1.一种基于深度学习的智能家居系统，其特征在于包括：视频记录子系统、信息处理子系统、智能控制子系统、行为数据分析子系统、预警子系统；其中，视频记录子系统与信息处理子系统相连；信息处理子系统与智能控制子系统、行为数据分析子系统相连；智能控制子系统与预警子系统相连；

所述视频记录子系统包括：视频接收模块和视频数据存储模块；

所述视频接收模块使用若干高清摄像头，实时拍摄用户屋内的情况；

所述视频数据存储模块，使用1TB外置SD卡，进行视频数据的存储；

所述信息处理子系统包括：图像处理模块、特征提取模块和行为预判模块，其主要功能是将接收到的视频数据进行行为识别、判断的作用；

所述图像处理模块采用彩色图像增强算法增强图像的效果；采用霍夫曼数据编码方式改善图像数据，霍夫曼编码时根据以下公式进行数据编码：所述特征提取模块采用LBP特征提取算法，对图像处理后的数据进行特征提取，并建立异常行为特征数据库；

所述行为预判模块采用特征匹配算法，根据已知特征信息进行分析判断，遍历异常行为特征数据库，确定待检测的异常行为；

所述LBP特征提取算法以邻域中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；这样，3x3邻域内的8个点经比较可产生8位二进制数，通常转换为十进制数即LBP码，共256种，即得到该邻域中心像素点的LBP值，并用这个值来反映该区域的纹理信息；

所述异常行为接收模块，接收信息处理子系统中的行为预判断模块上传的待检测的异常行为数据；

所述数据检测模块采用卷积神经网络CNN算法，构建SoftMax分类模型，对数据进行检测，根据行为识别技术最终确定异常行为数据；

所述异常行为记录模块，系统将按不同异常等级的分类记录异常行为数据；

所述数据更新模块，将新的异常行为数据进行特征值提取后，添加至异常行为特征数据库进行数据更新；

所述行为数据分析子系统，利用RapidMiner工具，对用户行为数据进行大数据分析，得出更多有价值的信息；

所述预警子系统，根据异常行为记录模块中的危险等级进行预警。