一种基于物联网的远程智慧监护方法及系统与流

本发明涉及智慧养老的，具体涉及一种基于物联网的远程智慧监护方法及系统。背景技术：1、对于空巢独居老人，在没人照顾的情况下，意外摔倒的发生可能会导致严重的损伤，甚至关系到生命安全。因此，实时了解掌握意外情况成为独居老人养老监护过程中急需解决的问题。近些年来，随着物联网技术的发展，智能监控系统不断得到发展和完善，许多家庭逐渐在家中安装摄像头，以确保家庭财产安全和生命安全。2、目前监护方法的研究主要集中在基于计算机视觉的方法和基于可穿戴设备的方法。基于可穿戴设备的方法主要利用传感器，通过心率变化判断人体姿态。但是穿戴设备续航弱，且老人时常会忘记穿戴，导致不能实时监护老人的情况。基于视觉的方法主要通过摄像头采集图像序列，利用图像处理技术对其进行分析。但是摄像头受光照环境影响较大，无法适应过曝、欠曝、无光环境，即使可以使用红外摄像头获得夜晚的可视图像，但该图像的像素低、特征不明显。因为图像特征不明显以及类摔倒动作与摔倒的高度相似性，导致了现有技术的摔倒识别精度不高，造成频繁误警报的情况。技术实现思路1、本发明的目的就在于解决上述背景技术中提到的摔倒识别精度低的问题，而提出一种基于物联网的远程智慧监护方法及系统。2、本发明实施的第一方面，提供了一种基于物联网的远程智慧监护方法，所述方法包括：3、获取目标监护对象实时的体征数据和图像数据；所述体征数据包括心率数据、血压数据和血氧饱和度数据；所述图像数据包括主动红外图像和被动红外图像；4、根据所述主动红外图像和被动红外图像，得到融合图像；5、将预设时间段内的体征数据和融合图像整合，得到基于时间序列的目标体征变化数据和目标姿态变化数据；6、根据所述目标体征变化数据和所述目标姿态变化数据，判断所述目标监护对象是否发生意外；7、若判定所述目标监护对象发生意外，则生成并发送警告信息。8、可选的，根据所述主动红外图像和被动红外图像，得到融合图像包括：9、从所述主动红外图像和所述被动图像中提取特征点，并进行配对，计算出一个变换矩阵；10、根据所述变换矩阵，对所述被动红外图像进行重采样和插值，得到与所述主动红外图像在像素级别上一一对应的第一目标图像；11、提取所述第一目标图像的温度信息，并根据所述温度信息，计算所述主动红外图像每一像素点的增强权重值；12、根据所述主动红外图像各像素点的增强权重值计算各像素点的灰度参考值，并根据各像素点的灰度参考值，计算各像素点的灰度值，得到融合图像。13、可选的，将预设时间段内的体征数据和融合图像整合，得到基于时间序列的目标体征变化数据和目标姿态变化数据包括：14、根据预设时间段内的多项体征数据，按时间顺序排列，得到体征数据的特征矩阵，将所述特征矩阵作为目标体征变化数据；所述特征矩阵的每一行代表了一项体征数据；15、根据预设时间段内的多帧融合图像，针对每一帧融合图像，提取该融合图像中目标监护对象的骨架关键点，并通过关键点分析对该融合图像中目标监护对象的人体姿态进行分类，并进行一次摔倒判定；所述一次摔倒判定的结果包括是和否；16、若该融合图像一次摔倒判定的结果为是，则将该融合图像后续预设数量帧的融合图像的人体姿态按时间顺序排列，得到所述目标监护对象在预设时间段内的姿态链，将所述姿态链作为目标姿态变化数据。17、可选的，根据所述目标体征变化数据和所述目标姿态变化数据，判断目标监护对象是否发生意外包括：18、若所述目标特征变化数据中的任一项体征数据的峰值超过了第一预设阈值，则将所述目标体征变化数据作为预训练的深度学习模型的输入，得到意外发生概率值；19、若所述意外发生概率值大于第二预设阈值，则判定所述目标监护对象发生第一类意外；20、在所述目标姿态变化数据中，根据预设规则，得到各人体姿态的分数，并进行求和，得到所述目标监护对象的摔倒分数；21、若所述摔倒分数大于第三预设阈值，则判定所述目标监护对象发生第二类意外。22、可选的，所述警告信息包括体征异常信息和意外摔倒信息；所述若判定所述目标监护对象发生意外，则生成并发送警告信息包括：23、若所述目标监护对象发生所述第一类意外，则生成体征异常信息；24、若所述目标监护对象发生所述第二类意外，则生成意外摔倒信息；25、将所述体征异常信息和意外摔倒信息作为警告信息发送给目标终端。26、本发明实施的第二方面，提供了一种基于物联网的远程智慧监护系统，所述系统包括：27、数据获取模块，用于获取目标监护对象实时的体征数据和图像数据；所述体征数据包括心率数据、血压数据和血氧饱和度数据；所述图像数据包括主动红外图像和被动红外图像；28、图像融合模块，用于根据所述主动红外图像和被动红外图像，得到融合图像；29、目标数据生成模块，用于将预设时间段内的体征数据和融合图像整合，得到基于时间序列的目标体征变化数据和目标姿态变化数据；30、意外判断模块，用于根据所述目标体征变化数据和所述目标姿态变化数据，判断所述目标监护对象是否发生意外；31、警告模块，用于若判定所述目标监护对象发生意外，则生成并发送警告信息。32、可选的，所述图像融合模块包括：33、变换矩阵确定模块，用于从所述主动红外图像和所述被动图像中提取特征点，并进行配对，计算出一个变换矩阵；34、空间配定模块，用于根据所述变换矩阵，对所述被动红外图像进行重采样和插值，得到与所述主动红外图像在像素级别上一一对应的第一目标图像；35、权重确定模块，用于提取所述第一目标图像的温度信息，并根据所述温度信息，计算所述主动红外图像每一像素点的增强权重值；36、对比度增强模块，用于根据所述主动红外图像各像素点的增强权重值计算各像素点的灰度参考值，并根据各像素点的灰度参考值，计算各像素点的灰度值，得到融合图像。37、可选的，所述目标数据生成模块包括：38、特征矩阵生成模块，用于根据预设时间段内的多项体征数据，按时间顺序排列，得到体征数据的特征矩阵，将所述特征矩阵作为目标体征变化数据；所述特征矩阵的每一行代表了一项体征数据；39、骨架提取模块，用于根据预设时间段内的多帧融合图像，针对每一帧融合图像，提取该融合图像中目标监护对象的骨架关键点，并通过关键点分析对该融合图像中目标监护对象的人体姿态进行分类，并进行一次摔倒判定；所述一次摔倒判定的结果包括是和否；40、姿态链生成模块，用于若该融合图像一次摔倒判定的结果为是，则将该融合图像后续预设数量帧的融合图像的人体姿态按时间顺序排列，得到所述目标监护对象在预设时间段内的姿态链，将所述姿态链作为目标姿态变化数据。41、可选的，所述意外判断模块包括：42、意外计算模块一，用于若所述目标特征变化数据中的任一项体征数据的峰值超过了第一预设阈值，则将所述目标体征变化数据作为预训练的深度学习模型的输入，得到意外发生概率值；43、意外确定模块一，用于若所述意外发生概率值大于第二预设阈值，则判定所述目标监护对象发生第一类意外；44、意外计算模块二，用于在所述目标姿态变化数据中，根据预设规则，得到各人体姿态的分数，并进行求和，得到所述目标监护对象的摔倒分数；45、意外确定模块二，用于若所述摔倒分数大于第三预设阈值，则判定所述目标监护对象发生第二类意外。46、可选的，所述警告信息包括体征异常信息和意外摔倒信息；所述警告模块包括：47、信息生成模块一，用于若所述目标监护对象发生所述第一类意外，则生成体征异常信息；48、信息生成模块二，用于若所述目标监护对象发生所述第二类意外，则生成意外摔倒信息；49、信息发送模块，用于将所述体征异常信息和意外摔倒信息作为警告信息发送给目标终端。50、本发明的有益效果：51、本发明提出了一种基于物联网的远程智慧监护方法，该方法包括：获取目标监护对象实时的体征数据和图像数据；体征数据包括心率数据、血压数据和血氧饱和度数据；图像数据包括主动红外图像和被动红外图像；根据主动红外图像和被动红外图像，得到融合图像；将预设时间段内的体征数据和融合图像整合，得到基于时间序列的目标体征变化数据和目标姿态变化数据；根据目标体征变化数据和目标姿态变化数据，判断目标监护对象是否发生意外；若判定目标监护对象发生意外，则生成并发送警告信息。52、通过结合主动红外图像和被动红外图像的优点，得到更为清晰、准确的融合图像，这有助于更精确地分析目标监护对象的姿态和动作，提高姿态识别和摔倒判定的准确性。