本發(fā)明涉及家庭行為識別技術(shù)領(lǐng)域，特別涉及一種用戶吃飯行為識別的方法及裝置。

背景技術(shù)：

目前，可以通過pir(passiveinfrareddetector，被動式紅外探測器)傳感器、視頻傳感器的識別結(jié)果是否滿足一定規(guī)則來判斷人是否在吃飯。例如，如果pir傳感器檢測到有人進入廚房，則判斷該人可能要吃飯，再利用視頻傳感器的圖像視頻識別技術(shù)可以直接識別出進入廚房的人是否在吃飯。

但是，由于不同人的生活習(xí)慣差異較大，同樣的規(guī)則不能適合所有用戶，直接利用pir傳感器的識別結(jié)果判斷進入廚房的人是否在吃飯，判斷結(jié)果未必準(zhǔn)確。而基于與視頻傳感器的方案存在隱私暴露的問題，且只能識別固定區(qū)域內(nèi)的吃飯行為(如坐在飯桌旁邊吃飯)。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種用戶吃飯行為識別的方法及裝置，解決現(xiàn)有吃飯行為識別方法不能適用于具有不同生活習(xí)慣的所有用戶，且存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

為解決上述技術(shù)問題，本發(fā)明的實施例提供一種用戶吃飯行為識別的方法，包括：

獲取預(yù)先生成的多個歷史樣本點的特征代表向量，每個歷史樣本點的特征代表向量是根據(jù)多個傳感器在對應(yīng)的樣本采樣時間段上采集到的數(shù)據(jù)所生成的，所述多個傳感器分別在用戶生活區(qū)域的預(yù)定位置，且所述特征代表向量包括與用戶吃飯行為相關(guān)的多個維度的元素；

根據(jù)所述多個歷史樣本點的分布密度，在所述多個歷史樣本點中，確定用 戶進行了吃飯行為的樣本點中心；

獲取所述多個傳感器在當(dāng)前采樣時間段內(nèi)采集的數(shù)據(jù)，生成當(dāng)前采樣時間段的特征代表向量，并獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離；

根據(jù)所述距離，確定用戶在當(dāng)前采樣時間段內(nèi)是否進行了吃飯行為。

其中，所述根據(jù)所述距離，確定用戶在當(dāng)前采樣時間段內(nèi)是否進行了吃飯行為，包括：

根據(jù)預(yù)設(shè)樣本點異常比例，在所述多個歷史樣本點中確定用戶未進行吃飯行為的判斷臨界線；

判斷所述距離是否小于所述判斷臨界線與所述樣本點中心之間的距離；

若判斷結(jié)果為是，則確定用戶在當(dāng)前采樣時間段內(nèi)進行了吃飯行為，否則，確定用戶在當(dāng)前采樣時間段內(nèi)未進行吃飯行為。

其中，所述根據(jù)所述多個歷史樣本點的分布密度，在所述多個歷史樣本點中，確定用戶進行了吃飯行為的樣本點中心，包括：

采用均值漂移meanshift算法，獲取所述多個歷史樣本點的分布密度最大處，并確定所述分布密度最大處為用戶進行了吃飯行為的樣本點中心。

其中，所述獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離，包括：

獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的歐式距離。

其中，所述多個傳感器包括：至少分布于所述用戶生活區(qū)域的廚房和餐廳內(nèi)的被動式紅外探測器pir傳感器、分布于所述用戶生活區(qū)域的入戶門上的至少一個門磁傳感器和/或分布于所述用戶生活區(qū)域的廚房電器上的至少一個振動傳感器；

所述特征代表向量包括：振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、開入戶門次數(shù)、廚房單次停留時間最大值和兩次廚房停留之間的餐廳停留時間最大值。

為解決上述技術(shù)問題，本發(fā)明的實施例還提供一種用戶吃飯行為識別的裝置，包括：

第一獲取模塊，用于獲取預(yù)先生成的多個歷史樣本點的特征代表向量，每 個歷史樣本點的特征代表向量是根據(jù)多個傳感器在對應(yīng)的樣本采樣時間段上采集到的數(shù)據(jù)所生成的，所述多個傳感器分別在用戶生活區(qū)域的預(yù)定位置，且所述特征代表向量包括與用戶吃飯行為相關(guān)的多個維度的元素；

第一確定模塊，用于根據(jù)所述多個歷史樣本點的分布密度，在所述多個歷史樣本點中，確定用戶進行了吃飯行為的樣本點中心；

第二獲取模塊，用于獲取所述多個傳感器在當(dāng)前采樣時間段內(nèi)采集的數(shù)據(jù)，生成當(dāng)前采樣時間段的特征代表向量，并獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離；

第二確定模塊，用于根據(jù)所述距離，確定用戶在當(dāng)前采樣時間段內(nèi)是否進行了吃飯行為。

其中，所述第二確定模塊包括：

第一確定單元，用于根據(jù)預(yù)設(shè)樣本點異常比例，在所述多個歷史樣本點中確定用戶未進行吃飯行為的判斷臨界線；

判斷單元，用于判斷所述距離是否小于所述判斷臨界線與所述樣本點中心之間的距離；

第二確定單元，用于若判斷結(jié)果為是，則確定用戶在當(dāng)前采樣時間段內(nèi)進行了吃飯行為，否則，確定用戶在當(dāng)前采樣時間段內(nèi)未進行吃飯行為。

其中，所述第一確定模塊包括：

第三確定單元，用于采用均值漂移meanshift算法，獲取所述多個歷史樣本點的分布密度最大處，并確定所述分布密度最大處為用戶進行了吃飯行為的樣本點中心。

其中，所述第二獲取模塊包括：

第一獲取單元，用于獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的歐式距離。

其中，所述多個傳感器包括：至少分布于所述用戶生活區(qū)域的廚房和餐廳內(nèi)的被動式紅外探測器pir傳感器、分布于所述用戶生活區(qū)域的入戶門上的至少一個門磁傳感器和/或分布于所述用戶生活區(qū)域的廚房電器上的至少一個振動傳感器；

所述特征代表向量包括：振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進 入次數(shù)、開入戶門次數(shù)、廚房單次停留時間最大值和兩次廚房停留之間的餐廳停留時間最大值。

本發(fā)明的上述技術(shù)方案的有益效果如下：

本發(fā)明實施例的用戶吃飯行為識別的方法，首先獲取預(yù)先生成的多個歷史樣本點的特征代表向量，每個歷史樣本點的特征代表向量是根據(jù)多個傳感器在對應(yīng)的樣本采樣時間段上采集到的數(shù)據(jù)所生成的，多個傳感器分別在用戶生活區(qū)域的預(yù)定位置，且特征代表向量包括與用戶吃飯行為相關(guān)的多個維度的元素；然后根據(jù)多個歷史樣本點的分布密度，在這多個歷史樣本點中，確定用戶進行了吃飯行為的樣本點中心；在獲取多個傳感器在當(dāng)前采樣時間段內(nèi)采集的數(shù)據(jù)，生成當(dāng)前采樣時間段的特征代表向量，并獲取當(dāng)前采樣時間段的特征代表向量與樣本點中心之間的距離；最后根據(jù)計算的距離，確定用戶當(dāng)前采樣時間段內(nèi)是否進行了吃飯行為。該方法通過對用戶歷史行為樣本的分布密度進行分析，能夠準(zhǔn)確判斷出用戶是否進行了吃飯行為，可適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

附圖說明

圖1為本發(fā)明用戶吃飯行為識別的方法流程圖；

圖2為本發(fā)明用戶吃飯行為識別的方法分布密度示意圖；

圖3為本發(fā)明用戶吃飯行為識別的方法判斷臨界線示意圖；

圖4為本發(fā)明用戶吃飯行為識別的方法傳感器分布示意圖；

圖5為本發(fā)明用戶吃飯行為識別的裝置的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例進行詳細描述。

本發(fā)明實施例的用戶吃飯行為識別的方法，基于樣本密度分析，能夠適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

如圖1所示，本發(fā)明實施例的用戶吃飯行為識別的方法，包括：

步驟101，獲取預(yù)先生成的多個歷史樣本點的特征代表向量，每個歷史樣本點的特征代表向量是根據(jù)多個傳感器在對應(yīng)的樣本采樣時間段上采集到的數(shù)據(jù)所生成的，所述多個傳感器分別在用戶生活區(qū)域的預(yù)定位置，且所述特征代表向量包括與用戶吃飯行為相關(guān)的多個維度的元素。

這里，在用戶生活區(qū)域的預(yù)定位置(如廚房、餐廳等)，預(yù)先設(shè)置有多個傳感器，根據(jù)這多個傳感器采集到的數(shù)據(jù)能夠提取與用戶吃飯行為相關(guān)的多個維度的元素，即歷史樣本點的特征代表向量，使得特征代表向量能夠在多個維度上體現(xiàn)用戶行為與吃飯行為的相關(guān)度。

其中，這多個傳感器只在樣本采樣時間段上采集數(shù)據(jù)，樣本采樣時間段可由用戶根據(jù)自身習(xí)慣設(shè)定，這樣能夠滿足不同用戶的生活習(xí)慣，且保證了檢測效率。具體可設(shè)定一天當(dāng)中用戶最有可能進行吃飯行為的固定時間段作為樣本采樣時間段(如中午11點至下午2點，共2個小時)。

另外，通過一段時間的樣本采集后，可能有大量的樣本點數(shù)據(jù)，為了保證識別的準(zhǔn)確性并提高效率，本步驟中可通過設(shè)置或默認的方式獲取一定數(shù)量的樣本點作為歷史樣本點。例如在傳感器工作30天后即可采用前30天采集的樣本點作為歷史樣本點，而超過100天后則可采用距離當(dāng)前時間最近的100天采集的樣本點作為歷史樣本點。

步驟102，根據(jù)所述多個歷史樣本點的分布密度，在所述多個歷史樣本點中，確定用戶進行了吃飯行為的樣本點中心。

這里，分析出多個歷史樣本點的分布密度后，可根據(jù)多個歷史樣本點的分布密度，確定用戶進行了吃飯行為的樣本點中心。

步驟103，獲取所述多個傳感器在當(dāng)前采樣時間段內(nèi)采集的數(shù)據(jù)，生成當(dāng)前采樣時間段的特征代表向量，并獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離。

這里，通過獲取當(dāng)前采樣時間段的特征代表向量，并計算當(dāng)前采用時間段的特征代表向量與樣本點中心之間的距離，能夠得到當(dāng)前采用時間段的特征代表向量與用戶正常進行吃飯行為的樣本點中心之間的差異性，進而判斷出用戶當(dāng)前采樣時間是否進行了吃飯行為。

步驟104，根據(jù)所述距離，確定用戶在當(dāng)前采樣時間段內(nèi)是否進行了吃飯 行為。

這里，通過比較當(dāng)前采用時間段的特征代表向量與用戶正常進行吃飯行為的樣本點中心之間的差異性，能夠準(zhǔn)確判斷出用戶當(dāng)前采樣時間段是否進行了吃飯行為。

本發(fā)明實施例的用戶吃飯行為識別的方法，通過對用戶歷史行為樣本的分布密度進行分析，并比較用戶當(dāng)前時間的行為特征與正常吃飯行為中心的差異性，能夠準(zhǔn)確判斷出用戶當(dāng)前時間是否進行了吃飯行為，可適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

優(yōu)選的，上述步驟104的步驟可以包括：

步驟1041，根據(jù)預(yù)設(shè)樣本點異常比例，在所述多個歷史樣本點中確定用戶未進行吃飯行為的判斷臨界線。

這里，如可預(yù)設(shè)樣本點異常比例為10％，即距離樣本點中心最遠的10％的樣本點認為是未吃飯類，并以相鄰的一個吃飯樣本點和一個未吃飯樣本點之間的中心線為判斷臨界線。當(dāng)然，樣本點異常比例可根據(jù)需求進行設(shè)置修改。

步驟1042，判斷所述距離是否小于所述判斷臨界線與所述樣本點中心之間的距離。

這里，通過比較之前得出的距離(當(dāng)前采樣時間段的特征代表向量與樣本點中心之間的距離)是否小于判斷臨界線與樣本點中心之間的距離，能夠判斷當(dāng)前采樣時間段的采樣點位于由判斷臨界線劃分的吃飯類還是未吃飯類，進而確定用戶在當(dāng)前采樣時間段是否進行了吃飯行為。

步驟1043，若判斷結(jié)果為是，則確定用戶在當(dāng)前采樣時間段內(nèi)進行了吃飯行為，否則，確定用戶在當(dāng)前采樣時間段內(nèi)未進行吃飯行為。

這里，若之前得出的距離小于判斷臨界線與樣本點中心之間的距離，則當(dāng)前采樣時間段的采樣點位于由判斷臨界線劃分的吃飯類，即用戶進行了吃飯行為，否則用戶沒有進行吃飯行為。

此時，通過確定判斷臨界線可準(zhǔn)確、快速地判斷用戶是否進行了吃飯行為，提高了準(zhǔn)確性和計算效率。

優(yōu)選的，上述步驟102的步驟可以包括：

步驟1021，采用均值漂移meanshift算法，獲取所述多個歷史樣本點的分 布密度最大處，并確定所述分布密度最大處為用戶進行了吃飯行為的樣本點中心。

這里，采用meanshift算法，能快速收斂到多個歷史樣本點的分布密度最大處，如圖2所示，此最大處為用戶行為特征最常出現(xiàn)的情況，而能夠確定的是用戶行為特征最常出現(xiàn)的情況是進行了吃飯行為，因此該最大處可作為用戶進行了吃飯行為的樣本點中心。

此時，通過meanshift算法，準(zhǔn)確、快速地得到了多個歷史樣本點的分布密度最大處，進而得到了用戶進行了吃飯行為的樣本點中心。

下面對meanshift算法作進一步說明。

meanshift算法原理：在樣本空間內(nèi)，設(shè)定一個d維球(維度d等于樣本點特征代表向量的維度)，球的初始中心可在樣本點的邊界內(nèi)，在樣本點中心的周圍隨機生成，預(yù)設(shè)球的半徑為r，重復(fù)以下步驟直至收斂：

步驟201，計算所有樣本點與球中心的距離，得到距離小于r的樣本點集；

步驟202，計算步驟201得到的樣本點集的中心；

步驟203，移動球中心至步驟202得到的中心。

此時，采用meanshift算法，能快速收斂到多個歷史樣本點的分布密度最大處。

其中，在確定多個歷史樣本點的分布密度最大處為用戶進行了吃飯行為的樣本點中心之后，如圖3所示，可通過上述步驟1041-1043確定用戶未進行吃飯行為的判斷臨界線。圖3中位于判斷臨界線左側(cè)(樣本點與中心的距離小于判斷臨界線與中心的距離)為正常(吃飯類)，位于判斷臨界線上或位于判斷臨界線右側(cè)為異常(未吃飯類)。此時，通過判斷臨界線能準(zhǔn)確快速的判斷用戶是否進行了吃飯行為。

進一步的，上述步驟103中，所述獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離的步驟可以包括：

步驟1031，獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的歐式距離。

此時，通過計算當(dāng)前采樣時間段的特征代表向量與樣本點中心之間的歐式距離，能參考多個維度的數(shù)據(jù)衡量當(dāng)前采樣時間段的特征代表向量與所述樣本 點中心之間的差異性，保證了比較的準(zhǔn)確性和有效性。

優(yōu)選的，所述多個傳感器可以包括：至少分布于所述用戶生活區(qū)域的廚房和餐廳內(nèi)的被動式紅外探測器pir傳感器、分布于所述用戶生活區(qū)域的入戶門上的至少一個門磁傳感器和/或分布于所述用戶生活區(qū)域的廚房電器上的至少一個振動傳感器。

這里，通過pir傳感器，能夠檢測出室內(nèi)人員所處的區(qū)域，從而得出用戶在廚房和餐廳的停留時間。通過門磁傳感器和振動傳感器，可以增加吃飯行為相關(guān)的特征，提高吃飯行為識別的準(zhǔn)確率。

所述特征代表向量可以包括：振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、開入戶門次數(shù)、廚房單次停留時間最大值和兩次廚房停留之間的餐廳停留時間最大值。

此時，通過這6個維度的與用戶吃飯行為密切相關(guān)的特征元素，能準(zhǔn)確反映出用戶行為與吃飯行為的相關(guān)度，從而通過后續(xù)步驟準(zhǔn)確、快速地判斷出用戶是否進行了吃飯行為。

如圖4所示，用戶生活區(qū)域的每個房間(廚房、餐廳、臥室等)都可安裝至少一個用于檢測室內(nèi)人員是否處于某一區(qū)域的pir傳感器，pir傳感器可通過低功耗自組織無線通信網(wǎng)絡(luò)(如zigbee)將檢測到的數(shù)據(jù)上報到家庭網(wǎng)關(guān)。為了提高識別準(zhǔn)確率，還可在入戶門上安裝至少一個用于檢測室內(nèi)人員出入情況的門磁傳感器，并在廚房電器(如冰箱門上)上安裝至少用于檢測電器使用情況的振動傳感器。

此時，根據(jù)各個傳感器檢測到的數(shù)據(jù)，能準(zhǔn)確提取樣本點的特征代表向量，為用戶吃飯行為的識別提供有力的數(shù)據(jù)支持，保證用戶吃飯行為識別的順利進行。

本發(fā)明實施例的用戶吃飯行為識別的方法，通過在用戶生活區(qū)域安裝pir等傳感器，并通過一段時間對用戶行為的數(shù)據(jù)積累，采用樣本密度分析方法找到樣本點分布密度最大處，并按照預(yù)設(shè)的樣本點異常比例(如10％)確定判斷臨界線，無需用戶手動反饋每天吃飯的實際情況，就能自動判斷新的一天中用戶的吃飯行為，對于獨居老人來說具有重大意義。本發(fā)明實施例的方法，可適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固 定的問題。

如圖5所示，本發(fā)明的實施例還提供一種用戶吃飯行為識別的裝置，包括：

第一獲取模塊，用于獲取預(yù)先生成的多個歷史樣本點的特征代表向量，每個歷史樣本點的特征代表向量是根據(jù)多個傳感器在對應(yīng)的樣本采樣時間段上采集到的數(shù)據(jù)所生成的，所述多個傳感器分別在用戶生活區(qū)域的預(yù)定位置，且所述特征代表向量包括與用戶吃飯行為相關(guān)的多個維度的元素；

第一確定模塊，用于根據(jù)所述多個歷史樣本點的分布密度，在所述多個歷史樣本點中，確定用戶進行了吃飯行為的樣本點中心；

第二獲取模塊，用于獲取所述多個傳感器在當(dāng)前采樣時間段內(nèi)采集的數(shù)據(jù)，生成當(dāng)前采樣時間段的特征代表向量，并獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的距離；

第二確定模塊，用于根據(jù)所述距離，確定用戶在當(dāng)前采樣時間段內(nèi)是否進行了吃飯行為。

本發(fā)明實施例的用戶吃飯行為識別的裝置，通過對用戶歷史行為樣本的分布密度進行分析，并比較用戶當(dāng)前時間的行為特征與正常吃飯行為中心的差異性，能夠準(zhǔn)確判斷出用戶當(dāng)前時間是否進行了吃飯行為，可適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

優(yōu)選的，所述第二確定模塊可以包括：

第一確定單元，用于根據(jù)預(yù)設(shè)樣本點異常比例，在所述多個歷史樣本點中確定用戶未進行吃飯行為的判斷臨界線；

判斷單元，用于判斷所述距離是否小于所述判斷臨界線與所述樣本點中心之間的距離；

第二確定單元，用于若判斷結(jié)果為是，則確定用戶在當(dāng)前采樣時間段內(nèi)進行了吃飯行為，否則，確定用戶在當(dāng)前采樣時間段內(nèi)未進行吃飯行為。

優(yōu)選的，所述第一確定模塊可以包括：

第三確定單元，用于采用均值漂移meanshift算法，獲取所述多個歷史樣本點的分布密度最大處，并確定所述分布密度最大處為用戶進行了吃飯行為的樣本點中心。

優(yōu)選的，所述第二獲取模塊可以包括：

第一獲取單元，用于獲取當(dāng)前采樣時間段的特征代表向量與所述樣本點中心之間的歐式距離。

優(yōu)選的，所述多個傳感器包括：至少分布于所述用戶生活區(qū)域的廚房和餐廳內(nèi)的被動式紅外探測器pir傳感器、分布于所述用戶生活區(qū)域的入戶門上的至少一個門磁傳感器和/或分布于所述用戶生活區(qū)域的廚房電器上的至少一個振動傳感器；

所述特征代表向量包括：振動傳感器觸發(fā)次數(shù)、廚房停留總時間、廚房進入次數(shù)、開入戶門次數(shù)、廚房單次停留時間最大值和兩次廚房停留之間的餐廳停留時間最大值。

本發(fā)明實施例的用戶吃飯行為識別的裝置，通過在用戶生活區(qū)域安裝pir等傳感器，并通過一段時間對用戶行為的數(shù)據(jù)積累，采用樣本密度分析方法找到樣本點分布密度最大處，并按照預(yù)設(shè)的樣本點異常比例(如10％)確定判斷臨界線，無需用戶手動反饋每天吃飯的實際情況，就能自動判斷新的一天中用戶的吃飯行為，對于獨居老人來說具有重大意義。本發(fā)明實施例的裝置，可適用于不同生活習(xí)慣的用戶，且不存在視頻傳感器帶來的隱私暴露、識別區(qū)域固定的問題。

需要說明的是，該用戶吃飯行為識別的裝置是與上述用戶吃飯行為識別的方法相對應(yīng)的裝置，其中上述方法實施例中所有實現(xiàn)方式均適用于該裝置的實施例中，也能達到同樣的技術(shù)效果。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。