基于物联网的智能楼宇安全系统的制作方法

本发明涉及物联网，具体为基于物联网的智能楼宇安全系统。

背景技术：

1、随着城市化进程的加速和人口密集度的增加，楼宇的安全管理变得愈发重要，然而，传统的楼宇安全管理方式存在一些局限性和挑战。传统的楼宇安全管理通常依赖于安保人员的巡逻和监管，人力成本高昂，并且无法实现全天候监控。在发生安全事件时，人力安保可能无法立即发现问题并做出及时反应，导致安全隐患的扩大和事态的恶化。传统的楼宇安全管理方式往往缺乏细致的管理和个性化的控制，无法根据不同场景和需求进行灵活调整。

2、此外，传统的楼宇安全系统往往缺乏智能化的风险评估功能，无法对陌生人的行为模式和情绪状态进行准确分析和预测，导致对潜在风险的评估不足。传统的楼宇安全系统通常需要现场操作，管理员无法实时远程监控和管理，操作管理不够便捷高效。

技术实现思路

1、本发明的目的在于提供基于物联网的智能楼宇安全系统，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：

3、基于物联网的智能楼宇安全系统，其特征在于：包括：

4、传感器模块：通过门窗传感器监测楼宇的出入口，通过烟雾传感器检测空气中的烟雾，通过气体传感器监测空气中的可燃气体或有毒气体，通过人体传感器检测楼宇内人员的活动状态，当出现异常情况时发出警报；

5、门禁权限模块：通过指纹识别或人脸识别扫描来访者的生物特征验证身份，管理员通过系统设定不同的权限级别和访问规则，对来访者进行管理，支持临时权限设置；实时监控门禁设备的使用情况，记录每一次的门禁事件；

6、风险评估模块：利用运动检测算法，对监控画面进行分析，识别陌生人的行为模式；利用卷积神经网络分析陌生人的面部表情和声音，预测陌生人的情绪状态；将当前陌生人的行为模式和情绪状态与历史数据进行比对，了解是否存在类似的异常行为或情绪反应，根据历史数据的分析结果，评估当前陌生人的意图是否存在潜在的风险；

7、远程控制模块：提供远程监控界面，管理员能够远程查看楼宇内各个区域的实时监控画面，远程查看传感器模块的数据；支持远程开启或关闭门禁设备，对安全设备和系统进行远程配置和管理，记录管理员的操作日志。

8、所述门窗传感器安装在楼宇的出入口处，用于监测门窗的开启和关闭状态，当门窗被打开或关闭时，门窗传感器会检测到相应的状态变化，并向系统发送信号，通过门窗传感器实现对楼宇出入口的实时监控，防止未经授权的进入或开启；烟雾传感器安装在楼宇内部，用于监测空气中的烟雾浓度，当烟雾浓度超过预设阈值时，烟雾传感器会发出警报信号，提醒管理员可能存在火灾风险；气体传感器用于监测空气中的可燃气体或有毒气体的浓度，当空气中出现可燃气体或有毒气体浓度异常时，传感器会发出警报信号；人体传感器安装在楼宇内部，用于检测人员的活动状态和位置，通过人体传感器实现对楼宇内人员的活动监控，人体传感器还能用于节能管理，根据人员活动情况自动调节照明、空调设备的运行状态。

9、当人体传感器检测到有人进入某个区域时，系统自动开启该区域的照明设备，确保人员进入后能够有足够的光照。同样地，当人体传感器检测到该区域内没有人时，系统自动关闭照明设备，节约能源。如果人体传感器检测到某个区域内有人活动，系统自动调节该区域的空调设备，提供适宜的温度和湿度，以提高人员的舒适度。当人体传感器检测到该区域内没有人时，系统自动调整空调设备的运行状态，降低或关闭空调设备，节约能源。

10、在所述门禁权限模块中，对于指纹识别，访客需要将手指放置在指纹识别传感器上，系统采集指纹特征，并将指纹特征录入到系统的指纹数据库中；对于人脸识别，访客站在人脸识别摄像头前，系统拍摄访客的面部照片，并提取面部特征，将其录入到系统的人脸数据库中；

11、管理员通过系统界面，设定不同的权限级别和访问规则，所述权限级别包括特殊访客、普通访客、员工和管理员，每个级别对应不同的访问权限，所述访问规则包括工作时间段内允许访问、特定区域的访问权限、访问次数限制和访问频率限制；

12、当访客到达门禁通道时，系统提示访客进行生物特征验证，系统采集访客的生物特征，并与系统中存储的指纹数据库或人脸数据库进行比对验证，如果访客的生物特征匹配成功，并且访客权限符合访问规则，系统允许访客进入，如果匹配失败或权限不符合规则，系统拒绝访客进入，并记录相关的事件信息；管理员在系统中能够设置临时权限，为特定访客或特定时间段内的访客提供临时通行权限，设定特定的访问时间和地点。

13、所述风险评估模块使用的运动检测算法基于光流法实现，所述光流是描述图像中像素运动方向和速度的概念，设光流场为v(x,y)，表示图像中点(x,y)处的运动速度向量；光流场通过对图像序列中相邻帧之间的像素亮度变化进行计算得到，设两帧之间的亮度变化为i(x,y,t)-i(x+dx,y+dy,t+dt)，其中，i(x,y,t)表示监控摄像头拍摄的连续图像帧序列，x是图像的横坐标，y是图像的纵坐标，t表示时间；(dx,dy)表示像素的位移；dt表示两个相邻图像帧之间的时间间隔，则v(x,y)通过以下方程计算：

14、

15、其中，是图像在x方向的梯度，是图像在y方向的梯度；

16、对于每个像素点，计算其光流向量，并与相邻像素的光流向量进行比较，如果某个像素点的光流向量变化超过预设的阈值，则认为该像素点处存在运动物体；利用运动连续性规则，对连续的像素点进行聚类，从而得到运动物体的轨迹和运动模式；通过光流法识别出的人，对其运动模式进行分析，如果某个人的运动模式与预设的正常行为模式不符合，则将其识别为陌生人，并标记为潜在风险。运动模式包括：行走、奔跑、停留、攀爬、跌到和其他异常行为；其他异常行为是与正常行为模式不符的其他行为，如拿取物品、扔掷物品等。异常行为模式的特征是人体的动作不符合正常的行为模式，可能存在潜在的危险或威胁。

17、所述运动连续性规则是一种用于对运动物体轨迹进行聚类的方法，目的是将连续的像素点组织成具有一定意义的运动模式；将连续的图像帧中的光流向量v(x,y,t1)和v(x,y,t2)进行比较，其中t1和t2表示两个相邻图像帧的时间，如果光流向量的变化超过预设的阈值，则认为该像素点处存在运动物体。

18、对于所有被检测出的运动物体，将其包含的连续的像素点进行聚类，使用k均值聚类将具有相似运动特征的像素点分配到同一个聚类中，形成连续的像素点集合；所述k均值聚类用于将数据集分成k个簇，给定一个包含n个像素点的数据集x＝{x1,x2,...,xn}，其中每个像素点xi是一个二维向量，表示其位置坐标；k均值聚类的目标是最小化每个簇内的点与该簇中心之间的距离的平方和；随机初始化k个聚类中心c＝{c1,c2,...,ck}，其中每个聚类中心ck是一个二维向量，表示第k个簇的中心点；对于每个像素点xi，计算其与各个聚类中心的距离，并将其分配到距离最近的聚类中心所对应的簇；

19、更新每个簇的聚类中心为该簇内所有点的平均值，公式如下：

20、

21、其中，sk表示第k个簇内的所有点的集合；对于每个簇，包含了具有相似运动特征的像素点，形成了运动物体的轨迹。

22、所述风险评估模块利用卷积神经网络分析陌生人的面部表情和声音，预测陌生人的情绪状态；卷积神经网络采集若干陌生人的面部图像和声音数据作为训练样本，对采集到的面部图像和声音数据进行预处理；

23、分别设计两个子网络用于处理面部图像和声音数据，所述子网络包括面部图像子网络和声音子网络；将两个子网络的输出进行连接，作为情绪状态预测的输入，两个子网络都采用lenet结构；使用采集到的数据对cnn模型进行训练，以学习面部表情和声音特征这两个方面分别与情绪状态之间的关系；

24、使用交叉熵损失函数进行训练，对于面部图像子网络，设f(img)表示面部图像数据img经过面部图像子网络处理后的特征表示；面部图像子网络的交叉损失函数limg(w,p)为：

25、

26、其中，n1表示为采集到的面部图像的样本数量；n2是情绪状态的类别数，表示为模型需要预测的不同情绪状态的种类数量；wi'j'是针对面部图像的真实的情绪状态标签，采用one-hot编码表示，i’表示样本的索引，j’表示情绪状态的类别索引；pi'j'是面部图像子网络对样本情绪状态的预测输出；

27、对于声音子网络，设g(a)表示声音数据a经过声音子网络处理后的特征表示；声音子网络的交叉损失函数la(w,q)为：

28、

29、其中，n1'表示为采集到的声音数据的样本数量；wi”j”是针对声音数据的真实的情绪状态标签；qi”j”是声音子网络对样本情绪状态的预测输出。

30、针对面部图像子网络和声音子网络，分别使用adam算法进行优化；采用随机初始化初始化面部图像子网络和声音子网络的参数，初始化动量和梯度平方的指数加权移动平均值为零向量；对于每个训练样本，进行前向传播，计算两个子网络的预测输出，根据两个子网络的预测输出计算损失函数关于模型参数的梯度；使用梯度计算出动量和梯度平方的指数加权移动平均值，将被用于调整学习率；进行偏差修正，利用修正后的动量和梯度平方的指数加权移动平均值进行参数更新；根据adam算法的更新规则，利用修正后的动量和梯度平方的指数加权移动平均值更新两个子网络的参数；重复进行迭代，直到损失函数收敛到一个用户设定的值。

31、所述风险评估模块收集历史数据，所述历史数据包括陌生人的行为模式、情绪状态以及相关环境信息；对历史数据进行特征提取，从中提取出与当前陌生人行为模式和情绪状态相关的特征，包括行为模式的频率、持续时间、情绪状态的变化趋势、行为活跃度和行为时间分布；将当前陌生人的行为模式和情绪状态与历史数据中的相似数据进行比对，使用欧氏距离计算当前陌生人与历史数据中各个样本的相似度；对比对结果进行异常检测，识别出与历史数据差异超过设定阈值的陌生人行为模式和情绪状态，利用孤立森林算法进行统计；

32、孤立森林算法是一种用于检测异常值的无监督学习算法，其原理是基于构建一棵森林来划分数据空间，将异常值隔离在数据中较少的区域。在楼宇安全系统中，利用孤立森林算法对识别出的陌生人行为模式和情绪状态进行统计，以识别潜在的异常情况。首先，将识别出的陌生人行为模式和情绪状态作为样本数据，构建特征向量表示每个样本的特征。接着，利用样本数据构建孤立森林模型。孤立森林算法通过随机选择特征和阈值来构建一棵以随机划分为基础的二叉树，重复这个过程直到构建出指定数量的树，从而形成孤立森林。对于每个样本数据，通过孤立森林模型计算其在树中的路径长度，路径长度即样本在树中到达叶子节点的平均深度。路径长度越短，则样本越可能是异常值。通过设定阈值，将路径长度超过阈值的样本标记为异常值。

33、统计异常值的数量和分布情况，以及异常值所对应的陌生人的行为模式和情绪状态。进一步分析异常值的产生原因，并结合历史数据进行比对。根据统计分析的结果，系统可以做出相应的决策和反馈。例如，对于频繁出现的异常情况，可以采取相应的安全措施或调整系统参数，以提高安全性和减少风险。

34、根据异常检测结果，评估当前陌生人的意图是否存在潜在的风险，如果发现当前陌生人的行为模式或情绪状态与历史数据中的异常样本相似，则存在潜在的风险，采取相应的安全措施。

35、具有物联网连接功能的智能门禁设备、监控摄像头和传感器模块，能够通过wi-fi、蜂窝网络或其他物联网通信协议连接到互联网，所述远程控制模块将采集到的数据通过物联网传输至云平台，实现数据的实时传输和存储；将监控摄像头拍摄到的实时画面通过物联网传输至云端，供远程监控使用；在云平台上搭建远程监控界面，管理员能够通过web界面或手机app远程查看楼宇内各个区域的实时监控画面，在监控界面上显示传感器模块的实时数据；通过远程监控界面提供远程开启或关闭门禁设备的功能，管理员能够远程控制门禁设备的开关状态，实现对进出楼宇的控制；在远程监控界面上提供安全设备和系统的远程配置和管理功能，管理员能够对门禁权限和监控摄像头参数进行远程设置。

36、与现有技术相比，本发明所达到的有益效果是：

37、本发明的风险评估模块结合了运动检测算法和卷积神经网络等技术，能够智能分析陌生人的行为模式和情绪状态，实现对陌生人意图的准确评估和预测，提高了安全管理的智能化水平。

38、本发明的远程控制模块提供了远程监控界面和远程配置管理功能，管理员可以随时随地通过网络对楼宇安全系统进行远程监控和管理，操作管理更加便捷高效。

39、本发明利用人体传感器对楼宇内人员活动情况进行监测，实现了对照明和空调设备的智能自动调节，提高了能源利用效率，同时也提升了楼宇内人员的舒适度。