CN108921094A - 一种基于大数据的警情管理系统 - Google Patents

Abstract

本发明提供了一种基于大数据的警情管理系统，包括数据采集子系统、数据处理子系统、数据分析子系统和预警子系统，所述数据采集子系统用于采集警情图像大数据，所述数据处理子系统用于基于超像素模型对警情图像大数据进行处理，所述数据分析子系统用于对处理过的警情图像大数据进行识别分析，判断是否有危险发生，所述预警子系统用于根据判断结果发出预警。本发明的有益效果为：实现了基于大数据的警情管理，有助于提高预警准确性，通过建立超像素模型，减少了图像表示的数量级，进而降低了后续图像处理算法的复杂度，为图像处理算法的实时性提供了可能。

Description

一种基于大数据的警情管理系统

技术领域

本发明涉及大数据技术领域，具体涉及一种基于大数据的警情管理系统。

背景技术

在现实生活中，各种各样的警情是个海量数据，这其中就包括大量的城市监控图像数据，这就对图像数据处理能力和实时性提出了更高要求。固有的图像处理一般都是以像素点作为处理的基本单位，一幅128×128的图像，其像素点的个数就达到了16384，这个数值是非常庞大的，这就导致算法时间复杂度非常高。如果将某些满足特定条件的像素点构成一个集合，以这些集合作为处理的基本单位，那么算法所需要的时间将大大缩短。超像素生成就是能够将像素聚集成集合的有效途径。图像超像素是将具有相似属性的像素点聚集成一个区域，代替像素对图像进行表示，图像超像素生成的过程即是依照灰度、纹理、颜色以及形状等特征信息，将相邻的像素点组合在一起，构成一个区域，使得区域内部像素点特征具有一致性，任何两个不同的区域内所包含的像素点具备明显的差异性。由于图像本身种类繁多、内容复杂，目前超像素生成算法还存在问题。

发明内容

针对上述问题，本发明旨在提供一种基于大数据的警情管理系统。

本发明的目的采用以下技术方案来实现：

提供了一种基于大数据的警情管理系统，包括数据采集子系统、数据处理子系统、数据分析子系统和预警子系统，所述数据采集子系统用于采集警情图像大数据，所述数据处理子系统用于基于超像素模型对警情图像大数据进行处理，所述数据分析子系统用于对处理过的警情图像大数据进行识别分析，判断是否有危险发生，所述预警子系统用于根据判断结果发出预警。

本发明的有益效果为：实现了基于大数据的警情管理，有助于提高预警准确性，通过建立超像素模型，减少了图像表示的数量级，进而降低了后续图像处理算法的复杂度，为图像处理算法的实时性提供了可能。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构示意图；

附图标记：

数据采集子系统1、数据处理子系统2、数据分析子系统3、预警子系统4。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的一种基于大数据的警情管理系统，包括数据采集子系统1、数据处理子系统2、数据分析子系统3和预警子系统4，所述数据采集子系统1用于采集警情图像大数据，所述数据处理子系统2用于基于超像素模型对警情图像大数据进行处理，所述数据分析子系统3用于对处理过的警情图像大数据进行识别分析，判断是否有危险发生，所述预警子系统4用于根据判断结果发出预警。

本实施例实现了基于大数据的警情管理，有助于提高预警准确性。

优选的，所述数据处理子系统2包括超像素模型建立模块、超像素生成模块和评价模块，所述超像素模型建立模块用于建立超像素模型，所述超像素生成模块用于根据超像素模型生成图像超像素，所述评价模块用于对所述图像超像素生成结果进行评价；

所述超像素模型建立模块用于建立超像素模型，具体为：设输入图像为C，其包含的像素个数为N，对图像进行过分割，得到超像素模型，将其超像素模型表示为：

式中，K表示超像素的个数，C_j和C_i分别表示第j个和第i个超像素；

图像过分割作为一种图像分割技术，区别就在于图像过分割是将一幅输入图像分割成更多的尺寸较小的互不重叠的区域，而每一个小的区域，称之为超像素。本实施例通过建立超像素模型，减少了图像表示的数量级，进而降低了后续图像处理算法的复杂度，为图像处理算法的实时性提供了可能。

优选的，所述超像素生成模块用于根据超像素模型生成图像超像素，具体为：

第一步，选择K个像素点标记为K个超像素初始的聚类中心；

第二步，计算图像中每个像素点到各个聚类中心的距离，并将该像素点标记为与其距离最近的聚类中心所在超像素的那一类；

第三步，将每个超像素包含的所有像素点的几何中心作为该超像素的新的聚类中心；

第四步，重复第二步和第三步，直至超像素新的聚类中心与旧的聚类中心的偏差小于事先设定的阈值，将该超像素作为最终生成的超像素；

所述计算图像中每个像素点到各个聚类中心的距离，具体为：

式中，D表示像素点到聚类中心的距离，d₁表示像素点和聚类中心在RGB颜色空间的欧式距离，d₂表示像素点和聚类中心在Lab颜色空间的欧式距离，d₃表示像素点和聚类中心的空间位置的欧式距离，β₁、β₂、β₃表示权重系数，β₁+β₂+β₃＝1；

本优选实施例通过对图像中像素点分别进行聚类，实现了图像超像素的准确生成，同时采用像素点两种不同颜色空间和空间位置的欧式距离作为划分依据，能够保证超像素内部像素点颜色一致性和划分的准确性，提升后续图像处理的准确性，通过调节权重系数，图像能够适应不同应用需求生成超像素。

优选的，所述评价模块包括第一评价模块、第二评价模块和综合评价模块，所述第一评价模块用于确定图像超像素生成的第一评价指标，所述第二评价模块用于确定图像超像素生成的第二评价指标，所述综合评价模块根据第一评价指标和第二评价指标对图像超像素生成结果进行评价；

所述第一评价模块用于确定图像超像素生成的第一评价指标，具体为：

采用下式确定图像超像素生成的第一评价指标：

式中，E₁表示第一评价指标，M₁表示图像标准分割边界的像素落入超像素边界周围1个像素宽度区域内的比例，M₂表示图像标准分割边界的像素落入超像素边界周围2个像素宽度区域内的比例；所述第一评价指标越大，表示生成的超像素对图像的边界保持效果越好；

采用下式确定图像超像素生成的第二评价指标：

式中，E₂表示第一评价指标，K表示超像素的个数，s_i表示第i个超像素的面积，l_i表示第i个超像素的周长；所述第一评价指标越大，表示生成的超像素越紧凑；

所述综合评价模块根据第一评价指标和第二评价指标对图像超像素生成结果进行评价，具体为：根据第一评价指标和第二评价指标确定综合评价指标：

E＝13+log₂(E₁×E₂+3)

式中，E表示综合评价指标；所述综合评价指标越大，表示生成的超像素综合性能越好。

本优选实施例通过确定评价指标，实现了图像超像素生成结果的准确评价，具体的，第一评价指标准确反映了生成的超像素对图像的边界保持效果，第二评价指标准确反映了生成的超像素的紧凑性，综合评价指标对超像素生成进行综合评价，为后期将超像素作为图像处理基本单位奠定了基础。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种基于大数据的警情管理系统，其特征在于，包括数据采集子系统、数据处理子系统、数据分析子系统和预警子系统，所述数据采集子系统用于采集警情图像大数据，所述数据处理子系统用于基于超像素模型对警情图像大数据进行处理，所述数据分析子系统用于对处理过的警情图像大数据进行识别分析，判断是否有危险发生，所述预警子系统用于根据判断结果发出预警。

2.根据权利要求1所述的基于大数据的警情管理系统，其特征在于，所述数据处理子系统包括超像素模型建立模块、超像素生成模块和评价模块，所述超像素模型建立模块用于建立超像素模型，所述超像素生成模块用于根据超像素模型生成图像超像素，所述评价模块用于对所述图像超像素生成结果进行评价；

所述超像素模型建立模块用于建立超像素模型，具体为：设输入图像为C，其包含的像素个数为N，对图像进行过分割，得到超像素模型，将其超像素模型表示为：

式中，K表示超像素的个数，C_j和C_i分别表示第j个和第i个超像素。

3.根据权利要求2所述的基于大数据的警情管理系统，其特征在于，所述超像素生成模块用于根据超像素模型生成图像超像素，具体为：

第一步，选择K个像素点标记为K个超像素初始的聚类中心；

第二步，计算图像中每个像素点到各个聚类中心的距离，并将该像素点标记为与其距离最近的聚类中心所在超像素的那一类；

第三步，将每个超像素包含的所有像素点的几何中心作为该超像素的新的聚类中心；

第四步，重复第二步和第三步，直至超像素新的聚类中心与旧的聚类中心的偏差小于事先设定的阈值，将该超像素作为最终生成的超像素。

4.根据权利要求3所述的基于大数据的警情管理系统，其特征在于，所述计算图像中每个像素点到各个聚类中心的距离，具体为：

式中，D表示像素点到聚类中心的距离，d₁表示像素点和聚类中心在RGB颜色空间的欧式距离，d₂表示像素点和聚类中心在Lab颜色空间的欧式距离，d₃表示像素点和聚类中心的空间位置的欧式距离，β₁、β₂、β₃表示权重系数，β₁+β₂+β₃＝1。

5.根据权利要求4所述的基于大数据的警情管理系统，其特征在于，所述评价模块包括第一评价模块、第二评价模块和综合评价模块，所述第一评价模块用于确定图像超像素生成的第一评价指标，所述第二评价模块用于确定图像超像素生成的第二评价指标，所述综合评价模块根据第一评价指标和第二评价指标对图像超像素生成结果进行评价。

6.根据权利要求5所述的基于大数据的警情管理系统，其特征在于，所述第一评价模块用于确定图像超像素生成的第一评价指标，具体为：

采用下式确定图像超像素生成的第一评价指标：

式中，E₁表示第一评价指标，M₁表示图像标准分割边界的像素落入超像素边界周围1个像素宽度区域内的比例，M₂表示图像标准分割边界的像素落入超像素边界周围2个像素宽度区域内的比例；所述第一评价指标越大，表示生成的超像素对图像的边界保持效果越好。

7.根据权利要求6所述的基于大数据的警情管理系统，其特征在于，采用下式确定图像超像素生成的第二评价指标：

式中，E₂表示第一评价指标，K表示超像素的个数，s_i表示第i个超像素的面积，l_i表示第i个超像素的周长；所述第一评价指标越大，表示生成的超像素越紧凑。

8.根据权利要求7所述的基于大数据的警情管理系统，其特征在于，所述综合评价模块根据第一评价指标和第二评价指标对图像超像素生成结果进行评价，具体为：根据第一评价指标和第二评价指标确定综合评价指标：

E＝13+log₂(E₁×E₂+3)

式中，E表示综合评价指标；所述综合评价指标越大，表示生成的超像素综合性能越好。