[发明专利]一种行为危险度评估方法及家庭安防看护系统

权利要求书

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；

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；

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；

所述危险度评估计算模型为：

其中，λ_θ，λ_d为角度θ和距离d的校正参数，θ与d的方差统一为σ²。

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，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。

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，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，L_t表示t时刻目标位置状态，U_t-1为控制输入，Q_t-1为预测噪声；Z_t为测量值，R_t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。

4.如权利要求3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_t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，P_t^-及P_t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，U_t-1＝0，单位矩阵

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：

5.一种家庭安防看护系统，其特征是，该系统利用上述权利要求1-4任一所述的行为危险度评估方法，采用包括微型计算机或嵌入式系统及与该微型计算机或嵌入式系统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，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。

6.如权利要求5所述的一种家庭安防看护系统，其特征是，所述监控终端为上位机计算机或移动终端。