[发明专利]一种基于目标分布规律的人员异常行为检测方法

说明书

本发明涉及一种基于目标分布规律的人员异常行为检测方法，采用预先训练好的深度学习网络，根据部署场景目标学习训练微调参数，进行目标检测，检测场景内人员和物体状态，根据设定状态异常报警点，触发则进行异常报警，同时获取区域内人员和物体实时位置，返回位置信息，设定区域目标点，计算人员位置和目标点的距离，计算物体位置和目标点的距离，计算人与各种物体之间的距离，计算结果，形成曲线，分别形成物品的分布活动曲线、人员状态活动曲线以及人到预设标志物品的距离曲线，获取长期迭代回归曲线，当曲线波动超过预设偏离幅度并且不满足长期规律特殊日期规律曲线将触发异常进行报警提醒。

技术领域

本发明涉及一种基于目标分布规律的人员异常行为检测方法，属于健康防护技术领域。

背景技术

随着人口老龄化问题的日益严重，对私人监护人员的需求逐年增加。在目前社会发展水平，医疗资源水平和监护人员数量有限的情况下，难以实现对每个需求者都提供全方位个性化监护服务，例如，老人或病人出现异常情况后，若无法及时发现进行报警处理，可能引发严重后果。

现有针对老人和病人等需要被照料人员的监测系统，大多采用接触式传感器采集老人心率、脉搏、运动情况等生理参数，采用压力传感器采集躺、坐等姿态，传感器种类繁多且系统部署复杂，接触式穿戴方式导致用户体验较差。

现有技术中，位置获取多是采用有源红外和无源红外传感器，易受遮挡影响，不够准确而且需要大量布置；现有技术中异常反馈有的用的是大数据中传感器反馈时间序列中人的位置训练一个贝叶斯网络，贝叶斯网络模型只依靠位置变量，时间变量与异常概率变量建模，模型特征过少，特征间依赖关系过大，建立的贝叶斯网络模型性能很差，导致模型过拟合缺乏泛化能力和个体独特性，并且判断被监护人是否有异常是一个复杂的多维问题只依靠位置和时间来推测是否有异常误判率很大。

发明内容

针对现有技术不足，本发明提供了一种基于目标分布规律的人员异常行为检测方法，利用深度学习基于人员和物品分布规律统计，实现人员异常行为检测：

本发明旨在对个人的日常生活、作息规律以及物体分布规律进行统计迭代学习，并实时自动监测，发现异常能够及时报警提醒，联系医院或者家人及时进行处置。

本发明利用深度学习方法，以监控相机获取目标视频，实时进行人员和物品检测及定位，对目标检测的位置和状态进行记录，形成24小时统计曲线，将多日的24小时统计曲线进行迭代，获得以24小时为周期的目标分布曲线，即为被监护人员的生活习惯和作息规律，设置短期规律阈值和长期规律阈值异常报警点，进行异常行为报警，在检测区域发生异常时能够及时报警联系相关人员及时处置，避免发生危险。

本发明能够实现实时监护行动不便的病人、伤残人员以及身体状况不佳的老人，在用户发生异常时实时报警，避免长期的住院看护，极大的解放了医疗资源，降低了被监护人员的花销以及住院治疗带来的不便，也大大解放了被监护人员家属的时间，并且被监护人员可以在部署完成后继续在家中正常生活，不影响用户日常生活，这将给社会带来极大的便利。

本发明采用深度学习的目标检测网络，可以离线基于监控实时检测室内所有需要检测的物体。本发明异常分析是分两部分一部分直接触发异常报警，根据监控的实时检测反馈，例如，预设椅子倒了，老人躺在地上，触发直接报警情况，直接报警，第二部分是偏离长期规律，根据被监护人每天室内物体和人活动的曲线迭代，会预测出被监护人在各段时间物品和人大概处于什么位置，偏离就触发异常。

发明概述：