CN106781245A - 基于可穿戴设备的服刑人员斗殴预警的方法与系统 - Google Patents

Abstract

本发明公开了基于可穿戴设备的服刑人员斗殴预警的方法与系统；通过穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；实时判断个体生理数据、个体行为数据是否超出设定阈值范围；当数据发生异常时对个体进行标记；判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与周围其他个体之间的距离；当被标记个体设定距离范围内有其他个体时，分析其他个体的生理数据和其他个体的行为数据；对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。

Description

基于可穿戴设备的服刑人员斗殴预警的方法与系统

技术领域

本发明涉及基于可穿戴设备的服刑人员斗殴预警的方法与系统。

背景技术

斗殴是指是指双方或多方通过实施暴力击打以达到制服对方的行为，监狱作为看守犯罪人员的刑罚执行机关，狱内环境较为压抑，且服刑人员本身素质较低，所以狱内服刑人员打架斗殴一直以来都是狱内常见违规现象，但一直没有得到有效控制。同时，服刑人员的打架斗殴也是狱内非正常死亡主要原因。

随着社会的发展，狱内服刑人员的斗殴监管愈发受到司法部门及社会各界的重视，但由于监狱内服刑人员过多，干警过少，在有限的人力上很难做到实时、全面、准确的监管，因此，狱内斗殴事件屡禁不止，成为监狱安全管理的一大隐患。

随着物联网时代的到来，各监狱先后引入先进的智能监狱管理系统，其中可穿戴设备是该系统中的一大组成部分。但是目前的基于物联网的可穿戴设备没有相应的斗殴预警解决方案，因此，基于可穿戴设备的服刑人员斗殴预警方法还有待开发。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于可穿戴设备的服刑人员斗殴预警的方法与系统，通过个体行为数据的判断，可以客观准确的预测服刑人员的斗殴行为，大大降低了管理人员的工作强度，减少了人员上的资源浪费，同时为大批量服刑人员的斗殴预警做到了技术支持，大大提高了监狱智能化管理水平。

为了实现上述目的，本发明采用如下技术方案：

一种基于可穿戴设备的服刑人员斗殴预警的方法，包括：

步骤(1)：通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；

步骤(2)：实时判断个体生理数据是否超出设定阈值范围，实时判断个体行为数据是否超出设定阈值范围；

步骤(3)：当个体生理数据或个体行为数据发生异常时对个体进行标记；

步骤(4)：判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离；

步骤(5)：当被标记个体设定距离范围内有其他个体时，进一步分析其他个体的生理数据和其他个体的行为数据；

步骤(6)：对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；

步骤(7)：根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。

步骤(1)中所述个体位置数据格式为：【个体ID，位置，时间】；所述个体生理数据包括：心率、呼吸频率、血压；所述个体行为数据主要为个体三轴加速度数据。

步骤(2)中个体生理数据的设定阈值范围：正常成人心率约为60～100次/分钟，呼吸频率为12～20次/分钟，血压则根据个体体检数据为准。

步骤(4)：服刑人员由于场所的特殊性，大家斗殴基本为肉搏，所以当出现斗殴现象时，参与个体之间距离应该较近，此步骤是判断是否构成斗殴的必要条件。

步骤(5)：通过分析两个个体的生理、行为数据，来增加判断的准确性。

步骤(6)生理数据与数据库记载的生理阈值范围进行比较，行为数据通过算法进行训练分析。

所述个体行为数据的判断步骤为：

步骤(201)：定义观察状态集合和隐藏状态集合；

所述观察状态集合包括三轴加速度传感器采集的加速度数据，根据不同运动时的加速度，采用f1、f2和f3三个阈值对观察值进行划分；

其中，X为三轴加速度传感器X轴方向上的采样数据，Y为三轴加速度传感器Y轴方向上的采样数据，Z为三轴加速度传感器Z轴方向上的采样数据；通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态；

步骤(202)：根据已经定义的观察状态集合和隐藏状态集合，建立模型；

λ＝(S，V，A，B，π)；(1.1)

其中，

S＝{S₁，S₂，…，S_N}表示隐藏状态集合，N为正整数；N表示隐藏状态的总数；

V＝{V₁，V₂，…，V_M}表示观察状态集合，M为正整数；

A＝[a_ij]表示状态i到j的转移概率，其中a_ij＝P(q_i+j＝j|q_i＝i)，1≤i≤N且1≤j≤N。

B＝{b_j(k)}表示观察值的概率分布，其中b_j(k)＝P(V_k|j)，1≤k≤M且1≤j≤N，b_j(k)表示在状态j时观察值为V_k的概率；

π＝{π_i}为初始状态概率分布，π_i＝P(q₁＝i)表示时刻为1时状态为i的频率。

步骤(203)：使用多向算法对模型进行训练；

步骤(204)：利用训练好的模型对实际观察状态数据进行判断，从而得到个体行为数据是否超出设定阈值范围的结论。

所述步骤(203)的步骤如下：

设a_i(i)＝P(V₁，V₂，…，V_i，q_i＝i|λ)为多向变量，含义为在给定的λ，时刻t的状态为i，部分观察序列为V₁，V₂，…，V_i的概率。

若π_i表示初始状态为i的概率，b_i(V_i)表示状态为i时观察值为V_i的概率，则有a_i(i)＝π_ib_i(V_i)，1≤i≤N，N为隐藏状态总数。

递推计算a_i(i)，直到观察序列结束为止，最后将所有状态的累计输出概率叠加得到P(V|λ)。

所述步骤(203)算法的公式表达如下：

初始化

a_i(i)＝π_ib_i(V_i)，1≤i≤N；(1.4)

迭代计算

终止计算

其中，a_ij表示状态i到j的转移概率；P(V|λ)就是在给定λ的条件下，观察序列的概率。P(V|λ)的值越大，则表示采集数据集合与已知正常数据集合情况相似，反之，则为疑似异常行为样本。

阈值的大小根据实际情况确定，根据正常人斗殴时运动剧烈程度、身体姿态、运动方向等因素，将阈值设为f1＝20，f2＝3.8和f3＝1。

通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态，所述若干个观察状态爱包括躺卧V₁、坐V₂、站立V₃、行走V₄、奔跑V₅、跳跃V₆、蹲V₇七个状态；表示加速度信号最大值和最小值之差；

所述隐藏状态集合，包括：躺卧S₁、坐S₂、站立S₃、行走S₄、站立-坐S₅、坐-站立S₆、坐-躺卧S₇、躺卧-坐S₈、站立-行走S₉和行走-站立S₁₀。

一种基于可穿戴设备的服刑人员斗殴预警的系统，包括：

数据采集单元：通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；

实时判断单元：实时判断个体生理数据是否超出设定阈值范围，实时判断个体行为数据是否超出设定阈值范围；

异常个体标记单元：当个体生理数据或个体行为数据发生异常时对个体进行标记；

周围个体距离计算单元：判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离；

分析单元：当被标记个体设定距离范围内有其他个体时，进一步分析其他个体的生理数据和其他个体的行为数据；

警告发出单元：对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；

监控单元：根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。

本发明的有益效果：

1、本发明的斗殴预警通过可穿戴设备上的传感器判断是否发生斗殴行为，而不是通过视频监控分析人为主观判断，传感器包括：血压传感器、脉搏传感器、呼吸频率传感器、三轴加速度传感器。其中，利用三轴加速度传感器来辅助检测是否有斗殴行为，在国内尚属首例。且利用三轴加速度传感器的采集数据，能够更加精准确定服刑人员的行为动作变化情况；

2、定位数据判断是否有多个个体聚集，这是判断是否产生斗殴的必要条件，也是本发明主要创新点之一；

3、行为数据的判断是本发明的主要创新点，现有技术都没有类似方法。通过对定位和生理数据的辅助判断，再通过行为数据分析可以准确确认是否产生斗殴行为，极大的增加了预警的准确性；根据定位数据、生理数据、行为数据三项全部满足的情况下，才发出警告并调动相应位置视频人工确认。能够有效避免误判误报警现象；

4、通过个体行为数据的判断，可以客观准确的预测服刑人员的斗殴行为，大大降低了管理人员的工作强度，减少了人员上的资源浪费，同时为大批量服刑人员的斗殴预警做到了技术支持，大大提高了监狱智能化管理水平。

附图说明

图1为采用阈值划分观察状态空间；

图2为本发明的主要流程图；

图3为本发明的可穿戴设备的内部连接示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，通过f1，f2和f3三个阈值将所有观察值划分为V₁，V₂，…，V₇ 7个状态，步骤如下：

步骤(11)：判断小于f1是否成立，若否，则观察值为V₇；若是，则进入步骤(12)；

步骤(12)：判断Y轴数据是否小于f2，若是就进入步骤(13)，若否进入步骤(14)；

步骤(13)：判断X轴数据是否小于f3，若是，则观察值为V₁；若否，则观察值为V₂；

步骤(14)：判断Z轴数据是否小于f3，若是，则进入步骤(15)；若否进入步骤(16)；

步骤(15)：判断X轴数据是否小于f3，若是，则观察值为V₃；若否，则观察值为V₄；

步骤(16)：判断X轴数据是否小于f3，若是，则观察值为V₅；若否，则观察值为V₆。

如图2所示，一种基于可穿戴设备的服刑人员斗殴预警的方法，包括：

步骤(1)：通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；

步骤(2)：实时判断个体生理数据是否超出设定阈值范围，实时判断个体行为数据是否超出设定阈值范围；

步骤(3)：当个体生理数据或个体行为数据发生异常时对个体进行标记；

步骤(4)：判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离；

步骤(5)：当被标记个体设定距离范围内有其他个体时，进一步分析其他个体的生理数据和其他个体的行为数据；

步骤(6)：对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；

步骤(7)：根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。

如图3所示，可穿戴设备为手环或者腰带，包括：

射频发送模块，所述射频发送模块分别与加速度传感器、心率传感器、呼吸传感器和血压传感器连接；

所述射频发送模块，与监控终端的射频接收模块通信；射频接收单元与数据分析处理单元连接，数据分析处理单元与报警单元连接。

针对狱内服刑人员斗殴预警的方法与系统，鉴于斗殴这一异常行为的特殊性，本发明提出一种基于运动剧烈程度、身体姿态、运动方向的疑似跌倒判断检测的方法，可以高效、准确检测服刑人员斗殴行为。

本方法具体步骤如下：

λ＝(S，V，A，B，π)式1.1

其中，S＝{S₁，S₂，…，S_N}表示隐藏状态集合，V＝{V₁，V₂，…，V_M}表示观察状态集合。A＝[a_ij]表示状态转移概率，其中a_ij＝P(q_i+j＝j|q_i＝i)，1≤i≤N且1≤j≤N。B＝{b_j(k)}表示观察值的概率分布，其中b_j(k)＝P(V_k|j)，1≤k≤M且1≤j≤N，b_j(k)表示在状态j时观察值为V_k的概率。π＝{π_i}为初始状态概率分布，π_i＝P(q₁＝i)表示时刻为1时状态为i的频率。

对于数据样本集，由于异常样本作为观察序列出现的概率较低，通过阈值判断可以将异常行为和日常行为区分开来。

在对样本集进行训练之前需要定位观察状态空间和隐藏状态空间。观察状态空间由加速度数据决定，根据不同运动时的加速度信号特点，采用3个阈值对观察值范围进行划分。

在图1中，X，Y，Z如式1.2和1.3所示，X,Y,Z分别为传感器三轴采样数据，通过f1，f2和f3三个阈值将所有观察值划分为V₁，V₂，…，V₇ 7个状态。阈值需要根据具体情况确定，根据正常人斗殴时运动剧烈程度、身体姿态、运动方向等因素，将阈值设为f1＝20，f2＝3.8和f3＝1。

根据服刑人员活动特点，利用其在狱内较为常见的行为样本训练，包括躺卧(S1)、坐(S2)、站立(S3)、行走(S4)、以及他们之间的相互转移，站立-坐(S5)、坐-站立(S6)、坐-躺卧(S7)、躺卧-坐(S8)、站立-行走(S9)、行走-站立(S10)共10种行为隐藏状态。对观察状态空间和隐藏空间定义完成后，使用多向算法对参数进行训练。

多向算法通过设定一个累计输出概率，减少了重复计算。具体步骤如下：

设a_i(i)＝P(V₁，V₂，…，V_i，q_i＝i|λ)为多向变量，其含义为在给定的λ，时刻t的状态为i，部分观察序列为V₁，V₂，…，V_i的概率。

若π_i表示初始状态为i的概率，b_i(V_i)表示状态为i时观察值为V_i的概率，则有a_i(i)＝π_ib_i(V_i)，1≤i≤N，N为隐藏状态总数。

递推计算a_i(i)，直到观察序列结束为止，最后将所有状态的累计输出概率叠加得到P(V|λ)。

算法公式表达如下：

初始化

a_i(i)＝π_ib_i(V_i)，1≤i≤N式1.4

迭代计算

终止计算

式1.5中a_ij表示状态i到j的转移概率。P(V|λ)就是在给定λ的条件下，观察序列的概率。概率越大，则表示与样本集情况相似，反之，则可能为异常行为样本，然后进一步通过三轴加速度数据判断异常行为。

以判断跌倒为例：

设A∈{X,Y,Z},A表示三轴加速度传感器对应轴的第i个采样点，则对应轴与重力G方向的夹角

其中重力G可通过人体静止时三轴的合成加速度得出。为了避免跌倒后由于身体再次运动导致角度变化较大，选择加速度时间序列不能太长，在此选取疑似跌倒样本后32个采样点计算反映轴角度，将其平均值作为身体倾角φ。

式中为第i个样本点的反映轴与水平方向夹角，k为样本点个数，这里k＝32。当Φ为虚数时，Y_i>G，说明人体处于运动状态，与跌倒后的躺卧状态不符，此时该样本也排除在意外跌倒样本之外。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，包括：

步骤(1)：通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；

步骤(2)：实时判断个体生理数据是否超出设定阈值范围，实时判断个体行为数据是否超出设定阈值范围；

步骤(3)：当个体生理数据或个体行为数据发生异常时对个体进行标记；

步骤(4)：判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离；

步骤(5)：当被标记个体设定距离范围内有其他个体时，进一步分析其他个体的生理数据和其他个体的行为数据；

步骤(6)：对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；

步骤(7)：根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。

2.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

所述个体行为数据的判断步骤为：

步骤(201)：定义观察状态集合和隐藏状态集合；

步骤(202)：根据已经定义的观察状态集合和隐藏状态集合，建立模型；

步骤(203)：使用多向算法对模型进行训练；

步骤(204)：利用训练好的模型对实际观察状态数据进行判断，从而得到个体行为数据是否超出设定阈值范围的结论。

3.如权利要求2所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

所述观察状态集合包括三轴加速度传感器采集的加速度数据，根据不同运动时的加速度，采用f1、f2和f3三个阈值对观察值进行划分；

$S_i=\sqrt{{X_i}^2+{Y_i}^2+{Z_i}^2};---\left(1.2\right)$

其中，X为三轴加速度传感器X轴方向上的采样数据，Y为三轴加速度传感器Y轴方向上的采样数据，Z为三轴加速度传感器Z轴方向上的采样数据；通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态。

4.如权利要求3所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

所述步骤(202)的模型如下：

λ＝(S，V，A，B，π)；(1.1)

其中，

S＝{S₁，S₂，…，S_N}表示隐藏状态集合，N为正整数；N表示隐藏状态的总数；

V＝{V₁，V₂，…，V_M}表示观察状态集合，M为正整数；

A＝[a_ij]表示状态i到j的转移概率，其中a_ij＝P(q_i+j＝j|q_i＝i)，1≤i≤N且1≤j≤N；

B＝{b_j(k)}表示观察值的概率分布，其中b_j(k)＝P(V_k|j)，1≤k≤M且1≤j≤N，b_j(k)表示在状态j时观察值为V_k的概率；

π＝{π_i}为初始状态概率分布，π_i＝P(q₁＝i)表示时刻为1时状态为i的频率。

5.如权利要求2所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

所述步骤(203)的步骤如下：

设a_i(i)＝P(V₁，V₂，…，V_i，q_i＝i|λ)为多向变量，含义为在给定的λ，时刻t的状态为i，部分观察序列为V₁，V₂，…，V_i的概率；

若π_i表示初始状态为i的概率，b_i(V_i)表示状态为i时观察值为V_i的概率，则有a_i(i)＝π_ib_i(V_i)，1≤i≤N，N为隐藏状态总数；

递推计算a_i(i)，直到观察序列结束为止，最后将所有状态的累计输出概率叠加得到P(V|λ)。

6.如权利要求5所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

所述步骤(203)算法的公式表达如下：

初始化

a_i(i)＝π_ib_i(V_i)，1≤i≤N；(1.4)

迭代计算

$a_{t+1}\left(j\right)=\[{\mathrm{\Σ}}_{i=1}^N{a}_i\left(i\right)a_{ij}\]b_j\left(V_{i+1}\right),1\≤t\≤T-1,1\≤j\≤N;---\left(1.5\right)$

终止计算

$P\left(V\right|\mathrm{\λ})={\mathrm{\Σ}}_{i=1}^N{a}_T\left(i\right);---\left(1.6\right)$

其中，a_ij表示状态i到j的转移概率；P(V|λ)就是在给定λ的条件下，观察序列的概率；P(V|λ)的值越大，则表示采集数据集合与已知正常数据集合情况相似，反之，则为疑似异常行为样本。

7.如权利要求3所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

通过f1、f2和f3三个阈值将所有观察值划分为若干个观察状态的步骤如下：

步骤(11)：判断小于f1是否成立，若否，则观察值为V₇；若是，则进入步骤(12)；

步骤(12)：判断Y轴数据是否小于f2，若是就进入步骤(13)，若否进入步骤(14)；

步骤(13)：判断X轴数据是否小于f3，若是，则观察值为V₁；若否，则观察值为V₂；

步骤(14)：判断Z轴数据是否小于f3，若是，则进入步骤(15)；若否进入步骤(16)；

步骤(15)：判断X轴数据是否小于f3，若是，则观察值为V₃；若否，则观察值为V₄；

步骤(16)：判断X轴数据是否小于f3，若是，则观察值为V₅；若否，则观察值为V₆。

8.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

可穿戴设备为手环或者腰带，包括：

射频发送模块，所述射频发送模块分别与加速度传感器、心率传感器、呼吸传感器和血压传感器连接；

所述射频发送模块，与监控终端的射频接收模块通信；射频接收单元与数据分析处理单元连接，数据分析处理单元与报警单元连接。

9.如权利要求1所述的一种基于可穿戴设备的服刑人员斗殴预警的方法，其特征是，

步骤(1)中所述个体位置数据格式为：【个体ID，位置，时间】；所述个体生理数据包括：心率、呼吸频率、血压；所述个体行为数据主要为个体三轴加速度数据；

步骤(2)中个体生理数据的设定阈值范围：正常成人心率约为60～100次/分钟，呼吸频率为12～20次/分钟，血压则根据个体体检数据为准；

步骤(4)：服刑人员由于场所的特殊性，大家斗殴基本为肉搏，所以当出现斗殴现象时，参与个体之间距离应该较近，步骤(4)是判断是否构成斗殴的必要条件；

步骤(5)：通过分析两个个体的生理、行为数据，来增加判断的准确性；

步骤(6)生理数据与数据库记载的生理阈值范围进行比较，行为数据通过算法进行训练分析。

10.一种基于可穿戴设备的服刑人员斗殴预警的系统，其特征是，包括：

数据采集单元：通过服刑人员的穿戴设备实时采集个体位置数据、个体生理数据和个体行为数据；

实时判断单元：实时判断个体生理数据是否超出设定阈值范围，实时判断个体行为数据是否超出设定阈值范围；

异常个体标记单元：当个体生理数据或个体行为数据发生异常时对个体进行标记；

周围个体距离计算单元：判断被标记的个体设定距离范围内的其他个体的数量，计算被标记个体与被标记的个体周围设定距离内的其他个体之间的距离；

分析单元：当被标记个体设定距离范围内有其他个体时，进一步分析其他个体的生理数据和其他个体的行为数据；

警告发出单元：对被标记个体和被标记个体设定距离范围内的其他个体的生理数据和个体行为数据进行分析处理，打架斗殴可能性较大时，标记异常并发出警告；

监控单元：根据异常个体位置，调动异常个体位置附近的摄像头对异常个体进行监控，管理员根据监控进行确认。