CN109116746A - 一种智能家居*** - Google Patents
一种智能家居*** Download PDFInfo
- Publication number
- CN109116746A CN109116746A CN201810960921.0A CN201810960921A CN109116746A CN 109116746 A CN109116746 A CN 109116746A CN 201810960921 A CN201810960921 A CN 201810960921A CN 109116746 A CN109116746 A CN 109116746A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- monitoring system
- model unit
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000007123 defense Effects 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2642—Domotique, domestic, home control, automation, smart house
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种智能家居***,包括环境监控***、安防监控***,家居网关以及智能终端;所述环境监控***及安防监控***均与所述家居网关通讯连接;所述家居网关用于将所述环境监控***和安防监控***各自获取的监测信息实时发送至智能终端,并根据所述智能终端发送的控制信号控制家居终端,所述环境监控***用于对空气质量进行检测,所述安防监控***用于获取室内图像并对图像中暴力行为进行检测。本发明的有益效果为:提供了一种智能家居***,实现了智能家居控制和安防。
Description
技术领域
本发明涉及智能家居技术领域,具体涉及一种智能家居***。
背景技术
随着科学技术的飞速发展,智能家居***已经成为业界热点关注的项目。智能家居是以住宅为平台,利用网络通信技术、安全防范技术、自动控制技术等与家居生活有关的设备进行集成,构建高效的住宅设施与家中日程事务的管理***,提升家居安全性、便利性、舒适性。
发明内容
针对上述问题,本发明提供一种智能家居***。
本发明的目的采用以下技术方案来实现:
提供了一种智能家居***,包括环境监控***、安防监控***,家居网关以及智能终端;所述环境监控***及安防监控***均与所述家居网关通讯连接;所述家居网关用于将所述环境监控***和安防监控***各自获取的监测信息实时发送至智能终端,并根据所述智能终端发送的控制信号控制家居终端,所述环境监控***用于对空气质量进行检测,所述安防监控***用于获取室内图像并对图像中暴力行为进行检测。
本发明的有益效果为:提供了一种智能家居***,实现了智能家居控制和安防。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
附图标记:
环境监控***1、安防监控***2,家居网关3,智能终端4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种智能家居***,包括环境监控***1、安防监控***2,家居网关3以及智能终端4;所述环境监控***1及安防监控***2均与所述家居网关3通讯连接;所述家居网关3用于将所述环境监控***1和安防监控***2各自获取的监测信息实时发送至智能终端4,并根据所述智能终端4发送的控制信号控制家居终端,所述环境监控***1用于对空气质量进行检测,所述安防监控***2用于获取室内图像并对图像中暴力行为进行检测。
本实施例提供了一种智能家居***,实现了智能家居控制和安防。
优选的,所述安防监控***2包括第一模型单元、第二模型单元、第三模型单元、第四模型单元、图像输出单元,所述第一模型单元用于提取出图像的全局特征,所述第二模型单元用于将所提取的图像全局特征融合在深度网络模型中,所述第三模型单元基于第二模型单元确定暴力检测结果,所述第四模型单元用于优化第三模型单元暴力检测结果,所述图像输出单元用于输出优化的暴力检测结果。
本优选实施例安防监控***有效的提高了暴力检测的准确率。
优选的,所述第一模型单元包括输入层、卷积计算层、激励层、池化层;所述输入层对输入的图像进行预处理;所述卷积计算层对图像进行滤波以及卷积操作;所述激励层把卷积计算层的输出结果做非线性映射;所述池化层用于压缩非线性映射后的图像;
卷积计算层中,通过卷积操作对预处理后的图像提取局部邻域特征,经过多层迭代,通过二维卷积提取出图像的全局特征:在式中,表示卷积核的权重,i表示图像当前所在的卷积层,j表示该层的特征映射数量,表示在第i层第j个特征映射上(x,y)位置处的激活值,此激活值就是图像的二维全局特征;f(·)表示激活函数,其中,H,W分别表示二维卷积核的高度、宽度的大小;表示第i-1层第d个特征映射在(x,y)处的激活值,bij表示偏置向量。
本优选实施例第一模型单元通过二维卷积可以很容易地抽取图像的空间信息,简单方便,应用范围最广,但是仅利用这些表观特征并不足以对视频进行完整表达,会使视频有所缺失。
优选的,所述第二模型单元将第一模型单元中的二维卷积核经过空间扩展生成三维卷积核,在像素点(x,y,z)处的三维卷积计算定义为:在式中,表示卷积核的权重,i表示图像当前所在的卷积层,j表示该层的特征映射数量,表示在第i层第j个特征映射上(x,y,z)位置处的激活值;此激活值就是图像的三维全局特征;f(·)表示激活函数,其中,H,W,T分别表示三维卷积核的高度、宽度和时间维度上的大小;表示第i-1层第d个特征映射在(x,y,z)处的激活值,bij表示偏置向量。
与二维卷积公式相比,本优选实施例第二模型单元三维卷积在对卷积核和像素点的表示上都增加了时间维度。将卷积核扩展至三维空间后,在对图像序列进行卷积时,卷积操作就会在空域和时域同时进行,这样经过卷积和池化操作后,输出的特征图依旧是图像序列,可以很好的保留视频中的时空信息。经过多个三维卷积的特征提取,就可以提取出视频的全局时空特征。
优选的,所述第三模型单元基于第二模型单元使用CA1、CA2、CA3三个卷积计算层,CA1、CA2和CA3使用的三维卷积核尺寸分别为7×7×5、5×5×5和3×3×3像素;
所述第三模型单元的输入为由40帧连续图像构成的图像片段X;图像帧在经过预处理后,归一化为60×90像素大小并转换为灰度图;输出标量Y标量,用来表示模型对图像输入的检测结果,对于训练好的模型,如果测试图像中包含暴力场景,那么输出Y为1,否则输出结果为0;
所述第三模型单元对前两个卷积计算层计算得到的特征图进行池化操作,所述池化操作采用二维池化操作,池化因子分别设为3×3和2×2像素;
在模型训练过程中,所述第三模型单元代价函数为:
在式中,G为模型函数,θ为模型参数,X为训练样本,N为样本数量,而是样本实际标签,k∈[1,N],N∈[1,+∞],DG1(X,θ)表示第三模型单元代价函数;代价函数值越小表明模型与训练集拟合的越好;
本优选实施例第三模型单元一方面可以进一步减少网络参数,另一方面也赋予了特征图平移不变和旋转不变等特性,使得学到的特征更加鲁棒。
优选的,所述第四模型单元基于第三模型单元,其输入为128×128像素的40帧连续图像,连续图像为三通道彩色图像;
将三维卷积核统一设为3×3×3像素,在卷积操作时,第四模型单元对特征图进行填充操作,使得卷积后得到的特征图与计算前保持一样的大小;在池化过程中也使用三维池化操作,即在时间维度对输入特征图序列进行降采样操作,池化因子设为2×2×2像素;
在模型训练过程中,所述第四模型单元的代价函数为:
在式中,G为模型函数,θ为模型参数,Xk为第k个训练样本,m是类别数,N是每类样本数,是第k个数据实际标签;k∈[1,N],N∈[1,+∞],l∈[1,m],m∈[1,+∞],DG2(X,θ)表示第四模型单元代价函数。
本优选实施例第四模型单元采用了更加复杂的结构,因此处理的图像数据维度可以更高,这样可以加快图像时间信息的提取,去除其中的大量冗余。
采用本发明智能家居***进行安防监控,选取5个家庭进行实验,分别为家庭1、家庭2、家庭3、家庭4、家庭5,对暴力检测准确率和暴力检测速度进行统计,同现有暴力检测***相比,产生的有益效果如下表所示:
暴力检测准确率提高 | 暴力检测速度提高 | |
家庭1 | 29% | 27% |
家庭2 | 27% | 26% |
家庭3 | 26% | 26% |
家庭4 | 25% | 24% |
家庭5 | 24% | 22% |
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解应当理解,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种智能家居***,其特征在于,包括环境监控***、安防监控***,家居网关以及智能终端;所述环境监控***及安防监控***均与所述家居网关通讯连接;所述家居网关用于将所述环境监控***和安防监控***各自获取的监测信息实时发送至智能终端,并根据所述智能终端发送的控制信号控制家居终端,所述环境监控***用于对空气质量进行检测,所述安防监控***用于获取室内图像并对图像中暴力行为进行检测。
2.根据权利要求1所述的智能家居***,其特征在于,所述安防监控***包括第一模型单元、第二模型单元、第三模型单元、第四模型单元、图像输出单元,所述第一模型单元用于提取出图像的全局特征,所述第二模型单元用于将所提取的图像全局特征融合在深度网络模型中,所述第三模型单元基于第二模型单元确定暴力检测结果,所述第四模型单元用于优化第三模型单元暴力检测结果,所述图像输出单元用于输出优化的暴力检测结果。
3.根据权利要求2所述的智能家居***,其特征在于,所述第一模型单元包括输入层、卷积计算层、激励层、池化层;所述输入层对输入的图像进行预处理;所述卷积计算层对图像进行滤波以及卷积操作;所述激励层把卷积计算层的输出结果做非线性映射;所述池化层用于压缩非线性映射后的图像。
4.根据权利要求3所述的智能家居***,其特征在于,所述卷积计算层中,通过卷积操作对预处理后的图像提取局部邻域特征,经过多层迭代,通过二维卷积提取出图像的全局特征:在式中,表示卷积核的权重,i表示图像当前所在的卷积层,j表示该层的特征映射数量,表示在第i层第j个特征映射上(x,y)位置处的激活值,此激活值就是图像的二维全局特征;f(·)表示激活函数,其中,H,W分别表示二维卷积核的高度、宽度的大小;表示第i-1层第d个特征映射在(x,y)处的激活值,bij表示偏置向量。
5.根据权利要求4所述的智能家居***,其特征在于,所述第二模型单元将第一模型单元中的二维卷积核经过空间扩展生成三维卷积核,在像素点(x,y,z)处的三维卷积计算定义为:在式中,表示卷积核的权重,i表示图像当前所在的卷积层,j表示该层的特征映射数量,表示在第i层第j个特征映射上(x,y,z)位置处的激活值;此激活值就是图像的三维全局特征;f(·)表示激活函数,其中,H,W,T分别表示三维卷积核的高度、宽度和时间维度上的大小;表示第i-1层第d个特征映射在(x,y,z)处的激活值,bij表示偏置向量。
6.根据权利要求5所述的智能家居***,其特征在于,所述第三模型单元基于第二模型单元使用CAl、CA2、CA3三个卷积计算层,CA1、CA2和CA3使用的三维卷积核尺寸分别为7×7×5、5×5×5和3×3×3像素。
7.根据权利要求6所述的智能家居***,其特征在于,所述第三模型单元的输入为由40帧连续图像构成的图像片段X;图像帧在经过预处理后,归一化为60×90像素大小并转换为灰度图;输出标量Y标量,用来表示模型对图像输入的检测结果,对于训练好的模型,如果测试图像中包含暴力场景,那么输出Y为1,否则输出结果为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960921.0A CN109116746A (zh) | 2018-08-22 | 2018-08-22 | 一种智能家居*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960921.0A CN109116746A (zh) | 2018-08-22 | 2018-08-22 | 一种智能家居*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109116746A true CN109116746A (zh) | 2019-01-01 |
Family
ID=64859985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810960921.0A Withdrawn CN109116746A (zh) | 2018-08-22 | 2018-08-22 | 一种智能家居*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560625A (zh) * | 2020-12-09 | 2021-03-26 | 河海大学 | 基于时空联合响应网络的智能家居***及其控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360422A (zh) * | 2011-10-19 | 2012-02-22 | 湖南德顺电子科技有限公司 | 基于视频分析的暴力行为检测方法 |
CN204287783U (zh) * | 2014-11-26 | 2015-04-22 | 中铁建工集团诺德投资有限公司 | 智能家居*** |
US20170289624A1 (en) * | 2016-04-01 | 2017-10-05 | Samsung Electrônica da Amazônia Ltda. | Multimodal and real-time method for filtering sensitive media |
CN108268882A (zh) * | 2016-12-30 | 2018-07-10 | 南京烽火软件科技有限公司 | 一种互联网图片场景分类方法及其*** |
-
2018
- 2018-08-22 CN CN201810960921.0A patent/CN109116746A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360422A (zh) * | 2011-10-19 | 2012-02-22 | 湖南德顺电子科技有限公司 | 基于视频分析的暴力行为检测方法 |
CN204287783U (zh) * | 2014-11-26 | 2015-04-22 | 中铁建工集团诺德投资有限公司 | 智能家居*** |
US20170289624A1 (en) * | 2016-04-01 | 2017-10-05 | Samsung Electrônica da Amazônia Ltda. | Multimodal and real-time method for filtering sensitive media |
CN108268882A (zh) * | 2016-12-30 | 2018-07-10 | 南京烽火软件科技有限公司 | 一种互联网图片场景分类方法及其*** |
Non-Patent Citations (4)
Title |
---|
PEIPEI ZHOU,等: "Violent Interaction Detection in Video Based on Deep Learning", 《JOURNAL OF PHYSICS CONFERENCE SERIES》 * |
丁春辉: "基于深度学习的暴力检测及人脸识别方法研究", 《中国博士学位论文全文数据库》 * |
宋伟,等: "一种基于三维卷积网络的暴力视频检测方法", 《信息网络安全》 * |
许龙: "视频中的异常行为检测与分析研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560625A (zh) * | 2020-12-09 | 2021-03-26 | 河海大学 | 基于时空联合响应网络的智能家居***及其控制方法 |
CN112560625B (zh) * | 2020-12-09 | 2022-09-23 | 河海大学 | 基于时空联合响应网络的智能家居***及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Smoke detection based on deep convolutional neural networks | |
Sonka et al. | Image processing, analysis and machine vision | |
CN108846401A (zh) | 商品检测终端、方法、***以及计算机设备、可读介质 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数***及方法 | |
CN110222611A (zh) | 基于图卷积网络的人体骨架行为识别方法、***、装置 | |
CN114445706A (zh) | 一种基于特征融合的输电线路目标检测与识别方法 | |
CN106952402A (zh) | 一种数据处理方法及装置 | |
CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN108780508A (zh) | 用于归一化图像的***和方法 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN112560619B (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN109145822A (zh) | 一种深度学习的暴力检测*** | |
CN111339917B (zh) | 一种真实场景下玻璃检测的方法 | |
CN110287875A (zh) | 视频目标的检测方法、装置、电子设备和存储介质 | |
CN109584262A (zh) | 基于遥感影像的云检测方法、装置及电子设备 | |
CN114529462A (zh) | 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及*** | |
CN109240123A (zh) | 一种面向智能物流车的在环仿真方法及*** | |
CN109299660A (zh) | 一种智慧校园预警平台 | |
CN116503399A (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN109116746A (zh) | 一种智能家居*** | |
CN109154435A (zh) | 自动照明和安全装置 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN109934147B (zh) | 基于深度神经网络的目标检测方法、***及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190101 |
|
WW01 | Invention patent application withdrawn after publication |