CN106454241B - 一种基于监控视频与社交网络数据的灰霾来源确定方法 - Google Patents
一种基于监控视频与社交网络数据的灰霾来源确定方法 Download PDFInfo
- Publication number
- CN106454241B CN106454241B CN201610893630.5A CN201610893630A CN106454241B CN 106454241 B CN106454241 B CN 106454241B CN 201610893630 A CN201610893630 A CN 201610893630A CN 106454241 B CN106454241 B CN 106454241B
- Authority
- CN
- China
- Prior art keywords
- haze
- image
- dust
- time
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000009792 diffusion process Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 24
- 239000000428 dust Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 2
- 238000012300 Sequence Analysis Methods 0.000 abstract description 2
- 238000005192 partition Methods 0.000 abstract 1
- 239000003344 environmental pollutant Substances 0.000 description 10
- 231100000719 pollutant Toxicity 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Dispersion Chemistry (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种采用网格划分区域,通过分析网格内监控视频数据和社交网络数据反映的污染指数变化趋势,用来实时追溯灰霾生成直接来源的方法。该方法首先对地区进行网格化分区,同时为每个网格建立基于视频图像的无霾基准图样本库。然后通过对视频监控图像进行分析,结合无霾基准图,同时基于时间序列分析,区分雾与霾,确定当前位置监控图像灰霾指数、等级、变化趋势、变化速度。同时针对社交网络图像数据进行单图像雾霾等级分类。最后根据监控视频所在位置、灰霾指数、等级、随时间变化的趋势,结合社交网络数据获得的位置相关信息,绘制随时间变化的灰霾扩散路径,进而得到路径上的网格序列,最终确定具体污染源网格、确定污染源的责任主体。本发明可用于实时对特定区域进行灰霾生成直接来源的及时定位。本发明具有识别精度高、效率高的优点。
Description
技术领域:
本发明属于计算机图像处理技术和大气污染物监控领域,具体涉及到一种采用网格划分区域,通过分析网格内监控视频数据反映的污染指数变化趋势和实时社交网络数据关联分析,追溯灰霾直接来源的方法。
背景技术:
当前大气复合污染来源复杂且处于快速变化中,空气质量改善现状依然严峻。目前从宏观上采取的“限产停产、停工限行”等政策是非持久性、临时性的“一刀切”措施,并不能化解污染严重的企业偷排、破坏监测设备、恶意伪造监测数据等问题,同时极大地损害了守法企业的积极性和经济利益,也就不能保证空气质量改善的“常态化”。
2016年4月13日授权的第201310141896.0号中国发明专利,揭示了一种基于计算机视觉的灰霾监测方法,基于目标物视觉特征的计算及与不同灰霾情况下样本图像的对比,给出针对灰霾的监测结果。通过颜色、形状、纹理以及表示远近目标物之间差别的特征向量,对比图像,获得灰霾级别。
监控视频目前主要用在交通和安全监控上,和灰霾有关的应用主要集中在视频图像去雾上。在对比文件1)中,通过对高速监控的灰霾图像分析,将图像灰霾等级分成大雾、小雾和无雾。
目前大气污染物扩散模式被广泛地用来模拟预测污染物的扩散分布情况,评估大气环境质量。在参考对比文件2)中,大气污染物扩散模式结合污染物浓度和气象资料来定量分析污染物在大气中的输送、扩散特征。最初,模式的研究理论核心是高斯扩散理论,应用范围是小尺度。随着研究的逐渐深入和计算机的发展,开始利用计算机进行数值计算,模式的适用范围向中尺度、大尺度扩展。目前,数值计算已经成为研究的主流方法,研究范围也在逐步扩大。但受限于小尺度下错综复杂的地形情况,以及污染监控设备使用的稀缺,无法有效实时的监测灰霾发生源、确定责任主体。
社交网络数据应用领域目前集中在基于位置的社交网络数据的挖掘应用和上:位置信息获取、用户识别、位置识别、信息的共享与传播及位置隐私等方面的相关研究。在参考对比文件3)中,位置社交网络不仅可以像传统在线社交网络那样分享微博、照片、视频进行信息交互,而且可以随时随地地定位和分享位置信息。目前多种终端系统已经具备在用户共享信息时自动添加位置信息,通过对这些信息进行挖掘整理,目前已经获得的研究应用包括有:用户识别、推荐、路径跟踪识别和隐私控制与保护等应用。但这些社交网络数据的应用仍然不够全面,我们发现社交网络中还存在用户分享的大量带有位置的图像数据没有有效的利用起来。
对比文件1:夏创文.高速公路网运行监测若干关键技术研究[D].华南理工大学,2013.
对比文件2:迟妍妍,张惠远.大气污染物扩散模式的应用研究综述[J].环境污染与防治.2007(05)
对比文件3:翟红生,于海鹏.在线社交网络中的位置服务研究进展与趋势[J]. 计算机应用研究,2013,30(11):3221~3227
发明内容:
以上方法只是在灰霾等级评价、利用监控视频监测局部灰霾和使用数值计算模拟污染物扩散模式三个独立部分分别说明如何监测灰霾,但无法区分雾与霾,没有将整体大密度监控动态联系起来,没有针对灰霾等级随时间变化的监控,更没有绘制灰霾扩散路径,无法确定灰霾直接生成来源地点。同时数值模拟污染物扩散,与实际差别太大。而只有对灰霾等级变化进行动态和全局趋势分析,才能进行灰霾扩散路径的绘制,并进一步确定灰霾排放主体。
本发明提供一种方法,通过网格化区域划分和无灰霾图像样本库构建,采用网格内视频图像灰霾等级变化监测,结合基于位置的社交网络数据的实时分析,绘制灰霾扩散路径和分布,从而定位具体网格内的灰霾直接来源和责任主体。其中区域网格化是前提,视频图像灰霾等级划分和社交网络数据实时分析是关键,其相关数据关联分析的精度,会影响灰霾扩散路径绘制的准确性。
本方法包含网格划分、视频图像灰霾变化分析、社交网络图像灰霾变化分析、灰霾扩散路径绘制与排放责任主体确定四个步骤。
具体每个步骤的内容如下:
1、网格划分:对地区进行网格化分区,同时为每个网格建立基于视频图像的无霾基准图样本库。
2、视频图像灰霾等级识别:通过对视频监控图像进行分析,结合无霾基准图,同时基于时间序列分析,区分雾与霾,确定当前位置监控图像灰霾指数、等级、变化趋势、变化速度。
3、社交网络图像灰霾等级识别:通过对社交网络用户分享的图像进行分析,使用机器学习方法进行单图像灰霾等级分类,确定当前位置的灰霾指数,等级,变化趋势,变化速度。
4、灰霾扩散路径绘制与排放责任主体确定:根据已经得到检测位置、灰霾等级、随时间变化趋势,绘制随时间变化的灰霾扩散路径,进而得到路径上的网格序列,最终确定具体污染源网格。
具体实施方式:
本发明解决如何实时监控灰霾直接来源主体的问题。通过网格化城市区域,采用监控视频灰霾等级变化分析和随时间变化分析,实时绘制当前灰霾扩散路径,进而确定具体灰霾来源网格,确定来源主体。实施方式如下:
1、网格划分:根据地理位置,确定网格适当大小,将待监控区域进行网格划分。统计获取网格区域内的道路和视频监控数据,建立全天候、多时相无霾基准监控区域图像样本库。
2、视频图像灰霾等级识别:(a)确定图像采集的时间间隔,实时采集监控视频图像。(b)去除无效图像,提取图像对比度变化,梯度变化,能见度信息,确定灰霾图像的灰霾指数。(c)比对当前图像和样本库中的无霾基准图,确定灰霾等级。若在短时间内同一地点图像灰霾等级发生变化,则判断此图像为雾图像,不是霾图像,将此雾图像删除。(d)将分析的图像标注视频灰霾指数、等级、时间、位置信息后存入数据库。
3、社交网络图像灰霾等级识别:(a)实时采集社交网络图像数据。(b)获得单图像深度、对比度、灰度差分统计数据。(c)使用SVM对数据进行灰霾等级分类。 (d)将分析的图像标注灰霾指数、等级、时间、位置信息后存入数据库。
4、获取灰霾扩散位置和时间序列:挑选有价值的监控视频位置和时间信息,结合监控网点的灰霾等级信息随时间变化的趋势和社交网络图像数据的获取时间和位置,获得灰霾扩散路径中的具体位置信息和时间信息。
5、灰霾扩散路径绘制:根据已经得到具有时间序列特征的位置、视频灰霾指数、等级信息,绘制随时间变化的灰霾扩散路径。绘制时间可以以小时、日、星期为单位。
6、来源网格的确定:根据灰霾扩散路径和随时间灰霾等级变化过程,找到灰霾直接生成来源所在网格,从而缩小来源主体范围,确定责任主体。
Claims (1)
1.一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法,包括:
1)网格划分:根据地理位置,确定网格大小,将待监控区域进行网格划分;统计获取网格区域内的道路和视频监控数据,建立全天候、多时相无霾基准监控区域图像样本库;
2)视频图像灰霾等级识别:(a)确定图像采集的时间间隔,实时采集监控视频图像;(b)去除无效图像,提取图像对比度变化,梯度变化,能见度信息,确定灰霾图像的灰霾指数;(c)比对当前图像和样本库中的无霾基准图,确定灰霾等级;若在设定时间内同一地点图像灰霾等级发生变化,则判断此图像为雾图像,不是霾图像,将此雾图像删除;(d)将分析的图像标注视频灰霾指数、等级、时间、位置信息后存入数据库;
3)社交网络图像灰霾等级识别:(a)实时采集社交网络图像数据;(b)获得单图像深度、对比度、灰度差分统计数据;(c)使用SVM对数据进行灰霾等级分类;(d)将分析的图像标注灰霾指数、等级、时间、位置信息后存入数据库;
4)获取灰霾扩散位置和时间序列:挑选有价值的监控视频位置和时间信息,结合监控网点的灰霾等级信息随时间变化的趋势和社交网络图像数据的获取时间和位置,获得灰霾扩散路径中的具体位置信息和时间信息;
5)灰霾扩散路径绘制:根据已经得到具有时间序列特征的位置、视频灰霾指数、等级信息,绘制随时间变化的灰霾扩散路径;绘制时间以小时、日或星期为单位;
6)来源网格的确定:根据灰霾扩散路径和随时间灰霾等级变化过程,找到灰霾直接生成来源所在网格,从而缩小来源主体范围,确定责任主体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893630.5A CN106454241B (zh) | 2016-10-13 | 2016-10-13 | 一种基于监控视频与社交网络数据的灰霾来源确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610893630.5A CN106454241B (zh) | 2016-10-13 | 2016-10-13 | 一种基于监控视频与社交网络数据的灰霾来源确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106454241A CN106454241A (zh) | 2017-02-22 |
CN106454241B true CN106454241B (zh) | 2020-02-21 |
Family
ID=58173899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610893630.5A Active CN106454241B (zh) | 2016-10-13 | 2016-10-13 | 一种基于监控视频与社交网络数据的灰霾来源确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106454241B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495095B (zh) * | 2018-05-09 | 2021-08-03 | 湖南城市学院 | 一种基于无人机的雾霾扩散监控系统 |
CN111781113B (zh) * | 2020-07-08 | 2021-03-09 | 湖南九九智能环保股份有限公司 | 一种粉尘网格化定位方法及粉尘网格化监测方法 |
CN114544440B (zh) * | 2022-02-22 | 2024-01-12 | 安徽理工大学 | 一种截割产尘实验系统及其截割产尘监测方法 |
CN115359431B (zh) * | 2022-10-21 | 2023-02-28 | 山东省生态环境监测中心 | 一种大气环境污染源污染程度评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001356092A (ja) * | 2000-06-15 | 2001-12-26 | Suga Test Instr Co Ltd | ヘーズ値測定装置及び測定方法 |
CN103678472A (zh) * | 2012-09-24 | 2014-03-26 | 国际商业机器公司 | 用于经由社交媒体内容检测事件的方法和系统 |
CN104730598A (zh) * | 2015-04-07 | 2015-06-24 | 北京市环境保护监测中心 | 一种沙尘暴监测方法及装置 |
CN104849415A (zh) * | 2015-06-11 | 2015-08-19 | 刘国宝 | 基于北斗定位的空气污染监控系统 |
CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及系统 |
CN105426837A (zh) * | 2015-11-17 | 2016-03-23 | 南京大学 | 移动网络视觉雾霾检测系统 |
CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
-
2016
- 2016-10-13 CN CN201610893630.5A patent/CN106454241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001356092A (ja) * | 2000-06-15 | 2001-12-26 | Suga Test Instr Co Ltd | ヘーズ値測定装置及び測定方法 |
CN103678472A (zh) * | 2012-09-24 | 2014-03-26 | 国际商业机器公司 | 用于经由社交媒体内容检测事件的方法和系统 |
CN104730598A (zh) * | 2015-04-07 | 2015-06-24 | 北京市环境保护监测中心 | 一种沙尘暴监测方法及装置 |
CN104849415A (zh) * | 2015-06-11 | 2015-08-19 | 刘国宝 | 基于北斗定位的空气污染监控系统 |
CN105181898A (zh) * | 2015-09-07 | 2015-12-23 | 李岩 | 基于大密度部署传感器的大气污染监控及管理方法及系统 |
CN105426837A (zh) * | 2015-11-17 | 2016-03-23 | 南京大学 | 移动网络视觉雾霾检测系统 |
CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106454241A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529410B (zh) | 一种基于监控视频的灰霾扩散路径绘制与来源确定方法 | |
CN106355166B (zh) | 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法 | |
Wang et al. | Mapping the local climate zones of urban areas by GIS-based and WUDAPT methods: A case study of Hong Kong | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
CN106454241B (zh) | 一种基于监控视频与社交网络数据的灰霾来源确定方法 | |
CN109684384B (zh) | 一种轨迹数据时空密度分析系统及其分析方法 | |
Korchenko et al. | GIS and remote sensing as important tools for assessment of environmental pollution | |
Chen et al. | A new air pollution source identification method based on remotely sensed aerosol and improved glowworm swarm optimization | |
Hyyppä et al. | Direct and automatic measurements of stem curve and volume using a high-resolution airborne laser scanning system | |
CN102103609A (zh) | 一种信息检索方法及系统 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN116359218A (zh) | 一种工业聚集区大气污染移动监测系统 | |
Battulwar et al. | Automatic extraction of joint orientations in rock mass using PointNet and DBSCAN | |
Cipollone et al. | Benchmarking the mesoscale variability in global ocean eddy-permitting numerical systems | |
CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
CN106803106B (zh) | Sar图像自动分类系统及方法 | |
Prabha et al. | A comprehensive insight towards pre-processing methodologies applied on GPS data | |
Lei | The gis-based research on criminal cases hotspots identifying | |
Gaha et al. | A new LiDAR-based approach for poles and distribution lines detection and modelling | |
Noskov | Computer vision approaches for big geo-spatial data: quality assessment of raster tiled web maps for smart city solutions | |
Ji et al. | A new AIS-based way to conduct OLAP of maritime traffic flow | |
CN113655477A (zh) | 一种采用浅层对地雷达自动检测地质病害的方法 | |
Lopes Amaral Loures et al. | Condition assessment of unpaved roads using low-cost computer vision–based solutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |