基于振动信号的运动目标识别方法及装置与流程

本发明属于目标识别，具体涉及一种基于振动信号的运动目标识别方法及装置。

背景技术：

1、周界入侵检测通常被用于保护建筑物、围墙、栅栏、车库、停车场、工业区域等场所的安全，周界入侵检测作为安防系统的第一道防线，越来越受到重视。

2、传统采用摄像头或者红外的方法很容易被目标发现，从而失去安防的作用。将振动传感器埋于地下，通过对振动信号的提取和分析进行目标识别的方法具有隐蔽性好，探测范围大的优点。但是，目标的振动信号容易受到干扰，且通过振动信号对人、车辆和无目标状态进行分类识别难度很大，现有方法的识别准确度都不高。

技术实现思路

1、为此，本发明提供一种基于振动信号的运动目标识别方法及装置，解决传统技术中分类识别难度大，准确率低的问题。

2、为了实现上述目的，本发明提供如下技术方案：基于振动信号的运动目标识别方法，包括：

3、获取指定区域振动信号的整体时序数据，采用聚类分析算法对所述整体时序数据进行样本类别划分，统计每个样本类别的基准时序数据；

4、采用形状动态时间规整算法，分别计算当前采集时序数据与指定样本类别的基准时序数据之间的相似度值；

5、比较当前采集时序数据与指定样本类别的基准时序数据之间的相似度值大小，将当前采集的时序数据划分到相似度值最大的基准时序数据对应的样本类别。

6、作为基于振动信号的运动目标识别方法优选方案，采用聚类分析算法对所述整体时序数据划分的样本类别包括：行人经过、车辆经过、无目标经过。

7、作为基于振动信号的运动目标识别方法优选方案，采用聚类分析算法对所述整体时序数据进行样本类别划分，统计每个样本类别的基准时序数据的步骤包括：

8、随机选取三个样本作为初始基准时序数据a＝a1,a2,a3；

9、将每个样本数据序列xi分配到距离最近的基准时序数据，形成三个数据簇aj；

10、对于每个数据簇aj，计算被分到指定数据簇的所有数据样本点的平均值，并将平均值作为新的基准时序数据；

11、当各个数据簇的基准时序数据不再发生变化，迭代停止，聚类完成；

12、计算每个样本类别的方差，按照方差从小到大进行排序，依次是无目标经过类，行人经过类和车辆经过类。

13、作为基于振动信号的运动目标识别方法优选方案，采用的形状动态时间规整算法，将每个样本分配到距离最近的基准时序数据的计算公式为：

14、d＝|xi-aj|

15、式中，d为样本数据序列xi到基准数据序列aj的距离。

16、作为基于振动信号的运动目标识别方法优选方案，对于每个数据簇aj，计算被分到指定数据簇的所有数据样本点的平均值的公式为：

17、

18、式中，aj为基准数据序列，cj为数据簇aj中样本点数量,cj样为数据簇aj的样本集合，x为当前采集时序数据。

19、作为基于振动信号的运动目标识别方法优选方案，每个样本类别的方差计算公式为：

20、

21、式中，sj为每类基准数据序列aj的方差，kj为基准数据序列aj的数据个数，x为基准数据序列aj的平均值，xi为样本数据。

22、作为基于振动信号的运动目标识别方法优选方案，采用形状动态时间规整算法，分别计算当前采集时序数据x与指定样本类别的基准时序数据aj之间的距离d`，d`越小，则相似度越高。

23、本发明还提供一种基于振动信号的运动目标识别装置，包括：

24、时序数据采集模块，用于获取指定区域振动信号的整体时序数据；

25、样本类别划分模块，用于采用聚类分析算法对所述整体时序数据进行样本类别划分；

26、基准时序数据统计模块，用于统计每个样本类别的基准时序数据；

27、相似度计算模块，用于采用形状动态时间规整算法，分别计算当前采集时序数据与指定样本类别的基准时序数据之间的相似度值；

28、相似度比较模块，用于比较当前采集时序数据与指定样本类别的基准时序数据之间的相似度值大小；

29、采集数据识别模块，用于将当前采集的时序数据划分到相似度值最大的基准时序数据对应的样本类别。

30、作为基于振动信号的运动目标识别装置优选方案，所述样本类别划分模块中，采用聚类分析算法对所述整体时序数据划分的样本类别包括：行人经过、车辆经过、无目标经过。

31、作为基于振动信号的运动目标识别装置优选方案，所述样本类别划分模块中包括：

32、样本选取子模块，用于随机选取三个样本作为初始基准时序数据a＝a1,a2,a3；

33、数据簇生成子模块，用于将每个样本数据序列xi分配到距离最近的基准时序数据，形成三个数据簇aj；

34、所述基准时序数据统计模块中包括：

35、数据簇迭代子模块，用于对于每个数据簇aj，计算被分到指定数据簇的所有数据样本点的平均值，并将平均值作为新的基准时序数据；当各个数据簇的基准时序数据不再发生变化，迭代停止，聚类完成；

36、方差分析子模块，用于计算每个样本类别的方差，按照方差从小到大进行排序，依次是无目标经过类，行人经过类和车辆经过类。

37、本发明具有如下优点：通过获取指定区域振动信号的整体时序数据，采用聚类分析算法对所述整体时序数据进行样本类别划分，统计每个样本类别的基准时序数据；采用形状动态时间规整算法，分别计算当前采集时序数据与指定样本类别的基准时序数据之间的相似度值；比较当前采集时序数据与指定样本类别的基准时序数据之间的相似度值大小，将当前采集的时序数据划分到相似度值最大的基准时序数据对应的样本类别。本发明能够实现根据振动数据的自适应分类，无需人为进行数据样本的标注，根据聚类之后的方差排序来完成对数据分类标注；采用形状动态时间规整算法计算新采集数据和基准数据之间的相似度，识别准确度更高。

技术特征：

1.基于振动信号的运动目标识别方法，其特征在于，包括：

2.根据权利要求1所述的基于振动信号的运动目标识别方法，其特征在于，采用聚类分析算法对所述整体时序数据划分的样本类别包括：行人经过、车辆经过、无目标经过。

3.根据权利要求2所述的基于振动信号的运动目标识别方法，其特征在于，采用聚类分析算法对所述整体时序数据进行样本类别划分，统计每个样本类别的基准时序数据的步骤包括：

4.根据权利要求3所述的基于振动信号的运动目标识别方法，其特征在于，采用的形状动态时间规整算法，将每个样本分配到距离最近的基准时序数据的计算公式为：

5.根据权利要求4所述的基于振动信号的运动目标识别方法，其特征在于，对于每个数据簇aj，计算被分到指定数据簇的所有数据样本点的平均值的公式为：

6.根据权利要求4所述的基于振动信号的运动目标识别方法，其特征在于，每个样本类别的方差计算公式为：

7.根据权利要求5所述的基于振动信号的运动目标识别方法，其特征在于，采用形状动态时间规整算法，分别计算当前采集时序数据x与指定样本类别的基准时序数据aj之间的距离d`，d`越小，则相似度越高。

8.基于振动信号的运动目标识别装置，其特征在于，包括：

9.根据权利要求8所述的基于振动信号的运动目标识别装置，其特征在于，所述样本类别划分模块中，采用聚类分析算法对所述整体时序数据划分的样本类别包括：行人经过、车辆经过、无目标经过。

10.根据权利要求9所述的基于振动信号的运动目标识别装置，其特征在于，所述样本类别划分模块中包括：

技术总结
基于振动信号的运动目标识别方法及装置，通过获取指定区域振动信号的整体时序数据，采用聚类分析算法对所述整体时序数据进行样本类别划分，统计每个样本类别的基准时序数据；采用形状动态时间规整算法，分别计算当前采集时序数据与指定样本类别的基准时序数据之间的相似度值；比较当前采集时序数据与指定样本类别的基准时序数据之间的相似度值大小，将当前采集的时序数据划分到相似度值最大的基准时序数据对应的样本类别。本发明能够实现根据振动数据的自适应分类，无需人为进行数据样本的标注，根据聚类之后的方差排序来完成对数据分类标注；采用形状动态时间规整算法计算新采集数据和基准数据之间的相似度，识别准确度更高。

技术研发人员：墨耘硕
受保护的技术使用者：辽宁羽达科技服务有限公司
技术研发日：
技术公布日：2024/3/4