Pyroelectric infrared (PIR) sensor based event detection

Piroelektrik Kızılötesi (PİK) algılayıcılar, ucuz, kolay kullanımlı ve kolay bulunabilir olduklarından dolayı, iç ve dış mekan uygulamalarında çoğunlukla kullanılmaktadır. PIR sensörler, gördükleri alanda hareket eden ve kızılötesi yayın yapan nesnelere tepki verir. Mevcut algılayıcılar, hareket eden sıcak bir nesne gördüklerinde mantıksal bir, hiç bir şey görmediklerinde ise mantıksal sıfır verirler. Bu yöntemle, sadece hareket eden nesneler tespit edilir ve hata oranı yüksektir.Yeni nesil PİK algılayıcılar daha karmaşık ve daha yeteneklidir. Bilinen diğerlerine göre daha düşük bir hata oranına sahiptirler. İnsanlarla hayvanları birbirinden ayırabilmesine rağmen, basit bir kıyaslayıcı devresinin kullanılması nedeniyle, sadece hareket eden sıcak nesneleri algılamak için kullanılır. Bu yapı değiştirilemez, geliştirmek için esnek değildir ve algoritmaları uyumlamak için elverişli değildir.Bu çalışmada, bu algılayıcıların kullanımı için yeni bir yaklaşım gerçekleştirilmiştir. Mevcut PİK algılayıcıların çıkışlarını doğrudan kullanmak yerine, piyasada bulunan PİK algılayıcılar uyarlanarak kullanılmıştır. Bu yapı sayesinde, PİK algılayıcıların örneksel çıkışları örneklenmiştir. Ayrıca, bu örneklere herhangi bir algoritma uygulanabilir. Bu yöntemle, insan, hayvan ve alev tespiti yapılabilmektedir. Yön bulma, yaklaşık mesafe bulma algoritmaları geliştirilebilmektedir. Ayrıca, algılayıcı dizisi kullanılarak hareket eden hedefin iz tespiti yapılabilir.Bu çalışmada, PİK algılayıcıların örneklenmiş çıkışları kullanılarak, nesne ve olay ayrımı üzerine yoğunlaşılmıştır. Hayvan, insan ve alev tespiti, karşılıklı olarak araştırılmıştır. Farklı insan hareketleri modellenmiştir ve sınıflandırılmıştır. Hesaplama maliyetini az tutmak için, Hızlı Fourier Dönüşümü (HFD) yöntemleri kullanılmamıştır. Onun yerine, farklı nesneleri tanımlamak için bir rastlantısal yöntem, Saklı Markov Modeli (SMM), kullanılmıştır ve farklı olayları tanımlamak için Koşullu Gauss Karışım Modelleri (KGKM) kullanılmıştır. Örneklenen veri, nitelik çıkartma için dalgacık dönüşümüne sürülür ve sonra analiz için SMM'ye verilir. Her bir SMM'de üretilen olasılıklardan yüksek olanına göre karar verilir. Farklı senaryolar içeren deneysel testler, önerilen SMM yönteminin güvenilirliğini göstermektedir.