本發(fā)明涉及通信
技術(shù)領(lǐng)域：
：，尤其涉及一種家庭監(jiān)控方法、服務(wù)端及計(jì)算機(jī)可讀存儲介質(zhì)。
背景技術(shù)：
：：隨著深度學(xué)習(xí)的發(fā)展，智能語音和圖像視頻內(nèi)容識別最近幾年取得了很大的發(fā)展。在很多領(lǐng)域中，語音識別的準(zhǔn)確率已經(jīng)接近人類，人臉檢測和識別的準(zhǔn)確率有了非常大的提升，能夠在限定條件下達(dá)到和超過人類識別能力。而圖像情緒分析技術(shù)也被越來越多的機(jī)構(gòu)和企業(yè)關(guān)注和投入，逐步出現(xiàn)在越來越多的商用場合中。于此同時(shí)，隨著今年來國內(nèi)經(jīng)濟(jì)的快速發(fā)展和人口流動(dòng)，城市人口在嬰兒看護(hù)方面也遇到了以前未如此廣泛遇到的麻煩，主要體現(xiàn)在嬰幼兒的照看監(jiān)護(hù)問題。中國傳統(tǒng)的父母幫忙照看孩子的問題不再適應(yīng)現(xiàn)代社會(huì)。中介保姆虐待嬰幼兒的事情屢見報(bào)端。如何對家庭進(jìn)行監(jiān)控，防止虐待嬰幼兒的事情發(fā)生是亟待解決的問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例提供了一種家庭監(jiān)控方法、服務(wù)端及計(jì)算機(jī)可讀存儲介質(zhì)，旨在對家庭進(jìn)行監(jiān)控，當(dāng)有虐待嬰幼兒的事情發(fā)生時(shí)發(fā)出警報(bào)。有鑒于此，本發(fā)明實(shí)施例第一方面，提供了一種家庭監(jiān)控方法，所述方法包括：接收監(jiān)控端發(fā)來的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種；根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；若是，則向預(yù)設(shè)終端發(fā)出警報(bào)。在一個(gè)可能的設(shè)計(jì)中，所述監(jiān)控信息還包括音頻信息；所述向預(yù)設(shè)終端發(fā)出警報(bào)之前，所述方法還包括：根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息；若是，則執(zhí)行所述向預(yù)設(shè)終端發(fā)出警報(bào)的步驟。在一個(gè)可能的設(shè)計(jì)中，所述音頻服務(wù)模型包括第一服務(wù)模型，所述預(yù)制信息包括第一預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，具體包括：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；根據(jù)第一服務(wù)模型判斷所述信息是否為第一預(yù)制信息。在一個(gè)可能的設(shè)計(jì)中，所述音頻服務(wù)模型包括第二服務(wù)模型，所述預(yù)制信息包括第二預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，具體包括：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；將所述第一信息轉(zhuǎn)換成文本信息；根據(jù)第二服務(wù)模型判斷所述文本信息是否為第二預(yù)制信息。在一個(gè)可能的設(shè)計(jì)中，所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息之前，所述方法還包括：通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述音頻服務(wù)模型。在一個(gè)可能的設(shè)計(jì)中，所述向預(yù)設(shè)終端發(fā)出警報(bào)的步驟之后，還包括：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述預(yù)制信息進(jìn)行標(biāo)記，并加入到所述訓(xùn)練數(shù)據(jù)庫。在一個(gè)可能的設(shè)計(jì)中，所述根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型之前，所述方法還包括：通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立所述人臉情緒識別服務(wù)模型。在一個(gè)可能的設(shè)計(jì)中，所述向預(yù)設(shè)終端發(fā)出警報(bào)的步驟之后，還包括：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到所述訓(xùn)練數(shù)據(jù)庫。本發(fā)明實(shí)施例第二方面提供了一種家庭監(jiān)控服務(wù)端，所述家庭監(jiān)控服務(wù)端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明實(shí)施例提供的家庭監(jiān)控方法的步驟。本發(fā)明實(shí)施例第三方面提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有家庭監(jiān)控程序，所述家庭監(jiān)控程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明實(shí)施例提供的家庭監(jiān)控方法的步驟。從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例中，通過預(yù)設(shè)情緒類型的檢測判斷是否向預(yù)設(shè)終端發(fā)出警報(bào)，從而防止在家庭環(huán)境下可能發(fā)生的保姆虐待嬰幼兒的情況。附圖說明圖1為本發(fā)明一種家庭監(jiān)控系統(tǒng)的實(shí)施例的示意圖；圖2為本發(fā)明一種家庭監(jiān)控方法另一個(gè)實(shí)施例的示意圖；圖3為本發(fā)明一種家庭監(jiān)控方法另一個(gè)實(shí)施例的示意圖；圖4為本發(fā)明一種家庭監(jiān)控方法另一個(gè)實(shí)施例的示意圖；圖5為本發(fā)明一種家庭監(jiān)控方法另一個(gè)實(shí)施例的示意圖；圖6為本發(fā)明一種家庭監(jiān)控方法中訓(xùn)練數(shù)據(jù)自學(xué)習(xí)的過程的示意圖。本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說明。具體實(shí)施方式應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。在后續(xù)的描述中，使用用于表示元件的諸如“模塊”、“部件”或“單元”的后綴僅為了有利于本發(fā)明的說明，其本身沒有特定的意義。因此，“模塊”、“部件”或“單元”可以混合地使用。如圖1所示，本發(fā)明提供的家庭監(jiān)控方法，應(yīng)用于家庭監(jiān)控系統(tǒng)，該家庭監(jiān)控系統(tǒng)包括用于獲取視頻信息和圖像信息中的至少一種的監(jiān)控信息的監(jiān)控端101，用于處理監(jiān)控信息的服務(wù)端102以及用于接收報(bào)警的預(yù)設(shè)終端103。其中，監(jiān)控端101可以集成在類似智能音箱的家庭終端中，主要完成的功能是視頻數(shù)據(jù)的采集，此外，還可以對音頻數(shù)據(jù)進(jìn)行采集。在視頻數(shù)據(jù)的采集上，可以通過多攝像頭協(xié)同工作配合實(shí)時(shí)目標(biāo)檢測功能實(shí)現(xiàn)多角度視頻采集和目標(biāo)物體的自動(dòng)實(shí)時(shí)對焦功能；在音頻數(shù)據(jù)的采集上，可以采用麥克風(fēng)陣列解決5米遠(yuǎn)場拾音問題。此外，監(jiān)控端101還可以具有音頻碼率與網(wǎng)絡(luò)帶寬自適應(yīng)的功能。當(dāng)網(wǎng)絡(luò)帶寬較低或者時(shí)延較大時(shí)，自動(dòng)切換到8khz采樣頻率，當(dāng)帶寬較大時(shí)延較低時(shí)自動(dòng)切換到16khz甚至更高的采樣頻率。上述預(yù)設(shè)終端可以以各種形式來實(shí)施。例如，本發(fā)明中描述的預(yù)設(shè)終端可以包括諸如手機(jī)、平板電腦、筆記本電腦、掌上電腦、個(gè)人數(shù)字助理(personaldigitalassistant，pda)、便捷式媒體播放器(portablemediaplayer，pmp)、導(dǎo)航裝置、可穿戴設(shè)備、智能手環(huán)、計(jì)步器等移動(dòng)終端，以及諸如數(shù)字tv、臺式計(jì)算機(jī)等固定終端。終端在接收到警報(bào)后，可以對監(jiān)控端發(fā)起會(huì)話控制。請參閱圖2，圖2為本發(fā)明一種家庭監(jiān)控方法一個(gè)實(shí)施例示意圖，應(yīng)用于家庭監(jiān)控系統(tǒng)中的服務(wù)端，包括步驟：201、開始；202、接收監(jiān)控端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種；203、根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；若是，則進(jìn)入步驟204；若否，則進(jìn)入步驟205；一般地，在此步驟之前，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；204、向預(yù)設(shè)終端發(fā)出警報(bào)；205、結(jié)束。需要說明的是，在步驟202之前，還可以包括步驟：接收預(yù)設(shè)終端發(fā)出的預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒等；當(dāng)然，若預(yù)制信息的類型是固定的時(shí)候，則可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒就發(fā)出警報(bào)；此外，預(yù)設(shè)終端接收到報(bào)警信息后，可以進(jìn)行會(huì)話干預(yù)；更具體地，預(yù)設(shè)終端接收到報(bào)警信息后，可以向監(jiān)控端發(fā)起語音會(huì)話或視頻會(huì)話；當(dāng)然，該步驟并不是必須要執(zhí)行的。本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立。其中，定位特征提取算法在人臉情緒的識別的訓(xùn)練過程和實(shí)測過程中都起著重要的作用，定位的準(zhǔn)確度和特征提取的有效程度直接影響著最終結(jié)果的準(zhǔn)確性。本發(fā)明并不限制具體定位特征提取算法的選擇，具體實(shí)施過程中可以采用業(yè)界已經(jīng)證明了效果較好的gabor變換,邊緣直方圖eoh等算法。而建立人臉情緒識別服務(wù)模型所需的人臉情緒樣本可以通過開源或者購買情緒識別數(shù)據(jù)庫實(shí)現(xiàn)。而數(shù)據(jù)采樣與情緒識別數(shù)據(jù)樣本的標(biāo)記可以增加特定場景自建樣本數(shù)據(jù)庫，并手工進(jìn)行標(biāo)注。具體實(shí)施時(shí)，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述方法還可以包括：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到所述訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型。如圖3所示，本發(fā)明實(shí)施例提供的家庭監(jiān)控方法的另一個(gè)可選實(shí)施例中，包括：301、開始；302、預(yù)設(shè)終端向服務(wù)端發(fā)出預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒、嬰幼兒哭聲等；需要說明的是，當(dāng)預(yù)制信息的類型是固定的時(shí)候，可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒且伴隨嬰幼兒哭聲就發(fā)出警報(bào)；303、監(jiān)控端向服務(wù)端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種以及音頻信息；304、根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；若是，則進(jìn)入步驟305；若否，則進(jìn)入步驟307；一般地，在此步驟之前，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立。305、根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息；若是，則進(jìn)入步驟306；若否，則進(jìn)入步驟307；本實(shí)施例中的預(yù)制信息為嬰幼兒的哭聲；306、向預(yù)設(shè)終端發(fā)出警報(bào)；307、結(jié)束。需要說明的是，還可以包括步驟308、預(yù)設(shè)終端接收到報(bào)警信息后，可以進(jìn)行會(huì)話干預(yù)；更具體地，預(yù)設(shè)終端接收到報(bào)警信息后，可以向監(jiān)控端發(fā)起語音會(huì)話或視頻會(huì)話；當(dāng)然，該步驟并不是必須要執(zhí)行的。同樣地，具體實(shí)施時(shí)，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述方法還可以包括：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型。在上述圖3對應(yīng)的實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的家庭監(jiān)控方法的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第一服務(wù)模型，所述預(yù)制信息包括第一預(yù)制信息；如圖4所示，所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，具體包括：401、開始；402、對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；該語音特征參數(shù)可以是梅爾倒譜系數(shù)(mel-scalefrequencycepstralcoefficients，mfcc)；403、根據(jù)第一服務(wù)模型判斷所述信息是否為第一預(yù)制信息；本實(shí)施例中，第一預(yù)制信息為嬰幼兒的哭聲，該第一預(yù)制信息音頻格式的信息；該第一服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述第一服務(wù)模型；405、結(jié)束。本發(fā)明中第一服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第一預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的音頻樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的音頻樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第一服務(wù)模型以進(jìn)行第一預(yù)制信息的判斷。在上述圖3對應(yīng)的實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例提供的家庭監(jiān)控方法的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第二服務(wù)模型，所述預(yù)制信息包括第二預(yù)制信息；如圖5所示，所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，具體包括：501、開始；502、對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；503、將所述第一信息轉(zhuǎn)換成文本信息；在本發(fā)明的一個(gè)實(shí)施例中，該步驟具體可以包括：將所述第一信息進(jìn)行語音識別生成語言文本信息；對所述語言文本信息進(jìn)行語法語義處理生成語義文本信息；將所述語義文本信息用作所述文本信息；504、根據(jù)第二服務(wù)模型判斷所述文本信息是否為第二預(yù)制信息；本實(shí)施例中，第二預(yù)制信息為文本信息；在具體實(shí)施時(shí)，第二預(yù)制信息可以為嬰幼兒的哭聲；上述第二服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述服務(wù)模型；505、結(jié)束。本發(fā)明中第二服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第二預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的文本樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的文本樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第二服務(wù)模型以進(jìn)行第二預(yù)制信息的判斷。請參照圖6，在本發(fā)明中，監(jiān)控信息601包括音頻信息603以及視頻信息或圖像信息602中的至少一種，其中音頻信息603用于監(jiān)控是否有嬰幼兒的哭聲；而視頻信息或圖像信息602則用于監(jiān)控嬰幼兒看護(hù)者或嬰幼兒自身的情緒類型。對于音頻信息603而言，其可以直接以音頻格式進(jìn)行監(jiān)控，也可以先轉(zhuǎn)換成文本信息604再進(jìn)行監(jiān)控；因此，本發(fā)明中的訓(xùn)練數(shù)據(jù)庫606包括人臉情緒樣本，還可以包括帶標(biāo)簽的音頻樣板、帶標(biāo)簽的文本樣本中的至少一種。此外，經(jīng)由預(yù)設(shè)終端反饋的監(jiān)控信息也可以將反饋信息標(biāo)注在對應(yīng)的監(jiān)控信息中并存入訓(xùn)練數(shù)據(jù)庫606以豐富訓(xùn)練數(shù)據(jù)庫的訓(xùn)練數(shù)據(jù)。上述人臉情緒樣本以及帶標(biāo)簽的音頻樣板或帶標(biāo)簽的文本樣本經(jīng)過服務(wù)模型引擎607生成相應(yīng)的服務(wù)模型即人臉情緒識別服務(wù)模型、第一服務(wù)模型、第二服務(wù)模型，利用該些服務(wù)模型完成人臉情緒類型、第一預(yù)制信息和第二預(yù)制信息的判斷。本發(fā)明還提供一種家庭監(jiān)控服務(wù)端，所述家庭監(jiān)控服務(wù)端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明任一實(shí)施例提供的家庭監(jiān)控方法的步驟。更具體地，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒等；需要說明的是，當(dāng)預(yù)制信息的類型是固定的時(shí)候，可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒就發(fā)出警報(bào)；接收監(jiān)控端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種；根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；若是，則向預(yù)設(shè)終端發(fā)出警報(bào)；更具體地，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；需要說明的是，本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立。其中，定位特征提取算法在人臉情緒的識別的訓(xùn)練過程和實(shí)測過程中都起著重要的作用，定位的準(zhǔn)確度和特征提取的有效程度直接影響著最終結(jié)果的準(zhǔn)確性。本發(fā)明并不限制具體定位特征提取算法的選擇，具體實(shí)施過程中可以采用業(yè)界已經(jīng)證明了效果較好的gabor變換,邊緣直方圖eoh等算法。而建立人臉情緒識別服務(wù)模型所需的人臉情緒樣本可以通過開源或者購買情緒識別數(shù)據(jù)庫實(shí)現(xiàn)。而數(shù)據(jù)采樣與情緒識別數(shù)據(jù)樣本的標(biāo)記可以增加特定場景自建樣本數(shù)據(jù)庫，并手工進(jìn)行標(biāo)注。此外，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到所述訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型。本發(fā)明實(shí)施例提供的家庭監(jiān)控服務(wù)端的另一個(gè)可選實(shí)施例中，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒、嬰幼兒哭聲等；需要說明的是，當(dāng)預(yù)制信息的類型是固定的時(shí)候，可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒且伴隨嬰幼兒哭聲就發(fā)出警報(bào)；接收監(jiān)控端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種以及音頻信息；根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；一般地，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立；若是，則根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息；本實(shí)施例中的預(yù)制信息為嬰幼兒的哭聲；若是，則向預(yù)設(shè)終端發(fā)出警報(bào)；同樣地，具體實(shí)施時(shí)，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型?？蛇x地，本發(fā)明實(shí)施例提供的家庭監(jiān)控服務(wù)端的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第一服務(wù)模型，所述預(yù)制信息包括第一預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息時(shí)，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；該語音特征參數(shù)可以是梅爾倒譜系數(shù)(mel-scalefrequencycepstralcoefficients，mfcc)；根據(jù)第一服務(wù)模型判斷所述信息是否為第一預(yù)制信息；本實(shí)施例中，第一預(yù)制信息為嬰幼兒的哭聲，該第一預(yù)制信息音頻格式的信息；該第一服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述第一服務(wù)模型；本發(fā)明中第一服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第一預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的音頻樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的音頻樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第一服務(wù)模型以進(jìn)行第一預(yù)制信息的判斷?？蛇x地，本發(fā)明實(shí)施例提供的家庭監(jiān)控服務(wù)端的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第二服務(wù)模型，所述預(yù)制信息包括第二預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，所述計(jì)算機(jī)程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；將所述第一信息轉(zhuǎn)換成文本信息；在本發(fā)明的一個(gè)實(shí)施例中，該步驟具體可以包括：將所述第一信息進(jìn)行語音識別生成語言文本信息；對所述語言文本信息進(jìn)行語法語義處理生成語義文本信息；將所述語義文本信息用作所述文本信息；根據(jù)第二服務(wù)模型判斷所述文本信息是否為第二預(yù)制信息；本實(shí)施例中，第二預(yù)制信息為文本信息；在具體實(shí)施時(shí)，第二預(yù)制信息可以為嬰幼兒的哭聲；上述第二服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述服務(wù)模型；本發(fā)明中第二服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第二預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的文本樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的文本樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第二服務(wù)模型以進(jìn)行第二預(yù)制信息的判斷。本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有家庭監(jiān)控程序，所述家庭監(jiān)控程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明任一實(shí)施例提供的家庭監(jiān)控方法的步驟。更具體地，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒等；需要說明的是，當(dāng)預(yù)制信息的類型是固定的時(shí)候，可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒就發(fā)出警報(bào)；接收監(jiān)控端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種；根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；若是，則向預(yù)設(shè)終端發(fā)出警報(bào)；更具體地，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；需要說明的是，本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立。其中，定位特征提取算法在人臉情緒的識別的訓(xùn)練過程和實(shí)測過程中都起著重要的作用，定位的準(zhǔn)確度和特征提取的有效程度直接影響著最終結(jié)果的準(zhǔn)確性。本發(fā)明并不限制具體定位特征提取算法的選擇，具體實(shí)施過程中可以采用業(yè)界已經(jīng)證明了效果較好的gabor變換,邊緣直方圖eoh等算法。而建立人臉情緒識別服務(wù)模型所需的人臉情緒樣本可以通過開源或者購買情緒識別數(shù)據(jù)庫實(shí)現(xiàn)。而數(shù)據(jù)采樣與情緒識別數(shù)據(jù)樣本的標(biāo)記可以增加特定場景自建樣本數(shù)據(jù)庫，并手工進(jìn)行標(biāo)注。此外，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到所述訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型。本發(fā)明實(shí)施例提供的計(jì)算機(jī)可讀存儲介質(zhì)的另一個(gè)可選實(shí)施例中，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出預(yù)定服務(wù)；該預(yù)定服務(wù)是用于定制預(yù)制信息的類型的，例如是嬰幼兒看護(hù)者的不友好情緒或嬰幼兒看護(hù)者的不友好情緒、嬰幼兒哭聲等；需要說明的是，當(dāng)預(yù)制信息的類型是固定的時(shí)候，可以不執(zhí)行該步驟，例如預(yù)定服務(wù)是嬰幼兒看護(hù)者的不友好情緒且伴隨嬰幼兒哭聲就發(fā)出警報(bào)；接收監(jiān)控端發(fā)出的監(jiān)控信息，所述監(jiān)控信息包括視頻信息和圖像信息中的至少一種以及音頻信息；根據(jù)人臉情緒識別服務(wù)模型判斷所述監(jiān)控信息是否包含預(yù)設(shè)情緒類型；一般地，可以先對目標(biāo)人物進(jìn)行識別，該目標(biāo)人物可以是嬰幼兒的看護(hù)者，也可以是嬰幼兒自身；然后根據(jù)監(jiān)控信息對目標(biāo)人五的人臉進(jìn)行情緒分析。行業(yè)的通用做法是把人臉情緒分為如下八種類型：憤怒、輕蔑、厭惡、恐懼、快樂、無表情、悲傷以及驚訝。在本實(shí)施例中，可以將上述八種類型進(jìn)行二次劃分，分為常規(guī)情緒、友好情緒及不友好情緒三種；其中，常規(guī)情緒包括無表情、恐懼、悲傷、驚訝以及輕蔑；友好情緒包括快樂；不友好情緒包括憤怒、厭惡；此時(shí)，預(yù)設(shè)情緒類型為上述不友好情緒；當(dāng)然也可以由用戶自行定義需要監(jiān)測的情緒類型，將其作為預(yù)設(shè)情緒類型；本發(fā)明中建立人臉情緒識別服務(wù)模型可以通過訓(xùn)練數(shù)據(jù)庫中訓(xùn)練數(shù)據(jù)結(jié)合定位特征提取算法或深度卷積神經(jīng)網(wǎng)絡(luò)建立；若是，則根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息；本實(shí)施例中的預(yù)制信息為嬰幼兒的哭聲；若是，則向預(yù)設(shè)終端發(fā)出警報(bào)；同樣地，具體實(shí)施時(shí)，在預(yù)設(shè)終端發(fā)出警報(bào)之后，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：接收預(yù)設(shè)終端發(fā)出的反饋信息；根據(jù)所述反饋信息將對應(yīng)的所述監(jiān)控信息進(jìn)行標(biāo)記，并加入到訓(xùn)練數(shù)據(jù)庫。如此，可以進(jìn)一步補(bǔ)充人臉情緒樣本以更新人臉情緒識別服務(wù)模型?？蛇x地，本發(fā)明實(shí)施例提供的計(jì)算機(jī)可讀存儲介質(zhì)的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第一服務(wù)模型，所述預(yù)制信息包括第一預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息時(shí)，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；該語音特征參數(shù)可以是梅爾倒譜系數(shù)(mel-scalefrequencycepstralcoefficients，mfcc)；根據(jù)第一服務(wù)模型判斷所述信息是否為第一預(yù)制信息；本實(shí)施例中，第一預(yù)制信息為嬰幼兒的哭聲，該第一預(yù)制信息音頻格式的信息；該第一服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述第一服務(wù)模型；本發(fā)明中第一服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第一預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的音頻樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的音頻樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第一服務(wù)模型以進(jìn)行第一預(yù)制信息的判斷?？蛇x地，本發(fā)明實(shí)施例提供的計(jì)算機(jī)可讀存儲介質(zhì)的另一個(gè)可選實(shí)施例中，所述音頻服務(wù)模型包括第二服務(wù)模型，所述預(yù)制信息包括第二預(yù)制信息；所述根據(jù)音頻服務(wù)模型判斷所述音頻信息是否為預(yù)制信息，所述家庭監(jiān)控程序被所述處理器執(zhí)行以實(shí)現(xiàn)以下步驟：對所述音頻信息進(jìn)行語音參數(shù)提取得到第一信息；將所述第一信息轉(zhuǎn)換成文本信息；在本發(fā)明的一個(gè)實(shí)施例中，該步驟具體可以包括：將所述第一信息進(jìn)行語音識別生成語言文本信息；對所述語言文本信息進(jìn)行語法語義處理生成語義文本信息；將所述語義文本信息用作所述文本信息；根據(jù)第二服務(wù)模型判斷所述文本信息是否為第二預(yù)制信息；本實(shí)施例中，第二預(yù)制信息為文本信息；在具體實(shí)施時(shí)，第二預(yù)制信息可以為嬰幼兒的哭聲；上述第二服務(wù)模型需要根據(jù)預(yù)制信息的特征進(jìn)行訓(xùn)練獲取。更具體地，可以通過訓(xùn)練數(shù)據(jù)結(jié)合通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)建立所述服務(wù)模型；本發(fā)明中第二服務(wù)模型可以采用以下方法建立：收集預(yù)先標(biāo)記好的訓(xùn)練數(shù)據(jù)置于訓(xùn)練數(shù)據(jù)庫內(nèi)，本發(fā)明中該訓(xùn)練數(shù)據(jù)根據(jù)第二預(yù)制信息而定；例如預(yù)制信息包括哭聲，則訓(xùn)練數(shù)據(jù)庫為哭聲識別訓(xùn)練數(shù)據(jù)。該哭聲識別訓(xùn)練數(shù)據(jù)主要為帶標(biāo)簽的文本樣本。通過訓(xùn)練大量的嬰兒哭聲和非嬰兒哭聲的的文本樣本，進(jìn)行算法模型的訓(xùn)練、驗(yàn)證和評估運(yùn)行過程。通常情況下，我們可以采用通用機(jī)器學(xué)習(xí)分類器算法或者深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類判斷。單一服務(wù)類型的判斷屬于簡單的二分類問題，復(fù)合服務(wù)類型的判斷屬于多分類器問題。一般情況下，類似softmax分類器或者支持向量機(jī)等通用機(jī)器學(xué)習(xí)算法已經(jīng)能夠達(dá)到較高的準(zhǔn)確率，也可以根據(jù)實(shí)測情況結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)現(xiàn)。訓(xùn)練過程完成，會(huì)生成第二服務(wù)模型以進(jìn)行第二預(yù)制信息的判斷。本發(fā)明實(shí)施例提供的家庭監(jiān)控方法、服務(wù)端及計(jì)算機(jī)可讀存儲介質(zhì)，實(shí)時(shí)檢測家庭環(huán)境下嬰幼兒監(jiān)控中可能發(fā)生的不友好情緒或長時(shí)間哭鬧等情況，并觸發(fā)告警，達(dá)到實(shí)時(shí)監(jiān)控的效果。需要說明的是，在本文中，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例方法可借助軟件加必需的通用硬件平臺的方式來實(shí)現(xiàn)，當(dāng)然也可以通過硬件，但很多情況下前者是更佳的實(shí)施方式。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端(可以是手機(jī)，計(jì)算機(jī)，服務(wù)器，空調(diào)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述的方法。上面結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護(hù)之內(nèi)。當(dāng)前第1頁12當(dāng)前第1頁12