[發明專利]一種基于目標分布規律的人員異常行為檢測方法

有效

• 申請號: 201811569674.8
• 申請日: 2018-12-21
• 公開（公告）號: CN109697830B
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 楊陽;陳正曉;劉云霞
• 申請（專利權）人: 山東大學
• 主分類號: G08B21/04
• 分類號: G08B21/04;G06K9/00
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 許德山

本發明涉及一種基于目標分布規律的人員異常行為檢測方法，采用預先訓練好的深度學習網絡，根據部署場景目標學習訓練微調參數，進行目標檢測，檢測場景內人員和物體狀態，根據設定狀態異常報警點，觸發則進行異常報警，同時獲取區域內人員和物體實時位置，返回位置信息，設定區域目標點，計算人員位置和目標點的距離，計算物體位置和目標點的距離，計算人與各種物體之間的距離，計算結果，形成曲線，分別形成物品的分布活動曲線、人員狀態活動曲線以及人到預設標志物品的距離曲線，獲取長期迭代回歸曲線，當曲線波動超過預設偏離幅度并且不滿足長期規律特殊日期規律曲線將觸發異常進行報警提醒。

技術領域

本發明涉及一種基于目標分布規律的人員異常行為檢測方法，屬于健康防護技術領域。

背景技術

隨著人口老齡化問題的日益嚴重，對私人監護人員的需求逐年增加。在目前社會發展水平，醫療資源水平和監護人員數量有限的情況下，難以實現對每個需求者都提供全方位個性化監護服務，例如，老人或病人出現異常情況后，若無法及時發現進行報警處理，可能引發嚴重后果。

現有針對老人和病人等需要被照料人員的監測系統，大多采用接觸式傳感器采集老人心率、脈搏、運動情況等生理參數，采用壓力傳感器采集躺、坐等姿態，傳感器種類繁多且系統部署復雜，接觸式穿戴方式導致用戶體驗較差。

現有技術中，位置獲取多是采用有源紅外和無源紅外傳感器，易受遮擋影響，不夠準確而且需要大量布置；現有技術中異常反饋有的用的是大數據中傳感器反饋時間序列中人的位置訓練一個貝葉斯網絡，貝葉斯網絡模型只依靠位置變量，時間變量與異常概率變量建模，模型特征過少，特征間依賴關系過大，建立的貝葉斯網絡模型性能很差，導致模型過擬合缺乏泛化能力和個體獨特性，并且判斷被監護人是否有異常是一個復雜的多維問題只依靠位置和時間來推測是否有異常誤判率很大。

發明內容

針對現有技術不足，本發明提供了一種基于目標分布規律的人員異常行為檢測方法，利用深度學習基于人員和物品分布規律統計，實現人員異常行為檢測：

本發明旨在對個人的日常生活、作息規律以及物體分布規律進行統計迭代學習，并實時自動監測，發現異常能夠及時報警提醒，聯系醫院或者家人及時進行處置。

本發明利用深度學習方法，以監控相機獲取目標視頻，實時進行人員和物品檢測及定位，對目標檢測的位置和狀態進行記錄，形成24小時統計曲線，將多日的24小時統計曲線進行迭代，獲得以24小時為周期的目標分布曲線，即為被監護人員的生活習慣和作息規律，設置短期規律閾值和長期規律閾值異常報警點，進行異常行為報警，在檢測區域發生異常時能夠及時報警聯系相關人員及時處置，避免發生危險。

本發明能夠實現實時監護行動不便的病人、傷殘人員以及身體狀況不佳的老人，在用戶發生異常時實時報警，避免長期的住院看護，極大的解放了醫療資源，降低了被監護人員的花銷以及住院治療帶來的不便，也大大解放了被監護人員家屬的時間，并且被監護人員可以在部署完成后繼續在家中正常生活，不影響用戶日常生活，這將給社會帶來極大的便利。

本發明采用深度學習的目標檢測網絡，可以離線基于監控實時檢測室內所有需要檢測的物體。本發明異常分析是分兩部分一部分直接觸發異常報警，根據監控的實時檢測反饋，例如，預設椅子倒了，老人躺在地上，觸發直接報警情況，直接報警，第二部分是偏離長期規律，根據被監護人每天室內物體和人活動的曲線迭代，會預測出被監護人在各段時間物品和人大概處于什么位置，偏離就觸發異常。

發明概述：