数字通信信号调制自动识别研究

数字通信信号调制自动识别研究数字通信信号调制自动识别研究数字通信信号调制自动识别研究数字通信信号调制自动识别研究 张志民张志民张志民张志民，，，，欧建平欧建平欧建平欧建平，，，，皇甫堪皇甫堪皇甫堪皇甫堪 (国防科学技术大学电子科学与 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 学院，长沙 410073) 摘摘摘摘 要要要要：：：：为自动识别 MASK、MFSK、MPSK和 MQAM 信号的调制类型，提出一种瞬时幅度提取算法。该算法不需要对信号进行 Hilbert 变换和实现码元同步。在此基础上，提出 7个特征参数和基于判决理论的调制自动识别算法。仿真结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明，当信噪比≥8 dB时，识别算 法的平均识别成功率≥97%，证明提出的瞬时幅度提取算法和调制自动识别算法均有效，可用于实际信号的在线分析。 关键词关键词关键词关键词：：：：数字通信信号；调制自动识别；瞬时幅度；特征参数；信噪比 Research on Automatic Modulation Recognition of Digital Communication Signal ZHANG Zhi-min, OU Jian-ping, HUANGFU Kan (College of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China) 【【【【Abstract】】】】In this paper, a new algorithm for extracting the instantaneous amplitudes of the intercepted signals is proposed in order to automatically recognize the modulation types of MASK, MFSK, MPSK and MQAM signals. This algorithm has no need of Hilbert transformation or symbol synchronization. On the basis of this, seven feature parameters and a modulation recognition algorithm of the aforementioned four types of signals are derived. Simulations result shows that the average modulation recognition success rate is≥97% at Signal-to-Noise Ratio(SNR)≥8 dB. It proves that the new algorithms for both the instantaneous amplitude extracting and the modulation recognition are efficient and can be used in practical online analysis. 【【【【Key words】】】】digital communication signal; automatic modulation recognition; instantaneous amplitude; feature parameters; Signal-to-Noise Ratio(SNR) DOI: 10.3969/j.issn.1000-3428.2011.06.053 计 算 机 工 程 Computer Engineering 第 37卷 第 6期 Vol.37 No.6 2011年 3月 March 2011 ····人工智能及识别技术人工智能及识别技术人工智能及识别技术人工智能及识别技术···· 文章编号文章编号文章编号文章编号：：：：1000————3428(2011)06————0153————04 文献标识码文献标识码文献标识码文献标识码：：：：A 中图分类号中图分类号中图分类号中图分类号：：：：TN911.72 1 概述概述概述概述 调制识别是非协作通信理论的一个分支，主要用于干扰 识别、电子监听和电磁管理等方面，是软件无线电和认知无 线电的重要组成部分[1]，也是近年来的研究热点之一。 目前，数字通信信号调制方式的自动识别算法大致可分 为判决理论和统计模式识别 2 种。在这些算法中所用到的特 征参数，一般都基于截获信号的瞬时幅度、瞬时相位和瞬时 频率。文献[2]给出了计算瞬时幅度、瞬时相位和瞬时频率的 常规方法。但在这些方法中均需要对接收信号进行 Hilbert 变 换以得到信号的瞬时幅度，这将使信号处理的工作量大为增 加，给信号的实时在线分析带来不利的影响，在数据量较大 时尤为如此。 本文提出一种新的瞬时幅度提取算法，并在此基础上提 出 7 个特征参数和一种自动识别 MASK(ASK2、ASK4)、 MFSK(FSK2、FSK4)、MPSK(PSK2、PSK4)、MQAM(QAM16、 QAM64)数字通信信号调制方式的算法。仿真结果证明，本 文提出的瞬时幅度提取、调制自动识别算法是有效的，弥补 了同类方法中存在的不足。 2 信号模型信号模型信号模型信号模型 对于实际接收的 MASK、MFSK、MPSK、MQAM 信号， 它们的时域表达式 ( )x t 都可统一写为： ( )( ) ( )cos 2π ( ) ( ) ( ) 2π ( ) ( ) cx t A t f t t w t t f t t t α α φ = + + = + (1) 其中，t 表示时间； ( )A t 是信号的瞬时幅度或包络， ( ) 0A t > ； cf 是载波频率； ( )f t 、 ( )tφ 在本文中分别称为瞬时频率、瞬 时相位； ( )w t 是高斯白噪声。在一般情况下， ( )A t 、 ( )f t 、 ( )tφ 都随时间而变化。 为便于 说明 关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书 问题，在下面的公式推导过程中，均不考虑 式(1)中噪声项 ( )w t 的影响。另外，在变量符号上面加一个小 圆点表示该变量的时域微分，例如 ( )A t& 、 ( )tα& 分别表示 ( )A t 、 ( )tα 对时间 t 的微分。 设 ˆ( )x t 表示信号 ( )x t 经 Hilbert变换后的结果，易知： 2 2 2ˆ( ) ( ) ( )A t x t x t= + (2) 式(2)表示的就是文献[2-3]所给出的提取瞬时幅度 ( )A t 的方法。 如果以速率 sF 对模拟信号 ( )x t 采样，则得到离散序列 [ ]x n ： ( )[ ] [ ]cos 2 2π [ ] [ ]cx n A n f nT f n nT nφ= π + + (3) 其中， n为采样后的样本序号， 0, 1, , 1n N= −L ， N 是样本 总数； [ ] ( )x n x nT= ； [ ] ( )A n A nT= ； [ ] ( )f n f nT= ； [ ] ( )n nTφ φ= ， 记 [ ] ( )n nTα α= 。在上述各式中， T 为采样周期， 1/ sT F= 。 3 瞬时幅度提取算法瞬时幅度提取算法瞬时幅度提取算法瞬时幅度提取算法 本文提出一种不利用 Hilbert 变换而获取信号 [ ]x n 的瞬 作者简介作者简介作者简介作者简介：：：：张志民(1971－)，男，博士研究生，主研方向：数字信号 处理，人工智能与专家系统；欧建平，副教授；皇甫堪，教授、 博士生导师 收稿日期收稿日期收稿日期收稿日期：：：：2010-10-20 E-mail：：：：zzm_Fletcher@163.com 154 计 算 机 工 程 2011年 3月 20日 时幅度 [ ]A n 的算法。首先从样本序列 [ ]x n 出发，定义序列 [ ]Q n ： 2[ ] [ ] [ 2] [ 1]Q n x n x n x n= − − − (4) 然后从 [ ]Q n 导出序列 [ ]q n ： [ ] [ ]q n Q n= (5) 则 [ ]q n 是瞬时幅度 [ ]A n 的良好近似。为说明这一点，设 mf 是 与信号 ( )x t 对应的基带信号的带宽，分 2种情况讨论： (1)对 ASK2、ASK4、PSK2、PSK4、QAM16、QAM64 这 6 种信号，当 s mF f? 时，有[4]： ( ( )) 2 2 2 2 [ ] [ 1]sin (2π ) [ 1] cos(4π ) cos 4π ( 1) 2 [ 1] 2 c c c Q n A n f T A n T f T f T n nα ≈ − + − + − + − ≈ & 2 2[ 1]sin (2π )cA n f T− (6) 进一步，如果 sF 、 cf 满足： 4s cF f= (7) 则式(6)成为： 2[ ] [ 1]Q n A n −; (8) 即 [ ]Q n 是瞬时幅度 [ ]A n 平方的良好近似。 (2)对于 FSK2、FSK4 这 2 种信号来说，当 s mF f? 时，有： ( 2[ ] [ ] 1 cos(4π )cos(2 [ 1]) 2 c A n Q n f T T nα≈ − − +& )2 [ 1]sin(4π )cT n f Tα −& (9) 在满足式(7)的条件下，式(9)变为： ( )( ) 2 2 2[ ][ ] 1 cos 2 [ 1] [ ]cos ( [ 1]) 2 A n Q n T n A n T nα α+ − = −& &; ( 1 0) 在一个码元持续时间内， [ ]f n 等于一个常量 fK ，而 [ ]nφ 是常量 0，因此， 2π fKα =& 。通常情况下 2π 1fK T = ，所以， cos( [ 1]) 1T nα − ≈& ，于是： 2[ ] [ ]Q n A n; (11) 即 [ ]Q n 是瞬时幅度 [ ]A n 平方的良好近似。 通过对以上 2 种情况的分析可知，式(5)定义的 [ ]q n 是对 信号 [ ]x n 的瞬时幅度 [ ]A n 的良好近似。显然在计算 [ ]q n 的过 程中并未涉及 Hilbert 变换，这使得信号处理的运算量大为减 少[5]，鲁棒性增强，为信号的实时在线分析提供了可能。 4 特征参数特征参数特征参数特征参数 设 [ ]A i 、 [ ]iφ 、 [ ]f i 分别为第 i时刻接收信号的瞬时幅度、 相位和频率。定义 [ ]A i 的平均值 am 及归一化瞬时幅度 [ ]nA i 如下： 1 1 [ ] [ ], [ ] N a n i a A i m A i A i N m= = =∑ (12) 在下面提出的特征参数中，有些参数是在瞬时相位 [ ]iφ 的基础上计算得到的，但因为 [ ]iφ 的计算对噪声很敏感 [6]， 所以需要引入一个描述信号强弱的门限 ta ，使当 [ ]n tA i a> 时， 表示样本 [ ]x i 位于接收信号的非弱部分，否则表示 [ ]x i 位于接 收信号的弱小部分或噪声较强的部分。以下将接收信号中 [ ]n tA i a> 的非弱部分称为接收信号的“非弱信号段”，所有与 [ ]iφ 有关的计算均应在信号的非弱信号段上进行。 在 [ ]A i 、 am 、 [ ]nA i 、 ta 、 [ ]iφ 和 [ ]f i 的基础上，本文提 出 7 个特征参数[7]，各参数定义符前的 abs 表示绝对值。另 外，将随机变量 ξ 减去其平均值的处理过程称为对 ξ 进行“零 中心”处理。 (1) absEnv参数 该定义为归一化、零中心瞬时幅度 [ ]cnA i 的一阶绝对原 点矩： 1 1 [ ] N cn i absEnv A i N = = ∑ (13) 其中， [ ] [ ] 1cn nA i A i= − (14) 该参数反映了接收信号包络的变化情况： absEnv越大， 说明包络变化幅度越大，反之则越小。利用 absEnv可将包络 显著变化的信号集(ASK2、ASK4、QAM16、QAM64)和不显 著变化的信号集(PSK2、PSK4、FSK2、FSK4)区分开。 (2) absPhase 参数 该参数定义为非弱信号段上零中心瞬时相位 cφ 的一阶 绝对原点矩： [ ] 1 1 [ ] 1 [ ] [ ] [ ] n t c A i a N c j absPhase i C i i j N φ φ φ φ > = = ∑ = − ∑ (15) 其中， C 是非弱信号段中的样本总数。 该参数描述了非弱信号段上瞬时相位的变化状态： absPhase 越大，说明 [ ]iφ 变化幅度越大，反之则越小。利用 absPhase 可将瞬时相位变化显著的信号集(QAM16、QAM64) 和不显著的信号集(ASK2、ASK4)区分开。 (3) rEnv 参数 该参数定义为瞬时幅度 [ ]A i 的一阶绝对中心矩与其均值 之比： 1 1 [ ] N a a i rEnv A i m m N = = −∑ (16) 该参数描述了接收信号包络的起伏情况： rEnv越大，说 明包络起伏越明显，反之越不明显。利用 rEnv可将包络起伏 较大的信号(QAM64)和起伏较小的信号(QAM16)区分开。 (4) 2absEnv 参数 该参数定义为归一化、零中心瞬时幅度 [ ]cnA i 的绝对值的 一阶绝对中心矩： 1 1 1 2 [ ] [ ] [ ] 1 [ ] N cn b i cn cn N b cn i rEnv B i m N B i A i m B i N = = = −∑ = = ∑ (17) 其中， [ ]cnA i 的定义见式(14)。 在无噪声情况下，对于 ASK2 信号，由于其归一化瞬时 幅度 [ ]nA i 只包含 2 个离散值，经零中心、取绝对值处理后， 其 [ ]cnB i 为常数，因此其 2absEnv 为 0。而另一方面，ASK4 信号的瞬时幅度 [ ]nA i 包含 4 个离散值，经零中心、取绝对值 处理后，其 [ ]cnB i 将含有 2 个离散值，因此，其 2absEnv 不为 0。因此，利用 2absEnv ，可将瞬时幅度 [ ]nA i 包含，2个离散 值的二元幅度信号(ASK2)与 [ ]nA i 包含 4 个离散值的四元幅 度信号(ASK4)区分开。 (5) absFreq参数 该参数定义为非弱信号段上零中心、归一化瞬时频率的 一阶绝对原点矩： [ ] [ ] [ ]1 1 [ ] n t n t a A i a a A i a f i f absFreq C Fsym f f i C > > − = ∑ = ∑ (18) 第 37卷 第 6期 155 张志民，欧建平，皇甫堪：数字通信信号调制方式自动识别研究 其中，Fsym是符号速率。注意该式中瞬时频率 的归一化是对 Fsym进行的。 在无噪声情况下，对于 FSK2、FSK4 信号 来说，因为其瞬时频率 [ ]f i 分别包含 2 个或 4 个离散值，所以经零中心、归一化、取绝对 值处理后，其 absFreq不为 0。另一方面，对 于 PSK2、PSK4 信号来说，由于其瞬时频率恒 为零，因此其 absFreq也为 0。因此，利用此 特征参数，可将 absFreq不为 0 的信号(FSK2、 FSK4)和 absFreq为 0 的信号(PSK2、PSK4)区 分开。 (6) 2absFreq 参数 该参数定义为非弱信号段上零中心、归一 化瞬时频率绝对值的一阶绝对中心矩： 2 2 [ ] [ ] 2 1 1 2 [ ] [ ] [ ] [ ] n t n tA i a A j a a absFreq f i f j C C f i f f i Fsym > > = −∑ ∑ − = (19) 其中， af 的定义见式(18)。 在无噪声情况下，对于 FSK2 信号，由于其瞬时频率 [ ]f i 只包含 2 个离散值，因此经零中心、归一化、取绝对值处理 后是常数，即 2[ ]f i 是常数，其 2absFreq 等于 0。另一方面， FSK4 信号的瞬时频率包含 4个离散值，经零中心、归一化、 取绝对值处理后，其 2[ ]f i 将包含 2个离散值，即其 2absFreq 不为 0。因此，利用此特征参数，可将 2absFreq 为零的二元 频率信号(FSK2)同 2absFreq 不为 0的四元频率信号(FSK4)区 分开。 (7) 2absPhase 参数 该参数定义为非弱信号段上零中心瞬时相位绝对值的一 阶绝对中心矩： 2 2 [ ] [ ] 2 1 1 2 [ ] [ ] [ ] [ ] n t n tA i a A j a c absPhase i j C C i i φ φ φ φ > > = −∑ ∑ = (20) 其中， [ ]c iφ 见式(15)。 在无噪声情况下，对于 PSK2 信号，由于其瞬时相位 [ ]iφ 只包含 2 个离散值，因此在零中心、取绝对值处理后是常数， 即 2[ ]iφ 是常数，其 2absPhase 等于 0。另一方面，由于 PSK4 信号的瞬时相位 [ ]iφ 包含 4 个离散值，因此经零中心、取 绝对值处理后，其 2[ ]iφ 将包含 2 个离散值，其 2absPhase 不 为 0。因此，利用此特征参数，可将 2absPhase 为 0 的二元相 位信号(PSK2)和 2absPhase 不为，0 的四元相位信号(PSK4) 区分开。 上文介绍了 7 个特征参数，在实际应用中，对其中的 absEnv、 rEnv 和 2absEnv 参数，可利用本文提出的瞬时幅 度提取算法得到，而其余 4 个参数则可利用文献[2]提出的方 法获得。 5 调制自动识别算法调制自动识别算法调制自动识别算法调制自动识别算法 根据上文对瞬时幅度和特征参数的讨论，基于判决理论， 本文提出一种数字通信信号调制自动识别算法，实现 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 如 图 1所示。其中，T1~T7分别表示特征参数 absEnv、absPhase 、 rEnv 、 2absEnv 、 absFreq、 2absFreq 、 2absPhase 的门限。 在图 1 中的每个判决节点上，都根据特征参数与对应门限的 大小比较结果，将原来的信号集一分为二。 图图图图 1 数字通信信号调制自动识别算法数字通信信号调制自动识别算法数字通信信号调制自动识别算法数字通信信号调制自动识别算法的的的的实现流程实现流程实现流程实现流程 6 仿真及结果分析仿真及结果分析仿真及结果分析仿真及结果分析 6.1 瞬时幅度提取算法仿真瞬时幅度提取算法仿真瞬时幅度提取算法仿真瞬时幅度提取算法仿真 本文通过仿真实验，对前面提出的瞬时幅度提取算法进 行性能评估。实验主要条件为：采样频率 400 kHz，载波频 率 100 kHz，符号速率 10 kHz，每符号对应的样本数 40，仿 真符号数 10 000 个。实验中分别采用 Hilbert 变换法和本文 提出的方法计算 8 种仿真数字信号的瞬时幅度。 因篇幅所限，本文只给出 QAM16、FSK4 这 2 种信号的 实验结果，分别如图 2、图 3所示。可以看出，2 种方法所得 结果是一致的。显然，与 Hilbert 变换法相比较，本文提出的 方法运算量减少，因而鲁棒性增强，说明它是有效的。 图图图图 2 2种瞬时幅度提取方法比较种瞬时幅度提取方法比较种瞬时幅度提取方法比较种瞬时幅度提取方法比较(QAM16) 图图图图 3 2种瞬时幅度提取方法比较种瞬时幅度提取方法比较种瞬时幅度提取方法比较种瞬时幅度提取方法比较(FSK4) 6.2 特征参数门限确定特征参数门限确定特征参数门限确定特征参数门限确定 为对本文提出的调制自动识别算法的性能进行评估，需 事先通过计算机仿真确定 7 个特征参数的门限。 ASK2、FSK2、PSK2、QAM16 ASK4、FSK4、PSK4、QAM64 absEnv＞T1？ absFreq＞T5？ rEnv＞T3？ QAM64 QAM16 ASK4 ASK2 FSK4 FSK2 PSK4 PSK2 Y Y Y Y Y Y N N NN N N N Y absFreq2＞T6？absEnv2＞T4？ absPhase＞T2？ absPhase2＞T7？ 156 计 算 机 工 程 2011年 3月 20日 在仿真中，基带信号波形采用矩形脉冲，信噪比变化范 围为-15 dB～40 dB，以 0.1 dB 为步长改变， ta 取 1。其他条 件同上。实验结果如下：特征参数 absEnv、absPhase 、rEnv 、 2absEnv 、 absFreq 、 2absFreq 、 2absPhase 的门限分别为 T1=0.298， T2=1.347， T3=0.331， T4=0.242， T5=0.798， T6=0.805，T7=0.746。 6.3 性能分析性能分析性能分析性能分析 在已确定 7 个门限的基础上，对调制识别算法的性能进 行评估，并与其他算法进行性能比较。仿真条件与 6.2 节相 同。对每一种调制类型、在每一信噪比下都进行 500次实验， 取实验结果的平均值作为该信噪比下的平均识别率。 表 1给出信噪比为 8 dB 时，8种数字信号的平均识别率。 可见，除 QAM16 识别率较低(81.65%)外，其他信号的平均 识别率都是 100%。 表 2 给出信噪比为 15 dB 时的实验结果，QAM16 的平均 识别率已上升到 98.05%，其他信号的平均识别率仍是 100%。 可见随着信噪比的增大，识别算法的平均识别率也增大。 文献[6]提出了识别 ASK2、ASK4、FSK2、FSK4、PSK2、 PSK4 这 6 种数字通信信号调制方式的算法，作者称在信噪比 为 10 dB 时，平均识别率≥90%。通过比较可知，无论在待 识别信号类型的数量、最低信噪比要求或平均识别率，本文 算法都明显优于文献[6]的算法，这表明本文提出的识别算法 是有效的。 表表表表 1 识别算法的平均识别率识别算法的平均识别率识别算法的平均识别率识别算法的平均识别率(信噪比为信噪比为信噪比为信噪比为 8 dB) 调制方式 平均识别率 /(%) ASK2 100 ASK4 100 FSK2 100 FSK4 100 PSK2 100 PSK4 100 QAM16 81.65(识别为 QAM16) 8.35(识别为 QAM64) QAM64 100 表表表表 2 识别算法的平均识别率识别算法的平均识别率识别算法的平均识别率识别算法的平均识别率(信噪比为信噪比为信噪比为信噪比为 15 dB) 调制方式 平均识别率 /(%) ASK2 100 ASK4 100 FSK2 100 FSK4 100 PSK2 100 PSK4 100 QAM16 98.05(识别为 QAM16) 1.95(识别为 QAM64) QAM64 100 7 结束语结束语结束语结束语 本文提出一种调制方式自动识别算法。仿真结果表明该 算法可用于实际信号的在线分析。在下一步的工作中，将在 非高斯信道环境下，针对更复杂的数字调制类型，对算法性 能进行研究。 参考文献参考文献参考文献参考文献 [1] 张志民, 欧建平, 皇甫堪. 软件无线电台实时数据采集软件设 计[J]. 计算机工程, 2010, 36(7): 33-35. [2] Azzouz E E, Nandi A K. Automatic Modulation Recognition—— I[J]. Journal of the Franklin Institute, 1997, 334B(2): 241-273. [3] Azzouz E E, Nandi A. K. Automatic Modulation Recognition—— II[J]. Journal of the Franklin Institute, 1997, 334B(2): 275-305. [4] Druckmann I, Plotkin E I, Swamy M N S. Automatic Modulation Type Recognition[C]//Proc. of IEEE Canadian Conference on Electrical and Computer Engineering. Waterloo, Canada: IEEE Press, 1998. [5] 皇甫堪, 陈建文, 楼生强. 现代数字信号处理[M]. 北京: 电子 工业出版社, 2003. [6] Azzouz E E, Nandi A K. Automatic Identification of Digital Modulation Types[J]. Signal Processing, 1995, 47(1): 55-69. [7] 吴 翊, 李永乐, 胡庆军. 应用数理统计[M]. 长沙: 国防科学 技术大学出版社, 2005. 编辑 金胡考 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ (上接第 152页) 抗噪性也较差，在第 1 幅图像中目标与背景对比不明显时， 得到的阈值明显偏高，分割不出目标；算法 3 在部分背景与 目标均较亮时，存在背景粘连现象(第 2 幅、第 4 幅、第 5 幅 图像）；算法 4 中的 k取得过高，在目标与背景对比不明显时， 使目标完全丢失(第 1 幅，第 4幅~第 6幅图像)。 综合看来，本文算法的鲁棒性较好，分割结果清晰且完 整，减少了图像中非目标区域的数目，降低了后续图像分析 的复杂度和工作量。在代码未优化的情况下，使用本算法处 理 1 幅图像的平均时间约为 22 ms，能满足实时性的要求。 5 结束语结束语结束语结束语 本文根据红外图像直方图的分布特点，对直方图进行多 聚类分析，提出一种改进的 K 均值聚类中心分析法，实现了 对红外图像中人体目标的自适应分割。该方法计算代价较小， 具有一定的实时性，同时也表现出较好的抗噪性和鲁棒性。 参考文献参考文献参考文献参考文献 [1] 王春华, 马国超, 马 苗. 基于目标提取的红外与可见光图像 融合算法[J]. 计算机工程, 2010, 36(2): 197-200. [2] O’Malley R, Glavin M, Jones E. A Review of Automotive Infrared Pedestrian Detection Techniques[C]//Proc. of Signals and Systems Conference. Galway, Irish: [s. n.], 2008. [3] 云廷进, 郭永彩, 高 潮. K-均值聚类中心分析法实现红外人 体目标分割[J]. 光电工程, 2008, 35(3): 140-144. [4] Xu Fengliang, Liu Xia, Fujimura K. Pedestrian Detection and Tracking with Night Vision[J]. IEEE Transactions on Intelligent Transportation Systems, 2005, 6(1): 63-71. [5] O’Malley R, Glavin M, Jones E. An Efficient Region of Interest Generation Technique for Far-Infrared Pedestrian Detection[C]// Proc. of International Conference on Consumer Electronics. Las Vegas, USA: [s. n.], 2008. [6] 李建福, 龚卫国, 杨金妃, 等. 基于复合分类特征的红外图像 人体实时检测[J]. 光电工程, 2009, 36(2): 55-61. [7] 梁英宏. 红外视频图像中的人体目标检测方法[J]. 红外与激光 工程, 2009, 38(5): 931-935. 编辑 金胡考