CN107422643B - 基于振动检测的智能家居监控方法及系统 - Google Patents

Abstract

本发明涉及智能家居技术领域，其公开了一种基于振动检测的智能家居监控方法，包括如下步骤：数据采集模块采集人的行为活动产生的结构振动信息，通过分析处理该信号来智能监控家里人的行为活动并对异常做出警报。本发明的有益效果：解决了摄像头室内监控的隐私问题，不对用户的生活带来影响，让用户更方便地使用。

Description

基于振动检测的智能家居监控方法及系统

技术领域

本发明属于智能家居技术领域，尤其涉及智能家居的室内定位及监控方法。

背景技术

随着物联网的发展和智慧城市的建设，智能家居越来越受到人们的欢迎。人们希望不在家时同样可以监控到家里的情况，比如老人小孩是否安全、是否有盗贼入侵、保姆是否有对小孩的不当行为等。目前的监控方法普遍是摄像头技术。但是，在家里安装摄像头涉及到隐私甚至法律问题，更不可能在卧室和洗手间安装摄像头，而洗手间和卧室却是独自在家的老人小孩发生意外的高危场所。除了隐私问题，摄像头连续工作拍摄的视频需要极大的储存空间，这就导致视频存档的覆盖，无法获取保存周期前的视频源。另外，由于视频的自我识别分类及报警技术实现难度较大，需要当家里意外发生后，人工花费大量时间观看视频来找寻人们需要的信息。

鉴于以上原因，现在的物联网技术领域很多科研工作者投身于基于WIFI的人类行为检测，对WIFI的信号建模或通过机器学习的方法，可以识别人类在走路、跑步、摔倒、坐下、刷牙、做饭等行为，利用WIFI的能量递减特性或传播速度可以实现对人的室内定位，获取人的行走轨迹。WIFI的优势在于普及性，基本每家每户都有。但是，WIFI信号存在多径和非视距问题，当隔了墙时，信号强度会骤减，这大大影响了室内定位的精度和人类行为的识别准确度。另外，基于WIFI的技术要求固定不变的环境，如果移动WIFI设备或改变室内环境(如家具摆放位置)，这会导致训练模型不再有效，也就无法再进行行为识别。其次，利用WIFI对人进行行为识别仅能在一个人时有较高的准确性，当有其他人或者宠物在时，会影响WIFI信号，导致无法进行行为识别。所以，利用WIFI对室内进行监控的技术并未商业化。

发明内容

为了克服上述所指的现有技术中的不足之处，本发明提供一种基于振动检测的智能家居监控方法，通过采集人的行为引起的结构振动信号并做分析，尤其是脚步声引起的地面振动信号，解决了上述的现有监控技术缺点，可以对室内人物进行定位、追踪和行为监控。

本发明是通过以下技术方案实现的:

一种基于振动检测的智能家居监控方法，包括如下步骤：数据采集模块采集人的行为活动产生的结构振动信息，通过分析处理该信号来智能监控家里人的行为活动并对异常做出警报。

作为本发明的进一步改进：分析处理具体为：

A)通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；

B)对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；

C)将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；

其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构。

作为本发明的进一步改进：所述步骤B)中进一步包括：

B1)在所述振荡信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信号；

B2)分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；

B3)将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量。

作为本发明的进一步改进：所述步骤C)中进一步包括如下步骤：

C1)选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；

C2)判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，执行下一步骤；

C3)返回步骤C1)取得另一个未进行比较的事先存储的合法人员的特征参量重复上述步骤；如所有事先存储的合法人员的特征参量均已比较，则判断当前人员为非法人员。

作为本发明的进一步改进：还包括如下步骤：

D)将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与该合法人员对应。

作为本发明的进一步改进：还包括如下步骤：

E)通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

本发明同时提供了一种基于振动检测的智能家居监控系统，包括：

信号取得单元：用于通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；

特征参量形成单元：用于对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；

比较单元：用于将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；

其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构。

作为本发明的进一步改进：所述特征参量形成单元进一步包括：

信号取得模块：用于在所述振荡信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信号；

参数取得模块：用于分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；

特征参量形成模块：用于将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量。

作为本发明的进一步改进：所述比较单元进一步包括：

比较模块：用于选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；

判断模块：用于判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，执行下一步骤；

选择模块：用于取得另一个未进行比较的事先存储的合法人员的特征参量进行比较；如所有事先存储的合法人员的特征参量均已比较，则判断当前人员为非法人员。

作为本发明的进一步改进：还包括：

反馈单元：用于将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与该合法人员对应；

位置确定单元：用于通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

本发明的有益效果：解决了摄像头室内监控的隐私问题，不对用户的生活带来影响，让用户更方便地使用；相比视频摄像，采集的数据通过ADC转化成数字文本信息保存，所需储存空间小，保存周期长；相比视频摄像，采集的数据经过了处理分析，无需人工花费大量时间观看视频，该发明能自动检测意外发生并发出警报。振动信号是通过相同材质的固体来传播，相比WIFI等电磁波信号，相同材质的固体(例如地板)不会反射，也不会被墙壁阻挡，不存在非视距和多径效应，传播范围广、信号稳定性强，所以可以获取到更精准的原始信号，对后面数据分析时提高室内定位和行为识别的精度有很大帮助。

附图说明

图1为本发明中基于振动检测的智能家居监控系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

一种基于振动检测的智能家居监控方法，包括如下步骤：数据采集模块采集人的行为活动产生的结构振动信息，通过分析处理该信号来智能监控家里人的行为活动并对异常做出警报。

分析处理具体为：

S1分析处理地面脚步声振动信号，对人进行身份鉴定，对非法入室事件做出警报；

S2分析处理地面脚步声振动信号，利用TDOA三点定位得出人的精确位置信息；

S3分析处理振动信号，对不同的振动类型预先建模或提取特征分类，识别人的行为活动。

通过识别人类活动产生的振动信号来监控人类的行为活动，分析处理振动信号识别人类行为活动。

结构振动为人走路产生的地面振动信号。

所述数据采集模块包括地震检波器、前级放大器、滤波器、后级放大器、模数转换模块和微控制器，所述数据采集模块包括地震检波器、前级放大器、滤波器、后级放大器、模数转换模块和微控制器依次连接。

地震检波器获取脚步声振动信号的方向角度，利用不同的角度，确定不同的脚步声振动信号，进而确定人数并做到多人同时定位

本发明主要采集的信号是居住人在室内行走产生的脚步声振动信号。为了升级对居住者的行为识别能力，也可以在其他地方安装地震检波器来获取由于人类行为产生的结构振动。

由于人与人的身高体重不同，体态和行走习惯速度等都不一样，通过对脚步声振动信号的时频分析，采用快速傅里叶转换和小波变换等技术，提取特征，利用SVM分类器等机器学习技术，可以做到对人的身份识别功能。

本发明同时提供了一种基于振动检测的智能家居监控系统，包括数据采集模块、数据分析模块以及险情警报模块，数据采集模块将采集到的结构振动信息发送至数据分析模块，数据分析模块将分析结果发送至险情警报模块。

所述数据采集模块包括地震检波器、前级放大器、滤波器、后级放大器、模数转换模块和微控制器，所述数据采集模块包括地震检波器、前级放大器、滤波器、后级放大器、模数转换模块和微控制器依次连接；所述地震检波器获取脚步声振动信号的方向角度，利用不同的角度，确定不同的脚步声振动信号，进而确定人数并做到多人同时定位。

所述数据分析模块进行室内定位、行为检测和身份鉴定处理。

当用户离开家里需要开启防盗模式时，可以选择有人进去家里和在家里活动时报警。

同样可以设置更高级的防盗功能，设定合法的脚步声振动信号，当陌生人进去时才报警。

利用TDOA定位算法，在三个以上的地震检波器获取到脚步声振动信号以后，可以计算出居住者的位置信息。

通过多种方法，可以做到检测家里的人数和多人同时室内定位。

通过对不同的振动类型预先建模，或通过机器学习的办法，可以对不同的振动类型做分类，识别人的行为，比如老人摔倒。

当检测到有摔倒类型的振动信号时，可以通过给用户的手机发送警报，让出门在外的家人及时帮助到家里摔倒的人。

结合人的位置信息做分类技术，可以识别更多的行为类别，如睡觉、做饭、上厕所等。

当家里人睡觉的状态时间连续超过一个时间段，也可以设置成一个意外警报事件发送给远程用户。

由于人的大部分室内活动行为都会与家里的物体发生接触振动，如地面、灶台等，通过对更多的振动信号做训练或建模，可以不断升级功能，识别越来越多的人类行为。

本发明同时提供了一种基于振动检测的智能家居监控系统，由三个模块组成。数据采集模块、数据处理模块和险情警报模块。数据采集模块可以选择地震检波器geophone(但不限于geophone)。地震检波器是一种高灵敏度的检测振动的仪器，要比振动传感器更灵敏。

地震检波器经过几十年的技术发展，已经相对成熟且成本很低，可以大面积布置。

数据采集模块由地震检波器、前级放大器、滤波器、后级放大器、模数转换模块以及微控制器组成。

由于地震检波器直接采集到的未加工的信号太微弱，需要放大器提高信噪比。对于噪声，我们需要滤波器来去噪。利用模数转换器ADC将模拟信号转换成数字信号，最后传送到微控制器准备数据处理分析工作。

数据处理模块主要分三个功能：室内定位、行为检测和身份鉴定。

对原始信号，首先用陷波滤波去除电流噪声，用维纳滤波等技术提高信噪比。采用快速傅里叶变化和小波变换等技术处理，再用分段算法切割所需信号。

室内定位：

通过TDOA算法，利用三点定位可以获取一个人的位置信息，知道居住者在具体的位置。连续检测可以获取家里人的行走轨迹。

微控制器设置较高的采样频率，由于固体振动的信号传播优势，没有多径和非视距问题，可以达到几厘米的定位精度。

当家里有不止一个人时，如果不同人的脚步声振动信号存在交叉重叠的部分，由于多人的脚步声振动和单人的脚步声振动信号持续时间等特征不一样，通过训练，利用机器学习的方法分类，可以知道家里的人数。

采用三部件的地震检波器组采集信号，可以获取脚步声振动信号的方向角度。利用不同的角度，可以确定不同的脚步声振动信号，从而确定人数甚至做到多人同时定位。

除了上述两种方法，还有多种信号分离的方法，可以达到多人同时定位的效果。

另外，当家里人较为分散活动时，距离近的检波器将获得更高能量值的信号，通过选择算法，仅分别选择3个高能量值的检波器数据，可以独立地计算人的位置信息，多人定位可以获得单人定位的效果。

行为检测：

首先对一些基本的振动类型做训练，比如摔倒的振动信号，获取训练模型，当采集的振动信号和摔倒样本匹配时，则认为是摔倒事件。

这里提供一种分类方法供参考，但还有很多分类方法：利用梅尔倒谱系数(MFCC)作特征,通过高斯混合模型对每个振动信号的特征集合中的每个个体建立对应的概率模型,把每个振动信号的个体特征在特征空间的分布抽象为该概率模型随机产生的结果,对GMM参数利用EM算法的估计使得对数似然函数有最大值,通过测试可以得出对数似然值,而其模拟的相似程度则可以用对数似然值的范围来衡量。通过对数似然值的范围可以分类各种振动信号。

因为家里的行为很多会限制在特定地点，比如在厨房在能做饭，在洗手间上厕所。所以，结合位置信息和行走轨迹，可以识别更多的行为活动。

为了升级行为检测功能，可以不止在地面安装地震检波器，还可以在更多人类可能接触到的地方安装，可以通过训练振动信号识别更多人类行为活动。

身份鉴定：

由于许多因素，每个人都有一个独特的行走模式，比如个人的身体特征,走路时的重心位置,脚接触地的方式等。在时域上、频域上、或者时频结合，都可以找出每个人产生的特有的脚步声振动特征。利用这些特征，可以做到身份识别。

因为每个人脚步声的持续时间与脚步声的间隔时间都不一样，利用这个点作特征，再利用KNN分类器来做身份鉴定也是一种可行方案。

险情警报模块有居住者意外发生警报和盗贼入侵警报。

当居住者发生一些意外危险行为时，例如摔倒，长时间睡觉等行为，发出警报。

当有非法身份在设定时间里出现在家里时，发出警报。

警报可以通过短信或者手机app等方式向用户推送警报消息。

在本实施例，从总体上来看，采用的步骤包括：通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；以及将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构。

而得到上述特征参量的步骤又包括：在所述振荡信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信；分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量。

在进行特征参量对比时，通过选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；然后，再判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，则取得另一个未进行比较的事先存储的合法人员的特征参量重复上述步骤；如所有事先存储的合法人员的特征参量均已比较，但认为找到相对应的特征参数，则判断当前人员为非法人员。

在本实施例，除了上述步骤外，还可以包括如下步骤：将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与该合法人员对应。以及通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

此外，在本实施例，除了上述必要的基础硬件外，该系统还包括：

信号取得单元：用于通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；

特征参量形成单元：用于对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；

比较单元：用于将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；

其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构。

所述特征参量形成单元进一步包括：

信号取得模块：用于在所述振荡信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信号；

参数取得模块：用于分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；

特征参量形成模块：用于将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量。

所述比较单元进一步包括：

比较模块：用于选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；

判断模块：用于判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，执行下一步骤；

选择模块：用于取得另一个未进行比较的事先存储的合法人员的特征参量进行比较；如所有事先存储的合法人员的特征参量均已比较，则判断当前人员为非法人员。

同时，在本实施例中，上述基于振动检测的智能家居监控系统，还包括反馈单元和位置确定单元；其中，所述反馈单元：用于将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与该合法人员对应；所述位置确定单元：用于通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

以上内容是结合具体实现方式对本发明做的进一步阐述，不应认定本发明的具体实现只局限于以上说明。对于本技术领域的技术人员而言，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，均应视为有本发明所提交的权利要求确定的保护范围之内。

Claims (6)

1.一种基于振动检测的智能家居监控方法，其特征在于：包括如下步骤：采集人的行为活动产生的结构振动信息，通过分析处理该信息来智能监控家里人的行为活动并对异常做出警报；所述分析处理具体为：

A)通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；所述振动信号包括人的行为导致的房屋地板的接触振动而由地震检波器取得的信号；

B)对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；

C)将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；

D)将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与所属合法人员对应；

其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构；

所述步骤B)中进一步包括：

B1)在所述振动信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信号；

B2)分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；

B3)将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量；

还包括对采集到的振动信号进行振动分类，以便对室内人员进行行为检测；所述行为包括人员摔倒；所述分类包括利用梅尔倒谱系数作为特征，通过高斯混合模型对每个振动信号的特征集合中的每个个体建立对应的概率模型，把每个振动信号的个体特征在特征空间的分布抽象为该概率模型随机产生的结果，得出对数似然值，通过对数似然值的范围将各种振动信号分类；

根据采集到的振动信号的方向角度，利用不同的角度，确定不同的脚步声振动信号，确定人数并做到多人同时定位，通过选择算法，独立地计算人的位置信息，实现多人定位获得单人定位的效果；结合位置信息和行走轨迹进行分类，识别更多的行为类别；还包括设置意外警报事件并发送给远程用户。

2.根据权利要求1所述的基于振动检测的智能家居监控方法，其特征在于:所述步骤C)中进一步包括如下步骤：

C1)选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；

C2)判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，执行下一步骤；

C3)返回步骤C1)取得另一个未进行比较的事先存储的合法人员的特征参量重复上述步骤；如所有事先存储的合法人员的特征参量均已比较，则判断当前人员为非法人员。

3.根据权利要求1所述的基于振动检测的智能家居监控方法，其特征在于:还包括如下步骤：

E)通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

4.一种基于振动检测的智能家居监控系统，其特征在于：包括：

信号取得单元：用于通过振动传感器采集房屋内的人的行动导致的房屋结构的振动信息，得到振动信号；所述振动信号包括人的行动导致的房屋地板的接触振动而由地震检波器取得的信号；

特征参量形成单元：用于对得到的所述振动信号进行处理，得到所述振动信号中表示活动的人身份的特征参量；所述特征参量是一个包括多个元素的集合；

比较单元：用于将得到的特征参量与至少一个事先存储的合法人员的特征参量逐个进行比较，判断当前得到特征参量是否与事先存储的合法人员的特征参量中的一个匹配，如是，判断当前活动人员是合法人员；否则，判断有非法人员进入房屋，发出告警信号；

其中，所述事先存储的合法人员的特征参量是事先对合法人员在房屋中的行动进行采集而得到的，其与当前得到的特征参量具有相同的结构；

反馈单元：用于将已判断为合法人员行动得到的特征参量加入所述事先存储的合法人员的特征参量中，并与所属合法人员对应；

数据采集模块：包括地震检波器，所述地震检波器获取脚步声振动信号的方向角度，利用不同的角度，确定不同的脚步声振动信号，进而确定人数并做到多人同时定位；

数据处理模块：通过选择算法，仅分别选择3个高能量值的检波器数据，独立地计算人的位置信息，实现多人定位获得单人定位的效果；

险情警报模块：设置意外警报事件并发送给远程用户；

所述特征参量形成单元进一步包括：

信号取得模块：用于在所述振动信号中取得一段包括第一设定数量的、由所述房屋内的人的行动导致的振动的信号，作为特征参量提取信号；

参数取得模块：用于分别取得所述特征参量提取信号中每次振动的振幅；取得所述特征参量提取信号中相邻两次振动的间隔时间；

特征参量形成模块：用于将上述步骤中得到的振幅和间隔时间作为一个集合的元素，按照设定的顺序排列在一起，得到当前振动信号的特征参量；

还对采集到的振动信号进行振动分类，以便对室内人员进行行为检测；所述行为包括人员摔倒；所述分类包括利用梅尔倒谱系数作为特征，通过高斯混合模型对每个振动信号的特征集合中的每个个体建立对应的概率模型，把每个振动信号的个体特征在特征空间的分布抽象为该概率模型随机产生的结果，得出对数似然值，通过对数似然值的范围将各种振动信号分类。

5.根据权利要求4所述的基于振动检测的智能家居监控系统，其特征在于：所述比较单元进一步包括：

比较模块：用于选择一个事先存储的合法人员的特征参量，将其元素逐个与所述当前得到的特征参量中的相应的元素对比，判断二者是否相同，并记录相同的元素；

判断模块：用于判断相同的元素的数量是否超过设定阈值，如是停止比较，判断当前人员为所述事先存储的合法人员的特征参量所对应的人员；如否，执行下一步骤；

选择模块：用于取得另一个未进行比较的事先存储的合法人员的特征参量进行比较；如所有事先存储的合法人员的特征参量均已比较，则判断当前人员为非法人员。

6.根据权利要求4所述的基于振动检测的智能家居监控系统，其特征在于：还包括：

位置确定单元：用于通过安装在所述房屋内多个不同位置的振动传感器接收到的当前特征参量，确定当前人员在所述房屋内的位置。

Images