CN102508288A - 基于物联网技术的地震预测辅助系统 - Google Patents

Abstract

一种基于物联网技术的地震预测辅助系统，包括安置在各观察点上的基于全方位视觉的生物式地震预测器和对各观察点上的基于全方位视觉的生物式地震预测器的监测结果进行综合分析的地震预测服务器，各个基于全方位视觉的生物式地震预测器之间通信连接，各个基于全方位视觉的生物式地震预测器均与地震预测服务器通信连接；结合全方位视觉、计算机视觉和数据库等技术用于动物的活动量、姿势、动作和行为等分析，使得分布在各地的监测点的动物行为“说话”，通过“说话”的时间序列、空间位置、不同种类的动物“说话”顺序等综合分析手段，提高了地震预警的可信度，同时可为今后判断发震时间和发震地区提供一定的参考依据。

Description

基于物联网技术的地震预测辅助系统

技术领域

本发明属于全方位视觉、计算机视觉技术、动物行为自动检测技术、网络技术、GIS技术和关系数据库等技术在地震预测辅助方面的应用，主要适用于动物行为自动观察、动物异常行为的发现和动物异常行为与地震先兆关联性等各项研究。

背景技术

1956年出版的《中国地震资料年表》中列出了126条中国历史上震前生物反应的数据，涉及24种动物。1966年出版的地震专著《地震常识》中就有明确的动物习性异常是地震前兆的记载。

实验表明，有58种动物在地震前存在着不同程度的异常反应。据观察，野生动物中的老虎、狼、鹿、熊猫、猴、老鼠、鹰、天鹅、蛇、甲鱼、青蛙、鳝鱼、蚂蚁等，对将要发生的地震较为敏感；人工饲养动物中的马、牛、驴、狗、猪、羊、猫、兔、鸡、鸽子和蜜蜂等也在地震前有所反应。

动物习性异常目前在地震分析预报，尤其是临震预报中占有相当重要的位置。由于绝大多数动物习性异常都集中在地震前一两天，主要是震前10小时以内，因此动物习性异常已被作为临震判断的两条重要依据之一。在一定的条件下，如果出现了小地震增加、大量动物习性异常这两条中的一条或两条，有关部门就可能做出临震预报。同时，由于震前动物异常现象在地区分布上是不均匀的，主要集中分布在未来的发震构造、有活动断裂带的走向、断层的拐点、交叉点、端点地区，那些动物异常现象密度大的地区，可能就是未来地震的极震区或高烈度异常区。一般来说，7级左右强烈地震前，动物异常反应范围可达100～200km。区分地震前兆性质的动物异常与环境变化干扰性质的异常是关键。动物异常现象还必须结合其他地震观测方法的异常情况进行综合分析，才能对未来发生的地震做出正确的判断。

中国发明专利申请号为200810073440.4公开了一种利用穴居动物蛇类作为宏观预报及监测地震的方法，通过养蛇来观测地震，在蛇窝或墙角安装可360度自由旋转的摄像头，采用可视化远程监测技术，光纤传输到地震监测台网中心，实行实时监测，进行分析、预报。本发明首先在全国范围内有规模利用穴居动物蛇类作为宏观预报及监测地震的方法和手段，采用电信全球眼数字终端监测技术，实行实时监测。该发明存在着几点问题：1)监测动物行为类别单一，监测结果容易受到环境变化干扰；2)监测空间没有形成网络，无法准确把握时空分布上各类动物异常；3)监测技术仍然需要人工识别，只是仅仅实现了远程的监测；4)缺乏综合分析的手段，没有从地震前的动物行为异常的出现和发展过程、异常动物的种类和数量的多少、出现时间和地区的分布上的不均匀性，以及由零星到集中和分布地区的迁移过程等进行综合分析；

综上所述，目前我国地震前生物异常现象的观测研究主要还局限于经验性的宏观观测，包括在地震发生后搜集群众的回忆、建立观测站和实验场，其观测面广、参与人多、但主观因素多、可靠性较低；另一方面，仅仅依靠人眼的观察的动物行为异常其作用范围也是十分有限的，即使采用目前的远程监测技术对动物行为的宏观观测也是存在着很大的局限性问题；

由于地震发生前动物行为异常事件在时空分布上具有一定的特点，与未来大震的发震时间、地区及断裂带有一定的内在联系。通过基于全方位视觉的生物式的动物行为异常检测网来观察地震前的动物行为异常的出现和发展过程、异常动物的种类和数量的多少、出现时间和地区的分布上的不均匀性，以及由零星到集中和分布地区的迁移过程等，为判断发震时间和发震地区可提供一定的判断依据和预测辅助。

地震前生物异常反应观测研究属于地震生物学范畴，其理论基础来源于地质科学和生命科学两个领域，涉及到地球物理学、地球化学和生理学、神经科学、动物行为学和信息科学等多种学科，是一个典型的交叉学科。

动物行为异常与地震的关系十分复杂，并不是所有地震前动物都有反应；同样，也不是动物出现异常都要发生地震。因为动物行为异常还受到低气压、高温、太阳等因素影响，天气变化、生活环境改变、喂养不当、受到惊吓等情况下动物也会出现异常反应。尽管大地震前一定有动物行为异常，但出现动物行为异常却不一定必然发生地震。但是在没有搞清楚地震发生与动物行为异常之间本质关系之前，我们只有通过可信度的计算来进行较高可信度的地震预测；所谓的可信度计算，我们将同一种动物在某一个地方发生行为异常与地震发生称为小概率事件，如果在某一个时间段以及在某一个比较大的区域同时若干种动物都发生行为异常，那么就是大概率事件；因此，大概率事件的地震预测的可信度就会明显得到提高，可以有效排除生活环境改变、喂养不当、受到惊吓等情况的干扰。

要通过计算机视觉自动观察动物行为首先需要分析构成动物行为的基本要素。一般来说动物行为主要由三个要素构成：姿势、动作和环境。地震发生前的动物行为异常属于一种逃避灾害的行为，流传的一则动物行为异常地震预告是这样描述的，震前动物有前兆，人民预防要作好。牛羊骡马不进圈，老鼠搬家往外逃。鸡飞上树猪拱圈，鸭不下水狗狂咬。麻蛇冬眠早出洞，鸽子惊飞不回巢。兔子竖耳蹦又跳，鱼群惊慌水面跳。家家户户都观察，综合异常作预报。从上述的表述中可以明显看出面临地震发生前这些动物在动作的强度和频次上具有显著特征；因此，在采用计算机视觉进行生物式地震观察时，尤其是需要识别各种动物发生异常时的动作强度和频次。

发明内容

为了克服已有生物式地震监测手段在监测动物行为类别单一、监测空间没有形成网络、监测仍然需要人工识别和缺乏综合分析等方面的不足，本发明提供一种能自动观察地震前的动物行为异常的出现和发展过程的、异常动物的种类和数量多少的、出现时间和地区的分布上的不均匀性的以及由零星到集中和分布地区的迁移过程的基于物联网技术的地震预测辅助系统。

本发明解决其技术问题所采用的技术方案是：

一种基于物联网技术的地震预测辅助系统，包括安置在各观察点上的基于全方位视觉的生物式地震预测器、和对各观察点上的基于全方位视觉的生物式地震预测器的监测结果进行综合分析的地震预测服务器，各个基于全方位视觉的生物式地震预测器之间通信连接，所述各个基于全方位视觉的生物式地震预测器均与地震预测服务器通信连接；

所述的基于全方位视觉的生物式地震预测器，包括全方位视觉传感器和用于对全方位视觉传感器所拍摄的全景图像以及相关输入信息对动物的姿势、动作序列、强度和频次以及某种生态环境下的动物行为进行分析处理判断的微处理器；所述的全方位视觉传感器安置在检测环境中间的上方，用于拍摄某个生态环境内动物活动的全景视频图像；所述的全方位视觉传感器通过无线方式与所述的微处理器进行连接，所述的微处理器包括：

视频图像读取单元，用于读取全方位视觉传感器所拍摄的全景图像，并将读取的全景图像提交给视频图像展开单元和视频图像存储单元；

视频图像展开单元，用于将全景图像进行柱状展开，展开后的全景柱状图像提交给前景对象检测单元；

空间位置定义单元，用于定义和命名在全景图像中环境的空间位置；

针对动物行为的三个要素并适用于计算机处理，本发明提出一种动物行为的三位编码系统：依动物的姿势、动作和环境建立P码、A码和E码，将P码、A码和E码组合，可以描述任意一种动物行为；PAE编码为分解、标识和描述动物行为多样性提供了手段，同时也为计算机视觉分析提供了分析编码方法；这里设B、P、A、E分别为研究对象的行为、姿势、动作和环境的集合，某一种动物行为用公式(1)来表示，

b_i，j＝p_i，j∩a_i，j∩e_i，j    (1)

式中，p_i，j、a_i，j和e_i，j分别是集合P、A、E的元素或子集；从公式(1)可以知道，要准确分析和检测某一种动物的各种行为就必须准确地检测出某一种动物i的各种姿势元素p_i，j、各种动作元素a_i，j和各种环境元素e_i，j；

环境元素输入单元，用于将所述的空间位置定义单元所定义的空间位置与环境元素建立映射关系；

环境元素与空间位置关系数据库，用于存放环境中各元素与空间位置的映射关系；

前景对象检测单元，用于检测在全景柱状展开图像中存在的前景动物对象，具体采用MHI算法来计算前景动物对象，然后在柱状展开图像上用矩形框框住前景动物对象，并将矩形框提交给动物对象跟踪单元；

动物对象跟踪单元，根据前景对象检测单元所提交的矩形框采用Camshift算法对动物对象进行跟踪；

动物姿势解析单元，根据动物对象跟踪单元的结果采用动物模型算法估算出动物目前的姿势，并将当前的时刻、空间的位置和姿势的分析结果写入动物姿势、动作数据库中；

动物动作解析单元，根据动物姿势、动作数据库中前几帧中动物的姿势和当前动物的姿势分析得到动物的动作，并将动物动作分析结果写入动物姿势、动作数据库中；

动物姿势、动作数据库，用于存放某一时间、空间内的动物的姿势元素编码、动作元素编码和环境元素编码；

动物动作强度和频次计算单元，根据动物姿势、动作数据库中所记录的动物动作数据，通过公式(2)计算得到某一个时间段中的每十分钟、每小时、每天等同样动作次数，根据不同阶段分别提交给动物动作强度和频次统计单元或者动物行为异常判断单元；

$A_{i,j}^{60,n}=\underset{k=n\×60+0}{\overset{n\×60+60}{\mathrm{\Σ}}}{a}_{i,j},A_{i,j}^{1440}=\underset{k=0}{\overset{1440}{\mathrm{\Σ}}}{a}_{i,j}---\left(2\right)$

式中，

是某一类动物某一个时间段中的每一小时某一动作的累计值，n的范围为1～24，n＝1表示凌晨0点到1点，…，n＝24表示晚间23点到凌晨零点；

是某一类动物某一个时间段中的每天某一动作的累计值；

$A_{i,j}^{t\left(i\right),n}=(1-k)\×A_{i,j}^{t(i-1),n}+k\×A_{i,j}^{60,n}---\left(3\right)$

$A_{i,j}^{t\left(i\right),1440}=(1-k)\×A_{i,j}^{t(i-1),1440}+k\×A_{i,j}^{1440}---\left(4\right)$

式中，k为更新系数，在学习阶段k值设置在0.5左右，学习时间在10天左右；在判断阶段k值设置在0.05左右；

为某一动物前一天某一动作的推算累计值，

为某一动物当天某一动作的推算累计值，

为某一动物前一天中n时间段内某一动作的推算累计值，

为某一动物当天内n时间段内某一动作的推算累计值，n值的范围为1～24，n＝1表示凌晨0点到1点，…，m＝24表示晚间23点到凌晨零点；公式(3)、(4)的计算结果存放在动物动作强度和频次数据库中；

动物动作强度和频次数据库，用于存放某一动物在某一季节某一时间段内的动物动作强度和频次的统计值；

动物行为异常判断单元，根据所述的动物动作强度和频次计算单元计算得到某一个时间段中的每小时、每天等同样动作次数与所述的动物动作强度和频次数据库中的某一动物在某一季节某一时间段内的动物动作强度和频次的统计值进行比较，用公式(5)、(6)分别计算某小时和某天的行为异常度；

${\mathrm{Inno}}_{i,j}^n=[(A_{i,j}^{60,n}-A_{i,j}^{t\left(i\right),n})/A_{i,j}^{t\left(i\right),n}]\×100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),n}\≠0)---\left(5\right)$

${\mathrm{Inno}}_{i,j}^{\mathrm{day}}=[(A_{i,j}^{1440,n}-A_{i,j}^{t\left(i\right),1440})/A_{i,j}^{t\left(i\right),1440}]\×100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),1440}\≠0)---\left(6\right)$

式中，

为某动物在某小时的行为异常度，为某动物在某天的行为异常度，本发明中设置6个阈值，即K_abn1、K_abn2、K_abn3、K_abn4、K_abn5和K_abn6，本发明中将这些值的大小分别赋予30、60、90、30、60、90；根据我国发生的某些强烈地震资料中，选取有确切反应时间的震前动物异常行为201例，在时间上主要集中在震前11小时内，求得它们的平均前兆时间为2.7小时，这与日本地震学家力武常次研究得出的平均前兆时间为3小时基本一致；大量动物行为异常现象都出现在震前一两天内，而且集中在震中区；因此用公式(7)得到最后的判断异常度指数Index_abn；

${\mathrm{Index}}_{\mathrm{abn}}=\left\{\begin{array}{cc}1L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 2L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 3L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 4L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 5L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 6L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 7L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 8L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 9L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 10L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 11L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 12L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\end{array}\right.---\left(7\right)$

式中，Index_abn为异常度指数，指数值越大表明地震前兆引起的动物行为异常可信度越高，其中12为最高等级的异常度；

由于有些动物行为异常又与天气、动物发情期等因素，因此判断在地震前兆引起的动物行为异常时要排除天气、动物发情期等因素的干扰；在本发明中设定监测动物发情期的期间，一旦公式(7)的判断结果是异常的情况并且系统的时间处在动物发情期期间内，在判断结果的报告中需要加入可疑动物发情期造成的行为异常的判断结果；一旦公式(7)的判断结果是异常的情况并且当地的天气发生各种异常的情况，比如雷电、气候反常等，在判断结果的报告中需要加入可疑天气异常造成的行为异常的判断结果，生成的异常判断结果发送给异常发布单元；

异常发布单元，用于通过网络设备向监控中心的地震预测服务器发送监测点的动物行为异常报告；

动物行为分析单元，根据动物姿势、动作数据库中某一时间、某一空间动物的一系列姿势和动作的变化，通过构建各类动物对地震的反应模式、时间序列以及影响它们反应的原因，用公式(1)分析和表述动物的行为；

动物行为数据库，用于存放动物行为编码，动物行为编码用PAE模型来表达。

作为优选的一种方案：所述微处理器还包括：

新的动物行为发现单元，根据所述的动物行为分析单元中在动物行为数据库中没有找到相匹配的动物行为时，然后通过一系列所保存的动物姿势元素、动作元素以及环境元素经人机界面的确认方式来发现是否是新的动物行为，如有新的动物行为，则将新的动物行为保存到所述动物行为数据库；

进一步，所述的前景对象检测单元中，采用基于MHI的背景更新模型，并利用YCbCr与亮度图像分别分割然后进行综合得到运动前景图像，最后利用后处理实现动物的分割与定位；

所述的基于MHI的背景更新模型，MHI的更新方式如公式(8)所示；

式中，mhi为运动历史图像，ts为当前时间，sih为图像的掩模，动物运动发生的地方取非零值，dur为运动跟踪的最大持续时间；

用公式(9)将图像由RGB颜色空间转换到YCbCr颜色空间，滤除Y分量，用Cb、Cr颜色来分割得到前景图像；

$\left\{\begin{array}{c}Y=0.299R+0.587G+0.114B\\ \mathrm{Cr}=0.713(R-Y)\\ \mathrm{Cb}=0.564(B-Y)\end{array}\right.---\left(9\right)$

式中，Y为YCbCr颜色空间的Y分量，Cb为YCbCr颜色空间的Cb分量，Cr为YCbCr颜色空间的Cr分量；R为RGB颜色空间的R分量，G为RGB颜色空间的G分量，B为RGB颜色空间的B分量；

阴影去除算法如下：

Step1：用较大的和较小的亮度阈值分别对背景减除的结果图像进行二值化，分别记为ImgL和ImgS；

Step2：利用背景减除之后的Cr和Cb图像分别进行二值化，分别记为ImgCr和ImgCb，得到的前景都去除了阴影，Cr得到的是红色色差分量，Cb得到的是蓝色色差分量，将两个色差结果取或得到去阴影的结果图像，记为ImgC＝ImgCrOR ImgCb，得到色差分割结果；

Step3：由于只靠色差分量得到的目标容易丢失没有颜色信息的目标，需要融合其亮度分量；取亮度阈值较大的二值化图像与色差二值化图像作或运算，记为Img1＝ImgC OR ImgL；

Step4：上述处理得到的结果容易有噪声，将ImgS作膨胀记为ImgS’，然后将Img1与ImgS’取与运算得到最终结果图像，Img＝Img1 AND ImgS’，由此得到的目标作为最终的运动目标前景；并将运动目标前景对象的中心位置和大小自动递交给所述的动物对象跟踪单元中CamShift算法以实现时而静止时而运动的动物对象的稳定跟踪。

再进一步，所述的动物对象跟踪单元中，根据所述的前景对象检测单元所提交的矩形框采用增强的Camshift算法对动物对象进行跟踪；

所述的增强的Camshifi算法如下：

步骤1：以所述前景对象检测单元中检测出的动物对象目标为基础，设定目标跟踪的ROI；

步骤2：计算ROI内的目标颜色概率密度分布；

步骤3：迭代Mean Shift直到收敛，记录其位置

和零阶矩

步骤4：对下一帧图像，以为搜索窗中心位置，并根据

的函数确定搜索窗大小，根据动物对象目标外接矩形确定ROI大小，转步骤2；

在Camshift算法的步骤2中，采用Bayesian概率法则获得目标在图像中的颜色概率密度分布，计算方法如公式(10)所示：

$P(C/O)=\frac{P(C/O)P\left(O\right)}{P(C/O)P\left(O\right)+P(C/B)P\left(B\right)}---\left(10\right)$

式中：C为像素点在HSV空间的颜色值，即像素点的(H，S)值；O为目标，B为背景，P(O)+P(B)＝1，P(O)为目标对象面积和除目标对象外的背景面积的比值；P(C/O)和P(C/B)可分别从目标对象和背景的直方图获得；按公式(3)获得目标对象在图像中的颜色概率密度分布，再按公式(11)把概率分布区间从[0，max(P(O/C))]归一化到[0，255]区间中，从而获得最终进行Mean Shift迭代的颜色概率密度分布图像P′(O/C)；

$P^{\&prime;}(O/C)=\min [\frac{255}{\max \left(P(O/C)\right)}P(O/C),255]---\left(11\right)$

式中，P′(O/C)为归一化的目标对象颜色概率密度分布，P(O/C)为目标对象颜色概率密度分布；

在改进Camshift算法的步骤4中，根据上一帧跟踪结果的零阶矩

的函数确定新的搜索窗的大小s，以适应目标在视频图像中的尺度变化，如公式(12)所示；

$s=2\&times;\sqrt{M_{00}^{\left(s\right)}/K}---\left(12\right)$

式中，s为搜索窗的大小，K为常数，本发明中选择K∈[230，240]；

根据动物对象目标运动的空间连续性，在所述的动物对象目标实时跟踪中，动物对象目标在下一帧的位置位于前一帧中同一动物对象目标位置附近，因此定义适当位置和适当大小的ROI，动物对象目标跟踪在ROI内完成；

CamShift算法过程如下：

1)：在颜色概率分布图中选取范围为R的搜索窗W；

2)：计算x和y的零阶矩、一阶矩、二阶矩，计算方法如公式(13)、(14)、(15)所示；

$\left\{\begin{array}{c}{M}_{00}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}I(x,y)\\ M_{11}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{xyI}(x,y)\end{array}\right.---\left(13\right)$

$\left\{\begin{array}{c}{M}_{10}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{xI}(x,y)\\ M_{01}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{yI}(x,y)\end{array}\right.---\left(14\right)$

$\left\{\begin{array}{c}{M}_{20}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{x}^{2}I(x,y)\\ M_{02}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{y}^{2}I(x,y)\end{array}\right.---\left(15\right)$

3)：计算搜索窗的质心位置计算方法由公式(16)所示，

(x_c，y_c)＝(M₁₀/M₀₀，M₀₁/M₀₀)        (16)

4)：重新设置搜索窗的范围R；

5)：如果不收敛且循环次数小于预设值，则返回2)，否则结束；

算法中的收敛条件为：质心位置偏移量小于预定义阈值。

另外，被跟踪目标长轴方向角用公式(17)计算，

$\mathrm{\&theta;}=\frac{1}{2}\arctan \left\{\frac{2[(M_{11}/M_{00})-x_c{y}_c]}{(M_{20}/M_{00})-{x_c}^2]-[(M_{02}/M_{00})-{y_c}^2]}\right\}---\left(17\right)$

式中，

$\left\{\begin{array}{c}a=(M_{20}/M_{00})-{x_c}^2\\ b=2[(M_{11}/M_{00})-x_c{y}_c]\\ c=[(M_{02}/M_{00})-{y_c}^2]\end{array}\right.$

则得到被跟踪对象的长轴、短轴的长度用公式(18)、(19)计算，

$l=\sqrt{\frac{(a+c)+\sqrt{b^2+{(a-c)}^2}}{2}}---\left(18\right)$

$w=\sqrt{\frac{(a+c)-\sqrt{b^2+{(a-c)}^2}}{2}}---\left(19\right)$

要获得整个监控环境内的视频图像，对于这样大的视觉范围可以采用多个摄像头的方式来实现，但是这样做会增加系统成本；理想的视角方式是从监控环境的上方来监控整个环境内的动物的活动状况；本发明采用无死角的水平方向不变形的全方位视觉传感器来获得从整个监控环境顶视的全景视频图像，无死角的水平方向不变形的全方位视觉传感器的设计方案请见发明专利号ZL200710066757.0，发明名称为无死角的全方位视觉传感器；

更进一步，是全方位视觉传感器与无线通信网络单元的连接方案，全方位视觉传感器中的摄像机通过视频接口与无线通信网络单元进行连接，无线通信网络单元中包括嵌入式数字信号微处理器、麦克风、有线和无线数字传输模块、用于把模拟视频标准TV信号转换成数字视频YUV信号的A/D芯片；有线和无线数字传输模块中的传输软件基于TCP/IP网络协议，无线通信使用802.11g(b)协议，并支持无线和有线传输，支持公网、专网、局域网静态IP地址接入，提供图像和声音的压缩及传输功能，压缩算法采用H.264；嵌入式数字信号微处理器连接SD存储卡；

所述的空间位置定义单元中，对监控环境的空间进行网格化处理，从获取的全景图像上定义和命名环境空间的网格，作为一种简单的定义和命名方式是采用大小相近的网格将可视范围内的环境空间进行分割，命名采用两位英文字母，从全方位视觉传感器的中心从内圈向外圈逆时针开始顺序编排，第一位英文字母表示相距全方位视觉传感器中心的距离，第二位英文字母表示环境元素所处的方位。位置空间编号与环境元素对应表，如表1所示；

空间位置编号	环境元素
		BD	水流中部
BE	水池右边
		AL	竹林右侧
PI	竹林左侧
		TK	假山
IO	喂食槽
		JQ	围栏门
TO	围栏左侧
		TP	围栏右侧
...	...

表1。

所述的动物姿势、动作单元中，将动物出现的空间位置、时间和姿势信息写入到动物姿势、动作数据库中内，动物姿势、动作数据库的表格式如表2所示；

表2

表2中的时间是根据微处理器内的时钟以年月日小时分秒14位数据格式来设定的，即YYYYMMDDHHMMSS；对象编号是根据所述的动物对象跟踪单元中跟踪的动物来命名的，用6位数字表示，对于新出现的对象系统自动产生一个新对象编号；空间编号是根据所述的动物对象跟踪单元中所得到跟踪焦点所处的空间位置来确定的；姿势编码是根据所述的姿势分析单元中所得到的动物姿势识别结果来设定的，姿势编码中将1命名为站立姿势、2命名为坐姿势、3命名为横躺姿势，等等；动作编码中将1命名为慢走、2命名为跳跃、3命名为攀登、4命名为排便、5命名为吃食、6命名为喝水、7命名为斗殴、8命名为玩耍，等等；上述命名用户可以根据不同动物对象进行命名；为了减少数据的冗余，如果动物跟踪对象消失或者静止的情况不产生记录；如果动物跟踪对象有活动情况时每条记录的间隔时间为10秒；

某一种动物姿势的识别是通过动物跟踪框的高宽比来确定的，比如对于某种动物站立姿势的高宽比约为1∶1.5，坐姿势的高宽比约为2∶1，横躺姿势的高宽比约为1∶1.2；

所述的动物动作解析单元，从当前动物相对静止状态开始追溯到上一次动物相对静止状态，从两次间隔的相对静止状态的过程来识别动物的动作；

所述的动物行为分析单元，是根据动物姿势、动作数据库中记录的某个动物个体的姿势元素、动作元素(频度)以及环境元素的组合来进行分析的，组合的方式由公式(1)表示，考虑到动物行为的多样性，本发明中将动物行为分为三大类，即生存行为、繁殖行为和社会行为；在生存行为中再分为六小类，即摄食行为、排遗行为、调节温度行为、休息行为、运动行为和杂项行为；在繁殖行为中再分为四小类，即发情行为、交配行为、分娩行为和育幼行为；在社会行为中再分为三小类，即对抗行为、通讯行为和分群行为；每一种行为都可以归纳为姿势元素、动作元素(频度)以及环境元素的不同组合；在本发明中将目前人类已经解明的某种动物各种行为编码以矩阵的方式B′_i存放在动物行为数据库中，在所述的动物行为分析单元中计算所得到的行为编码以矩阵的方式B表示，然后将B与B′_i进行相减得到差分矩阵，得到差分矩阵D(B，B′_i)；接着用Frobenious范数表示动物行为分析单元中计算所得到的行为编码和动物行为数据库中动物某一行为编码的距离，计算公式由(20)表示，

dis(B，B′_i)＝trace((D(B，B′_i))^TD(B，B′_i))

(20)

式中，dis(B，B′_i)为Frobenious范数，如果dis(B，B′_i)小于所规定的值F，我们就认为目前检测的动物行为和数据库中动物某一行为是一致的；

进一步，如果在动物行为数据库中存放着N个动物的行为编码，那么在所述的动物行为分析单元中要遍历N次如公式(20)的检测判断过程；当遍历了N次检测判断后，如果没有找到相一致的动物行为编码就将该结果发送给新的动物行为发现单元，同时将该信息发送给告知单元，管理者或者研究者接受到该信息后，通过人机界面确认一系列所保存的动物姿势元素、动作元素(频度)以及环境元素，如果判断是一种新的动物行为就将该行为编码写入到动物行为数据库中；如果日后发生了地震就需要根据观察到的动物行为与地震前兆进行关联，为日后的分析研究决策提供依据，为今后判断发震时间和发震地区提供一定的参考依据；如果判断是在动物行为数据库中已经存在的行为编码，就需要适当地修改动物某一行为编码或者是F值，以便今后的检测更为准确；

所述的地震预测服务器，用于通过网络设备收集安置在各地域的基于全方位视觉的生物式地震预测器的预测结果，依据时间和空间上的相关性通过GIS工具进行综合分析和预测地震发生概率；根据以前的动物异常行为与地震先兆的观察结果，地震发生前动物异常现象在地区分布上是不均匀的，主要集中分布在未来的发震构造、有活动断裂带的走向、断层的拐点、交叉点、端点地区，因此在空间位置上将那些动物异常现象密度大的地区来预测未来地震的极震区或高烈度异常区；同时根据以前的动物异常行为与地震先兆的观察结果，绝大多数动物行为异常都集中在地震前一两天，主要是震前10小时以内，因此如果在时间序列上某一相对集中的区域内出现了大密度的动物异常现象，辅助系统对该区域作出若干小时内发生地震的预警信息；

进一步，预警信息的可性度与所述的基于全方位视觉的生物式地震预测器的分布粒度相关，一般来说，在地域空间上所述的基于全方位视觉的生物式地震预测器分布的越密越均匀发布的预警信息可信度越高；

更进一步，还可以在时间和空间二维信息的基础上再增加多种动物行为异常发生同时性的一维信息，如果在某一相对集中的区域内、相对集中的时间段内不同种类的动物同时发生行为异常现象，辅助系统对该区域作出若干小时内发生地震的更高等级预警信息；

更进一步，从按地震发生前动物出现异常现象先后时间序列来看大体上为：蛇鼠等穴居动物→鸡、猫、狗等小家畜→猪、牛、马等大家畜，同样道理，对于野生动物的观察也是从穴居野生动物→小野生动物→大野生动物为序；如果在上述时间、空间和多种类动物三维信息基础上再加上动物出现异常现象先后时间序列决策条件，辅助系统对该区域作出若干小时内发生地震的更高一个等级预警信息；

更进一步，根据安置在各地域的基于全方位视觉的生物式地震预测器的预测结果，按时间段在GIS图上标示出动物出现异常现象得监测点，为地震预警会商决策提供辅助决策支持。

本发明的有益效果主要表现在：1、获取实时监控环境内的全景视频图像，可提供一种远程动物异常行为监控观察的手段；2、结合全方位视觉、计算机视觉和数据库等技术用于动物的活动量、姿势、动作和行为等分析，提高了动物异常行为观察和检测的自动化和智能化水平；3、采用了物联网技术使得分布在各地的监测点的动物行为“说话”，通过“说话”的时间序列、空间位置、不同种类的动物“说话”顺序等综合分析手段，可有效排除动物受惊吓、天气变化、发情期等对地震预测的干扰，提高了地震预警的可信度；4、对震前各种动物的异常行为以及多媒体信息进行的记录和保存，可为日后的分析研究决策提供依据，为今后判断发震时间和发震地区提供一定的参考依据，同时也为解明动物异常行为和地震前兆的因果关系的研究者提供了有效的研究手段。

附图说明

图1为观察和检测动物的姿态、动作、环境以及分析动物行为的示意图；

图2为一种具有网络通信的全景视觉传感器的结构图；

图3为一种全景视频图像和空间位置定制方法说明图；

图4为一种无死角的全方位视觉传感器成像原理图；

图5为一种基于全方位视觉的生物式地震预测器的软件构成框图；

图6为一种基于全方位视觉的生物式地震预测器的多动物异常行为监测示意图；

图7为一种基于物联网技术的地震预测辅助系统的系统架构。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～7，一种基于物联网技术的地震预测辅助系统，如附图7所示，包括安置在各观察点上的基于全方位视觉的生物式地震预测器、和对各观察点上的基于全方位视觉的生物式地震预测器的监测结果进行综合分析的地震预测服务器，各个基于全方位视觉的生物式地震预测器之间通信连接，所述各个基于全方位视觉的生物式地震预测器均与地震预测服务器通信连接；

所述的基于全方位视觉的生物式地震预测器，如附图6所示，包括全方位视觉传感器和用于对全方位视觉传感器所拍摄的全景图像以及相关输入信息对动物的姿势、动作序列、强度和频次以及某种生态环境下的动物行为进行分析处理判断的微处理器；所述的全方位视觉传感器安置在检测环境中间的上方，用于拍摄某个生态环境内动物活动的全景视频图像；所述的全方位视觉传感器通过无线方式与所述的微处理器进行连接，所述的微处理器中的软件架构如附图5所述，其中包括：

视频图像读取单元，用于读取全方位视觉传感器所拍摄的全景图像，并将读取的全景图像提交给视频图像展开单元和视频图像存储单元；

视频图像展开单元，用于将全景图像进行柱状展开，展开后的全景柱状图像提交给前景对象检测单元；

空间位置定义单元，用于定义和命名在全景图像中环境的空间位置；

针对动物行为的三个要素并适用于计算机处理，本发明提出一种动物行为的三位编码系统：依动物的姿势、动作和环境建立P码、A码和E码，将P码、A码和E码组合，可以描述任意一种动物行为；PAE编码为分解、标识和描述动物行为多样性提供了手段，同时也为计算机视觉分析提供了分析编码方法；这里设B、P、A、E分别为研究对象的行为、姿势、动作和环境的集合，某一种动物行为用公式(1)来表示，

b_i，j＝p_i，j∩a_i，j∩e_i，j    (1)

式中，p_i，j、a_i，j和e_i，j分别是集合P、A、E的元素或子集；从公式(1)可以知道，要准确分析和检测某一种动物的各种行为就必须准确地检测出某一种动物i的各种姿势元素p_i，j、各种动作元素a_i，j和各种环境元素e_i，j；

环境元素输入单元，用于将所述的空间位置定义单元所定义的空间位置与环境元素建立映射关系；

环境元素与空间位置关系数据库，用于存放环境中各元素与空间位置的映射关系；

前景对象检测单元，用于检测在全景柱状展开图像中存在的前景动物对象，具体采用MHI算法来计算前景动物对象，然后在柱状展开图像上用矩形框框住前景动物对象，并将矩形框提交给动物对象跟踪单元；

动物对象跟踪单元，根据前景对象检测单元所提交的矩形框采用Camshift算法对动物对象进行跟踪；

动物姿势解析单元，根据动物对象跟踪单元的结果采用动物模型算法估算出动物目前的姿势，并将当前的时刻、空间的位置和姿势的分析结果写入动物姿势、动作数据库中；

动物动作解析单元，根据动物姿势、动作数据库中前几帧中动物的姿势和当前动物的姿势分析得到动物的动作，并将动物动作分析结果写入动物姿势、动作数据库中；

动物姿势、动作数据库，用于存放某一时间、空间内的动物的姿势元素编码、动作元素编码和环境元素编码；

动物动作强度和频次计算单元，根据动物姿势、动作数据库中所记录的动物动作数据，通过公式(2)计算得到某一个时间段中的每十分钟、每小时、每天等同样动作次数，根据不同阶段分别提交给动物动作强度和频次统计单元或者动物行为异常判断单元；

$A_{i,j}^{60,n}=\underset{k=n\&times;60+0}{\overset{n\&times;60+60}{\mathrm{\&Sigma;}}}{a}_{i,j},A_{i,j}^{1440}=\underset{k=0}{\overset{1440}{\mathrm{\&Sigma;}}}{a}_{i,j}---\left(2\right)$

式中，是某一类动物某一个时间段中的每一小时某一动作的累计值，n的范围为1～24，n＝1表示凌晨0点到1点，…，n＝24表示晚间23点到凌晨零点；

是某一类动物某一个时间段中的每天某一动作的累计值；

$A_{i,j}^{t\left(i\right),n}=(1-k)\&times;A_{i,j}^{t(i-1),n}+k\&times;A_{i,j}^{60,n}---\left(3\right)$

$A_{i,j}^{t\left(i\right),1440}=(1-k)\&times;A_{i,j}^{t(i-1),1440}+k\&times;A_{i,j}^{1440}---\left(4\right)$

式中，k为更新系数，在学习阶段k值设置在0.5左右，学习时间在10天左右；在判断阶段k值设置在0.05左右；

为某一动物前一天某一动作的推算累计值，

为某一动物当天某一动作的推算累计值，

为某一动物前一天中n时间段内某一动作的推算累计值，

为某一动物当天内n时间段内某一动作的推算累计值，n值的范围为1～24，n＝1表示凌晨0点到1点，…，m＝24表示晚间23点到凌晨零点；公式(3)、(4)的计算结果存放在动物动作强度和频次数据库中；

动物动作强度和频次数据库，用于存放某一动物在某一季节某一时间段内的动物动作强度和频次的统计值；

动物行为异常判断单元，根据所述的动物动作强度和频次计算单元计算得到某一个时间段中的每小时、每天等同样动作次数与所述的动物动作强度和频次数据库中的某一动物在某一季节某一时间段内的动物动作强度和频次的统计值进行比较，用公式(5)、(6)分别计算某小时和某天的行为异常度；

${\mathrm{Inno}}_{i,j}^n=[(A_{i,j}^{60,n}-A_{i,j}^{t\left(i\right),n})/A_{i,j}^{t\left(i\right),n}]\&times;100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),n}\&NotEqual;0)---\left(5\right)$

${\mathrm{Inno}}_{i,j}^{\mathrm{day}}=[(A_{i,j}^{1440,n}-A_{i,j}^{t\left(i\right),1440})/A_{i,j}^{t\left(i\right),1440}]\&times;100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),1440}\&NotEqual;0)---\left(6\right)$

式中，

为某动物在某小时的行为异常度，

为某动物在某天的行为异常度，本发明中设置6个阈值，即K_abn1、K_abn2、K_abn3、K_abn4、K_abn5和K_abn6，本发明中将这些值的大小分别赋予30、60、90、30、60、90；根据我国发生的某些强烈地震资料中，选取有确切反应时间的震前动物异常行为201例，在时间上主要集中在震前11小时内，求得它们的平均前兆时间为2.7小时，这与日本地震学家力武常次研究得出的平均前兆时间为3小时基本一致；大量动物行为异常现象都出现在震前一两天内，而且集中在震中区；因此用公式(7)得到最后的判断异常度指数Index_abn；

${\mathrm{Index}}_{\mathrm{abn}}=\left\{\begin{array}{cc}1L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 2L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 3L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 4L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 5L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 6L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 7L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 8L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 9L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 10L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 11L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 12L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\end{array}\right.---\left(7\right)$

式中，Index_abn为异常度指数，指数值越大表明地震前兆引起的动物行为异常可信度越高，其中12为最高等级的异常度；

由于有些动物行为异常又与天气、动物发情期等因素，因此判断在地震前兆引起的动物行为异常时要排除天气、动物发情期等因素的干扰；在本发明中设定监测动物发情期的期间，一旦公式(7)的判断结果是异常的情况并且系统的时间处在动物发情期期间内，在判断结果的报告中需要加入可疑动物发情期造成的行为异常的判断结果；一旦公式(7)的判断结果是异常的情况并且当地的天气发生各种异常的情况，比如雷电、气候反常等，在判断结果的报告中需要加入可疑天气异常造成的行为异常的判断结果，生成的异常判断结果发送给异常发布单元；

异常发布单元，用于通过网络设备向监控中心的地震预测服务器发送监测点的动物行为异常报告；

动物行为分析单元，根据动物姿势、动作数据库中某一时间、某一空间动物的一系列姿势和动作的变化，通过构建各类动物对地震的反应模式、时间序列以及影响它们反应的原因，用公式(1)分析动物的行为；

动物行为数据库，用于存放动物行为编码，动物行为编码用PAE模型来表达。

所述微处理器还包括：新的动物行为发现单元，根据所述的动物行为分析单元中在动物行为数据库中没有找到相匹配的动物行为时，然后通过一系列所保存的动物姿势元素、动作元素以及环境元素经人机界面的确认方式来发现是否是新的动物行为，如有新的动物行为，则将新的动物行为保存到所述动物行为数据库；

所述的前景对象检测单元中，采用基于MHI的背景更新模型，并利用YCbCr与亮度图像分别分割然后进行综合得到运动前景图像，最后利用后处理实现动物的分割与定位；

所述的基于MHI的背景更新模型，MHI的更新方式如公式(8)所示；

$\mathrm{mhi}(x,y)=\left\{\begin{array}{cc}\mathrm{ts},& \mathrm{sih}(x,y)\&NotEqual;0\\ 0,& \mathrm{sih}(x,y)=0\mathrm{and\; mhi}(x,y)<\mathrm{ts}-\mathrm{dur}\\ \mathrm{mhi}(x,y)& \mathrm{else}\end{array}\right.---\left(8\right)$

式中，mhi为运动历史图像，ts为当前时间，sih为图像的掩模，动物运动发生的地方取非零值，dur为运动跟踪的最大持续时间；

用公式(9)将图像由RGB颜色空间转换到YCbCr颜色空间，滤除Y分量，用Cb、Cr颜色来分割得到前景图像；

$\left\{\begin{array}{c}Y=0.299R+0.587G+0.114B\\ \mathrm{Cr}=0.713(R-Y)\\ \mathrm{Cb}=0.564(B-Y)\end{array}\right.---\left(9\right)$

式中，Y为YCbCr颜色空间的Y分量，Cb为YCbCr颜色空间的Cb分量，Cr为YCbCr颜色空间的Cr分量；R为RGB颜色空间的R分量，G为RGB颜色空间的G分量，B为RGB颜色空间的B分量；

阴影去除算法如下：

Step1：用较大的和较小的亮度阈值分别对背景减除的结果图像进行二值化，分别记为ImgL和ImgS；

Step2：利用背景减除之后的Cr和Cb图像分别进行二值化，分别记为ImgCr和ImgCb，得到的前景都去除了阴影，Cr得到的是红色色差分量，Cb得到的是蓝色色差分量，将两个色差结果取或得到去阴影的结果图像，记为ImgC＝ImgCrOR ImgCb，得到色差分割结果；

Step3：由于只靠色差分量得到的目标容易丢失没有颜色信息的目标，需要融合其亮度分量；取亮度阈值较大的二值化图像与色差二值化图像作或运算，记为Img1＝ImgC OR ImgL；

Step4：上述处理得到的结果容易有噪声，将ImgS作膨胀记为ImgS’，然后将Img1与ImgS’取与运算得到最终结果图像，Img＝Img1AND ImgS’，由此得到的目标作为最终的运动目标前景；并将运动目标前景对象的中心位置和大小自动递交给所述的动物对象跟踪单元中CamShift算法以实现时而静止时而运动的动物对象的稳定跟踪。

所述的动物对象跟踪单元中，根据所述的前景对象检测单元所提交的矩形框采用增强的Camshift算法对动物对象进行跟踪；

所述的增强的Camshifi算法如下：

步骤1：以所述前景对象检测单元中检测出的动物对象目标为基础，设定目标跟踪的ROI；

步骤2：计算ROI内的目标颜色概率密度分布；

步骤3：迭代Mean Shift直到收敛，记录其位置

和零阶矩

步骤4：对下一帧图像，以

为搜索窗中心位置，并根据的函数确定搜索窗大小，根据动物对象目标外接矩形确定ROI大小，转步骤2；

在Camshift算法的步骤2中，采用Bayesian概率法则获得目标在图像中的颜色概率密度分布，计算方法如公式(10)所示：

$P(C/O)=\frac{P(C/O)P\left(O\right)}{P(C/O)P\left(O\right)+P(C/B)P\left(B\right)}---\left(10\right)$

式中：C为像素点在HSV空间的颜色值，即像素点的(H，S)值；O为目标，B为背景，P(O)+P(B)＝1，P(O)为目标对象面积和除目标对象外的背景面积的比值；P(C/O)和P(C/B)可分别从目标对象和背景的直方图获得；按公式(3)获得目标对象在图像中的颜色概率密度分布，再按公式(11)把概率分布区间从[0，max(P(O/C))]归一化到[0，255]区间中，从而获得最终进行Mean Shift迭代的颜色概率密度分布图像P′(O/C)；

$P^{\&prime;}(O/C)=\min [\frac{255}{\max \left(P(O/C)\right)}P(O/C),255]---\left(11\right)$

式中，P′(O/C)为归一化的目标对象颜色概率密度分布，P(O/C)为目标对象颜色概率密度分布；

在改进Camshift算法的步骤4中，根据上一帧跟踪结果的零阶矩

的函数确定新的搜索窗的大小s，以适应目标在视频图像中的尺度变化，如公式(12)所示；

$s=2\&times;\sqrt{M_{00}^{\left(s\right)}/K}---\left(12\right)$

式中，s为搜索窗的大小，K为常数，本发明中选择K∈[230，240]；

根据动物对象目标运动的空间连续性，在所述的动物对象目标实时跟踪中，动物对象目标在下一帧的位置位于前一帧中同一动物对象目标位置附近，因此定义适当位置和适当大小的ROI，动物对象目标跟踪在ROI内完成；

CamShift算法过程如下：

1)：在颜色概率分布图中选取范围为R的搜索窗W；

2)：计算x和y的零阶矩、一阶矩、二阶矩，计算方法如公式(13)、(14)、(15)所示；

$\left\{\begin{array}{c}{M}_{00}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}I(x,y)\\ M_{11}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{xyI}(x,y)\end{array}\right.---\left(13\right)$

$\left\{\begin{array}{c}{M}_{10}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{xI}(x,y)\\ M_{01}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}\mathrm{yI}(x,y)\end{array}\right.---\left(14\right)$

$\left\{\begin{array}{c}{M}_{20}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{x}^{2}I(x,y)\\ M_{02}=\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}{y}^{2}I(x,y)\end{array}\right.---\left(15\right)$

3)：计算搜索窗的质心位置计算方法由公式(16)所示，

(x_c，y_c)＝(M₁₀/M₀₀，M₀₁/M₀₀)     (16)

4)：重新设置搜索窗的范围R；

5)：如果不收敛且循环次数小于预设值，则返回2)，否则结束；

算法中的收敛条件为：质心位置偏移量小于预定义阈值。

另外，被跟踪目标长轴方向角用公式(17)计算，

$\mathrm{\&theta;}=\frac{1}{2}\arctan \left\{\frac{2[(M_{11}/M_{00})-x_c{y}_c]}{(M_{20}/M_{00})-{x_c}^2]-[(M_{02}/M_{00})-{y_c}^2]}\right\}---\left(17\right)$

式中，

则得到被跟踪对象的长轴、短轴的长度用公式(18)、(19)计算，

$l=\sqrt{\frac{(a+c)+\sqrt{b^2+{(a-c)}^2}}{2}}---\left(18\right)$

$w=\sqrt{\frac{(a+c)-\sqrt{b^2+{(a-c)}^2}}{2}}---\left(19\right)$

要获得整个监控环境内的视频图像，对于这样大的视觉范围可以采用多个摄像头的方式来实现，但是这样做会增加系统成本；理想的视角方式是从监控环境的上方来监控整个环境内的动物的活动状况；本发明采用无死角的水平方向不变形的全方位视觉传感器来获得从整个监控环境顶视的全景视频图像，如附图1所述，无死角的水平方向不变形的全方位视觉传感器的设计方案请见发明专利号ZL200710066757.0，发明名称为无死角的全方位视觉传感器，如附图4所示；

全方位视觉传感器与无线通信网络单元的连接方案，如附图2所示，全方位视觉传感器中的摄像机通过视频接口与无线通信网络单元进行连接，无线通信网络单元中包括嵌入式数字信号微处理器、麦克风、有线和无线数字传输模块、用于把模拟视频标准TV信号转换成数字视频YUV信号的A/D芯片；有线和无线数字传输模块中的传输软件基于TCP/IP网络协议，无线通信使用802.11g(b)协议，并支持无线和有线传输，支持公网、专网、局域网静态IP地址接入，提供图像和声音的压缩及传输功能，压缩算法采用H.264；嵌入式数字信号微处理器连接SD存储卡；

所述的空间位置定义单元中，对监控环境的空间进行网格化处理，从获取的全景图像上定义和命名环境空间的网格，作为一种简单的定义和命名方式是采用大小相近的网格将可视范围内的环境空间进行分割，如附图3所示，命名采用两位英文字母，从全方位视觉传感器的中心从内圈向外圈逆时针开始顺序编排，第一位英文字母表示相距全方位视觉传感器中心的距离，第二位英文字母表示环境元素所处的方位。位置空间编号与环境元素对应表，如表1所示；

空间位置编号

环境元素

BD	水流中部
		BE	水池右边
AL	竹林右侧
		PI	竹林左侧
TK	假山
		IO	喂食槽
JQ	围栏门
		TO	围栏左侧
TP	围栏右侧
		...	...

表1。

所述的动物姿势、动作单元中，将动物出现的空间位置、时间和姿势信息写入到动物姿势、动作数据库中内，动物姿势、动作数据库的表格式如表2所示；

表2

表2中的时间是根据微处理器内的时钟以年月日小时分秒14位数据格式来设定的，即YYYYMMDDHHMMSS；对象编号是根据所述的动物对象跟踪单元中跟踪的动物来命名的，用6位数字表示，对于新出现的对象系统自动产生一个新对象编号；空间编号是根据所述的动物对象跟踪单元中所得到跟踪焦点所处的空间位置来确定的；姿势编码是根据所述的姿势分析单元中所得到的动物姿势识别结果来设定的，姿势编码中将1命名为站立姿势、2命名为坐姿势、3命名为横躺姿势，等等；动作编码中将1命名为慢走、2命名为跳跃、3命名为攀登、4命名为排便、5命名为吃食、6命名为喝水、7命名为斗殴、8命名为玩耍，等等；上述命名用户可以根据不同动物对象进行命名；为了减少数据的冗余，如果动物跟踪对象消失或者静止的情况不产生记录；如果动物跟踪对象有活动情况时每条记录的间隔时间为10秒；

某一种动物姿势的识别是通过动物跟踪框的高宽比来确定的，比如对于某种动物站立姿势的高宽比约为1∶1.5，坐姿势的高宽比约为2∶1，横躺姿势的高宽比约为1∶1.2；

所述的动物动作解析单元，从当前动物相对静止状态开始追溯到上一次动物相对静止状态，从两次间隔的相对静止状态的过程来识别动物的动作；

所述的动物行为分析单元，是根据动物姿势、动作数据库中记录的某个动物个体的姿势元素、动作元素(频度)以及环境元素的组合来进行分析的，组合的方式由公式(1)表示，考虑到动物行为的多样性，本发明中将动物行为分为三大类，即生存行为、繁殖行为和社会行为；在生存行为中再分为六小类，即摄食行为、排遗行为、调节温度行为、休息行为、运动行为和杂项行为；在繁殖行为中再分为四小类，即发情行为、交配行为、分娩行为和育幼行为；在社会行为中再分为三小类，即对抗行为、通讯行为和分群行为；每一种行为都可以归纳为姿势元素、动作元素(频度)以及环境元素的不同组合；在本发明中将目前人类已经解明的某种动物各种行为编码以矩阵的方式B′i存放在动物行为数据库中，在所述的动物行为分析单元中计算所得到的行为编码以矩阵的方式B表示，然后将B与B′_i进行相减得到差分矩阵，得到差分矩阵D(B，B′_i)；接着用Frobenious范数表示动物行为分析单元中计算所得到的行为编码和动物行为数据库中动物某一行为编码的距离，计算公式由(20)表示，

dis(B，B′_i)＝trace((D(B，B′_i))^TD(B，B′_i))

(20)

式中，dis(B，B′_i)为Frobenious范数，如果dis(B，B′_i)小于所规定的值F，我们就认为目前检测的动物行为和数据库中动物某一行为是一致的；

如果在动物行为数据库中存放着N个动物的行为编码，那么在所述的动物行为分析单元中要遍历N次如公式(20)的检测判断过程；当遍历了N次检测判断后，如果没有找到相一致的动物行为编码就将该结果发送给新的动物行为发现单元，同时将该信息发送给告知单元，管理者或者研究者接受到该信息后，通过人机界面确认一系列所保存的动物姿势元素、动作元素(频度)以及环境元素，如果判断是一种新的动物行为就将该行为编码写入到动物行为数据库中；如果日后发生了地震就需要根据观察到的动物行为与地震前兆进行关联，为日后的分析研究决策提供依据，为今后判断发震时间和发震地区提供一定的参考依据；如果判断是在动物行为数据库中已经存在的行为编码，就需要适当地修改动物某一行为编码或者是F值，以便今后的检测更为准确；

所述的地震预测服务器，用于通过网络设备收集安置在各地域的基于全方位视觉的生物式地震预测器的预测结果，依据时间和空间上的相关性通过GIS工具进行综合分析和预测地震发生概率；根据以前的动物异常行为与地震先兆的观察结果，地震发生前动物异常现象在地区分布上是不均匀的，主要集中分布在未来的发震构造、有活动断裂带的走向、断层的拐点、交叉点、端点地区，因此在空间位置上将那些动物异常现象密度大的地区来预测未来地震的极震区或高烈度异常区；同时根据以前的动物异常行为与地震先兆的观察结果，绝大多数动物行为异常都集中在地震前一两天，主要是震前10小时以内，因此如果在时间序列上某一相对集中的区域内出现了大密度的动物异常现象，辅助系统对该区域作出若干小时内发生地震的预警信息；

预警信息的可性度与所述的基于全方位视觉的生物式地震预测器的分布粒度相关，一般来说，在地域空间上所述的基于全方位视觉的生物式地震预测器分布的越密越均匀发布的预警信息可信度越高；

还可以在时间和空间二维信息的基础上再增加多种动物行为异常发生同时性的一维信息，如果在某一相对集中的区域内、相对集中的时间段内不同种类的动物同时发生行为异常现象，辅助系统对该区域作出若干小时内发生地震的更高等级预警信息；

从按地震发生前动物出现异常现象先后时间序列来看大体上为：蛇鼠等穴居动物→鸡、猫、狗等小家畜→猪、牛、马等大家畜，同样道理，对于野生动物的观察也是从穴居野生动物→小野生动物→大野生动物为序；如果在上述时间、空间和多种类动物三维信息基础上再加上动物出现异常现象先后时间序列决策条件，辅助系统对该区域作出若干小时内发生地震的更高一个等级预警信息；

根据安置在各地域的基于全方位视觉的生物式地震预测器的预测结果，按时间段在GIS图上标示出动物出现异常现象得监测点，为地震预警会商决策提供辅助决策支持。

监测的动物可以选择蛇、鼠、老虎、狼、鹿、熊猫、鸡、猫、狗、猪、牛、马等动物。

Claims (7)

1.一种基于物联网技术的地震预测辅助系统，其特征在于：所述基于物联网技术的地震预测辅助系统包括安置在各观察点上的基于全方位视觉的生物式地震预测器和对各观察点上的基于全方位视觉的生物式地震预测器的监测结果进行综合分析判断的地震预测服务器，各个基于全方位视觉的生物式地震预测器之间通信连接，所述各个基于全方位视觉的生物式地震预测器均与地震预测服务器通信连接；

所述的地震预测服务器，用于通过网络设备收集安置在各地域的基于全方位视觉的生物式地震预测器的预测结果，依据时间和空间上的相关性通过GIS工具进行综合分析和预测地震发生概率；如果在时间序列上某一相对集中的区域内出现了超过预设值的大密度的动物异常现象，对该区域作出若干小时内发生地震的预警信息；如果在某一相对集中的区域内、相对集中的时间段内不同种类的动物同时发生行为异常现象，对该区域作出若干小时内发生地震的更高等级预警信息；如果在所述时间、空间和多种类动物三维信息基础上再加上动物出现异常现象先后时间序列决策条件，对该区域作出若干小时内发生地震的更高一个等级预警信息；

所述的基于全方位视觉的生物式地震预测器，包括全方位视觉传感器和用于对全方位视觉传感器所拍摄的全景图像以及相关输入信息对动物的姿势、动作序列、强度和频次以及某种生态环境下的动物行为进行分析处理判断的微处理器；所述的全方位视觉传感器安置在检测环境中间的上方，用于拍摄某个生态环境内动物活动的全景视频图像；所述的全方位视觉传感器通过无线方式与所述的微处理器进行连接，所述的微处理器包括：

视频图像读取单元，用于通过网络接口读取全方位视觉传感器所拍摄的全景图像，并将读取的全景图像提交给视频图像展开单元和视频图像存储单元；

视频图像展开单元，用于将全景图像进行柱状展开，展开后的全景柱状图像提交给前景对象检测单元；

空间位置定义单元，用于定义和命名在全景图像中动物活动的环境空间位置；环境元素输入单元，用于将所述的空间位置定义单元所定义的空间位置与环境元素建立映射关系；

环境元素与空间位置关系数据库，用于存放环境中各元素与空间位置的映射关系；前景对象检测单元用于检测在全景柱状展开图像中存在的前景动物对象，具体采用MHI算法来计算前景动物对象，然后在柱状展开图像上用矩形框框住前景动物对象，并将矩形框提交给动物对象跟踪单元；

动物对象跟踪单元，根据前景对象检测单元所提交的矩形框采用增强的Camshift算法对动物对象进行跟踪；

动物姿势解析单元，根据动物对象跟踪单元的结果采用动物模型算法估算出动物目前的姿势，并将当前的时刻、空间的位置和姿势的分析结果写入动物姿势、动作数据库中；

动物动作解析单元，根据动物姿势、动作数据库中前几帧中动物的姿势和当前动物的姿势分析得到动物的动作；

动物姿势、动作数据库，用于存放某一时间、空间内的动物的姿势元素编码、动作元素编码和环境元素编码；

动物动作强度和频次计算单元，用于计算某种动物的动作强度和频次；

动物动作强度和频次数据库，用于存放某种动物在某一季节某一时间段内的动物动作强度和频次的统计值；

动物行为异常判断单元，根据所述的动物动作强度和频次计算单元计算得到某一个时间段中的每小时、每天等同样动作次数与所述的动物动作强度和频次数据库中的某一动物在某一季节某一时间段内的动物动作强度和频次的统计值进行比较，根据比较值的大小来判断动物行为异常度；

异常发布单元，用于通过网络设备向监控中心的地震预测服务器发送监测点的动物行为异常报告；

动物行为分析单元，用于根据动物姿势、动作数据库中某一时间、某一空间内动物的一系列姿势和动作的变化，根据PAE模型来分析与判断动物的行为；

动物行为数据库，用于存放动物行为编码，动物行为编码用PAE模型来表达。

2.如权利要求1所述的基于物联网技术的地震预测辅助系统，其特征在于：所述的动物动作强度和频次计算单元，根据动物姿势、动作数据库中所记录的动物动作数据，通过公式(2)计算得到某一个时间段中的每十分钟、每小时、每天等同样动作次数，根据不同阶段分别提交给动物动作强度和频次统计单元或者动物行为异常判断单元；

$A_{i,j}^{60,n}=\underset{k=n\&times;60+0}{\overset{n\&times;60+60}{\mathrm{\&Sigma;}}}{a}_{i,j},A_{i,j}^{1440}=\underset{k=0}{\overset{1440}{\mathrm{\&Sigma;}}}{a}_{i,j}---\left(2\right)$

式中，

是某一类动物某一个时间段中的每一小时某一动作的累计值，n的范围为1～24，n＝1表示凌晨0点到1点，…，n＝24表示晚间23点到凌晨零点；

是某一类动物某一个时间段中的每天某一动作的累计值；

$A_{i,j}^{t\left(i\right),n}=(1-k)\&times;A_{i,j}^{t(i-1),n}+k\&times;A_{i,j}^{60,n}---\left(3\right)$

$A_{i,j}^{t\left(i\right),1440}=(1-k)\&times;A_{i,j}^{t(i-1),1440}+k\&times;A_{i,j}^{1440}---\left(4\right)$

式中，k为更新系数，在学习阶段k值设置在0.5左右，学习时间在10天左右；在判断阶段k值设置在0.05左右；

为某一动物前一天某一动作的推算累计值，为某一动物当天某一动作的推算累计值，

为某一动物前一天中n时间段内某一动作的推算累计值，

为某一动物当天内n时间段内某一动作的推算累计值，n值的范围为1～24，n＝1表示凌晨0点到1点，…，m＝24表示晚间23点到凌晨零点；公式(3)、(4)的计算结果存放在动物动作强度和频次数据库中。

3.如权利要求2所述的基于物联网技术的地震预测辅助系统，其特征在于：所述的动物行为异常判断单元，根据所述的动物动作强度和频次计算单元计算得到某一个时间段中的每小时、每天等同样动作次数与所述的动物动作强度和频次数据库中的某一动物在某一季节某一时间段内的动物动作强度和频次的统计值进行比较，用公式(5)、(6)分别计算某小时和某天的行为异常度；

${\mathrm{Inno}}_{i,j}^n=[(A_{i,j}^{60,n}-A_{i,j}^{t\left(i\right),n})/A_{i,j}^{t\left(i\right),n}]\&times;100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),n}\&NotEqual;0)---\left(5\right)$

${\mathrm{Inno}}_{i,j}^{\mathrm{day}}=[(A_{i,j}^{1440,n}-A_{i,j}^{t\left(i\right),1440})/A_{i,j}^{t\left(i\right),1440}]\&times;100\mathrm{L\; if}(A_{i,j}^{t\left(i\right),1440}\&NotEqual;0)---\left(6\right)$

式中，为某动物在某小时的行为异常度，

为某动物在某天的行为异常度，设置6个阈值，即K_abn1、K_abn2、K_abn3、K_abn4、K_abn5和K_abn6，用公式(7)得到最后的判断异常度指数Index_abn；

${\mathrm{Index}}_{\mathrm{abn}}=\left\{\begin{array}{cc}1L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 2L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 3L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U({\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}4})\\ 4L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 5L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 6L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}4}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}5})\\ 7L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 8L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 9L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}5}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}}<K_{\mathrm{abn}6})\\ 10L& \mathrm{if}(K_{\mathrm{abn}1}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}2})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 11L& \mathrm{if}(K_{\mathrm{abn}2}\&le;{\mathrm{Inno}}_{i,j}^n<K_{\mathrm{abn}3})U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\\ 12L& \mathrm{if}(K_{\mathrm{abn}3}\&le;{\mathrm{Inno}}_{i,j}^n)U(K_{\mathrm{abn}6}\&le;{\mathrm{Inno}}_{i,j}^{\mathrm{day}})\end{array}\right.---\left(7\right)$

式中，Index_abn为异常度指数，指数值越大表明地震前兆引起的动物行为异常可信度越高，其中12为最高等级的异常度。

4.如权利要求1～3之一所述的基于物联网技术的地震预测辅助系统，其特征在于：所述的动物行为异常判断单元，在判断地震前兆引起的动物行为异常时要排除天气、动物发情期等因素的干扰；通过设定监测动物发情期的期间，一旦公式(7)的判断结果是异常的情况并且系统的时间处在动物发情期期间内，在判断结果的报告中需要加入可疑动物发情期造成的行为异常的判断结果；一旦公式(7)的判断结果是异常的情况并且当地的天气发生各种异常的情况，比如雷电、气候反常等，在判断结果的报告中需要加入可疑天气异常造成的行为异常的判断结果，生成的异常判断结果发送给异常发布单元。

5.如权利要求1～3之一所述的基于物联网技术的地震预测辅助系统，其特征在于：所述的动物行为分析单元，根据动物姿势、动作数据库中某一时间、某一空间动物的一系列姿势和动作的变化，通过构建各类动物对地震的反应模式、时间序列以及影响它们反应的原因，用公式(1)分析和表述动物的行为，

b_i，j＝p_i，j∩a_i，j∩e_i，j    (1)

式中，p_i，j、a_i，j和e_i，j分别是集合P、A、E的元素或子集。

6.如权利要求1～3之一所述的基于物联网技术的地震预测辅助系统，其特征在于：在所述的全方位视觉传感器中采用具有无线通信功能的无死角的水平方向不变形的全方位视觉传感器，所述的全方位视觉传感器中的摄像机通过视频接口与无线通信网络单元进行连接，无线通信网络单元中包括嵌入式数字信号微处理器、麦克风、有线和无线数字传输模块、用于把模拟视频标准TV信号转换成数字视频YUV信号的A/D芯片；有线和无线数字传输模块中的传输软件基于TCP/IP网络协议，无线通信使用802.11g(b)协议，并支持无线和有线传输，支持公网、专网、局域网静态IP地址接入，提供图像和声音的压缩及传输功能，压缩算法采用H.264或者MPEG4；嵌入式数字信号微处理器连接SD存储卡。

7.如权利要求1～3之一所述的基于物联网技术的地震预测辅助系统，其特征在于：所单元中，采用基于MHI的背景更新模型，并利用YCbCr与亮度图像分别分割然后进行综合得到运动前景图像，最后利用后处理实现动物的分割与定位；

所述的基于MHI的背景更新模型，MHI的更新方式如公式(8)所示；

$\mathrm{mhi}(x,y)=\left\{\begin{array}{cc}\mathrm{ts},& \mathrm{sih}(x,y)\&NotEqual;0\\ 0,& \mathrm{sih}(x,y)=0\mathrm{and\; mhi}(x,y)<\mathrm{ts}-\mathrm{dur}\\ \mathrm{mhi}(x,y)& \mathrm{else}\end{array}\right.---\left(8\right)$

式中，mhi为运动历史图像，ts为当前时间，sih为图像的掩模，动物运动发生的地方取非零值，dur为运动跟踪的最大持续时间；

用公式(9)将图像由RGB颜色空间转换到YCbCr颜色空间，滤除Y分量，用Cb、Cr颜色来分割得到前景图像；

$\left\{\begin{array}{c}Y=0.299R+0.587G+0.114B\\ \mathrm{Cr}=0.713(R-Y)\\ \mathrm{Cb}=0.564(B-Y)\end{array}\right.---\left(9\right)$

式中，Y为YCbCr颜色空间的Y分量，Cb为YCbCr颜色空间的Cb分量，Cr为YCbCr颜色空间的Cr分量；R为RGB颜色空间的R分量，G为RGB颜色空间的G分量，B为RGB颜色空间的B分量。

Images