研究目的
提供一种使用热电堆红外传感器进行单组件活动识别的不显眼且准确的方法,同时解决可见光谱相机带来的隐私问题。
研究成果
该研究成功证明,热电堆红外传感器在保护隐私的同时,能以91.47%的高准确率实现单组分动作识别。双传感器数据融合提升了系统鲁棒性与动作区分度。未来工作需解决数据集不平衡问题,纳入多组分动作的时间追踪,并探索更多传感器融合方案。
研究不足
该数据集在某些类别标签上存在不平衡问题,尤其是Rside动作因侧传感器可能产生遮挡而导致识别效果较差。近距离检测精度有限,且当前系统仅能处理单一组件活动,而非完整的日常生活活动。该方法可能需要针对不同环境温度进行优化,并需要更均衡的训练数据。
1:实验设计与方法选择:
研究采用两个32×31热电堆红外传感器,分别布置于智能厨房的天花板和侧面以捕捉热成像帧。方法包括从SensorCentral中间件获取热成像帧,通过大津法自动阈值进行图像二值化处理,从每个传感器的二进制大对象(BLOB)提取14个特征,将这些特征组合成28维向量,并运用机器学习模型(随机森林、支持向量机、决策树)进行动作预测。活动推断结合预测动作与已知物体(冰箱、咖啡柜、餐桌)的接近程度。
2:样本选择与数据来源:
数据采集由单人以非固定顺序各执行五次四类单一动作(开关冰箱、使用冰箱、使用咖啡柜、坐在餐桌),共获取586对帧(1172帧热成像)。
3:实验设备与材料清单:
两个32×31热电堆红外传感器、SensorCentral传感器数据平台、配备已知物体位置(冰箱、咖啡柜、餐桌)的智能厨房环境。
4:实验流程与操作步骤:
以JSON格式从SensorCentral获取帧数据,调整为256×256尺寸后进行二值化并识别BLOB。从BLOB形状和像素值提取特征,组合为特征向量并人工标注真实标签。机器学习模型使用3538个特征向量训练,在实验数据上测试。通过质心距离与预定义接近点计算物体接近程度。
5:数据分析方法:
性能评估采用10折交叉验证训练数据,并与实验数据的真实标签对比。指标包括准确率、F值、假阳性率、假阴性率、精确率、灵敏度、特异度及混淆矩阵。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容