CN112017195A - 一种应用于城市轨道交通的智能综合监控系统 - Google Patents
一种应用于城市轨道交通的智能综合监控系统 Download PDFInfo
- Publication number
- CN112017195A CN112017195A CN202010870696.9A CN202010870696A CN112017195A CN 112017195 A CN112017195 A CN 112017195A CN 202010870696 A CN202010870696 A CN 202010870696A CN 112017195 A CN112017195 A CN 112017195A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- monitoring
- intelligent
- background
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Abstract
本发明属于城市轨道交通技术领域，具体涉及一种应用于城市轨道交通的智能综合监控系统。该智能综合监控系统包括综合监控中心、车站监控中心及监控设备，各车站的监控设备通过专有通信网络连接至其所属车站监控中心，各个车站监控中心再连接至网络综合信息平台，综合监控中心亦连接至网络综合信息平台，使得车站监控中心可与综合监控中心进行数据交互，实际对于轨道交通线路的智能综合监控。本发明的智能监控系统一方面通过实时采集数据并监测而能及时发现隐患与故障，另一方面还可以对于突发事件提供决策支持与辅助；其可以显著提高城市轨道运营安全性与智能性。
Description
技术领域
本发明属于城市轨道交通技术领域，具体涉及一种应用于城市轨道交通的智能综合监控系统。
背景技术
城市轨道交通综合监控系统(Integrated Supervisory Control System，简称ISCS)，是对城市轨道交通线路中所有电力和机电设备进行监控的计算机集成系统。随着我国城市轨道交通的大规模建设与运营管理要求的逐渐提升，轨道交通的自动化程序越来越高也越来超复杂。ISCS的管理对象包括电力监控系统(PSCAD)设备、环境与设备监控系统(BAS)设备、火灾报警系统(FAS)设备、自售检票系统(AFC)设备、屏蔽门系统(PSD)设备等，按构成和技术方案不同，ISCS又可分为集中式系统与分布式系统。
然而传统ISCS往往只能实现数据集中监控与警告，以及历史数据存储功能，并不能充分发掘现有数据的全部价值。
发明内容
本发明的目的在于提供一种可充分发掘现有ISCS系统数据价值，具有智能分析与预警，智能决策支持功能的城市轨道交通智能综合监控系统。
为达到上述目的，本发明所采用的方案是：
一种应用于城市轨道交通的智能综合监控系统，包括综合监控中心、车站监控中心及监控设备，监控设备包括但不限于电力监控系统(PSCAD)设备、环境与设备监控系统(BAS)设备、火灾报警系统(FAS)设备、自售检票系统(AFC)设备、屏蔽门系统(PSD)设备等。
每一车站的监控设备通过站内专有通信网络连接至其所属车站监控中心，各个车站监控中心再连接至网络综合信息平台，综合监控中心亦连接至网络综合信息平台，从而实现车站监控中心与综合监控中心的数据交互，实际对于轨道交通线路的智能综合监控。
作为优选，所述综合监控中心与车站监控中心均还设有智能决策系统，智能决策系统包括数据采集模组、综合监控模组、运营辅助模组与数据服务模组。
作为优选，所述数据采集模组，用于采集设施设备与电力数据、行车与信号数据、客流数据、视频数据、外部数据以及管理数据等其他相关数据，以为日常监控与管理以及突发事件的救援指挥提供决策数据支持；数据采集模组连接至网络综合信息平台以获取原始数据。
所述综合监控模组，用于通过对数据采集模组所采集的数据进行监测，并辅助视频分析等相关技术手段以对线路运营状态进行监控，并能提早发现异常事件并进行相应的预警以辅助人工进行日常监控。
所述运营辅助模组包括预案管理模块，用于辅助调度人员对于异常情况进行分析、预判及快速确认，并基于分析结果辅助制定相应的应对措施；达到突发事件处置标准时，调度人员做出启动相应的预案决策，运营辅助模组根据突发事件的类型、级别、影响等因素，调出相应的预案以供调度人员选择，并在调度人员最终决策后协助执行。
所述数据服务模组，用于提供数据查询、分析评估、审计、报表报告等数据服务功能。
作为优选，所述数据服务模组包括核心数据库与大数据应用模块，核心数据库汇总实时数据库与历史数据库而形成，大数据应用模块在核心数据库的基础上通过大数据技术进行运算，以实现数据服务模组的相关功能。
作为优选，所述综合监控模组还包括预警判断模块以及对于各类原始数据的智能分析模块。所述预警判断模块包括参数库、规则库以及判断模块，智能综合监控系统包括视频智能分析模块，视频智能分析模块用于对视频区域内人或物的异常情况进行分析与预警。
作为优选，所述参数库包括若干个触发参数，并根据实际运营情况进行实时滚动更新。
规则库包括参数库中各个触发参数相互之间的逻辑运算关系。
判断模块按规则库中的运算关系，对参数库中的相关触发参数进行具体判断，并产生相应的运算结果。
作为优选，视频智能分析模块用于对视频进行智能分析，其包括运动目标检测模块与目标跟踪运算模块两部分组成。所述运动目标检测模块，利用背景的参数模型来近似背景图像的像素值，并将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域计为是运动区域，而区别较小的像素区域计为是背景区域。
作为优选，运动目标检测模块包括背景初始化模块、背景更新模块与目标检测模块。
所述背景初始化模块，用于从视频开始的前N帧图像中“训练”出不包含任何运动目标的背景图像的过程。
背景更新模块，用于更新背景；背景更新模块针对当前帧的背景和前景区域，采用不同的更新机制进行更新，具体按下式进行更新：
其中，Bt(i,j)和It(i,j)分别表示背景帧和当前视频帧，α、β分别为背景学习率与前景学习率；背景学习率α决定了背景模型变化的快慢，其可以是固定的数字也可以是动态的数字。
所述目标检测模块，用于利用背景模型将当前帧的像素标注为背景或前景的过程，其将当前帧与背景模型进行差分比较以实现对运动目标区域的检测，区别较大的像素区域标注为运动区域，较小的标注为背景区域。
作为优选，所述目标跟踪运算模块通过图像分割获得或预先人为确定的目标模板，然后在序列图像中运用相关算法跟踪目标，计算目标模板与候选模板的相似程度，通过运动相关算法来确定当前图像中目标的具体位置从而实现跟踪目标。其中，用于跟踪目标的相关算法优选包括以下步骤：
将视频序列中第n+1帧、第n帧与第n-1帧的图像分别计为fn+1、fn与fn-1，对应像素点的灰度值为fn+1(x,y)、fn(x,y)与fn-1(x,y)，按下式计算得到差分图像Dn+1与Dn。
Dn(x,y)＝|fn(x,y)-fn-1(x,y)|
再对差分图像Dn+1与Dn按下式进行与操作，得到图像Dn′。
D'n(x,y)＝|fn+1(x,y)-fn(x,y)|∩|fn(x,y)-fn-1(x,y)|
最后进行阀值处理与连通性分析，以最终提取出运动目标。
所述阀值处理包括：
设定阀值T，按下式对各像素点进行二值化处理，得到二值化图像Rn′。
灰度值为255的点为运动目标，灰度值为0的点为背景点；对图像Rn′进行连通性分析，提取出含有完整运动目标的图像Rn。
为有效地抑制了光线变化对运动目标检测结果的影响，本发明的算法还可以进一步在判断条件中加入对整体光照敏感修正的方法，将判断条件Dn(x,y)>T替换为：
其中，NA为待检测区域像素的总数目，λ为光照的抑制系数，A为整帧图像，
为整帧图像光照的变化情况。
若光照变化较小，则
的值趋向于零；若光照变化明显，则其值将明显增大，使得上述新的判断条件公式中大于号右侧条件自适应地增大，最终使判断结果为没有运动目标，这样就可以有效地抑制了光线变化对运动目标检测结果的影响。
作为优选，所述智能综合监控系统还包括数据共享系统，其通过数据安全接口分别连接综合监控中心、网络综合信息平台及车站监控中心。
作为优选，综合监控中心优选是按线路进行设置的，同一线路的各个车站分别设置其所属的车站监控中心并连接至该线路的监控中心。
本发明的城市轨道交通智能综合监控系统，通过网络综合信息平台实现综合监控中心与车站监控中心的数据交互，使得两级监控中心可以根据自身定位及需要，履行相应的监控职能，实际对于轨道交通线路的智能综合监控。而智能决策系统的引用，则可以从该智能综合监控系统的大量数据中挖掘出数据的价值，并结合大数据、机器学习等智能技术对数据进行分析、感知和计算，使得软件平台自动生成新的功能，而不单是按照程序员编写好的固有程序逻辑运行，还拥有相应的智能。
因此，本发明的智能监控系统一方面通过实时采集数据并监测而能及时发现隐患与故障，另一方面还可以对于突发事件提供决策支持与辅助，其可以提高运营安全性实时监督，避免人工管理与调度中的各项不足。
附图说明
图1是本发明某一实施例的智能监控系统的框架结构示意图；
图2是本发明另一实施例智能监控系统的智能决策系统的框架结构示意图，其除基本模组外还包括用于存储实时数据的实时数据库，用于存储历史数据的历史数据库，以及用于存储所有数据的核心数据库。
具体实施方式
为了使本领域技术人员更好地理解本发明，从而对本发明要求保护的范围作出更清楚地限定，下面就本发明的某些具体实施例对本发明进行详细描述。需要说明的是，以下仅是本发明构思的某些具体实施方式仅是本发明的一部分实施例，其中对于相关结构的具体的直接的描述仅是为方便理解本发明，各具体特征并不当然、直接地限定本发明的实施范围。本领域技术人员在本发明构思的指导下所作的常规选择和替换，均应视为在本发明要求保护的范围内。
一种应用于城市轨道交通的智能综合监控系统，包括综合监控中心、车站监控中心及若干监控设备，综合监控中心原则上按线路进行设置，同一线路的各个车站分别设置其所属的车站监控中心并连接至该线路的监控中心。监控设备包括但不限于电力监控系统(PSCAD)设备、环境与设备监控系统(BAS)设备、火灾报警系统(FAS)设备、自售检票系统(AFC)设备、屏蔽门系统(PSD)设备等等，它们设置于车站、列车、隧道等具体场所，每一车站的监控设备通过站内专有通信网络连接至其所属车站监控中心，各个车站监控中心再连接至网络综合信息平台，综合监控中心亦连接至网络综合信息平台，从而实现车站监控中心与综合监控中心的数据交互，实际对于轨道交通线路的智能综合监控。
此外，该智能综合监控系统还可以进一步包括数据共享系统，其通过数据安全接口分别连接综合监控中心、网络综合信息平台及车站监控中心，从而可以获得该线路的监控设备的原始数据，以及车站监控中心与综合监控中心所产生的相应监控数据，为基于该系统的进一步数据分析与处理，或是在线路之上更为全局的统一监控提供数据支持。
在某些优选实施例中，所述综合监控中心与车站监控中心均还设有智能决策系统，智能决策系统包括数据采集模组、综合监控模组、运营辅助模组与数据服务模组。
其中，
数据采集模组，用于采集设施设备与电力数据、行车与信号数据、客流数据、视频数据、外部数据以及管理数据等其他相关数据，以为日常监控与管理以及突发事件的救援指挥提供决策数据支持；同时，这些数据也是后续统计分析、管理优化以及其他相关工作的基础。数据采集模组连接至网络综合信息平台以获取原始数据，为智能决策系统提供数据来源。
综合监控模组，用于通过对数据采集模组所采集的数据进行监测，并辅助视频分析等相关技术手段，从而可以对线路运营状态进行监控，并能提早发现异常事件并进行相应的预警，从而可以辅助人工进行日常监控。
为此，综合监控模组可以进一步包括预警判断模块以及对于各类原始数据的智能分析模块；此即为上述的相关技术手段，除本发明的特殊限定外，其还可以包括现有的其他智能分析模块，在此并不局限。
运营辅助模组包括预案管理模块，其用于辅助调度人员对于异常情况进行分析、预判及快速确认，并基于分析结果辅助制定相应的应对措施。达到突发事件处置标准时，调度人员做出启动相应的预案决策，运营辅助模组根据突发事件的类型、级别、影响等因素，调出相应的预案以供调度人员选择，并在调度人员最终决策后协助执行。
数据服务模组，用于提供数据查询、分析评估、审计、报表报告等数据服务功能；其包括核心数据库与大数据应用模块，核心数据库汇总实时数据库与历史数据库而形成，大数据应用模块在核心数据库的基础上通过大数据技术进行运算，以实现数据服务模组的相关功能。
一般来说，大数据应用模块应具有数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化等功能模块，相应的功能模块可以基于现今的成熟的大数据技术进行处理，或是提供相应的数据接口，并委托第三方开发相应的大数据模块进行具体的大数据分析工作。此外，在数据服务模组中，除大数据应用模块外，还可以根据实际数据服务功能的具体需求，结合机器学习等算法进行相应的数据运算，以进一步提升该系统的智能性。这些都可以采用现有成熟的功能模块作为工具进行相应的处理，在此并不局限。
从而，可以从综合监控系统的大量数据中挖掘出数据的价值，对大数据进行分析、感知和计算，使得软件平台自动生成新的功能，而不单是按照程序员编写好的固有程序逻辑运行，还拥有相应的智能。
在另一些实施例中，所述预警判断模块包括参数库、规则库以及判断模块，所述参数库与规则库由运管管理部门与调度人员共同维护，运管管理人员与调度人员组成共同工作组，负责根据日常运管管理经验、相关专业知识以及外部案例或数据，制订一系列的处置预案，并据此形成参数库与规则库。
参数库可以包括若干个触发参数，例如客流量超过最大允许量的75％、室内温度超过最大允许值，或是某一传感器的具体感应信号超标。显然，参数库应根据实际运营情况进行实时滚动更新，包括参数项以及触发数值等多个方面。
规则库则可包括参数库中各个触发参数相互之间的逻辑运算关系，具体的逻辑运算关系可以根据相应的方案进行具体设置，并不局限。例如，某一具体的触发参数可以是独立的，即其之后无其他触发参数；也可以后续接序至少一个触发参数，同时这些触发参数之间可能还具有类似的逻辑关系，从而可以形成多样化的逻辑方式。
判断模块按规则库中的运算关系，对参数库中的相关触发参数进行具体判断，并产生相应的运算结果。
通过上述预警判断模块可以使得综合监控模组在日常运行时不是对各项指标进行数值上的简单判断，而是基于特定的运算逻辑对于相互有关联的数据进行运算，从而形成具有实际意义的预警判断。此外，有逻辑关系的判断方式在很大程序也是不需对所有数据都进行运算，而只需对所关心的特定数据运算，从而可以极大地减少运算量，降低设备要求，提升效率。
虽然，综合监控中心与车站监控中心均可以包括上述智能决策系统，即该智能监控系统可以包括综合智能决策系统与车站智能决策系统，并且两者的智能决策系统的总体框架与原理是相同或类似的，但两者因管理对象及管理人员不同，从而可以在参数库、规则库等具体内容上进行相应地设置，从而可以形成满足各自要求的智能决策系统，即综合智能决策系统与车站智能决策系统，这是显而易见的，在此不作限定。
在另一些更佳实施例中，为满足轨道交通的快速发展需要，使得视频监控系统更加有效与智能，所述智能分析模块包括视频智能分析模块，视频智能分析模块能对视频区域内人或物的异常情况进行分析与预警，从而可以减轻监控人员的工作负担，提高监测准确度，使监控管理工作更加有效，提高了整套监控系统的工作效率和准确度。
视频智能分析模块可以包括运动目标检测模块与目标跟踪运算模块两部分组成。
通常情况下，目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应于运动目标的像素区域，因此运动目标的正确检测与分割对于后期处理非常重要，然而，由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等的影响，使得运动目标的检测与分割变得相当困难。
为此，本发明的所述运动目标检测模块，利用背景的参数模型来近似背景图像的像素值，并将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域计为是运动区域，而区别较小的像素区域计为是背景区域；上述的背景图像应当是随着光照或外部环境的变化而实时更新的，因此该模块的关键是背景建模及其更新。
该运动目标检测模块包括背景初始化模块、背景更新模块与目标检测模块。
其中，
背景初始化模块，用于从视频开始的前N帧图像中“训练”出不包含任何运动目标的背景图像的过程。通常，使用一些相对“干净”的视频帧(即不包含运动前景)来“训练”出高质量的背景。
背景更新模块，用于更新背景。由于随着时间的推移往往会发生光照变化、运动的物体停在背景中，而这些变化都会使背景发生变化。背景更新模块针对当前帧的背景和前景区域，采用不同的更新机制进行更新，具体按下式进行更新：
其中，Bt(i,j)和It(i,j)分别表示背景帧和当前视频帧，α、β分别为背景学习率与前景学习率；背景学习率α决定了背景模型变化的快慢，其可以是固定的数字也可以是动态的数字。
通常，希望背景像素更多的参与到背景模型中，而前景像素采用较慢的更新机制，所以设置α值较大，β值较小。特别的，当β＝0的时候，就是去除掉前景元素，只对背景元素进行更新，这样就在一定程度上能够加快背景更新的速率。
目标检测模块，用于利用背景模型将当前帧的像素标注为背景或前景的过程，其将当前帧与背景模型进行差分比较以实现对运动目标区域的检测，区别较大的像素区域标注为运动区域，较小的标注为背景区域。
目标跟踪运算模块通过图像分割获得或预先人为确定的目标模板，模板通常为略大于目标的矩形，也可为不规则形状，然后在序列图像中运用相关算法跟踪目标，计算目标模板与候选模板的相似程度，通过运动相关算法来确定当前图像中目标的具体位置从而实现跟踪目标。该目标跟踪运算模块在目标未被遮挡时，跟踪精度非常高、跟踪非常稳定，因而其在视频智能分析时足够应对。
其中，用于跟踪目标的相关算法优选包括以下步骤：
将视频序列中第n+1帧、第n帧与第n-1帧的图像分别计为fn+1、fn与fn-1，对应像素点的灰度值为fn+1(x,y)、fn(x,y)与fn-1(x,y)，按下式计算得到差分图像Dn+1与Dn。
Dn(x,y)＝|fn(x,y)-fn-1(x,y)|
再对差分图像Dn+1与Dn按下式进行与操作，得到图像Dn′。
D'n(x,y)＝|fn+1(x,y)-fn(x,y)|∩|fn(x,y)-fn-1(x,y)|
最后进行阀值处理与连通性分析，以最终提取出运动目标。
所述阀值处理包括：
设定阀值T，按下式对各像素点进行二值化处理，得到二值化的图像Rn′。
灰度值为255的点为运动目标，灰度值为0的点为背景点；对图像Rn′进行连通性分析，提取出含有完整运动目标的图像Rn。
为有效地抑制了光线变化对运动目标检测结果的影响，本发明的算法还可以进一步在判断条件中加入对整体光照敏感修正方法，将判断条件Dn(x,y)>T替换为：
其中，NA为待检测区域像素的总数目，λ为光照的抑制系数，A为整帧图像，
为整帧图像光照的变化情况。
即，二值化图像R′n是按下式计算的：
若光照变化较小，则修正项
的值趋向于零；若光照变化明显，则其值将明显增大，使得上述新的判断条件公式中大于号右侧条件
自适应地增大，最终使得判断结果为没有运动目标，这样就可以有效地抑制了光线变化对运动目标检测结果的影响。
Claims (10)
1.一种应用于城市轨道交通的智能综合监控系统，包括综合监控中心、车站监控中心及监控设备，监控设备包括但不限于电力监控系统(PSCAD)设备、环境与设备监控系统(BAS)设备、火灾报警系统(FAS)设备、自售检票系统(AFC)设备、屏蔽门系统(PSD)设备等；其特征在于，
每一车站的监控设备通过站内专有通信网络连接至其所属车站监控中心，各个车站监控中心再连接至网络综合信息平台，综合监控中心亦连接至网络综合信息平台，从而实现车站监控中心与综合监控中心的数据交互，实际对于轨道交通线路的智能综合监控。
2.根据权利要求1所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述综合监控中心与车站监控中心均还设有智能决策系统，智能决策系统包括数据采集模组、综合监控模组、运营辅助模组与数据服务模组。
3.根据权利要求2所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述数据采集模组，用于采集设施设备与电力数据、行车与信号数据、客流数据、视频数据、外部数据以及管理数据等其他相关数据，以为日常监控与管理以及突发事件的救援指挥提供决策数据支持；数据采集模组连接至网络综合信息平台以获取原始数据；
所述综合监控模组，用于通过对数据采集模组所采集的数据进行监测，并辅助视频分析等相关技术手段以对线路运营状态进行监控，并能提早发现异常事件并进行相应的预警以辅助人工进行日常监控；
所述运营辅助模组包括预案管理模块，用于辅助调度人员对于异常情况进行分析、预判及快速确认，并基于分析结果辅助制定相应的应对措施；达到突发事件处置标准时，调度人员做出启动相应的预案决策，运营辅助模组根据突发事件的类型、级别、影响等因素，调出相应的预案以供调度人员选择，并在调度人员最终决策后协助执行；
所述数据服务模组，用于提供数据查询、分析评估、审计、报表报告等数据服务功能。
4.根据权利要求3所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述数据服务模组包括核心数据库与大数据应用模块，核心数据库汇总实时数据库与历史数据库而形成，大数据应用模块在核心数据库的基础上通过大数据技术进行运算，以实现数据服务模组的相关功能。
5.根据权利要求1-4任一项所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述综合监控模组还包括预警判断模块以及对于各类原始数据的智能分析模块；
所述预警判断模块包括参数库、规则库以及判断模块，智能综合监控系统包括视频智能分析模块，视频智能分析模块用于对视频区域内人或物的异常情况进行分析与预警。
6.根据权利要求5所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述参数库包括若干个触发参数，并根据实际运营情况进行实时滚动更新；
规则库包括参数库中各个触发参数相互之间的逻辑运算关系；
判断模块按规则库中的运算关系，对参数库中的相关触发参数进行具体判断，并产生相应的运算结果。
7.根据权利要求5所述的应用于城市轨道交通的智能综合监控系统，其特征在于，视频智能分析模块用于对视频进行智能分析，其包括运动目标检测模块与目标跟踪运算模块两部分组成；
所述运动目标检测模块，利用背景的参数模型来近似背景图像的像素值，并将当前帧与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域计为是运动区域，而区别较小的像素区域计为是背景区域。
8.根据权利要求7所述的应用于城市轨道交通的智能综合监控系统，其特征在于，运动目标检测模块包括背景初始化模块、背景更新模块与目标检测模块；
所述背景初始化模块，用于从视频开始的前N帧图像中训练出不包含任何运动目标的背景图像的过程；
背景更新模块，用于更新背景；背景更新模块针对当前帧的背景和前景区域，采用不同的更新机制进行更新，具体按下式进行更新：
所述目标检测模块，用于利用背景模型将当前帧的像素标注为背景或前景的过程，其将当前帧与背景模型进行差分比较以实现对运动目标区域的检测，区别较大的像素区域标注为运动区域，较小的标注为背景区域。
9.根据权利要求8所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述目标跟踪运算模块通过图像分割获得或预先人为确定的目标模板，然后在序列图像中运用相关算法跟踪目标，计算目标模板与候选模板的相似程度，通过运动相关算法来确定当前图像中目标的具体位置从而实现跟踪目标；
所述相关算法包括以下步骤：
将视频序列中第n+1帧、第n帧与第n-1帧的图像分别计为fn+1、fn与fn-1，对应像素点的灰度值为fn+1(x,y)、fn(x,y)与fn-1(x,y)，按下式计算得到差分图像Dn+1与Dn；
Dn(x,y)＝|fn(x,y)-fn-1(x,y)|
再对差分图像Dn+1与Dn按下式进行与操作，得到图像Dn′，
D′n(x,y)＝|fn+1(x,y)-fn(x,y)|∩|fn(x,y)-fn-1(x,y)|
最后进行阀值处理与连通性分析，以最终提取出运动目标；所述阀值处理包括：
设定阀值T，按下式对各像素点进行二值化处理，得到二值化图像Rn′；
灰度值为255的点为运动目标，灰度值为0的点为背景点；对图像Rn′进行连通性分析，提取出含有完整运动目标的图像Rn；
为有效地抑制了光线变化对运动目标检测结果的影响，本发明的上述算法还可以进一步在判断条件中加入对整体光照敏感修正的方法，将判断条件Dn(x,y)>T替换为：
其中，NA为待检测区域像素的总数目，λ为光照的抑制系数，A为整帧图像，
为整帧图像光照的变化情况。
10.根据权利要求1-9任一项所述的应用于城市轨道交通的智能综合监控系统，其特征在于，所述智能综合监控系统还包括数据共享系统，其通过数据安全接口分别连接综合监控中心、网络综合信息平台及车站监控中心；而综合监控中心优选是按线路进行设置的，且同一线路的各个车站分别设置其所属的车站监控中心并连接至该线路的监控中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870696.9A CN112017195A (zh) | 2020-08-26 | 2020-08-26 | 一种应用于城市轨道交通的智能综合监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870696.9A CN112017195A (zh) | 2020-08-26 | 2020-08-26 | 一种应用于城市轨道交通的智能综合监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112017195A true CN112017195A (zh) | 2020-12-01 |
Family
ID=73503222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010870696.9A Pending CN112017195A (zh) | 2020-08-26 | 2020-08-26 | 一种应用于城市轨道交通的智能综合监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017195A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112600920A (zh) * | 2020-12-14 | 2021-04-02 | 广州新科佳都科技有限公司 | 一种基于云平台的线网综合监控方法及系统 |
| CN113691778A (zh) * | 2021-08-25 | 2021-11-23 | 成都地铁运营有限公司 | 一种城市轨道交通车站全景巡站系统 |
| CN114089684A (zh) * | 2021-09-30 | 2022-02-25 | 中国铁道科学研究院集团有限公司 | 轨道交通运营控制方法、装置、电子设备和系统 |
| CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
| CN115048915A (zh) * | 2022-08-17 | 2022-09-13 | 国网浙江省电力有限公司 | 基于操作平台的电力文件的数据处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101927777A (zh) * | 2010-09-03 | 2010-12-29 | 中铁上海设计院集团有限公司 | 轨道交通中设备故障后的系统联动方法 |
| CN104915655A (zh) * | 2015-06-15 | 2015-09-16 | 西安电子科技大学 | 一种多路监控视频的管理方法与设备 |
| CN109598453A (zh) * | 2019-01-09 | 2019-04-09 | 卡斯柯信号有限公司 | 一种面向城市轨道交通的乘客智能调度指挥系统及方法 |
-
2020
- 2020-08-26 CN CN202010870696.9A patent/CN112017195A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101927777A (zh) * | 2010-09-03 | 2010-12-29 | 中铁上海设计院集团有限公司 | 轨道交通中设备故障后的系统联动方法 |
| CN104915655A (zh) * | 2015-06-15 | 2015-09-16 | 西安电子科技大学 | 一种多路监控视频的管理方法与设备 |
| CN109598453A (zh) * | 2019-01-09 | 2019-04-09 | 卡斯柯信号有限公司 | 一种面向城市轨道交通的乘客智能调度指挥系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴冰: "基于人脸检测的客流量统计研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, pages 138 - 944 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112600920A (zh) * | 2020-12-14 | 2021-04-02 | 广州新科佳都科技有限公司 | 一种基于云平台的线网综合监控方法及系统 |
| US11753056B2 (en) | 2020-12-14 | 2023-09-12 | Pci Technology & Service Co., Ltd. | Cloud platform-based comprehensive line network monitoring method and system |
| CN113691778A (zh) * | 2021-08-25 | 2021-11-23 | 成都地铁运营有限公司 | 一种城市轨道交通车站全景巡站系统 |
| CN114089684A (zh) * | 2021-09-30 | 2022-02-25 | 中国铁道科学研究院集团有限公司 | 轨道交通运营控制方法、装置、电子设备和系统 |
| CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
| CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
| CN115048915A (zh) * | 2022-08-17 | 2022-09-13 | 国网浙江省电力有限公司 | 基于操作平台的电力文件的数据处理方法及系统 |
| CN115048915B (zh) * | 2022-08-17 | 2022-11-01 | 国网浙江省电力有限公司 | 基于操作平台的电力文件的数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017195A (zh) | 一种应用于城市轨道交通的智能综合监控系统 | |
| CN106219367B (zh) | 一种基于智能视觉光幕的电梯运维监控方法 | |
| CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
| CN109409238A (zh) | 一种障碍物检测方法、装置及终端设备 | |
| CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
| CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
| CN114841660A (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
| CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
| CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
| CN113095160A (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
| CN116503809A (zh) | 一种智慧工厂行为穿戴误告警过滤的后处理方法 | |
| CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
| CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
| CN115132368A (zh) | 一种基于大数据平台的传染病防控监测方法及系统 | |
| CN113255422A (zh) | 一种基于深度学习的工序衔接目标识别管理方法及系统 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| CN117058855B (zh) | 一种物联网云边通信方法 | |
| CN117592661B (zh) | 复杂多场景下的区域中心化车站巡视方案设计方法与系统 | |
| Amirgaliyev et al. | Optimization of people evacuation plans on the basis of wireless sensor networks | |
| WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| Ye et al. | Advancing Production Operation Safety with Virtual Reality Solutions and AI-Driven Computer Vision | |
| Zhang et al. | Research on Intelligent Safety Supervision System of Chemical Industry Park Based on Neural Network | |
| Mingze et al. | Traffic Big Data Intelligent Object Tracking Technology under Noise Conditions |
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 |