CN110119657A - 一种通讯设备违规使用的自动识别系统和识别方法 - Google Patents

Abstract

本发明提供了一种通讯设备违规使用的自动识别系统和识别方法，包括智能监控部分、传输部分、视频解码及智能分析部分、报警部分和上位机。智能监控部分通过传输部分与视频解码及智能分析部分相连，视频解码及智能分析部分分别与报警部分和上位机相连。智能监控部分包括可旋转摄像头。传输部分采用无线通信或有线通信方式。视频解码及智能分析部分包括主控制器和数据库，数据库内存储有通讯设备使用行为，主控制器将图像信息结构化分析，自动识别图像信息中通讯设备的使用行为，并与数据库内存储的行为进行对比。报警部分包括声光报警器。本发明实现了自动识别违规使用通讯设备的行为，减轻了视频监控人员的工作强度，提高了安全监控的效率。

Description

一种通讯设备违规使用的自动识别系统和识别方法

技术领域

本发明涉及通讯设备违规使用领域，具体涉及一种通讯设备违规使用的自动识别系统和 识别方法。

背景技术

石化行业属于高危行业，具有高危高压、有毒有害、易燃易爆、点多面广的特点，一旦 发生重大事故，会对社会和环境造成严重危害，产生负面的社会效应。为此，各石化企业都 制定了严格的厂区安全管理制度，例如生产厂区入口、高危区入口处应设置明显的禁火和违 禁物品标志，严禁在生产厂区使用手机等通讯设备。

其中，视频监控是一种很重要的监控和震慑违章行为的手段，但是目前视频监控受客观 因素限制，无法满足预期目的：①摄像头和相关的存储设备仅仅能采集和储存视频数据，而 视频中人的各种动作及其行为目的仍需要人工判读，因为它们还不具备机器自动识别的能力； ②石化企业厂区范围大、装置多，而手机等通讯设备具有体积小、便于携带、不易被发现等 特点，人为监控很难发现此类违章行为；③人工监控无法一直保持集中注意力，极易出现监 控盲区及漏查漏报等情况。因此，有必要通过技术手段来提高对危险场所的通讯设备违规使 用行为的监控能力，杜绝此类行为，消除隐患，提高企业的安全管理水平。

发明内容

针对现有的视频监控仍需要人工判读，易出现漏查漏报的情况，本发明的第一目的是提 供了一种通讯设备违规使用的自动识别系统。

本发明采用以下的技术方案：

一种通讯设备违规使用的自动识别系统，包括智能监控部分、传输部分、视频解码及智 能分析部分、报警部分和上位机；

智能监控部分通过传输部分与视频解码及智能分析部分相连，视频解码及智能分析部分 分别与报警部分和上位机相连；

所述智能监控部分包括可旋转摄像头；

传输部分采用无线通信或有线通信方式；

视频解码及智能分析部分包括主控制器和数据库，数据库内存储有通讯设备使用行为， 主控制器将图像信息结构化分析，自动识别图像信息中通讯设备的使用行为，并与数据库内 存储的行为进行对比；

报警部分包括声光报警器。

优选地，所述可旋转摄像头有多个，对危险场所进行全方位监控。

优选地，所述可旋转摄像头通过传输部分与视频解码及智能分析部分相连，传输部分将 可旋转摄像头拍摄的图像信息送至视频解码及智能分析部分。

优选地，所述主控制器与声光报警器相连，主控制器比对出图像信息中的通讯设备的使 用行为违规，主控制器控制声光报警器报警，并将报警信息传送至上位机。

本发明的第二目的是提供了以上所述的一种通讯设备违规使用的自动识别系统的识别方 法，包括以下步骤：

步骤1：可旋转摄像头拍摄的图像信息通过传输部分传输至视频解码及智能分析部分的 主控制器；

步骤2：主控制器运用Canny算子对图像预处理：

为提取图像的边缘，必须设定合适的阈值，图像可看作是二维随机量的一个样本。阈值 分割是对整体的矩函数的一种描述和估计，利用样本来估计总体的特征，利用参数估计的方 法来对目标图像进行分割；矩量保持法的核心思想是求得一个最优的阈值，使分割前后图像 的矩量保持不变，二维图像的k阶矩定义为：

式中，M，N是f(x,y)为灰度图像水平和垂直方向上的像素个数，m₀＝1；

对图像进行分割后二值图像的前三阶矩计算公式为：

要取得最优阈值，图像进行分割前后的前三阶矩应该相等，即

m_k＝m'_k

即可得：

式中，h₀和h₁分别代表图像中灰度值0值和非0值；

假设图像区域中低于或高于指定阈值像素占整个图像像素的比例分别为p₀和p₁；

步骤3：提取人体图像的Hu不变矩特征：

Hu不变矩能提取图像放置、大小等特征，设图像点的(x,y)的灰度值为f(x,y)，那么整幅 图像的(p+q)阶矩为：

步骤4：PBF神经网络的人体行为识别：

采用RBF神经网络对人体行为识别，就是将人体行为图像的7个Hu不变矩作为RBF神经 网络的输入向量，通过RBF神经网络进行学习和分类，得到通讯设备的使用行为，人体行为 具体步骤如下：

(1)将提取的人体轮廓特征组成特征矩阵X＝[X₁,X₂,…,X_N]，作为RBF神经网络的输 入向量，对应的目标输出矩阵为O＝[O₁,O₂,…,O_N]，作为每个样本对应输出；

(2)假设隐含层的节点数为p₀，采用的K均值聚类算法聚类，计算聚类中心c_i，以及扩展常数σ_i；

(3)计算聚类目标函数S，若S<w，w为判断聚类结束的目标值，取w＝0.7，则表示聚类 结束，否则继续更新隐含层节点数P值，返回(2)，直到达到w，此时可以得到P、聚类中心c_i，扩展常数σ_i；

式中，N为输入层样本数目，1≤i≤N，a_i代表样本i与同类样本的平均距离，b_i表示样 本i与其他类别最近一个聚类样本的平均距离；

(4)计算隐含层单元的输出；

(5)设w_ik为隐含层第i个节点与输出层第k个节点间的权值，初始化权值w_ik，计算隐含 层到输出层的实际输出；

(6)计算网络输出均方根误差RMSE的值，若RMSE小于设定的目标误差(ε)，则训练结 束，否则修正权值继续迭代；

(7)测试样本输入到所建立的RBF神经网络模型中进行测试，得到通讯设备的使用行为；

步骤5：将得到的通讯设备的使用行为与数据库内存储的行为进行对比，确定是否为违 规使用通讯设备的行为，若是违规使用通讯设备的行为，则主控制器控制声光报警器报警， 并将报警信息传送至上位机。

本发明具有的有益效果是：

本发明提供的通讯设备违规使用的自动识别系统和识别方法，通过可旋转摄像头，对危 险场所进行全方位监控，监控的图像信息送至视频解码及智能分析部分的主控制器，主控制 器将图像信息结构化分析，自动识别图像信息中通讯设备的使用行为，并自动与数据库内存 储的行为进行对比，辨别出其中的违规使用通讯设备的行为，并进行报警。本发明实现了自 动识别违规使用通讯设备的行为，减轻了视频监控人员的工作强度，提高了安全监控的效率。

附图说明

图1为通讯设备违规使用的自动识别系统的流程图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

实施例1

结合图1，一种通讯设备违规使用的自动识别系统，包括智能监控部分、传输部分、视 频解码及智能分析部分、报警部分和上位机。

智能监控部分通过传输部分与视频解码及智能分析部分相连，视频解码及智能分析部分 分别与报警部分和上位机相连。

其中，智能监控部分包括可旋转摄像头，可旋转摄像头有多个，能对危险场所进行全方 位监控。

传输部分采用无线通信或有线通信方式。

视频解码及智能分析部分包括主控制器和数据库，数据库内存储有通讯设备使用行为， 主控制器将图像信息结构化分析，自动识别图像信息中通讯设备的使用行为，并与数据库内 存储的行为进行对比。

报警部分包括声光报警器。

可旋转摄像头通过传输部分与视频解码及智能分析部分相连，传输部分将可旋转摄像头 拍摄的图像信息送至视频解码及智能分析部分。

主控制器与声光报警器相连，主控制器比对出图像信息中的通讯设备的使用行为违规， 主控制器控制声光报警器报警，并将报警信息传送至上位机。

实施例2

采用改进型Canny算子对使用通讯设备行为图像进行预处理，提取人体行为轮廓，训练 出能够识别使用通讯设备行为的RBF神经网络模型，并采用K均值聚类算法确定RBF神经网 络聚类中心，采用Weizmann数据进行仿真实验，最终通过比对数据库中使用通讯设备的行为 特征，确认是否属于违规行为。

以上实施例所述的一种通讯设备违规使用的自动识别系统的识别方法，包括以下步骤：

步骤1：可旋转摄像头拍摄的图像信息通过传输部分传输至视频解码及智能分析部分的 主控制器；

步骤2：主控制器运用Canny算子对图像预处理：

为提取图像的边缘，必须设定合适的阈值，图像可看作是二维随机量的一个样本。阈值 分割是对整体的矩函数的一种描述和估计，可以利用样本来估计总体的特征，因此可以利用 参数估计的方法来对目标图像进行分割。矩量保持法的核心思想是求得一个最优的阈值，使 分割前后图像的矩量保持不变，二维图像的k阶矩定义为：

式中，M，N是f(x,y)为灰度图像水平和垂直方向上的像素个数，m₀＝1；

对图像进行分割后二值图像的前三阶矩计算公式为：

要取得最优阈值，图像进行分割前后的前三阶矩应该相等，即

m_k＝m'_k

即可得：

式中，h₀和h₁分别代表图像中灰度值0值和非0值；

假设图像区域中低于或高于指定阈值像素占整个图像像素的比例分别为p₀和p₁。

步骤3：提取人体图像的Hu不变矩特征：

Hu不变矩能提取图像放置、大小等特征，有识别率稳定，缩放、旋转和和平移不变的优 点。设图像点的(x,y)的灰度值为f(x,y)，那么整幅图像的(p+q)阶矩为：

步骤4：PBF神经网络的人体行为识别：

采用RBF神经网络对人体行为识别，就是将人体行为图像的7个Hu不变矩作为RBF神经 网络的输入向量，通过RBF神经网络进行学习和分类，得到通讯设备的使用行为，人体行为 具体步骤如下：

(1)将提取的人体轮廓特征组成特征矩阵X＝[X₁,X₂,…,X_N]，作为RBF神经网络的输 入向量，对应的目标输出矩阵为O＝[O₁,O₂,…,O_N]，作为每个样本对应输出；

(2)假设隐含层的节点数为p₀，采用的K均值聚类算法聚类，计算聚类中心c_i，以及扩展常数σ_i；

(3)计算聚类目标函数S，若S<w，w为判断聚类结束的目标值，取w＝0.7，则表示聚类 结束，否则继续更新隐含层节点数P值，返回(2)，直到达到w，此时可以得到P、聚类中心c_i，扩展常数σ_i；

式中，N为输入层样本数目，1≤i≤N，a_i代表样本i与同类样本的平均距离，b_i表示样 本i与其他类别最近一个聚类样本的平均距离；

(4)计算隐含层单元的输出；

(5)设w_ik为隐含层第i个节点与输出层第k个节点间的权值，初始化权值w_ik，计算隐含 层到输出层的实际输出；

(6)计算网络输出均方根误差RMSE的值，若RMSE小于设定的目标误差(ε)，则训练结 束，否则修正权值继续迭代；

(7)测试样本输入到所建立的RBF神经网络模型中进行测试，得到通讯设备的使用行为；

步骤5：将得到的通讯设备的使用行为与数据库内存储的行为进行对比，确定是否为违 规使用通讯设备的行为，若是违规使用通讯设备的行为，则主控制器控制声光报警器报警， 并将报警信息传送至上位机。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的 技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护 范围。

Claims (5)

1.一种通讯设备违规使用的自动识别系统，其特征在于，包括智能监控部分、传输部分、视频解码及智能分析部分、报警部分和上位机；

智能监控部分通过传输部分与视频解码及智能分析部分相连，视频解码及智能分析部分分别与报警部分和上位机相连；

所述智能监控部分包括可旋转摄像头；

传输部分采用无线通信或有线通信方式；

视频解码及智能分析部分包括主控制器和数据库，数据库内存储有通讯设备使用行为，主控制器将图像信息结构化分析，自动识别图像信息中通讯设备的使用行为，并与数据库内存储的行为进行对比；

报警部分包括声光报警器。

2.根据权利要求1所述的一种通讯设备违规使用的自动识别系统，其特征在于，所述可旋转摄像头有多个，对危险场所进行全方位监控。

3.根据权利要求2所述的一种通讯设备违规使用的自动识别系统，其特征在于，所述可旋转摄像头通过传输部分与视频解码及智能分析部分相连，传输部分将可旋转摄像头拍摄的图像信息送至视频解码及智能分析部分。

4.根据权利要求3所述的一种通讯设备违规使用的自动识别系统，其特征在于，所述主控制器与声光报警器相连，主控制器比对出图像信息中的通讯设备的使用行为违规，主控制器控制声光报警器报警，并将报警信息传送至上位机。

5.根据权利要求4所述一种通讯设备违规使用的自动识别系统的识别方法，其特征在于，包括以下步骤：

步骤1：可旋转摄像头拍摄的图像信息通过传输部分传输至视频解码及智能分析部分的主控制器；

步骤2：主控制器运用Canny算子对图像预处理：

为提取图像的边缘，必须设定合适的阈值，图像可看作是二维随机量的一个样本。阈值分割是对整体的矩函数的一种描述和估计，利用样本来估计总体的特征，利用参数估计的方法来对目标图像进行分割；矩量保持法的核心思想是求得一个最优的阈值，使分割前后图像的矩量保持不变，二维图像的k阶矩定义为：

式中，M，N是f(x,y)为灰度图像水平和垂直方向上的像素个数，m₀＝1；

对图像进行分割后二值图像的前三阶矩计算公式为：

要取得最优阈值，图像进行分割前后的前三阶矩应该相等，即

m_k＝m′_k

即可得：

式中，h₀和h₁分别代表图像中灰度值0值和非0值；

假设图像区域中低于或高于指定阈值像素占整个图像像素的比例分别为p₀和p₁；

步骤3：提取人体图像的Hu不变矩特征：

Hu不变矩能提取图像放置、大小特征，设图像点的(x,y)的灰度值为f(x,y)，那么整幅图像的(p+q)阶矩为：

步骤4：PBF神经网络的人体行为识别：

采用RBF神经网络对人体行为识别，就是将人体行为图像的7个Hu不变矩作为RBF神经网络的输入向量，通过RBF神经网络进行学习和分类，得到通讯设备的使用行为，人体行为具体步骤如下：

(1)将提取的人体轮廓特征组成特征矩阵X＝[X₁,X₂,…,X_N]，作为RBF神经网络的输入向量，对应的目标输出矩阵为O＝[O₁,O₂,…,O_N]，作为每个样本对应输出；

(2)假设隐含层的节点数为p₀，采用的K均值聚类算法聚类，计算聚类中心c_i，以及扩展常数σ_i；

(3)计算聚类目标函数S，若S<w，w为判断聚类结束的目标值，取w＝0.7，则表示聚类结束，否则继续更新隐含层节点数P值，返回(2)，直到达到w，此时可以得到P、聚类中心c_i，扩展常数σ_i；

式中，N为输入层样本数目，1≤i≤N，a_i代表样本i与同类样本的平均距离，b_i表示样本i与其他类别最近一个聚类样本的平均距离；

(4)计算隐含层单元的输出；

(5)设w_ik为隐含层第i个节点与输出层第k个节点间的权值，初始化权值w_ik，计算隐含层到输出层的实际输出；

(6)计算网络输出均方根误差RMSE的值，若RMSE小于设定的目标误差(ε)，则训练结束，否则修正权值继续迭代；

(7)测试样本输入到所建立的RBF神经网络模型中进行测试，得到通讯设备的使用行为；

步骤5：将得到的通讯设备的使用行为与数据库内存储的行为进行对比，确定是否为违规使用通讯设备的行为，若是违规使用通讯设备的行为，则主控制器控制声光报警器报警，并将报警信息传送至上位机。