一种基于目标分布规律的人员异常行为检测方法

摘要

本发明涉及一种基于目标分布规律的人员异常行为检测方法，采用预先训练好的深度学习网络，根据部署场景目标学习训练微调参数，进行目标检测，检测场景内人员和物体状态，根据设定状态异常报警点，触发则进行异常报警，同时获取区域内人员和物体实时位置，返回位置信息，设定区域目标点，计算人员位置和目标点的距离，计算物体位置和目标点的距离，计算人与各种物体之间的距离，计算结果，形成曲线，分别形成物品的分布活动曲线、人员状态活动曲线以及人到预设标志物品的距离曲线，获取长期迭代回归曲线，当曲线波动超过预设偏离幅度并且不满足长期规律特殊日期规律曲线将触发异常进行报警提醒。

权利要求

1.一种基于目标分布规律的人员异常行为检测方法，其特征在于，包括步骤如下：

(1)目标检测：采用公开数据集预训练好的深度学习目标检测网络模型，根据部署场景微调训练后，得到部署后目标检测网络进行实时人员、各个物体检测，对检测到的人员和各个物体形成一个边界框即Boundingbox，返回检测到的人员、各个物体的位置信息，位置信息包括边界框四个顶点的坐标信息；

(2)位置记录：对于返回检测到的人员、各个物体的位置信息，以其中一个矩形监控画面左下角为原点，下边缘为x轴，左边缘为y轴，建立位置坐标系，将返回的各个物体边界框的四个顶点坐标(xi1,yi1)、(xi2,yi2)、(xi3,yi3)、(xi4,yi4)，i表示不同的物体，计算并记录各个物体中心点的坐标(xicenter.yicenter)；

将以位置坐标系返回的人员边界框的四个顶点的坐标(x′i1,y′i1)、(x′i2,y′i2)、(x′i3,y′i3)、(x′i4,y′i4)，计算并记录人员中心点的坐标(xperson-i,yperson-i)；

(3)根据时间进行统计：统计物体中心点的坐标随时间的变化情况，统计人员中心点的坐标随时间的变化情况，统计人员中心点坐标相对于标志物体中心点的坐标的距离H；

(4)短期分布规律提取：将多天统计获取的物体位置信息24小时曲线Li，人员位置24小时曲线Lp，人员相对标志物体距离24小时曲线图Lp-M，分别进行局部加权线性回归，从而获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M；

(5)长期分布规律提取：增加时间横轴宽度，以周为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一周内每天的分布规律，分别形成规律曲线Wi，Wp，Wp-M；

以月为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一个月内分布规律，分别回归形成规律曲线Mi，Mp，Mp-M；

(6)异常检测：预设被监护人数量，当检测到监护区域有家属在的时候，关闭异常检测，当检测到场景人员数量小于等于预设监护人员数量时候，触发异常检测，包括场景异常触发异常报警、偏离规律曲线异常报警；

场景异常触发异常：提前预设异常报警点，根据大数据统计下的异常情况利用画面检测的数据设定场景异常报警点，检测场景是否符合异常报警预设情况，满足则触发报警；

偏离规律曲线异常：迭代获取的物体分布规律曲线Ri、Wi、Mi，人员活动规律曲线Rp、Wp、Mp，以及人员相对标志物体距离分布规律曲线Rp-M、Wp-M、Mp-M，触发异常时需综合考虑短期曲线和长期曲线，物体、人员分别偏离自身上述短期和长期分布规律曲线即触发异常进行报警。

2.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，所述步骤(1)中，采用微小目标检测网络进行实时人员、各个物体检测，返回检测到的人员、各个物体的位置信息。

3.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，

4.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，

5.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，

6.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，所述步骤(3)，包括：对物体信息的统计：记录各个物体中心点的坐标(xicenter.yicenter)，以时间为X轴，各物体中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Li，统计各个物体位置信息变化情况；

对于人员信息的统计：记录人员中心点坐标(xperson-i,yperson-i)，以时间为X轴，人员中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Lp，统计人员位置信息变化情况；

统计人员在监控区域的活动情况：选取监控区域标志物体，设定标志物体中心点坐标(xmark-i,ymark-i)，以时间为x轴，人员到各个标志物体中心点的距离Hp-M为y轴，形成曲线图Lp-M。

7.根据权利要求1所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，所述步骤(4)中，局部加权线性回归过程采用损失函数J(θ)，如式(Ⅰ)所示：式(Ⅰ)中， hθ(x(i))为回归曲线函数，x(i)为自变量，y(i)为因变量，

w(i)为权重函数，x为预测值，k为波长参数控制权值距离下降的速率，通过求得J(θ)的极小值求得θ变量，进而获得相应的局部加权线性回归曲线，通过局部加权线性回归获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M。

8.根据权利要求1-7任一所述的一种基于目标分布规律的人员异常行为检测方法，其特征在于，异常检测通过异常检测系统实现，异常检测系统包括画面采集模块、运算模块和报警提醒模块；

所述画面采集模块包括若干摄像头，用于采集视频，并传输到所述运算模块进行视频实时处理；

所述运算模块是指计算机或者嵌入式设备，用于实时处理传输到的数据进行目标识别和异常检测；

所述报警提醒模块是指GMS模块，所述报警提醒模块接收到运算模块报警提醒后，发送给异常联系人信息和相应画面截图，设定相关联系人反馈信息接收时间，超过时间未反馈处理信息后，联系备用联系人。

说明书

一种基于目标分布规律的人员异常行为检测方法

技术领域

[0001] 本发明涉及一种基于目标分布规律的人员异常行为检测方法，属于健康防护技术领域。

背景技术

[0002] 随着人口老龄化问题的日益严重，对私人监护人员的需求逐年增加。在目前社会发展水平，医疗资源水平和监护人员数量有限的情况下，难以实现对每个需求者都提供全方位个性化监护服务，例如，老人或病人出现异常情况后，若无法及时发现进行报警处理，可能引发严重后果。

[0003] 现有针对老人和病人等需要被照料人员的监测系统，大多采用接触式传感器采集老人心率、脉搏、运动情况等生理参数，采用压力传感器采集躺、坐等姿态，传感器种类繁多且系统部署复杂，接触式穿戴方式导致用户体验较差。

[0004] 现有技术中，位置获取多是采用有源红外和无源红外传感器，易受遮挡影响，不够准确而且需要大量布置；现有技术中异常反馈有的用的是大数据中传感器反馈时间序列中人的位置训练一个贝叶斯网络，贝叶斯网络模型只依靠位置变量，时间变量与异常概率变量建模，模型特征过少，特征间依赖关系过大，建立的贝叶斯网络模型性能很差，导致模型过拟合缺乏泛化能力和个体独特性，并且判断被监护人是否有异常是一个复杂的多维问题只依靠位置和时间来推测是否有异常误判率很大。

发明内容

[0005] 针对现有技术不足，本发明提供了一种基于目标分布规律的人员异常行为检测方法，利用深度学习基于人员和物品分布规律统计，实现人员异常行为检测：

[0006] 本发明旨在对个人的日常生活、作息规律以及物体分布规律进行统计迭代学习，并实时自动监测，发现异常能够及时报警提醒，联系医院或者家人及时进行处置。

[0007] 本发明利用深度学习方法，以监控相机获取目标视频，实时进行人员和物品检测及定位，对目标检测的位置和状态进行记录，形成24小时统计曲线，将多日的24小时统计曲线进行迭代，获得以24小时为周期的目标分布曲线，即为被监护人员的生活习惯和作息规律，设置短期规律阈值和长期规律阈值异常报警点，进行异常行为报警，在检测区域发生异常时能够及时报警联系相关人员及时处置，避免发生危险。

[0008] 本发明能够实现实时监护行动不便的病人、伤残人员以及身体状况不佳的老人，在用户发生异常时实时报警，避免长期的住院看护，极大的解放了医疗资源，降低了被监护人员的花销以及住院治疗带来的不便，也大大解放了被监护人员家属的时间，并且被监护人员可以在部署完成后继续在家中正常生活，不影响用户日常生活，这将给社会带来极大的便利。

[0009] 本发明采用深度学习的目标检测网络，可以离线基于监控实时检测室内所有需要检测的物体。本发明异常分析是分两部分一部分直接触发异常报警，根据监控的实时检测反馈，例如，预设椅子倒了，老人躺在地上，触发直接报警情况，直接报警，第二部分是偏离长期规律，根据被监护人每天室内物体和人活动的曲线迭代，会预测出被监护人在各段时间物品和人大概处于什么位置，偏离就触发异常。

[0010] 发明概述：

[0011] 本发明采用预先训练好的深度学习网络，对监控相机获取的目标区域视频实时处理，进行目标检测，获取区域内人员和物品实时位置，返回位置信息，设定区域目标点，计算物品位置和目标点的距离，计算人与各种物品之间的距离，计算结果，形成曲线，分别形成物品的分布活动曲线、人员状态活动曲线以及人到预设标志物品的距离曲线，将多日获取的曲线以24小时为周期进行迭代，获取长期迭代曲线，设定曲线的上、下阀值，当超过阀值曲线波动超过预设幅度或者偏离由长期分布规律迭代后形成的曲线将触发异常进行报警提醒。利用深度学习方法，检测人员和物体，从而统计目标的位置获取分布规律，最终进行人员异常行为检测。

[0012] 本发明的技术方案为：

[0013] 一种利用深度学习进行目标检测基于分布规律实现人员异常检测方法，包括：

[0014] (1)目标检测：采用公开数据集预训练好的深度学习目标检测网络模型，根据部署场景微调训练后，得到部署后目标检测网络进行实时人员、各个物体检测，对检测到的人员和各个物体形成一个边界框即Boundingbox，返回检测到的人员、各个物体的位置信息，位置信息包括边界框四个顶点的坐标信息；例如，Faster-rcnn、Mask-rcnn、YOLO等目标检测网络模型在Imagenet数据集上预训练好模型参数，初步预训练后便可实现对日常物品和人的检测，后根据实际部署场景，采集场景视频逐帧取图，对场景图片制作成标签文件将送入目标检测网络进行微调训练、验证和测试，提高场景物体检测的准确率。

[0015] 进一步优选的，所述步骤(1)中，采用微小目标检测网络进行实时人员、各个物体检测，返回检测到的人员、各个物体的位置信息。例如，通过实验实现Yolov3网络架构借助darknet框架可以在嵌入式平台NVIDIA TX2上部署，NVIDIA TX2只有一张银行卡大小有一定的计算能力，安装 TensorFlow、OpenCV和CUDA后借darknet框架实现部署YOLOV3网络架构进行目标检测，从而对于部署要求更低成本也更低，对硬件要求更低不需要依赖联网的后台服务器去运行深度学习的目标检测网络，从而可实现离线部署，实时检测标志物体，返回检测到的标志物体的位置信息。

[0016] (2)位置记录：对于返回检测到的人员、各个物体的位置信息，以其中一个矩形监控画面左下角为原点，下边缘为x轴，左边缘为y轴，建立位置坐标系，将返回的各个物体边界框的四个顶点坐标(xi1,yi1)、(xi2,yi2)、(xi3,yi3)、(xi4,yi4)，i表示不同的物体，计算并记录各个物体中心点的坐标(xicenter.yicenter)；

[0017] 将以位置坐标系返回的人员边界框的四个顶点的坐标(x′i1,y′i1)、(x′i2,y′i2)、(x′i3,y′i3)、(x′i4,y′i4)，计算并记录人员中心点的坐标(xperson-i,yperson-i)；

[0018] 进一步优选的，

[0019] 进一步优选的，

[0020] (3)根据时间进行统计：统计物体中心点的坐标随时间的变化情况，统计人员中心点的坐标随时间的变化情况，统计人员中心点坐标相对于标志物体中心点的坐标的距离H；标志物体，例如：床，桌子，椅子，厕所，阳台，厨房等，

[0021] 进一步优选的，

[0022] 根据本发明优选的，所述步骤(3)，包括：

[0023] 对物体信息的统计：记录各个物体中心点的坐标(xicenter.yicenter)，以时间为X轴，各物体中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Li，统计各个物体位置信息变化情况；

[0024] 对于人员信息的统计：记录人员中心点坐标(xperson-i,yperson-i)，以时间为X轴，人员中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Lp，统计人员位置信息变化情况；

[0025] 统计人员在监控区域的活动情况：选取监控区域标志物体，设定标志物体中心点坐标 (xmark-i,ymark-i)，以时间为x轴，人员到各个标志物体中心点的距离Hp-M为y轴，形成曲线图Lp-M。

[0026] (4)短期分布规律提取：将多天统计获取的物体位置信息24小时曲线Li，人员位置24小时曲线Lp，人员相对标志物体距离24小时曲线图Lp-M，分别进行局部加权线性回归，从而获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M；

[0027] 进一步优选的，所述步骤(4)中，局部加权线性回归过程采用损失函数J(θ)，如式(Ⅰ)所示：

[0028]

[0029] 式(Ⅰ)中， hθ(x(i))为回归曲线函数，x(i)为自变量，y(i)为因变量，w(i)为权重函数，x为预测值，k为波长参数控制权值距离下降的速率，k的值需要提前设定好，通过求得J(θ)的极小值求得θ变量，进而获得相应的局部加权线性回归曲线，通过局部加权线性回归获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M。

[0030] (5)长期分布规律提取：增加时间横轴宽度，以周为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一周内每天的分布规律，分别形成规律曲线Wi，Wp，Wp-M；

[0031] 以月为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一个月内分布规律，分别回归形成规律曲线Mi，Mp，Mp-M；

[0032] (6)异常检测：预设被监护人数量，当检测到监护区域有家属在的时候，关闭异常检测，当检测到场景人员数量小于等于预设监护人员数量时候，触发异常检测，包括场景异常触发异常报警、偏离规律曲线异常报警；

[0033] 场景异常触发异常：提前预设异常报警点，根据大数据统计下的异常情况利用画面检测的数据设定场景异常报警点，检测场景是否符合异常报警预设情况，满足则触发报警；像老人摔倒检测、抽搐检测等，例如：通过检测椅子的长宽比变化超过阈值检测到椅子处于倒地异常状态，融合老人的姿态估计结果得出老人可能摔倒的报警结论；检测到老人处于某地点不动，四肢关键点检测异常快速活动可估计老人可能处于抽搐状态。根据预设直接场景异常报警点，触发异常即报警联系医生或家属查看，能够及时处理避免发生危险。

[0034] 偏离规律曲线异常：迭代获取的物体分布规律曲线Ri、Wi、Mi，人员活动规律曲线Rp、Wp、 Mp，以及人员相对标志物体距离分布规律曲线Rp-M、Wp-M、Mp-M，触发异常时需综合考虑短期曲线和长期曲线，物体、人员分别偏离自身上述短期和长期分布规律曲线即触发异常进行报警。例如老人进入厕所时间长度偏离统计的分布规律即触发异常报警；老人某天超过分布规律统计的时间仍未起床则触发异常但需要综合考虑短期和长期分布规律曲线如统计得用户工作日7点起床但是周末9点起床都属于正常，某日检测到8点未起床需进一步确定是否偏离长期的规律今天是否为周日或节假日同时偏离则触发异常。

[0035] 根据本发明优选的，所述步骤(6)的异常检测通过异常检测系统实现，异常检测系统包括画面采集模块、运算模块和报警提醒模块；

[0036] 所述画面采集模块包括若干摄像头，用于采集视频，并传输到所述运算模块进行视频实时处理；

[0037] 所述运算模块是指计算机或者嵌入式设备，如NVIDIA TX2，用于实时处理传输到的数据进行目标识别和异常检测；

[0038] 所述报警模块是指GMS模块，所述报警模块接收到运算模块报警提醒后，发送给异常联系人信息和相应画面截图，设定相关联系人反馈信息接收时间，超过时间未反馈处理信息后，联系备用联系人。以便相关人员及时查看和处理异常防止被监护人发生危险。

[0039] 本发明的有益效果为：

[0040] 1、检测速度快，网络结构简单，参数少，对硬件的要求较低，可实现在普通嵌入式平台布置例如NVIDIA TX2开发板等。可离线部署，不依赖于远端服务器，保护个人隐私。

[0041] 2、可实现实时监测，发生异常立即报警提醒，避免被监护人员发生危险。

[0042] 3、不需要部署穿戴式传感器，用户体验更好，易被用户接受且不影响用户日常生活。

[0043] 4、可以迭代进化学习，适应不同的场景，精度可以通过训练逐步提升。

[0044] 5、根据获取的长期物品分布规律和人的生活规律，一段时间内生活规律突然偏离，进行报警提醒，便于医生及时发现隐藏的危险。

[0045] 6、可部署用于老人和病人的监护方面，根据预设场景异常点，进行异常实时报警提醒，联系相关人员避免发生危险，即不影响被照料人员的日常生活的又大大节约了医疗资源和监护人员人力资源，将为社会带来极大便利。

附图说明

[0046] 图1为本发明基于分布规律实现人员异常检测方法的流程示意图；

[0047] 图2为本发明实验获取的以日为回归周期统计监护人规律曲线示意图；

[0048] 图3为本发明实验获取的以周为回归周期统计监护人周日活动规律曲线示意图；

[0049] 图4为本发明异常检测的流程示意图；

具体实施方式

[0050] 下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

[0051] 实施例1

[0052] 一种利用深度学习进行目标检测基于分布规律实现人员异常检测方法，如图1所示，包括步骤如下：

[0053] (1)目标检测：采用公开数据集预训练好的深度学习目标检测网络模型，根据部署场景微调训练后，得到部署后目标检测网络进行实时人员、各个物体检测，对检测到的人员和各个物体形成一个边界框即Boundingbox，返回检测到的人员、各个物体的位置信息，位置信息包括边界框四个顶点的坐标信息；例如，Faster-rcnn、Mask-rcnn、YOLO等目标检测网络模型在Imagenet数据集上预训练好模型参数，初步预训练后便可实现对日常物品和人的检测，后根据实际部署场景，采集场景视频逐帧取图，对场景图片制作成标签文件将送入目标检测网络进行微调训练、验证和测试，提高场景物体检测的准确率。

[0054] 采用微小目标检测网络进行实时人员、各个物体检测，返回检测到的人员、各个物体的位置信息。例如，通过实验实现Yolov3网络架构借助darknet框架可以在嵌入式平台NVIDIA  TX2上部署， NVIDIA TX2只有一张银行卡大小有一定的计算能力，安装TensorFlow、OpenCV和CUDA后借darknet 框架实现部署YOLOV3网络架构进行目标检测，从而对于部署要求更低成本也更低，对硬件要求更低不需要依赖联网的后台服务器去运行深度学习的目标检测网络，从而可实现离线部署，实时检测标志物体，返回检测到的标志物体的位置信息。

[0055] (2)位置记录：对于返回检测到的人员、各个物体的位置信息，以其中一个矩形监控画面左下角为原点，下边缘为x轴，左边缘为y轴，建立位置坐标系，将返回的各个物体边界框的四个顶点坐标(xi1,yi1)、(xi2,yi2)、(xi3,yi3)、(xi4,yi4)，i表示不同的物体，计算并记录各个物体中心点的坐标(xicenter.yicenter)；

[0056] 将以位置坐标系返回的人员边界框的四个顶点的坐标(x′i1,y′i1)、(x′i2,y′i2)、(x′i3,y′i3)、(x′i4,y′i4)，计算并记录人员中心点的坐标(xperson-i,yperson-i)；

[0057]

[0058]

[0059] (3)根据时间进行统计：统计物体中心点的坐标随时间的变化情况，统计人员中心点的坐标随时间的变化情况，统计人员中心点坐标相对于标志物体中心点的坐标的距离H；标志物体，例如：床，桌子，椅子，厕所，阳台，厨房等，

[0060]

[0061] 所述步骤(3)，包括：

[0062] 对物体信息的统计：记录各个物体中心点的坐标(xicenter.yicenter)，以时间为X轴，各物体中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Li，统计各个物体位置信息变化情况；

[0063] 对于人员信息的统计：记录人员中心点坐标(xperson-i,yperson-i)，以时间为X轴，人员中心点到位置坐标系中原点的距离为Y轴，形成距离变化曲线Lp，统计人员位置信息变化情况；

[0064] 统计人员在监控区域的活动情况：选取监控区域标志物体，设定标志物体中心点坐标 (xmark-i,ymark-i)，以时间为x轴，人员到各个标志物体中心点的距离Hp-M为y轴，形成曲线图Lp-M。

[0065] (4)短期分布规律提取：将多天统计获取的物体位置信息24小时曲线Li，人员位置24小时曲线Lp，人员相对标志物体距离24小时曲线图Lp-M，分别进行局部加权线性回归，从而获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M；

[0066] 步骤(4)中，局部加权线性回归过程采用损失函数J(θ)，如式(Ⅰ)所示：

[0067]

[0068] 式(Ⅰ)中， hθ(x(i))为回归曲线函数，x(i)为自变量，y(i)为因变量，w(i)为权重函数，x为预测值，k为波长参数控制权值距离下降的速率，k的值需要提前设定好，通过求得J(θ)的极小值求得θ变量，进而获得相应的局部加权线性回归曲线，通过局部加权线性回归获取物体在每天各个时间段的分布规律曲线Ri、人员在各个时间段的活动规律曲线Rp和人员各个时间段相对于各个标志物体的距离规律曲线Rp-M。

[0069] (5)长期分布规律提取：增加时间横轴宽度，以周为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一周内每天的分布规律，分别形成规律曲线Wi，Wp，Wp-M；

[0070] 以月为迭代周期，统计物体分布、人员的活动和人员相对标志物距离在一个月内分布规律，分别回归形成规律曲线Mi，Mp，Mp-M；

[0071] (6)如图4所示，异常检测：预设被监护人数量，当检测到监护区域有家属在的时候，关闭异常检测，当检测到场景人员数量小于等于预设监护人员数量时候，触发异常检测，包括场景异常触发异常报警、偏离规律曲线异常报警；

[0072] 场景异常触发异常：提前预设异常报警点，根据大数据统计下的异常情况利用画面检测的数据设定场景异常报警点，检测场景是否符合异常报警预设情况，满足则触发报警；像老人摔倒检测、抽搐检测等，例如：通过检测椅子的长宽比变化超过阈值检测到椅子处于倒地异常状态，融合老人的姿态估计结果得出老人可能摔倒的报警结论；检测到老人处于某地点不动，四肢关键点检测异常快速活动可估计老人可能处于抽搐状态。根据预设直接场景异常报警点，触发异常即报警联系医生或家属查看，能够及时处理避免发生危险。

[0073] 偏离规律曲线异常：迭代获取的物体分布规律曲线Ri、Wi、Mi，人员活动规律曲线Rp、Wp、 Mp，以及人员相对标志物体距离分布规律曲线Rp-M、Wp-M、Mp-M，触发异常时需综合考虑短期曲线和长期曲线，物体、人员分别偏离自身上述短期和长期分布规律曲线即触发异常进行报警。例如老人进入厕所时间长度偏离统计的分布规律即触发异常报警；老人某天超过分布规律统计的时间仍未起床则触发异常但需要综合考虑短期和长期分布规律曲线如统计得用户工作日7点起床但是周末9点起床都属于正常，某日检测到8点未起床需进一步确定是否偏离长期的规律今天是否为周日或节假日同时偏离则触发异常。

[0074] 实施例2

[0075] 根据实施例1所述的一种利用深度学习进行目标检测基于分布规律实现人员异常检测方法，其区别在于：

[0076] 所述步骤(6)的异常检测通过异常检测系统实现，异常检测系统包括画面采集模块、运算模块和报警提醒模块；

[0077] 画面采集模块包括四组海康高清摄像头，用于采集视频，并传输到所述运算模块进行视频实时处理；摄像头采集画面，进行简单的帧间差和背景差检测，画面出现变动后传输图像至运算模块，此设计可减轻运算模块压力；

[0078] 运算模块为NVIDIA TX2，用于实时处理传输到的数据进行目标识别和异常检测；NVIDIA TX2只有一张银行卡一样大小，可实现快速部署，搭建YOLOv3目标识别网络架构，用ImageNet预训练目标识别网络然后根据场景采集的画面进行微调训练调整网络参数，实现场景内对人、桌子、椅子、电视机、床等的识别。场景异常检测通过人体关键点检测和反馈人和物体边界框的长宽比推测人的状态，设定摔倒异常报警为人体关键点检测反馈为躺倒状态或被监护人边界框比例为躺倒状态，辅助物体检测异常倒地状态提升异常置信度，躺倒位置不是位于日常可躺倒的位置例如沙发和床，被监护人处于非正常躺倒状态时间超过20秒触发异常报警。采集画面数据目标检测网络反馈检测的物体和人的位置信息，以24小时为周期，时间为x轴，距离为y轴，形成每天的人活动曲线，对每天的曲线进行局部加权回归或得回归后的每天人规律曲线例如实验图2。将以24小时统计的曲线，以周为周期分为周一周二到周日，分别进行局部加权回归形成周统计的规律曲线例如实验或得的图3，收集人一周内每天的生活规律。以月为周期，对一个月内每天的曲线先进行图片相似度聚类，采集几个月的数据将根据聚类标签局部加权回归形成月规律曲线，同样获取物体分布规律和人员相对标志物体距离分布规律的日曲线、周曲线、月曲线。预设收集量，收集数据量到达后分别进行回归形成新曲线，新旧规律曲线进行比对偏差大后提醒查看，偏差在预定之内则更新规律曲线，曲线根据采集的数据量不停的进行的更新迭代回归。

[0079] 报警模块是指GMS模块，所述报警模块接收到运算模块报警提醒后，发送给异常联系人信息和相应画面截图，设定相关联系人反馈信息接收时间，超过时间未反馈处理信息后，联系备用联系人。以便相关人员及时查看和处理异常防止被监护人发生危险。日常实时采集场景视频，预设被监护人数量，同一场景内检测到的人数超过被监护人数量是不触发异常检测，人数符合被监护人数量时候触发异常检测，根据反馈的人和物体位置信息在时间序列上是否偏离规律曲线，如果超过设定的偏离程度则触发异常报警，联系相关人员及时查看和解决异常防止被监护人发生危险。