本发明涉及宠物用具技术领域,特别涉及一种智能项圈。
背景技术:
随着百姓生活水平的不断提高,宠物已成为很多居民闲暇生活的亲密伴侣,为人们增加了无限的生活乐趣。而随着宠物数量的不断增加,宠物的安全问题也日益突出,宠物的走失现象日益严重。百姓开始注重饲养宠物的品种和价值,宠物的价格经常会达到上千、甚至上万,是百姓重要的财产,且宠物养久了和主人培养了深厚感情,一旦丢失,不仅造成财产的损失,还影响百姓的日常生活,因此需要合适的追踪装置以防止宠物走失或失窃。
技术实现要素:
本发明的目的在于,提供一种智能项圈。
本发明的技术方案:包括定位模块:内置有地图单元,用于获取位置信息;
行为检测及预测模块:内置有认知模型以及图像采集单元,用于检测佩戴物行为,并做出预测认知;
输出模块:可输出声音或者图像,用于影响佩戴物的行为反应;
无线传输模块:与至少一个控制终端连接,用于传输数据信息;
以及储存模块:用于储存数据信息;
当该项圈脱落时,触发一个脱落信号,利用图像采集单元迅速采集多张环境照片,并与定位信息共同发至控制终端;
并同时触发输出模块,输出模块发出预设的语音或者图像投影来吸引佩戴物;
若佩戴物发生丢失之后,行为检测及预测模块根据丢失时间进行位置预测,在预测时引入预测证据;
预测证据包括客观证据以及非客观证据,非客观证据由行为检测及预测模块提供;
根据每个证据建立函数m(ei);
证据函数建立之后,先融合客观证据,再单独融合每个非客观证据,并且给每个非客观证据以置信度,最后根据函数值得到top1路径;
在地图上根据top1路径映射且扩展出一定的范围,该范围作为寻找时的参考范围。
上述的一种智能项圈中,认知模型采用图片或视频识别的方式,具体的训练方法如下:
收集样本:样本即来源于佩戴者平时行为的近景图像,通过人为上传的图像/视频或者其他开源的数据集;
样本处理,针对图像,识别佩戴物以及环境特征物,针对视频,提取至少两段轨迹流,并进行单帧视频画面提取;
先对环境特征物采用googlenet深度学习网络训练出一个分类器;
通过轨迹流中佩戴物的变化趋势来判断是否朝向环境特征物,判断方法如下:
首先确定两个向量,即第一个时间点中佩戴物与环境特征物的连线向量
计算两个向量之间的夹角θ:
前述的一种智能项圈中,所述佩戴物对环境特征物的接受程度判断还包括引入佩戴物的轨迹速度参与计算,如下公式m(e1):v*|cos(α1-α2)|,其中α1是佩戴物的轨迹方向,α2是佩戴物原点至环境特征物的连线方向,v是佩戴物的速度。
前述的一种智能项圈中,所述函数m(ei)如下所示:
本发明的优点在于:本发明提供了一种智能项圈,当宠物丢失并挣脱项圈后,提供一个预测的轨迹,帮助人们快速找到宠物。
具体实施方式
下面结合实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:包括定位模块:内置有地图单元,用于获取位置信息;
行为检测及预测模块:内置有认知模型以及图像采集单元,用于检测佩戴物行为,并做出预测认知;
认知模型采用图片或视频识别的方式,具体的训练方法如下:
收集样本:样本即来源于佩戴者平时行为的近景图像,通过人为上传的图像/视频或者其他开源的数据集;
样本处理,针对图像,识别佩戴物以及环境特征物,针对视频,提取至少两段轨迹流,并进行单帧视频画面提取;
先对环境特征物采用googlenet深度学习网络训练出一个分类器;
通过轨迹流中佩戴物的变化趋势来判断是否朝向环境特征物,判断方法如下:
首先确定两个向量,即第一个时间点中佩戴物与环境特征物的连线向量
计算两个向量之间的夹角θ:
在此基础上,我们可以引入一个速度参数,按照实际情况,如果宠物对该特征物的接受程度越大,那么其奔向它的速度也是非常快的,所以可以利用如下公式进行计算:m(e1):v*|cos(α1-α2)|,其中α1是佩戴物的轨迹方向,α2是佩戴物原点至环境特征物的连线方向,v是佩戴物的速度。两个角度差值越小,该值越大,速度越快,该值也越大,所以利用速度和角度两个方向去取值,是相对更加合理性的。
输出模块:可输出声音或者图像,用于影响佩戴物的行为反应;
无线传输模块:与至少一个控制终端连接,用于传输数据信息;
以及储存模块:用于储存数据信息;
当该项圈脱落时,触发一个脱落信号,利用图像采集单元迅速采集多张环境照片,并与定位信息共同发至控制终端;
并同时触发输出模块,输出模块发出预设的语音或者图像投影来吸引佩戴物;
若佩戴物发生丢失之后,行为检测及预测模块根据丢失时间进行位置预测,在预测时引入预测证据;
预测证据包括客观证据以及非客观证据,非客观证据由行为检测及预测模块提供;
根据每个证据建立函数m(ei);
证据函数建立之后,先融合客观证据,再单独融合每个非客观证据,并且给每个非客观证据以置信度,最后根据函数值得到top1路径;
具体的,所述函数m(ei)如下所示:
在地图上根据top1路径映射且扩展出一定的范围,该范围作为寻找时的参考范围。
映射的方法如下:在宫格化的地图模型上,标注上预测轨迹线,从起点开始,标注关键点,关键点,由起点、终点(终点的确定可以按照丢失时间进行计算,及一段时间内,根据算法扩展的位置来确定终点)以及变径的特征点(该特征点包括未被选择路径中的特征点),利用k-均值算法对这些关键点进行聚类,此阶段我们会获得一个或若干个聚类中心,连接聚类中心,若只有一个中心,那么就将该中心与起点相连,得到一条具有延伸趋势的线段,设置一个偏移阈值,将选择的路径沿该线段延伸方向以及反方向做出偏移,偏移后的两条路径围设出的范围即是最终的参考范围。