CN107730530A - 一种基于智慧城市的远程应急管理控制方法 - Google Patents

一种基于智慧城市的远程应急管理控制方法 Download PDF

Info

Publication number
CN107730530A
CN107730530A CN201711044147.0A CN201711044147A CN107730530A CN 107730530 A CN107730530 A CN 107730530A CN 201711044147 A CN201711044147 A CN 201711044147A CN 107730530 A CN107730530 A CN 107730530A
Authority
CN
China
Prior art keywords
image
point
embedding
pixel
emergency
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.)
Pending
Application number
CN201711044147.0A
Other languages
English (en)
Inventor
黄佳祯
徐姣姣
项勇
崔雁
杨熙汉
张志盈
赖慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201711044147.0A priority Critical patent/CN107730530A/zh
Publication of CN107730530A publication Critical patent/CN107730530A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明属于远程应急管理技术领域，公开了一种基于智慧城市的远程应急管理控制方法，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，对监控视频中的潜在城市应急事件进行识别；确定应急事件疏散场地选址备选点；计算道路通行长度，并以规划路网为对象构建面向疏散分析的路网模型；规划区域应急疏散场地确定与布局优化。本发明利用计算机自动、智能分析的方法能够有效理解监控场景中可能的应急性事件并做出及时响应。本发明在对应急事件应急疏散场所覆盖范围的确定中，避免现在大量研究中以容量无限制为假设的不科学模型，保证每个应急疏散场所在其覆盖范围内都能做到容量不超限。

Description

一种基于智慧城市的远程应急管理控制方法
技术领域
本发明属于远程应急管理技术领域，尤其涉及一种基于智慧城市的远程应急管理控制方法。
背景技术
城市应急联动管理就是综合各种城市应急服务资源，统一指挥、联合行动，为市民提供相应的紧急救援服务，为城市的公共安全提供强有力的保障。在发达国家的许多城市中，城市应急联动系统已经变成人民日常生活中一个不可或缺的组成部分，甚至成为显示城市管理水平的标志性工程。然而，利用人工分析城市监控视频耗时费力且效果不佳。当城市中监控区域分布面积增大，监控区域种类增多时，人工分析更难以从数量巨大、地点众多、时间极长的监控视频中准确、及时、高效地识别其中发生的应急性事件。同时如果应急事件发现，疏散容易出现拥挤，疏散场所选择不合理。
综上所述，现有技术存在的问题是：利用人工分析城市监控视频耗时费力且效果不佳。当城市中监控区域分布面积增大，监控区域种类增多时，人工分析更难以从数量巨大、地点众多、时间极长的监控视频中准确、及时、高效地识别其中发生的应急性事件。同时如果应急事件发现，疏散容易出现拥挤，疏散场所选择不合理。
发明内容
针对现有技术存在的问题，本发明提供了一种基于智慧城市的远程应急管理控制方法。
本发明是这样实现的，一种基于智慧城市的远程应急管理控制方法包括以下步骤：
第一步，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；
所述监控摄像头图像去除反射方法包括以下步骤：
步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；
步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行(m>1)倍的降采样处理；
步骤三，对图像序列{I1,I2,I3,I4,I5}进行Canny边缘检测，并提取图像序列的边缘；
步骤四，根据检测出来的图像边缘像素点集，选取I3边缘上像素点{xI＝(xi,yi)}为中心像素块，对图像{I1,I2,I4,I5}的相应行进行逐像素匹配，采用置信传播方法，分别计算参考图像I3与{I1,I2,I4,I5}归一化互相关极小值，得到四个对应边缘像素的稀疏矩阵值Vj(x)，计算公式为：
通过计算每幅相邻图像与参考图像的稀疏矩阵值Vj(x)；
步骤五，对所述稀疏运动场V3(x)进行拟合，采用RANSAC算法，基于背景层IB和反射层IR相对于相机位置的不同，导致背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)具有不同的取值范围，对图像的稀疏矩阵V(x)进行RANSAC拟合，得到IB的稀疏运动场VB(x)，再对V(x)-VB(x)再次RANSAC拟合，得到反射层的稀疏运动场VR(x)，得出分离后的背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)；参数设置如下：迭代次数K：1000-2000次，偏差t：5-10，判决阈值th：5-9；
步骤六，建立前馈神经网络，采用基于BP算法的神经网络训练样本数据集，取两层隐层数，每层神经元均采用Sigmoid传输函数，将上述分层后的像素点[xiyj]及其相应VB(x)和VR(x)作为样本数据点训练神经网络，输入输出之间关系对照如下：
反复训练神经网络，使得其中Vij为神经网络的计算输出的运动场值，为实际期望输出的运动场值，W,V为每层的加权向量，训练完成后，利用该网络对其他像素点泛化，得到背景层图像的稠密运动场FB(x,y)和反射层稠密运动场FR(x,y)；
步骤七，对所述稠密运动场分别进行自适应中值滤波，用像素点邻域中灰度级的中值Medmed来替代该像素的值，计算公式为：
步骤八，判断迭代次数k是否为1，当m＝1时，将所述中值滤波后的两层图像的稠密运动场分别进行m倍的上采样，恢复到原图像序列的大小，当m>1，跳过上采样步骤，转到步骤九；
步骤九，基于所述两层图像的稠密运动场对原参考图像对应的像素点进行坐标配准，将配准后的图像灰度化，并对每个像素点进行计算，选取灰度值最小的点所在的配准图像对应位置的RGB值作为该点的新像素值，分别恢复出初始分离后的背景层图像IB和反射层图像IR；
步骤十，根据初始分离后的背景层图像IB和反射层图像IR，优化迭代min(I3-IB-IR)，依据IB+IR与I3的NCC值作相应的正确的处理，通过计算式I3-IB-IR和设定阈值，提炼背景层图像IB和反射层图像IR中正确的像素点，转至步骤五，继续后续步骤，如果NCCk＞NCCk-1，继续后续步骤，每进行一次迭代，计算IB+IR与I3的NCC值，如果NCCk＞NCCk-1，说明重建图像精度增加，继续迭代，否则，停止迭代，结束程序；
所述图像识别算法包括抗RSD攻击盲检测数字指纹方法，具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)；
第二步，根据监控视频的拍摄时间以及拍摄地理信息，利用监控对象的解析信息，对监控视频中的潜在城市应急事件进行识别；
所述监控视频水印的嵌入具体包括：
步骤一，对原始彩色图像按照颜色通道进行分离；对原彩色图像像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；
步骤二，载体图像预处理；
步骤三，计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；
步骤四，选择用于嵌入水印的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到最小的整数ρ，被替换的LSBs、压缩后的位图和水印消息，修改满足LCi≤ρ的预测误差组的映射来嵌入水印；
步骤五，第一层水印嵌入，首先在阴影点的预测误差直方图中嵌入水印信息，称为第一层水印嵌入；
步骤六，第二层水印嵌入，在空白点的预测误差直方图中嵌入水印信息，称为第二层水印嵌入，阴影层嵌入水印信息之后，阴影像素点Xi,j被修改为X'i,j；用嵌入水印之后的阴影点的像素来预测空白点的像素值，与第一层水印嵌入类似，得到三张灰度图像空白点的预测误差直方图，嵌入水印信息；
步骤七，将嵌入水印之后的三张灰度图合并，得到嵌入水印后彩色图像IW；
第三步，确定应急事件疏散场地选址备选点，包括确定备选点总数、空间分布及每个备选点容量；
第四步，计算道路通行长度，并以规划路网为对象构建面向疏散分析的路网模型；
第五步，人口数据的空间栅格离散化，单个应急事件应急疏散场地选址备选点服务范围分析；
第六步，规划区域应急事件应急疏散场地确定与布局优化；
第七步，实现资源共享机制，确定政府和公众的信息权限，以及应急疏散场地确定与布局优化后的资源分配、定点推送范围、方式。
进一步，所述监控视频具体处理方法如下：
首先，在监控视频中的相邻两帧画面，通过比较画面中对应区域，对明显差异部分进行数量识别和位置标注，并将明显差异部分作为视频中检测得到的运动物体；其中明显差异部分是相邻两帧画面中的差异性超过阈值的部分。
其次，采用经人工标注的样本训练过的神经网络算法，利用监控视频信号中的监控对象的区域面积和监控对象的实际个数之间的数量关系，对监控对象的种类和数量进行更为准确的计算机自动识别。
最后，根据监控视频的拍摄时间以及拍摄地理信息形成监控对象的运动轨迹线，并且将监控对象的运动轨迹线与预定运动模板进行对比，并且根据对比结果对监控视频中的潜在城市应急事件进行识别。
进一步，所述疏散场地选址备选点选择方法如下：
首先，备选点的总数按式(1)计算；
N＝AR/2πrc (1)
其中：N为预计备选点的总数；AR为整个选址规划区域的面积；rc为单个备选点预期最大服务半径；
然后，备选点的空间分布计算；
选择整个规划选址区域中的开敞空间作为备选点，并对选中的备选点，采用公式(2)计算评分标准，按照得分从高到低进行优先性排序，得分越高优先度越高，确定每个备选点的优先度；
其中：Q表示每个备选点的综合得分，α为权重，fi为每个备选点的单项得分，fi(i＝1,2…,7)具体指每个备选点的如下特征：空间分布、种类、用途、易改造性、可利用面积、建筑物质量、可开发性；
最后，根据式(3)计算每个备选点容量；
C＝As/Ap (3)
其中：C表示单个备选点容量，即所能安置的最大人口数；As表示单个备选点的面积；Ap表示单个人口所需的安置面积。
本发明利用计算机自动、智能分析的方法并构建相应的管理系统，当一个重大的非常规突发事件发生时，供这个重大事件分析、判断、预测的大数据，决定了最终决策的科学性、效率和合理性。当这些数据转换成知识的时候，将会对预测重大非常规突发事件发挥巨大作用。大数据的多源、量大、实时性等特征能帮助政府部门预测灾害的发生发展，决定救灾的轻重缓急，在防灾减灾救灾中，大数据技术和应用发挥的作用越来越大。能够充分满足多种类、大规模场景实时监管的实际需求；能够有效理解监控场景中可能的应急性事件并做出及时响应。同时本发明对应急事件疏散场所进行设计，实用性强。实现了已有城市设施和备建应急疏散场所选址的完美结合，结合地理信息系统的空间分析功能，实现了应急疏散场所选址的可视化和科学优化。在城市规划建设中具有很强的指导和实践意义。本发明在应急事件应急疏散场所的选址规划中以实际路网为研究对象，摒弃了以往研究中以空间几何中欧几里得距离为研究对象的弊端，综合考虑道路交通阻塞率等各种因素，构建路网模型，具有更强的现实意义。本发明在对应急事件应急疏散场所覆盖范围的确定中，综合考虑了应急事件应急疏散场所的容量限制问题，避免现在大量研究中以容量无限制为假设的不科学模型，保证每个应急疏散场所在其覆盖范围内都能做到容量不超限，满足每个灾民的需求。
附图说明
图1是本发明实施提供的基于智慧城市的远程应急管理控制方法流程图。
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。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示。本发明实施例提供的基于智慧城市的远程应急管理控制方法包括以下步骤：
S101：利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；
S102：根据监控视频的拍摄时间以及拍摄地理信息，利用监控对象的解析信息，对监控视频中的潜在城市应急事件进行识别；
S103：确定应急事件疏散场地选址备选点，包括确定备选点总数、空间分布及每个备选点容量；
S104：计算道路通行长度，并以规划路网为对象构建面向疏散分析的路网模型；
S105：人口数据的空间栅格离散化，单个应急事件应急疏散场地选址备选点服务范围分析；
S106：规划区域应急事件应急疏散场地确定与布局优化；
S107：实现资源共享机制，确定政府和公众的信息权限，以及应急疏散场地确定与布局优化后的资源分配、定点推送范围、方式。
所述监控摄像头图像去除反射方法包括以下步骤：
步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；
步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行(m>1)倍的降采样处理；
步骤三，对图像序列{I1,I2,I3,I4,I5}进行Canny边缘检测，并提取图像序列的边缘；
步骤四，根据检测出来的图像边缘像素点集，选取I3边缘上像素点{xI＝(xi,yi)}为中心像素块，对图像{I1,I2,I4,I5}的相应行进行逐像素匹配，采用置信传播方法，分别计算参考图像I3与{I1,I2,I4,I5}归一化互相关极小值，得到四个对应边缘像素的稀疏矩阵值Vj(x)，计算公式为：
通过计算每幅相邻图像与参考图像的稀疏矩阵值Vj(x)；
步骤五，对所述稀疏运动场V3(x)进行拟合，采用RANSAC算法，基于背景层IB和反射层IR相对于相机位置的不同，导致背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)具有不同的取值范围，对图像的稀疏矩阵V(x)进行RANSAC拟合，得到IB的稀疏运动场VB(x)，再对V(x)-VB(x)再次RANSAC拟合，得到反射层的稀疏运动场VR(x)，得出分离后的背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)；参数设置如下：迭代次数K：1000-2000次，偏差t：5-10，判决阈值th：5-9；
步骤六，建立前馈神经网络，采用基于BP算法的神经网络训练样本数据集，取两层隐层数，每层神经元均采用Sigmoid传输函数，将上述分层后的像素点[xiyj]及其相应VB(x)和VR(x)作为样本数据点训练神经网络，输入输出之间关系对照如下：
反复训练神经网络，使得其中Vij为神经网络的计算输出的运动场值，为实际期望输出的运动场值，W,V为每层的加权向量，训练完成后，利用该网络对其他像素点泛化，得到背景层图像的稠密运动场FB(x,y)和反射层稠密运动场FR(x,y)；
步骤七，对所述稠密运动场分别进行自适应中值滤波，用像素点邻域中灰度级的中值Medmed来替代该像素的值，计算公式为：
步骤八，判断迭代次数k是否为1，当m＝1时，将所述中值滤波后的两层图像的稠密运动场分别进行m倍的上采样，恢复到原图像序列的大小，当m>1，跳过上采样步骤，转到步骤九；
步骤九，基于所述两层图像的稠密运动场对原参考图像对应的像素点进行坐标配准，将配准后的图像灰度化，并对每个像素点进行计算，选取灰度值最小的点所在的配准图像对应位置的RGB值作为该点的新像素值，分别恢复出初始分离后的背景层图像IB和反射层图像IR；
步骤十，根据初始分离后的背景层图像IB和反射层图像IR，优化迭代min(I3-IB-IR)，依据IB+IR与I3的NCC值作相应的正确的处理，通过计算式I3-IB-IR和设定阈值，提炼背景层图像IB和反射层图像IR中正确的像素点，转至步骤五，继续后续步骤，如果NCCk＞NCCk-1，继续后续步骤，每进行一次迭代，计算IB+IR与I3的NCC值，如果NCCk＞NCCk-1，说明重建图像精度增加，继续迭代，否则，停止迭代，结束程序；
所述图像识别算法包括抗RSD攻击盲检测数字指纹方法，具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)。
所述监控视频水印的嵌入具体包括：
步骤一，对原始彩色图像按照颜色通道进行分离；对原彩色图像像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；
步骤二，载体图像预处理；
步骤三，计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；
步骤四，选择用于嵌入水印的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到最小的整数ρ，被替换的LSBs、压缩后的位图和水印消息，修改满足LCi≤ρ的预测误差组的映射来嵌入水印；
步骤五，第一层水印嵌入，首先在阴影点的预测误差直方图中嵌入水印信息，称为第一层水印嵌入；
步骤六，第二层水印嵌入，在空白点的预测误差直方图中嵌入水印信息，称为第二层水印嵌入，阴影层嵌入水印信息之后，阴影像素点Xi,j被修改为X'i,j；用嵌入水印之后的阴影点的像素来预测空白点的像素值，与第一层水印嵌入类似，得到三张灰度图像空白点的预测误差直方图，嵌入水印信息；
步骤七，将嵌入水印之后的三张灰度图合并，得到嵌入水印后彩色图像IW。
本发明提供的监控视频具体处理方法如下：
首先，在监控视频中的相邻两帧画面，通过比较画面中对应区域，对明显差异部分进行数量识别和位置标注，并将明显差异部分作为视频中检测得到的运动物体；其中明显差异部分是相邻两帧画面中的差异性超过阈值的部分。
其次，采用经人工标注的样本训练过的神经网络算法，利用监控视频信号中的监控对象的区域面积和监控对象的实际个数之间的数量关系，对监控对象的种类和数量进行更为准确的计算机自动识别。
最后，根据监控视频的拍摄时间以及拍摄地理信息形成监控对象的运动轨迹线，并且将监控对象的运动轨迹线与预定运动模板进行对比，并且根据对比结果对监控视频中的潜在城市应急事件进行识别。
本发明提供的疏散场地选址备选点选择方法如下：
首先，备选点的总数按式(1)计算；
N＝AR/2πrc (1)
其中：N为预计备选点的总数；AR为整个选址规划区域的面积；rc为单个备选点预期最大服务半径；
然后，备选点的空间分布计算；
选择整个规划选址区域中的开敞空间作为备选点，并对选中的备选点，采用公式(2)计算评分标准，按照得分从高到低进行优先性排序，得分越高优先度越高，确定每个备选点的优先度；
其中：Q表示每个备选点的综合得分，α为权重，fi为每个备选点的单项得分，fi(i＝1,2…,7)具体指每个备选点的如下特征：空间分布、种类、用途、易改造性、可利用面积、建筑物质量、可开发性；
最后，根据式(3)计算每个备选点容量；
C＝As/Ap (3)
其中：C表示单个备选点容量，即所能安置的最大人口数；As表示单个备选点的面积；Ap表示单个人口所需的安置面积。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于智慧城市的远程应急管理控制方法，其特征在于，所述基于智慧城市的远程应急管理控制方法包括以下步骤：
第一步，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；
所述监控摄像头图像去除反射方法包括以下步骤：
步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；
步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行倍的降采样处理；
步骤三，对图像序列{I1,I2,I3,I4,I5}进行Canny边缘检测，并提取图像序列的边缘；
步骤四，根据检测出来的图像边缘像素点集，选取I3边缘上像素点{xI＝(xi,yi)}为中心像素块，对图像{I1,I2,I4,I5}的相应行进行逐像素匹配，采用置信传播方法，分别计算参考图像I3与{I1,I2,I4,I5}归一化互相关极小值，得到四个对应边缘像素的稀疏矩阵值Vj(x)，计算公式为：
<mrow> <munder> <mi>min</mi> <mi>V</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <msub> <mi>edgeI</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>,</mo> <msub> <mi>I</mi> <mi>j</mi> </msub> <mo>(</mo> <mrow> <mi>x</mi> <mo>+</mo> <mi>V</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>3</mn> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>4</mn> <mo>,</mo> <mn>5</mn> <mo>;</mo> </mrow>
通过计算每幅相邻图像与参考图像的稀疏矩阵值Vj(x)；
步骤五，对所述稀疏运动场V3(x)进行拟合，采用RANSAC算法，基于背景层IB和反射层IR相对于相机位置的不同，导致背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)具有不同的取值范围，对图像的稀疏矩阵V(x)进行RANSAC拟合，得到IB的稀疏运动场VB(x)，再对V(x)-VB(x)再次RANSAC拟合，得到反射层的稀疏运动场VR(x)，得出分离后的背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)；参数设置如下：迭代次数K：1000-2000次，偏差t：5-10，判决阈值th：5-9；
步骤六，建立前馈神经网络，采用基于BP算法的神经网络训练样本数据集，取两层隐层数，每层神经元均采用Sigmoid传输函数，将上述分层后的像素点[xiyj]及其相应VB(x)和VR(x)作为样本数据点训练神经网络，输入输出之间关系对照如下：
反复训练神经网络，使得其中Vij为神经网络的计算输出的运动场值，为实际期望输出的运动场值，W,V为每层的加权向量，训练完成后，利用该网络对其他像素点泛化，得到背景层图像的稠密运动场FB(x,y)和反射层稠密运动场FR(x,y)；
步骤七，对所述稠密运动场分别进行自适应中值滤波，用像素点邻域中灰度级的中值Medmed来替代该像素的值，计算公式为：
<mrow> <mover> <mi>f</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>e</mi> <mi>d</mi> <mi>i</mi> <mi>a</mi> <mi>n</mi> <mo>{</mo> <mi>g</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>&amp;Element;</mo> <msub> <mi>S</mi> <mrow> <mi>x</mi> <mi>y</mi> </mrow> </msub> <mo>)</mo> </mrow> </munder> <mo>;</mo> </mrow>
步骤八，判断迭代次数k是否为1，当m＝1时，将所述中值滤波后的两层图像的稠密运动场分别进行m倍的上采样，恢复到原图像序列的大小，当m>1，跳过上采样步骤，转到步骤九；
步骤九，基于所述两层图像的稠密运动场对原参考图像对应的像素点进行坐标配准，将配准后的图像灰度化，并对每个像素点进行计算，选取灰度值最小的点所在的配准图像对应位置的RGB值作为该点的新像素值，分别恢复出初始分离后的背景层图像IB和反射层图像IR；
步骤十，根据初始分离后的背景层图像IB和反射层图像IR，优化迭代min(I3-IB-IR)，依据IB+IR与I3的NCC值作相应的正确的处理，通过计算式I3-IB-IR和设定阈值，提炼背景层图像IB和反射层图像IR中正确的像素点，转至步骤五，继续后续步骤，如果NCCk＞NCCk-1，继续后续步骤，每进行一次迭代，计算IB+IR与I3的NCC值，如果NCCk＞NCCk-1，说明重建图像精度增加，继续迭代，否则，停止迭代，结束程序；
所述图像识别算法包括抗RSD攻击盲检测数字指纹方法，具体步骤如下：
指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；
在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；
在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；
RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；
数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；
图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)；
第二步，根据监控视频的拍摄时间以及拍摄地理信息，利用监控对象的解析信息，对监控视频中的潜在城市应急事件进行识别；
所述监控视频水印的嵌入具体包括：
步骤一，对原始彩色图像按照颜色通道进行分离；对原彩色图像像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；
步骤二，载体图像预处理；
步骤三，计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；
步骤四，选择用于嵌入水印的预测误差组，计算每一个预测误差组的局部复杂度LCi，找到最小的整数ρ，被替换的LSBs、压缩后的位图和水印消息，修改满足LCi≤ρ的预测误差组的映射来嵌入水印；
步骤五，第一层水印嵌入，首先在阴影点的预测误差直方图中嵌入水印信息，称为第一层水印嵌入；
步骤六，第二层水印嵌入，在空白点的预测误差直方图中嵌入水印信息，称为第二层水印嵌入，阴影层嵌入水印信息之后，阴影像素点Xi,j被修改为X′i,j；用嵌入水印之后的阴影点的像素来预测空白点的像素值，与第一层水印嵌入类似，得到三张灰度图像空白点的预测误差直方图，嵌入水印信息；
步骤七，将嵌入水印之后的三张灰度图合并，得到嵌入水印后彩色图像IW；
第三步，确定应急事件疏散场地选址备选点，包括确定备选点总数、空间分布及每个备选点容量；
第四步，计算道路通行长度，并以规划路网为对象构建面向疏散分析的路网模型；
第五步，人口数据的空间栅格离散化，单个应急事件应急疏散场地选址备选点服务范围分析；
第六步，规划区域应急事件应急疏散场地确定与布局优化；
第七步，实现资源共享机制，确定政府和公众的信息权限，以及应急疏散场地确定与布局优化后的资源分配、定点推送范围、方式。
2.如权利要求1所述的基于智慧城市的远程应急管理控制方法，其特征在于，所述监控视频具体处理方法如下：
首先，在监控视频中的相邻两帧画面，通过比较画面中对应区域，对明显差异部分进行数量识别和位置标注，并将明显差异部分作为视频中检测得到的运动物体；其中明显差异部分是相邻两帧画面中的差异性超过阈值的部分；
其次，采用经人工标注的样本训练过的神经网络算法，利用监控视频信号中的监控对象的区域面积和监控对象的实际个数之间的数量关系，对监控对象的种类和数量进行更为准确的计算机自动识别；
最后，根据监控视频的拍摄时间以及拍摄地理信息形成监控对象的运动轨迹线，并且将监控对象的运动轨迹线与预定运动模板进行对比，并且根据对比结果对监控视频中的潜在城市应急事件进行识别。
3.如权利要求1所述的基于智慧城市的远程应急管理控制方法，其特征在于，所述疏散场地选址备选点选择方法如下：
首先，备选点的总数按式(1)计算；
N＝AR/2πrc (1)
其中：N为预计备选点的总数；AR为整个选址规划区域的面积；rc为单个备选点预期最大服务半径；
然后，备选点的空间分布计算；
选择整个规划选址区域中的开敞空间作为备选点，并对选中的备选点，采用公式(2)计算评分标准，按照得分从高到低进行优先性排序，得分越高优先度越高，确定每个备选点的优先度；
<mrow> <mi>Q</mi> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>7</mn> </msubsup> <mi>&amp;alpha;</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中：Q表示每个备选点的综合得分，α为权重，fi为每个备选点的单项得分，fi(i＝1,2…,7)具体指每个备选点的如下特征：空间分布、种类、用途、易改造性、可利用面积、建筑物质量、可开发性；
最后，根据式(3)计算每个备选点容量；
C＝As/Ap；(3)
其中：C表示单个备选点容量，即所能安置的最大人口数；As表示单个备选点的面积；Ap表示单个人口所需的安置面积。
CN201711044147.0A 2017-10-31 2017-10-31 一种基于智慧城市的远程应急管理控制方法 Pending CN107730530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711044147.0A CN107730530A (zh) 2017-10-31 2017-10-31 一种基于智慧城市的远程应急管理控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711044147.0A CN107730530A (zh) 2017-10-31 2017-10-31 一种基于智慧城市的远程应急管理控制方法

Publications (1)

Publication Number Publication Date
CN107730530A true CN107730530A (zh) 2018-02-23

Family

ID=61202464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711044147.0A Pending CN107730530A (zh) 2017-10-31 2017-10-31 一种基于智慧城市的远程应急管理控制方法

Country Status (1)

Country Link
CN (1) CN107730530A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961205A (zh) * 2018-03-26 2018-12-07 杭州同绘科技有限公司 一种基于Sift-edge Flow的图像反射分离方法
CN109685702A (zh) * 2019-01-02 2019-04-26 深圳北斗应用技术研究院有限公司 网格化管理系统的控制方法、网格化管理系统及存储介质
CN109886129A (zh) * 2019-01-24 2019-06-14 北京明略软件系统有限公司 提示信息生成方法和装置，存储介质及电子装置
CN110020799A (zh) * 2019-03-28 2019-07-16 哈尔滨航天恒星数据系统科技有限公司 一种基于时空基准的城管网格资源配置
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590289A (zh) * 2016-01-05 2016-05-18 南京工业大学 一种城市地震应急疏散场地选址方法
CN105741225A (zh) * 2016-02-01 2016-07-06 西安电子科技大学 一种多维预测误差扩展的可逆水印方法
CN105761196A (zh) * 2016-01-28 2016-07-13 西安电子科技大学 基于三维预测误差直方图的彩色图像可逆数字水印方法
CN106022311A (zh) * 2016-06-13 2016-10-12 上海仪电（集团）有限公司中央研究院 基于城市监控视频识别的应急事件发现方法及系统
CN106056521A (zh) * 2016-04-06 2016-10-26 中国人民解放军空军工程大学 基于差分特征点网格的抗rsd攻击盲检测数字指纹方法
CN106127696A (zh) * 2016-06-13 2016-11-16 西安电子科技大学 一种基于bp神经网络拟合运动场的图像去除反射方法
CN106302494A (zh) * 2016-08-25 2017-01-04 青岛亿联信息科技股份有限公司 基于智慧城市的远程应急管理系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590289A (zh) * 2016-01-05 2016-05-18 南京工业大学 一种城市地震应急疏散场地选址方法
CN105761196A (zh) * 2016-01-28 2016-07-13 西安电子科技大学 基于三维预测误差直方图的彩色图像可逆数字水印方法
CN105741225A (zh) * 2016-02-01 2016-07-06 西安电子科技大学 一种多维预测误差扩展的可逆水印方法
CN106056521A (zh) * 2016-04-06 2016-10-26 中国人民解放军空军工程大学 基于差分特征点网格的抗rsd攻击盲检测数字指纹方法
CN106022311A (zh) * 2016-06-13 2016-10-12 上海仪电（集团）有限公司中央研究院 基于城市监控视频识别的应急事件发现方法及系统
CN106127696A (zh) * 2016-06-13 2016-11-16 西安电子科技大学 一种基于bp神经网络拟合运动场的图像去除反射方法
CN106302494A (zh) * 2016-08-25 2017-01-04 青岛亿联信息科技股份有限公司 基于智慧城市的远程应急管理系统及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961205A (zh) * 2018-03-26 2018-12-07 杭州同绘科技有限公司 一种基于Sift-edge Flow的图像反射分离方法
CN108961205B (zh) * 2018-03-26 2022-04-12 杭州同绘科技有限公司 一种基于Sift-edge Flow的图像反射分离方法
CN109685702A (zh) * 2019-01-02 2019-04-26 深圳北斗应用技术研究院有限公司 网格化管理系统的控制方法、网格化管理系统及存储介质
CN109886129A (zh) * 2019-01-24 2019-06-14 北京明略软件系统有限公司 提示信息生成方法和装置，存储介质及电子装置
CN110020799A (zh) * 2019-03-28 2019-07-16 哈尔滨航天恒星数据系统科技有限公司 一种基于时空基准的城管网格资源配置
CN110020799B (zh) * 2019-03-28 2022-02-25 哈尔滨航天恒星数据系统科技有限公司 一种基于时空基准的城管网格资源配置
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Similar Documents

Publication Publication Date Title
CN107730530A (zh) 一种基于智慧城市的远程应急管理控制方法
CN111461291B (zh) 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
WO2022126669A1 (zh) 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法
CN107659754B (zh) 一种树叶扰动情况下监控视频的有效浓缩方法
CN110532937B (zh) 基于识别模型与分类模型进行列车前向目标精准识别的方法
CN111212291A (zh) 基于dfl-cnn网络的视频帧内对象移除篡改检测方法
CN108345900A (zh) 基于颜色纹理分布特征的行人重识别方法及其系统
CN113095277A (zh) 一种基于目标空间分布特征的无人机航拍车辆检测方法
CN114494699A (zh) 基于语义传播与前背景感知的图像语义分割方法及系统
CN113869433A (zh) 一种对混凝土损伤进行快速检测和分类的深度学习方法
CN117612023A (zh) 融合注意力机制和卷积神经网络的遥感图像屋顶识别方法
CN117292324A (zh) 一种人群密度估计方法及系统
CN116824352A (zh) 一种基于语义分割与图像异常检测的水面漂浮物识别方法
CN112102214A (zh) 一种基于直方图与神经网络的图像去雾方法
CN111797799A (zh) 基于人工智能的地铁乘客等待区域规划方法
CN114913447B (zh) 基于场景识别的警务智慧指挥室系统及方法
CN115953736A (zh) 一种基于视频监控与深度神经网络的人群密度估计方法
CN115909144A (zh) 一种基于对抗学习的监控视频异常检测方法及系统
CN111626102B (zh) 基于视频弱标记的双模态迭代去噪异常检测方法及终端
CN116434100A (zh) 液体泄漏检测方法、装置、系统及机器可读存储介质
CN111274900B (zh) 一种基于底层特征提取的空基人群计数方法
CN112040241A (zh) 一种基于深度学习的视频图像透明水印嵌入提取方法
CN117079197B (zh) 一种智慧工地管理方法及系统
CN117115723B (zh) 一种消防设施计数方法、装置、存储介质及电子设备
Prezioso et al. Integrating Object Detection and Advanced Analytics for Smart City Crowd Management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180223

RJ01 Rejection of invention patent application after publication