一种基于红外热成像技术的家居监控系统的制作方法

本发明属于家居监控
技术领域：
，特别涉及一种基于红外热成像技术的家居监控系统。
背景技术：
：传统视频监控系统已经可以做到实时监控，用户可以随时随地使用各种移动终端看到实时视频信息。传统视频监控系统通过在用户家中布设摄像头采集视频信号，通过无线通信或者有线通信的方式将数据传输到中心服务器，再由中心服务器向云服务器转发，或者使用网络摄像头直接将数据上传到云服务器，再由云服务器下发的各终端。这种摄像头通常也能改变姿态，但是需要人为操控。这种监控系统的采集的是清晰的视频图像，有时甚至能采集到清晰的人脸图像，用户其实生活在毫无隐私的环境中。传统视频监控系统一般使用的是网络摄像头，这种摄像头采用公开的输出格式和传输协议，视频信息很容易被别有用心者截获，那么这种监控系统就会成为其违法犯罪的有利工具。传统视频监控系统受外界环境影响大，在光线不足的情况下图像质量会大大折扣。技术实现要素：为了克服上述现有技术的缺点，本发明的目的在于提供一种基于红外热成像技术的家居监控系统，解决了传统视频监控系统不保护用户隐私以及受光线影响大等方面的问题。为了实现上述目的，本发明采用的技术方案是：一种基于红外热成像技术的家居监控系统，包括：红外热成像单元，用于采集室内红外视频信号，并将所采集信号传送至中心服务器；中心服务器，接收红外热成像单元所采集的红外视频信号通过云服务器向外发送；终端设备，接收中心服务器发送的数据，进行中转、储存和分析。所述红外热成像单元包括电路模块和机械模块，电路模块用于采集红外视频信号并向外发送，机械模块用于电路模块的运动控制。所述电路模块包括通信模块和红外视频信号采集模块，红外视频信号采集模块以红外热成像传感器为核心，传感器产生的电信号形成数字信息，通过通信模块上传到中心服务器上；所述机械模块有三个自由度，根据命令将红外热成像传感器固定为三维空间下的任意需要姿态。所述机械模块有两个转轴，转轴相互垂直，主转轴的旋转角度范围为[-179,179]，次转轴的旋转角度范围为[-90,90]，辅之以红外热成像传感器的视域，在无障碍物遮挡的情况下，实现对三维空间的近似0死角监控。所述中心服务器包括中央处理模块、通信模块和内置其中的跟随控制算法模块；所述中央处理模块用于处理各个模块的数据信息，并对其他各个模块进行控制；所述通信模块用于接收红外视频数据并进行相应预处理，还用于接收红外热成像单元的位置状态信息和下发控制命令；所述内置跟随控制算法模块，用于锁定目标后，控制电机改变红外热成像单元姿态，对目标进行跟踪监视。所述中央处理模块中设置身份标识，用于在云服务器中注册账户，与终端设备绑定，所述内置跟随控制算法模块采用均值漂移算法结合卡尔曼滤波实现目标跟踪。在目标跟踪的基础上利用网络通信实现各传感器的信息交互，从而实现传感器组的整体联动：首先在区域1拍摄到的图像画面中目标物体，摄像头1保持对物体的跟踪，并将此物体的特征信息传送给服务器；此后，服务器通知其他各摄像头进行协同跟踪，其他摄像头同时运行背景相减算法进行物体检测，并将检测的结果即背景相减后得到的当前帧与背景帧的差值反馈给服务器，服务器根据各个摄像头反馈上来的数据，判断由哪台摄像头继续进行跟踪。所述终端设备为手机、平板或者PC机，包括UI界面模块、安全警报响应模块以及通信模块，其中：所述UI界面模块，用于向用户展示实时红外视频信息、响应用户命令，UI界面包括用户账户登录子界面，主界面包括视频控件、警报展示、若干用户输入按钮；所述安全警报响应模块，用于在收到云服务器下发的警报指令后对用户发出警报提醒，包括调用终端扬声器发声、调用震动或页面弹出功能；所述通信模块，承担终端设备与云服务器的数据交换任务。所述云服务器包括硬件配置和软件设计；所述硬件配置，用于配置设置服务器硬件，是软件、算法运行的载体，是存储的介质，服务器部署采用集群策略，提高可靠性和计算性能，数据存储采用虚拟化存储策略，各服务器共享数据；所述软件设计，用于接收家庭中心服务器的上传数据、对其下发用户终端命令、管理用户账户下的数据、接收用户终端的请求并转发实时数据，其内置算法包括对可疑目标的识别、对家庭可疑高温的识别、对历史数据的分析挖掘，提取用户行为特征。所述对目标身份的识别采用人脸识别和行为识别相结合的策略。与现有技术相比，本发明的优点在于：1、本发明解决了传统视频监控系统不保护用户隐私的问题，系统所用图像采集设备是热成像摄像机，该视频图像看不清人脸，甚至看不出是否穿衣，切实保护用户隐私。2、本发明解决了传统视频监控系统受光线影响大的问题，绝对零度以上的物体都会向外辐射红外线，红外热成像摄像机可以捕获物体向外辐射的红外线从而形成有用的图像信息。3、本发明解决了传统视频监控系统需要有专人控制摄像机姿态的问题，本系统采用目标跟踪算法，一旦确定进入者可疑，摄像头就会锁定该目标同时开启常规摄像头拍摄清晰的人脸图像。4、本发明采用大数据分析技术，分析用户的日常行为数据，挖掘出用户的行为特征，对比闯入者的行为特征，实现自动报警、摄像头锁定等功能。5、本发明还可以对家庭异常高温进行报警，比如锅里面的水烧干之后温度会超出正常很多，热成像摄像头捕捉到异常高温之后可以报警，一般的火情火警该系统也能捕捉并发出警报。附图说明图1是本发明系统结构图。图2是本发明机械模块控制方法示意图。图3是本发明目标跟踪方法示意图。图4是本发明传感器组工作控制方法示意图。图5是本发明DeepID算法人脸识别的过程示意图。图6是本发明DBNs算法行为识别的过程示意图。图7是本发明RBM示意图。图8是本发明RBM构成一个DBNs的示意图。具体实施方式下面结合附图和实施例详细说明本发明的实施方式。如图1所示，一种基于红外热成像技术的家居监控系统，包括：红外热成像单元，用于采集室内红外视频信号，并将所采集信号传送至中心服务器；中心服务器，接收红外热成像单元所采集的红外视频信号通过云服务器向外发送；终端设备，接收中心服务器发送的数据，进行中转、储存和分析。其中，红外热成像单元包括电路模块和机械模块，电路模块用于采集红外视频信号并向外发送，包括通信模块和红外视频信号采集模块，红外视频信号采集模块以红外热成像传感器为核心，传感器产生的电信号形成数字信息，通过通信模块上传到中心服务器上。机械模块用于电路模块的运动控制，有三个自由度，根据命令将红外热成像传感器固定为三维空间下的任意需要姿态。具体地，其有两个转轴，转轴相互垂直，主转轴的旋转角度范围为[-179,179]，次转轴的旋转角度范围为[-90,90]，辅之以红外热成像传感器的视域，在无障碍物遮挡的情况下，可以实现对三维空间的近似0死角监控。对于给定目标坐标，通过主次转轴的动作使红外热成像传感器快速达到所需姿态；对于连续目标坐标，通过主次转轴的连续动作实现红外热成像传感器永远正对目标，目标跟踪时，中心服务器对红外热成像传感器下发的数据包含一组连续的坐标值。主次转轴的联动采用数字积分插补法实现，如图2所示。当主/次轴脉冲有输出时，主/次伺服电机动作一定的角度，最终达到给定目标坐标。伺服电机动作以角度为尺度，三维空间中的物体移动以距离为尺度，这里有一个从三维坐标到二位角度坐标的映射，如下所示公式阐明了从三维空间坐标到二维转轴角度坐标的完整映射：αθ=K·a11a12a13a21a22a23·b11b12b13b21b22b23b31b32b33·xyz]]>其中表示主轴角度和次轴角度，K为调整参数，为外部参数矩阵，为内部参数矩阵，为空间三维坐标。本发明中心服务器包括中央处理模块、通信模块和内置其中的跟随控制算法模块，其中：中央处理模块用于处理各个模块的数据信息，并对其他各个模块进行控制；中央处理模块中同时还设置有身份标识，用于在云服务器中注册账户，与终端设备绑定。通信模块用于接收红外视频数据并进行相应预处理，还用于接收红外热成像单元的位置状态信息和下发控制命令；内置跟随控制算法模块，用于锁定目标后，控制电机改变红外热成像单元姿态，对目标进行跟踪监视。本发明一个实例中采用均值漂移算法(以下称为Mean-shift算法)结合卡尔曼滤波实现目标跟踪。Mean-shift算法是一种基于密度梯度上升的非参数方法，完全依靠特征空间中的样本点进行分析，不需要先验知识，收敛速度快。但是在实际监控中，运动目标的空间尺度会随着自身的位移而变化，而Mean-shift算法是基于固定窗口进行目标搜索跟踪的算法，因此会由于中心定位不准导致跟踪失败。卡尔曼滤波能够预测Mean-shift算法中目标起始中心，大大提高Mean-shift算法的适应能力和稳健性。如图3所示流程图阐明了该实例中目标跟踪的策略。在目标跟踪的基础上利用网络通信实现各传感器的信息交互，从而实现传感器组的整体联动：服务器与成像传感器通过socket进行数据传输。如图4所示，首先在区域1拍摄到的图像画面中目标物体，摄像头1保持对物体的跟踪，并将此物体的特征信息传送给服务器；此后，服务器通知其他各摄像头进行协同跟踪，其他摄像头同时运行背景相减算法进行物体检测，并将检测的结果即背景相减后得到的当前帧与背景帧的差值反馈给服务器，服务器根据各个摄像头反馈上来的数据，判断由哪台摄像头继续进行跟踪。本发明终端设备可为手机、平板或者PC机，包括UI界面模块、安全警报响应模块以及通信模块，其中：UI界面模块，用于向用户展示实时红外视频信息、响应用户命令，UI界面包括用户账户登录子界面，主界面包括视频控件、警报展示、若干用户输入按钮；安全警报响应模块，用于在收到云服务器下发的警报指令后对用户发出警报提醒，包括调用终端扬声器发声、调用震动或页面弹出功能；通信模块，承担终端设备与云服务器的数据交换任务。本发明云服务器包括硬件配置和软件设计；硬件配置，用于配置设置服务器硬件，是软件、算法运行的载体，是存储的介质，服务器部署采用集群策略，提高可靠性和计算性能，数据存储采用虚拟化存储策略，各服务器共享数据；软件设计，用于接收家庭中心服务器的上传数据、对其下发用户终端命令、管理用户账户下的数据、接收用户终端的请求并转发实时数据，其内置算法包括对可疑目标的识别、对家庭可疑高温的识别、对历史数据的分析挖掘，提取用户行为特征。其中，对目标身份的识别采用人脸识别和行为识别相结合的策略。人脸识别采用DeepID人脸识别算法，这是一种基于卷积神经网络的深度学习算法。人脸识别的基本工作就是判断两张图片是不是同一个人，卷积神经网络在DeepID中的作用是学习特征，输入图片，学习到一个160维的向量，然后在这个向量上使用各种现有分类器，即可得到结果。如图5所示，阐明了完整的DeepID算法人脸识别的过程。行为识别采用深信度网络算法(以下称为DBNs算法)，DBNs算法是一个概率生成模型，如图6所示，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。受限波尔兹曼机(以下简称RBM)是DBNs算法的重要组成单元，RBM由显层和隐层组成，显层单元与隐层单元相互连接，但显层单元和隐层单元自身之间并无连接。V为显层，H为隐层。一个典型的RBM是一个无向循环图，其能量函数定义如下：E(x,h)＝-b′x-c′x-x′Wh图7展示了一个典型的RBM结构，DBNs是一个包含多个隐含层的概率模型，可以看作多个RBM的累加，每个底层的RBM输出结果作为输入数据用于训练下一个RBM，通过贪婪学习得到一组RBM，这一组RBM可以构成一个DBNs，如图8所示。采用贪婪逐层训练算法进行行为学习。贪婪无监督学习算法的主要思想是对DBNs内每一层进行无监督学习，最后对整个网络进行监督学习和微调。学习过程包含预训练、编码解码和微调3个过程。在预训练阶段，下一层与上一层构成一个典型的RBM，使用无监督的学习调节网络的参数，使得RBM的输出能够准确或近似描述输入，使之达到平衡状态。然后下一层的输出作为上一层的输入，与更上层构成新的RBM，调节参数，使RBM达到平衡。如此反复，直到最后一层。使用训练得到的DBNs对目标进行识别的过程被称为编码解码。当完成无监督的训练学习后，再通过原始输入和最终的输出有监督的学习整个网络，调节每层的权重，这一过程称为微调。基于前述方法与原理，在一个或多个实施例中，可将热成像传感器布设到用户家中各角落，在用户家中布设中心服务器，在远端配置云服务器。热成像传感器通过敏感元件采集红外视频信号形成热图像数据。在一个实例中，这些数据可以通过无线通信的方式传输的中心服务器上，比如ZigBee或者无线WiFi；在另一个实例中，这些数据可以通过有线通信的方式传输到中心服务器上。中心服务器收到这些数据，进行初步处理，如果有异常高温则直接控制动作设备报警，在一个实例中是铃声，在另一个实例中是闪灯。并向云服务器发送异常高温警报。在一个实例中，中心服务器会对这些数据进行加密，产生的结果是数据即使被截获也不会被解析。在另一个实例中，中心服务器会对这些数据打上用户的专有标识，保证数据发送到云服务器相应的用户账户下，并只能被用户的注册设备访问。在一个实例中，中心服务器压缩数据，提高传输效率，减少所需带宽。云服务器接收中心服务器的热图像数据并进行存储。在一个实例中，云服务器分析历史数据，挖掘用户行为特征。对比进入者行为特征，确认可疑者，通知中心服务器锁定目标，通知用户终端，用户终端接收到消息后产生警报，在一个实例中调用终端响铃，在另一个实例中弹出警报页面。在一个实例中，用户终端有账户登录系统，有视频显示窗口，有查询按钮，有人为操控摄像头动作按钮，在另一个实例中，是3D摇杆。本发明的完整工作过程为：传感器组捕获到有人进入之后，由就近的传感器进行跟踪，其他传感器处于待命状态，随时接收中心服务器的调配命令进行整体联动完成协同跟踪，同时处于工作状态的热成像传感器将热图像数据上传到中心服务器，由服务器进行行为识别，识别的结果认为来者可疑，通知正在进行跟踪任务的传感器的开启常规摄像头拍摄人脸，将图像数据上传到中心服务器进行人脸识别，确认是外来闯入者之后锁定目标，向云服务器发送报警消息并上传人脸图像，由服务器通知客户端有人闯入并下发人脸图像，再由用户决定下一步动作，接触警报(是不常来的亲戚)或者报警(是小偷)。传感器将数据发送给中心服务器，这些数据中包含目标物体的方位和移动速度，中心服务器经过目标跟踪算法，将跟踪命令发送给当事传感器，跟踪命令中包含一组坐标值，传感器的主次转轴根据该坐标值动作，从而实现跟踪。采用如前所述联动策略实现传感器的协同跟踪。云服务器对云上的视频数据进行分析，提取用户行为特征，在中心服务器进行行为识别时，下发该特征值，作为中心服务器的判断依据。当前第1页1 2 3