CN117831253B - 一种基于图形识别的自动报警方法及系统 - Google Patents
一种基于图形识别的自动报警方法及系统 Download PDFInfo
- Publication number
- CN117831253B CN117831253B CN202410250880.1A CN202410250880A CN117831253B CN 117831253 B CN117831253 B CN 117831253B CN 202410250880 A CN202410250880 A CN 202410250880A CN 117831253 B CN117831253 B CN 117831253B
- Authority
- CN
- China
- Prior art keywords
- pet
- risk
- home
- household
- activity mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 146
- 230000009471 action Effects 0.000 claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 30
- 230000033001 locomotion Effects 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000009191 jumping Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图形识别领域，提供了一种基于图形识别的自动报警方法及系统，所述系统包括：视频家宠动作标志提取模块、动作标志识别分类模块、居家家宠活动模式风险判定模块、风险审核告警模块。通过综合解读家宠与环境间的关系，不断更新物件位置信息，通过实时分析和计算家宠和环境中风险物件之间的距离，展示动态安全认知的实现。配置安全安全间隔界限值后，系统可以采取主动预警，进一步提升安全性和即时性，大大超越了简单的移动跟踪与图像识别。
Description
技术领域
本发明属于图形识别领域，尤其涉及一种基于图形识别的自动报警方法及系统。
背景技术
基于图形识别的自动报警系统是一种依赖于图像分析技术来监测环境中活动或变化并进行相应报警的系统。这样的系统通常包括至少一个摄像头进行视频捕捉，一个或多个处理器来运行图形识别软件和算法，以及一个与用户接口，如手机应用或网络服务，以通报潜在的安全问题或异常。
这些系统能识别和区分不同对象和图案，并根据特定规则和参数来产生警报。图像处理算法可以学习识别日常物品、人、家宠等，并具有在检测到如入侵者、火灾、设备故障或不寻常活动模式时发出警告的功能。图形识别还可以用于监控家宠在没有主人在场时的安全状况，若发生可能导致伤害的事件，马上通知拥有者。
这些系统的实现对于需要持续和自动化物体跟踪、事件检测和即时响应的安全领域来说是革命性的。例如，它可以类似于监护者一样看管孩子或家宠，当窗户或门被打开、陌生人进入房间或某人跌倒时，能快速发出警报。这大幅增加了家庭、商业场所乃至公共空间的安全性，并且在紧急情况发生时提供有价值的时间以应对和解决问题。
在多数传统系统中，家宠位置和风险家居元素的识别及界限值设置往往是静态的，这样的方式无法适应复杂多变的家庭环境，且很难准确测量家宠与高风险物品之间的距离，特别是动态场景下物品和家宠的位置不断变换，从而使得安全评估失去准确性。
发明内容
本发明的目的在于提供一种基于图形识别的自动报警方法，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明是这样实现的，一种基于图形识别的自动报警方法，所述方法包括：
通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类；
设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对；
对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
作为本发明更进一步的方案，所述针对即时视频信号中的每个视频画格进行家宠动作标志提取，具体包括：
对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志，所述动作标志包括：家宠形态特征、家宠运动轨迹。
作为本发明更进一步的方案，所述构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类，具体包括：
建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息。
作为本发明更进一步的方案，所述设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对，具体包括：
建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系。
本发明的另一目的在于提供一种基于图形识别的自动报警系统，所述系统包括：
视频家宠动作标志提取模块，用于通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
动作标志识别分类模块，用于基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类；
居家家宠活动模式风险判定模块，用于设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对；
风险审核告警模块，用于对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
作为本发明更进一步的方案，所述视频家宠动作标志提取模块包括：
家宠位置定位追踪单元，用于对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
动作标志分析判定单元，用于分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志，所述动作标志包括：家宠形态特征、家宠运动轨迹。
作为本发明更进一步的方案，所述动作标志识别分类模块包括：
形态辨识模型建立单元，用于建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
模型训练单元，用于创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息。
作为本发明更进一步的方案，所述居家家宠活动模式风险判定模块包括：
标准库搭建单元，用于建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
风险家居元素位置判定单元，用于通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
家宠活动模式风险分析单元，用于将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
安全距离判定单元，用于为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系。
本发明的有益效果是：
通过综合解读家宠与环境间的关系，不断更新物件位置信息，通过实时分析和计算家宠和环境中风险物件之间的距离，展示动态安全认知的实现。配置安全间隔界限值后，系统可以采取主动预警，进一步提升安全性和即时性，大大超越了简单的移动跟踪与图像识别。
附图说明
图1为本发明实施例提供的一种基于图形识别的自动报警方法的流程图；
图2为本发明实施例提供的针对即时视频信号中的每个视频画格进行家宠动作标志提取的流程图；
图3为本发明实施例提供的构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类的流程图；
图4为本发明实施例提供的将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，以及将家宠与风险家居元素之间的距离与安全间隔界限值进行比对的流程图；
图5为本发明实施例提供的一种基于图形识别的自动报警系统的结构框图；
图6为本发明实施例提供的视频家宠动作标志提取模块的结构框图；
图7为本发明实施例提供的动作标志识别分类模块的结构框图；
图8为本发明实施例提供的居家家宠活动模式风险判定模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的一种基于图形识别的自动报警方法的流程图，如图1所示，一种基于图形识别的自动报警方法，所述方法包括：
S100，通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
本步骤通过先进的图像处理和机器学习技术自动定位监控视频中的家宠，继而提取家宠的关键动作标志，如形态、动作轨迹和肢体姿态。在形态识别方面，利用深度神经网络精确地分辨出不同种类家宠的大小、形状和颜色，且可以在复杂的背景中捕捉到微妙的家宠体型变化。对于家宠的运动跟踪，则采用具有时间序列分析能力的模型，从而不仅记录家宠的实时路径，还能预测其可能的移动轨迹和活动模式标准。同时，肢体姿态的推断，则通过姿态估计算法实时评估家宠摆动腿部或摇动尾巴等肢体运动和姿态变化，所提供精细程度被大幅提高。
首先，通过有效优化算法实现即时视频信号的高速处理和大量数据的快速分析。其次，效度提升意味着对家宠不标准姿态和活动模式捕捉的敏感度大幅增强，包括在被部分遮挡的状况下也能进行精确检测。这些能力的合成为用户提供了一个更为智能和可靠的、用于家庭家宠活动模式监控的系统，大大提升了家宠安全保护水平及家宠主的便利性。在功能集成和用户体验方面。
S200，基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类；
在本步骤中，构建一个基于图像识别算法的家宠形态辨识模型的整个过程涉及从定义用于分类家宠活动模式（如坐下、躺下、跳跃、奔跑和啃咬等）的准确标签，到创建标注明确的模型训练样本，再到利用这些数据进行深度训练，深化模型对活动模式信息中包含的空间和时间动态特征的理解。构建家宠形态辨识模型，利用模型精确处理图像数据并从中抽象出有意义的特征表示。所建模型是训练有素的、可以准确解读连续视频画格中家宠表现为关键活动模式的机会，并以高精度将其归类到合适的活动模式标准类别中。
该模型通过缜密分析家宠活动模式展现的空间和时间序列特性，结合基于先前设定的活动模式标准，允许系统不仅提取出家宠单一时刻的活动模式状态，也理解其整体的活动模式流和运动轨迹。例如，识别一系列动作是否是家宠在玩耍、处于焦虑还是可能进入危险区域。这些信息是通过标签和人工智能辅助工具细致加工制成的标准模型训练样本获得的，其中时间戳签注了丰富的、标示家宠活动模式开始和结束的数据点。这样，当进行监督学习时，能使算法通过网络结构的调整和参数的不断优化，达到识别出家宠微小或复杂活动模式标准的能力，实时掌握和分析家宠在家环境中的动态，助力于后续步骤中生成准确无误的告警通知。
S300，设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对；
本步骤通过建立两个关键数据库：预设活动模式标准集和风险家居元素库，并同步实行实时监控和界限值对比预警机制。首先，通过收录和编码各种标准家宠活动模式，构建了预设活动模式标准集，同时也建立了一个详尽的库存，录入了可能引发危险的家居物件及其准确位置。接着，利用这份对家宠活动模式和物件位置进行静态定义的元数据，系统不断通过图形识别算法，实时辨识和追踪即时视频信号中捕获到的风险家居元素，为每一个画面中物件的位置打上标注。紧接着，在动态图形识别过程中，系统将捕获来的瞬时家宠动作标志与活动模式标准集中的数据进行连续对比，准确判断家宠的活动模式是不是偏离了设定的标准。最后设定了一个重要的安全界限值，用以衡量家宠与各个风险家居元素间的实时距离。借由专门的图像处理算法审视视频的每帧画面，此步骤衡量并赋予每个画面中对象之间的动态相对距离以实际意义，一旦家宠与危险物件之间的距离小于安全界限值，就激活报警机制。
这种整合式的解决方案的寓意在于提供高效率和更具响应性的实时监测系统。与传统的活动模式识别系统不同，采用灵活且具适应性的智能算法，允许不仅在二维空间上进行监视，还在三维空间提供更全领域的安全网。系统的连续学习能力，意味着所用的模型会随时间变得更智能，能适应新的活动模式标准和家庭动态。通过实时分析活动模式异常和潜在危险，大幅提高了风险预防措施的即时性和准确性，确保只有真实的风险情况才会引发有效的告警，深入提升了图像识别技术在家宠安全和家庭监控中的应用价值。
S400，对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
图2为本发明实施例提供的针对即时视频信号中的每个视频画格进行家宠动作标志提取的流程图，如图2所示，所述针对即时视频信号中的每个视频画格进行家宠动作标志提取，具体包括：
S110，对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
S120，分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志，所述动作标志包括：家宠形态特征、家宠运动轨迹。
图3为本发明实施例提供的构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类的流程图，如图3所示，所述构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类，具体包括：
S210，建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
S220，创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息。
图4为本发明实施例提供的将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，以及将家宠与风险家居元素之间的距离与安全间隔界限值进行比对的流程图，如图4所示，所述设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对，具体包括：
S310，建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
S320，通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
S330，将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
S340，为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系。
图5为本发明实施例提供的一种基于图形识别的自动报警系统的结构框图，如图5所示，一种基于图形识别的自动报警系统，所述系统包括：
视频家宠动作标志提取模块100，用于通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
本模块通过先进的图像处理和机器学习技术自动定位监控视频中的家宠，继而提取家宠的关键动作标志，如形态、动作轨迹和肢体姿态。在形态识别方面，利用深度神经网络精确地分辨出不同种类家宠的大小、形状和颜色，且可以在复杂的背景中捕捉到微妙的家宠体型变化。对于家宠的运动跟踪，则采用具有时间序列分析能力的模型，从而不仅记录家宠的实时路径，还能预测其可能的移动轨迹和活动模式标准。同时，肢体姿态的推断，则通过姿态估计算法实时评估家宠摆动腿部或摇动尾巴等肢体运动和姿态变化，所提供精细程度被大幅提高。
首先，通过有效优化算法实现即时视频信号的高速处理和大量数据的快速分析。其次，效度提升意味着对家宠不标准姿态和活动模式捕捉的敏感度大幅增强，包括在被部分遮挡的状况下也能进行精确检测。这些能力的合成为用户提供了一个更为智能和可靠的、用于家庭家宠活动模式监控的系统，大大提升了家宠安全保护水平及家宠主的便利性。在功能集成和用户体验方面。
动作标志识别分类模块200，用于基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类；
在本模块中，构建一个基于图像识别算法的家宠形态辨识模型的整个过程涉及从定义用于分类家宠活动模式（如坐下、躺下、跳跃、奔跑和啃咬等）的准确标签，到创建标注明确的模型训练样本，再到利用这些数据进行深度训练，深化模型对活动模式信息中包含的空间和时间动态特征的理解。构建家宠形态辨识模型，利用模型精确处理图像数据并从中抽象出有意义的特征表示。所建模型是训练有素的、可以准确解读连续视频画格中家宠表现为关键活动模式的机会，并以高精度将其归类到合适的活动模式标准类别中。
该模型通过缜密分析家宠活动模式展现的空间和时间序列特性，结合基于先前设定的活动模式标准，允许系统不仅提取出家宠单一时刻的活动模式状态，也理解其整体的活动模式流和运动轨迹。例如，识别一系列动作是否是家宠在玩耍、处于焦虑还是可能进入危险区域。这些信息是通过标签和人工智能辅助工具细致加工制成的标准模型训练样本获得的，其中时间戳签注了丰富的、标示家宠活动模式开始和结束的数据点。这样，当进行监督学习时，能使算法通过网络结构的调整和参数的不断优化，达到识别出家宠微小或复杂活动模式标准的能力，实时掌握和分析家宠在家环境中的动态，助力于后续步骤中生成准确无误的告警通知。
居家家宠活动模式风险判定模块300，用于设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对；
本模块通过建立两个关键数据库：预设活动模式标准集和风险家居元素库，并同步实行实时监控和界限值对比预警机制。首先，通过收录和编码各种标准家宠活动模式，构建了预设活动模式标准集，同时也建立了一个详尽的库存，录入了可能引发危险的家居物件及其准确位置。接着，利用这份对家宠活动模式和物件位置进行静态定义的元数据，系统不断通过图形识别算法，实时辨识和追踪即时视频信号中捕获到的风险家居元素，为每一个画面中物件的位置打上标注。紧接着，在动态图形识别过程中，系统将捕获来的瞬时家宠动作标志与活动模式标准集中的数据进行连续对比，准确判断家宠的活动模式是不是偏离了设定的标准。最后设定了一个重要的安全界限值，用以衡量家宠与各个风险家居元素间的实时距离。借由专门的图像处理算法审视视频的每帧画面，此步骤衡量并赋予每个画面中对象之间的动态相对距离以实际意义，一旦家宠与危险物件之间的距离小于安全界限值，就激活报警机制。
这种整合式的解决方案的寓意在于提供高效率和更具响应性的实时监测系统。与传统的活动模式识别系统不同，采用灵活且具适应性的智能算法，允许不仅在二维空间上进行监视，还在三维空间提供更全领域的安全网。系统的连续学习能力，意味着所用的模型会随时间变得更智能，能适应新的活动模式标准和家庭动态。通过实时分析活动模式异常和潜在危险，大幅提高了风险预防措施的即时性和准确性，确保只有真实的风险情况才会引发有效的告警，深入提升了图像识别技术在家宠安全和家庭监控中的应用价值。
风险审核告警模块400，用于对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
图6为本发明实施例提供的视频家宠动作标志提取模块的结构框图，如图6所示，所述视频家宠动作标志提取模块包括：
家宠位置定位追踪单元110，用于对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
动作标志分析判定单元120，用于分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志，所述动作标志包括：家宠形态特征、家宠运动轨迹。
图7为本发明实施例提供的动作标志识别分类模块的结构框图，如图7所示，所述动作标志识别分类模块包括：
形态辨识模型建立单元210，用于建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
模型训练单元220，用于创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息。
图8为本发明实施例提供的居家家宠活动模式风险判定模块的结构框图，如图8所示，所述居家家宠活动模式风险判定模块包括：
标准库搭建单元310，用于建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
风险家居元素位置判定单元320，用于通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
家宠活动模式风险分析单元330，用于将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
安全距离判定单元340，用于为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于图形识别的自动报警方法，其特征在于，所述方法包括：
通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类，所述动作标志包括：家宠形态特征、家宠运动轨迹，具体包括：
建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息；
设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对，具体包括：
建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系；
对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
2.根据权利要求1所述的方法，其特征在于，所述针对即时视频信号中的每个视频画格进行家宠动作标志提取，具体包括：
对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志。
3.一种基于图形识别的自动报警系统，其特征在于，所述系统包括：
视频家宠动作标志提取模块，用于通过监控设备获取即时视频信号，并针对即时视频信号中的每个视频画格进行家宠动作标志提取；
动作标志识别分类模块，用于基于所提取的家宠动作标志，构建形态辨识模型，并通过形态辨识模型对家宠活动模式进行识别并分类，所述动作标志包括：家宠形态特征、家宠运动轨迹，所述动作标志识别分类模块包括：
形态辨识模型建立单元，用于建立形态辨识模型，并定义活动模式标签，包括：坐下、躺下、跳跃、奔跑和啃咬物体；
模型训练单元，用于创建带有标签和运动轨迹的模型训练样本，所述模型训练样本由即时视频信号的视频画格组成，通过模型训练样本对形态辨识模型进行训练，使形态辨识模型的活动模式信息中包含家宠行动的空间动态信息；
居家家宠活动模式风险判定模块，用于设定预设活动模式标准集，且所述预设活动模式标准集中仅存储符合活动模式标准的家宠活动模式标准，将所获得的家宠活动模式与预设活动模式标准集中的数据进行比对，判断家宠活动模式是否符合活动模式标准，且识别家居中的风险家居元素，并判断即时视频信号中家宠与风险家居元素之间的距离，同时设定安全间隔界限值，将家宠与风险家居元素之间的距离与安全间隔界限值进行比对，所述居家家宠活动模式风险判定模块包括：
标准库搭建单元，用于建立预设活动模式标准集，所述预设活动模式标准集中编码有符合活动模式标准的家宠活动模式，同时建立风险家居元素库，录入家居环境中存在安全风险的物件并对其位置进行标注；
风险家居元素位置判定单元，用于通过风险家居元素库中的存储信息，识别并跟踪即时视频信号中存在的风险家居元素，并在每一个视频画格中对风险家居元素的位置信息进行标注；
家宠活动模式风险分析单元，用于将当前从即时视频信号中提取的家宠动作标志与活动模式标准集中的符合标准的家宠活动模式进行比对，判断是否存在不符合标准的家宠活动模式；
安全距离判定单元，用于为每一个风险家居元素定义一个安全间隔界限值，并利用所标注的风险家居元素位置信息计算每一个视频画格中家宠位置与风险家居元素之间的相对距离，判断相对距离与安全间隔界限值之间的关系；
风险审核告警模块，用于对活动模式标准判断结果和距离比对结果进行审核，当出现不符合活动模式标准或小于安全间隔界限值的情况时，向移动端发出告警通知。
4.根据权利要求3所述的系统，其特征在于，所述视频家宠动作标志提取模块包括：
家宠位置定位追踪单元，用于对即时视频信号中出现的家宠进行定位和追踪，检测即时视频信号中的每个视频画格中存在的家宠；
动作标志分析判定单元，用于分析家宠在连续视频画格之间的运动，从检测到的家宠目标中提取动作标志。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410250880.1A CN117831253B (zh) | 2024-03-06 | 2024-03-06 | 一种基于图形识别的自动报警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410250880.1A CN117831253B (zh) | 2024-03-06 | 2024-03-06 | 一种基于图形识别的自动报警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831253A CN117831253A (zh) | 2024-04-05 |
| CN117831253B true CN117831253B (zh) | 2024-05-07 |
Family
ID=90515762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410250880.1A Active CN117831253B (zh) | 2024-03-06 | 2024-03-06 | 一种基于图形识别的自动报警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831253B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205233134U (zh) * | 2015-12-30 | 2016-05-18 | 刘泓辰 | 宠物定位装置 |
| KR20170011012A (ko) * | 2015-07-21 | 2017-02-02 | 서강대학교산학협력단 | 애완동물 원격관리 방법 |
| CN107045623A (zh) * | 2016-12-30 | 2017-08-15 | 厦门瑞为信息技术有限公司 | 一种基于人体姿态跟踪分析的室内危险情况告警的方法 |
| CN108308059A (zh) * | 2017-01-18 | 2018-07-24 | 苏州宝时得电动工具有限公司 | 宠物项圈系统及宠物项圈控制方法 |
| CN110146070A (zh) * | 2019-05-13 | 2019-08-20 | 珠海市一微半导体有限公司 | 一种适用于宠物引诱的激光导航方法 |
| CN110310453A (zh) * | 2018-03-27 | 2019-10-08 | 九阳股份有限公司 | 一种厨房中的安全预警方法和烟灶系统 |
| CN111666794A (zh) * | 2019-03-08 | 2020-09-15 | 宏碁股份有限公司 | 宠物监视方法与宠物监视系统 |
| CN113223276A (zh) * | 2021-03-25 | 2021-08-06 | 桂林电子科技大学 | 一种基于视频识别的行人跨栏行为警报方法及装置 |
| WO2022050092A1 (ja) * | 2020-09-01 | 2022-03-10 | パナソニックＩｐマネジメント株式会社 | ペット状況推定システム、ペットカメラ、サーバ、ペット状況推定方法、及びプログラム |
| CN115131823A (zh) * | 2022-07-06 | 2022-09-30 | 杭州梦视网络科技有限公司 | 一种基于残差网络反卷积ssd算法的家居宠物识别方法 |
| CN115691762A (zh) * | 2022-11-07 | 2023-02-03 | 长春工程学院 | 一种基于图像识别的自闭症儿童安全监控系统及方法 |
| CN116959189A (zh) * | 2022-04-18 | 2023-10-27 | 安克创新科技股份有限公司 | 基于摄像装置的宠物行为纠正方法及宠物行为纠正系统 |
-
2024
- 2024-03-06 CN CN202410250880.1A patent/CN117831253B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170011012A (ko) * | 2015-07-21 | 2017-02-02 | 서강대학교산학협력단 | 애완동물 원격관리 방법 |
| CN205233134U (zh) * | 2015-12-30 | 2016-05-18 | 刘泓辰 | 宠物定位装置 |
| CN107045623A (zh) * | 2016-12-30 | 2017-08-15 | 厦门瑞为信息技术有限公司 | 一种基于人体姿态跟踪分析的室内危险情况告警的方法 |
| CN108308059A (zh) * | 2017-01-18 | 2018-07-24 | 苏州宝时得电动工具有限公司 | 宠物项圈系统及宠物项圈控制方法 |
| CN110310453A (zh) * | 2018-03-27 | 2019-10-08 | 九阳股份有限公司 | 一种厨房中的安全预警方法和烟灶系统 |
| CN111666794A (zh) * | 2019-03-08 | 2020-09-15 | 宏碁股份有限公司 | 宠物监视方法与宠物监视系统 |
| CN110146070A (zh) * | 2019-05-13 | 2019-08-20 | 珠海市一微半导体有限公司 | 一种适用于宠物引诱的激光导航方法 |
| WO2022050092A1 (ja) * | 2020-09-01 | 2022-03-10 | パナソニックＩｐマネジメント株式会社 | ペット状況推定システム、ペットカメラ、サーバ、ペット状況推定方法、及びプログラム |
| CN113223276A (zh) * | 2021-03-25 | 2021-08-06 | 桂林电子科技大学 | 一种基于视频识别的行人跨栏行为警报方法及装置 |
| CN116959189A (zh) * | 2022-04-18 | 2023-10-27 | 安克创新科技股份有限公司 | 基于摄像装置的宠物行为纠正方法及宠物行为纠正系统 |
| CN115131823A (zh) * | 2022-07-06 | 2022-09-30 | 杭州梦视网络科技有限公司 | 一种基于残差网络反卷积ssd算法的家居宠物识别方法 |
| CN115691762A (zh) * | 2022-11-07 | 2023-02-03 | 长春工程学院 | 一种基于图像识别的自闭症儿童安全监控系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831253A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364696B (zh) | 一种利用家庭监控视频提高家庭安全的方法及系统 | |
| Bird et al. | Real time, online detection of abandoned objects in public areas | |
| CN118072255B (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
| CN111757069B (zh) | 一种基于智能门铃的监控防盗方法及装置 | |
| CN109757395A (zh) | 一种宠物行为检测监控系统及方法 | |
| CN104156691B (zh) | 一种基于图像处理的检测行人翻越闸机的监控方法 | |
| Chowdhury et al. | Computer vision and smoke sensor based fire detection system | |
| KR102263512B1 (ko) | 스마트 객체인식이 가능한 IoT 통합 지능형 영상분석 플랫폼 시스템 | |
| CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
| CN114078603A (zh) | 智能养老监护系统、方法及计算机设备、可读存储介质 | |
| Nagamani et al. | Anti-Theft Monitoring for a Smart Home | |
| CN117831253B (zh) | 一种基于图形识别的自动报警方法及系统 | |
| Kanthaseelan et al. | CCTV intelligent surveillance on intruder detection | |
| De Silva | Audiovisual sensing of human movements for home-care and security in a smart environment | |
| CN112330742A (zh) | 公共区域重点人员活动路线记录方法及装置 | |
| Prasad et al. | Video surveillance-based security system using OpenCV and Arduino uno. | |
| CN116597501A (zh) | 视频分析算法及边缘设备 | |
| Bangare et al. | Detection of human feature in abandoned object with modern security alert system using Android Application | |
| EP3618019B1 (en) | Apparatus and method for event classification based on barometric pressure sensor data | |
| Verma et al. | Image Processing-Based Fire Detection and Protection System Using OPENCV | |
| Shamnath et al. | Human Suspicious Activity Detection Using Ensemble Machine Learning Techniques | |
| Kodikara et al. | Surveillance based Child Kidnap Detection and Prevention Assistance | |
| CN115730915B (zh) | 基于物联大数据分析的智能研判预警方法 | |
| CN117746218B (zh) | 一种智慧校园的安全管理方法及装置 | |
| Prakoso et al. | Fire Detection Warning System in House Fire Accident Prevention |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |