本发明涉及老人智慧安全系统，尤其涉及一种基于深度学习的养老院智能行为识别与异常检测方法。
背景技术：
1、随着社会老龄化的加剧，养老院作为老年人照护的重要场所，其安全性和护理质量受到了社会各界的高度重视。在养老院的日常管理中，对老人行为的实时监控和异常行为的及时识别是保障老人安全的关键环节。传统的检测方法依赖于人工观察，不仅效率低下，而且难以做到全天候、全方位的覆盖，存在较大的安全隐患；同时还存在人员不足、容易漏警误警、难以准确识别老人行为模式等问题。此外，现有的一些监控系统虽然能够提供一定程度的监测，然而在识别精度、实时性方面都存在不足，难以满足养老院对实时、高效、精准监测的需求，主要包括以下方面的缺陷：
2、1、环境依赖性强：现有技术往往受限于其操作环境，特别是对于光照条件和背景干扰有较高要求，一旦环境条件不满足，系统的识别能力会显著下降。
3、2、动作识别能力有限：现有的异常检测方法主要基于统计学或规则学习，难以对复杂的行为模式进行准确检测，对于复杂的行为模式，尤其是在紧急情况下的异常行为，如跌倒、晕倒等，现有系统的识别准确率不高，导致漏警率高。
4、3、实时性不高，缺乏足够的预警机制：无法及时发现并报告危险。现有技术无法及时准确识别老人的具体行为模式，对于复杂场景下的异常行为检测能力有限，且响应速度慢，无法满足养老院对紧急情况快速响应的需求。
技术实现思路
1、本发明的目的在于提出一种基于深度学习的养老院智能行为识别与异常检测方法，本方法利用深度学习技术，结合卷积神经网络cnn和循环神经网络rnn的强大图像处理和时序分析能力，对养老院内的监控视频流进行深入分析，从而实现对老人安全的实时保障。
2、为达到上述目的，本发明提出一种基于深度学习的养老院智能行为识别与异常检测方法，通过cnn对监控视频中的每一帧图像进行特征提取，识别出老人的姿态和动作；利用rnn对提取的特征进行时序分析，建立老人的行为模式。
3、进一步的，包括以下步骤：
4、步骤1：采集视频数据；
5、步骤2：对接收到的视频流进行预处理；
6、步骤3：预处理的视频输入至特征提取模块，采用卷积神经网络cnn对每一帧图像进行深度分析，识别出人体的关键部位和动作特征；
7、步骤4：将提取的特征信息送入行为分析模块，所述行为分析模块使用循环神经网络rnn，根据时间序列信息分析老人的行为模式；
8、步骤5：在行为模式分析的基础上，系统进行异常行为检测；
9、步骤6：检测到异常行为触发报警机制；
10、步骤7：进行用户交互与反馈。
11、进一步的，在步骤2中，所述预处理包括对视频进行帧提取、降噪、色彩校正和对比度增强处理。
12、进一步的，在步骤3中，cnn特征提取的方法如下：
13、预处理：输入的视频帧经过预处理，包括标准化和大小调整，数据增强、以适配cnn模型的输入要求；
14、卷积层：使用多个卷积层来提取图像特征；每个卷积层使用一组可学习的滤波器，通过滤波器在输入图像上滑动提取特征；
15、卷积操作的数学表示为：
16、
17、其中，是第(l)层在位置(i,j)处的特征图响应；
18、σ代表激活函数，是一个非线性函数；在卷积神经网络中，常见的激活函数包括relu、sigmoid等。此处应用于卷积操作的结果上，为网络引入非线性，帮助网络学习复杂的模式；
19、∑m∑n表示对所有9m,n)进行累加。这里，(m)和(n)是卷积核在垂直和水平方向上移动的索引，它们的范围由卷积核的大小决定；
20、是第(l)个卷积层的卷积核或称为滤波器中位置9m,n)的权重。权重是学习参数，通过训练过程进行优化；
21、i(i+m)(j+n)表示输入图像或者上一层的特征图在位置(i+m,j+n)的像素值。在执行卷积操作时，卷积核的每个位置上的权重与输入图像中相对应位置的像素值相乘；
22、b(l):表示第(l)个卷积层的偏置项，它是一个可学习的参数，在卷积操作之后加上以增加网络的表达能力；
23、池化层：在连续的卷积层之后添加池化层来降低特征维度并增加模型的鲁棒性；
24、全连接层：卷积和池化层的输出被展平并通过一个或多个全连接层，以整合全局特征，输出最终的特征表示，包含了dropout层来防止过拟合。
25、进一步的，在步骤4中，使用rnn对从cnn提取的特征序列进行时序分析的方法如下：
26、特征序列输入：将cnn模块提取的特征序列作为输入，所述序列反映了视频中老人的动作随时间的变化；
27、循环层：使用多层堆叠的循环层处理特征序列，捕捉时间上的依赖关系；每一层的长短期记忆网络均设有dropout机制以减少过拟合，lstm单元的更新遵循以下公式：
28、遗忘门：ft＝σ(wf·[ht-1,xt]+bf)
29、输入门：it＝σ(wi·[ht-1,xt]+bi)
30、输出门：ot＝σ(wo·[ht-1,xt]+bo)
31、新记忆细胞：
32、最终记忆细胞：
33、最终隐藏状态：ht＝ot*tanh(ct)
34、式中：xt是在时间t的输入特征向量；ht是时间t的输出状态；ct是时间t的记忆细胞状态；*表示逐元素乘法；σ是sigmoid激活函数；w和b分别是权重和偏置参数；
35、行为识别：最后一个循环层的输出可以通过一个或多个全连接层进行处理，以进行最终的行为类别预测；使用softmax函数作为最后一层，以获得对不同行为类别的概率分布；每个时间步的隐藏状态可以用来预测当前时间步的行为；这可以用另一个权重矩阵v将隐藏状态映射到输出空间：
36、yt＝softmax(vht+c)
37、式中：yt是当前时间步的输出向量；c是输出层的偏置项；函数softmax是用于多分类任务的激活函数，用于将输出转换为概率分布。
38、进一步的，在步骤5中，异常检测使用验证集确定最佳阈值，并根据预定义的阈值判断行为模式是否异常，如果检测到的行为类别的概率超过阈值且属于异常类别，则触发报警。
39、进一步的，使用auc-roc曲线等性能指标来评估异常检测的准确性：
40、定义异常得分：基于rnn的输出ht，以及与正常行为数据集的差异程度，定义一个异常得分来衡量每个时间步的行为是否异常；该异常得分通过与异常数据集的典型模式对比的统计测量值来计算；
41、设定一个阈值，当异常得分超过这个阈值时，判定该时间步的行为为异常。
42、与现有技术相比，本发明的优势之处在于：
43、1、引入本发明视频检测系统后，能够有效克服人工观察的局限性，实现全天候、全方位的自动化监控检测，提升效率，消除盲区，降低安全隐患；解决人工观察效率低问题。
44、2、本发明提升异常检测效率和降低运营成本：采用本系统后，养老院提高了对老人异常活动检测效率的同时，也降低了运营成本。自动化的视频分析技术取代了效率有限且成本高昂的人工监控检测，确保了全天候的实时监控。这一转变不仅减少了因人手不足或疲劳而可能出现的监控疏漏，还大幅降低了人力成本，降低护理压力，改进护理服务。
45、2、通过cnn的强大特征提取能力，本发明的系统能够在不同光照和复杂背景下稳定工作，显著降低了对环境条件的依赖性，提高了识别的准确性和可靠性，解决环境依赖性问题。
46、3、利用rnn对行为模式进行时序分析，本发明能够准确识别复杂的异常行为，并及时发出预警，解决了现有技术在紧急情况下识别能力不足的问题，为老人的安全提供了更为有效的保障；提高动作识别准确性。
47、4、本发明利用卷积神经网络cnn和循环神经网络rnn对养老院内的监控视频流进行实时分析，结合终端预警，从而实现及时发现异常行为快速响应并采取救助措施，为系统带来实时性及预警能力。
1.一种基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，通过cnn对监控视频中的每一帧图像进行特征提取，识别出老人的姿态和动作；利用rnn对提取的特征进行时序分析，建立老人的行为模式。
2.根据权利要求1所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，在步骤2中，所述预处理包括对视频进行帧提取、降噪、色彩校正和对比度增强处理。
4.根据权利要求2所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，在步骤3中，cnn特征提取的方法如下：
5.根据权利要求2所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，在步骤4中，使用rnn对从cnn提取的特征序列进行时序分析的方法如下：
6.根据权利要求2所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，在步骤5中，异常检测使用验证集确定最佳阈值，并根据预定义的阈值判断行为模式是否异常，如果检测到的行为类别的概率超过阈值且属于异常类别，则触发报警。
7.根据权利要求5所述的基于深度学习的养老院智能行为识别与异常检测方法，其特征在于，使用auc-roc曲线等性能指标来评估异常检测的准确性：
