一种基于物联网的智能家居安防系统及方法与流程

本发明涉及物联网，具体为一种基于物联网的智能家居安防系统及方法。

背景技术：

1、随着科技的发展及人们生活水平的不断提高，居住环境的改善备受关注，家庭生活中每个成员的舒适、安全与便利的需求越来越受到开发商的重视，智能家居以住宅为平台，兼备网络通信、信息家电和设备自动化的智能化控制系统，该系统可满足并实现高效、舒适、安全、便利、环保的人文居住环境。

2、目前智能家居安防系统在实际应用中仍然面临一些挑战和问题，智能家居安防系统中一些传感器可能对误报更为敏感，导致虚假报警，这会导致用户对系统的信任度降低，以及不必要的干扰，同时对于潜在危险的提前预测一直是智能家居安防系统尚未圆满解决的重要挑战，解决这些问题需要制定和执行更加严格的标准、提高设备的安全性和稳定性。

技术实现思路

1、本发明的目的在于提供一种基于物联网的智能家居安防系统及方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于物联网的智能家居安防系统，该智能家居安防系统包括数据采集模块、数据处理模块、数据分析模块、可视化报告模块；

3、所述数据采集模块通过传感器获取气体浓度、温度湿度检测数据，通过摄像头进行视频监控录像，数据处理单元接收整合传感器、摄像头获取的数据，对数据进行清洗和预处理，数据分析单元对实时获取的数据进行分析，检测异常并发出警报，根据已有数据进行预测分析，可视化报告模块展示实时监控状态并生成报告查看；

4、所述数据采集模块的输出端连接数据处理模块的输入端，所述数据处理模块的输出端连接数据分析模块的输入端，所述数据分析模块的输出端连接可视化报告模块的输入端。

5、根据上述技术方案，所述数据采集模块包括传感器单元、摄像头单元；

6、所述数据采集模块包括传感器单元、摄像头单元组成，数据采集模块的输出端连接数据处理模块的输入端；

7、所述传感器单元利用不同类型的传感器用来监测和收集各种信息，支持系统对家庭安全和自动化管理，包括门窗传感器检测门窗状态，异常打开时触发安全警报，烟雾传感器监测空气中的烟雾，检测到火灾风险会触发报警和灭火系统，一氧化碳传感器检测空气中一氧化碳浓度，以及温湿度传感器；

8、所述摄像头单元利用摄像头拍摄图像或视频捕捉实时场景，支持高清晰度和分辨率的视频，具备夜视功能，具备智能识别功能，可以识别人体、动物或特定物体，支持双向音频功能。

9、所述数据处理模块包括数据接收和整合单元、数据清洗和预处理单元；

10、所述数据处理模块包括数据接收和整合单元、数据清洗和预处理单元组成，数据采集模块的输出端连接数据处理模块的输入端；

11、所述数据接收和整合单元接收来自各个传感器和摄像头设备的数据，并将这些数据整合、处理，将不同传感器产生的数据进行标准化，确保数据的一致性和可比性，从而支持智能决策和操作；

12、所述数据清洗和预处理单元负责对从各个传感器和摄像头设备获取的原始数据进行处理，检测和处理数据中的缺失值，识别和处理数据中的异常值，提取、构造和选择有意义的特征。

13、所述数据分析模块包括实时分析单元、异常检测和警报单元、预测性分析单元；

14、所述数据分析模块包括实时分析单元、异常检测和警报单元、预测性分析单元组成，数据处理模块的输出端连接数据分析模块的输入端；

15、所述实时分析单元负责对实时产生的数据进行即时处理分析，使用智能算法和模型中的主成分分析算法进行分析，通过多个传感器和摄像头设备产生数据，使用主成分分析算法可以将高纬度的数据降至低维度，去除冗余信息，提取数据中的主要特征，这些特征包括：传感器参数，如温度、湿度、烟雾等，各种系统设备，如门窗传感器、摄像头等，系统记录的用户活动，如进出时间、常用设备等，检测异常值，主成分分析算法使用协方差矩阵描述不同特征之间的关系：

16、

17、其中，xki是第k个样本在第i个特征上的取值，是第i个特征的均值，xkj是第k个样本在第j个特征上的取值，是第j个特征的均值，n是样本数量，cij表示协方差矩阵c的元素cij，

18、之后将协方差矩阵c带入：

19、cv＝λv

20、求解协方差矩阵的特征值和特征向量，其中，c是协方差公式，v是特征向量，λ是特征值，

21、之后对特征值进行排序，按照从大到小顺序排列，排序后的特征值代表数据中的方差，越大的特征值对应的方向上包含的信息越多，

22、之后选择前k个特征值对应特征向量作为主成分，其中k是希望降维后的维度，将选定的前k个特征向量组成投影矩阵，记作p，投影矩阵p的每一列对应一个主成分，使用投影矩阵p将原始数据集x进行线性变换，得到降维后的数据y：

23、y＝x*p

24、其中，y代表降维后的数据，x代表原始数据集，p代表投影矩阵，使用主成分分析算法得到原始数据中的主要信息进行分析；

25、所述异常检测和警报单元负责监视系统产生的数据识别潜在的异常和安全威胁，异常检测和警报单元接收实时分析单元分析后的主要信息进行比对，异常数据超过阈值时触发警报；

26、所述预测性分析单元通过分析历史数据和实时数据，预测未来可能发生的安全问题和用户行为，分析家庭成员的历史数据，了解正常的活动模式和行为特征，预测性分析单元不仅对历史数据进行学习，还实时地监测当前环境状态，利用卷积神经网络对图像数据和传感器数据进行模式识别，提取关键特征，预测性分析单元能够识别和预测异常行为，基于历史数据和实时分析能够预测未来可能发生地安全问题和用户行为，为系统提供预警和预测功能，通过摄像头拍摄家庭成员运动视频，进行分解成单独的图像帧数据，使用工具对视频进行动作标注，为了扩充数据集，将每个图像帧数据进行镜像处理，将图像帧数据地80％作为训练集，20％作为测试集，之后将数据传入卷积神经网络进行训练，使用图像帧数据训练卷积神经网络，首先定义卷积神经网络的结构，包括卷积层、激活函数、池化层、全连接层；在卷积层中使用

27、

28、将卷积核与输入数据进行逐元素相乘并求和，得到输出特征图，其中，i和j是输出特征图的坐标，m和n是卷积核的坐标，c是输入数据的通道数；

29、通过激活函数引入非线性，在池化层减小特征图的尺寸，降低计算量，将摄像头拍摄的历史危险图像数据传入预测模型，进行训练，之后将测试数据集代入对训练后的模型进行验证，能够检测出潜在危险的发生；将训练好的模型部署在系统中，实时监测新数据，不断学习和优化预测模型，在预测到潜在危险的发生时，系统发出警报并采取相应措施。

30、所述可视化报告模块包括实时状态监控单元、报告生成单元；

31、所述可视化报告模块包括实时状态监控单元、报告生成单元组成，数据分析模块的输出端连接可视化报告模块的输入端；

32、所述实时状态监控单元负责实时监测各种传感器和摄像头设备的状态，以及用户行为，确保系统能够及时响应并保持最新的系统状态；

33、所述报告生成单元负责生成各种报告，向用户提供关于系统状态、事件历史、用户活动等方面的详细信息。

34、一种基于物联网的智能家居安防方法，该方法包括以下步骤：

35、s1、利用系统提供的各种传感器和摄像头设备获取检测数据和监控录像数据；

36、s2、接收整合采集的检测数据和监控录像数据，对数据进行清洗和预处理，减少噪声；

37、s3、对处理后的数据进行检测分析，当检测出异常数据时，系统发出警报，同时系统会根据已有数据进行预测分析，即时采取处理措施，提供解决办法；

38、s4、用户可通过可视化模块查看监控画面和检测数据，查看系统状态，并提供历史图表和统计报告。

39、在步骤s2中，对数据进行清洗和预处理包括：

40、s7-1、检测传感器数据中的缺失值，并通过插值、删除填充方法进行处理；

41、s7-2、对传感器数据进行标准化，处理时间戳，转换合适时区，进行时间序列排序；

42、s7-3、对摄像头监控录像数据进行裁剪、缩放、去噪处理，完成预处理任务。

43、在步骤s3中，对处理后的数据进行分析包括：

44、s8-1、接收清洗和预处理完成的数据，对处理后的数据进行分析；

45、s8-2、使用协方差矩阵描述不同特征之间的关系：

46、

47、其其中，xki是第k个样本在第i个特征上的取值，是第i个特征的均值，xkj是第k个样本在第j个特征上的取值，是第j个特征的均值，n是样本数量，cij表示协方差矩阵c的元素cij；

48、s8-3、将协方差矩阵c带入：

49、cv＝λv

50、求解协方差矩阵的特征值和特征向量，其中，c是协方差公式，v是特征向量，λ是特征值，之后对特征值进行排序，按照从大到小顺序排列，排序后的特征值代表数据中的方差，越大的特征值对应的方向上包含的信息越多；

51、s8-4、选择前k个特征值对应特征向量作为主成分，其中k是希望降维后的维度，将选定的前k个特征向量组成投影矩阵，记作p，投影矩阵p的每一列对应一个主成分，使用投影矩阵p将原始数据集x进行线性变换，得到降维后的数据y：

52、y＝x*p

53、其中，y代表降维后的数据，x代表原始数据集，p代表投影矩阵，使用主成分分析算法得到原始数据中的主要信息进行分析。

54、在步骤s3中，预测分析包括：

55、s9-1、使用rgb摄像头捕获家庭成员的动作，使用工具对视频进行动作标注，将视频文件分解成单独的图像帧数据，为了扩充数据集，将每个图像帧数据进行镜像处理，将图像帧数据中的80％作为训练数据集，20％作为测试数据集；

56、s9-2、选择卷积神经网络作为深度学习模型，使用图像帧数据训练卷积神经网络，首先定义卷积神经网络的结构，包括卷积层、激活函数、池化层、全连接层；

57、s9-3、在卷积层中使用

58、

59、将卷积核与输入数据进行逐元素相乘并求和，得到输出特征图，其中，i和j是输出特征图的坐标，m和n是卷积核的坐标，c是输入数据的通道数；

60、s9-4、通过激活函数引入非线性，在池化层减小特征图的尺寸，降低计算量，将摄像头拍摄的图像帧数据传入预测模型，进行训练，之后对训练后的模型进行验证，是否能够检测出潜在危险的发生；

61、s9-5、将训练好的模型部署在系统中，实时监测新数据，不断学习和优化预测模型，在预测到潜在危险的发生时，系统发出警报并采取相应措施。

62、在步骤s4中，查看系统状态包括：

63、s10-1、持续收集各种传感器的实时数据并查看摄像头画面，监控系统状态；

64、s10-2、记录和存储实时状态信息。

65、与现有技术相比，本发明所达到的有益效果是：

66、1、本发明使用主要成分分析算法降低数据维度，减少存储和计算成本，同时，提取主要特征，帮助系统集中关注对安全和重要的信息；同时检测数据中的异常值，帮助发现潜在的安全威胁和异常行为，主要成分分析算法对数据的适应性强，能够适应环境变化和新数据的加入，这使得智能家居安防系统具有鲁棒性和可扩展性。

67、2、本发明通过分析历史数据和实时数据，提前发现异常和潜在危险，使得系统能够提前预警和采取防范措施，减少潜在风险，通过预测用户行为和习惯，提供个性化智能家居体验。

68、3、本发明使用物联网技术使得家居设备和传感器、摄像头等设备相互连接和通信，实现全面的联动性，使用物联网技术能够通过预设规则自动化操作，提高家居设备智能化程度，同时系统根据用户行为和偏好提供个性化的服务和体验，贴近用户需求。