一种基于深度学习的智能家居系统技术方案

本发明专利技术公开了一种基于深度学习的智能家居系统。包括视频记录子系统、信息处理子系统、智能控制子系统、行为数据分析子系统、预警子系统。视频记录子系统，利用高清摄像机、机器学习实现了24小时不间断记录用户屋内实时情况；信息处理子系统，对记录的视频数据进行图像数据处理、特征值提取，便于进一步检测异常行为数据；采用卷积神经网络CNN算法对异常行为数据进行检测，将异常行为按异常等级划分，根据预设异常阈值和异常等级采取不同的预警措施，极大程度的保障了用户的安全；系统还具有行为数据分析功能，利用大数据分析技术、人工智能、机器学习等技术，对用户的日常行为数据进行分析，便于系统更人性化的服务于不同的用户。

【技术实现步骤摘要】
一种基于深度学习的智能家居系统
本专利技术属于深度学习
，特别涉及一种基于深度学习的智能家居系统。
技术介绍
现代科学技术的发展带动了智能设备行业的发展，住宅家居智能化将是一个重要的发展趋势。当前我国社会正发生着日新月异的变化，人们的生活方式已从关注衣、食、住、行等基本生活需求逐步向精神层面迈进，即转变为更加关注生活品质。近年来，新兴智能家居市场如火如荼，其结合新兴技术，创造了如智能灯光控制、智能电器控制、安防监控系统等功能的实现，为人们提供了安全舒适的生活环境，但目前很多智能家居并没有真正实现智能化，还存在许多问题：(1)我国智能家居行业起步较晚，因此目前的相关技术仍然算不上发达，现在智能家居控制系统产品的稳定性不强，存在着对手机系统不兼容等情况，实际效果和所期望的效果还有很大的不同。(2)不同企业有不同的产品对接协议，因此存在不同品牌的智能家居并不能兼容现象，极大制约了消费者对智能家居的使用。(3)传统智能家居作为监控系统，无法做到24小时不间断监控，大多需要人为对行为数据进行干预识别，不仅识别速度慢，且差错率高。鉴于此，传统功能单一、操作复杂、兼容性差的智能家居明显不能满足现在人们对智能家居的需求。因此，设计一种高效智能化的智能家居系统已经成为各行各业发展的现实需要。本专利技术提出的一种基于深度学习的智能家居系统，利用计算机视觉技术、图像智能分析和人工智能技术，对监控视频中的序列图像进行检测、分析和理解。根据视频截取图像，采用智能视频分析技术判断房屋内是否有异常行为状态发生，从而达到实时预警的作用。
技术实现思路
本专利技术提供一种基于深度学习的智能家居系统，使用机器学习、人工智能等相关技术，实现了家居系统的功能多样化、操作便捷化、稳定高效化等，弥补了传统智能家居系统的不足。本专利技术是这样实现的：一种基于深度学习的智能家居系统包括视频记录子系统、信息处理子系统、行为数据分析子系统、智能控制子系统、预警子系统。其中，视频记录子系统与信息处理子系统相连；信息处理子系统与智能控制子系统、行为数据分析子系统相连；智能控制子系统与预警子系统相连。所述视频记录子系统包括：视频接收模块、视频数据存储模块。所述视频接收模块使用若干高清摄像头，实时拍摄用户屋内的情况。所述视频数据存储模块，使用1TB外置SD卡，进行视频数据的存储。所述信息处理子系统包括：图像处理模块、特征提取模块、行为预判模块，其子系统主要功能是将接收到的视频数据进行行为识别、判断的作用，所述图像处理模块采用彩色图像增强算法增强图像的效果；采用数据编码方式改善图像数据。所述特征提取模块采用LBP特征提取算法，对图像处理后的数据进行特征提取，并建立异常行为特征数据库。所述行为预判模块采用特征匹配算法，根据已知特征信息进行分析判断，遍历异常行为特征数据库，确定待检测的异常行为。所述行为数据分析子系统，利用RapidMiner工具，对用户行为数据进行大数据分析，得出更多有价值的信息。所述智能控制子系统包括：异常行为接收模块、数据检测模块、异常行为记录模块、数据更新模块。所述异常行为接收模块，接收信息处理子系统中的行为预判断模块上传的待检测的异常行为数据。所述数据检测模块采用卷积神经网络CNN算法，构建SoftMax分类模型，对数据进行检测，根据行为识别技术最终确定异常行为数据。所述异常行为记录模块，系统将按不同异常等级的分类记录异常行为数据。所述数据更新模块，将新的异常行为数据进行特征值提取后，添加至异常行为特征数据库进行数据更新。所述预警子系统，根据异常行为记录模块中的危险等级进行预警。与传统功能单一化的智能家居系统相比，本专利技术提供的一种基于深度学习的智能家居系统具备以下优点：(1)记录图像数据质量高，采用两种编码方式改善图像数据和数据压缩比，让图像数据的传输在不改变带宽的基础上提供效率。(2)功能多样化，除了能智能控制家用电器外，还能对屋内进行24小时不间断监控，实时对屋内异常行为进行记录及预警，保障用户的安全，同时系统具备自主学习能力，提升系统的不断升级。(3)系统响应速度快，基本可以做到实时监控、实时响应，对突发的异常行为实行毫秒级的响应时间，极大减少因紧急情况对用户造成的损失。附图说明图1为本专利技术实施例的系统结构示意图；图2为本专利技术实施例的数据检测模块功能流程图。图中标记：1视频记录子系统、1-1视频接收模块、1-2视频数据存储模块；2信息处理子系统、2-1图像处理模块、2-2特征提取模块、2-3行为预判模块；3行为数据分析子系统、4智能控制子系统、4-1异常行为接收模块、4-2数据检测模块、4-3异常行为记录模块、4-4数据更新模块、5预警子系统。具体实施方式实施例：如图1所示，一种基于深度学习的智能家居系统，包括视频记录子系统1、信息处理子系统2、行为数据分析子系统3、智能控制子系统4、预警子系统5。其中视频记录子系统1中包括视频接收模块1-1、视频数据存储模块1-2；信息处理子系统2中包括图像处理模块2-1、特征提取模块2-2、行为预判模块2-3；智能控制子系统4中包括异常行为接收模块4-1、数据检测模块4-2、异常行为记录模块4-3、数据更新模块4-4。视频记录子系统1与信息处理子系统2相连；信息处理子系统2与行为数据分析子系统3、智能控制子系统4相连；智能控制子系统4与预警子系统5相连。其中信息处理子系统2中的行为预判模块2-3与智能控制子系统4中的异常行为接收模块4-1相连；智能控制子系统4中的异常行为记录模块4-3与预警子系统5相连。所述视频记录子系统1包括视频接收模块1-1、视频数据存储模块1-2。所述视频接收模块1-1由若干个摄像头组成，分布在家中的各个位置用于实时拍摄各个位置的情况。所述视频数据存储模块1-2通过USB接口连接或信号传输接收到视频接收模块1-1传来的数据，并使用1TB外置SD卡，进行视频数据的存储。所述信息处理子系统2包括图像处理模块2-1、特征提取模块2-2、行为预判模块2-3。所述图像处理模块2-1为避免受到外界环境干扰而导致的视频图像模糊、噪声严重等情况，采用彩色图像增强算法作为图像预处理的关键算法，通过增强图像中有用信息，将不同物体特征间的差别放大，使得感兴趣区域的特征变清晰，从而达到增强图像的效果；同时采用霍夫曼编码(HuffmanCodes)方式对图像数据进行编码，以改善图像数据压缩比和图像数据质量，达到在不改变带宽的基础上提高图像的传输速率。其中，所述霍夫曼编码原理如下：根据最佳编码定理，在变长编码中，对出现概率大的信号符号编以短字长的码，对于出现概率小的信息符合编以长字符的码，如果码字长度严格按照符号出现概率大小的相反的顺序排列，则平均码子长度一定小于按任何其他符号顺序排列方式的平均码子长度。霍夫曼编码被证明具有最优变长码的性质本文档来自技高网...

【技术保护点】
1.一种基于深度学习的智能家居系统，其特征在于包括：视频记录子系统、信息处理子系统、智能控制子系统、行为数据分析子系统、预警子系统；其中，视频记录子系统与信息处理子系统相连；信息处理子系统与智能控制子系统、行为数据分析子系统相连；智能控制子系统与预警子系统相连；/n所述视频记录子系统包括：视频接收模块和视频数据存储模块；/n所述视频接收模块使用若干高清摄像头，实时拍摄用户屋内的情况；/n所述视频数据存储模块，使用1TB外置SD卡，进行视频数据的存储；/n所述信息处理子系统包括：图像处理模块、特征提取模块和行为预判模块，其主要功能是将接收到的视频数据进行行为识别、判断的作用；/n所述图像处理模块采用彩色图像增强算法增强图像的效果；采用霍夫曼数据编码方式改善图像数据，霍夫曼编码时根据以下公式进行数据编码：/n

【技术特征摘要】
1.一种基于深度学习的智能家居系统，其特征在于包括：视频记录子系统、信息处理子系统、智能控制子系统、行为数据分析子系统、预警子系统；其中，视频记录子系统与信息处理子系统相连；信息处理子系统与智能控制子系统、行为数据分析子系统相连；智能控制子系统与预警子系统相连；
所述视频记录子系统包括：视频接收模块和视频数据存储模块；
所述视频接收模块使用若干高清摄像头，实时拍摄用户屋内的情况；
所述视频数据存储模块，使用1TB外置SD卡，进行视频数据的存储；
所述信息处理子系统包括：图像处理模块、特征提取模块和行为预判模块，其主要功能是将接收到的视频数据进行行为识别、判断的作用；
所述图像处理模块采用彩色图像增强算法增强图像的效果；采用霍夫曼数据编码方式改善图像数据，霍夫曼编码时根据以下公式进行数据编码：






所述特征提取模块采用LBP特征提取算法，对图像处理后的数据进行特征提取，并建立异常行为特征数据库；
所述行为预判模块采用特征匹配算法，根据已知特征信息进行分析...

【专利技术属性】
技术研发人员：谢晓兰，许可，梁淑蓉，刘亚荣，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：广西;45