CN110602438A - 一种基于路网的视频监控布局优化方法及装置 - Google Patents
一种基于路网的视频监控布局优化方法及装置 Download PDFInfo
- Publication number
- CN110602438A CN110602438A CN201810604728.3A CN201810604728A CN110602438A CN 110602438 A CN110602438 A CN 110602438A CN 201810604728 A CN201810604728 A CN 201810604728A CN 110602438 A CN110602438 A CN 110602438A
- Authority
- CN
- China
- Prior art keywords
- road network
- node
- network data
- data
- coverage
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于路网的视频监控布局优化方法及装置，基于已获取的路网数据和多维城市基础数据，计算路网数据中节点对应的高危程度等级，按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，最后基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。本发明对城市的视频监控布局合理性进行了评估，改善了城市视频监控系统中摄像头的布局，实现监控无死角。
Description
技术领域
本发明属于视频监控布局优化技术领域，尤其涉及一种基于路网的视频监控布局优化方法及装置。
背景技术
当前基于地图的视频监控网络已经广泛地应用于公安日常的治安防控和指挥调度中，通过地图的视频应用，可实时地对地图指定地点进行视频监控，相比于传统的监控平台，基于电子地图的监控平台能够提供更好的用户体验，更实时的点位监控，更直观的呈现，以及更智能的警力调度，由此带来更好的警情防控和案件侦破。
随着视频监控网络覆盖区域越来越大，城市监控覆盖率不足的问题日益突出。如此多的摄像机在城市中部署，视频监控网络是否真的做到了监控无死角很难进行排查。对于小区域的范围来说，可以通过人力进行判断监控是否已全覆盖，但就平安城市而言，无论的城市的复杂程度，还是摄像头的数量已远远超过了人力所能排查的范围，由此带来的问题是，即使整个城市已经高度监控化，但无法知道是否真的监控无死角。
因此城市中视频监控系统的摄像机布局优化问题一直是业界比较关心的问题之一，除了人为进行排查消除监控死角外，还未有更好的技术方案来解决。
发明内容
本发明的目的是提供一种基于路网的视频监控布局优化方法及装置，用以对视频监控网络进行布局优化，无需人为进行排查消除监控死角，节省了人力物力，提高了网络覆盖效果。
为了实现上述目的，本发明技术方案如下：
一种基于路网的视频监控布局优化方法，所述基于路网的视频监控布局优化方法，包括：
基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；
按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
其中，所述多维城市基础数据包括但不限于：
公安系统的案件数据、智能交通系统的违法记录、移动通信系统的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
进一步地，所述根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，包括：
统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
进一步地，所述按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，包括：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像机且被其可视域覆盖。
本发明还提出了一种基于路网的视频监控布局优化装置，所述基于路网的视频监控布局优化装置，包括：
等级计算模块，用于基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；
覆盖提示模块，用于按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
优化指示模块，用于基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
进一步地，所述等级计算模块根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，执行如下操作：
统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
进一步地，所述覆盖提示模块按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，执行如下操作：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像机且被其可视域覆盖。
本发明提出的一种基于路网的视频监控布局优化方法及装置，基于已获取的路网数据和多维城市基础数据，计算路网数据中节点对应的高危程度等级，按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，最后基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。本发明对城市的视频监控布局合理性进行了评估，改善了城市视频监控系统中摄像头的布局，实现监控无死角。
附图说明
图1为本发明基于路网的视频监控布局优化方法流程图；
图2为本发明实施例视频监控网络摄像机及其可视域示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。
如图1所示，提出了一种基于路网的视频监控布局优化方法的实施例，在本实施例中，一种基于路网的视频监控布局优化方法，包括：
步骤S1、基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级。
随着城市智能化程度的提高，城市基础数据的获得成为可能。目前，城市基础数据包括但不限于公安系统的案件数据、智能交通系统的违法记录、移动通信系统的定位数据、物联网数据、以及电子地图中的感兴趣点(POI)数据等都能够通过特定的渠道获取。
然而，当前虽然上述数据在平安城市已有完善的采集和存储要求，平台数据库表中可详细的记录这些数据，但如果没有有效的利用，则这些数据也仅仅单一的存在，无法体现更多的价值。本实施例将综合利用这些城市基础数据，建立多维城市数据资源池。
以下是上述城市基础数据的示例：
表1中是移动通信系统记录的定位数据：
| 记录编号 | 设备标识 | MAC地址 | 经度 | 纬度 |
| 100000001 | 210235C2FLC169002545 | 48:EA:63:01:17:88 | 120.247561 | 30.156325 |
| 100000002 | 210235C2FLC169001495 | 48:EA:63:01:17:8A | 120.244042 | 30.175465 |
表1
表2中是物联网数据：
| 记录编号 | 设备标识 | 标签标识 | 经度 | 纬度 |
| 100000001 | 210235C2FLC169000012 | A1000540 | 120.253122 | 30.106012 |
| 100000002 | 210235C2FLC169000013 | A1000540 | 120.244044 | 30.121836 |
| … | … | … | … | … |
表2
表3中是公安系统记录的案件数据：
表3
表4中是电子地图的POI数据：
| 编号 | 名称 | 地址 | 经度 | 纬度 |
| 304374 | 中国邮政 | **大街88号 | 120.253122 | 30.106012 |
| 304375 | 浙江大学 | **大街180号 | 120.244044 | 30.121836 |
| … | … | … | … | … |
表4
此外，路网数据已经广泛地应用到安防领域，结合路网数据更加真实的知道城市的发展情况、布局、出行路线等。路网系统的基础是图论，在数据库中主要由两个表构成，V为节点表，E为道路表。其中节点表5所示：
| 节点编号 | 节点名称 | 节点经度 | 节点纬度 | …… |
| 1 | O | 120.195655 | 30.168542 | …… |
| 2 | V<sub>1</sub> | 120.195915 | 30.168746 | …… |
| 3 | V<sub>2</sub> | 120.196225 | 30.168793 | …… |
| 4 | V<sub>5</sub> | 120.196745 | 30.168811 | …… |
| 5 | V<sub>7</sub> | 120.196885 | 30.168837 | …… |
| …… | …… | …… | …… | …… |
表5
本实施例以路网数据中节点为中心，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级。
本实施例为每种城市基础数据设置了加权值，在计算路网数据中节点对应的高危程度等级时，先以节点为中心，划定一个设定范围来做评价。该设定范围可以是以该节点为圆心，以设定的距离为半径(假设300米)的范围为设定范围；也可以根据周围的建筑情况不规则划定该设定范围。在此范围内统计各种多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值。以具有五种城市基础数据为例，按照如下公式计算节点对应的高危值P：
P＝n1*A1+n2*A2+n3*A3+n4*A4+n5*A5
其中，n1～n5为每种城市基础数据在设定范围内分别对应的数据记录数量，A1～A5为每种城市基础数据对应的加权值。
然后，根据每种高危程度等级对应的高危值范围，确定各节点对应的高危程度等级。
假设高危程度等级与高危值范围的对应关系如下表所示：
| 高危程度等级 | 高危值范围 | 覆盖要求 |
| 一级 | AAAAA-BBBBB | 50M |
| 二级 | CCCCC-BBBBB | 100M |
| 三级 | DDDDD-CCCCC | 150M |
| 四级 | EEEEE-DDDDD | 200M |
| 五级 | FFFFF-EEEEE | 300M |
表6
则在计算出节点对应的高危值后，可以确定节点对应的高危程度等级。
需要说明的是，对于节点对应的高危值P，计算方法除上述公式外，还可以根据案件的等级分别为不同案件设定不同的加权值，来综合计算节点对应的高危值P。例如刑事案件的等级最高，设定的加权值最大，例如1，即只要发生了刑事案件，必然需要重点监控。本发明不限于节点对应的高危值P的具体计算方法。同时，本发明亦不限于所采用的城市基础数据的种类多少，一般能够利用的城市基础数据越多布局优化结果越好。
步骤S2、按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求。
本实施例在确定节点对应的高危程度等级后，根据高危程度等级对应的覆盖要求，就可以确定每个路网节点对应的覆盖要求。如表6所示，高危程度等级为一级时，其覆盖要求是50M范围；高危程度等级为二级时，其覆盖要求是100M范围，以此类推。
则每个路网数据中节点对应的覆盖要求，就是在节点对应的高危程度等级对应的覆盖要求范围内，具有摄像机且被其可视域覆盖。
例如：假设V1对应的高危程度等级为1级，则V1对应的覆盖要求为50M，则V1的覆盖要求是在50米内有摄像机，并且该摄像机的可视域包括V1。
容易理解的是，本实施例按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，仅列出了一种实现方式。根据视频监控系统的具体要求，还可以进一步加强覆盖要求。例如：要求节点附件50米范围完全被摄像机可视域覆盖，或要求最少具有两台摄像机进行交叉覆盖。根据覆盖要求的不同，在后续优化时，进行不同的调整，这里不再赘述。
步骤S3、基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
当前在城市视频监控系统中的摄像机都标有对应的经纬度信息和可视域信息，可以通过经纬度信息获知区域内的摄像机情况，可以查询摄像机获取其可视域情况。
例如，摄像机位置信息如表7所示：
| 摄像机编号 | 摄像机名称 | 经度 | 纬度 |
| camera1 | 江南大道火炬大道口 | 30.358606 | 120.095821 |
| camera2 | 通策广场 | 30.357675 | 120.095587 |
表7
例如，摄像机可视域信息如下：
表8
最后，结合可视化地图，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
例如，如图2所示，假设图2中节点V1、V2的高危程度等级是一级，节点V3的高危程度等级是2级，摄像机IPC1、IPC2、IPC3的可视域如扇形区域所示。
则在优化时，需要调整IPC1的可视域，使其偏转角度，覆盖V1；IPC2已经覆盖V2，不需要进行调整；而对于V3，其高危程度等级是2级，也即需要调整IPC3落入V3的距离100米内，且其可视域的扇形区域对准V3，或直接增加以摄像机IPC4实现对V3的覆盖。
即在布局优化时，在通过本发明的方法计算得出某一区域的监控覆盖存在缺失有监控死角时，如果当前摄像机的覆盖无法满足要求，则可以通过调整可视域范围，或通过增加监控点位(监控摄像机)来进行覆盖，使得满足覆盖要求。
至此，本发明技术方案通过城市多维基础数据，确定了路网节点的高危程度等级，最后根据高危程度等级的覆盖要求，结合视频监控系统的摄像机位置信息和可视域信息，进行优化，实现视频监控的无死角优化布局。
与图1方法对应的，本技术方案还提出了一种基于路网的视频监控布局优化装置的实施例，该基于路网的视频监控布局优化装置可以是一台计算机，或具有处理器和存储介质的专用设备。
本实施例一种基于路网的视频监控布局优化装置，包括：
等级计算模块，用于基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；
覆盖提示模块，用于按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
优化指示模块，用于基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
本实施例等级计算模块收集多维城市基础数据，结合路网数据计算节点对应的高危程度等级，执行如下操作：
统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
本实施例覆盖提示模块按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，执行如下操作：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像机且被其可视域覆盖。
容易理解的是，覆盖提示模块可以在显示器上显示各个节点的覆盖要求，例如在电子地图中显示以节点为中心的，高危程度等级对应的覆盖半径的区域，以便后续对其进行布局优化。
而优化指示模块，则会在电子地图中显示个摄像机的可视域，在布局优化后，实时更新摄像机的位置和可视域，与路网节点的覆盖要求进行对应，则可以对城市的视频监控布局合理性进行了评估，改善了城市视频监控系统中摄像头的布局，实现监控无死角。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于路网的视频监控布局优化方法，其特征在于，所述基于路网的视频监控布局优化方法，包括：
基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；
按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
2.如权利要求1所述的基于路网的视频监控布局优化方法，其特征在于，所述多维城市基础数据包括但不限于：
公安系统的案件数据、智能交通系统的违法记录、移动通信系统的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
3.如权利要求1所述的基于路网的视频监控布局优化方法，其特征在于，所述根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，包括：
统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
4.如权利要求1所述的基于路网的视频监控布局优化方法，其特征在于，所述按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，包括：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像机且被其可视域覆盖。
5.一种基于路网的视频监控布局优化装置，其特征在于，所述基于路网的视频监控布局优化装置，包括：
等级计算模块，用于基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；
覆盖提示模块，用于按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
优化指示模块，用于基于视频监控网络中摄像机的位置信息和可视域信息，优化每个路网数据中节点周围的摄像机位置和可视域，满足每个路网数据中节点对应的覆盖要求。
6.如权利要求5所述的基于路网的视频监控布局优化装置，其特征在于，所述多维城市基础数据包括但不限于：
公安系统的案件数据、智能交通系统的违法记录、移动通信系统的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
7.如权利要求5所述的基于路网的视频监控布局优化装置，其特征在于，所述等级计算模块根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，执行如下操作：
统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
8.如权利要求5所述的基于路网的视频监控布局优化方法，其特征在于，所述覆盖提示模块按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，执行如下操作：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像机且被其可视域覆盖。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810604728.3A CN110602438B (zh) | 2018-06-13 | 2018-06-13 | 一种基于路网的视频监控布局优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810604728.3A CN110602438B (zh) | 2018-06-13 | 2018-06-13 | 一种基于路网的视频监控布局优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110602438A true CN110602438A (zh) | 2019-12-20 |
| CN110602438B CN110602438B (zh) | 2021-12-28 |
Family
ID=68849510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810604728.3A Active CN110602438B (zh) | 2018-06-13 | 2018-06-13 | 一种基于路网的视频监控布局优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110602438B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111212272A (zh) * | 2020-01-21 | 2020-05-29 | 浙江大华技术股份有限公司 | 灾情监测方法、装置、存储介质及电子装置 |
| CN111427981A (zh) * | 2020-03-11 | 2020-07-17 | 深圳震有科技股份有限公司 | 一种利用路网数据模拟点位数据的方法及系统 |
| CN111866451A (zh) * | 2020-06-19 | 2020-10-30 | 深圳宏芯宇电子股份有限公司 | 一种实时全3d智慧城市实现方法以及系统 |
| CN111932868A (zh) * | 2020-06-23 | 2020-11-13 | 南京市公安局 | 一种基于路网的视频监控盲区检测方法和系统 |
| CN112365722A (zh) * | 2020-09-22 | 2021-02-12 | 浙江大华系统工程有限公司 | 道路监控区域识别方法、装置、计算机设备和存储介质 |
| CN112802333A (zh) * | 2020-12-30 | 2021-05-14 | 中交安科(南京)安全咨询有限公司 | 基于ai视频分析的高速公路路网安全态势分析系统、方法 |
| CN112906447A (zh) * | 2020-09-22 | 2021-06-04 | 西南石油大学 | 基于视频监控高危地的异常事件检测系统 |
| CN116980559A (zh) * | 2023-06-09 | 2023-10-31 | 负熵信息科技(武汉)有限公司 | 一种城域级视频智能卡口规划布局方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440780A (zh) * | 2013-08-19 | 2013-12-11 | 中国航天系统工程有限公司 | 一种基于定位标签的城市复杂交通环境路径诱导系统和方法 |
| WO2014182898A1 (en) * | 2013-05-09 | 2014-11-13 | Siemens Aktiengesellschaft | User interface for effective video surveillance |
| CN104469322A (zh) * | 2014-12-24 | 2015-03-25 | 重庆大学 | 一种面向大场景监控的摄像机布局优化方法 |
| CN104780345A (zh) * | 2014-11-13 | 2015-07-15 | 安徽四创电子股份有限公司 | 一种基于gis的平安城市监控点布局评价方法 |
| CN106164997A (zh) * | 2014-02-27 | 2016-11-23 | 通腾运输公司 | 用于将危险与数字地图的地区相关联的方法 |
| CN106600961A (zh) * | 2016-12-22 | 2017-04-26 | 南京师范大学 | 一种监控摄像机路网覆盖优化方法 |
| CN106652483A (zh) * | 2017-03-06 | 2017-05-10 | 同济大学 | 利用检测设备在区域公路网布设交通信息检测点的方法 |
| CN107085939A (zh) * | 2017-05-17 | 2017-08-22 | 同济大学 | 一种基于路网等级划分的高速公路vms布局优化方法 |
| CN108174162A (zh) * | 2018-01-05 | 2018-06-15 | 河南大学 | 一种基于签到poi的城市视频监控空间优化方法 |
-
2018
- 2018-06-13 CN CN201810604728.3A patent/CN110602438B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014182898A1 (en) * | 2013-05-09 | 2014-11-13 | Siemens Aktiengesellschaft | User interface for effective video surveillance |
| CN103440780A (zh) * | 2013-08-19 | 2013-12-11 | 中国航天系统工程有限公司 | 一种基于定位标签的城市复杂交通环境路径诱导系统和方法 |
| CN106164997A (zh) * | 2014-02-27 | 2016-11-23 | 通腾运输公司 | 用于将危险与数字地图的地区相关联的方法 |
| CN104780345A (zh) * | 2014-11-13 | 2015-07-15 | 安徽四创电子股份有限公司 | 一种基于gis的平安城市监控点布局评价方法 |
| CN104469322A (zh) * | 2014-12-24 | 2015-03-25 | 重庆大学 | 一种面向大场景监控的摄像机布局优化方法 |
| CN106600961A (zh) * | 2016-12-22 | 2017-04-26 | 南京师范大学 | 一种监控摄像机路网覆盖优化方法 |
| CN106652483A (zh) * | 2017-03-06 | 2017-05-10 | 同济大学 | 利用检测设备在区域公路网布设交通信息检测点的方法 |
| CN107085939A (zh) * | 2017-05-17 | 2017-08-22 | 同济大学 | 一种基于路网等级划分的高速公路vms布局优化方法 |
| CN108174162A (zh) * | 2018-01-05 | 2018-06-15 | 河南大学 | 一种基于签到poi的城市视频监控空间优化方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111212272A (zh) * | 2020-01-21 | 2020-05-29 | 浙江大华技术股份有限公司 | 灾情监测方法、装置、存储介质及电子装置 |
| CN111212272B (zh) * | 2020-01-21 | 2022-04-19 | 浙江大华技术股份有限公司 | 灾情监测方法、装置、存储介质及电子装置 |
| CN111427981A (zh) * | 2020-03-11 | 2020-07-17 | 深圳震有科技股份有限公司 | 一种利用路网数据模拟点位数据的方法及系统 |
| CN111866451A (zh) * | 2020-06-19 | 2020-10-30 | 深圳宏芯宇电子股份有限公司 | 一种实时全3d智慧城市实现方法以及系统 |
| CN111932868A (zh) * | 2020-06-23 | 2020-11-13 | 南京市公安局 | 一种基于路网的视频监控盲区检测方法和系统 |
| CN112365722A (zh) * | 2020-09-22 | 2021-02-12 | 浙江大华系统工程有限公司 | 道路监控区域识别方法、装置、计算机设备和存储介质 |
| CN112906447A (zh) * | 2020-09-22 | 2021-06-04 | 西南石油大学 | 基于视频监控高危地的异常事件检测系统 |
| CN112802333A (zh) * | 2020-12-30 | 2021-05-14 | 中交安科(南京)安全咨询有限公司 | 基于ai视频分析的高速公路路网安全态势分析系统、方法 |
| CN116980559A (zh) * | 2023-06-09 | 2023-10-31 | 负熵信息科技(武汉)有限公司 | 一种城域级视频智能卡口规划布局方法 |
| CN116980559B (zh) * | 2023-06-09 | 2024-02-09 | 负熵信息科技(武汉)有限公司 | 一种城域级视频智能卡口规划布局方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110602438B (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110602438B (zh) | 一种基于路网的视频监控布局优化方法及装置 | |
| US9547866B2 (en) | Methods and apparatus to estimate demography based on aerial images | |
| Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
| Yabe et al. | A framework for evacuation hotspot detection after large scale disasters using location data from smartphones: case study of kumamoto earthquake | |
| CN111076096B (zh) | 燃气管网泄漏识别方法和装置 | |
| CN109993971B (zh) | 一种提升交通事故地点定位准确率的方法 | |
| CN107317891A (zh) | 一种面向动态ip多区域性分布的地理位置定位方法 | |
| Yabe et al. | Estimating Evacuation Hotspots using GPS data: What happened after the large earthquakes in Kumamoto, Japan | |
| CN109495848B (zh) | 一种用户空间定位的方法 | |
| CN105184435A (zh) | 一种外勤人员管理方法及系统 | |
| CN102629270A (zh) | 一种智慧城市地理信息三维呈现方法和装置 | |
| CN104239951A (zh) | 一种利用信道状态信息的非绑定人数计数方法 | |
| Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
| CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
| CN107301658B (zh) | 一种无人机影像与大规模旧时相影像快速匹配定位的方法 | |
| CN114399625B (zh) | 一种位置确定方法、装置、存储介质及电子装置 | |
| Hong et al. | Using 3D WebGIS to support the disaster simulation, management and analysis–examples of tsunami and flood | |
| CN111507364A (zh) | 一种可疑车辆检测方法 | |
| CN112085379A (zh) | 一种基于地籍测绘成图系统的土地等级评价方法、装置和系统 | |
| Kyritsis | The identification of road modality and occupancy patterns by Wi-Fi monitoring sensors as a way to support the “Smart Cities” concept: Application at the city centre of Dordrecht | |
| Burgess | Understanding crime hotspot maps | |
| CN104077724A (zh) | 一种面向物联网综合应用的基础空间信息架构方法 | |
| CN116402548B (zh) | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 | |
| Doulabi | Contextual Adjustment of the ITE Trip Generation Rates Using Wi-Fi and Bluetooth Technologies | |
| CN113990064B (zh) | 一种交通数据采集方法、系统和计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |