CN104020751B - 基于物联网的校园安全监测方法 - Google Patents

Abstract

本发明公开了一种基于物联网技术的校园安全监测系统，实现校园环境的自动采集，并通过3G网络接口传输到监控中心服务器，监控中心服务器利用聚类分析方法对校园内的车辆、人员进行的智能检测、识别，具有自动化程度高、操作准确及效率高等优点；降低了安全隐患，节省了人力物力，降低了成本。本发明提出了一种基于物联网技术的校园安全监测系统，不仅创新丰富了校园安全监测的方法，同时为校园安全智能自动检测提供了有效途径，大大提了效率。本发明采用了物联网技术、异常智能检测和识别技术，具有良好的智能性，灵活性，能节省校园安保的成本；本发明在目前以及将来的校园安保中具有极大的现实意义和应用价值。

Description

基于物联网的校园安全监测方法

技术领域

本发明涉及一种智能安全监测系统，是物联网技术、智能监测技术、通信技术三者的组合应用。具体涉及一种基于可疑行迹判断的物联网校园智能安全监测系统。

背景技术

在校园安保系统中，目前主要依靠人工巡视、门禁系统、传统视频监视系统等传统安检手段，存在效率低下，可靠性低，不能实时智能监测等缺陷，现有技术中，一般是发生了事故，才会去查找校园视频，人工查看现场图像，智能化低、效率低、劳动强度大。但随着教育事业快速发展，校园规模不断扩大，流入校园的人口也越来越复杂，这时依靠人工巡视、门禁系统、传统视频监视系统将存在漏洞多、效率低下等缺点。采用传统的视频监测模式，在校园的主要干道安装视频监测器的方法，会让某些视频监测不到的死角成为安全隐患，而且需要安保人员实时查看视频画面，劳动强度大，也不利于对校园异常情况的及时发现和处理。

发明内容

本发明的目的在于提供一种校园智能安全监测系统及人类行迹聚类分析及异常行迹的监测方法，能够智能监控校区内的车辆及人员状况，有利于对校园异常情况的及时发现和处理。

本发明技术方案如下：

基于物联网的校园安全监测系统，包括数据采集终端、监控中心服务器和客户端设备。

数据采集终端包括传感器模块、控制模块和网络接口，传感器模块、控制模块和网络接口依次顺序连接；监控中心服务器包括服务器数据库、服务器主机和服务器通信模块，服务器数据库、服务器主机和服务器通信模块依次顺序连接，网络接口与服务器通信模块相连接，客户端设备通过服务器通信模块获取监控中心服务器数据。

数据采集终端对校园内的车辆、人员进行实时监测，并通过网络接口发送到监测中心服务器。

监控中心服务器对采集到的视频信息中的车辆、人员的行迹进行自主识别和自主判断，进行存储；如果发现异常，将信息发布到客户端设备；客户端设备既能够接收服务器信息，也能够自主访问服务器，及时了解校园安全的情况。

传感器模块包括对校园实时画面情况进行采集的摄像头传感器、对数据采集终端的电流电压进行采集的电流电压互感器；客户端设备为手持终端、移动设备或者计算机终端；网络接口可以为3G网络接口，即网络接口与服务器通信模块可以通过3G网络相连接。控制模块可以通过单片机控制实现。

基于物联网的校园安全监测方法，包括如下步骤：

S01、数据采集终端进行校园内实时情况采集，对所采集到数据进行初步处理，并将初步处理的数据通过网络接口进行发送传输；

S02、数据采集终端间隔限定时间将采集到数字图像信号上传到监控中心服务器；

S03、监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别；

S04、监控中心服务器将监控数据及分析结果进行存储，并根据限定的存储时间间隔对数据库进行更新；

S05、监控中心服务器将步骤S03的分析结果向客户端进行发布，发布信息内容为校园是否有异常情况；

S06、客户端设备实时接收监控中心服务器发布的信息，同时能够主动对监控中心服务器的数据进行查询，查询内容包括校园安全情况、数字图像、被监测设备运行情况。

步骤S01对数据进行初步处理过程具体包括以下步骤：

(1a)、传感器模块定时将采集的校园实时情况的图像信号、设备运行的电压电流信号传送至控制模块，控制模块对信号进行预处理，即将接收到的信号转换成数字信号，并进行数字滤波，剔除噪声和错误数据；

(1b)、控制模块将步骤(1a)预处理所得到的数据，通过通信协议转换，将不同的数据信息进行编码，通过485总线传送给网络接口，转换为网络信号，发送至监控中心服务器。

步骤S03中监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别，具体包括如下步骤：

(3a)监控中心服务器对于接收的图像依据式(1)进行二值化处理：

$P_i(x,y)=\left\{\begin{array}{c}1,P_i(x,y)\&GreaterEqual;\mathrm{\&delta;};\\ 0,P_i(x,y)<\mathrm{\&delta;};\end{array}\right.---\left(1\right)$

δ为设定的二值化处理阈值，P_i(x,y)为像素坐标为(x,y)的图像像素值；即当图像像素点的像素值大于设定的二值化处理阈值时，判断为运动目标所在的像素点，如果没有超过设定的二值化处理阈值，则判断为背景像素点，二值化处理阈值的选择通过大津法计算获取，具体步骤为：

假设图像I(x，y)，前景(即目标图像)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω₁，前景像素平均灰度记为υ₁；背景像素点数占整幅图像的比例为ω₂，背景像素平均灰度记为υ₂；图像I(x，y)的总平均灰度记为υ，类间方差记为g；

图像的大小为M×N，图像中像素的灰度值小于阈值T的像素点个数记作N₁，像素灰度大于阈值T的像素点个数记作N₂，则有：

${\mathrm{\&omega;}}_1=\frac{N_1}{M\&times;N}$

${\mathrm{\&omega;}}_2=\frac{N_2}{M\&times;N}$

N₁+N₂＝M×N

ω₁+ω₂＝1

υ＝υ₁×ω₁+υ₂×ω₂

g＝ω₁×(υ-υ₁)²+ω₂×(υ-υ₂)² (2)

将(2)式化简得到式(3)：

g＝ω₁×ω₂×(υ₁-υ₂)² (3)

通过调整阈值T，观察g值的变化，当g达到最大值时，即得到最佳阈值，最佳阈值即为二值化处理过程中设定的二值化处理阈值δ；

(3b)禁止区域异常行为监测：将校园监测范围分为禁止车辆、人员出现的区域以及允许车辆行驶、人员活动的区域这两大类。

对禁止车辆、人员出现的区域，采用图像差分法来判断是否有异常出现；其具体方法包括：

设当前帧的图像为F_i(x,y)，前一帧图像为F_i-1(x,y)，差分公式为：

$P_i(x,y)=\left\{\begin{array}{c}1,\frac{|F_i-F_{i-1}|}{F_i}\&GreaterEqual;\mathrm{\&gamma;}\\ 0,else\end{array}\right.---\left(4\right)$

即如果两幅图像差值超过预警阈值γ(该阈值根据经验进行设置，一般取10％～30％之间的数)，则视为该区域有人员或车辆进入，监控设备将立即发出预警信号，并通知校园安保人员前往该区域处理异常事件；

(3c)允许区域监测：在车辆行驶、人员活动的区域监测车辆行驶速度、及车辆及人员运动轨迹，如果发现车辆行驶速度大于要求的最大速度则系统将向校园安保人员发出预警信息，如果发现运动物体的轨迹有异常，系统也将向校园安保人员发出预警信息。

步骤(3c)中监测车辆行驶速度的方法包括以下步骤：

(3c-1-1)，对运动车辆状态进行预测：

设离散动态系统的状态方程和观测方程分别为：

x_k＝A_kx_k-1+B_ku_k-1+ω_k-1 (5)

Z_k＝H_kx_k+v_k (6)，k＝1，2，3…

其中x_k为状态向量，A_k为状态转移矩阵，B_k为控制矩阵，u_k-1为控制量，ω_k-1为过程噪声，Z_k为观测向量，H_k为观测矩阵，v_k为观测噪声，假设ω_k-1、V_k是相互独立的高斯白噪声；

在预测阶段，监控中心服务器的服务器主机根据前一时刻状态的估计值(即从前一时刻推测出的车辆运动的下一时刻的状态)，对当前状态进行先验估计(预测)，在更新阶段，利用当前状态的观测值，结合预测阶段的状态先验估计值，对当前状态做后验估计；

(3c-1-2)，进行运动车辆的特征匹配：选择质心作为运动车辆的匹配特征，每个车辆用其质心来表示，对于灰度图像，质心的计算公式(7)：

$(C_x,C_y)=(\frac{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)x}{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)},\frac{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)y}{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)})---\left(7\right)$

其中，g(x,y)表示对应像素的灰度值，(C_x,C_y)为该物体的质心点坐标，x,y表示横纵坐标值；

质心的相似度用质心间的Euclidean距离来描述：：

$d((c_{xi},c_{yi}),(c_{xj},c_{yj}))=\sqrt{{(c_{xi}-c_{xj})}^2+{(c_{yi}-c_{yj})}^2}---\left(8\right)$

其中，(C_xi,C_yi)、(C_xj,C_yj)分别为第i和第j个物体的质心点坐标，d((c_xi,c_y),(c_{x， j}c)_y)_j表示质心间的Euclidean距离；质心间的Euclidean距离越大说明质心的相似度越小，反之相似度越大，以此作为车辆匹配的参考指标；

(3c-1-3)，通过视频车辆检测与跟踪得到的车辆运动轨迹，得到的视频车辆的位置坐标，根据位置坐标通过计算得到速度、方向信息；

对轨迹中的每个采样点做差分然后对采样时间做微分，即可得到被监测车辆的速度。

步骤(3c)中监测车辆及人员的运动轨迹方法具体包括：

(3c-2-1)，计算主方向夹角θ：通过视频跟踪得到的每一条轨迹就是一组离散的坐标点，采用线性拟合的方法，得到拟合直线的斜率，用拟合直线的方向代表轨迹的主方向；

根据轨迹T₁，T₂的拟合直线斜率K₁，K₂，根据夹角公式(9)计算轨迹T₁，T₂的主方向夹角θ；

tanθ＝|(K₁-K₂)/(1+K₁K₂)| (9)

(3c-2-2)，计算两轨迹分布中心的距离：轨迹T₁、T₂的分布中心c₁、c₂，计算获取两轨迹分布中心的距离d_c；

d_c＝|c₁-c₂| (10)

(3c-2-3)，根据中心-主方向距离公式(11)获取轨迹T₁，T₂中心-主方向距离：

s(T₁,T₂)＝α*d_c/d_m+(1-α)*sinθ (11)

其中s(T₁,T₂)是中心-主方向距离，d_m是场景中点与点之间可能的最大距离，d_c为轨迹中心的距离，α为0到1之间的常数；

将公式(9)计算获取的主方向夹角θ和公式(10)计算获取的两轨迹T₁，T₂分布中心的距离d_c，带入到公式(11)，得到轨迹T₁，T₂中心-主方向距离s(T₁,T₂)；

(3c-2-4)然后对轨迹进行聚类，具体过程如下：

Step1：参数初始化：包括轨迹集合T₁、T₂，类数K，类中心，其中类中心是从轨迹集合中随机选取的一组轨迹特征，由轨迹主方向和轨迹中心组成；

Step2：根据中心-主方向距离，计算每条轨迹到各个中心的距离，将轨迹划分到距离最近的类中心所代表的类中，直到遍历所有的轨迹；

Step3：所有轨迹划分完成以后，重新计算每个类的类中心(类中轨迹特征的均值)，然后执行Step 2中的操作，直到类中心收敛；

Step4：对轨迹的位置偏差进行统计建模：因为轨迹的位置偏差服从正态分布，即只要求出正态分布的期望μ和方差σ²就可以对轨迹的位置偏差进行统计建模，具体方法如下：

先利用样本轨迹的数值建立似然函数(12)及其对数(13)：

L(μ,σ)＝Πf(x_i；μ,σ) (12)

lnL(μ,σ)＝Πlnf(x_i；μ,σ) (13)x_i为函数自变量；

建立方程组：

$\frac{\&part;\ln L(\mathrm{\&mu;},\mathrm{\&sigma;})}{\&part;u}=0$

$\frac{\&part;\ln L(\mathrm{\&mu;},\mathrm{\&sigma;})}{\&part;\mathrm{\&sigma;}}=0$

从而可以求出期望和方差，进而建立位置轨迹偏差的统计模型；

Step5，对于每类运动模式都运用典型轨迹来描述。在得到轨迹坐标与典型模式的位置轨迹偏差的统计模型以后，对实时输入的单个采样点进行异常检测。

步骤Step5对实时输入的单个采样点进行异常检测，具体包括以下步骤：

(a)对图像区域进行网格化，根据区域的大小以及精度要求，确定网格单元的大小，设区域范围为(x_min,x_max,y_min,y_max)，网格的个数为m*n；

(b)对轨迹的典型模式tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，进行网格化编码，按照原有顺序存储轨迹覆盖的网格，即得到典型模式的一组有序的网格化编码tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，(tp_x_i,tp_y_i)表示tp_x_i行tp_y_i列；

(c)计算输入点(x,y)所属的网格，将坐标值用网格编码(gx,gy)代替，(gx,gy)与(x,y)的关系为：

$\left\{\begin{array}{c}gx=ceil\left(\right(x-x_{\min })/(x_{max}-x_{\min }\left)\right)\\ gy=ceil\left(\right(y-y_{\min })/(y_{max}-y_{\min }\left)\right)\end{array}\right.$

其中ceil(x)表示不小于x的最小正整数。

(d)计算输入点到各个模式的最小网格距离作为点到模式的距离，即(gx,gy)与tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}的最小距离，然后选择距离最小的模式tp_k代表的类C_k作为点(x,y)所属的类；

(e)建立类C_k轨迹与典型模式tp_k偏差e_k的统计模型，通过样本正态分布检验，计算方差与均值μ_e，得到e_k的高斯分布模型μ_e分别为e_k的高斯分布模型的方差和均值；

(f)确定异常区间：正态分布的样本值集中于均值附近的某个区间内，越偏离均值的样本值的概率密度越小。设置两个阈值P1、P2，P1＜P2＜0.5，样本值的累积概率为P，则异常度λ为：

λ＝1，|P|＜P1.

λ＝(P-P1)/(P2-P1),P1＜|P|＜P2

λ＝0,|P|＞P2

当|P|＜P1，认为是绝对异常，异常度λ＝1；当|P|＞P2时，认为是正常，异常度λ＝0；当P1＜|P|＜P2时，异常度介于0到1之间，以此来判断车辆或者人员轨迹是否异常，异常度越高，说明车辆或者人员轨迹越异常，实际使用中可以通过经验值设定异常度门限。

较优地，步骤S06中用户客户端能实时接收监控中心服务器发布的信息，同时能够主动向监控中服务器有关数据进行查询，查询内容包括数字图像、监测设备运行情况，用户客户端对于监控中心服务器发布的历史数据进行主动的查询，查询的方式为首先通过身份验证，获得访问权限，即可访问监控中心服务器的数据，数据设不同的访问权限，不同权限等级的用户可以访问不同的内容。

本发明的技术方案有益效果包括：

(1)、本发明利用物联网技术将分布在校园各个区域的情况都汇总到监控中心，将校园范围监测范围进行分类，然后通过图像差分法、对禁止车辆、人员活动区域进行异常判断，基于轨迹聚类监测车辆及人员轨迹，实现智能的校园状况异常检测和识别，存在异常情况可以及时发现，为校园安保人员处理异常争取了时间，大大提高工作效率。

(2)、本发明采用聚类分析的方法对校园内车辆和人员的运动情况进行自主分析、判断、预警，本方法自适应性强，识别效率高，减少了校园安保人员的工作，降低了校园安保的成本；

(3)、本发明数据采集终端对校园内的车辆、人员进行实时监测，并通过网络接口发送到监测中心服务器；监控中心服务器对采集到的视频信息中的车辆、人员的行迹进行自主识别和自主判断，进行存储；如果发现异常，将信息发布到客户端设备；客户端设备既能够接收服务器信息，也能够自主访问服务器，及时了解校园安全的情况。本发明利用物联网技术将校园安全状况及时发送给校园安保人员，不同权限的用户可以及时了解相关信息，然后采取相应的措施。

附图说明

图1是本发明基于物联网的校园安全监测系统示意图；

图2为本发明基于物联网的校园安全监测方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参阅图1，基于物联网的校园安全监测系统，包括数据采集终端、监控中心服务器和客户端设备。

数据采集终端包括传感器模块、控制模块和网络接口，传感器模块、控制模块和网络接口依次顺序连接；监控中心服务器包括服务器数据库、服务器主机和服务器通信模块，服务器数据库、服务器主机和服务器通信模块依次顺序连接，网络接口与服务器通信模块相连接，客户端设备通过服务器通信模块获取监控中心服务器数据。

数据采集终端对校园内的车辆、人员进行实时监测，并通过网络接口发送到监测中心服务器。

监控中心服务器对采集到的视频信息中的车辆、人员的行迹进行自主识别和自主判断，进行存储；如果发现异常，将信息发布到客户端设备；客户端设备既能够接收服务器信息，也能够自主访问服务器，及时了解校园安全的情况。

传感器模块包括对校园实时画面情况进行采集的摄像头传感器、对数据采集终端的电流电压进行采集的电流电压互感器；客户端设备为手持终端、移动设备或者计算机终端；网络接口可以为3G网络接口，即网络接口与服务器通信模块可以通过3G网络相连接。控制模块可以通过单片机控制实现。

如图2所示，基于物联网的校园安全监测方法，包括如下步骤：

S01、数据采集终端进行校园内实时情况采集，对所采集到数据进行初步处理，并将初步处理的数据通过网络接口进行发送传输；

S02、数据采集终端间隔限定时间将采集到数字图像信号上传到监控中心服务器；

S03、监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别；

S04、监控中心服务器将监控数据及分析结果进行存储，并根据限定的存储时间间隔对数据库进行更新；

S05、监控中心服务器将步骤S03的分析结果向客户端进行发布，发布信息内容为校园是否有异常情况；

S06、客户端设备实时接收监控中心服务器发布的信息，同时能够主动对监控中心服务器的数据进行查询，查询内容包括校园安全情况、数字图像、被监测设备运行情况。

步骤S01对数据进行初步处理过程具体包括以下步骤：

(1a)、传感器模块定时将采集的校园实时情况的图像信号、设备运行的电压电流信号传送至控制模块，控制模块对信号进行预处理，即将接收到的信号转换成数字信号，并进行数字滤波，剔除噪声和错误数据；

(1b)、控制模块将步骤(1a)预处理所得到的数据，通过通信协议转换，将不同的数据信息进行编码，通过485总线传送给网络接口，转换为网络信号，发送至监控中心服务器。

步骤S03中监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别，具体包括如下步骤：

(3a)监控中心服务器对于接收的图像依据式(1)进行二值化处理，二值化处理后的图像是本发明后续图像分析、判断、识别的基础，后续的步骤均是在二值化处理后的图像上进行：

$P_i(x,y)=\left\{\begin{array}{c}1,P_i(x,y)\&GreaterEqual;\mathrm{\&delta;};\\ 0,P_i(x,y)<\mathrm{\&delta;};\end{array}\right.---\left(1\right)$

δ为设定的二值化处理阈值，P_i(x,y)为像素坐标为(x,y)的图像像素值；即当图像像素点的像素值大于设定的二值化处理阈值时，判断为运动目标所在的像素点，如果没有超过设定的二值化处理阈值，则判断为背景像素点，二值化处理阈值的选择通过大津法计算获取，具体步骤为：

假设图像I(x，y)，前景(即目标图像)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω₁，前景像素平均灰度记为υ₁；背景像素点数占整幅图像的比例为ω₂，背景像素平均灰度记为υ₂；图像I(x，y)的总平均灰度记为υ，类间方差记为g；

图像的大小为M×N，图像中像素的灰度值小于阈值T的像素点个数记作N₁，像素灰度大于阈值T的像素点个数记作N₂，则有：

${\mathrm{\&omega;}}_1=\frac{N_1}{M\&times;N}$

${\mathrm{\&omega;}}_2=\frac{N_2}{M\&times;N}$

N₁+N₂＝M×N

ω₁+ω₂＝1

υ＝υ₁×ω₁+υ₂×ω₂

g＝ω₁×(υ-υ₁)²+ω₂×(υ-υ₂)² (2)

将(2)式化简得到式(3)：

g＝ω₁×ω₂×(υ₁-υ₂)² (3)

通过调整阈值T，观察g值的变化，当g达到最大值时，即得到最佳阈值，最佳阈值即为二值化处理过程中设定的二值化处理阈值δ；

(3b)禁止区域异常行为监测：将校园监测范围分为禁止车辆、人员出现的区域以及允许车辆行驶、人员活动的区域这两大类。

对禁止车辆、人员出现的区域，采用图像差分法来判断是否有异常出现；其具体方法包括：

对于步骤(3a)二值化处理后的图像，设当前帧的图像为F_i(x,y)，前一帧图像为F_i-1(x,y)，差分公式为：

$P_i(x,y)=\left\{\begin{array}{c}1,\frac{|F_{i^{.}}-F_{i-1}|}{F_i}\&GreaterEqual;\mathrm{\&gamma;}\\ 0,else\end{array}\right.---\left(4\right)$

即如果两幅图像差值超过预警阈值γ(该阈值根据经验进行设置，一般取10％～30％之间的数)，则视为该区域有人员或车辆进入，监控设备将立即发出预警信号，并通知校园安保人员前往该区域处理异常事件；

(3c)允许区域监测：在车辆行驶、人员活动的区域监测车辆行驶速度、及车辆及人员运动轨迹，如果发现车辆行驶速度大于要求的最大速度则系统将向校园安保人员发出预警信息，如果发现运动物体的轨迹有异常，系统也将向校园安保人员发出预警信息。

步骤(3c)中监测车辆行驶速度的方法包括以下步骤：

(3c-1-1)，对运动车辆状态进行预测：

设离散动态系统的状态方程和观测方程分别为：

x_k＝A_kx_k-1+B_ku_k-1+ω_k-1 (5)

Z_k＝H_kx_k+v_k (6)，k＝1，2，3…，表示离散系统

其中x_k为状态向量，A_k为状态转移矩阵，B_k为控制矩阵，u_k-1为控制量，ω_k-1为过程噪声，Z_k为观测向量，H_k为观测矩阵，v_k为观测噪声，假设ω_k-1、V_k是相互独立的高斯白噪声；

在预测阶段，监控中心服务器的服务器主机根据前一时刻状态的估计值(即从前一时刻推测出的车辆运动的下一时刻的状态)，对当前状态进行先验估计(预测)，在更新阶段，利用当前状态的观测值，结合预测阶段的状态先验估计值，对当前状态做后验估计；

(3c-1-2)，进行运动车辆的特征匹配：选择质心作为运动车辆的匹配特征，每个车辆用其质心来表示，监控中心服务器对于接收的图像进行灰度化处理，对于灰度图像，质心的计算公式(7)：

$(C_x,C_y)=(\frac{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)x}{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)},\frac{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)y}{\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}g(x,y)})---\left(7\right)$

其中，g(x,y)表示对应像素的灰度值，(C_x,C_y)为该物体的质心点坐标，x,y表示横纵坐标值；

质心的相似度用质心间的Euclidean距离来描述：：

$d((c_{xi},c_{yi}),(c_{xj},c_{yj}))=\sqrt{{(c_{xi}-c_{xj})}^2+{(c_{yi}-c_{yj})}^2}---\left(8\right)$

其中，(C_xi,C_yi)、(C_xj,C_yj)分别为第i和第j个物体的质心点坐标，d((c_xi,c_y),(c_{x， j}c)_y)_j表示质心间的Euclidean距离；质心间的Euclidean距离越大说明质心的相似度越小，反之相似度越大，以此作为车辆匹配的参考指标；

(3c-1-3)，跟踪步骤(3c-1-2)车辆的参考指标，通过视频车辆检测与跟踪得到的车辆运动轨迹，得到的视频车辆的位置坐标，根据位置坐标通过计算得到速度、方向信息；

对轨迹中的每个采样点做差分然后对采样时间做微分，即可得到被监测车辆的速度。

步骤(3c)中监测车辆及人员的运动轨迹方法具体包括：

(3c-2-1)，计算主方向夹角θ：通过视频跟踪得到的每一条轨迹就是一组离散的坐标点，采用线性拟合的方法，得到拟合直线的斜率，用拟合直线的方向代表轨迹的主方向；

根据轨迹T₁，T₂的拟合直线斜率K₁，K₂，根据夹角公式(9)计算轨迹T₁，T₂的主方向夹角θ；

tanθ＝|(K₁-K₂)/(1+K₁K₂)| (9)

(3c-2-2)，计算两轨迹分布中心的距离：轨迹T₁、T₂的分布中心c₁、c₂，计算获取两轨迹分布中心的距离d_c；

d_c＝|c₁-c₂| (10)

(3c-2-3)，根据中心-主方向距离公式(11)获取轨迹T₁，T₂中心-主方向距离：

s(T₁,T₂)＝α*d_c/d_m+(1-α)*sinθ (11)

其中s(T₁,T₂)是中心-主方向距离，d_m是场景中点与点之间可能的最大距离，d_c为轨迹中心的距离，α为0到1之间的常数；

将公式(9)计算获取的主方向夹角θ和公式(10)计算获取的两轨迹T₁，T₂分布中心的距离d_c，带入到公式(11)，得到轨迹T₁，T₂中心-主方向距离s(T₁,T₂)；

(3c-2-4)然后对轨迹进行聚类，具体过程如下：

Step1：参数初始化：包括轨迹集合T₁、T₂，类数K，类中心，其中类中心是从轨迹集合中随机选取的一组轨迹特征，由轨迹主方向和轨迹中心组成；

Step2：根据中心-主方向距离，计算每条轨迹到各个中心的距离，将轨迹划分到距离最近的类中心所代表的类中，直到遍历所有的轨迹；

Step3：所有轨迹划分完成以后，重新计算每个类的类中心(类中轨迹特征的均值)，然后执行Step 2中的操作，直到类中心收敛；

Step4：对轨迹的位置偏差进行统计建模：因为轨迹的位置偏差服从正态分布，即只要求出正态分布的期望μ和方差σ²就可以对轨迹的位置偏差进行统计建模，具体方法如下：

先利用样本轨迹的数值建立似然函数(12)及其对数(13)：

L(μ,σ)＝Πf(x_i；μ,σ) (12)

lnL(μ,σ)＝Πlnf(x_i；μ,σ)(13)x_i为函数自变量，即样本轨迹的数值；

建立方程组：

$\frac{\&part;\ln L(\mathrm{\&mu;},\mathrm{\&sigma;})}{\&part;u}=0$

$\frac{\&part;\ln L(\mathrm{\&mu;},\mathrm{\&sigma;})}{\&part;\mathrm{\&sigma;}}=0$

从而可以求出期望和方差，进而建立位置轨迹偏差的统计模型；

Step5，对于每类运动模式都运用典型轨迹来描述。在得到轨迹坐标与典型模式的位置轨迹偏差的统计模型以后，对实时输入的单个采样点进行异常检测。

步骤Step5对实时输入的单个采样点进行异常检测，具体包括以下步骤：

(a)对图像区域进行网格化，根据区域的大小以及精度要求，确定网格单元的大小，设区域范围为(x_min,x_max,y_min,y_max)，网格的个数为m*n；

(b)对轨迹的典型模式tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，进行网格化编码，按照原有顺序存储轨迹覆盖的网格，即得到典型模式的一组有序的网格化编码tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，(tp_x_i,tp_y_i)表示tp_x_i行tp_y_i列；

(c)计算输入点(x,y)所属的网格，将坐标值用网格编码(gx,gy)代替，(gx,gy)与(x,y)的关系为：

$\left\{\begin{array}{c}gx=ceil\left(\right(x-x_{\min })/(x_{max}-x_{\min }\left)\right)\\ gy=ceil\left(\right(y-y_{\min })/(y_{max}-y_{\min }\left)\right)\end{array}\right.$

其中ceil(x)表示不小于x的最小正整数。

(d)计算输入点到各个模式的最小网格距离作为点到模式的距离，即(gx,gy)与tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}的最小距离，然后选择距离最小的模式tp_k代表的类C_k作为点(x,y)所属的类；

(e)建立类C_k轨迹与典型模式tp_k偏差e_k的统计模型，通过样本正态分布检验，获取方差与均值μ_e，得到e_k的高斯分布模型μ_e分别为e_k的高斯分布模型的方差和均值；

(f)确定异常区间：正态分布的样本值集中于均值附近的某个区间内，越偏离均值的样本值的概率密度越小；设置两个阈值P1、P2，P1＜P2＜0.5，样本值的累积概率为P，则异常度λ为：

λ＝1，|P|＜P1.

λ＝(P-P1)/(P2-P1),P1＜|P|＜P2

λ＝0,|P|＞P2

当|P|＜P1，认为是绝对异常，异常度λ＝1；当|P|＞P2时，认为是正常，异常度λ＝0；当P1＜|P|＜P2时，异常度介于0到1之间，以此来判断车辆或者人员轨迹是否异常，异常度越高，说明车辆或者人员轨迹越异常，实际使用中可以通过经验值设定异常度门限。

较优地，步骤S06中用户客户端能实时接收监控中心服务器发布的信息，同时能够主动向监控中服务器有关数据进行查询，查询内容包括数字图像、监测设备运行情况，用户客户端对于监控中心服务器发布的历史数据进行主动的查询，查询的方式为首先通过身份验证，获得访问权限，即可访问监控中心服务器的数据，数据设不同的访问权限，不同权限等级的用户可以访问不同的内容。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.基于物联网的校园安全监测方法，其特征在于：包括如下步骤：

S01、数据采集终端进行校园内实时情况采集，对所采集到数据进行初步处理，并将初步处理的数据通过网络接口进行发送传输；

S02、数据采集终端间隔限定时间将采集到数字图像信号上传到监控中心服务器；

S03、监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别；

S04、监控中心服务器将监控数据及分析结果进行存储，并根据限定的存储时间间隔对数据库进行更新；

S05、监控中心服务器将步骤S03的分析结果向客户端进行发布，发布信息内容为校园是否有异常情况；

S06、客户端设备实时接收监控中心服务器发布的信息，同时能够主动对监控中心服务器的数据进行查询，查询内容包括校园安全情况、数字图像、被监测设备运行情况；

所述步骤S03中监控中心服务器接收来自数据采集终端发送的数据，对数据进行智能分析、判断和识别，具体包括如下步骤：

(3a)监控中心服务器对于接收的图像依据式(1)进行二值化处理：

δ为设定的二值化处理阈值，P_i(x,y)为像素坐标为(x,y)的图像像素值；当图像像素点的像素值大于设定的二值化处理阈值时，判断为运动目标所在的像素点，如果没有超过设定的二值化处理阈值，则判断为背景像素点，所述二值化处理阈值的选择通过大津法计算获取，具体步骤为：

假设图像I(x，y)，前景和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω₁，前景像素平均灰度记为υ₁；背景像素点数占整幅图像的比例为ω₂，背景像素平均灰度记为υ₂；图像I(x，y)的总平均灰度记为υ，类间方差记为g；

图像的大小为M×N，图像中像素的灰度值小于阈值T的像素点个数记作N₁，像素灰度大于阈值T的像素点个数记作N₂，则有：

N₁+N₂＝M×N

ω₁+ω₂＝1

υ＝υ₁×ω₁+υ₂×ω₂

g＝ω₁×(υ-υ₁)²+ω₂×(υ-υ₂)² (2)

将(2)式化简得到式(3)：

g＝ω₁×ω₂×(υ₁-υ₂)² (3)

通过调整阈值T，观察g值的变化，当g达到最大值时，得到最佳阈值，所述最佳阈值为二值化处理过程中设定的二值化处理阈值δ；

(3b)禁止区域异常行为监测：将校园监测范围分为禁止车辆、人员出现的区域以及允许车辆行驶、人员活动的区域这两大类；

对禁止车辆、人员出现的区域，采用图像差分法来判断是否有异常出现；其具体方法包括：

对于经过步骤(3a)二值化处理后的图像，设当前帧的图像为F_i(x,y)，前一帧图像为F_i-1(x,y)，差分公式为：

公式(4)表示如果两幅图像差值超过预警阈值γ，则视为该区域有人员或车辆进入，监控设备发出预警信号，并通知校园安保人员前往该区域处理异常事件；

(3c)允许区域监测：在车辆行驶、人员活动的区域监测车辆行驶速度、及车辆及人员运动轨迹，如果发现车辆行驶速度大于要求的最大速度则系统将向校园安保人员发出预警信息，如果发现运动物体的轨迹有异常，系统向校园安保人员发出预警信息。

2.根据权利要求1所述的基于物联网的校园安全监测方法，其特征在于：所述步骤S01对数据进行初步处理过程具体包括以下步骤：

(1a)、传感器模块定时将采集的校园实时情况的图像信号、设备运行的电压电流信号传送至控制模块，控制模块对信号进行预处理，将接收到的信号转换成数字信号，并进行数字滤波，剔除噪声和错误数据；

(1b)、控制模块将步骤(1a)预处理所得到的数据，通过通信协议转换，将不同的数据信息进行编码，通过485总线传送给网络接口，转换为网络信号，发送至监控中心服务器。

3.根据权利要求1所述的基于物联网的校园安全监测方法，其特征在于：所述步骤(3c)中监测车辆行驶速度的方法包括以下步骤：

(3c-1-1)，对运动车辆状态进行预测：

设离散动态系统的状态方程和观测方程分别为：

其中x_k为状态向量，A_k为状态转移矩阵，B_k为控制矩阵，u_k-1为控制量，ω_k-1为过程噪声，Z_k为观测向量，H_k为观测矩阵，v_k为观测噪声，假设ω_k-1、V_k是相互独立的高斯白噪声；

在预测阶段，监控中心服务器的服务器主机根据前一时刻状态的估计值，对当前状态进行先验估计，在更新阶段，利用当前状态的观测值，结合预测阶段的状态先验估计值，对当前状态做后验估计；

(3c-1-2)，进行运动车辆的特征匹配：选择质心作为运动车辆的匹配特征， 每个车辆用其质心来表示，对于灰度图像，质心的计算公式(7)：

其中，g(x,y)表示对应像素的灰度值，(C_x,C_y)为该物体的质心点坐标，x,y表示横纵坐标值；

质心的相似度用质心间的Euclidean距离来描述：

其中，(C_xi,C_yi)、(C_xj,C_yj)分别为第i和第j个物体的质心点坐标，d((c_xi,c_yi),(c_xj,c_yj))表示质心间的Euclidean距离；质心间的Euclidean距离越大说明质心的相似度越小，反之相似度越大，以质心间的Euclidean距离作为车辆匹配的参考指标；

(3c-1-3)，通过视频车辆检测与跟踪得到的车辆运动轨迹，得到的视频车辆的位置坐标，根据位置坐标通过计算得到速度、方向信息；

对轨迹中的每个采样点做差分然后对采样时间做微分，得到被监测车辆的速度。

4.根据权利要求1所述的基于物联网的校园安全监测方法，其特征在于：所述步骤(3c)中监测车辆及人员的运动轨迹方法具体包括：

(3c-2-1)，计算主方向夹角θ：通过视频跟踪得到的每一条轨迹就是一组离散的坐标点，采用线性拟合的方法，得到拟合直线的斜率，用拟合直线的方 向代表轨迹的主方向，

根据轨迹T₁，T₂的拟合直线斜率K₁，K₂，根据夹角公式(9)计算轨迹T₁，T₂的主方向夹角θ；

tanθ＝|(K₁-K₂)/(1+K₁K₂)| (9)

(3c-2-2)，计算两轨迹分布中心的距离：轨迹T₁、T₂的分布中心c₁、c₂，计算获取两轨迹分布中心的距离d_c；

d_c＝|c₁-c₂| (10)

(3c-2-3)，根据中心-主方向距离公式(11)获取轨迹T₁，T₂中心-主方向距离：

s(T₁,T₂)＝α*d_c/d_m+(1-α)*sinθ (11)

其中s(T₁,T₂)为中心-主方向距离，d_m是场景中点与点之间可能的最大距离，d_c为轨迹中心的距离，α为0到1之间的常数；

将公式(9)计算获取的主方向夹角θ和公式(10)计算获取的两轨迹T₁，T₂分布中心的距离d_c，带入到公式(11)，得到轨迹T₁，T₂中心-主方向距离s(T₁,T₂)；

(3c-2-4)然后对轨迹进行聚类，具体过程如下：

Step1：参数初始化：包括轨迹集合T₁、T₂，类数K，类中心，其中类中心是从轨迹集合中随机选取的一组轨迹特征，由轨迹主方向和轨迹中心组成；

Step2：根据中心-主方向距离，计算每条轨迹到各个中心的距离，将轨迹 划分到距离最近的类中心所代表的类中，直到遍历所有的轨迹；

Step3：所有轨迹划分完成以后，重新计算每个类的类中心，然后执行Step2中的操作，直到类中心收敛；

Step4：对轨迹的位置偏差进行统计建模：轨迹的位置偏差服从正态分布，通过好获取正态分布的期望μ和方差σ²能够实现对轨迹的位置偏差进行统计建模，具体方法如下：

先利用样本轨迹的数值建立似然函数(12)及其对数函数(13)：

L(μ,σ)＝∏f(x_i；μ,σ) (12)

lnL(μ,σ)＝∏lnf(x_i；μ,σ) (13)x_i为函数自变量；

建立方程组：

从而求出期望和方差，进而建立位置轨迹偏差的统计模型；

Step5，对于每类运动模式都运用典型轨迹来描述，在得到轨迹坐标与典型模式的位置轨迹偏差的统计模型以后，对实时输入的单个采样点进行异常检测。

5.根据权利要求4所述的基于物联网的校园安全监测方法，其特征在于：步骤S tep5对实时输入的单个采样点进行异常检测，具体包括以下步骤：

(a)对图像区域进行网格化，根据区域的大小以及精度要求，确定网格 单元的大小，设区域范围为(x_min,x_max,y_min,y_max)，网格的个数为m*n；

(b)对轨迹的典型模式tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，进行网格化编码，按照原有顺序存储轨迹覆盖的网格，得到典型模式的一组有序的网格化编码tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}，(tp_x_i,tp_y_i)表示tp_x_i行tp_y_i列；

(c)计算输入点(x,y)所属的网格，将坐标值用网格编码(gx,gy)代替，(gx,gy)与(x,y)的关系为：

其中ceil(x)表示不小于x的最小正整数；

(d)计算输入点到各个模式的最小网格距离作为点到模式的距离，即(gx,gy)与tp＝{(tp_x_i,tp_y_i),i＝1,2,...,n}的最小距离，然后选择距离最小的模式tp_k代表的类C_k作为点(x,y)所属的类；

(e)建立类C_k轨迹与典型模式tp_k偏差e_k的统计模型，通过样本正态分布检验，方差与均值μ_e计算，得到e_k的高斯分布模型 μ_e分别为e_k的高斯分布模型的方差和均值；

(f)确定异常区间：正态分布的样本值集中于均值附近的设定区间内，越偏离均值的样本值的概率密度越小；设置两个阈值P1、P2，P1＜P2＜0.5，样本值的累积概率为P，则异常度λ为：

λ＝1，|P|＜P1

λ＝(P-P1)/(P2-P1),P1＜|P|＜P2

λ＝0,|P|＞P2

当|P|＜P1时，判断为绝对异常，异常度λ＝1；当|P|＞P2时，认为是正常，异常度λ＝0；当P1＜|P|＜P2时，异常度介于0到1之间，以异常度来判断车辆或者人员轨迹是否异常。

6.根据权利要求1所述的基于物联网的校园安全监测方法，其特征在于：所述步骤S06中用户客户端能实时接收监控中心服务器发布的信息，同时能够主动向监控中服务器有关数据进行查询，查询内容包括数字图像、监测设备运行情况，用户客户端对于监控中心服务器发布的历史数据进行主动的查询，查询的方式为首先通过身份验证，获得访问权限，访问监控中心服务器的数据，数据设不同的访问权限，不同权限等级的用户访问不同的内容。