CN110570461B - 一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法 - Google Patents

Abstract

本发明公开了一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法，属于城市安全领域，具体包括使用社区摄像头、云端社区追踪寻人系统信息库、智能寻人路线规划、智慧照明模块、单片机和无线传输模块结合社区路灯照明排布，建立社区摄像头网；使用云平台接收并存储摄像头拍摄的视频信息；使用卷积神经网络对图像信息进行识别处理；使用单片机控制智能路灯与摄像头动作；使用无线传输模块交互数据；使用虚拟社区地图终端观测追踪目标行动路线。能够实现发生失踪案时迅速在历史视频中智能搜索目标行踪，直观显示其行动路线，更加准确的推测其去向，缩小搜索范围，缩短搜寻时间。

Description

一种社区照明网与云平台社区人口信息库结合实现自动寻人 追踪的方法

技术领域

本发明属于城市安全技术领域，具体涉及一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法。

背景技术

对于失踪案件，搜索时间与效率是获救的关键。随着科技的进步与发展，社区治安不断改善，治安方式向着智能化发展系统化发展。然而如今人口失踪案例仍不断在各个地区发生，以未成年人最为突出，同时，案件发生后也存在着处理不及时，搜索范围过大而带有盲目性，摄像头信息难以获取以及需检查的信息量过大等问题，导致错过寻找或援救失踪者的最佳时机。

发明内容

本发明的目的在于提供一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的系统，该系统包括单片机、智慧照明模块、安装在智慧照明模块上并与单片机通过无线传输模块连接的360°全景摄像头以及与单片机通过无线传输模块连接的云端社区追踪寻人系统信息库和智能寻人路线规划模块；

所述的智慧照明模块包括灯杆、照明灯和环境监测传感器；所述的360°全景摄像头与灯杆之间通过旋转轴连接，可以灯杆为圆心，旋转轴为半径做180°旋转。

作为一种优选的实施方式，所述的云端社区追踪寻人系统信息库包括常住人口信息库、摄像头网信息库和实时视频信息库；

所述的常住人口信息库包括未成年人信息库、成年人信息库和社区住户所饲宠物信息库；

所述的摄像头网信息库包括摄像头出厂信息库、排布与位置变更信息库、运行状态与检修历史记录信息库。

作为一种优选的实施方式，所述的排布与位置变更信息库包括任一路灯上的360°全景摄像头序号i和该360°全景摄像头i最近的5个360°全景摄像头的序号。

上述方案中，需要说明的是，排布与位置变更信息的算法如下：

其中，D_ij为编号为i的摄像头与编号为j的摄像头之间的距离，N_im为与编号i的摄像头相关的第m个摄像头，N_im+1为除第m个摄像头外距离编号为i的最近的摄像头。

作为一种优选的实施方式，所述的社区常住人口信息库包括常住未成年人口的面部、指纹、日常活动区域、亲属关系信息和居住地址信息，所述的社区常驻人口信息库每年更新录入个人信息，及时保存，用以需要时随时调出。

本发明还提供一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法，该方法具体包括如下步骤：

S1、使用社区360°全景摄像头、云端社区追踪寻人系统信息库、智能寻人路线规划、智慧照明模块、单片机和无线传输模块结合社区路灯照明灯排布，建立社区摄像头网；

S2、通过单片机控制智能路灯与360°全景摄像头动作，拍摄视屏信息；

S3、通过云平台接收并存储360°全景摄像头拍摄的视频信息；

S4、在拍摄的视频信息的辅助下，利用寻人路线规划模块确定目标行动路线：

S401、确定要搜寻的目标人物能够确定的最后出现的时间地点，以该时间点为时间轴原点，以该地点为圆心，以距圆心最近的5个摄像头中最远的摄像头与圆心的距离为半径，抽取圆内路灯摄像头视频历史记录；根据路灯的距离选择要调取的历史视频信息：

R_io＝max{(x_ij-x_is)²+(y_ij-y_is)²}；

其中，R_io为时间轴原点摄像头为圆心时搜索区域圆的半径，(x_ij,y_ij)为编号为i的摄像头坐标，(x_is,y_is)为关联摄像头坐标；

S402、对已搜索过视频的摄像头进行标注；

S403、若未出现目标，圆心不变，半径扩大一倍；视频内出现目标，则以该视频对应摄像头位置作为新的圆心；

其中，i为摄像头序号，(x_ij,y_ij)为初始圆点坐标，(x_is,y_is)为关联摄像头坐标，R_in为新的搜索半径，O(x,y)为最后拍摄到目标任务的摄像头圆心坐标；

S404、重复S402，排除已抽取过的；

S405、当时间轴达到当前时刻，或者半径扩大两倍后仍无目标出现，锁定目标最后出现的摄像头区域，提示搜索结束；

S406、在虚拟社区地图上，点亮有目标人物出现的摄像头对应的LED，并根据目标出现的时间轴，绘制目标行动路线。

作为一种优选的实施方式，所述的S401中，通过卷积神经网络结合Haar特征与LBP算法截取视频中出现的人脸：

设置输入帧率20fps，侦测间隔4侦，每秒对5帧图像进行处理：

其中，Th为设定阈值，τ(t)与τ(t-1)表示相邻时刻图中同一位置的像素点,W表示(t-1)时刻权重值，S表示图片静态部分，BJ_T和BJ_T-1表示相邻时刻背景图；

对运动物体进行人脸判断：

其中，x为输入值，Confidence表示图像为人脸的可能性得分，P为该判断点符合人脸特征的概率，IOU为每个判断点判断图像是否为人脸的标准；

将检测出的人脸统一预处理，进行特征提取：

进行局部二值化：

将提取特征与目标任务面部特征进行匹配测试，确定目标历史活动区域。

作为一种优选的方式，所述的S402中，360°全景摄像头进行标注每次以每个成功捕获目标任务图像的摄像头为圆心，距圆心最近的5个摄像头中最远的摄像头与圆心的距离作半径；结合摄像头位置排布信息库，自动调取其圆内摄像头视频信息。

与现有技术相比，本发明的有益效果是：

本发明通过建立常住人口信息库，同时在社区照明网上建立社区摄像头网，能够实现发生失踪案时迅速在历史视频中智能搜索目标行踪，直观显示其行动路线，更加准确的推测其去向，缩小搜索范围，缩短搜寻时间。

附图说明

图1为本发明的社区追踪系统云平台信息库结构图；

图2为本发明的追踪寻人系统工作流程图；

图3为本发明追踪系统自动路径规划流程图；

图4为本发明历史视频信息人脸检测识别流程图；

图5为本发明智能照明路灯结构图；

图6为本发明追踪系统自动路径规划过程模拟图。

图5中标记说明如下：1、照明灯，2、摄像头，3、旋转轴，4、环境监测传感器；

图6中示例说明如下：

图例1、未出现目标或未搜索视频，

图例2、出现目标的视频，

图例3、两摄像头关联，

图例4、搜索过的关联摄像头，

图例5、失去目标踪迹的关联摄像头。

具体实施方式

下面结合实施例对本发明做进一步的描述。

以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。

本发明提供一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的系统，其特征在于，该系统包括单片机、智慧照明模块、安装在智慧照明模块上并与单片机通过无线传输模块连接的360°全景摄像头以及与单片机通过无线传输模块连接的云端社区追踪寻人系统信息库和智能寻人路线规划模块；

请参阅图5，所述的智慧照明模块包括灯杆、照明灯和环境监测传感器；所述的360°全景摄像头与灯杆之间通过旋转轴连接，可以灯杆为圆心，旋转轴为半径做180°旋转。

上述方案中，使用社区摄像头、云端社区追踪寻人系统信息库、智能寻人路线规划、智慧照明模块、单片机和无线传输模块结合社区路灯照明排布，建立社区摄像头网；使用云平台接收并存储摄像头拍摄的视频信息；使用卷积神经网络对图像信息进行识别处理；使用单片机控制智能路灯与摄像头动作；使用无线传输模块交互数据；使用虚拟社区地图终端观测追踪目标行动路线。

请参阅图1，结合社区路灯照明排布，建立社区摄像头网，在云平台建立社区自动追踪寻人系统信息库，信息库信息分类存储。

请参阅图2，当需要对社区居民进行去向搜索时，在常住人口信息库中选择目标任务，系统即开始自动搜索，经过历史视频信息中的人脸识别与匹配，自动规划搜索路线，最终确定最小搜索范围。

请参阅图5，采集视频信息的社区摄像头网，以社区的照明系统为基础，在各个重要路段及道路分叉口照明路灯上安置360°全景摄像头，摄像头与灯杆之间由旋转轴连接，以灯杆为圆心，旋转轴可以做半径带摄像头180°旋转，照明路灯上安置环境监测传感器，主要由光敏电阻与声敏电阻构成，连接路灯，根据周围的亮度与行人聚集程度调节路灯亮度，其亮度由功率表示：

其中，U为额定电压，R_iS为声敏电阻，R_iL为光敏电阻；

这样即可有人经过时，照明灯亮度足够，使得摄像头成功获得该人图像信息。

请参阅图6，云端社区追踪寻人系统信息库的建立，包括常住人口信息库、摄像头网信息库和实时视频信息库，其中常住人口信息库包括未成年人信息库、成年人信息库、社区住户所饲宠物信息库，摄像头网信息库包括摄像头出厂信息库、排布与位置变更信息库、运行状态与检修历史记录信息库；

其中，社区常住人口信息库，重点针对未成年人，其内包含常住未成年人口的面部、指纹、日常活动区域、亲属关系信息、居住地址信息等个人基本信息，未成年人每年更新录入个人信息，及时上传至云端保存，以便需要时可以随时调出；

其中，摄像头网信息库，其位置排布信息包括对任一路灯摄像头序号i，对其与其它摄像头距离排序，记录距摄像头i最近的5个摄像头序号，在云端记录各个摄像头的关联摄像头以便某一摄像头出现目标时，自动调取距离最近，即目标出现几率最大的关联摄像头历史视频，降低搜索的盲目性。

请参阅图4，以社区中心为坐标原点，正北正东方向分别为y轴和x轴，竖直方向为z轴建立直角坐标系，分别得出各个配有摄像头的照明灯坐标：

其中，D_ij为编号为i的摄像头与编号为j的摄像头之间的距离，N_im为与编号i的摄像头相关的第m个摄像头，N_im+1为除第m个摄像头外距离编号为i的最近的摄像头。

智能寻人路线规划，其中对云端历史视频信息中人脸信息的识别与处理，通过卷积神经网络结合Haar特征与LBP算法截取视频中出现的人脸，并与目标任务特征进行对比，识别人脸；视频处理过程具体包括以下步骤：

设置输入帧率20fps，侦测间隔4帧，每秒对5帧图像进行处理：

其中，Th为设定阈值，τ(t)与τ(t-1)表示相邻时刻图中同一位置的像素点,W表示(t-1)时刻权重值，S表示图片静态部分，BJ_T和BJ_T-1表示相邻时刻背景图；

对运动物体进行人脸判断，采用leakyrelu函数：

其中，x为输入值，Confidence表示图像为人脸的可能性得分，P为该判断点符合人脸特征的概率，IOU为每个判断点判断图像是否为人脸的标准；

将检测出的人脸统一预处理处理，进行特征提取：

进行局部二值化：

提取特征与目标任务面部特征进行匹配测试，确定目标历史活动区域。

请参阅图3，智能规划寻人路线功能，其寻人路线规划在历史视频信息的辅助下，每次以每个成功捕获目标任务图像的摄像头为圆心，圆心摄像头的5个关联摄像头中距圆心最远的摄像头与圆心的距离作半径，结合摄像头位置排布信息库，自动调取其圆内摄像头视频信息，确定目标的行动去向，当关联5个摄像头均为出现目标人物时，搜索半径扩大一倍，继续搜索，若仍未搜索到目标人物，则搜索结束，确定最小的人工搜索范围。寻人路线规划包括以下步骤：

确定要搜寻的目标人物能够确定的最后出现的时间地点，以该时间点为时间轴原点，以该地点为圆心，抽取圆内路灯摄像头视频历史记录；根据路灯的距离选择要调取的历史视频信息：

R_io＝max{(x_ij-x_is)²+(y_ij-y_is)²}；

对已搜索过视频的摄像头进行标注；

若未出现目标，圆心不变，半径扩大一倍；视频内出现目标，则以该视频对应摄像头位置作为新的圆心；

其中，i为摄像头序号，(x_ij,y_ij)为初始圆点坐标，(x_is,y_is)为关联摄像头坐标，R_in为新的搜索半径，O(x,y)为最后拍摄到目标任务的摄像头圆心坐标；

排除已抽取过的，重复步骤b；

当时间轴达到当前时刻，或者半径扩大两倍后仍无目标出现，锁定目标最后出现的摄像头区域，提示搜索结束；

在虚拟社区地图上，点亮有目标人物出现的摄像头对应的LED，并根据目标出现的时间轴，绘制目标行动路线。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (1)

1.一种社区照明网与云平台社区人口信息库结合实现自动寻人追踪的方法，其特征在于，利用社区照明网与云平台社区人口信息库结合实现自动寻人追踪的系统实现自动寻人追踪，该系统包括单片机、智慧照明模块、安装在智慧照明模块上并与单片机通过无线传输模块连接的360°全景摄像头以及与单片机通过无线传输模块连接的云端社区追踪寻人系统信息库和智能寻人路线规划模块；

所述的智慧照明模块包括灯杆、照明灯和环境监测传感器；所述的360°全景摄像头与灯杆之间通过旋转轴连接，可以灯杆为圆心，旋转轴为半径做180°旋转；

所述的云端社区追踪寻人系统信息库包括常住人口信息库、摄像头网信息库和实时视频信息库；

所述的常住人口信息库包括未成年人信息库、成年人信息库和社区住户所饲宠物信息库；

所述的摄像头网信息库包括摄像头出厂信息库、排布与位置变更信息库、运行状态与检修历史记录信息库；

所述的排布与位置变更信息库包括任一路灯上的360°全景摄像头序号i和该360°全景摄像头i最近的5个360°全景摄像头的序号；

所述的社区常住人口信息库包括常住未成年人口的面部、指纹、日常活动区域、亲属关系信息和居住地址信息，所述的社区常驻人口信息库每年更新录入个人信息，及时保存，用以需要时随时调出；

所述方法具体包括如下步骤：

S1、使用社区360°全景摄像头、云端社区追踪寻人系统信息库、智能寻人路线规划、智慧照明模块、单片机和无线传输模块结合社区路灯照明灯排布，建立社区摄像头网；

S2、通过单片机控制智能路灯与360°全景摄像头动作，拍摄视屏信息；

S3、通过云平台接收并存储360°全景摄像头拍摄的视频信息；

S4、在拍摄的视频信息的辅助下，利用寻人路线规划模块确定目标行动路线：

S401、确定要搜寻的目标人物能够确定的最后出现的时间地点，以该时间点为时间轴原点，以该地点为圆心，以距圆心最近的5个摄像头中最远的摄像头与圆心的距离为半径，抽取圆内路灯摄像头视频历史记录；根据路灯的距离选择要调取的历史视频信息：

R_io＝max{(x_ij-x_is)²+(y_ij-y_is)²}；

其中，R_io为时间轴原点摄像头为圆心时搜索区域圆的半径，(x_ij,y_ij)为编号为i的摄像头坐标，(x_is,y_is)为关联摄像头坐标；

S402、对已搜索过视频的摄像头进行标注；

S403、若未出现目标，圆心不变，半径扩大一倍；视频内出现目标，则以该视频对应摄像头位置作为新的圆心；

其中，i为摄像头序号，(x_ij,y_ij)为初始圆点坐标，(x_is,y_is)为关联摄像头坐标，R_in为新的搜索半径，O(x,y)为最后拍摄到目标任务的摄像头圆心坐标；

S404、重复S402，排除已抽取过的；

S405、当时间轴达到当前时刻，或者半径扩大两倍后仍无目标出现，锁定目标最后出现的摄像头区域，提示搜索结束；

S406、在虚拟社区地图上，点亮有目标人物出现的摄像头对应的LED，并根据目标出现的时间轴，绘制目标行动路线；

所述的S401中，通过卷积神经网络结合Haar特征与LBP算法截取视频中出现的人脸：

设置输入帧率20fps，侦测间隔4侦，每秒对5帧图像进行处理：

其中，Th为设定阈值，τ(t)与τ(t-1)表示相邻时刻图中同一位置的像素点,W表示(t-1)时刻权重值，S表示图片静态部分，BJ_T和BJ_T-1表示相邻时刻背景图；

对运动物体进行人脸判断：

其中，x为输入值，Confidence表示图像为人脸的可能性得分，P为该判断点符合人脸特征的概率，IOU为每个判断点判断图像是否为人脸的标准；

将检测出的人脸统一预处理，进行特征提取：

进行局部二值化：

将提取特征与目标任务面部特征进行匹配测试，确定目标历史活动区域。

Images