本发明涉及智能家居检测，特别涉及一种智能家居检测和管理方法、装置及计算机设备。
背景技术：
1、基于计算机视觉的家庭监控和管理系统日益普及。这些系统通过安装在家中的智能摄像头采集图像数据，实现对家庭环境的实时监控和分析。然而，在实际应用中，智能家居摄像头面临着诸多挑战。
2、家庭环境中的光照条件复杂多变，从明亮的日光到昏暗的夜晚，再到局部强光和阴影，都会显著影响图像质量，导致目标检测和识别的准确性下降。家庭场景中的目标种类繁多，人物姿态多变，且经常发生遮挡和快速运动，这对目标检测和跟踪算法提出了更高的要求。传统的目标检测和跟踪方法在处理这些复杂场景时往往表现不佳，难以准确识别和跟踪家庭成员的动态行为。此外，智能家居系统需要在保护隐私的前提下，准确识别家庭成员并分析其行为模式，以便及时发现异常事件并作出响应。由于智能家居设备通常计算资源有限，难以运行复杂的深度学习模型，这就要求系统能够在有限的计算资源下实现高效的图像处理、目标检测、身份识别和行为分析。如何在这些约束条件下设计一个全面而高效的智能家居检测和管理方法，成为急需解决的难题。
技术实现思路
1、本发明的目标目的为提供一种智能家居检测和管理方法、装置及计算机设备，以提高事件检测的准确性和灵活性。
2、为实现上述目的，本发明提供了一种智能家居检测和管理方法，包括以下步骤：
3、通过带有摄像模组的智能家居设备采集初始图像数据并进行预处理，得到标准化图像数据和目标元数据；
4、基于所述标准化图像数据和所述目标元数据，采用双重条件生成对抗网络进行图像增强处理和联合损失优化，得到目标增强图像；
5、对所述目标增强图像进行目标检测，得到目标边界框和类别信息，并基于所述目标边界框，采用单卷积注意力模块提取深层特征向量和视觉外观特征，得到多模态特征表示；
6、基于所述多模态特征表示，对检测到的人物目标进行模板匹配，得到初始识别结果；
7、对所述初始识别结果和所述目标边界框进行多目标跟踪，得到目标轨迹和预测位置；
8、基于所述目标轨迹和所述预测位置构建时空行为模型，采用长短时记忆网络进行序列处理，得到行为特征序列，并对所述行为特征序列进行异常检测和规则匹配，得到事件检测结果。
9、本发明还提供了一种智能家居检测和管理装置，包括：
10、采集模块，用于通过带有摄像模组的智能家居设备采集初始图像数据并进行预处理，得到标准化图像数据和目标元数据；
11、处理模块，用于基于所述标准化图像数据和所述目标元数据，采用双重条件生成对抗网络进行图像增强处理和联合损失优化，得到目标增强图像；
12、提取模块，用于对所述目标增强图像进行目标检测，得到目标边界框和类别信息，并基于所述目标边界框，采用单卷积注意力模块提取深层特征向量和视觉外观特征，得到多模态特征表示；
13、匹配模块，用于基于所述多模态特征表示，对检测到的人物目标进行模板匹配，得到初始识别结果；
14、跟踪模块，用于对所述初始识别结果和所述目标边界框进行多目标跟踪，得到目标轨迹和预测位置；
15、检测模块，用于基于所述目标轨迹和所述预测位置构建时空行为模型，采用长短时记忆网络进行序列处理，得到行为特征序列，并对所述行为特征序列进行异常检测和规则匹配，得到事件检测结果。
16、本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
17、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
18、综上所述，本发明提供的技术方案通过采用双重条件生成对抗网络进行图像增强处理，结合联合损失优化策略，能够有效改善不同光照条件下的图像质量，提高后续目标检测和识别的准确性。使用单卷积注意力模块，实现了快速而准确的目标检测和特征提取，适应智能家居设备的有限计算资源。采用多模态特征表示和动态模板匹配策略，结合时序一致性约束，提高了家庭成员识别的准确性和鲁棒性。通过多重渐消因子强跟踪容积卡尔曼滤波和自适应交互多模型算法，实现了对复杂场景中多目标的稳定跟踪，有效处理遮挡和快速运动等问题。基于长短时记忆网络和注意力机制构建时空行为模型，结合一类支持向量机进行异常检测，能够准确捕捉和分析家庭成员的行为模式。通过融合异常检测和规则匹配结果，采用决策树算法进行综合判断，提高了事件检测的准确性和灵活性，能够及时发现并响应异常情况。本发明允许根据不同的智能家居设备规格进行优化和裁剪，具有良好的可扩展性和适应性。
1.一种智能家居检测和管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的智能家居检测和管理方法，其特征在于，所述通过带有摄像模组的智能家居设备采集初始图像数据并进行预处理，得到标准化图像数据和目标元数据，包括：
3.根据权利要求2所述的智能家居检测和管理方法，其特征在于，所述基于所述标准化图像数据和所述目标元数据，采用双重条件生成对抗网络进行图像增强处理和联合损失优化，得到目标增强图像，包括：
4.根据权利要求1所述的智能家居检测和管理方法，其特征在于，所述对所述目标增强图像进行目标检测，得到目标边界框和类别信息，并基于所述目标边界框，采用单卷积注意力模块提取深层特征向量和视觉外观特征，得到多模态特征表示，包括：
5.根据权利要求1所述的智能家居检测和管理方法，其特征在于，所述基于所述多模态特征表示，对检测到的人物目标进行模板匹配，得到初始识别结果，包括：
6.根据权利要求1所述的智能家居检测和管理方法，其特征在于，所述对所述初始识别结果和所述目标边界框进行多目标跟踪，得到目标轨迹和预测位置，包括：
7.根据权利要求1所述的智能家居检测和管理方法，其特征在于，所述基于所述目标轨迹和所述预测位置构建时空行为模型，采用长短时记忆网络进行序列处理，得到行为特征序列，并对所述行为特征序列进行异常检测和规则匹配，得到事件检测结果，包括：
8.一种智能家居检测和管理装置，其特征在于，用于执行如权利要求1至7中任一项所述方法的步骤，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
