[發(fā)明專利]一種基于大數(shù)據(jù)的人體異常行為檢測與判定方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710866442.8
• 申請日: 2017-09-22
• 公開（公告）號: CN107657277B
• 公開（公告）日: 2022-02-01
• 發(fā)明（設(shè)計）人: 劉璐
• 申請（專利權(quán)）人: 金言;馮文雄;張以朋
• 主分類號: G06K9/62
• 分類號: G06K9/62;G08B21/04;G06F3/01
• 代理公司: 新余市渝星知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 36124
• 代理人: 張瑜生

1.一種基于大數(shù)據(jù)的人體異常行為檢測與判定方法，其特征在于，包括步驟：

S1、獲取并存儲智能可穿戴設(shè)備采集的加速度數(shù)據(jù)后進(jìn)行預(yù)處理；

S2、利用K-means算法對所述加速度數(shù)據(jù)進(jìn)行初步聚類處理；

S3、利用DBSCAN算法對所述初步聚類處理的加速度數(shù)據(jù)進(jìn)行最終聚類處理；

S4、對經(jīng)過所述最終聚類處理的數(shù)據(jù)進(jìn)行橢球擬合；

所述步驟S3具體包括：

A2、檢測數(shù)據(jù)庫存儲的數(shù)據(jù)點(diǎn)是否被處理，若是，跳過當(dāng)前數(shù)據(jù)點(diǎn)；否則，檢測當(dāng)前數(shù)據(jù)點(diǎn)的ε臨域，若有Minpts個點(diǎn)在其中，則建立新的簇C，并將臨域中的點(diǎn)加入候選集N中；

B2、將所述候選集N中未被處理的數(shù)據(jù)點(diǎn)P歸入所述新的簇C，檢測數(shù)據(jù)點(diǎn)P的ε臨域，若數(shù)據(jù)點(diǎn)P為核心對象，則將臨域中所有對象加入所述候選集N中；

C2、遞歸處理所述候選集N直至所述候選集N為空集，遞歸結(jié)束；

D2、返回步驟A2中，重新檢測下一個數(shù)據(jù)庫中數(shù)據(jù)點(diǎn)，直至數(shù)據(jù)庫中所有數(shù)據(jù)點(diǎn)都被標(biāo)明類號或者判定為噪聲；

其中，對于不同的類，所對應(yīng)的所述Minpts值不相同，所述Minpts值根據(jù)所述K-means算法統(tǒng)計出的每類的數(shù)據(jù)點(diǎn)個數(shù)進(jìn)行設(shè)置；

聚類的過程是由初始點(diǎn)開始發(fā)散出去的。

2.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體異常行為檢測與判定方法，其特征在于，步驟S1具體包括：

獲取并存儲所述智能可穿戴設(shè)備采集的加速度數(shù)據(jù)；

對所述采集的加速度數(shù)據(jù)進(jìn)行卡爾曼濾波操作。

3.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體異常行為檢測與判定方法，其特征在于，所述步驟S2具體包括：

A1、隨機(jī)選取K個初始點(diǎn)作為每個類的初始中心點(diǎn)；

B1、計算K個類的每個數(shù)據(jù)點(diǎn)到K個類中心的距離以找出K個距離中最小數(shù)據(jù)點(diǎn)并將最小數(shù)據(jù)點(diǎn)歸入相應(yīng)的類中；

C1、計算K個新形成的類中心；

D1、判斷所述新形成的類中心的結(jié)果是否收斂，若是，則程序結(jié)束，否則，返回步驟B1。

4.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的人體異常行為檢測與判定方法，其特征在于，所述步驟S4具體包括：

通過Polyfit函數(shù)對所述經(jīng)過最終類聚處理的數(shù)據(jù)進(jìn)行線性擬合以得到橢球的長軸方程；

根據(jù)所述橢球的長軸方程進(jìn)行坐標(biāo)變換；

將變換后的數(shù)據(jù)用標(biāo)準(zhǔn)的橢球方程進(jìn)行擬合；

通過lsqcurvefit函數(shù)確定最終橢球方程；

通過變換矩陣和擬合橢球的參數(shù)判斷當(dāng)前數(shù)據(jù)點(diǎn)是否落在橢球中，若是，則判定當(dāng)前數(shù)據(jù)點(diǎn)處于對應(yīng)類的狀態(tài)中。

5.一種基于大數(shù)據(jù)的人體異常行為檢測與判定系統(tǒng)，其特征在于，包括：

獲取模塊，用于獲取并存儲智能可穿戴設(shè)備采集的加速度數(shù)據(jù)后進(jìn)行預(yù)處理；

初步聚類處理模塊，用于利用K-means算法對所述加速度數(shù)據(jù)進(jìn)行初步聚類處理；

最終聚類處理模塊，用于利用DBSCAN算法對所述初步聚類處理的加速度數(shù)據(jù)進(jìn)行最終聚類處理；

橢球擬合模塊，用于對經(jīng)過所述最終聚類處理的數(shù)據(jù)進(jìn)行橢球擬合；

所述最終聚類處理模塊具體包括：

檢測單元，用于檢測數(shù)據(jù)庫存儲的數(shù)據(jù)點(diǎn)是否被處理，若是，跳過當(dāng)前數(shù)據(jù)點(diǎn)；否則，檢測當(dāng)前數(shù)據(jù)點(diǎn)的ε臨域，若有Minpts個點(diǎn)在其中，則建立新的簇C，并將臨域中的點(diǎn)加入候選集N中；

擴(kuò)張單元，用于將所述候選集N中未被處理的數(shù)據(jù)點(diǎn)P歸入所述新的簇C，檢測數(shù)據(jù)點(diǎn)P的ε臨域，若數(shù)據(jù)點(diǎn)P為核心對象，則將臨域中所有對象加入所述候選集N中；

處理單元，用于遞歸處理所述候選集N直至所述候選集N為空集，遞歸結(jié)束；

返回單元，用于重新檢測下一個數(shù)據(jù)庫中數(shù)據(jù)點(diǎn)，直至數(shù)據(jù)庫中所有數(shù)據(jù)點(diǎn)都被標(biāo)明類號或者判定為噪聲；

其中，對于不同的類，所對應(yīng)的所述Minpts值不相同，所述Minpts值根據(jù)所述K-means算法統(tǒng)計出的每類的數(shù)據(jù)點(diǎn)個數(shù)進(jìn)行設(shè)置；

聚類的過程是由初始點(diǎn)開始發(fā)散出去的。