1.一种室内突发异常事件报警系统，其特征在于：包括
视频采集模块，采用视频传感器采集视频流信号，完成图像信号的数字化，图像信号的预处理，得到满足信号处理模块要求的数字视频信号并向信号处理模块输出；
音频采集模块，完成语音信号的数模转换，语音信号的采样编码及滤波处理，得到满足信号处理模块要求的数字音频信号并向信号处理模块输出；
热释放红外线检测模块，感应移动物体与背景物体的温度的差异，当人体移动时热释红外能够感应到人体温度与背景温度的差异信息，转换成电压信号后向信号处理模块输出；
振动检测模块，将外界振动产生形变或受力信息转变为电压信号，向信号处理模块输出；
玻璃破碎检测模块和门磁检测模块，通过有线或无线通信方式将相应的信息转变成电压信号向信号处理模块输出；
信号处理模块，收集热释放红外线检测报警模块、振动检测模块、视频采集模块和音频采集模块传输过来的信号，进行综合分析，分辨非法入侵、暴力冲突、跌倒长时间不起、煤气泄漏等异常事件，并向报警发送模块发出报警信号；
无线接收模块，用于接收振动检测模块，玻璃破碎检测模块，烟雾探测器、紧急呼叫按钮和门磁检测模块上的报警传感器发送的报警信号；
报警发送模块，采用有线或无线通信方式，主要用于接收信号处理模块发出的报警信号及向向户主手机或小区管理中心发送报警信息；
报警联动模块，联动声光报警设备同时工作；
语音输出模块，实现来自远程终端设备如手机、监控中心的语音输出；
红外LED补光灯模块，在环境照度不足时，给视频采集模块提供辅助光源，保证其在低照度的环境下仍然能够采集到有效的图像数据；
电源管理模块，连接外接电源和蓄电池，当外接电源正常供电时，整个产品使用外接电源，当外界电源断电时，内部备用蓄电池自动启用，保证上述各模块在外接电源中断后继续正常工作。
2.根据权利要求1所述的室内突发异常事件报警系统，其特征在于：该系统安装在一个机壳内，所述视频采集模块、音频采集模块、热释放红外线检测报警模块、振动检测模块、报警发送模块、无线接收模块、报警联动模块和报警发送模块安装在一个机壳内，所述信号处理模块和电源管理模块以及开关灯控制模块安装在外壳中部，红外LED补光灯模块设置在机壳外边缘和中部之间。
3.根据权利要求1或2所述的一种室内突发异常事件报警系统，其特征在于：所述信号处理模块中核心处理芯片采用“主处理器+从处理器”双核架构模式，主处理器主要完成音视频信号的收集，音视频编码，热释电红外报警信号收集，通过无线接收模块接收振动检测模块，玻璃破碎检测模块，门磁检测模块，烟雾探测器、紧急呼叫按钮等分布式报警传感器发送的报警信号，将多源报警信号连同音视频数据传送给从处理器；从处理器主要用于运行音视频智能分析算法，通过视频和声音判断是否存在突发异常事件，同时结合热释电红外报警信号，振动报警信号，玻璃破碎报警信号，门磁报警信号等多源信息，形成最终的决策信号，如果确定异常事件发生，向主处理器端发送报警信号，并启动声光报警器报警。
4.根据权利要求3所述的室内突发异常事件报警系统，其特征在于：所述户主身份判断包括通过人脸识别进行身份确认，其中所述人脸识别主要分为
人脸注册，采集同一个人的不同角度的正面人脸照片，通过人脸定位找到人脸在图像中的位置，并标准化人脸尺寸，人脸角度和光照，提取标准化人脸图像的特征，录入注册用户数据库；
人脸识别，采用HAAR特征结合adaboost算法实现人脸检测实现人脸定位，采用了两层人眼定位器，都是通过adaboost算法获得人眼定位，利用人脸定位结果通过图像旋转将双眼校正为水平实现人脸标准化，通过二维Gabor滤波器进行特征提取，利用向量间的欧式距离作为匹配度量方式，通过最近邻分类法实现查询的人脸图像与数据库人脸图像的匹配。
5.根据权利要求1所述的室内突发异常事件报警系统，其特征在于：所述信号处理模块连接有存储模块；
通过电源管理模块连接有外接电源和电池；
连接有用于主控CPU运行的内存；
连接有用于存储系统启动程序、配置参数、日志信息的闪存；
连接有通过外接警灯，警号联动设备，实现本地声光报警，或控制其它关联设备的联动报警模块。
6.根据权利要求1所述的室内突发异常事件报警系统，其特征在于：所述视频采集模块包括图像数据相互对齐的普通摄像检测模块和深度摄像检测模块，对于图像中的一点P得到六维信息分量＜x,y,d,r,g,b＞，其中＜x,y＞为象素点在图像中的坐标，d为拍摄物体距离摄像机的距离，＜r,g,b＞为颜色分量，本室内突发异常事件报警系统用于检测运动目标和跟踪的的方法如下：
将彩色图像转换为灰度图像，分别针对灰度图像和深度图像建立背景模型，采用混合高斯建立背景模型，混合高斯背景建模假设信号变化的概率分布可以用K个高斯分布拟合，表示为
其中μ和σ为高斯分布的均值和方差，模型中每个高斯分布都赋予一个权重ωi，其中μi和σi分别表示高斯分布的均值和标准差，多个高斯分布通过线性组合得到信号的概率分布，K个高斯分布按照ω/σ的降序排列，排列靠前的高斯分布够代表背景的分布；同时混合高斯模型能够自动的维护场景的变化，同时对于误检测的情况能够通过学习更正错误。
将前B个高斯分布作为背景模型，剩余的高斯分布认为是前景，B应该满足
将当前象素值I(x)与前B个高斯分布进行匹配，如果和其中的任何一个高斯分布匹配成功则该象素为背景象素，否则为前景运动象素，匹配方式如下式
|I(x)-μi(x)|＜c×σi(x)i＝1.....B；
目标确认，通过背景建模的方式检测得到了运动物体，但很多运动都是由室内光线变化，窗帘的摆动，电视画面的闪烁等运动的产生，而这里的监控对象是人，因此需要将人的运动从大量的无关运动中分离出来。这里通过光线干扰过滤器，人脸检测过滤器和头肩检测过滤器，采用灰度图像分析为主，深度图像分析为辅，同时结合人脸检测及头肩检测实现监控目标的确认，
其中光线干扰过滤器：光线的变化使得图像的灰度值发生了变化，当灰度值变化的速度和幅度超过了背景模型的适应范围，则检测为运动目标，通过深度图像过滤光线变化引起的运动，深度图像由于采用了红外光探测方法，基本不受光照变化的干扰，通过灰度图像背景建模检测得到运动区域为 对应深度图像中的运动区域为 真正的目标区域必须满足如下条件：
其中Pd(x)和Pg(x)分别为深度图像和灰度图像运动检测结果，P(x)＝1表示运动象素，P(x)＝0表示背景象素；
人脸及头肩检测过滤器：实际监控场景中存在大量真实的运动，如风扇的转动，窗帘的摆动，电视画面的闪烁，宠物的运动，而本发明只关心人的运动，人具有区别于这些运动的明显外观特征，如人脸特征和头肩特征。这里在灰度图像中采用haar小波结合adaboost分类器实现人脸检测，HOG特征结合SVM分类器实现头肩检测，当在运动区域检测到人脸特征或头肩特征时说明为运动的人，否则认为是干扰，予以滤除；
目标跟踪，在目标确认的基础上通过帧间的目标关联，形成目标的运动轨迹，为后续目标行为分析提供依据。目标跟踪主要包括：目标位置预测，目标特征选择，目标关联匹配和目标特征更新，其中
目标位置预测是根据当前帧及之前目标的位置估计目标在下一帧的位置，有利于提高后续关联匹配的精度。这里采用估计目标速度的方式，利用以下公式预测位置的，和
其中 和 分别表示t时刻目标在x方向和y方向的速度，N为时间窗口，xt-n和yt-n分别表示t-n时刻目标外界矩形框中心的横坐标和纵坐标，同理xt-n-1和yt-n-1分别表示t-n-1时刻目标外界矩形框中心的横坐标和纵坐标；
目标特征选择是选择相对稳定可靠的目标面积S和目标外接矩形框的中心C两个特征。目标关联匹配是找到前一帧目标在当前帧的位置，实现目标的定位，。根据相关跟踪原理，只要保证足够图像采样率的情况下，同一个目标在相邻两帧之间的位置变化不会太大，因此可以将目标的搜索范围限定在一个较小的距离范围，同时也大大降低了误匹配的风险，设t时刻目标j为 t-1时刻目标i为 当满足下式时才进行特征匹配，
其中γ为搜索距离阈值，需要根据实际场景进行确定。
匹配的准则为下式
其中ω为特征的权重因子，取值0.5，T为误差上限，防止误匹配，取值0.4。
目标特征的更新均采用滤除突变的数据，保证数据不会出现较大的波动的一阶平滑的方式更新，具体实现见下一行的公式
其中α为更新因子，取值0.2。
7.根据权利要求1所述的室内突发异常事件报警系统，其特征在于：本室内突发异常事件报警系统用于检测跌倒的方法如下，
地面自动三维建模，将与视频采集模块相连的摄像机倾斜向下与地面成一定角度安装，将摄像机坐标系的原点设定在图像坐标系的Z轴上，这样平移矩阵T简化为 其中H表示摄像机光心到地面的距离，摄像机坐标系和世界坐标系的转换公式如下摄像机坐标系的三条坐标轴与世界坐标系的三条坐标轴夹角为α,β和γ，假设图像坐标系的原点与摄像机坐标系的原点重合，则深度图像中的一点(u,v,d)在摄像机坐标系下的坐标为 其中(u,v)为象素点在图像中的坐标，d为拍摄物体距
离摄像机的距离，fx和fy为摄像机在成像平面上水平和垂直方向的焦距；
设地面上的点F(x,y,z)在摄像机坐标系下满足如下平面约束：
ax+by+cz+d＝0
其中 为地平面的法向量，通过法向量可以计算得到三条坐标轴的夹角
α,β和γ：
当得到一帧深度图像数据后，采用RANSAC算法实现平面拟合，通过拟合可以得到多个候选的地平面Fi＝1...n{ai,bi,ci,di}，通过如下的先验知识对平面进行粗筛选；：一，地面在图像中占据了较大的面积，即真实的地平面应该包括了较多的图像象素点；二，通常情况下摄像机与z轴的夹角γ在40度和80度之间，与x轴的夹角α在0度到20度之间，与y轴的夹角β基本等于0度。
粗筛选后剩余的平面中选择离摄像头最远的平面作为地平面，即满足：
摄像机坐标下任一点到地平面的距离为：
通过上式计算目标中心到地平面的距离；
目标静止判断，通过计算目标区域内灰度图像的时域差分来判断目标是否静止：
其中gt(x,y)表示t时刻灰度图像中(x,y)处象素点的灰度值，R表示目标区域，SR为目标区域的象素面积。当M＜ε时说明目标静止，其中ε是一个很小的正数。
8.根据权利要求1所述的室内突发异常事件报警系统，其特征在于：音频采集模块还对特定声音进行检测，其检测方法包如下，
语音信号预处理，假设音频信号X(t)的采样率为fs，fs取值8kHz，将X(t)依次经过预加重，分帧和加窗处理，窗函数选择汉宁窗，并去除均值，避免直流分量对ω＝0处附近的谱线产生影响；
特征提取，采用经典谱估计中的周期图法，使用FFT实现，最终得到归一化的功率谱X(fn)，提取数目为24的Mel滤波器组。功率谱X(fn)经过Mel滤波器组滤波取对数，再经过离散余弦变换得到梅尔倒谱MFCC系数；Mel滤波器组由一组按照Mel频标分布的三角带通滤波器组成
GMM音频辨识模型的训练，采用期望最大EM算法求取GMM模型，给定训练样本集X＝{x1,x2,...,xn}，GMM的似然函数为
其中模型参数 pi表示高斯模型的概率， Σi分别表示高斯模型的均值
向量和协方差矩阵。
EM算法包括两步，E步求取期望，计算辅助函数 M步期望最大化，最大化
得到 通过E步和M步的不断迭代直至算法收敛，
其中X为观测值，Y为隐含状态。
当相邻两次迭代计算的期望值最大值相差不大时，则算法收敛，停止迭代，如下式所示：
其中t表示迭代的次数，ε为一个较小的正数；
使用训练模型识别，通过GMM训练得到模型参数λ，语音片段提取特征后送入GMM模型中计算得到相似度，通过相似度判断该语音片段的类别。
9.根据权利要求1所述的室内突发异常事件报警系统，其特征在于检测肢体冲突的方法如下：包括光流矢量分析和音频分析
在爆发肢体冲突时伴随着剧烈无规则的运动及大声的啸叫，因此可以通过光流矢量分析和音频分析检测肢体冲突，当两种方法都检测到肢体冲突时，触发肢体冲突报警，同时抓拍一张现场照片。
光流矢量分析，通过目标跟踪可以得到目标所在的区域，采用KLT特征点光流计算目标区域内的光流矢量V＝{ν1,ν2,...,νn}，采用幅度加权直方图Hp＝{hj}j＝1,2,...,n实现区域光流矢量的统计分析，再通过下式得出第j阶直方hj，
阶数取值12，Ch为归一化参数， 为归一化光流矢量 的幅值，b(vi)为光流矢量vi对应的直方图区间，通过矢量的方向确定，δ(.)为Kronecker delta函数，采用区域熵EH实现剧烈无规则运动的度量，EH的表达式如下：
其中hj表示第j阶幅度加权直方图。EH越大说明区域内的运动越剧烈无规则，设定阈值T，当EH＞T时说明区域内爆发了肢体冲突。