CN111275951A - 一种信息处理方法、装置、设备及计算机存储介质 - Google Patents

Abstract

本发明公开了一种信息处理方法、装置、设备及计算机存储介质。该方法包括：获取目标监测对象的至少一类指标数据和视频图像数据，至少一类指标数据中的每类指标数据为与每类指标数据对应的传感器采集；根据至少一类指标数据确定目标监测对象的环境事件的第一事件发生概率，以及根据视频图像数据确定环境事件的第二事件发生概率；根据第一事件发生概率和第二事件发生概率确定环境事件的多个模糊发生概率；根据多个模糊发生概率确定环境事件的事件发生概率。通过视频和传感器共同检测，实现对目标场景的精准监控，以解决单一监控手段获取信息不全面导致的预警决策不准确的问题。

Description

一种信息处理方法、装置、设备及计算机存储介质

技术领域

本发明属于信息处理领域，尤其涉及一种信息处理方法、装置、设备 及计算机存储介质。

背景技术

在目前技术条件下，对于如环保污染、水利水情等行业的自动化监控， 主要采用单一的传感器指标数据对发生的环境事件进行监控，或者通过采 集的视频来监控的环境事件。这里的环境事件是指由于污染物排放或自然 灾害等因素，导致污染物等有毒有害物质进入大气、水体、土壤等环境介 质，可能造成的环境质量下降的事件。

但是，单一的视频监视或传感器监控巡查手段无法应对现场复杂多变 的实际情况，无法真实有效的对实际事件情况进行掌控，并且时常会误判、 漏判。

因此，如何解决单一监控手段获取信息不全面导致的预警决策不准确 成为一个有待解决的问题。

发明内容

本发明实施例提供一种信息处理方法、装置、设备及计算机存储介质， 以解决单一监控手段获取信息不全面导致的预警决策不准确的问题。

第一方面，本申请提供了一种信息处理方法，该方法包括：获取目标 监测对象的至少一类指标数据和视频图像数据，至少一类指标数据中的每 类指标数据为与每类指标数据对应的传感器采集；根据至少一类指标数据 确定目标监测对象的环境事件的第一事件发生概率，以及根据视频图像数 据确定环境事件的第二事件发生概率；根据第一事件发生概率和第二事件 发生概率确定环境事件的多个模糊发生概率；根据多个模糊发生概率确定 环境事件的事件发生概率。

在一种可能的实现中，在每类传感器包括多个子传感器，且一个子传 感器采集得到一个子指标数据的情况下；在根据至少一类指标数据确定第 一事件发生概率之前，方法还包括：对每类指标数据包括的多个子指标数 据进行融合预处理，确定多个第一指标数据；根据多个第一指标数据之间 的置信距离测度确定多个第一指标数据的关系矩阵；根据关系矩阵从多个 第一指标数据中确定多个第二指标数据；对多个第二指标数据进行数据融 合处理，确定第三指标数据；根据至少一类指标数据确定目标监测对象的 环境事件的第一事件发生概率，具体包括：根据第三指标数据确定第一事 件发生概率。

在一种可能的实现中，对每类指标数据包括的多个子指标数据进行融 合预处理，确定多个第一指标数据，包括：基于分布式滤波算法对多个子 指标数据进行融合预处理分别确定多个子指标数据的状态参数和测量参数； 根据状态参数和测量参数确定多个第一指标数据。

在一种可能的实现中，根据多个第一指标数据之间的置信距离测度确 定第一指标数据的关系矩阵，包括：根据多个第一指标数据之间的置信距 离测度确定多个第一指标数据之间的置信距离矩阵；根据置信距离矩阵中 的多个置信距离测度与预设阈值之间的关系值，确定多个第一指标数据的 关系矩阵。

在一种可能的实现中，在根据至少一类指标数据确定第一事件发生概 率，以及根据视频图像数据确定第二事件发生概率之前，方法还包括：分 别确定每类指标数据的局部决策结果；根据至少一类指标数据确定目标监 测对象的环境事件的第一事件发生概率，以及根据视频图像数据确定环境 事件的第二事件发生概率，具体包括：在至少一个局部决策结果满足预设 决策条件的情况下，根据至少一类指标数据确定第一事件发生概率，以及根据视频图像数据确定第二事件发生概率。

在一种可能的实现中，分别确定每类指标数据的局部决策结果，包括： 根据每类指标数据的多个相邻采样值的差值确定每类指标数据的累加函数； 在累加函数的情况下满足局部报警条件的情况下，将累加函数对应的指标 数据的局部决策结果确定为非平稳变化；在累加函数的情况下不满足局部 报警条件的情况下，将累加函数对应的指标数据的局部决策结果确定为平 稳变化。

在一种可能的实现中，根据至少一类指标数据确定第一事件发生概率， 包括：根据至少一类指标数据和预先配置的事件数据库确定第一事件发生 概率。

在一种可能的实现中，根据第一事件发生概率和第二事件发生概率确 定事件的多个模糊发生概率，包括：在第一事件发生概率或第二事件发生 概率大于预设事件发生阈值时，累计事件发生持续时间直至第一事件发生 概率和第二事件发生概率均不大于预设事件发生阈值；根据第一事件发生 概率、第二事件发生概率和事件发生持续时间，确定事件的多个模糊发生 概率。

在一种可能的实现中，根据第一事件发生概率、第二事件发生概率和 事件发生持续时间，确定事件的多个模糊发生概率，包括：

分别确定第一事件发生概率、第二事件发生概率和事件发生持续时间 的第一隶属函数、第二隶属函数和第三隶属函数；其中，第一隶属函数、 第二隶属函数和第三隶属函数分别用于表示第一事件发生概率、第二事件 发生概率和事件发生持续时间的可信度；在第一隶属函数、第二隶属函数 和第三隶属函数满足第一预设条件的情况下，根据第一事件发生概率、第 二事件发生概率、事件发生持续时间，以及预设的第一曲线函数确定事件 的多个模糊发生概率；在第一隶属函数、第二隶属函数和第三隶属函数满 足第二预设条件的情况下，根据第一事件发生概率、第二事件发生概率和 事件发生持续时间，以及预设的第二曲线函数确定事件的多个模糊发生概 率。

在一种可能的实现中，根据多个模糊发生概率确定事件发生概率，包 括：基于笛卡尔积算法对多个模糊发生概率进行计算，确定环境事件的发 生概率。

第二方面，本发明实施例提供了一种信息处理装置，装置包括：获取 模块，用于获取目标监测对象的至少一类指标数据和视频图像数据，所述 至少一类指标数据中的每类指标数据为与所述每类指标数据对应的传感器 采集；第一确定模块，用于根据所述至少一类指标数据确定第一事件发生 概率，以及根据所述视频图像数据确定第二事件发生概率；第二确定模块， 用于根据所述第一事件发生概率和所述第二事件发生概率确定事件的多个 模糊发生概率；第三确定模块，用于根据所述多个模糊发生概率确定事件 发生概率。

第三方面，本发明实施例提供了一种计算设备，设备包括：处理器以 及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如 本发明实施例提供的信息处理方法。

第四方面，本发明实施例提供了一种计算机存储介质，计算机存储介 质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如本发 明实施例提供的信息处理方法。

本发明实施例的信息处理方法、装置、设备及计算机存储介质，通过 视频检测和传感器指标检测共同作用实现对目标场景的监控，可以避免单 一监控方法出现故障或失效时的误检或漏检，还对基于传感器数据确定的 第一事件发生概率和基于视频数据确定的第二事件发生概率进行模糊融合， 确定最终的事件发生概率，提高了对于环境事件的预警决策的准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例 中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种信息处理方法的流程示意图；

图2是本发明实施例提供的一种融合联动系统结构示意图；

图3是本发明实施例提供的一种特征器结构示意图；

图4是本发明实施例提供的一种隶属度函数示意图；

图5是本发明实施例提供的另一种隶属度函数示意图；

图6是本发明实施例提供的一种预警决策方法的流程图示意图；

图7是本发明实施例提供的一种实现信息融合联动的流程示意图；

图8是本发明实施例提供的一种信息处理装置的结构示意图；

图9是本发明实施例提供的一种示例性硬件架构的示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本 发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例， 对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配 置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说， 本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实 施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用 来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者 暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语 “包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而 使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而 且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物 品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……” 限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还 存在另外的相同要素。

在目前技术条件下，对于如环保污染、水利水情、农业大棚生产等的 各种行业的自动化监控，主要采用单一的物联网传感器指标数据监控的方 法，或者单一视频监控的方法，未能做到采用两种监控方法进行融合分析 和联动预警。

人工巡查的方法存在费力、耗时、成本高、效率低下等问题，而单一 的视频监视或传感器监控巡查手段无法应对现场复杂多变的实际情况，无 法真实有效的对生产实际进行掌控，并且对污染超标、水利灾害、农作物 生产环境异常时容易误判、漏判，难以做出紧急有效的应对和处置。

譬如，环保行业单独通过传感器监控到污染物的浓度指标异常时无法 自动对排烟的视频进行抓拍录像，而且对于湖面的垃圾、蓝藻等漂浮物的 污染也无法通过传感器指标监控到；水利行业单独通过视频监视到洪水情 况时，却难以描述具体的水位、流量等客观数据指标；传感器可以监控到 农业大棚内的温度、湿度、墒情指标，但无法监控农作物的实时长势、是 否倒伏异常等等。

随着近年来摄像头技术和传感器技术的大力发展，计算机性能的提高， 在信息处理领域利用图像数据和传感器数据来进行融合计算，成为流行趋 势。

为了解决基于单一监控手段获取信息不全面导致的预警决策不准确的 问题，可以综合利用视频智能分析和传感器大数据分析相融合的方法实时 检测异常情况，一旦出现异常即可自动预警并进行处置，大大提高了预警 的准确性和预警效率，降低了异常情况的危害和风险。基于此，本发明实 施例提供了一种信息处理方法。

下面对本发明实施例所提供的信息处理方法进行描述。

图1所示为本发明实施例的信息处理方法的流程示意图。

如图1所示，该信息处理方法可以包括S101-S104，该方法应用于服 务器，具体如下所示：

S101，获取目标监测对象的至少一类指标数据和视频图像数据，至少 一类指标数据中的每类指标数据为与每类指标数据对应的传感器采集。

S102，根据至少一类指标数据确定目标监测对象的环境事件的第一事 件发生概率，以及根据视频图像数据确定环境事件的第二事件发生概率；

S103，根据第一事件发生概率和第二事件发生概率确定环境事件的多 个模糊发生概率。

S104，根据多个模糊发生概率确定环境事件的事件发生概率。

本申请提供的信息处理方法中，通过视频检测和传感器指标检测共同 作用实现对目标场景的监控，可以避免单一监控方法出现故障或失效时的 误检或漏检，还对基于传感器数据确定的第一事件发生概率和基于视频数 据确定的第二事件发生概率进行模糊融合，确定最终的事件发生概率，提 高了对于环境事件的预警决策的准确度。

下面，对S101-S104的内容分别进行描述：

首先，涉及S101，在一个实施例中，在每类传感器包括多个子传感器， 且一个子传感器采集得到一个子指标数据的情况下，为了有效地融合多个 传感器的测量数据，降低环境噪声、时滞、丢包等对测量数据的影响，得 到准确的融合结果，在根据至少一类指标数据确定第一事件发生概率之前， 还可以包括以下步骤：

对每类指标数据包括的多个子指标数据进行融合预处理，确定多个第 一指标数据；根据多个第一指标数据之间的置信距离测度确定多个第一指 标数据的关系矩阵；根据关系矩阵从多个第一指标数据中确定多个第二指 标数据；对多个第二指标数据进行数据融合处理，确定第三指标数据；根 据至少一类指标数据确定目标监测对象的环境事件的第一事件发生概率， 具体包括：根据第三指标数据确定第一事件发生概率。

为了有效地融合多个传感器的测量数据，首先借助分布式鲁棒滤波器 对N个传感器测量的数据进行融合估计，确定基于分布式滤波器融合估计 后的测量数据集，再以贝叶斯估计理论为基础，用置信距离测度作为数据 融合的判断依据，通过置信距离矩阵、关系矩阵寻找多传感器的最佳融合 数，最后得到多传感器最优融合数据。下面对传感器数据融合处理的步骤 依次进行介绍。

在上述涉及到的对每类指标数据包括的多个子指标数据进行融合预处 理，确定多个第一指标数据的步骤中，具体可以包括：基于分布式滤波算 法对多个子指标数据进行融合预处理分别确定多个子指标数据的状态参数 和测量参数；根据状态参数和测量参数确定多个第一指标数据。

其中，基于分布式滤波算法对多个子指标数据进行融合预处理分别确 定多个子指标数据的状态参数和测量参数可以为利用分布式滤波器对测量 数据进行融合预处理。假设N个传感器对下面的系统进行测量，状态参数 和测量参数如下公式(1)所示：

其中，x(k)为子指标数据的状态参数，y_i(k)为子指标数据的测量参数。 系数矩阵A、B、C_i、D_i均具有相应的维数。

本发明中,传感器i上的滤波器对系统的滤波不仅利用自身获取的信息, 同时利用邻接传感器节点的信息。采用如下公式(2)形式的滤波器：

其中

是传感器节点i通过滤波器对系统状态的估计值,

是滤 波器i对y_i(k)的估计值。传感器i的所有相邻节点并加上本身,所构成的集 合称为节点i的相邻节点集,记为

矩阵K_ij,

是传 感器节点i的滤波器参数。多个传感器测量某一个对象时，设第i个传感器 和第j个传感器得到的结果，通过分布式滤波器处理后，得到的测量数据 集，即第一指标数据为X_i和X_j。

在上述涉及到的根据多个第一指标数据之间的置信距离测度确定多个 第一指标数据的关系矩阵的步骤中，具体可以包括：根据多个第一指标数 据之间的置信距离测度确定多个第一指标数据之间的置信距离矩阵；根据 置信距离矩阵中的多个置信距离测度与预设阈值之间的关系值，确定多个 第一指标数据的关系矩阵。

一般来说，X_i和X_j都服从正态分布，将传感器的特性函数记为f_i(x)和 f_j(x)。x_i和x_j为X_i和X_j的一次滤波观测值。引进置信距离测度d_ij来反映观 测值x_i和x_j之间偏差的大小，d_ij越小，i，j这2个传感器的观测值就越相 近。

其中，根据多个第一指标数据之间的置信距离测度确定多个第一指标 数据之间的置信距离矩阵，可以为当有m个传感器测量对象时，置信度距 离测度d_ij构成的矩阵D_m，具体如下所示：

其中，D_m称为多传感器的置信距离矩阵。

其中，根据置信距离矩阵中的多个置信距离测度与预设阈值之间的关 系值，确定多个第一指标数据的关系矩阵，通常可以是先确定一个阈值ε， 当置信距离测度小于ε时认为2个传感器相互支持，关系值为1，反之关系 值为0。

由此得到一个二值矩阵，称为关系矩阵R_m，具体如下所示：

确定了关系矩阵之后，就可以根据关系矩阵从多个第一指标数据中确 定多个第二指标数据；对多个第二指标数据进行数据融合处理，确定第三 指标数据；根据第三指标数据确定第一事件发生概率。

也就是说，如果一个传感器的读数是无效的，应把这样的读数删除掉。 多传感器测量同一参数时，所有有效数据，即第二指标数据的集合称为融 合集。融合集中数据的个数称为最佳融合数。对筛选出的多个第二指标数 据进行数据融合处理，确定第三指标数据。

在融合前找出能够彼此支持的传感器组，利用这些传感器检测的数据 进行数据融合处理，这样可以提高融合的精度。

其次，涉及S102，

作为本申请的一种实现方式，为了减少数据处理的计算量，以及为了 降低误报警的概率，在S102之前，还可以包括以下步骤：

分别确定每类指标数据的局部决策结果；根据至少一类指标数据确定 目标监测对象的环境事件的第一事件发生概率，以及根据视频图像数据确 定环境事件的第二事件发生概率，具体包括：在至少一个局部决策结果满 足预设决策条件的情况下，根据至少一类指标数据确定第一事件发生概率， 以及根据视频图像数据确定第二事件发生概率。

鉴于不同监控、检测现场不同的传感器采集的信息具有很大的相关不 确定性，因此需要确定每类指标数据的局部决策结果，在至少一个局部决 策结果满足预设决策条件的情况下，再确定事件的发生概率。这样可以减 少数据处理的计算量，还能降低误报警的概率。

在上述涉及到的分别确定每类指标数据的局部决策结果的步骤中，具 体可以包括：

根据每类指标数据的多个相邻采样值的差值确定每类指标数据的累加 函数；在累加函数的情况下满足局部报警条件的情况下，将累加函数对应 的指标数据的局部决策结果确定为非平稳变化；在累加函数的情况下不满 足局部报警条件的情况下，将累加函数对应的指标数据的局部决策结果确 定为平稳变化。

本发明确定每类指标数据的局部决策结果的步骤是采用了速率检测算 法。即通过检测信号的变化速率是否持续超过一定的数值来判别事件发生 情况。

本发明提出视频监控与物联网传感器融合系统的三层融合结构：信息 层、特征层和决策层。信息层主要完成原始数据的采集与处理；特征层提 取信息层输出信号的数据特征；决策层则充分利用特征层所提取的测量对 象的各类特征信息，采用适当的融合技术给出最终融合结果。视频监控与 物联网传感器信息融合系统结构如图2所示。

如图2所示，信息会采集多种类型的传感器数据，如传感器1、传感 器2、传感器n等等，每个类别的传感器都会输出一个局部决策结果，在 至少一个局部决策结果满足预设决策条件的情况下，才会请求特征层对所 有信息进行特征提取，即确定第一事件发生概率以及确定第二事件发生概 率。

以工业排烟检测为例，具体实现方法为：

设经网络传输后获得的采样信号原始序列为(X_n)＝[x₁(n),x₂(n),x₃(n)],式 中x_i(n)(i＝1,2,3)分别为温度、烟雾和CO采样信号。定义累加函数a_i(m)为 多次累加相邻采样值x_i(n)的差值之和

则局部决策结果u_i为：u_i＝f[a_i(m)-STD_i]

其中，f(.)为单位阶跃函数，u_i，STD_i(i＝1,2,3)分别为温度、气雾或CO 信号的决策结果和局部报警门限。

当局部决策结果u_i(i＝1,2,3)中任一个输出为1时，则表示温度、气雾 或CO信号中有一种出现非平稳变化，即请求特征层对所有信息进行特征 提取，再根据提取的特征得出最终工业排烟的判断。即在至少一个局部决 策结果满足预设决策条件的情况下，根据至少一类指标数据确定第一事件 发生概率，以及根据视频图像数据确定第二事件发生概率。

这样一方面减轻了特征层的数据处理工作，并具有并行分块处理的优 点，另一方面当局部决策结果中至少有一个为警报输出1时，就进行后级 特征提取，否则不送特征层。这样可以最大限度的采集排烟的信号，减少 对具有显著排烟特征信息的计算处理，降低误报警。

在上述涉及S102中的根据至少一类指标数据确定第一事件发生概率 的步骤，具体可以包括：根据至少一类指标数据和预先配置的事件数据库 确定第一事件发生概率。

预先配置的事件数据库可以是采用专家系统特征器对根据至少一类指 标数据进行特征提取，专家数据库收集了专家做的大量关于各类事件发生 的实验所得到的数据，根据至少一类指标数据和预先配置的事件数据库进 行查询比对，得到一个相应的第一事件发生概率O₁。

如图2所示的视频监控与物联网传感器信息融合系统，在该系统中特 征层即完成对信息层送来的数据进行特征提取，同时采用专家系统特征器 和深度卷积神经网络分别对传感器数据和监控视频、图像数据进行特征提 取。专家数据库收集了专家做的大量关于各类事件发生的实验所得到的数 据，它提取信号的经验特征。

当视频监控与物联网传感器信息融合系统的传感器探测量由局部决策 器送入特征层时，则进专家数据库进行查询，得到一个相应的事件经验概 率O₁。这里可以同时确定第一事件发生概率和第二事件发生概率，其中， 以工业排烟的环境事件为例，将三个探测量送入专家特征器的同时，将同 一时刻的视频、图像数据送入已经训练好的深度卷积神经网络，得到一个 相应的排烟数据概率O₂。

特征器的结构如图3所示。其中，SENSOR_INPUT₁、 SENSOR_INPUT₂和SENSOR_INPUT_n分别为信息层采集的经过处理的传 感器信号，该信息送入专家系统特征器进行特征提取，同时将现场视频图 像数据VIDEO送入深度卷积神经网络进行特征提取。分别确定查询专家数据库所得经验概率O₁，深度卷积神经网络输出数据概率O₂。

其中，以工业排烟的环境事件为例，将至少一类指标数据和预先配置 的工业排烟专家数据库对比，以确定第一事件发生概率。

工业排烟专家数据库记录示意如表1所示：

表1专家数据库记录

然后，涉及S103，

在一个实施例中，在第一事件发生概率或第二事件发生概率大于预设 事件发生阈值时，累计事件发生持续时间直至第一事件发生概率和第二事 件发生概率均不大于预设事件发生阈值；根据第一事件发生概率、第二事 件发生概率和事件发生持续时间，确定事件的多个模糊发生概率。

其中，事件发生持续时间可以由下述公式(3)确定：

其中T_d是报警门限值，可取为0.5，O_i(x)为专家系统查询所得经验概 率O₁或神经网络输出数据概率O₂。当O₁或O₂的输出火灾概率任一个超 过报警门限T_d时,则开始计时,否则不计时。

在上述涉及到的根据第一事件发生概率、第二事件发生概率和事件发 生持续时间，确定事件的多个模糊发生概率的步骤中，具体可以包括：

分别确定第一事件发生概率、第二事件发生概率和事件发生持续时间 的第一隶属函数、第二隶属函数和第三隶属函数；其中，第一隶属函数、 第二隶属函数和第三隶属函数分别用于表示第一事件发生概率、第二事件 发生概率和事件发生持续时间的可信度；在第一隶属函数、第二隶属函数 和第三隶属函数满足第一预设条件的情况下，根据第一事件发生概率、第 二事件发生概率、事件发生持续时间，以及预设的第一曲线函数确定事件 的多个模糊发生概率；在第一隶属函数、第二隶属函数和第三隶属函数满 足第二预设条件的情况下，根据第一事件发生概率、第二事件发生概率和 事件发生持续时间，以及预设的第二曲线函数确定事件的多个模糊发生概 率。

模糊控制器的输入、输出量分别为查询专家数据库所得经验概率O₁, 深度卷积神经网络输出数据概率O₂、事件发生信号持续时间T和输出事件 发生概率u,首先需要将它们转化为模糊量。

给出O₁、O₂、T和u的上下限分别为[0 1]、[0 1]、[0 10]、[0 1]，作为 论域U。根据经验和对事件发生数据的统计分析，查询专家数据库所得经 验概率O₁,、深度卷积神经网络输出数据概率O₂的模糊化等级分成三级， 正大(PB)、正中(PM)、正小(PS)，其分别对应的函数曲线如图4所示。

事件发生信号持续时间T和最终输出事件概率u。模糊化等级分成二 级，正大(PB)，正小(PS)，其分别对应的函数曲线如图5所示。

采用正态分布函数建立这些模糊集的隶属函数A(x)， A(x)＝exp(-(x-a)²/b)，其中b＝0.2,a＝(0,0.5,1)分别对应曲线PS、PM和PB。

本发明采用模糊系统(Mamdani)法来实现模糊逻辑推理。推理条件 如下：O₁为专家数据库查询结果，O₂为深度卷积神经网络输出结果，T为 事件概率持续时间，u为事件概率。

其中，分别确定第一事件发生概率、第二事件发生概率和事件发生持 续时间的第一隶属函数、第二隶属函数和第三隶属函数的步骤中

其中，第一隶属函数、第二隶属函数和第三隶属函数分别用于表示第 一事件发生概率、第二事件发生概率和事件发生持续时间的可信度。

在上述涉及到的在第一隶属函数、第二隶属函数和第三隶属函数满足 第一预设条件的情况下，根据第一事件发生概率、第二事件发生概率、事 件发生持续时间，以及预设的第一曲线函数确定事件的多个模糊发生概率 的步骤中，具体可以包括：

在第一事件发生概率O₁为PS、第二事件发生概率O₂为PS以事件发 生持续时间及T为PS的情况下，在下文所示的模糊逻辑推理条件中确定 模糊发生概率对应的第一曲线函数为PS，接下来在图5所示的PS曲线上， 将第一事件发生概率、第二事件发生概率、事件发生持续时间作为横轴坐 标，分别确定出第一事件发生概率、第二事件发生概率、事件发生持续时 间对应的纵坐标，即

和

也就是事件的多个模糊发生 概率。

在上述涉及到的在第一隶属函数、第二隶属函数和第三隶属函数满足 第二预设条件的情况下，根据第一事件发生概率、第二事件发生概率和事 件发生持续时间，以及预设的第二曲线函数确定事件的多个模糊发生概率 的步骤中，具体可以包括：

在第一事件发生概率O₁为PM、第二事件发生概率O₂为PM以及事 件发生持续时间及T为PM的情况下，在下文所示的模糊逻辑推理条件中 确定模糊发生概率对应的第一曲线函数为PB，接下来在图5所示的PB曲 线上，将第一事件发生概率、第二事件发生概率、事件发生持续时间作为 横轴坐标，分别确定出第一事件发生概率、第二事件发生概率、事件发生持续时间对应的纵坐标，即

和

也就是事件的多个模 糊发生概率。其中模糊逻辑推理条件具体包括：

IF[O₁为PS]and[O₂为PS]and[T为PS],THEN[u为PS]

IF[O₁为PS]and[O₂为PM]and[T为PS],THEN[u为PS]

IF[O₁为PS]and[O₂为PB]and[T为PS],THEN[u为PS]

IF[O₁为PS]and[O₂为PS]and[T为PB],THEN[u为PS]

IF[O₁为PS]аnd[O₂为РМ]аnd[T为РВ],ТНЕN[u为РВ]

IF[O₁为PS]and[O₂为PB]and[T为PB],THEN[u为PB]

IF[O₁为PM]and[O₂为PS]and[T为PM],THEN[u为PS]

IF[O₁为РМ]аnd[O₂为РМ]аnd[T为РМ],TНЕN[u为РВ]

IF[O₁为PM]and[O₂为PB]and[T为PB],THEN[u为PB]

IF[O₁为PM]and[O₂为PS]and[T为PS],THEN[u为PB]

IF[O₁为PM]and[O₂为PM]and[T为PS],THEN[u为PB]

IF[O₁为PM]and[O₂为PB]and[T为PS],THEN[u为PB]

IF[O₁为PB]and[O₂为PS]and[T为PM],THEN[u为PS]

IF[O₁为PB]and[O₂为PM]and[T为PB],THEN[u为PB]

IF[O₁为PB]and[O₂为PB]and[T为PB],THEN[u为PB]

IF[O₁为PB]and[O₂为PS]and[T为PM],THEN[u为PB]

IF[O₁为PB]and[O₂为PM]and[T为PM],THEN[u为PB]

IF[O₁为PB]and[O₂为PB]and[T为PB],THEN[u为PB]

最后，涉及S104，

在一个实施例中，基于笛卡尔积算法对多个模糊发生概率进行计算， 确定环境事件的发生概率。

通过模糊推理得到的结果是一个模糊集合，但在实际使用中我们需要 得到一个确定的值做出判断，以此控制或驱动执行机构。在推理得到的模 糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值的过程就称 为精确化过程。本发明选用的为重心法，即上述规则R_i,即为if O₁ is A_i, and O₂ is B_i,and T is C_i then u is D_i，采用Mamdani的Min-Max-COA法进行 模糊推理后，准确的事件概率输出量为

其中μ表示事件概率输出论域中的元素，事件概率输出的模糊集合 D^*(μ)由

和

笛卡尔积运算获得(取小)，可表达为

其中∧表示取小笛卡尔积。

综上，本发明实施例的提供的信息处理方法，通过视频检测和传感器 指标检测共同作用实现对目标场景的监控，可以避免单一监控方法出现故 障或失效时的误检或漏检，还对基于传感器数据确定的第一事件发生概率 和基于视频数据确定的第二事件发生概率进行模糊融合，确定最终的事件 发生概率，提高了对于环境事件的预警决策的准确度。

另外，基于上述信息处理方法，本发明实施例还提供了预警决策系统， 具体结合图6进行详细说明。

图6是本发明实施例提供的一种预警决策方法的流程图示意图。

如图6所示，该预警决策方法可以包括：

S610，多传感器数据采集以及测量数据的融合预处理。

S620，视频图像数据采集以及对视频数据进行压缩。

S630，网络传输。

S640，视频监控数据与物联网传感器融合联动。

S650，预警取证。

S660，现场情况评估决策。

首先介绍S610，多传感器数据采集以及测量数据的融合预处理。

这里的多传感器数据采集与处理方法可以参见前文S101中的描述， 在此不再赘述。

其次介绍S620，视频图像数据采集以及对视频数据进行压缩。

利用视频摄像机对监测目标实现视频图像数据采集及处理。采集到的 数字图像首先需要经过预处理操作，具体包括图像去噪、图像增强以及归 一化3个步骤。

图像去噪：数字图像在进行采集的过程中很容易会受到噪声的影响， 噪声的产生主要是由于传输过程中的传输干扰的影响，常见的噪声有高斯 噪声，泊松噪声，乘性噪声。本发明采用中值滤波的方法来去除噪声。

图像增强：在进行完图像去噪后，图像像素可能有一定损失，这会导 致图像模糊不清，此时需要对图像进行图像增强，以此来对图像进行修正。 本发明使用伽马校正变换方法，伽马变换主要用于图像的校正，将灰度过 高或者灰度过低的图片进行修正，增强对比度。

归一化：在经过图像增强后，需要对图像进行归一化操作，因为如果 每张图片的大小不同，那么统一处理起来会很麻烦，将图像归一化，使所 有图片都有统一的大小。

其中，利用信息传感器设备对环境、物品、系统等的生产、运行、变 化信息实时测量和采集。上述视频采集、信息传感器设备采集可结合实际 需求，分开部署或集成合并到一个设备上完成数据采集。

接着介绍视频数据压缩。视频数据压缩是指将采集到的视频图像数据 进行压缩存储，由于存在网络宽带有限还有存储容量的问题，如果对视频 图像数据不进行压缩，会产生传输速度慢等问题，对大量的数据进行压缩， 可以提高数据的传送速度，还可有减少数据的存储容量，提高处理效率。 本发明采用H264算法对视频进行压缩，步骤如下：

<1>分组：把几帧图像分为一组(GOP，也就是一个序列)；

<2>定义帧：将每组内各帧图像定义为三种类型,即I帧、B帧和P帧；

<3>预测帧：以I帧做为基础帧,以I帧预测P帧,再由I帧和P帧预测 B帧；

<4>数据传输：最后将I帧数据与预测的差值信息进行存储和传输。

压缩存储传输采用能量函数控制。设监控视频中的一个运动对象的轨 迹为b，b在原始视频中出现的时间段为

所有运动对象的轨迹 组成集合B＝{b₁,b₂,...b_N}。原始视频生成视频大纲从运动对象轨迹的角度可 以看成是一种映射关系。设映射关系

其中

为视 频大纲中运动对象轨迹，其在视频大纲中出现的时间段为

由此 定义映射M的能量数：

其中E_a代表活动能量损失，E_t代表时序一致性能量损失，E_c代表碰 撞能量损失。α代表时序一致性能量损失的权值，β代表碰撞能量损失的 权值。视频大纲期望包括原始视频中所有的运动对象，如果原始视频中存 在运动对象轨迹没有映射到视频大纲中，即

则该运动轨迹存在 活动能量损失。

其活动能量损失函数为：

χ_b(x,y,t)＝||I(x,y,t)-B(x,y,t)||，(t∈t_b)

其中，I(x,y,t)为第t帧(x,y)坐标处的像素值，其中B(x,y,t)为(x,y)坐标 处的背景像素值。

为了能充分保留原始监控视频中的运动信息，期望保持各运动对象的 时序关系。两个运动对象轨迹的时序与原始视频中不一致时，造成时序一 致性能量损失。对于存在交互行为的运动对象轨迹，时序一致性更加重要。 定义时序一致性能量损失函数为：

其中，C为时序一致性能量损失常数。

这样，视频压缩技术通过减少和去除冗余视频数据的方式，达到有效 发送和存储数字视频文件的目的。在压缩过程中，需要应用压缩算法对源 视频进行压缩以创建压缩文件，以便进行传输和存储。要想播放压缩文件， 则需要应用相反的解压缩算法对视频进行还原，还原后的视频内容与原始 的源视频内容几乎完全相同。

将采集到的视频信息传感器指标数据按照一定格式进行存储，满足快 速读取查询需求。同时，考虑到短时间内数据变化不会很大，可以考虑间 隔一定时间传输与存储数据，解决信息在时间上的冗余。

然后介绍S630，网络传输。

将采集到的视频数据和经过分布式滤波器融合处理后的传感器指标数 据，按照约定的协议通过通信网络，传输到数据存储模块及数据呈现模块。

在这里，视频数据和传感器指标数据可以通过相同的通信协议统一传 输，也可以采用不同的通信协议分别传输。在通信网络上，两种数据可以 通过同一条有线或无线网络传输，也可以分别通过不同的网络传输。

接下来介绍S640，视频监控数据与物联网传感器融合联动。

经网络传输的现场视频数据以及多传感器数据测量数据(滤波后)， 进入视频监控与物联网传感器融合联动系统，该系统共分为：信息层、特 征层和决策层。

在信息层的实现算法中,提出了对采集到的信号进行基于速率检测算法 的局部决策处理,即通过判断传感器测量估计值的变化率是否连续超过给定 数值来判断是否存在有效的事件信号。特征层中采用专家系统特征器和深 度卷积神经网络特征器对信息层采集到的信息分别进行特征提取,最后将深 度卷积神经网络特征器与专家系统特征器提取的特征送入模糊推理系统进 行融合,即送入模糊融合的决策层。为了进一步提高可靠程度,将事件信号 维持时间作为模糊系统的一个输入量,从而提高了现场事件判断的可靠性。

目前对监控现场采用单传感器进行探测分析，已经不能满足当今各类 监控探测的需要。比如火灾探测、排污探测、工业排烟探测等，如果采用 单一传感器进行探测，往往会引起较大的测量误差、误判，同时检测灵敏 度也受到限制。因此，为了提高各类监控探测的快速性和准确性，降低突 发事件误报的概率，本发明将视频与物联网信息融合技术应用于各类监控 探测系统，构成事件自动探测的信息融合系统。

本发明提出视频监控与物联网传感器融合系统的三层融合结构：信息 层、特征层和决策层。信息层主要完成原始数据的采集与处理；特征层提 取信息层输出信号的数据特征；决策层则充分利用特征层所提取的测量对 象的各类特征信息，采用适当的融合技术给出最终融合结果。视频监控与 物联网传感器信息融合系统结构如图2所示

不同的监控探测现场所采用的传感器往往是不同的。需要根据工程实 际情况选取最佳的传感器组合。比如工业排烟、火灾探测系统可采用若干 个由温度传感器、气雾传感器和CO传感器的组合，完成对监测现场的数 据采集工作。河道排污、工业废水等检测可以采用若干个余氯传感器、电 导率传感器、PH传感器、ORP传感器、浊度传感器等组合。

鉴于不同监控、检测现场不同的传感器采集的信息具有很大的相关不 确定性，因此需要在信息层对一种传感器采集的单信号送入局部决策器进 行局部处理，再送入特征层进行特征提取。

具体的局部决策过程可参见前文中涉及S102的描述，在此不再赘述。

再接下来，介绍S650，预警取证。

经数据融合分析判定为异常或经监管人员人工确认为异常情况的，装 置对检测目标的视频图像进行自动抓拍、录像，并同时对传感器采集指标 数据一并进行单独取证保存，同时通过短信、邮件、电话、声光等方式通 知业务监管人员进行实际现场查处。

最后，介绍S660，现场情况评估决策。

在通过视频监控与物联网传感器检测后，系统会按如下决策树模型将 检测结果进行分析形成决策数据，比如在河道污染物检测中，根据历史检 测数据可以判断出当前污染程度，如该河道每小时有多少垃圾漂浮过去， 该河道垃圾密度是多少等结论，方便工作人员进行决策是否需要去现场监 管。

利用ID3算法构建决策树，作为决策手段。利用历史数据作为训练样 本集，这些历史数据既包含温度、湿度等特征属性，同时包含与某一条数 据对应的当时的标签属性，如是否存在污染，污染等级。通过将历史数据 送入决策树模型，训练出一个拟合能力较好的决策树，然后将当前数据输 入到该模型中，从而输出是否污染，污染等级这些结论，完成融合联动决 策。

在构建决策树的过程中，所追求的标准应该是每一步分裂的纯度。在 ID3算法里，采用的是信息论当中的信息熵的增益这一概念来衡量分裂的 效果。

“熵”这一概念所描述的是能量在空间中分布的混乱程度，能量分布 得越混乱，熵就越大。一个体系的能量完全均匀分布时，这个系统的熵就 达到最大值。信息熵的计算公式为：

其中，p_i表示的是一个信息要素(可以对应数据中一种特征值的一种 取值)的概率。既然信息熵描述的是信息的混乱程度，而我们分类的过程 其实是让信息越来越清晰，也就是信息熵越来越小的过程。具体的ID3算 法步骤为：

输入：训练数据D(这里即为历史数据)，特征集A(这里比如是温 度，湿度等数据的属性),阈值ε

输出：训练完的决策树模型T

步骤一：若D中所有实例属于同一类C_k或A为空集，则T为单节点 树，并将类C_k作为所有数据的类标记，返回T

步骤二：计算A中每个特征的信息熵，选择信息熵最小的特征A_k，对 应的信息熵为A_g

步骤三：如果A_g大于ε，则T为单节点树，并将D中实例数最大的类 C_k作为该节点的类标记，返回T

步骤四：如果A_g小于等于ε，对信息熵的每一种可能值a_i，将D分割 为若干非空子集D_i，将D_i中实例数最大的类作为标记，构建子结点，由结 点及其子树构成树T，返回T

步骤五：对第i个子节点，以D_i为训练集，以A-{A_g}为特征集合，递 归调用步骤一至步骤四，得到子树T_i，返回T_i

最后，将当前传感器检测到的数据输入到有历史数据训练好的决策树 模型中，可以得到当前数据的决策结果，同时还可以更新决策树模型。如 此迭代操作，不仅可以实现强化模型的拟合能力，同时完成数据的融合决 策。

综上，本发明实施例提供的预警决策系统，通过综合利用视频智能分 析和传感器大数据分析相融合的方法实时检测异常情况，一旦出现异常即 可自动预警并进行处置，大大提高了预警的准确性和预警效率，降低了异 常情况的危害和风险。还能基于传感器数据实现监测目标对象的定量监控， 进一步提高预警决策的实用性。

另外，基于上述信息处理方法，本发明实施例还提供了一种实现信息 融合联动的方法，具体结合图7进行详细说明。

图7是本发明实施例提供的一种实现信息融合联动的流程示意图。

首先，使用视频摄像机等图像采集设备，拍摄监控目标的实时图像， 并将图像传入到视频采集存储单元，同时使用物联网传感器设备，采集监 控目标的数据指标，并将数据传入到物联网数据采集存储单元。

其次，利用视频图像检测与分析单元对视频内容进行判别，确认是否 存在检测目标预警情况，利用物联网大数据智能分析单元对采集到的各种 传感器指标数据进行判别。

再次，针对视频图像检测与分析单元和物联网大数据智能分析单元检 测判别结果，进行融合分析鉴别。

最后，经融合分析后属于异常情况的，利用抓拍取证及告警分发单元 对告警时段的视频进行录像取证，对相关图像进行抓拍，同时通过短信、 声光、邮件、电话等方式，将告警事项通知监管人员，及时采取措施。

下面针对不同行业方面的应用案例场景，分别展开描述：

第一方面，大气污染监控场景

(1)安装摄像机，实时采集工业烟囱等重点排气监控点，将工业排 烟视频信号通过有线或无线网络，实时上传到视频图像采集与存储平台。

(2)在工业烟囱出口处，安装二氧化硫、氮氧化合物、一氧化碳等 有害气体含量检测传感装置，通过有线或无线网络通信手段，将传感器指 标数据实时上传到物联网数据采集与存储平台。

(3)视频图像检测与存储单元通过视频图像采集与存储平台实时读 取视频并对视频内容利用卷积神经网络等机器学习和深度学习算法分析视 频中的烟雾排放情况是否存在污染。

(4)物联网大数据智能分析单元通过物联网数据采集与存储平台实 时读取各个传感器的当前数据，并对已经存储的历史数据采用数据挖掘及 预测分析技术，综合判断传感器上报的指标数据是否存在异常。

(5)视频与物联网融合分析检测单元将系统采集到的视频信息和物 联网传感器信息进行综合呈现及展示，帮助业务使用人员提供两种监控信 息的对比分析；同时，视频与物联网融合分析单元结合视频图像检测与存 储单元和物联网大数据智能分析单元污染分析结果给出智能融合分析判定 是否存在污染和异常情况。

(6)抓拍取证及告警分发单元根据视频与物联网融合分析检测单元 人工分析或系统智能判定的结果为异常的，对检测目标图像进行自动抓拍、 录像，并同时对相关传感器设备采集指标数据一并进行存储，以便对告警 异常情况进行取证，同时通过短信、邮件、电话、声光等方式通知业务监 管人员进行实际现场查处。

第二方面，水利监控场景

(1)安装摄像机，实时采集河道、大坝等重要水情监控点，将河道 水流情况、堤坝水位情况、大坝安全状况等视频信号通过有线或无线网络， 实时上传到视频图像采集与存储平台。

(2)在重要水位水情监测点，安装水位计、流速仪、雨量传感器等 仪器仪表装置，通过有线或无线网络通信手段，将仪器仪表测量指标实时 上传到物联网数据采集与存储平台。

(3)视频图像检测与存储单元通过视频图像采集与存储平台实时读 取视频，并利用卷积神经网络等各种机器学习和深度学习算法对视频内容 进行分析，判别是否存在洪水、漫堤、管涌、决堤等危险情况。

(4)物联网大数据智能分析单元通过物联网数据采集与存储平台实 时读取各种仪器仪表测量到的水位、水情、流量、雨量等数据，并对已经 存储的历史数据采用数据挖掘及预测分析技术，综合判断上述数据是否存 在异常。

(5)视频与物联网融合分析检测单元将系统采集到的视频信息和仪 器仪表测量数据进行综合呈现及展示，帮助业务使用人员提供两种监控信 息的对比分析；同时，视频与物联网融合分析单元结合视频图像检测与存 储单元分析到的河流、堤坝风险状况，与物联网大数据智能分析单元通过 测量数据分析到的结果，进行智能融合分析判定是否存在污染和异常情况。

(6)抓拍取证及告警分发单元根据视频与物联网融合分析检测单元 人工分析或系统智能判定的结果存在风险或异常的，将对检测目标图像进 行自动抓拍、录像，并同时对相关仪器仪表设备采集指标数据一并进行存 储，对异常情况进行取证，同时通过短信、邮件、电话、声光等方式通知 业务监管人员进行实际确认，并排除险情。

第三方面，农业监控及其他场景

农业或其他场景下，业务监控检测流程与上述两种场景基本类似，所 不同之处在于视频监控的目标对象不同，所采用的物联网传感仪器仪表不 同采集的指标数据也不同；同时，视频图像分析检测的内容也不相同，需 要根据具体行业或场景监管关注的对象具体确认。

由此可见，本发明实施例提供的实现信息融合联动的方法可以应用于 大气、水利、农业等各个行业，通过视频检测和传感器指标检测共同作用 实现对目标场景的监控，可以避免单一监控方法出现故障或失效时的误检 或漏检，还对基于传感器数据确定的第一事件发生概率和基于视频数据确 定的第二事件发生概率进行模糊融合，确定最终的事件发生概率，提高了 对于环境事件的预警决策的准确度。基于综合利用视频智能分析和传感器 大数据分析相融合的方法实时检测异常情况，一旦出现异常即可自动预警 并进行处置，大大提高了预警的准确性和预警效率，降低了异常情况的危 害和风险。

另外，基于上述信息处理方法，本发明实施例还提供了一种信息处理 装置，具体结合图8进行详细说明。

图8是本发明实施例提供的一种信息处理装置的结构示意图。

如图8所示，该装置800可以包括：

获取模块810，用于获取目标监测对象的至少一类指标数据和视频图 像数据，所述至少一类指标数据中的每类指标数据为与所述每类指标数据 对应的传感器采集。

作为一个示例，获取模块810具体用于在每类传感器包括多个子传感 器，且一个子传感器采集得到一个子指标数据的情况下，对每类指标数据 包括的多个子指标数据进行融合预处理，确定多个第一指标数据；根据多 个第一指标数据之间的置信距离测度确定多个第一指标数据的关系矩阵； 根据关系矩阵从多个第一指标数据中确定多个第二指标数据；对多个第二 指标数据进行数据融合处理，确定第三指标数据；根据至少一类指标数据 确定目标监测对象的环境事件的第一事件发生概率，具体包括：根据第三 指标数据确定第一事件发生概率。

获取模块810具体用于基于分布式滤波算法对多个子指标数据进行融 合预处理分别确定多个子指标数据的状态参数和测量参数；根据状态参数 和测量参数确定多个第一指标数据。

获取模块810具体用于根据多个第一指标数据之间的置信距离测度确 定多个第一指标数据之间的置信距离矩阵；根据置信距离矩阵中的多个置 信距离测度与预设阈值之间的关系值，确定多个第一指标数据的关系矩阵。

第一确定模块820，用于根据所述至少一类指标数据确定第一事件发 生概率，以及根据所述视频图像数据确定第二事件发生概率。

第一确定模块820还用于分别确定每类指标数据的局部决策结果；根 据至少一类指标数据确定目标监测对象的环境事件的第一事件发生概率， 以及根据视频图像数据确定环境事件的第二事件发生概率，具体包括：在 至少一个局部决策结果满足预设决策条件的情况下，根据至少一类指标数 据确定第一事件发生概率，以及根据视频图像数据确定第二事件发生概率。

第一确定模块820还用于根据每类指标数据的多个相邻采样值的差值 确定每类指标数据的累加函数；在累加函数的情况下满足局部报警条件的 情况下，将累加函数对应的指标数据的局部决策结果确定为非平稳变化； 在累加函数的情况下不满足局部报警条件的情况下，将累加函数对应的指 标数据的局部决策结果确定为平稳变化。

第一确定模块820具体可以用于根据至少一类指标数据和预先配置的 事件数据库确定第一事件发生概率。

第二确定模块830，用于根据所述第一事件发生概率和所述第二事件 发生概率确定事件的多个模糊发生概率。

第二确定模块830具体可以用于在第一事件发生概率或第二事件发生 概率大于预设事件发生阈值时，累计事件发生持续时间直至第一事件发生 概率和第二事件发生概率均不大于预设事件发生阈值；根据第一事件发生 概率、第二事件发生概率和事件发生持续时间，确定事件的多个模糊发生 概率。

第二确定模块830具体可以用于分别确定第一事件发生概率、第二事 件发生概率和事件发生持续时间的第一隶属函数、第二隶属函数和第三隶 属函数；其中，第一隶属函数、第二隶属函数和第三隶属函数分别用于表 示第一事件发生概率、第二事件发生概率和事件发生持续时间的可信度； 在第一隶属函数、第二隶属函数和第三隶属函数满足第一预设条件的情况 下，根据第一事件发生概率、第二事件发生概率、事件发生持续时间，以 及预设的第一曲线函数确定事件的多个模糊发生概率；在第一隶属函数、 第二隶属函数和第三隶属函数满足第二预设条件的情况下，根据第一事件 发生概率、第二事件发生概率和事件发生持续时间，以及预设的第二曲线 函数确定事件的多个模糊发生概率。

第三确定模块840，用于根据所述多个模糊发生概率确定事件发生概 率。

第三确定模块840具体可以用于基于笛卡尔积算法对多个模糊发生概 率进行计算，确定环境事件的发生概率。

综上，本发明实施例提供的信息处理装置通过视频检测和传感器指标 检测共同作用实现对目标场景的监控，可以避免单一监控方法出现故障或 失效时的误检或漏检，还对基于传感器数据确定的第一事件发生概率和基 于视频数据确定的第二事件发生概率进行模糊融合，确定最终的事件发生 概率，提高了对于环境事件的预警决策的准确度。

图9示出了本发明实施例提供的一种示例性硬件架构的示意图。

定位设备可以包括处理器901以及存储有计算机程序指令的存储器 902。

具体地，上述处理器901可以包括中央处理器(CPU)，或者特定集 成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置 成实施本发明实施例的一个或多个集成电路。

存储器902可以包括用于数据或指令的大容量存储器。举例来说而非 限制，存储器902可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱 动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus， USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储 器902可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储 器902可在综合网关容灾设备的内部或外部。在特定实施例中，存储器 902是非易失性固态存储器。在特定实施例中，存储器902包括只读存储 器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编 程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上 这些的组合。

处理器901通过读取并执行存储器902中存储的计算机程序指令，以 实现上述实施例中的任意一种信息处理方法。

在一个示例中，定位设备还可包括通信接口903和总线910。其中， 如图9所示，处理器901、存储器902、通信接口903通过总线910连接并 完成相互间的通信。

通信接口903，主要用于实现本发明实施例中各模块、装置、单元和/ 或设备之间的通信。

总线910包括硬件、软件或两者，将信息处理设备的部件彼此耦接在 一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形 总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT) 互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总 线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、 PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子 标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些 的组合。在合适的情况下，总线910可包括一个或多个总线。尽管本发明 实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

该处理设备可以执行本发明实施例中的信息处理方法，从而实现结合 图1-7描述的信息处理方法。

另外，结合上述实施例中的信息处理方法，本发明实施例可提供一种 计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该 计算机程序指令被处理器执行时实现上述实施例中的任意信息处理方法。

需要明确的是，本发明实施例并不局限于上文所描述并在图中示出的 特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在 上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明实 施例的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可 以在领会本发明实施例的精神后，作出各种改变、修改和添加，或者改变 步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为软件方式，本发明实 施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可 以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或 者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任 何介质。机器可读介质的例子包括电路、半导体存储器设备、ROM、闪存、 可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射 频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网 络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤 或者装置描述一些方法或系统。但是，本发明实施例不局限于上述步骤的 顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于 实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清 楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具 体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应 理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员 在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修 改或替换都应涵盖在本发明的保护范围之内。

Claims (13)

1.一种信息处理方法，其特征在于，所述方法包括：

获取目标监测对象的至少一类指标数据和视频图像数据，所述至少一类指标数据中的每类指标数据为与所述每类指标数据对应的传感器采集；

根据所述至少一类指标数据确定所述目标监测对象的环境事件的第一事件发生概率，以及根据所述视频图像数据确定所述环境事件的第二事件发生概率；

根据所述第一事件发生概率和所述第二事件发生概率确定所述环境事件的多个模糊发生概率；

根据所述多个模糊发生概率确定所述环境事件的事件发生概率。

2.根据权利要求1所述的方法，其特征在于，在每类所述传感器包括多个子传感器，且一个所述子传感器采集得到一个子指标数据的情况下；

在所述根据所述至少一类指标数据确定第一事件发生概率之前，所述方法还包括：

对所述每类指标数据包括的多个子指标数据进行融合预处理，确定多个第一指标数据；

根据所述多个第一指标数据之间的置信距离测度确定所述多个第一指标数据的关系矩阵；

根据所述关系矩阵从所述多个第一指标数据中确定多个第二指标数据；

对所述多个第二指标数据进行数据融合处理，确定第三指标数据；

所述根据所述至少一类指标数据确定所述目标监测对象的环境事件的第一事件发生概率，具体包括：

根据所述第三指标数据确定第一事件发生概率。

3.根据权利要求2所述的方法，其特征在于，所述对所述每类指标数据包括的多个子指标数据进行融合预处理，确定多个第一指标数据，包括：

基于分布式滤波算法对所述多个子指标数据进行融合预处理分别确定所述多个子指标数据的状态参数和测量参数；

根据所述状态参数和测量参数确定所述多个第一指标数据。

4.根据权利要求2所述的方法，其特征在于，所述根据所述多个第一指标数据之间的置信距离测度确定所述第一指标数据的关系矩阵，包括：

根据所述多个第一指标数据之间的置信距离测度确定所述多个第一指标数据之间的置信距离矩阵；

根据所述置信距离矩阵中的多个置信距离测度与预设阈值之间的关系值，确定所述多个第一指标数据的关系矩阵。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述至少一类指标数据确定第一事件发生概率，以及根据所述视频图像数据确定第二事件发生概率之前，所述方法还包括：

分别确定所述每类指标数据的局部决策结果；

所述根据所述至少一类指标数据确定所述目标监测对象的环境事件的第一事件发生概率，以及根据所述视频图像数据确定所述环境事件的第二事件发生概率，具体包括：

在至少一个局部决策结果满足预设决策条件的情况下，根据所述至少一类指标数据确定第一事件发生概率，以及根据所述视频图像数据确定第二事件发生概率。

6.根据权利要求5所述的方法，其特征在于，所述分别确定每类指标数据的局部决策结果，包括：

根据所述每类指标数据的多个相邻采样值的差值确定所述每类指标数据的累加函数；

在所述累加函数的情况下满足局部报警条件的情况下，将所述累加函数对应的指标数据的局部决策结果确定为非平稳变化；

在所述累加函数的情况下不满足局部报警条件的情况下，将所述累加函数对应的指标数据的局部决策结果确定为平稳变化。

7.根据权利要求1所述的方法，其特征在于，所述根据所述至少一类指标数据确定第一事件发生概率，包括：

根据所述至少一类指标数据和预先配置的事件数据库确定所述第一事件发生概率。

8.根据权利要求1所述的方法，其特征在于，所述根据所述第一事件发生概率和所述第二事件发生概率确定事件的多个模糊发生概率，包括：

在所述第一事件发生概率或所述第二事件发生概率大于预设事件发生阈值时，累计事件发生持续时间直至所述第一事件发生概率和所述第二事件发生概率均不大于所述预设事件发生阈值；

根据所述第一事件发生概率、所述第二事件发生概率和所述事件发生持续时间，确定所述事件的多个模糊发生概率。

9.根据权利要求8所述的方法，其特征在于，所述根据所述第一事件发生概率、所述第二事件发生概率和所述事件发生持续时间，确定所述事件的多个模糊发生概率，包括：

分别确定所述第一事件发生概率、所述第二事件发生概率和所述事件发生持续时间的第一隶属函数、第二隶属函数和第三隶属函数；

其中，所述第一隶属函数、第二隶属函数和第三隶属函数分别用于表示所述第一事件发生概率、所述第二事件发生概率和所述事件发生持续时间的可信度；在所述第一隶属函数、第二隶属函数和第三隶属函数满足第一预设条件的情况下，根据第一事件发生概率、所述第二事件发生概率、所述事件发生持续时间，以及预设的第一曲线函数确定所述事件的多个模糊发生概率；

在所述第一隶属函数、第二隶属函数和第三隶属函数满足第二预设条件的情况下，根据第一事件发生概率、所述第二事件发生概率和所述事件发生持续时间，以及预设的第二曲线函数确定所述事件的多个模糊发生概率。

10.根据权利要求9所述的方法，其特征在于，所述根据所述多个模糊发生概率确定事件发生概率，包括：

基于笛卡尔积算法对所述多个模糊发生概率进行计算，确定所述环境事件的发生概率。

11.一种信息处理装置，其特征在于，包括：

获取模块，用于获取目标监测对象的至少一类指标数据和视频图像数据，所述至少一类指标数据中的每类指标数据为与所述每类指标数据对应的传感器采集；

第一确定模块，用于根据所述至少一类指标数据确定第一事件发生概率，以及根据所述视频图像数据确定第二事件发生概率；

第二确定模块，用于根据所述第一事件发生概率和所述第二事件发生概率确定事件的多个模糊发生概率；

第三确定模块，用于根据所述多个模糊发生概率确定事件发生概率。

12.一种计算设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述的信息处理方法。

13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的信息处理方法。

Images