一种用于对目标对象的行为状态进行监测的方法及系统与流程

[0001]
本发明涉及行为状态监测技术领域，并且更具体地，涉及一种用于对目标对象的行为状态进行监测的方法及系统。


背景技术：

[0002]
在电力生产场地中，存在许多工作人员不能进入的危险区域，非法闯入可能会造成非常严重的后果，还有些岗位必须派专人不间断看守，脱离岗位会带来巨大的风险。在目前电力生产中，判断工作人员活动状态主要由人工巡视监督，手工纸质记录为主。这种工作方式存在着人为因素多、数据信息化程度低、无法同时观察所有人等一系列缺陷。
[0003]
公开号为cn109991884a的中国专利申请“实现位置和动作行为识别功能的系统及其控制方法”采用位置和动作识别相结合实现监狱日常管理，定位采用到达角定位技术精度不是很高，动作识别采用阈值方式能够判断行为比较单一且准确率不高。公开号为cn109032054a的中国专利申请“一种监控预警系统”采用基于图像识别对人员进行跟踪检测，没有对危险动作进行识别报警，图像识别存在监控盲区。
[0004]
因此，需要一种能够准确地对工作人员的行为状态进行监测的方法。


技术实现要素：

[0005]
本发明提出一种用于对目标对象的行为状态进行监测的方法及系统，以解决如何对目标对象的行为状态进行监测的的问题。
[0006]
为了解决上述问题，根据本发明的一个方面，提供了一种用于对目标对象的行为状态进行监测的方法，所述方法包括：
[0007]
获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息；
[0008]
获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息；
[0009]
获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型；
[0010]
根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。
[0011]
优选地，其中所述获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：
[0012]
利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强度数据；
[0013]
基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。
[0014]
优选地，其中所述根据所述三轴加速度值确定所述目标对象的步态动作类型，包括：
[0015]
根据所述三轴加速度值，利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；
[0016]
其中，利用如下方式确定所述训练好的卷积神经网络模型，包括：
[0017]
获取不同的目标对象在不同运动步态下的三轴加速度值，根据每个三轴加速度值和每个三轴加速度值对应的动作类别确定训练样本数据；
[0018]
对训练样本数据进行归一化处理，并根据经过归一化处理的训练样本数据确定训练数据集和测试数据集；
[0019]
构建卷积神经网络模型，利用所述训练数据集对构建的卷积神经网络模型进行训练，并利用测试数据集进行测试，直至准确率达到预设的准确率阈值时，确定当前的卷积神经网络模型为训练好的卷积神经网络模型。
[0020]
优选地，其中所述步态动作类型，包括：静止、行走、爬梯和摔倒。
[0021]
优选地，其中所述方法还包括：
[0022]
将所述目标对象当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，并当确定所述目标对象当前的行为状态属于异常行为状态时，根据所述目标对象的行为状态确定告警信息，并发送所述告警信息至监控终端。
[0023]
根据本发明的另一个方面，提供了一种用于对目标对象的行为状态进行监测的系统，所述系统包括：
[0024]
水平位置信息确定单元，用于获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息；
[0025]
空间位置信息确定单元，用于获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息；
[0026]
步态动作类型确定单元，用于获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型；
[0027]
行为状态确定单元，用于根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。
[0028]
优选地，其中所述水平位置信息确定单元，获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：
[0029]
利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强度数据；
[0030]
基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。
[0031]
优选地，其中所述步态动作类型确定单元，根据所述三轴加速度值确定所述目标对象的步态动作类型，包括：
[0032]
根据所述三轴加速度值，利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；
[0033]
其中，利用如下方式确定所述训练好的卷积神经网络模型，包括：
[0034]
获取不同的目标对象在不同运动步态下的三轴加速度值，根据每个三轴加速度值和每个三轴加速度值对应的动作类别确定训练样本数据；
[0035]
对训练样本数据进行归一化处理，并根据经过归一化处理的训练样本数据确定训练数据集和测试数据集；
[0036]
构建卷积神经网络模型，利用所述训练数据集对构建的卷积神经网络模型进行训练，并利用测试数据集进行测试，直至准确率达到预设的准确率阈值时，确定当前的卷积神经网络模型为训练好的卷积神经网络模型。
[0037]
优选地，其中所述步态动作类型，包括：静止、行走、爬梯和摔倒。
[0038]
优选地，其中所述系统还包括：
[0039]
告警单元，用于将所述目标对象当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，并当确定所述目标对象当前的行为状态属于异常行为状态时，根据所述目标对象的行为状态确定告警信息，并发送所述告警信息至监控终端。
[0040]
本发明提供了一种用于对目标对象的行为状态进行监测的方法及系统，根据目标对象所在位置处的信号强度数据和气压数据，确定所述目标对象的空间位置信息，根据所述目标对象的三轴加速度值利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；并根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。本发明能够实时地准确地监测目标对象的行为状态，能够在当目标对象出现靠近危险区域、脱离工作岗位、摔倒等异常行为状态时及时告警，相比于现有的监测方法能够极大地提高监测效率和准确度，具有较高的实用性。
附图说明
[0041]
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
[0042]
图1为根据本发明实施方式的用于对目标对象的行为状态进行监测的方法100的流程图；
[0043]
图2为根据本发明实施方式的卷积神经网络模型的示意图；
[0044]
图3为根据本发明实施方式的对电力生产中工作人员的行为状态进行监测的流程图；
[0045]
图4为根据本发明实施方式的用于对目标对象的行为状态进行监测的系统400的结构示意图。
具体实施方式
[0046]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0047]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其
相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0048]
图1为根据本发明实施方式的用于对目标对象的行为状态进行监测的方法100的流程图。如图1所示，本发明实施方式提供的用于对目标对象的行为状态进行监测的方法，根据目标对象所在位置处的多组信号强度数据和气压数据，确定所述目标对象的空间位置信息，根据所述目标对象的三轴加速度值利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；并根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。本发明能够实时地准确地监测目标对象的行为状态，能够在当目标对象出现靠近危险区域、脱离工作岗位、倒下等异常行为状态时及时告警，相比于现有的监测方法能够极大地提高监测效率和准确度，具有较高的实用性。本发明实施方式提供的用于对目标对象的行为状态进行监测的方法100，从步骤101处开始，在步骤101获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息。
[0049]
优选地，其中所述获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：
[0050]
利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强度数据；
[0051]
基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。
[0052]
在步骤102，获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息。
[0053]
在本发明的实施方式中，通过设置于同一个场地的不同位置处的多个rfid读写器读取某个射频电子标签的信号强度，并利用指纹定位算法来实现平面定位；再通过气压传感器计算得到目标对象的海拔高度，并结合平面定位和海拔高度实现目标对象的空间定位。
[0054]
具体地，在本发明的实施方式中，目标对象为工作人员，将射频电子标签设置于每个工作人员的腰部并标号，将多个rfid读写器放置于工作人员的工作场地的不同位置处。
[0055]
在确定某工作人员的空间位置信息时，首先需要按预定的定间距采集场地内多个rfid读写器读取到的每个位置处的多个信号强度值，将同一位置处的多个信号强度值作为一组信号强度数据存入预设的指纹数据库；其中，每个位置对应一组信号强度数据。然后，利用多个rfid读写器读取该工作人员佩戴的射频电子标签的信号强度值，获取工作人员当前所在位置处理的信号强度数据，并基于指纹算法将获取的信号强度数据与指纹数据库中的数据进行比对，以确定该工作人员的的水平位置信息。然后，读取气压传感器采集到的气压数据，并通过压高公式来计算工作人员的海拔高度，获取该工作人员的高度信息。最后，根据获取的该工作人员的水平位置信息和高度信息确定该工作人员所处位置处理的空间位置信息。
[0056]
在步骤103，获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型。
[0057]
优选地，其中所述根据所述三轴加速度值确定所述目标对象的步态动作类型，包括：
[0058]
根据所述三轴加速度值，利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；
[0059]
其中，利用如下方式确定所述训练好的卷积神经网络模型，包括：
[0060]
获取不同的目标对象在不同运动步态下的三轴加速度值，根据每个三轴加速度值和每个三轴加速度值对应的动作类别确定训练样本数据；
[0061]
对训练样本数据进行归一化处理，并根据经过归一化处理的训练样本数据确定训练数据集和测试数据集；
[0062]
构建卷积神经网络模型，利用所述训练数据集对构建的卷积神经网络模型进行训练，并利用测试数据集进行测试，直至准确率达到预设的准确率阈值时，确定当前的卷积神经网络模型为训练好的卷积神经网络模型。
[0063]
优选地，其中所述步态动作类型，包括：静止、行走、爬梯和摔倒。
[0064]
在本发明的实施方式中，利用加速度传感器采集工作人员在不同步态动作类型下的三轴加速度值，并附上相应的步态动作类型标签，将贴有步态动作类型标签的三轴加速度值作为训练样本数据，并将训练样本数据zigbee无线传输的方式发送至服务器。服务器对获取的样本训练数据进行归一化处理，并在归一化处理后将训练样本数据分为训练数据集和测试数据集。服务器构建卷积神经网络，利用训练数据集中的数据对其进行训练，并用测试数据集中的数据进行测试，直至准确率达到要求时，确定训练好的卷积神经网络模型。再将实施获取的工作人员的三轴加速度值输入到所述训练好的卷积神经网络模型中，得到的输出结果即为工作人员当前的步态动作类型，实现人体的运动步态的分类。其中，步态动作类型包括：静止、行走、爬梯和摔倒。构建的卷积神经网络模型如图2所示，由三层卷积层、三层池化层、一层全连接层和一层softmax层组成。
[0065]
在步骤104，根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。
[0066]
优选地，其中所述方法还包括：
[0067]
将所述目标对象当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，并当确定所述目标对象当前的行为状态属于异常行为状态时，根据所述目标对象的行为状态确定告警信息，并发送所述告警信息至监控终端。
[0068]
在本发明的实施方式中，根据工作人员的空间位置信息和步态动作类型确定工作人员当前的行为状态。例如，正常工作中、摔倒、脱离工作岗位、正在靠近危险区域等。然后，将工作人员当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，判断工作人员是否存在摔倒、接近危险区域、脱离工作岗位等异常行为发生，并当确定属于异常行为状态时，根据工作人员的行为状态确定告警信息，并发送所述告警信息至监控终端。
[0069]
本发明实施方式的供的电力生产中工作人员异常行为检测方法，利用rfid芯片和气压传感器对工作人员进行定位，利用传感器采集加速度信息判断工作人员的运动状态，并在发生异常行为时及时报警。相比于现有的生产方式，极大的提高了观测效率，提高了电力生产的安全性，可以应用到实际电力生产中。
[0070]
图3为根据本发明实施方式的对电力生产中工作人员的行为状态进行监测的流程
图。如图3所示，本发明的方案可以用于电力生产中工作人员的行为状态监测，具体地，包括：
[0071]
(1)对工作人员进行定位，将多个rfid读写器放置于工作场地中，确定空间位置信息，包括如下步骤：
[0072]
步骤1，按0.1*0.1米的间距采集场地内8个rfid读写器读取到的信号强度值，并组成信号强度数据存入指纹数据库。
[0073]
步骤2，获取8个rfid读写器获取到的工作人员佩戴射频芯片的8个信号强度值，将8个信号强度值合并为一个信号强度数据，并基于指纹算法将所述信号强度数据和指纹数据库中的信号强度数据进行比对，确定工作人员的水平位置信息。
[0074]
步骤3，获取气压传感器采集到的气压数据，并利用压高公式来计算海拔高度，确定工作人员的高度信息。
[0075]
步骤4，结合水平位置信息和高度信息确定工作人员所处位置处的空间位置信息。
[0076]
(2)确定工作人员的活动状态，即步态动作类型，包括以下几个步骤：
[0077]
步骤1，基于75hz的采样频率采集工作人员在静止、行走、爬梯、倒下四种状态的三轴加速度值，并在附上步态动作类型标签后，作为训练样本数据。
[0078]
步骤2，将数据通过zigbee无线发送至服务器，对数据进行归一化处理，再将数据分段，每2秒一段，采用半重叠的方式，然后将数据分为两类，70％为训练数据，30％为测试数据。
[0079]
步骤3，构建卷积神经网络模型，参照图2所示为卷积神经网络的结构，由三层卷积、三层池化、一层全连接和一层softmax组成。用训练数据对其进行训练，并用测试数据进行测试，直至准确率达到95％以上，确定训练好的卷积神经网络模型。
[0080]
步骤4，利用加速度传感器实施地获取工作人员的三轴加速度值，并输入到训练好的卷积神经网络模型中，得到的输出结果即为工作人员当前的步态动作类型。
[0081]
(3)确定工作人员的行为状态，并判断是否为摔倒、脱离工作岗位、正在靠近危险区域等异常行为状态，若是，则立即报警。
[0082]
本发明实施方式的电力生产中工作人员的行为状态监测方法，可以实时准确地监测在场所有工作人员的位置和运动状态，当出现靠近危险区域、脱离工作岗位等异常行为时将会及时告警，相比于现有的生产方式，能够极大的提高观测效率，提高电力生产的安全性，具有较高的实用性。
[0083]
图4为根据本发明实施方式的用于对目标对象的行为状态进行监测的系统400的结构示意图。如图4所示，本发明实施方式提供的用于对目标对象的行为状态进行监测的系统400，包括：水平位置信息确定单元401、空间位置信息确定单元402、步态动作类型确定单元403和行为状态确定单元404。
[0084]
优选地，所述水平位置信息确定单元401，用于获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息。
[0085]
优选地，其中所述水平位置信息确定单元401，获取目标对象所在位置处的信号强度数据，并根据所述信号强度数据确定所述目标对象的水平位置信息，包括：
[0086]
利用处于不同位置处的多个射频读写器获取设置在目标对象上的射频电子标签的多个信号强度值，并根据获取的多个信号强度值确定所述目标对象所在位置处的信号强
度数据；
[0087]
基于指纹定位算法，将所述信号强度数据和预设的指纹库中的信号强度数据进行比对，以确定所述目标对象的水平位置信息。
[0088]
优选地，所述空间位置信息确定单元402，用于获取所述目标对象所在位置处的气压数据，并根据所述气压数据确定所述目标对象的高度信息，并根据所述水平位置信息和高度信息确定所述目标对象的空间位置信息。
[0089]
优选地，所述步态动作类型确定单元403，用于获取所述目标对象的三轴加速度值，并根据所述三轴加速度值确定所述目标对象的步态动作类型。
[0090]
优选地，其中所述步态动作类型确定单元，根据所述三轴加速度值确定所述目标对象的步态动作类型，包括：
[0091]
根据所述三轴加速度值，利用训练好的卷积神经网络模型确定所述目标对象的步态动作类型；
[0092]
其中，利用如下方式确定所述训练好的卷积神经网络模型，包括：
[0093]
获取不同的目标对象在不同运动步态下的三轴加速度值，根据每个三轴加速度值和每个三轴加速度值对应的动作类别确定训练样本数据；
[0094]
对训练样本数据进行归一化处理，并根据经过归一化处理的训练样本数据确定训练数据集和测试数据集；
[0095]
构建卷积神经网络模型，利用所述训练数据集对构建的卷积神经网络模型进行训练，并利用测试数据集进行测试，直至准确率达到预设的准确率阈值时，确定当前的卷积神经网络模型为训练好的卷积神经网络模型。
[0096]
优选地，其中所述步态动作类型，包括：静止、行走、爬梯和摔倒。
[0097]
优选地，所述行为状态确定单元404，用于根据所述目标对象的空间位置信息和步态动作类型，确定所述目标对象当前的行为状态。
[0098]
优选地，其中所述系统还包括：
[0099]
告警单元，用于将所述目标对象当前的行为状态和预设的异常行为状态库中的异常行为状态进行匹配，并当确定所述目标对象当前的行为状态属于异常行为状态时，根据所述目标对象的行为状态确定告警信息，并发送所述告警信息至监控终端。
[0100]
本发明的实施例的用于对目标对象的行为状态进行监测的系统400与本发明的另一个实施例的用于对目标对象的行为状态进行监测的方法100相对应，在此不再赘述。
[0101]
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
[0102]
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
[0103]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0104]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0105]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0106]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0107]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。