[发明专利]使用人员传感器对建筑物进行安全监控和资源管理的方法

说明书

所属技术领域

本发明涉及建筑信息管理领域，尤其是对智能建筑进行安全监控和资源管理的方法。

背景技术

智能建筑(Smart Building)是近年来传感器网络技术发展的重要分支。传感器网络的概念最早由美国陆军提出，其基本构想是使用散布在一定区域内的大量携带有微处理器的小型复合传感器(Sensor Mote)构成无线网络，并对该网络传回的传感器数据进行实时分析以达到对该区域进行有效监控的目的。在传感器网络技术的发展过程中，产生了两个重要分支：使用一次性廉价传感器、微型电池和无线网络的临时环境监控网络(多用于野外的研究考察)，和使用能够长期稳定工作的传感器、持续供电并通过有线网络互联的永久/半永久性传感器网络。将后者应用于建筑物的信息管理，就产生了智能建筑的概念。布设通过网络互联的传感器并汇总、分析数据是一切智能建筑技术的基础，而对于传感器数据的具体使用方法则有近乎无限的可能性，因而当前的绝大多数智能建筑相关研究都集中于这一领域。

智能建筑要解决的核心问题之一是安全监控，包含入侵检测和灾害报警。现有安全监控技术主要是通过网络监视器和红外线激光发射/接收装置，这些设备成本较高，而且网络监视器高度依赖监控人员，难以实现低误报率的自动报警。智能建筑的另一个主要功能是资源管理，即功能性房间的有效管理和使用以及合理利用空调、照明等设施以节约资源并降低建筑维持成本。而对于房间资源有效管理十分重要的房间使用情况的获取，目前则主要是通过使用者在使用前和使用后主动通报管理系统(在房间门前通过刷卡等方式登录或在办公系统中预订、退订)，其实现依然很大程度上依赖人工操作，自动化程度很低。

人员传感器是一种常见的低成本传感器，常见的人员传感器原理是使用光敏元件捕捉其视场范围内的人体发出的特定波段的红外线，当捕获的红外线强度超过预设的阀值，即可认为其视场范围内有人员活动。因为提供的信息量极其有限(一般只是红外线的强度数值或者电位的高或低)，难以区分巡逻人员与非法闯入人员，而且因为环境变化产生偶然误报的可能性较高，现有的人员传感器应用都很简单，一般只是作为灯具开关，为过往人员提供自动开闭的照明，或用于对误报率要求不高场合提供入侵报警。

机器学习技术(Machine Learning)是人工智能技术的一种，可以自动根据已知条件做出逻辑判断。机器学习技术的最大优点是无论开发人员还是机器学习程序本身都不需要真正理解做出所需判断的完整推理过程，逻辑判断的结果可是被看作是用于逻辑判断的条件的某个极复杂函数的运算结果，而函数本身在学习过程中自动形成，其细节不需要被人知晓，只需确保其判断的准确率可以满足使用要求即可。机器学习的具体实施原理有贝叶斯网络(Bayesian Networks)、决策树(Decision Tree)、虚拟神经网络(Artificial Neural Network)等许多种，其基本使用方法是将大量用于判断的依据与已知正确的判断结果输入机器学习程序让其自动学习判断规律(此过程称为训练，Training)，然后只需对训练好的程序输入用于判断的依据，程序就可以自动给出逻辑判断结果。

发明内容

为了提供一种能够以较低的成本和较高的自动化程度实现建筑物内部的入侵检测和资源管理的技术，本发明提供一种使用人员传感器对建筑物进行安全监控和资源管理的方法。

本发明解决其技术问题所采用的方案是：为人员传感器配备网络数据传输界面，使其可以连接以太网，并向以太网络中的其他地址发送其传感器读数(可以是固定时间间隔的自动发送，也可以是在收到特定信号时发送)；在建筑内部署这样的传感器并联网，构成传感器网络，确保需要纳入智能建筑管理的区域都处于人员传感器的监视范围内；使用一台计算机收集传感器的数据；系统部署完毕后，计算机上的机器学习程序对于建筑物正常使用中的传感器数据和人工模拟的各种异常情况的传感器数据(例如由人员模拟从窗户闯入建筑)，直到机器学习程序的误报率降低到可以接受的程度，此智能建筑系统即可以自动对异常情况进行识别，并产生报警。使用同样的训练方法，让机器学习程序学习各个房间有人使用与无人使用情况下的人员传感器数据(也可以直接依据传感器读数进行判断)，智能建筑系统就可以自动判断其所监控的房间的使用情况，并以图形的方式(平面图或三维视图)实时显示房间的使用情况，或对使用情况的历史记录进行回放。对于超过特定阀值的红外线人员传感器读数进行报警，还可以起到自动火灾报警的作用。