一种老人家居安全监控方法、系统、装置及存储介质与流程

1.本说明书涉及安全监控领域，特别涉及一种老人家居安全监控方法、系统、装置及存储介质。


背景技术：

2.随着社会的发展，越来越多的年轻人选择与老人分开居住，使得越来越多的老人长期处于独居状态，而其中很多老人又可能患有心脏病、脑卒中等随时可能突发的疾病。若老人发病时得不到及时的救助，很可能危及老人生命。
3.因此，需要提供一种独居老人的居家安全监控方法，以满足老人的子女或家人及时得知老人发病情况的需求。


技术实现要素：

4.本说明书一个或多个实施例提供一种老人家居安全监控方法。所述老人家居安全监控方法包括：获取与所述老人相关的至少一个监控视频；判断所述至少一个监控视频中是否包含所述老人；响应于所述至少一个监控视频中包含所述老人，将所述至少一个监控视频确定为目标视频；基于所述目标视频，确定所述老人的安全风险；基于所述安全风险，生成警报信息，并将所述警报信息发送至关联终端。
5.本说明书一个或多个实施例提供一种老人家居安全监控系统，所述老人家居安全监控系统包括：获取模块，用于获取与所述老人相关的至少一个监控视频；判断模块，用于判断所述至少一个监控视频中是否包含所述老人；第一确定模块，用于响应于所述至少一个监控视频中包含所述老人，将所述至少一个监控视频确定为目标视频；第二确定模块，用于基于所述目标视频，确定所述老人的安全风险；警报模块，用于基于所述安全风险，生成警报信息，并将所述警报信息发送至关联终端。
6.本说明书实施例之一提供一种老人家居安全监控装置，包括至少一个处理器以及至少一个存储器；至少一个存储器用于存储计算机指令；至少一个处理器用于执行计算机指令中的至少部分指令以实现老人家居安全监控方法。
7.本说明书实施例之一提供一种计算机可读存储介质，用于存储计算机指令。当计算机读取存储介质中的计算机指令后，计算机执行老人家居安全监控方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的老人家居安全监控系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的老人家居安全监控系统的示例性系统图；
11.图3是根据本说明书一些实施例所示的老人家居安全监控方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的动作异常判定模型的示例性模型结构图；
13.图5是根据本说明书一些实施例所示的老人家居安全监控方法的又一示例性流程图。
具体实施方式
14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
18.图1是根据本说明书一些实施例所示的老人家居安全监控系统的应用场景示意图。
19.应用场景100可以包括服务器110、网络120、存储设备130、关联终端设备140、摄像设备150以及监控对象160。服务器110可以包括处理设备111。
20.服务器110与关联终端设备140可以通过网络120相连，服务器110可以与存储设备130通过网络120相连。服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，可以通过服务器110获取摄像设备150拍摄的监控对象160的监控视频信息。服务器110在处理时可以获取存储设备130上的数据或将数据保存到存储设备130。在一些实施例中，服务器110可以是单一服务器或服务器组。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。
21.在一些实施例中，服务器110可以包括处理设备111。处理设备111可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理设备111可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本说明书中描述的功能。在一些实施例中，处理设备111可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备111可以包括中央处理器(cpu)、专用集成电路(asic)等或以上任意组合。
22.网络120可以连接应用场景100的各组成部分和/或连接系统与外部资源部分。网
络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采用多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等多种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。网络120可以连接应用场景100的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。在一些实施例中，可以通过网络120传递服务器110、存储设备130、摄像设备150上传的相关数据。
23.存储设备130可以用于存储数据和/或指令，存储设备130可以直接连接于服务器110或者处于服务器110的内部。在一些实施例中，存储设备130可以用于存储摄像设备150拍摄的与老人相关的视频数据。存储设备130可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。
24.关联终端设备140指一个或多个终端设备或软件，用以接收服务器110发出的警报信息。在一些实施例中，关联终端设备140的用户可以是一个或多个用户。在一些实施例中，关联终端设备140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3等具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中，关联终端设备140以及其他可能的系统组成部分中可以包括处理设备111。
25.摄像设备150指一个或多个具有摄像和拍照功能的设备。摄像设备150与服务器110可以通过网络120相连，摄像设备150可以与存储设备130通过网络120相连。在一些实施例中，摄像设备150的拍摄范围可以覆盖监控对象160的活动空间。
26.监控对象160指老人家居安全监控系统所监控的老人。需要说明的是，在不同的应用场景下，监控对象160可以是病患、婴儿等其他被监控的对象，本说明书对此不做限定。
27.应当注意注应用场景100仅仅是为了说明的目的而提供的，并不意图限制本技术的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括信息源。然而，这些变化和修改不会背离本技术的范围。
28.图2是根据本说明书一些实施例所示的老人家居安全监控系统的示例性模块图。
29.如图2所示，老人家居安全监控系统200包括获取模块210、判断模块220、第一确定模块230、第二确定模块240和警报模块250。在一些实施例中，老人家居安全监控系统200可以为服务器110的一部分或由服务器110实现。
30.获取模块210可用于获取与老人相关的至少一个监控视频。
31.判断模块220可用于判断至少一个监控视频中是否包含所述老人。
32.第一确定模块230可用于响应于至少一个监控视频中包含老人，将至少一个监控视频确定为目标视频。
33.第二确定模块240可用于基于目标视频，确定老人的安全风险。在一些实施例中，
第二确定模块240可以通过动作异常判定模型对目标视频与老人的至少一个历史监控视频进行对比判断，得到判断结果，其中，判断结果表征所述老人的动作是否存在异常，动作异常判定模型为机器学习模型；响应于判断结果满足预设条件，确定所述老人的所述安全风险。
34.警报模块250可用于基于安全风险，生成警报信息，并将警报信息发送至关联终端设备140。
35.在一些实施例中，老人家居安全监控系统200系统还可以包括生成模块260。生成模块260可用于获取所述老人的发病情况；基于所述发病情况，生成发病信息，其中，发病信息至少包括病理信息以及严重程度；将发病信息与对应的至少一个历史监控视频关联存储。
36.对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，将老人家居安全监控系统200移用到其他任何合适的场景下。
37.需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
38.图3是根据本说明书一些实施例所示的一种老人家居安全监控方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备执行。
39.步骤310，获取与老人相关的至少一个监控视频。
40.与老人相关的至少一个监控视频可以指在老人的常规活动时间内拍摄的监控视频。例如，某老人在每日的05:00至22:00处于可能活动的状态，则在这段时间内拍摄的监控视频属于相关的监控视频。与老人相关的至少一个监控视频可以通过安装在老人的活动空间内的摄像设备150拍摄获取。其中，老人的活动空间可以指老人的住所。
41.步骤320，判断与老人相关的至少一个监控视频中是否包含老人。
42.在一些实施例中，处理设备可以通过图像人脸识别、动作捕捉等方式判断监控视频是否包含老人。
43.在一些实施例中，监控视频中是否包含老人可以通过图像识别模型进行判断。其中，图像识别模型可以是神经网络模型。
44.图像识别模型的输入可以是从监控视频中采样的多个帧，其中，采样帧的方法可以预设。例如，采样帧的方法可以是每隔固定帧数采样一帧；又例如，采样帧的方法可以是在每秒的视频中随机采样几帧。
45.图像识别模型的输出可以是监控视频中是否包含老人的识别结果。在模型判断过程中，只要有至少一个采样的帧被判定为包含老人，即可将对应的监控视频判定为包含老人。
46.在一些实施例中，图像识别模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始图像识别模型，通过标签和初始图像识别模型的结果构建损失函数，基于损失函数迭代更新初始图像识别模型的参数。当初始图像识别模型的损失函数满足预设条件时模型训练完成，得到训练好的图像识别模型。其中，预设条件
可以是损失函数收敛、迭代的次数达到阈值等。
47.在一些实施例中，训练样本至少可以包括多个历史监控视频中的多个帧。标签可以是每个帧中是否包含老人。其中，标签可以基于人工标注获取。
48.步骤330，响应于至少一个监控视频中包含老人，将包含老人的至少一个监控视频确定为目标视频。
49.目标视频可以指需要进行老人安全风险判断的监控视频。关于安全风险的描述详见后续说明。
50.步骤340，基于目标视频，确定老人的安全风险。
51.安全风险可以指老人发病的可能性大小。安全风险可以通过安全风险等级来表征，例如安全风险等级可包括高风险、较高风险、中风险、较低风险、低风险等。安全风险还可以通过安全风险分值来表征，例如安全风险分值可以是[0,100]区间内的整数，数值越大代表安全风险越高。
[0052]
在一些实施例中，处理设备可以通过对目标视频中老人动作行为跟踪、与预设的无安全风险视频比对、人工智能识别等方式确定安全风险。
[0053]
在一些实施例中，安全风险可以基于动作异常判定模型确定。例如，通过动作异常判定模型对目标视频与老人的至少一个历史监控视频进行对比判断，得到判断结果；响应于判断结果满足预设条件，基于判断结果确定老人的安全风险。
[0054]
动作异常判定模型可以是机器学习模型。动作异常判定模型的详细内容可参见图4及其对应说明，此处不再赘述。
[0055]
判断结果可以指目标视频与老人的至少一个历史监控视频的相似程度。例如，判断结果可以是目标视频的某一帧或多帧与老人的至少一个历史监控视频的一帧或多帧之间的相似度。
[0056]
预设条件可以指目标视频与至少一个老人正常时的历史监控视频的相似程度小于正常阈值，或目标视频与至少一个老人不正常时的历史监控视频的相似程度大于不正常阈值。正常阈值和不正常阈值均可由人工预设确定。
[0057]
老人的安全风险可以通过安全风险等级或分值的形式进行表征。安全风险等级或分值可以基于预设规则确定。例如，可以预设多个目标视频与历史监控视频的相似程度范围，每个范围对应一个安全风险等级。又例如，可以预设多个目标视频与历史监控视频的相似程度范围，每个范围对应一个安全风险分值。
[0058]
步骤350，基于安全风险，生成警报信息，并将警报信息发送至关联终端。
[0059]
警报信息可以指反映老人安全风险的提示性信息。警报信息可以包含但不限于警报时间、老人的安全风险等。例如，警报信息可以是“9:30存在休克症状，安全风险等级为高”。警报信息可以由服务器110基于目标视频对应的时间和基于步骤340确定的安全风险进行确定。目标视频对应的时间可以是目标视频所覆盖的时间范围的中间时刻。
[0060]
关联终端可以指老人子女、其他亲属或看护人员的个人终端设备。个人终端设备可以包括但不限于移动终端、计算机终端等。关联终端可以接收报警信息，还可以基于老人子女、亲属或看护人员的输入上传老人的基本信息。
[0061]
通过本说明书一些实施例所述的老人家居安全监控方法的流程，可以实现对老人发病或其他突发危险情况的实时判断与警报，有效提高了后续对老人进行救助的效率。另
外，本说明书一些实施例所述的图像识别模型，输入为视频采样的部分帧而非整个视频，在保证识别效率的前提下，有效减少了无意义的识别。
[0062]
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程300还可以包括后处理的步骤。
[0063]
图4是根据本说明书一些实施例所示的动作异常判定模型的示例性模型结构图。
[0064]
在一些实施例中，动作异常判定模型可以包括融合特征层410、第一特征生成层420、第二特征生成层430和预测层440。融合特征层410可以包含第一融合特征层410-1和第二融合特征层410-2。
[0065]
在一些实施例中，动作异常判定模型的融合特征层410可以是机器学习模型，可用于基于目标视频确定融合特征和基于老人在正常情况下的历史监控视频确定历史融合特征。其中，老人在正常情况下的历史监控视频可以是老人正常起居的历史视频。
[0066]
融合特征层410的输入可以包括老人的基本信息、目标视频和历史监控视频。其中，第一融合特征层410-1的输入可以包括老人的基本信息和目标视频，第二融合特征层410-2的输入可以包括老人的基本信息和历史监控视频。
[0067]
老人的基本信息可以包括但不限于老人的年龄、性别、体重、血压值、所患疾病及历史发病时间等。老人的基本信息可以通过关联终端上传获得。
[0068]
融合特征层410的输出可以包括融合特征和历史融合特征。其中，第一融合特征层410-1的输出可以是融合特征，第二融合特征层410-2的输出可以是历史融合特征。
[0069]
融合特征可以指基于目标视频和老人的基本信息生成的向量形式的数据，其可以是反映目标视频与老人信息结合后的特征数据。例如，融合特征可以是将老人的基本信息和目标视频相关信息作为向量元素的特征向量。
[0070]
历史融合特征可以指基于历史监控视频和老人的基本信息生成的向量形式的数据，其可以是反映历史监控视频与老人信息结合后的特征数据。例如，历史融合特征可以是将老人的基本信息和历史监控视频相关信息作为向量元素的特征向量。
[0071]
在一些实施例中，融合特征层410可以包括老人信息特征提取层、图像特征提取层和融合层。
[0072]
基于上述结构的融合特征层410获取融合特征和历史融合特征的方法可参见后续相关说明。
[0073]
在一些实施例中，老人信息特征提取层可以是机器学习模型，可用于基于老人的基本信息确定老人的信息特征。
[0074]
老人信息特征提取层的输入可以包括老人的基本信息，输出可以包括老人的信息特征。老人的信息特征可以基于老人信息特征向量表示，老人信息特征向量的元素可以包括但不限于老人的年龄、性别、体重、血压值、所患疾病及历史发病时间等。
[0075]
在一些实施例中，图像特征提取层可以是机器学习模型，可用于基于视频确定视频每帧图像的特征。
[0076]
图像特征提取层的输入可以包括视频段，输出视频段中每帧图像的特征。例如，输入目标视频，输出目标视频每帧图像的特征，或输入历史监控视频，输出历史监控视频每帧
图像的特征。其中，目标视频每帧图像的特征和历史监控视频每帧图像的特征可以是对应的目标视频图像特征向量以及历史监控视频图像特征向量，上述特征向量的元素可以包括但不限于图像的分辨率、灰度值、颜色特征、纹理特征、形状特征等。
[0077]
在一些实施例中，融合层可以是机器学习模型，可用于基于视频每帧图像的特征确定对应的融合特征。
[0078]
融合层的输入可以包括老人的信息特征、视频帧图像特征，其中，视频帧图像特征可以是目标视频每帧图像的特征或历史监控视频每帧图像的特征，输出可以包括融合特征或历史融合特征。在一些实施例中，融合层可以是神经网络模型。
[0079]
在一些实施例中，目标视频可以被划分为多个目标视频段，基于每个目标视频段确定对应的融合特征。在一些实施例中，历史监控视频可以被划分为多个历史视频段，基于每个历史视频段确定对应的历史融合特征。
[0080]
在一些实施例中，可以基于预设规则将目标视频和历史监控视频拆分为视频段。例如，可以按固定时长将视频分段。固定时长的大小可以预设。又例如，可以将视频按连续的固定数量的帧数进行分段。
[0081]
在一些实施例中，可以基于视频中连续帧的相像度进行分段。相像度可以表征图像内容的相像程度。相像度大于阈值的帧分入同一视频段中，相像度小于阈值的帧分入不同的视频段中。
[0082]
在一些实施例中，连续帧的相像度可以基于视频分段模型获取。视频分段模型可以是神经网络模型。
[0083]
在一些实施例中，视频分段模型的输入可以是视频的所有帧，输出可以是相邻帧之间的相像程度或视频的分段结果。当输出为相邻帧之间的相像程度时，判断相邻帧之间的相像程度是否大于相像阈值，当相邻帧之间的相像程度小于相像阈值时，在该相邻帧之间进行分段，即包含其中一帧的视频为一个视频段，包含另一帧的视频为另一个视频段。可以理解的是，视频分段模型的输出还可以是相邻帧的区别程度，当输出是相邻帧之间的区别程度时，基于区别阈值判断是否进行分段，判断过程参见上述过程，此处不再赘述。
[0084]
在一些实施例中，视频分段模型可以通过多个有标签的训练样本训练得到。例如，可以将多个带有标签的训练样本输入初始视频分段模型，通过标签和初始视频分段模型的结果构建损失函数，基于损失函数迭代更新初始视频分段模型的参数。当初始视频分段模型的损失函数满足预设条件时模型训练完成，得到训练好的视频分段模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
[0085]
在一些实施例中，训练样本可以包括多个历史监控视频。标签可以是人工标注的分段结果。
[0086]
通过本说明书一些实施例所述的将视频分段后确定融合特征和历史融合特征的方法，增加了目标视频对应的融合特征数量的和历史监控视频对应的历史融合特征数量，有效提高了对各视频特征表达的准确程度。
[0087]
在一些实施例中，动作异常判定模型的第一特征生成层420可以基于各个目标视频段及其融合特征构建第一特征图，并基于所构建的第一特征图生成第一特征。
[0088]
在一些实施例中，第一特征图的节点可以包括目标视频段节点。节点的属性可以包括目标视频段的起止时间、时长或帧数。
[0089]
在一些实施例中，可以在存在连续时间关系的目标视频段节点之间构建边。边可以是有向边，由时间顺序在前的节点指向时间顺序在后的节点。边的属性可以是所连接的目标视频段的融合特征的相似度。
[0090]
在一些实施例中，第一特征生成层420可以为图神经网络模型，可以基于图神经网络对第一特征图处理进而确定第一特征。
[0091]
在一些实施例中，第一特征生成层420的输入可以是各个目标视频段及其融合特征。第一特征生成层420的输出可以是目标视频的第一特征。
[0092]
第一特征可以指基于目标视频与其融合特征生成的向量形式的数据，可以是反映目标视频与其融合特征结合后的特征向量数据。例如，第一特征的向量形式的内容可以是(目标视频信息、老人的基本信息、融合特征)。目标视频信息可以包括但不限于目标视频的起止时间、分辨率、拍摄位置等。
[0093]
融合特征的相似度可以指两个目标视频段的融合特征的相似程度。在一些实施例中，融合特征的相似度可以基于计算融合特征的距离进行确定。选用的距离可以是但不限于欧式距离、曼哈顿距离、切比雪夫距离等。在一些实施例中，融合特征的相似度还可以基于计算融合特征的余弦相似度进行确定。
[0094]
在一些实施例中，动作异常判定模型的第二特征生成层430可以基于各个历史视频段及其融合特征构建第二特征图，并基于所构建的第二特征图生成第二特征。
[0095]
在一些实施例中，第二特征图的节点可以包括历史视频段节点。节点的属性可以包括历史视频段的起止时间、时长或帧数。
[0096]
在一些实施例中，可以在存在连续时间关系的历史视频段节点之间构建边。边可以是有向边，由时间顺序在前的节点指向时间顺序在后的节点。边的属性可以是所连接的历史视频段的融合特征的相似度。
[0097]
在一些实施例中，第二特征生成层430可以为图形神经网络模型，可以基于图形神经网络模型对第二特征图处理进而确定第二特征。
[0098]
在一些实施例中，第二特征生成层430的输入可以是各个历史视频段及其历史融合特征。第二特征生成层430的输出可以是历史监控视频的第二特征。
[0099]
第二特征可以指基于历史监控视频与其历史融合特征生成的向量形式的数据，可以是反映历史监控视频与其历史融合特征结合后的特征向量数据。例如，第二特征的向量形式的内容可以是(历史监控视频信息、老人的基本信息、历史融合特征)。历史监控视频信息可以包括但不限于历史监控视频的起止时间、分辨率、拍摄位置等。
[0100]
在一些实施例中，第一特征生成层和第二特征生成层的参数可以共享。例如，第一特征生成层和第二特征生成层的损失函数所包含的部分参数可以相同。
[0101]
在一些实施例中，第一特征生成层420与第二特征生成层430构建的第一特征图和第二特征图的节点类型还可以包括位置节点。位置节点的属性可以包括位置的类型。位置的类型可以包括但不限于床上及床边、沙发上及沙发旁、灶台旁、餐桌旁等。视频段节点对应的视频的拍摄位置若与某位置类型重合，则在对应的视频段节点与位置节点间构建边。边可以由视频段节点指向位置节点。边的属性可以是视频段中老人处于该位置的时长。
[0102]
通过在第一特征图和第二特征图中引入位置节点，可以进一步判断老人在不同位置点的动作是否异常，提高判断的准确性。
[0103]
在一些实施例中，对于第一特征图和第二特征图，可以在融合特征相似度大于阈值的视频段节点间构建双向边。阈值可以人工预设确定。双向边的属性可以包括视频段间的融合特征相似度和视频段开始时刻的时间间隔。
[0104]
在一些实施例中，第一融合特征层、第二融合特征层参数共享，通过改变输入来得到对应的输出。在一些实施例中，第一特征生成层和第二特征生成层参数共享，通过改变输入来得到对应的输出。
[0105]
在一些实施例中，动作异常判定模型的预测层440可以是机器学习模型，可用于基于第一特征和第二特征确定判断结果。
[0106]
预测层440的输入可以包括第一特征和第二特征。输出可以是目标视频与历史监控视频相似度的判断结果。
[0107]
在一些实施例中，动作异常判定模型的各个层可以进行联合训练。例如，融合特征层410输入训练样本数据，即老人的基本信息、目标视频和历史监控视频，得到融合特征层410输出的融合特征和历史融合特征；将融合特征作为训练样本数据，连同目标视频输入第一特征生成层420，得到第一特征生成层输出的第一特征；将历史融合特征作为训练样本数据，连同历史监控视频输入第二特征生成层430，得到第二特征生成层输出的第二特征；将第一特征和第二特征作为训练样本数据输入预测层440，得到判断结果；使用样本对应的人工标注的判断结果进行验证；利用神经网络模型的反向传播特性，得到融合特征层410输出的融合特征和历史融合特征、第一特征生成层420输出的第一特征、第二特征生成层430输出的第二特征的验证数据，使用该验证数据作为标签对融合特征层410、第一特征生成层420和第二特征生成层430进行训练。
[0108]
又例如，训练样本数据包括老人的基本信息、目标视频和历史监控视频，将老人的基本信息输入融合特征层410，将目标视频输入第一融合特征层410-1和第一特征生成层420，将历史监控视频输入第二融合特征层410-2和第二特征生成层430，第一融合特征层410-1的输出也作为第一特征生成层420的输入，第二融合特征层410-2的输出也作为第二特征生成层430的输入，第一特征生成层420和第二特征生成层430的输出作为预测层440的输入，标签为样本人工标注的判断结果，训练过程中，基于样本判断结果、融合特征层410、第一特征生成层420和第二特征生成层430的输出建立损失函数对模型的参数进行更新。
[0109]
在一些实施例中，第一融合特征层、第二融合特征层参数共享，可以将训练好的其中一个作为另一个共享使用。在一些实施例中，第一特征生成层和第二特征生成层参数共享，可以将训练好的其中一个作为另一个共享使用。
[0110]
在一些实施例中，动作异常判定模型训练时所使用的训练样本对可以包括负样本对和正样本对。
[0111]
样本对可以指用于动作异常判定模型训练的由两个视频组成的样本组合。
[0112]
负样本对可以指由相似度较低的两个视频组成的样本对。例如，负样本对中的两个视频可以是养老院相同房型中不同健康状况的两个老人的监控视频。又例如，负样本对中的两个视频可以是同一老人分别在发病时与不发病时的监控视频。
[0113]
正样本对可以指由相似度较高的两个视频组成的样本对。例如，正样本对中的两个视频可以是同一老人在不同日期不发病时的监控视频。
[0114]
通过在模型训练过程中引入正负样本对，可以在训练前对样本进行分类，减少无
效样本对训练过程的影响；另外，对于同一类型的样本，可以减少该类样本的训练次数以避免重复训练。
[0115]
通过本说明书一些实施例所述的动作异常识别模型，可以快速而又准确地判断监控对象当前动作与历史动作的相似程度，进而准确地判断出监控对象当前的安全风险；另外，通过联合训练得到动作异常判定模型，可以减少样本获取量和获取难度，提高训练效率。
[0116]
图5是根据本说明书一些实施例所示的老人家居安全监控方法的又一示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由处理设备执行。
[0117]
步骤510，获取老人的发病情况。
[0118]
发病情况可以指老人历史发病时的病理情况。发病情况可以包括发病时间、疾病名称、发病表现、严重程度等。发病表现可以包括但不限于晕倒、抽搐、呕吐等。严重程度可以包括但不限于不严重、严重、非常严重等。严重程度可以基于发病后的治疗难度确定。例如，只是简单的药物或输液治疗可对应为不严重。又例如，住院治疗可以对应严重。又例如，手术治疗或抢救可对应为非常严重。
[0119]
发病情况可以基于发病后治疗的病历、或人工输入确定。
[0120]
步骤520，基于发病情况，生成发病信息。
[0121]
发病信息可以指基于发病情况生成的反映发病情况的信息。
[0122]
步骤530，将发病信息与对应的至少一个历史监控视频关联存储。
[0123]
在一些实施例中，处理设备可以将发病信息作为对应的至少一个历史监控视频的标签，并将二者通过存储设备进行存储。
[0124]
在一些实施例中，存储的发病视频与发病信息可以作为动作异常识别模型的训练数据。例如，存储的发病视频与老人未发病时的监控视频，可以组成负样本对，用于动作异常识别模型的训练。
[0125]
在一些实施例中，发病视频可以作为多个历史监控视频中的一个，以判断老人的安全风险。
[0126]
在一些实施例中，确定的最终的安全风险可以是目标视频与多个历史监控视频通过动作异常判定模型输出的安全风险结果的加权平均结果。在一些实施例中，每个安全风险结果的权重可以基于其关联的发病信息确定。发病信息中的严重程度越高，被赋予的权重值越大。
[0127]
通过本说明书一些实施例所述的老人家居安全监控方法，让历史监控视频与发病情况关联，进而影响最终的安全风险结果，使得更严重的疾病对应的安全风险会更高，进而实现了更准确、更合理的安全风险判断。
[0128]
本说明书提供一种老人家居安全监控装置。老人家居安全监控装置可以包括至少一个处理器以及至少一个存储器。存储器可以用于存储计算机指令。处理器可以用于执行所述计算机指令中的至少部分指令以实现老人家居安全监控方法。
[0129]
本说明书提供一种计算机可读存储介质。存储介质可以用于存储计算机指令。当计算机读取存储介质中的计算机指令后，计算机执行老人家居安全监控方法。
[0130]
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能
会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0131]
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0132]
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
[0133]
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0134]
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
[0135]
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
[0136]
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。