存储在所述的RAM中；

(3) 对红外图像f(x,y)进行二值化处理，得到二值图I0(x,y)，采用的方法为：当T1<f(x,y)<T2，则I0(x,y)=1，否则I0(x,y)=0，其中，T1为人体温度对应红外辐射强度采样值的下限值，T2为人体温度对应红外辐射强度采样值的上限值；

(4) 对二值图I0(x,y)进行腐蚀运算，消除成像过程中产生的噪声，得到腐蚀图I1(x,y)；

(5) 在腐蚀图I1(x,y)中搜索非零区域Sj，计算非零区域Sj的长宽比rj和几何中心点oj(xj,yj)，j=0，1，2......，并将非零区域Sj清零，如果rj>T3，则执行步骤6，否则重复执行步骤5，其中T3为正常人体的长宽比下限；如果无法搜索到非零区域Sj，则执行步骤8；

(6) 执行匹对算法，以来自同一非零区域的原则，将几何中心点oj(xj,yj)和数据链表L中的元素ai(xi,yi)进行配对，并求两者之间的距离Dij=，执行步骤7；如果几何中心点oj(xj,yj)未匹配，则以(xj,yj,cj=Cmax)为新增点，加入数据链表L，返回步骤5；

(7) 如果距离Dij>T4，其中T4代表采样周期内人体正常移动的经验阈值，则所述的处理器判断对应非零区域可能为人体信号，则设置Array[xj/K][yj/K]=Array[xj/K][yj/K]+1，更新数据链表的元素ai(xi,yi,ci)，即xi=xj，yi=yj，ci=Cmax；如果距离Dij≤T4，更新数据链表L的节点数据ai(xi,yi,ci)，xi=nxj+(1-n)xi, yi=nyj+(1-n)yi，其中n为权重系数，0<n<1，无法判断该区域设置是否为人体区域；返回步骤5；

(8) 数据链表L中所有元素ai的时间计数器ci自减一，即ci=ci-1；删除数据链表L中的所有ci为0的节点数据；搜索数据链表L中元素ai，如果Array[xi/K][yi/K]=100，则像素点(xi,yi)对应成像区域为人体目标；返回步骤2。

2.根据权利要求1所述的基于自学习的红外图像人体识别方法，其特征在于：在步骤5中，计算非零区域Sj的长宽比rj和几何中心点oj坐标(xj,yj)采用如下步骤：

(5-1) 搜索非零区域Sj中像素的x坐标的最大值xMAX和最小值xMIN，以及y坐标的最大值yMAX和最小值yMIN；

(5-2) 则rj=(yMAX-yMIN)/(xMAX-xMIN)；xj=(xMAX+xMIN)/2，yj=(yMAX+yMIN)2。

3.根据权利要求1所述的基于自学习的红外图像人体识别方法，其特征在于：在步骤6中，所述的匹对算法通过如下步骤实现：

(6-1) 将几何中心点oj(xj, yj)映射到二值图I0(x, y)中，位于非零区域Sj内，标记为I0(xj, yj)=2；

(6-2) 数据链表L中的元素ai(xi, yi)也映射到二值图I0(x, y)中，如果I0(xi, yi)等于1，则在该非零区域内搜寻数值为2的像素点，并建立匹配关系(i, j)；未形成匹配关系的几何中心点oj(xj,yj)为新增点。