關于物聯網與機器學習的智能家居安防系統的研究

梁云平 譚旭 楊根 鄭津

摘 要：目前物聯網的普及越來越熱，智能家居已經真正走向千家萬戶。本文的研究方向為通過對用戶的行為習慣數據化并記錄，結合當前熱門課題機器學習，以相應算法對數據進行處理，實現系統自學習以適應用戶的生活習慣，進一步實現家居安防系統的智能化。

關鍵詞：智能家居；機器學習；Android開發；Linux編程；Boa數據庫；C語言

背景分析：

國內的安防產業起步較晚，近年來，國內的家居安防發展逐漸火熱，住宅智能化正在從大廈走進家庭，智能家居安防也開始走進人們的視線。國內對家居安防的實現主要體現在視頻監控，但是目前這些產品結構過于單一，缺乏多樣性和創新性，幾乎沒有一個能夠提供完整的智能安防解決方案，而且成本普遍偏高，家庭安防難以得到普遍推廣，從而也就導致國內家居安防發展緩慢的境況。

研究目標：

本項目旨在開發一套為用戶家居生活提供安全便捷的涵蓋Web端、手機端的智能家居安防系統，具備操作簡單、實用性強、功能擴展容易和用戶體驗良好的基本特性。整合多種傳感器數據并利用機器學習算法達到智能安防的效果。通過大量的用戶使用，提供更多的擴展性功能和個性化功能。系統將會與終端硬件廠商合作開發出更加多元創新的、實用的智能安防系統，力爭在為智能家居的普及做出貢獻的同時得到真正的實際使用。

研究路線：

1、通過科學的市場調查，挖掘本項目要解決的需求，即緊緊抓住智能安防中智能的需求。

2、確定需求，研究解決需求方案。

3、方案成型，將需求解決方案基于Linux+Android實現，設計出一個為用戶提供可靠的家居電氣管理和家居智能安防的解決方案，同時系統整合現有家居平臺優勢并且提供更多元的數據反饋與終端控制方式，最終實現智能控制和自主及人性化的智能安防。

4、產品測試，推廣，維持，迭代開發，保持良好的用戶體驗，解決實際問題。

技術采用：

本項目使用模塊化設計，便于設計與編程、分工合作，并且便于調試、移植及改進。本項目在S5PV210開發板上移植Linux+QT4.8，底層模塊使用C語言編程通過底層硬件：單片機、攝像頭、多種傳感器等獲取基礎數據，數據分析模塊主要利用K-means和SVM兩種相關機器學習算法，機器學習是對能通過經驗自動改進的計算機算法的研究。機器學習算法使用Python3.4.3編程驗證，因為Python的語法清晰、易于操作純文本文件、使用廣泛且存在大量的開發文檔。App模塊采用React Native框架搭建App應用，其開發效率高，且可跨平臺，一次開發，可分別打包Android和Ios應用，減少開發代價。

前景及意義：

智能家居的發展隨著物聯網的普及逐漸火熱，而利用物聯網和機器學習的強大計算能力及服務能力，可以為每個用戶提供差異化的服務，提升個人用戶的安全感，切實滿足人們日益增長的服務需求。以家庭安防為例，當檢測到家庭中沒有人員時，家庭安防攝像機可自動進入布防模式，有異常時給予闖入人員聲音警告，并遠程通知家庭用戶。而當家庭成員回家后，又能自動撤防，保護用戶隱私。夜間，通過一定時間的自學習，掌握家庭成員的作息規律，在用戶休息時啟動布防，確保夜間安全，省去人工布防的煩惱，真正實現人性化。

依靠傳統的安防措施，已經不能最大限度的保證用戶的人身及財產安全，需要依靠科技的進步，來提高生活及安防質量，智能家居在安防上的科研及設計出的設備，使得用戶不管在何時何地，都能夠及時有效地、精準地獲取信息，保障用戶的安全舒適的家居生活。

本設計功能實用，可跨平臺，創新性強，功能全面并且著重實現了機器學習在家居安防中的使用，具有非常長遠的現實意義和實用價值。

總結：

項目的創新在于整合現有平臺優點，以機器學習用戶行為為創新點，構成一個完整的智能安防家居系統，不僅能夠實現對家居環境的實時監控，而且還能擁有對家居主要出入口的檢測實現自主化防護，并能夠自主分析安防狀態。利用物聯網思想實現家居安防的網絡化，通過機器學習算法自學習用戶的行為習慣從而自動選擇執行不同的模式實時保護用戶與家居環境。同時平臺具有較好的可移植性，可直接擴展更多硬件及機器學習成果實現更好的家居管理和家居安防效果。

參考文獻

[1]王真星.嵌入式產品分析與設計[M].北京：電子工業出版社，2013.

[2]劉龍，張翠云，申華.嵌入式Linux軟硬件開發詳解.北京：人民郵電出版社，2015.

[3]沙伊·沙萊夫-施瓦茨.深入理解機器學習：從原理到算法[M].北京：機械工業出版社，2016.