一种基于儿童玩具的智能控制系统及装置的制作方法

本发明涉及智能控制系统技术领域，尤其涉及一种基于儿童玩具的智能控制系统及装置。

背景技术：

随着人们的生活水平的提高，智能产品的应用情况也逐步复杂和丰富多彩，仅靠简单的开关控制已不能满足人们日益增长的需求，所以要求生活中的控制系统具备智能控制的功能,同样的，越来越多的儿童玩具也开始变得智能化，尤其是一些具有儿童教育、陪伴和安全监护功能的玩具，为此，设计一种基于儿童玩具的智能控制系统及装置就显得很有必要了。

目前市面已经存在的基于儿童玩具的智能控制系统及装置，其设计和功能往往较为简单，从而无法准确识别使用对象的动作、行为信息，从而无法做出合适的回应或者表现，同时也无法对儿童的安全起到监护作用，除此之外，现有设计的智能控制系统在识别使用者的动作时，往往无法过滤掉使用者的过渡行为，进而易产生“误解”，做出错误的反应和回应。

技术实现要素：

本发明的目的是为了提高现有儿童玩具智能控制系统对使用者行为识别的准确性，解决现有设计易错误识别使用者过渡行为而做出反应的问题而提出的一种基于儿童玩具的智能控制系统及装置。

为了实现上述目的，本发明采用了如下技术方案：

一种基于儿童玩具的智能控制系统及装置，包括有智能控制系统，所述智能控制系统应用于儿童智能玩具机器人，所述智能控制系统链接有动作识别系统、表情识别系统和声音识别系统，所述动作识别系统、表情识别系统和声音识别系统链接在行为录入模块上，所述行为信息录入模块与行为信息数据库相链接，所述行为信息数据库上还链接有互联网数据库，所述行为信息数据库与行为识别模块相链接，所述行为识别模块与预定义加载模块相链接，所述预定义加载模块链接过渡行为检测和分割模块，所述过渡行为检测与分割模块与特征提取和分类模块相链接，所述特征提取和分类模块与行为输出模块相链接，所述行为输出模块包括有动作输出单元、表情输出单元、声音输出单元和紧急联系单元。

所述预定义加载模块包括有数据分割单元、平滑与去噪单元、归一化单元、原始数据噪声处理单元和无关加速度信息处理单元。

所述过渡行为检测与分割模块中包括有过渡行为检测单元，所述过渡行为检测单元采用加速度数据的水平分量和垂直分量表征行为信息，采用非参数检验方法曼-肯德尔法进行加速度序列的趋势性检验，其计算方法如下：

设一个时间序列有n个样本数据(x1,x2，...，xn)，对于所有k，j≤n且k≠j，xk和xj的分布是不同的，检验统计量s的计算方式如下4所示：

其中

当n>10时，可以通过下式来计算趋势统计量：

其中vα(s)为方差，vα(s)＝n(n-1)(2n+5)/18。当z>0时意味着当前时间序列有上升的变化趋势，当z<0时则意味着该时间序列是有着下降趋势的。给定阈值t，当统计量z大于给定阈值t，结合数据分割方法，可以认为当前窗口可能包含过渡动作，需要对当前窗口所包含序列进行过渡动作分割操作。

所述过渡行为检测与分割模块还包括有过渡行为分割单元，所述过渡行为分割单元采用了动态时间规整算法，将当前测试序列与模板序列及进行比较，根据相似度大小判断测试序列所属类型，通过动态规划，利用局部最优化的原理在两条序列的匹配矩阵中寻找一条匹配路径,使两条序列之间的规整距离达到最小，实现模板序列和测试序列在时间上的最优匹配，减少因为时长不同所带来的误差。

所述过渡行为分割单元上包括包括有过渡行为参考模板，所述动态时间规整算法通过匹配路径平均法和参考平均法建立过渡行为参考模板。

所述特征提取和分类模块包括有特征提取单元和特征分类单元，特征提取单元的时域特征包括有：均值、标准差、四分位距、最大值、偏度、最小值、样本熵、均值趋势、两个加速度分量的互相关系数。

与现有技术相比，本发明提供了一种基于儿童玩具的智能控制系统及装置，具备以下有益效果：

本发明所提出的一种基于儿童玩具的智能控制系统，行为输出模块除了常见的动作输出单元、表情输出单元、声音输出单元之外，还包括有紧急联系单元，此功能基于智能控制系统除了具有识别使用者普通的行为信息之外，还能及时对儿童异常的行为行为信息，例如摔倒、大哭等行为作出预警，一方面可以控制应用该控制系统的儿童玩具发出警报声，同时还能联系预设在智能控制系统内的紧急联系人，告知其异常行为信息；同时系统中还连接有预定义加载模块和过渡行为检测与分割模块，预定义加载模块和过渡行为检测与分割模块二者相互匹配，一方面可以有效提高系统识别使用者行为信息的速率，另一方面，将行为分割、归一且对外界干扰信息进行处理，有效提高了系统对使用者行为信息识别的准确率，大大降低了系统错识别行为信息的几率。

附图说明

图1为本发明提出的一种基于儿童玩具的智能控制系统及装置的系统结构示意图；

图2为本发明提出的一种基于儿童玩具的智能控制系统及装置的过渡行为分割单元流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

请参阅图1，一种基于儿童玩具的智能控制系统及装置，包括有智能控制系统，智能控制系统应用于儿童智能玩具机器人，智能控制系统链接有动作识别系统、表情识别系统和声音识别系统，动作识别系统、表情识别系统和声音识别系统链接在行为录入模块上，行为信息录入模块与行为信息数据库相链接，行为信息数据库上还链接有互联网数据库，行为信息数据库与行为识别模块相链接，行为识别模块与预定义加载模块相链接，预定义加载模块链接过渡行为检测和分割模块，过渡行为检测与分割模块与特征提取和分类模块相链接，特征提取和分类模块与行为输出模块相链接，行为输出模块包括有动作输出单元、表情输出单元、声音输出单元和紧急联系单元。

预定义加载模块包括有数据分割单元、平滑与去噪单元、归一化单元、原始数据噪声处理单元和无关加速度信息处理单元。

本发明所提出的一种基于儿童玩具的智能控制系统，行为输出模块除了常见的动作输出单元、表情输出单元、声音输出单元之外，还包括有紧急联系单元，此功能基于智能控制系统除了具有识别使用者普通的行为信息之外，还能及时对儿童异常的行为行为信息，例如摔倒、大哭等行为作出预警，一方面可以控制应用该控制系统的儿童玩具发出警报声，同时还能联系预设在智能控制系统内的紧急联系人，告知其异常行为信息；而预定义加载模块的数据分割单元包括有数据分割单元、平滑与去噪单元、归一化单元、原始数据噪声处理单元和无关加速度信息处理单元，一方面可以分割和处理使用者的行为信息，预加载控制系统后续处理模块所需的信息，有助于提高行为信息识别的效率，另一方面能够对干扰行为信息识别的外界因素进行处理，有助于提高行为信息识别的准确性。

实施例2：

请参阅图2，基于实施例1但有所不同之处在于，过渡行为检测与分割模块中包括有过渡行为检测单元，过渡行为检测单元采用加速度数据的水平分量和垂直分量表征行为信息，采用非参数检验方法曼-肯德尔法进行加速度序列的趋势性检验，其计算方法如下：

设一个时间序列有n个样本数据(x1,x2，...，xn)，对于所有k，j≤n且k≠j，xk和xj的分布是不同的，检验统计量s的计算方式如下4所示：

其中

当n>10时，可以通过下式来计算趋势统计量：

其中vα(s)为方差，vα(s)＝n(n-1)(2n+5)/18。当z>0时意味着当前时间序列有上升的变化趋势，当z<0时则意味着该时间序列是有着下降趋势的。给定阈值t，当统计量z大于给定阈值t，结合数据分割方法，可以认为当前窗口可能包含过渡动作，需要对当前窗口所包含序列进行过渡动作分割操作。

过渡行为检测与分割模块还包括有过渡行为分割单元，过渡行为分割单元采用了动态时间规整算法，将当前测试序列与模板序列及进行比较，根据相似度大小判断测试序列所属类型，通过动态规划，利用局部最优化的原理在两条序列的匹配矩阵中寻找一条匹配路径,使两条序列之间的规整距离达到最小，实现模板序列和测试序列在时间上的最优匹配，减少因为时长不同所带来的误差。

过渡行为分割单元上包括包括有过渡行为参考模板，动态时间规整算法通过匹配路径平均法和参考平均法建立过渡行为参考模板。

在采集到的原始运动行为数据经过预加载处理后需要进行过渡动作检测,这是因为单个过渡动作持续时间较周期性动态行为持续时间长，且两者数据波形有较大差异，因此为了避免窗口包含不完整的过渡动作数据而导致分类错误，对过渡动作的出现进行检测就是十分必要的；根据过渡动作检测的结果的不同采取不同的方法进行处理，若检测结果显示当前窗口不是过渡动作，则对当前窗口数据进行特征提取以及分类识别，若检测结果显示当前窗口包含有过渡动作，则对过渡动作的起点和终点进行检测，分割出过渡动作。在分割出过渡动作后，提取过渡动作加速度数据特征，进行分类识别。在整个的过渡动作分割流程中，最重要部分有两个，一个是过渡动作的检测，判断当前窗口是否包含过渡动作加速度数据，另一个是对过渡动作的分割，也就是寻找过渡动作发生的起点和终点；

而采用动态时间规整算法对窗口数据中可能包含的过渡动作进行进一-步检测与分割，就是在根据mk趋势检验方法检验到窗口数据有明显的趋势变化时判断当前窗口可能包含过渡动作，然后将当前窗口进行扩展,将扩展后的窗口数据与已建立好的模板序列使用dtw算法进行相似度计算，根据序列相似性进一步判断当前窗口是否为过渡动作，如果是过渡动作则根据得到的最优规整路径了解当前窗口序列与模板序列点到点的对齐情况，从而准确分割出当前窗口中包含的过渡动作产生的加速度信息。

实施例3：

基于实施例1或2但又有所不同之处在于，特征提取和分类模块包括有特征提取单元和特征分类单元，特征提取单元的时域特征包括有：均值、标准差、四分位距、最大值、偏度、最小值、样本熵、均值趋势、两个加速度分量的互相关系数。

本文采用加速度的水平分量和垂直分量表征运动行为，通过分别对水平分量和垂直分量进行特征提取来获得特征向量，用于后续分类器的训练与识别，所提取特征如下：

竖直分量特征：均值、均值趋势、标准差、最大值、最小值、过零率、四分位距、样本熵；

水平分量特征：均值、均值趋势、标准差、最大值、最小值、四分位距、样本熵；

竖直分量与水平分量相关性特征:互相关系数。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。