本發(fā)明涉及一種運動體識別方法，特別是一種基于壓電電纜振動信號的運動體識別方法。

背景技術(shù)：

目前安防入侵檢測產(chǎn)品主要為圖像識別與紅外檢測，但在在特定的領(lǐng)域，現(xiàn)有安防產(chǎn)品存在環(huán)境適應(yīng)性差、抗干擾性弱、可靠性低的局限。例如：野外輸油管道視頻監(jiān)控設(shè)備遭到暴力破壞或強電磁干擾等。

分布式光纖傳感系統(tǒng)因其獨特的優(yōu)勢而成為安防領(lǐng)域的研究熱點。分布式光纖傳感系統(tǒng)具備了光纖本身不受電磁干擾、靈敏度高、體積小、重量輕、可靠性高和耐腐蝕等諸多優(yōu)點，同時整個光纖長度上的任何一點都是敏感點，不存在監(jiān)控盲區(qū)，特別適用于對長距離、大范圍以及周界地形復(fù)雜的區(qū)域的全方位的實時監(jiān)控需求。

判斷外界有無入侵?jǐn)_動的算法主要從時域和頻域兩個角度出發(fā)。從頻域角度出發(fā)的算法在實現(xiàn)過程中計算量較大，程序運算時間長；而在時域內(nèi)對信號進(jìn)行處理分析更為方便和直接。傳統(tǒng)的基于時域判斷外界有無入侵?jǐn)_動的算法主要最大值判斷法、均值判斷法和超過閾值個數(shù)判斷法。這些方法在使用過程中極易受到隨機噪聲、外界輕擾和風(fēng)雨的影響，導(dǎo)致報警準(zhǔn)確率下降。

技術(shù)實現(xiàn)要素：

本發(fā)明設(shè)計開發(fā)了一種基于壓電電纜振動信號的運動體識別方法，能夠?qū)θ?、輪式車輛和履帶車輛的振動信號進(jìn)行識別，達(dá)到安防目的。

本發(fā)明的另一個發(fā)明目的，提供一種固定電纜的感應(yīng)墊。

本發(fā)明提供的技術(shù)方案為：

一種基于壓電電纜振動信號的運動體識別方法，包括以下步驟：

步驟1、采用壓電感應(yīng)系統(tǒng)對運動體的振動信號進(jìn)行采集；

步驟2、對采集到的振動信號進(jìn)行小波分析和特征提取；

步驟3、將提取到的特征信號與運動體特征參數(shù)進(jìn)行分析和匹配，實現(xiàn)入侵物體的識別。

優(yōu)選的是，所述步驟1中采用感應(yīng)墊對經(jīng)過其上的原始信號進(jìn)行采集。

優(yōu)選的是，所述步驟1中對振動信號的采集包括人的腳步信號、輪式車輛信號以及履帶式車輛信號。

優(yōu)選的是，所述步驟2包括：

小波包分析將信號分別從低頻、高頻進(jìn)行正交分解，它將頻帶進(jìn)行2^n-1(n為分解的層數(shù))分解，細(xì)化每個頻帶上的特征值，小波包分解后，各個頻段的信號時域分辨力降低，采用信號重構(gòu)方法進(jìn)行重構(gòu)，可提高其時域分辨力；

表示第j層小波包分解的第i個小波包，l表示低通濾波器，h表示高通濾波器，j為小波包分解層數(shù)，i＝1，2，3，......2^j

小波包重構(gòu)過程：

其中，j＝j(luò)-1，j-2，...，3，2，1，0；l^*，h^*分別為l，h的對偶算子，

采用db3小波基對數(shù)據(jù)進(jìn)行分解，在五層分解時，數(shù)據(jù)特征信號達(dá)到識別要求；進(jìn)行小波重構(gòu)：

由小波重構(gòu)算法：

得

提取特征信號最明顯的信號頻段，根據(jù)運動體特征與其產(chǎn)生的特征波形，確定小波包重構(gòu)信號的振動峰值與峰值時間間隔的特征關(guān)系：人每一次腳與所述感應(yīng)墊接觸產(chǎn)生一個峰值信號；自行車從感應(yīng)墊滾過，有間隔較小的連續(xù)峰值信號，而履帶車經(jīng)過感應(yīng)墊時，產(chǎn)生最為復(fù)雜振動，峰值數(shù)目遠(yuǎn)多于其他兩種運動體，且時間間隔短。

優(yōu)選的是，所述步驟3包括：通過觀察峰值點的時間間隔識別出人和車；通過峰值點的數(shù)目來識別輪式車輛和履帶車。

優(yōu)選的是，所述步驟3包括：設(shè)置時間間隔，當(dāng)人通過所述感應(yīng)墊時，采用局部峰值提取法，對腳步信號進(jìn)行峰值提取，局部的峰值滿足的條件為：峰值所在點的值大于周圍點的值；繼續(xù)細(xì)化局部峰值提取區(qū)間，局部峰值需滿足，大于前面點與后面點的值；局部峰值提取后，輸出圖像，根據(jù)人的步頻與峰值時間間隔進(jìn)行匹配分析，輸出識別結(jié)果為人。

優(yōu)選的是，當(dāng)車輛通過所述感應(yīng)墊時，通過設(shè)定峰值點數(shù)目的特定值來區(qū)分輪式車輛和履帶車輛。

一種感應(yīng)墊，其特征在于，包括：

電纜，其呈“l(fā)”型布線結(jié)構(gòu)；

下層墊，其設(shè)置在感應(yīng)墊的下部，所述電纜通過膠接的方式固定在所述下層墊上；

上層墊，其設(shè)置在所述感應(yīng)墊的上部，并覆蓋在所述電纜上部，能夠防止所述電纜收到外來振動干擾。

優(yōu)選的是，所述上層墊采用pvc海綿材質(zhì)，下層采用橡膠材質(zhì)。

本發(fā)明所述的有益效果：設(shè)計基于壓電電纜的運動體識別算法，利用小波包分析對運動體產(chǎn)生振動信號進(jìn)行處理，運用直接峰值提取法與局部峰值提取法對運動體特征波形的提取，最后進(jìn)行運動體特征參數(shù)匹配，達(dá)到了快速、準(zhǔn)確識別運動體的目的。

采用感應(yīng)墊對壓電電纜進(jìn)行固定，能夠減少地面的干擾振動對試驗數(shù)據(jù)產(chǎn)生影響。并且壓電電纜采用l型布線結(jié)構(gòu)，縱向電纜保證了運動體在通過感應(yīng)墊時，持續(xù)輸出壓電信號。橫向電纜對于區(qū)分輪式與履帶車輛特征波形具有重要作用?！發(fā)”型布線結(jié)構(gòu)在一定程度上增加感應(yīng)墊的橫向檢測面積。

附圖說明

圖1為本發(fā)明所述的基于壓電電纜振動信號的運動體識別方法的總體流程圖。

圖2為本發(fā)明所述的信號處理與提取分析框圖。

圖3為本發(fā)明所述的感應(yīng)墊的結(jié)構(gòu)示意圖。

圖4為低頻段1～4的五層小波包重構(gòu)圖像。

圖5為低頻段5～8的五層小波包重構(gòu)圖像。

圖6為直接峰的提取效果圖。

圖7為人通過感應(yīng)墊的原始信號。

圖8為人通過感應(yīng)墊第一次局部峰值提取法處理后的信號圖。

圖9為人通過的最終效果圖。

圖10為自行車通過感應(yīng)墊的原始信號圖

圖11為自行車通過最終效果圖

圖12為履帶車通過感應(yīng)墊的原始信號圖。

圖13為履帶車通過感應(yīng)墊的最終效果圖。

圖14為小波包分解的樹狀圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實施。

如圖1-14所示，本發(fā)明提供一種基于壓電電纜振動信號的運動體識別方法，包括如下步驟：

步驟100，通過壓電感應(yīng)系統(tǒng)對信號進(jìn)行采集，將壓電電纜作為信號接收傳感器，將壓電電纜以“l(fā)”型結(jié)構(gòu)布置在感應(yīng)墊中，感應(yīng)墊主要以填埋的方式布防于場所的周邊，當(dāng)入侵物體進(jìn)入監(jiān)控范圍內(nèi)，傳感器采集入侵物體產(chǎn)生的振動信號，并將其轉(zhuǎn)變?yōu)殡娦盘枴?/p>

步驟200，特征提取，包括：

步驟210，小波包分析將信號分別從低頻、高頻進(jìn)行正交分解，它將頻帶進(jìn)行2^n-1(n為分解的層數(shù))分解，細(xì)化每個頻帶上的特征值，小波包分解后，各個頻段的信號時域分辨力降低，采用信號重構(gòu)方法進(jìn)行重構(gòu)，可提高其時域分辨力；

表示第j層小波包分解的第i個小波包，l表示低通濾波器，h表示高通濾波器，j為小波包分解層數(shù)，i＝1，2，3，......2^j

小波包重構(gòu)過程：

其中，j＝j(luò)-1，j-2，...，3，2，1，0；l^*，h^*分別為l，h的對偶算子，

采用db3小波基對數(shù)據(jù)進(jìn)行分解，經(jīng)過分析觀察，五層分解時，數(shù)據(jù)特征信號達(dá)到識別要求，在matlab中，利用wpcoef函數(shù)計算小波包分解系數(shù)，分解樹如圖14。

數(shù)據(jù)原始信號頻率為640hz,則奈奎斯特頻率為320hz，分解的層數(shù)為6,共分為2^5個頻段，每個頻段的跨度為20hz，所以在(5,0)的頻段范圍為0～20hz，(5,1)為21h～40hz，…………特征信號明顯的頻段為(5,4)，頻率范圍為81hz～100hz。

步驟220，小波包分解后，各個頻段的信號時域分辨力降低，采用信號重構(gòu)方法，進(jìn)行重構(gòu)，如圖4、圖5所示，提高其時域分辨力；

由小波包重構(gòu)算法：

得

通過重構(gòu)算法將各個頻段信號恢復(fù)到原始信號長度。

在matlab中，利用小波包系數(shù)重構(gòu)函數(shù)wprcoef實現(xiàn)信號重構(gòu)。

步驟230，從小波包重構(gòu)信號圖取出特征信號最明顯的信號頻段，根據(jù)運動體特征與其產(chǎn)生的特征波形，研究小波包重構(gòu)信號的振動峰值與峰值時間間隔的特征關(guān)系；不同運動體在運動過程中有不同的運動形態(tài)，所以在通過壓電感應(yīng)墊是會產(chǎn)生不同的運動信號；具體包括如下步驟：

步驟1，制定實驗方案

1.采集人、自行車、履帶車通過感應(yīng)墊產(chǎn)生的信號。

2.通過步驟210，220處理數(shù)據(jù)并導(dǎo)出處理后數(shù)據(jù)的圖像，如圖4，圖5。

3.分析觀察，數(shù)據(jù)在經(jīng)過五層小波包分解后，各運動體的信號圖像。

數(shù)據(jù)經(jīng)過五層小波分解，特征信號已經(jīng)很明顯，且第五層第4段信號特征最強，故選擇其為特征提取的基礎(chǔ)信號。

步驟2，數(shù)據(jù)處理與特征分析

1.人通過具有步態(tài)特征，每一次腳與感應(yīng)墊接產(chǎn)生一個峰值，此時數(shù)據(jù)圖像中還有較多的雜波信號，繼續(xù)進(jìn)行局部峰值信號提取，達(dá)到一個峰值代表一次有效振動的最終效果，且峰值時間間隔與人的步頻信息對應(yīng)；

2.自行車從感應(yīng)墊滾過，有間隔較小的連續(xù)峰值信號；

3.履帶車經(jīng)過感應(yīng)墊時，產(chǎn)生最為復(fù)雜振動，峰值數(shù)目遠(yuǎn)多于其他兩種運動體，且時間間隔短。

步驟3經(jīng)計算分析得出結(jié)論

將對組數(shù)據(jù)進(jìn)行計算和分析發(fā)現(xiàn)，處理后數(shù)據(jù)的峰值、峰值對應(yīng)時刻跟運動體有明顯的對應(yīng)關(guān)系，可以作為識別人、自行車、履帶車的特征量。

步驟4，特征匹配與結(jié)論驗證

利用感應(yīng)墊收集不同運動體通過的信號，經(jīng)過處理后，將提取出的特征量與步驟3得出的結(jié)論進(jìn)行匹配。且識別結(jié)果準(zhǔn)確率達(dá)到90％，證明步驟3結(jié)論可行。

以人通過感應(yīng)墊為例，信號處理只選取y>0的數(shù)據(jù)。由圖4、5所示，數(shù)據(jù)的峰值信號較為明顯，故采用直接峰值提取法。在進(jìn)行峰值提取之前，設(shè)定閾值y，濾除隨機噪聲，以提高有效峰值識別準(zhǔn)確率。將符合條件的數(shù)據(jù)設(shè)為矩陣t，從t中提取信號波形的峰值，并輸出峰值數(shù)據(jù)圖像，如圖6。

步驟240，如圖7所示，由于此時主瓣信號過寬，存在較多的雜波峰值，對于人通過壓電感應(yīng)墊時，一步一個峰值理想波形還不夠接近，繼續(xù)采用局部峰值提取法，對信號進(jìn)行局部峰值提??；局部的峰值滿足的條件為：峰值所在點的值大于周圍點的值。繼續(xù)細(xì)化局部峰值提取區(qū)間，局部峰值需滿足，大于前面點與后面點的值。局部峰值提取后，輸出圖像，如圖8；

局部峰值提取算法如下：

從圖8中可以看出，隨著峰值的提取，有效峰值信號不斷加強，主瓣更加集中，中間干擾信號逐漸減少。為了慮除雜波信號，遍歷信號峰值，進(jìn)行局部峰值提取。

步驟250，此時，圖像有效信號峰值達(dá)到最大，每一步產(chǎn)生一個峰值，最終輸出圖像，峰值對應(yīng)時刻提取，如圖9所示。

步驟300，入侵物體的識別，人體通過感應(yīng)墊時具有步態(tài)特征。腳與感應(yīng)墊接觸，每一步產(chǎn)生一個峰值信號，信號突變點間隔時間與步頻相對應(yīng)。輪式車輛通過感應(yīng)墊時，車輪從感應(yīng)墊上滾過，此過程輪子始終與地面保持相切。當(dāng)自行車車輪從橫向布放電纜上壓過時，產(chǎn)生一個幅值較大突變信號。

履帶式車輛通過感應(yīng)墊時，每根履帶有一個面從橫向電纜通過，在履帶底面通過橫布壓電電纜的時間段內(nèi)，系統(tǒng)一直輸出幅值較大信號。當(dāng)履帶從橫布壓電電纜通過后，從感應(yīng)墊壓過時，信號幅值變小。

由于人每走一步對應(yīng)一個峰值，而車一直與地面接觸，峰值間隔時間短，因此通過設(shè)定峰值間隔時間來識別人和車；同時由于自行車輪子可以看做只有一個點與地面相切，因此輪式車輛的峰值點少于履帶車，因此通過設(shè)置特定峰值點的數(shù)目來區(qū)分輪式車輛和履帶車輛。

步驟310，腳步的識別，人每走一步對應(yīng)圖中一個峰值，腳與感應(yīng)墊接觸一次，而車輛通過感應(yīng)墊時，輪子、履帶一直與地面接觸；

步驟420，步數(shù)判斷，正常行走的步頻為每分鐘116—122步(時間間隔0.49s-0.51s)，根據(jù)人的步頻，與圖中峰值時間間隔進(jìn)行匹配，經(jīng)過計算分析，當(dāng)滿足0.45<tj>0.65(相對正常行走時間間隔稍作擴(kuò)大)，運動體識別為人通行一步。然后進(jìn)行步數(shù)匹配，設(shè)定特征量pz，當(dāng)時間tj滿足0.45<tj>0.65，

pz＝pz+1，

人以正常速度通過兩米長的感應(yīng)墊時，步數(shù)為3-6，所以當(dāng)3<pz<6，算法輸出識別結(jié)果：人。

車輛通過感應(yīng)墊時，輪子、履帶一直與地面接觸，所以峰值時間間隔較小，即tj<0.45，故pz值不在區(qū)間3-6，此時算法識別結(jié)果為車。繼續(xù)對履帶車與自行車進(jìn)行區(qū)分，履帶車經(jīng)過橫布電纜時，在履帶下端面從橫布電纜壓過，這段時間圖像信號幅值較高，通過橫布電纜后，圖像幅值相對降低；另外履帶在行進(jìn)過程中產(chǎn)生的振動信號加多，故其在最終信號圖像中具有較多的峰值點，設(shè)特征量pv，表示峰值的數(shù)目，經(jīng)過試驗驗證表明，當(dāng)pv>100，算法輸出識別結(jié)果：履帶車。履帶車通過感應(yīng)墊最終效果見圖13。

自行車輪子可以看做只有一個點與地面相切，通過瞬間信號產(chǎn)生突變，而后信號恢復(fù)平穩(wěn)，特征值pv<100。算法輸出識別結(jié)果：自行車。

步驟400，如圖9、11、13所示，識別結(jié)果輸出。

試驗結(jié)果表明，本算法利用小波包分析對運動體產(chǎn)生振動信號進(jìn)行處理，運用直接峰值提取法與局部峰值提取法對運動體特征波形的提取，最后進(jìn)行運動體特征參數(shù)匹配，達(dá)到了快速、準(zhǔn)確識別運動體的目的。

本發(fā)明還提供一種感應(yīng)墊，如圖3所示，包括上層墊110、下層墊120以及電纜130，其中電纜采用壓電電纜。

下層墊120設(shè)置在感應(yīng)墊的下部，是電纜固定承載的主體，上層墊110設(shè)置在感應(yīng)墊的上部，覆蓋在電纜130上，電纜通過膠接的方式固定在下層墊上120。

感應(yīng)墊的主要作用是為固定壓電電纜，增大壓電電纜的感應(yīng)面積，能夠減少地面的干擾振動對試驗數(shù)據(jù)產(chǎn)生影響。

作為一種優(yōu)選，下層墊120采用橡膠材質(zhì)，能夠防止電纜隨運動體產(chǎn)生過大擺動，而產(chǎn)生干擾信號，帶來較大的誤差。

作為一種優(yōu)選，上層墊110采用pvc海綿材質(zhì)，覆蓋在壓電電纜上，由于壓電電纜靈敏度較高，容易受到地面的外來振動干擾，所以海綿阻墊起阻隔地面的作用；同時，海綿阻墊具有彈性，在運動體通過時，使傳感器與地面有一段的緩沖距離，具有保護(hù)壓電電纜的作用。

盡管本發(fā)明的實施方案已公開如上，但其并不僅僅限于說明書和實施方式中所列運用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。