CN105139029B - 一种监狱服刑人员的行为识别方法及装置 - Google Patents
一种监狱服刑人员的行为识别方法及装置 Download PDFInfo
- Publication number
- CN105139029B CN105139029B CN201510501301.7A CN201510501301A CN105139029B CN 105139029 B CN105139029 B CN 105139029B CN 201510501301 A CN201510501301 A CN 201510501301A CN 105139029 B CN105139029 B CN 105139029B
- Authority
- CN
- China
- Prior art keywords
- inmate
- activity recognition
- parameter
- training sample
- attribute
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种监狱服刑人员的行为识别方法及装置,该行为识别方法包括:采集服刑人员的行为特征参数;通过对服刑人员的行为特征参数进行数据分割和规范化,以获得服刑人员的行为特征向量;以及利用预定的行为识别模型对服刑人员的行为特征向量进行识别,以获得服刑人员的当前行为类别。本发明的行为识别方法能够对服刑人员的行为进行分类识别,识别的准确度较高,效果较好。
Description
技术领域
本发明涉及信号处理技术,尤其涉及一种监狱服刑人员的行为识别方法及装置。
背景技术
监狱是关押犯罪嫌疑人和服刑人员的场所,由于其职责的特殊性,因而对安全防范系统也有其特殊要求。目前在监狱管理中存在如下问题:犯人管理控制成效差与动向难以掌握,警员警力不足,若不能够及时察觉和制止极易造成逃脱、自杀、施暴、破坏等安全隐患,影响狱警的人身安全、服刑人员的人身安全及社会的安全。如何通过先进的技术手段,对服刑人员人体行为的感知和识别,对服刑人员可能的犯罪行为进行检测,做到早发现、早报告、早控制和早解决,从而方便狱警的管理,保证狱警、服刑人员和社会的安全。
在监狱行为识别方面有基于计算机视觉的智能视频监控系统。利用摄像头作为感知手段,通过拍摄得到的图像序列来识别出其中人的动作,对异常动作报警。但是,用摄像头来进行行为的感知有诸多局限性。摄像头的使用受到光照条件、安装位置、角度和遮挡等诸多因素的限制。由此,现有诸如利用摄像头等的用于监狱人员的行为识别技术的识别效果较差,准确度较低。
发明内容
鉴于此,本发明提供了一种监狱服刑人员的行为识别方法及装置,以解决现有的用于监狱人员行为识别的技术的识别效果差、准确度低的问题。
根据本发明的一个方面,提供了一种监狱服刑人员的行为识别方法,所述行为识别方法包括:采集服刑人员的行为特征参数;通过对所述服刑人员的行为特征参数进行数据分割和规范化,以获得所述服刑人员的行为特征向量;以及利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别,以获得所述服刑人员的当前行为类别。
进一步地,所述服刑人员的行为特征参数包括:心电参数、位置参数、姿态参数、温度参数以及血压参数。
进一步地,所述预定的行为识别模型通过如下方式获得:获得训练样本集,其中,所述训练样本集中的每个训练样本具有表示该训练样本所属行为类别的标签;利用所述训练样本集,计算信息增益率并选择决策结点,通过训练获得用于对行为类别进行识别的行为识别模型。
进一步地,所述获得训练样本集的步骤包括:提取每个服刑人员在其当前行为类别已知的情况下的心电参数、位置参数、姿态参数、温度参数和血压参数;对每个服刑人员的心电参数、位置参数、姿态参数、温度参数和血压参数是经过预处理的,所述预处理包括滤波、模数转换、数据分割以及数据规范化,得到训练阶段每个服刑人员的行为特征向量,作为训练样本;利用所有训练样本获得所述训练样本集,其中,每个训练样本Sq表示为Sq={fq1,fq2,fq3,fq4,fq5:Ci},其中,q表示训练样本的序数,q=1,2,…,|S|,|S|为训练样本集中包括的训练样本总数,Ci表示行为类别标签,i=1,2,…,M,M为行为类别标签的种类总数;fq1、fq2、fq3、fq4和fq5依次为训练样本Sq的第一属性、第二属性、第三属性、第四属性和第五属性,其中,第一属性对应心电参数,第二属性对应位置参数,第三属性对应姿态参数,第四属性对应温度参数,而第五属性对应血压参数。
进一步地,所述利用所述训练样本集计算信息增益率并选择决策结点、通过训练获得用于对行为类别进行识别的行为识别模型的步骤包括:令A表示fq1、fq2、fq3、fq4和fq5中的任一个,设A共有n个不同取值,所述n个不同取值记为aj(j=1,2,…n),假设训练样本集S被属性A的不同取值分为n个子集Sj(j=1,2,…n),用aj表示Sj中A的取值;|Sj|表示A=aj的训练样本数量,|Ci|=f(Ci,S)表示训练样本集S中类别标签为Ci的训练样本数量;用P(Ci)表示训练样本集S中的训练样本属于类别标签Ci类的概率,用P(aj)表示训练样本集S中的训练样本的属性A=aj的概率,其中,P(Ci)=|Ci|/|S|,P(aj)=|Sj|/|S|;计算训练样本集S中M个类的信息熵Info(C):
计算每个属性A的信息熵InfoA(C):
计算每个属性A的信息增益Gain(A):
Gain(A)=Info(C)-InfoA(C) (1-3)
计算每个属性A的分裂信息的度量H(A):
计算每个属性A的信息增益率GainRatio(S,A):
GainRatio(S,A)=Gain(A)/H(A) (1-5)
利用所述训练样本集S,根据公式(1-1)至(1-5)来计算该属性的信息增益率,根据信息增益由大到小,选择决策结点,建立分类规则的行为识别模型对该结点进行分类对于其它属性按上述步骤从新计算,建立分类规则的行为识别模型对该结点进行分类,建立分类规则。通过训练获得所述行为识别模型。
进一步地,所述利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别的步骤包括:基于所述行为识别模型对所述服刑人员的行为特征向量进行识别,在该识别的结果为犯罪行为的情况下,通过K近邻距离加权分类算法对所述服刑人员的行为特征向量进行再次识别:若所述服刑人员的行为特征向量的再次识别结果也为犯罪行为,则将所述服刑人员的行为特征向量的当前行为类别确定为犯罪行为。
进一步地,所述行为识别方法还包括:当所述服刑人员的当前行为类别为犯罪时,向监控中心进行报警。
根据本发明的另一方面,还提供了一种监狱服刑人员的行为识别装置,所述行为识别装置包括:采集单元,其用于采集服刑人员的行为特征参数;预处理单元,其用于通过对所述服刑人员的行为特征参数进行数据分割和规范化,以获得所述服刑人员的行为特征向量;以及识别单元,其用于利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别,以获得所述服刑人员的当前行为类别。
进一步地,所述采集单元包括:心电传感器,其用于采集服刑人员的心电参数;位置传感器,其用于采集服刑人员的位置参数;姿态传感器,其用于采集服刑人员的姿态参数;温度传感器,其用于采集服刑人员的温度参数;以及血压传感器,其用于采集服刑人员的血压参数。
上述根据本发明实施例的一种监狱服刑人员的行为识别方法及装置,根据从监狱服刑人员身上采集的行为特征参数,利用行为识别模型对服刑人员的行为进行分类识别,识别的准确度较高,效果较好;通过训练阶段训练获得服刑人员的心电、位置、姿态、温度和血压等多个参数与其行为之间的对应关系,使得所获得的行为识别模型的识别准确度非常高;能够方便狱警的管理,保证狱警、服刑人员和社会的安全;通过双重数据服刑人员行为识别算法,提高预测准确率、鲁棒性,降低错误报警率;结合行为识别模型以及K近邻距离加权分类算法的双重算法对服刑人员的行为特征向量进行行为类别识别,识别的准确度进一步提高。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中:
图1是示出本发明的一种监狱服刑人员的行为识别方法的一个示例处理的流程图;
图2是示出本发明的行为识别装置的结构示意图;
图3是示出图2所示的采集单元的结构示意图;
图4是示出本发明的一种监狱服刑人员的行为识别方法的一个应用示例中用于获得行为识别模型的处理的流程图;
图5是示出本发明的一种监狱服刑人员的行为识别方法和装置的一个应用示例的结构示意图。
本领域技术人员应当理解,附图中的元件仅仅是为了简单和清楚起见而示出的,而且不一定是按比例绘制的。例如,附图中某些元件的尺寸可能相对于其他元件放大了,以便有助于提高对本发明实施例的理解。
具体实施方式
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和处理步骤,而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种监狱服刑人员的行为识别方法,该行为识别方法包括:采集服刑人员的行为特征参数;通过对服刑人员的行为特征参数进行数据分割和规范化,以获得服刑人员的行为特征向量;以及利用预定的行为识别模型对服刑人员的行为特征向量进行识别,以获得服刑人员的当前行为类别。
图1示出了本发明的一种监狱服刑人员的行为识别方法的一个示例处理的流程图。上述行为识别方法的示例性处理开始于步骤S110。
在步骤S110中,采集服刑人员的行为特征参数。然后,执行步骤S120。
进一步地,服刑人员的行为特征参数可以包括以下参数:心电参数、位置参数、姿态参数、温度参数、以及血压参数。其中,以上参数可以通过各种相应传感器来采集,例如采集服刑人员的心电、位置、姿态、温度和血压人体行为数据,然后进行模拟信号转换为数字信号,并滤掉噪声,将得到的滤除噪声后的数据作为服刑人员的行为特征参数。
在步骤S120中,通过对服刑人员的行为特征参数进行数据分割和规范化,以获得服刑人员的行为特征向量。然后,执行步骤S130。
例如,先对采集的行为特征参数进行分割,然后对分割的数据进行规范化,规范化是提取一系列抽象的信息转换为特征,并组成一个特征向量(即行为特征向量)来表示该行为的实例。
在步骤S130中,利用预定的行为识别模型对服刑人员的行为特征向量进行识别,以获得服刑人员的当前行为类别。然后,结束处理。
其中,预定的行为识别模型中可以预设至少两个行为类别。当行为识别模型中预设两个行为类别时,例如可以为正常和犯罪;当行为识别模型中预设三个行为类别时,例如可以为正常、越狱、其他犯罪;当行为识别模型中预设四个行为类别时,例如可以为正常、越狱、斗殴、其他犯罪;等等。
根据一种实现方式,当行为识别模型中预设“正常”和“犯罪”两个行为类别时,服刑人员的当前行为类别为“正常”和“犯罪”这两个类别之中的一个。
进一步地,在步骤S130中,当识别到服刑人员的当前行为类别为犯罪时,可以向监控中心进行报警。例如,可以把检测出的犯罪行为通过无线通讯模块传输至监控中心进行报警
进一步地,预定的行为识别模型可以通过如下方式获得:通过对训练样本集进行分类训练,获得用于对行为类别进行识别的行为识别模型,其中,训练样本集中的每个训练样本具有表示该训练样本所属行为类别的标签。
训练样本集包括多个训练样本,可以按照下面的方式获得训练样本:从已知当前行为类别的服刑人员采集行为特征参数(或从犯罪专家数据库获得),作为训练特征参数;然后,对训练特征参数进行数据分割和规范化,来获得训练行为特征向量,作为训练样本。
其中,上述从已知当前行为类别的服刑人员采集的行为特征参数可以包括以下参数:心电参数、位置参数、姿态参数、温度参数、以及血压参数。此外,上述从已知当前行为类别的服刑人员采集的行为特征参数所包括参数种类应与服刑人员的行为特征参数所包括参数种类对应地相同。
例如,从已知当前行为类别的服刑人员采集行为特征参数(或从犯罪专家数据库获得)可以为服刑人员正常未犯罪时的心电、血压等行为特征参数,服刑人员犯罪时的心电、血压等行为特征参数等等。
进一步地,利用预定的行为识别模型对服刑人员的行为特征向量进行识别的步骤包括:基于行为识别模型对服刑人员的行为特征向量进行识别,在该识别的结果为犯罪行为的情况下,通过K近邻距离加权分类算法对服刑人员的行为特征向量进行再次识别:若服刑人员的行为特征向量的再次识别结果也为犯罪行为,则将服刑人员的行为特征向量的当前行为类别确定为犯罪行为,否则重新采集服刑人员的行为数据进行判断。
本发明的一种监狱服刑人员的行为识别方法,根据从监狱服刑人员身上采集的行为特征参数,利用行为识别模型对服刑人员的行为进行分类识别,识别的准确度较高,效果较好。
通过训练阶段训练获得服刑人员的心电、位置、姿态、温度和血压等多个参数与其行为之间的对应关系,使得所获得的行为识别模型的识别准确度非常高。
由此,本发明的上述技术能够方便狱警的管理,保证狱警、服刑人员和社会的安全;此外,通过双重数据服刑人员行为识别算法,提高预测准确率、鲁棒性,降低错误报警率。
根据本发明的另一方面,还提供了一种监狱服刑人员的行为识别装置,该行为识别装置包括:采集单元,其用于采集服刑人员的行为特征参数;预处理单元,其用于通过对服刑人员的行为特征参数进行数据分割和规范化,以获得服刑人员的行为特征向量;以及识别单元,其用于利用预定的行为识别模型对服刑人员的行为特征向量进行识别,以获得服刑人员的当前行为类别。
下面,结合图2来描述本发明的识别装置的一个示例性结构。
如图2所示,识别装置200包括采集单元210、预处理单元220和识别单元230。
其中,采集单元210用于采集服刑人员的行为特征参数,预处理单元220用于通过对服刑人员的行为特征参数进行数据分割和规范化来获得服刑人员的行为特征向量,而识别单元230用于利用预定的行为识别模型对服刑人员的行为特征向量进行识别,以获得服刑人员的当前行为类别。
进一步地,如图3所示,采集单元210包括:心电传感器310,其用于采集服刑人员的心电参数;位置传感器320,其用于采集服刑人员的位置参数;姿态传感器330,其用于采集服刑人员的姿态参数;温度传感器340,其用于采集服刑人员的温度参数;以及血压传感器350,其用于采集服刑人员的血压参数。
此外,采集单元210还可以包括低通滤波器、高通滤波器和信号放大电路与模拟数字转换模块(以上均未在图2中示出),这样,通过心电传感器310、位置传感器320、姿态传感器330、温度传感器340以及血压传感器350采集服刑人员的心电、位置、姿态、温度和血压信号,然后经由低通滤波器、高通滤波器和信号放大电路依次进行低通滤波、高通滤波和信号放大,再通过模拟数字转换模块进行模数转换。
可选地,识别装置200还可以包括数据存储模块(图2中未示出),数据存储模块用于存储采集单元210的采集结果,并与识别单元230相连接。
此外,可选地,识别装置200还可以包括语音模块(图2中未示出),语音模块用于对有犯罪人员倾向的服刑人员进行语音警告。
进一步地,服刑人员的当前行为类别为正常或犯罪。
进一步地,如图2所示,行为识别装置200还包括:报警单元240(图2中未示出,该单元为可选单元),其用于当服刑人员的当前行为类别为犯罪时,向监控中心进行报警。其中,报警单元240与监控中心之间的通讯可以采用无线通信方式。
进一步地,识别单元230可以用于基于行为识别模型对服刑人员的行为特征向量进行识别,在该识别的结果为犯罪行为的情况下,通过K近邻距离加权分类算法对服刑人员的行为特征向量进行再次识别:若服刑人员的行为特征向量的再次识别结果也为犯罪行为,则将服刑人员的行为特征向量的当前行为类别确定为犯罪行为。
其中,识别单元230可以进一步包括数据处理模块和行为异常犯罪检测模块(图2中未示出),与模拟数字转换模块、数据存储模块、报警单元、语音模块等连接,用于传感器采集信号的实时分析、数据存储与通迅控制,完成服刑人员传感器采集信号处理和生成服刑人员行为犯罪检测。数据处理模块处理服刑人员传感器采集信号,把行为识别的数据进行分割,将该数据规整成等长的特征向量。行为犯罪检测模块检测服刑人员行为犯罪,首先规范化的测试特征向量(即预处理单元所得到的服刑人员的行为特征向量)进行服刑人员行为犯罪检测。检测到犯罪后,再对测试特征向量利用基于K近邻距离加权分类算法进行第二次服刑人员行为犯罪检测,如果两次检测的结果都是犯罪类别,即确定该服刑人员当前行为类别为犯罪类别,上报监控中心。
本发明的用于监狱人员的行为识别装置,通过佩戴在服刑人员身上来(例如通过心电传感器、位置传感器、姿态传感器、温度传感器、血压传感器)获取犯罪人员动作状态行为数据信息,并结合传感器特性及人的行为特性建立合理的行为分类模型,在此基础上从原始采集数据中提取出对行为模型具有较强描述能力的特征,并采用数据挖掘的方法对这些特征进行训练,实现识别服刑人员的行为模型,对服刑人员的犯罪行为进行识别的目的,将检测的服刑人员行为犯罪传输至监控中心,进行报警。
下面,描述本发明的上述行为识别方法和装置的一个应用示例。
(1)行为识别模型的建立(即训练阶段)。
根据训练样本建立分类模型,参见图4,行为识别模型训练步骤如下:
(1.1)首先,如步骤S410所示,获得训练样本集S,其中,训练样本集S中的每个训练样本具有表示该训练样本所属行为类别的标签。
训练样本集S中的训练样本Sq可表示为Sq={fq1,fq2,fq3,fq4,fq5:Ci},其中,q表示训练样本的序数,q=1,2,…,|S|,|S|为训练样本集中包括的训练样本总数。Ci表示行为类别标签,i=1,2,…,M,M为行为类别标签的种类总数。例如,当M=2时,C1=0可表示行为正常,而C2=1可表示犯罪。fq1、fq2、fq3、fq4和fq5依次为训练样本Sq的第一属性、第二属性、第三属性、第四属性和第五属性,其中,第一属性对应心电参数,第二属性对应位置参数,第三属性对应姿态参数,第四属性对应温度参数,而第五属性对应血压参数。
根据一种实现方式,可以利用心电传感器、位置传感器、姿态传感器、温度传感器和血压传感器对多个服刑人员中的每个服刑人员提取行为特征参数,也即,提取每个服刑人员在其当前行为类别已知的情况下的心电参数、位置参数、姿态参数、温度参数和血压参数。
举例来说,假设共有100个服刑人员,其中80个服刑人员的行为正常(即C1=0),提取这80个人中每个人此时的心电参数fq1、位置参数fq2、姿态参数fq3、温度参数fq4和血压参数fq5,由此可获得80个训练样本,即,
Sq=(fq1,fq2,fq3,fq4,fq5:C1),q=1,2,…,80。
此外,假设另外20个服刑人员正在实施犯罪行为(即C2=1),比如正在攻击他人等,提取这20个人中每个人此时的心电参数fq1、位置参数fq2、姿态参数fq3、温度参数fq4和血压参数fq5,由此可获得20个训练样本,即,
Sq=(fq1,fq2,fq3,fq4,fq5:C2),q=81,82,…,100。
此外,根据一种实现方式,每个服刑人员的心电参数fq1、位置参数fq2、姿态参数fq3、温度参数fq4和血压参数fq5是经过预处理的。例如,预处理可以包括滤波、模数转换、数据分割、规范化等处理。
其中,以上预处理例如可以通过如下方式实现:利用以上多个传感器从某个服刑人员身上获取到该服刑人员的传感数据,然后,对该传感数据进行数据滤波处理并进行模数转换。然后,利用窗口分割技术对模数转换后的传感数据进行分割,并对分割得到的每个窗口数据提取相同的特征形成每个特征对应的特征向量,由此获得该服刑人员的多个特征向量。接着,根据训练阶段的预设参数来规范化服刑人员的特征向量,对于数值型的特征进行离散化,利用特征类别项的方式对特征向量进行行为类别标号,从而生成训练样本。
其中,特征项是由特征的名称、特征值和特定的类别标签组成的表达式(fq1,fq2,fq3,fq4,fq5:Ci),其中:
fq1=F1*[Vq1]=心电*[Vq1];
fq2=F2*[Vq2]=位置*[Vq2];
fq3=F3*[Vq3]=姿态*[Vq3];
fq4=F4*[Vq4]=温度*[Vq4];
fq5=F5*[Vq5]=血压*[Vq5]。
也就是说,F1、F2、F3、F4、F5为特征的名称,Vq1为F1的特征值,Vq2为F2的特征值,Vq3为F3的特征值,Vq4为F4的特征值,Vq5为F5的特征值。
需要说明的是,虽然在该例子中,特征包括以上5项,但在其他实施例中,也可以包括更多项,并不限于以上5个。
假设共有L个服刑人员,每个服刑人员q(q=1,2,…,L)具有Kq个特征向量,则由此得到的特征向量总数SL为:
其中,当Kq=5(q=1,2,…,L)时,表示每个服刑人员均具有fq1、fq2、fq3、fq4和fq5这5个特征向量。
这样,得到的所有训练样本所集成的集合即为训练样本集S。此外,训练样本集中的训练样本除了来自以上服刑人员实际训练采集的数据之外,还可以来自犯罪专家数据库的犯罪数据,如犯罪时心电、血压等参数。
需要注意的是,训练阶段的服刑人员的行为类别是已知的,也就是说,训练样本是具有行为类别标签的;而测试阶段(即上文结合图1所描述的步骤S110-S130)的服刑人员的行为类别是未知的,也即待识别的。
(1.2)接着,如步骤S420所示,利用(1.1)中获得的训练样本集S,计算信息增益率,选择决策结点,通过训练获得用于对行为类别进行识别的行为识别模型。
令A表示fq1、fq2、fq3、fq4和fq5中的任一个,设A共有n个不同取值,所述n个不同取值记为aj(j=1,2,…n),假设训练样本集S被属性A的不同取值分为n个子集Sj(j=1,2,…n),用aj表示Sj中A的取值。|Sj|表示A=aj的训练样本数量(也即子集Sj中所包含的训练样本数量),|Ci|=f(Ci,S)表示训练样本集S中类别标签为Ci的训练样本数量。
这样,用P(Ci)表示训练样本集S中的训练样本属于类别标签Ci类的概率,用P(aj)表示训练样本集S中的训练样本的属性A=aj的概率,则:
P(Ci)=|Ci|/|S|;
P(aj)=|Sj|/|S|。
计算训练样本集S中M个类的信息熵Info(C):
计算每个属性A的信息熵InfoA(C):
计算每个属性A的信息增益Gain(A):
Gain(A)=Info(C)-InfoA(C) (1-3)
计算每个属性A的分裂信息的度量H(A):
计算每个属性A的信息增益率GainRatio(S,A):
GainRatio(S,A)=Gain(A)/H(A) (1-5)
然后,利用(1.1)中获得的训练样本集S,根据公式(1-1)至(1-5)来计算该属性的信息增益率,根据信息增益由大到小,选择决策结点,建立分类规则的行为识别模型对该结点进行分类对于其它属性按上述步骤从新计算,建立分类规则的行为识别模型对该结点进行分类,建立分类规则。通过训练获得所述行为识别模型。
下面,以M=2、属性集包括5个属性(即心电、位置、姿态、温度、血压)的情况为例,来描述如何建立上述行为识别模型。
M=2时,C={0,1},即C1=0表示行为正常,而C2=1表示犯罪。
首先,利用公式(1-1)计算P(C1)、P(C2)的信息熵Info(C)=-P(C1)log2P(C1)-P(C2)log2P(C2)。
然后,利用公式(1-2)分别计算属性集中每个属性的信息熵,得到Info(心电)、Info(位置)、Info(姿态)、Info(温度)和Info(血压)。
接着,利用公式(1-3)分别计算属性集中每个属性的信息增益:
Gain(心电)=Info(C)-Info(心电);
Gain(位置)=Info(C)-Info(位置);
Gain(姿态)=Info(C)-Info(姿态);
Gain(温度)=Info(C)-Info(温度);
Gain(血压)=Info(C)-Info(血压)。
接着,利用公式(1-4)分别计算属性集中每个属性的分裂信息度量,得到H(心电)、H(位置)、H(姿态)、H(温度)、H(血压)。
然后,利用公式(1-5)分别计算属性集中每个属性的信息增益率:
GainRatio(心电)=Gain(心电)/H(心电);
GainRatio(位置)=Gain(位置)/H(位置);
GainRatio(姿态)=Gain(姿态)/H(姿态);
GainRatio(温度)=Gain(温度)/H(温度);
GainRatio(血压)=Gain(血压)/H(血压)。
这样,通过选择具有信息增益率最大的属性作为当前结点的测试属性,对于每个分支按上述步骤重新计算,根据信息增益由大到小来建立从根节点到叶子点的分类规则的行为识别模型。其中,对上述行为识别模型的训练可以离线执行。由此,根据计算得到的信息增益率,选择属性集中的属性作为决策结点,对决策结点进行分类,建立分类规则,完成对上述行为识别模型的训练。
本发明的上述分类算法的分类规则较简单,分类的准确率较高。
(2)服刑人员的行为识别过程(即测试阶段)。
(2.1)测试样本的获取。
下面,将待检测的服刑人员简称为待测人员。根据行为识别模型对待测人员的行为进行识别的过程与训练过程类似,区别在于,测试特征向量(即待测人员的行为特征向量)没有类别标签。
为了识别待测人员当前的行为类别,首先获取待测人员的行为特征参数(相当于图1中的步骤S110)。例如,利用图5中的行为采集模块中的心电传感器、位置传感器、姿态传感器、温度传感器和血压传感器采集待测人员的心电、位置、姿态、温度和血压数据。
然后,对这些数据进行数据滤波处理(如通过图5中的信号处理模块)并进行模拟数字转换(如通过图5中的数据转换模块),利用窗口分割技术对数据进行分割;对于分割得到的每一个窗口数据,对窗口提取的数据与训练阶段相同的特征,以及执行规范化等处理,得到待测人员的行为特征向量,作为测试样本(相当于图1中的步骤S120)。
(2.1)利用测试样本识别待测人员的行为类别,以确定其是否为犯罪行为(相当于图1中的步骤S130)。
将待测人员的上述测试样本输入到已经训练好的行为识别模型(该行为识别模型例如存储在图5所示的行为识别模块中)中,来判定其当前行为是否为犯罪(如通过图5所示的行为犯罪检测模块来执行):若其行为正常,则对该待测人员进行重复检测;若其行为被上述行为识别模型识别为犯罪,则再利用K近邻距离加权分类算法进行检测。若利用K近邻距离加权分类算法检测到该待测人员的行为为正常行为,则对该待测人员继续重复使用上述行为识别模型检测;若利用K近邻距离加权分类算法检测到该待测人员的行为为犯罪,则确定其正在实施犯罪行为,可以通过如图5所示的报警模块向监控中心报警,其中,报警模块与监控中心之间的通讯则可以通过图5所示的无线通讯模块来实现。此外,在该示例中,还可以通过图5所示的数据存储模块来存储整个处理过程中需要存储的数据;另外,当检测到待测人员正在犯罪时,还可以通过图5所示的语音模块向该待测人员发出警告等处理。
其中,K近邻距离加权分类算法是实例学习算法,不需要进行模型训练,特征空间中两个实例点的距离反应出两个实例点之间的相似性程度。服刑人员行为识别实例样本可以采用上文(1.1)中获得的训练样本集S中的训练样本。
假设q、p为两个实例样本,该两点坐标分别为xq={fq1,fq2,fq3,fq4,fq5}、xp={fp1,fp2,fp3,fp4,fp5},考虑到属性心电、位置、姿态、温度和血压对行为识别犯罪的影响程度不同,将属性影响大的赋予更高的权值,对5个属性赋予不同权值,令a1表示心电权值、a2表示位置权值、a3表示姿态权值、a4表示温度权值和a5表示血压权值,a1+a2+a3+a4+a5=1。其中,各个属性的权值可以根据经验值来设定,或者也可以通过试验的方式来确定,这里不再赘述。这样,两点q,p间的加权欧氏距离为:
对k个近邻的距离越近的赋予越大的权值,贡献加权越多,将权值设置为欧氏距离的倒数平方,通过取k个近邻的加权平均,可以消除孤立的噪声样例的影响。假设测试样本xq与其k个最近邻训练样本xh(1<<h<<k)的距离及距离权值分别为d(xq,xh)2(1<<h<<k)和wh(1<<h<<k),在集合S中找出与xq距离最近的k个点,近邻的加权平均:
其中,权重用Sk表示k个最近邻训练样本xh(1<<h<<k)所组成的集合,根据这k个近邻判断决定xq的行为类别,以判定其是否为犯罪。
其中,N为训练样本个数,xh为表示第h个训练样本的特征向量,f(xh)为其对应的行为类别。c1,c2,...,cj为行为类别,M为行为类别的种类总数。I为指示函数,当f(xh)=cj时I为1,上传到监测中心进行报警;否则,I为0,不进行报警,重新采集服刑人员的行为特征参数来进行检测。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (8)
1.一种监狱服刑人员的行为识别方法,其特征在于,所述行为识别方法包括:
采集服刑人员的行为特征参数;
通过对所述服刑人员的行为特征参数进行数据分割和规范化,以获得所述服刑人员的行为特征向量;以及
利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别,以获得所述服刑人员的当前行为类别;
所述预定的行为识别模型中预设至少两个行为类别,该至少两个行为类别包括正常和犯罪,其中,所述犯罪包括越狱和其他犯罪;
所述服刑人员的当前行为类别为正常或犯罪;
所述利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别的步骤包括:基于所述行为识别模型对所述服刑人员的行为特征向量进行识别,在该识别的结果为犯罪的情况下,通过K近邻距离加权分类算法对所述服刑人员的行为特征向量进行再次识别:若所述服刑人员的行为特征向量的再次识别结果也为犯罪,则将所述服刑人员的行为特征向量的当前行为类别确定为犯罪。
2.根据权利要求1所述的行为识别方法,其特征在于,所述服刑人员的行为特征参数包括:
心电参数;位置参数;姿态参数;温度参数;以及血压参数。
3.根据权利要求1或2所述的行为识别方法,其特征在于,所述预定的行为识别模型通过如下方式获得:
获得训练样本集,其中,所述训练样本集中的每个训练样本具有表示该训练样本所属行为类别的标签;
利用所述训练样本集,计算信息增益率并选择决策结点,通过训练获得用于对行为类别进行识别的行为识别模型。
4.根据权利要求3所述的行为识别方法,其特征在于,所述获得训练样本集的步骤包括:
提取每个服刑人员在其当前行为类别已知的情况下的心电参数、位置参数、姿态参数、温度参数和血压参数;
对每个服刑人员的心电参数、位置参数、姿态参数、温度参数和血压参数进行预处理,所述预处理包括滤波、模数转换、数据分割以及数据规范化,得到训练阶段每个服刑人员的行为特征向量,作为训练样本;
利用所有训练样本获得所述训练样本集,其中,每个训练样本Sq表示为Sq={fq1,fq2,fq3,fq4,fq5:Ci},其中,q表示训练样本的序数,q=1,2,…,|S|,|S|为训练样本集中包括的训练样本总数,Ci表示行为类别标签,i=1,2,…,M,M为行为类别标签的种类总数;fq1、fq2、fq3、fq4和fq5依次为训练样本Sq的第一属性、第二属性、第三属性、第四属性和第五属性,其中,第一属性对应心电参数,第二属性对应位置参数,第三属性对应姿态参数,第四属性对应温度参数,而第五属性对应血压参数。
5.根据权利要求4所述的行为识别方法,其特征在于,所述利用训练样本集计算信息增益率并选择决策结点、通过训练获得用于对行为类别进行识别的行为识别模型的步骤包括:
令A表示fq1、fq2、fq3、fq4和fq5中的任一个,设A共有n个不同取值,所述n个不同取值记为aj(j=1,2,…n),假设训练样本集S被属性A的不同取值分为n个子集Sj(j=1,2,…n),用aj表示Sj中A的取值;|Sj|表示A=aj的训练样本数量,|Ci|=f(Ci,S)表示训练样本集S中类别标签为Ci的训练样本数量;
用P(Ci)表示训练样本集S中的训练样本属于类别标签Ci类的概率,用P(aj)表示训练样本集S中的训练样本的属性A=aj的概率,其中,
P(Ci)=|Ci|/|S|,
P(aj)=|Sj|/|S|;
计算训练样本集S中M个类的信息熵Info(C):
计算每个属性A的信息熵InfoA(C):
计算每个属性A的信息增益Gain(A):
Gain(A)=Info(C)-InfoA(C) (1-3)
计算每个属性A的分裂信息的度量H(A):
计算每个属性A的信息增益率GainRatio(S,A):
GainRatio(S,A)=Gain(A)/H(A) (1-5)
利用所述训练样本集S,根据公式(1-1)至(1-5)来计算该属性的信息增益率,根据信息增益由大到小,选择决策结点,建立分类规则的行为识别模型对该结点进行分类,对于其它属性按上述步骤从新计算,建立分类规则的行为识别模型对该结点进行分类,建立分类规则,通过训练获得所述行为识别模型。
6.根据权利要求1或2所述的行为识别方法,其特征在于,所述行为识别方法还包括:
当所述服刑人员的当前行为类别为犯罪时,向监控中心进行报警。
7.一种监狱服刑人员的行为识别装置,其特征在于,所述行为识别装置包括:
采集单元,其用于采集服刑人员的行为特征参数;
预处理单元,其用于通过对所述服刑人员的行为特征参数进行数据分割和规范化,以获得所述服刑人员的行为特征向量;以及
识别单元,其用于利用预定的行为识别模型对所述服刑人员的行为特征向量进行识别,以获得所述服刑人员的当前行为类别;
所述预定的行为识别模型中预设至少两个行为类别,该至少两个行为类别包括正常和犯罪,其中,所述犯罪包括越狱和其他犯罪;
所述服刑人员的当前行为类别为正常或犯罪;
所述识别单元适于:基于所述行为识别模型对所述服刑人员的行为特征向量进行识别,在该识别的结果为犯罪的情况下,通过K近邻距离加权分类算法对所述服刑人员的行为特征向量进行再次识别:若所述服刑人员的行为特征向量的再次识别结果也为犯罪,则将所述服刑人员的行为特征向量的当前行为类别确定为犯罪。
8.根据权利要求7所述的行为识别装置,其特征在于,所述采集单元包括:
心电传感器,其用于采集服刑人员的心电参数;
位置传感器,其用于采集服刑人员的位置参数;
姿态传感器,其用于采集服刑人员的姿态参数;
温度传感器,其用于采集服刑人员的温度参数;以及
血压传感器,其用于采集服刑人员的血压参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501301.7A CN105139029B (zh) | 2015-08-14 | 2015-08-14 | 一种监狱服刑人员的行为识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501301.7A CN105139029B (zh) | 2015-08-14 | 2015-08-14 | 一种监狱服刑人员的行为识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139029A CN105139029A (zh) | 2015-12-09 |
CN105139029B true CN105139029B (zh) | 2018-11-02 |
Family
ID=54724372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501301.7A Active CN105139029B (zh) | 2015-08-14 | 2015-08-14 | 一种监狱服刑人员的行为识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139029B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919888A (zh) * | 2015-12-25 | 2017-07-04 | 中国移动通信集团公司 | 一种吃饭行为识别方法、装置及家庭网关 |
CN106096666A (zh) * | 2016-06-24 | 2016-11-09 | 惠州紫旭科技有限公司 | 一种降低录播系统学生行为分析误判的方法和装置 |
CN109598911B (zh) * | 2018-08-23 | 2021-09-28 | 浙江宇视科技有限公司 | 预警方法、装置及计算机可读存储介质 |
CN109344734A (zh) * | 2018-09-11 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种危险人群识别方法和系统 |
WO2020056854A1 (zh) * | 2018-09-21 | 2020-03-26 | 合肥指南针电子科技有限责任公司 | 一种基于监狱人员信息分析的智能化监控调控系统 |
CN111126100B (zh) * | 2018-10-30 | 2023-10-17 | 杭州海康威视数字技术股份有限公司 | 报警方法、装置、电子设备及存储介质 |
CN109447162B (zh) * | 2018-11-01 | 2021-09-24 | 山东大学 | 一种基于Lora和Capsule的实时行为识别系统及其工作方法 |
CN109784525A (zh) * | 2018-11-13 | 2019-05-21 | 北京码牛科技有限公司 | 基于天空地一体化数据的预警方法及装置 |
CN109543986A (zh) * | 2018-11-16 | 2019-03-29 | 湖南数定智能科技有限公司 | 基于用户画像的监狱罪犯三预风险评估方法及系统 |
CN112862645A (zh) * | 2019-11-27 | 2021-05-28 | 山东万博科技股份有限公司 | 建立多维度服刑人员状态信息模型的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
-
2015
- 2015-08-14 CN CN201510501301.7A patent/CN105139029B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104586398A (zh) * | 2013-10-30 | 2015-05-06 | 广州华久信息科技有限公司 | 一种基于多传感器融合的老人跌倒检测方法及系统 |
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
Non-Patent Citations (3)
Title |
---|
体域网中基于特征组合的步态行为识别;王凯 等;《中国科学:信息科学》;20131031(第10期);全文 * |
决策树分类算法的研究与应用;卜亚杰;《中国硕士学位论文全文数据库 信息科技辑》;20081115(第11期);全文 * |
基于可穿戴传感器网络的人体行为识别技术研究;汪亮;《中国博士学位论文全文数据库 信息科技辑》;20150315(第3期);第7-42页第1.2节到第3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105139029A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139029B (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN108764059B (zh) | 一种基于神经网络的人体行为识别方法及系统 | |
CN108734055B (zh) | 一种异常人员检测方法、装置及系统 | |
US20140161322A1 (en) | System and method for activity recognition | |
CN110070078B (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
CN106846729A (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
CN104771177B (zh) | 一种基于机器学习的跌倒检测系统及方法 | |
CN111209848A (zh) | 一种基于深度学习的实时跌倒检测方法 | |
CN107320115B (zh) | 一种自适应的精神疲劳评估装置及方法 | |
CN110084286A (zh) | 一种基于传感器的ecoc技术的人体动作识别方法 | |
CN102158486A (zh) | 一种网络入侵快速检测方法 | |
CN106667506A (zh) | 一种基于皮肤电反应和瞳孔变化的测谎方法及装置 | |
US10650277B2 (en) | Apparatus and method for training a learning system to detect event | |
CN105869354B (zh) | 一种基于吸引子传播算法的老人跌倒检测方法 | |
CN114743678A (zh) | 一种基于改进gdn算法的智能手环生理指标异常分析方法及系统 | |
CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Zainudin et al. | Multi-label classification using label combination to recognize human activity based on various sensor positions | |
CN113378702B (zh) | 一种用于登杆作业的多特征融合的疲劳监测识别方法 | |
CN110065867A (zh) | 基于音视频的电梯舒适度评价的方法和系统 | |
Liu et al. | Preimpact fall detection for elderly based on fractional domain | |
AU2020102094A4 (en) | GROUP ACTIVITY RECOGNITION BY INTEGRATION AND FUSION OF INDIVIDUAL MULTISENSORY IoT DATA | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
CN114913585A (zh) | 融合面部表情的居家老人摔倒检测方法 | |
Saranya et al. | Human body temperature and face mask audit system for COVID protocol |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |