一种行为危险度评估方法及家庭安防看护系统技术方案

本发明专利技术公开了一种行为危险度评估方法及家庭安防看护系统，构建卷积神经网络模型，选定待识别的目标种类并进行识别及定位，其中，待识别的目标种类包含危险物与看护对象类别；得到目标种类中各个类别的位置坐标后，对移动的看护对象的运动轨迹进行预测，得到看护对象的移动方向与看护对象和危险物连线方向夹角并记为θ，及看护对象与危险物的距离记作d；建立危险度评估模型，根据看护对象与危险物相对位置信息d，以及预测移动方向θ，实时计算行为危险度。并设定安全阈值，当危险度超过安全阈值时，发出提示警报。本发明专利技术协助看护人对看护对象做出及时看护，规避意外伤害。

A Behavior Risk Assessment Method and Family Security Care System

The invention discloses a behavioral risk assessment method and a family security care system, constructs a convolutional neural network model, selects the target categories to be identified, identifies and locates them, in which the target categories to be identified include the categories of dangerous objects and care objects, and obtains the position coordinates of each category in the target categories. The trajectory of the moving nursing object is predicted, and the angle between the moving direction of the nursing object and the connecting direction of the nursing object and dangerous substance is obtained and recorded as theta, and the distance between the nursing object and dangerous substance is recorded as D. A risk assessment model is established to predict the moving direction according to the relative position D of the nursing object and dangerous substance, and to predict the moving direction. Real-time calculation of behavioral risk. The safety threshold is set, and when the danger exceeds the safety threshold, a warning is issued. The invention assists the caregiver to make timely care for the caregiver and avoid accidental injury.

【技术实现步骤摘要】
一种行为危险度评估方法及家庭安防看护系统
本专利技术涉及家庭安防
，特别是涉及一种行为危险度评估方法及家庭安防看护系统。
技术介绍
家庭是温暖的避风港湾，但对于某些特殊群体而言，同时也存在诸多潜在安全隐患。例如，低龄儿童活动能力、好奇心强，对家庭环境中潜在危险因素的判断力较弱，因而往往导致意外伤害；高龄或患有痴呆症状老人由于身体机能衰退，感官行动迟缓，对环境的危险感知能力严重下降，同样容易引发意外事故。而家庭环境中，造成伤害的主要原因多为坠落、锐器伤、烫伤、触电等。而看护人由于其精力有限，往往无法时时看护。因此，能够智能、精准、有效协助家庭成员看护此类特殊群体的家庭安防系统成为了全社会关注的热点技术。已有的家庭安防系统及设施大多采用硬件传感器报警方式。根据环境中的特征物理量(如烟雾、温度、光线等)评估其是否出现危险情况。但这种结果后验的方式往往对危险情况“后知后觉”。无法起到针对潜在的危险因素及可能的危险行为“提前感知”的功效。使用基于计算机视觉的风险评估与行为感知模型，为解决此类问题提供了更好的解决方案。综上所述，现有技术中对于家庭安防中的实时性及准确性问题，尚缺乏有效的解决方案。
技术实现思路
本专利技术的目的之一是提供了一种行为危险度评估方法，该方法对潜在的危险性目标做出准确的识别与定位，对待看护目标的行为进行预测，及时评估其行为危险度并预警，从而协助看护人对看护对象做出及时看护，规避意外伤害。一种行为危险度评估方法，包括：构建卷积神经网络模型，选定待识别的目标种类并进行识别及定位，其中，待识别的目标种类包含危险物与看护对象类别；得到目标种类中各个类别的位置坐标后，对移动的看护对象的运动轨迹进行预测，得到看护对象的移动方向与看护对象和危险物连线方向夹角并记为θ，及看护对象与危险物的距离记作d；建立危险度评估模型，根据看护对象与危险物相对位置信息d，以及预测移动方向θ，实时计算行为危险度。并设定安全阈值，当危险度超过安全阈值时，发出提示警报。进一步优选的技术方案，构建卷积神经网络模型时，搜集训练数据，制作数据集，并按照一定比例分为训练集和测试集；数据集中的每张图片标有类标号及边界框参数信息，每个边界框包含五个预测值：x，y，w，h，confidence。其中(x,y)表示边界框中心坐标，w，h表示边界框的宽、高，置信度confidence表示识别为相应类的概率；将整张图片作为输入，训练得到的卷积神经网络能够输出识别不同类别的置信度及对应边界框，由此得到家居环境中危险物的分布状况及看护对象相对这些危险物所处的位置。本申请中，边界框与置信度一一对应。即图片中识别出来的每一类目标都会由一个外接边界框标注；并且给出该识别结果的“可信赖”程度。进一步优选的技术方案，对移动的看护对象的运动轨迹进行预测时，采用卡尔曼滤波器对看护对象进行轨迹预测。进一步优选的技术方案，采用卡尔曼滤波器对看护对象进行轨迹预测时，假定看护对象的位置状态方程为：其中t表示第t时刻，Lt表示t时刻目标位置状态，Ut-1为控制输入，Qt-1为预测噪声；Zt为测量值，Rt为测量噪声。卡尔曼滤波器以最小化预测值与实际值之差为目标，通过最小二乘法来实现优化，得到对实际位置状态Location的最优估计测量及更新方程如下：A为从上一时刻t-1到当前时刻t的状态转移矩阵；B为控制矩阵，表征控制量如何作用于当前状态；H为状态变量到观测值的转换矩阵；Kt为卡尔曼系数。式中表示根据上一时刻状态预测的当前位置状态，以区分位置状态的最优估计同理，及Pt分别表示根据上一时刻预测的协方差矩阵和协方差矩阵的最优估计；其中，Ut-1＝0，单位矩阵整个卡尔曼滤波器是对看护目标边界框的中心坐标点L(x,y)进行预测。之所以要预测，是因为实际移动与实际观测均存在误差；具体使用时，使用前述的卷积神经网络能够获得看护目标边界框实时中心坐标，作为观测量，对应于公式中的Zt；然后通过公式中的计算方式，计算出对下一时刻位置的最优位置估计Pt，即做出对位置的预测；由于卡尔曼滤波器是一种递归算法，随着方程的不断更新，会逐渐得到对于看护目标位置状态的最优估计。使用卡尔曼滤波器，获得相对当前时刻的下一时刻的位置最优估计，从而计算出看护目标的移动方向，完成对于移动目标的轨迹预测，预测移动方向与看护对象和危险物连线方向夹角记为θ；同时，在实际家庭环境中，危险物大多为静止或非连续运动的物体，看护对象与危险物的距离distance记作d为：其中，看护目标边界框中心坐标(x1,y1)；危险物边界框中心坐标(x2,y2)。进一步优选的技术方案，根据二维高斯函数建立危险度评估计算模型：其中，λθ，λd为角度θ和距离d的校正参数。为简化模型的建立，θ与d的方差统一为σ2；上述参数的取值是经过大量室内仿真测试取得的较优解。本申请的目的之二是提供了一种家庭安防看护系统，该系统利用上述行为危险度评估方法，采用包括微型计算机及与该微型计算机通信的摄像机模块及无线通讯模块，所述摄像机模块为高清云Wifi相机，便于图像的采集、处理、传输，所述相机装载在步进电机平台之上，可对室内场景360°全覆盖监视，所述无线通讯模块，用于当检测出看护对象的运动行为存在极大的安全隐患时立即向监控终端发出警报。进一步优选的技术方案，所述监控终端为上位机计算机或移动终端。进一步优选的技术方案，通过监控端的上位机进行起止控制和监护模式设定；模式1为循环模式：即安防系统固定于设定好的区域位置，启动相机旋转平台，对环境中的物体进行360°全方位监控；模式2为跟随模式，即保证安防系统始终在视频画面中“看到”看护对象，当看护对象移动时，摄像头可随之转动，从而完成对看护对象的跟随；当监护终端收到危机预警时，首先调出安防系统传输的监控视频，以防出现误检测，当确认存在危机情况后，便可立即做出响应，从而规避意外风险。本申请的目的之三是提供了一种服务机器人，所述用于执行上述行为危险度评估方法的流程。结合方式主要为：服务机器人添加摄像头及微型计算机部分，使得服务机器人除完成常见服务任务外，可以通过运行本专利技术涉及的危险度评估模，从而起到协助看护特殊群体的作用。具体为将上述方法运行在服务机器人的视觉系统上。与现有技术相比，本专利技术的有益效果是：本专利技术对家庭中常见具有潜在危险因素物体进行目标识别，并分析看护对象的行为意图，评估其可能带来的危险度。当危险度超过警戒阈值时，系统会向监控终端发出警报，看护人通过观察监控画面确定看护对象是否存在安全隐患，从而协助看护人对看护对象做出及时看护，规避意外伤害。本专利技术风险评估要求对场景中具有潜在危险性目标(如刀具、插座、锅、门窗等)做出准确识别与定位。基于深度学习的特征表达具有强大的分层自学习能力，能够深度地挖掘隐含在数据内部间的潜在关系，而卷积神经网络的实现效果尤为突出。卷积神经网络以原始图像作为输入，使用大量图像数据训练网络模型。训练后的模型能够自主提取图像的多层特征，最终输出各目标定位及分类结果，具有良好的鲁棒性及泛化能力。本专利技术危险目标识别定位后，对视频中的看护目标(幼儿、老人)分析其行为或移动规律，进而判别其是否存在遭遇危险的可能性。卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优本文档来自技高网...

【技术保护点】
1.一种行为危险度评估方法，其特征是，包括：构建卷积神经网络模型，选定待识别的目标种类并进行识别及定位，其中，待识别的目标种类包含危险物与看护对象类别；得到目标种类中各个类别的位置坐标后，对移动的看护对象的运动轨迹进行预测，得到看护对象的移动方向与看护对象和危险物连线方向夹角并记为θ，及看护对象与危险物的距离记作d；建立危险度评估模型，根据看护对象与危险物相对位置信息d，以及预测移动方向θ，实时计算行为危险度。并设定安全阈值，当危险度超过安全阈值时，发出提示警报。

【技术特征摘要】
1.一种行为危险度评估方法，其特征是，包括：构建卷积神经网络模型，选定待识别的目标种类并进行识别及定位，其中，待识别的目标种类包含危险物与看护对象类别；得到目标种类中各个类别的位置坐标后，对移动的看护对象的运动轨迹进行预测，得到看护对象的移动方向与看护对象和危险物连线方向夹角并记为θ，及看护对象与危险物的距离记作d；建立危险度评估模型，根据看护对象与危险物相对位置信息d，以及预测移动方向θ，实时计算行为危险度。并设定安全阈值，当危险度超过安全阈值时，发出提示警报。2.如权利要求1所述的一种行为危险度评估方法，其特征是，构建卷积神经网络模型时，搜集训练数据，制作数据集，并按照一定比例分为训练集和测试集；数据集中的每张图片标有类标号及边界框参数信息，每个边界框包含五个预测值：x，y，w，h，confidence，其中(x,y)表示边界框中心坐标，w，h表示边界框的宽、高，置信度confidence表示识别为相应类的概率；将整张图片作为输入，训练得到的卷积神经网络能够输出识别不同类别的置信度及对应边界框，由此得到家居环境中危险物的分布状况及看护对象相对这些危险物所处的位置。3.如权利要求1所述的一种行为危险度评估方法，其特征是，对移动的看护对象的运动轨迹进行预测时，采用卡尔曼滤波器对看护对象进行轨迹预测。4.如权利要求1所述的一种行为危险度评估方法，其特征是，采用卡尔曼滤波器对看护对象进行轨迹预测时，假定看护对象的位置状态方程为：其中，t表示第t时刻，Lt表示t时刻目标位置状态，Ut-1为控制输入，Qt-1为预测噪声；Zt为测量值，Rt为测量噪声；A为从上一时刻t-1到当前时刻t的状态转移矩阵；B为控制矩阵，表征控制量如何作用于当前状态；H为状态变量到观测值的转换矩阵。5.如权利要求4所述的一种行为危险度评估方法，其特征是，测量及更新方程如下：K为卡尔曼系数，式中表示根据上一时刻状态预测的当前位置状态，以...

【专利技术属性】
技术研发人员：陈桂友，赵越男，卢宁，孙琛，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37