随着我国进入老龄化社会的进程加快,老年人监护问题引起了广泛的关注,居家老人监护产品需求不断增长。智能人体行为监测技术可以及时监测居家老人意外事故的发生,对于老人的安全监护具有重要意义。鉴于传统的基于摄像头拍摄或者穿戴式传感器等行为状态监测技术存在着侵犯隐私或使用不方便等问题,本文设计了基于红外阵列传感器的人体行为监测系统。该系统通过检测环境中的温度分布和变化情况识别人体行为,不需要在老人身上佩戴任何设备,尺寸小易于安装,在黑暗环境中可正常工作,且由于采集到的是低分辨率信息,不会造成隐私泄露,对比传统方案具有明显优势。具体研究内容如下:首先,搭建了一个基于海曼HTPA32×32红外阵列传感器的热红外信息采集系统。针对传统视频或穿戴式设备等信息采集隐私暴露、黑暗环境无法工作及穿戴不便等问题,设计了红外信息采集系统,该系统由硬件采集平台和PC组成,两者之间通过WIFI通信方式传输,红外阵列传感器通过探测环境中温度分布实现每帧1024个像素温度数据的采集,使用Python进行数据处理和开发,生成实时热红外温度分布窗口,实现对红外图像的采集,并传输给树莓派存储,最后通过树莓派内置WIFI通信模块传输到PC端。其次,提出了一种基于K-最近邻算法的行为识别方法。根据该方法设计了基于K-最近邻算法的行为识别框架,通过低分辨率红外阵列传感器采集人体热辐射生成的温度数据矩阵,计算温度方差进行活动人体检测判断是否存在活动的人,在有活动的人的情况下提取出5种可以表达行为动作的敏感特征,使用K-最近邻算法实现了对人体行为活动的跌倒、行走和坐下的分类,其中行走识别率为100%,坐下识别率为92.5%,跌倒识别率为97.5%,行为识别平均准确率为95%,可以较好的监测日常行为和异常跌倒。最后,提出了一种基于卷积神经网络算法的身份识别方法。针对如何判别跌倒老人身份的问题,设计了基于卷积神经网络算法的身份识别框架,通过基于Keras深度学习框架搭建一个VGGNet卷积神经网络模型,将采集的人体步态热红外视频逐帧保存成红外图像,经预处理后训练与预测分类,实现了身份识别,且身份识别状况良好,准确率为96.7%。