CN112990017B - 一种智慧城市大数据分析方法及监控系统 - Google Patents

一种智慧城市大数据分析方法及监控系统 Download PDF

Info

Publication number
CN112990017B
CN112990017B CN202110282816.8A CN202110282816A CN112990017B CN 112990017 B CN112990017 B CN 112990017B CN 202110282816 A CN202110282816 A CN 202110282816A CN 112990017 B CN112990017 B CN 112990017B
Authority
CN
China
Prior art keywords
monitoring
data
area
big data
data analysis
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.)
Active
Application number
CN202110282816.8A
Other languages
English (en)
Other versions
CN112990017A (zh
Inventor
陈永欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liu Hongwei
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110282816.8A priority Critical patent/CN112990017B/zh
Publication of CN112990017A publication Critical patent/CN112990017A/zh
Application granted granted Critical
Publication of CN112990017B publication Critical patent/CN112990017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/787—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种智慧城市大数据分析方法及监控系统，本发明属于大数据领域，涉及慧城市大数据分析技术，本实施例提供的智慧城市大数据分析方法，应用于基于视频监控的医院场景，尤其是疫情等特殊期间，存在用户佩戴口罩不方便摘取，无法精准的对目标群体进行识别追踪的的场景，具体实施时，将患者以及医生定义为目标用户，则该目标用户的人脸即为目标人脸，将医院划分为若干个监控区间，目标用户进入监控区间，电子设备采集预设监控区间包括目标人脸的初始人脸图像。

Description

一种智慧城市大数据分析方法及监控系统
技术领域
本发明属于大数据领域，涉及慧城市大数据分析技术，具体是一种智慧城市大数据分析方法及监控系统。
背景技术
在医院中进行大数据分析时，长长需要进行视频数据采集，但由于在防治的背景下，就医需要佩戴口罩，增加了分析采样的难度，同时，人脸识别作为重要的机器视觉技术，在人工智能领域发挥重大作用。在实际使用中，人脸图像的遮挡特别是口罩导致的嘴部遮挡出现频率越来越高。面部遮挡的人脸区域很难提取出真实准确的特征描述，特征描述的不准确性大幅度增加人脸识技术的难度，若不对识别方法进行重新设计，必然会导致识别精度的大幅下降。目前国内外研究都能未能理想的解决面部遮挡问题，识别模型均存在计算量较大或者识别精度较低的技术问题。
可见，现有的人脸识别方案在人脸发生遮挡时存在计算量较大或者识别精度较低的技术问题，也导致大数据分析的进准度。
发明内容
有鉴于此，本公开实施例提供一种智慧城市大数据分析方法及监控系统，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种智慧城市大数据分析方法，包括：
获取医疗监控区间；
采集初始监控数据，其中，所述初始监控数据为包括医疗监控区间的监控视频文件；
判断所述初始监控数据是否满足大数据分析要求；
若所述初始监控数据满足大数据分析要求，则调用第一识别模型基于初始监控数据进行大数据分析；
若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析。
所述获取医疗监控区间之前，还包括：
接收监控区间信号，其中，所述监控区间信号至少包括监测楼层子信号、监测科室子信号以及特征检测子信号中的一种或多种；
划分所述监控区间，具体为，获取监控区间对应医院的BIM模型，通过BIM模型衍射出医院各楼层的平面图；
通过获取所述医院各楼层的设备安装清单，建立楼层监控区域，具体的，获取楼层内监控设备位置以及监控设备作业范围；
将所述楼层内监控设备位置重合在所述楼层的平面图内，组成楼层监测平面图，并对所述楼层监测平面图进行监控区间划分，其中，划分结果为监控区、协助区以及智能区。
所述对所述楼层监测平面图进行监控区间划分之前，还包括：
根据所述监控设备安装位置以及工作范围获得监控工作区域，并将监控工作区域与楼层监测平面图重合获得监控区；
获取楼层监测平面图内未与监控工作区域重合的部分为未知区域；
提取所述未知区域内的信号连接数据，若所述未知区域内信号连接数据大于区域阈值时，则选取未知区域为协助区；
若所述未知区域内信号连接数据小于区域阈值时，则选取未知区域为智能区。
所述采集初始监控数据之前，还包括：
与所述监控区内监控设备建立数据连接；
向所述协助区内协助设备发送协助请求并接收协助反馈数据，其中，所述协助反馈数据至少包括初始监控数据；
向所述智能区内安放智能辅助设备，并与智能辅助设备建立数据连接并接收辅助反馈数据，其中，所述辅助反馈数据至少包括初始监控数据。
所述判断所述初始监控数据是否满足大数据分析要求，包括：
获取初始监控数据的分辨率以及画面噪音；
当所述初始监控数据的分辨率以及画面噪音任一项不满足预设筛选值时，既判定为所述初始监控数据不满足大数据分析要求。
所述调用第一识别模型前，还包括:
采集预设数量的基础样本视频，其中，所述基础样本视频为包括处于非遮挡状态与遮挡状态下的样本人脸的图片；
在非遮挡状态下，所述基础样本视频中截取出目标样本区域，其中，所述目标样本区域为所述样本人脸的双眼所在的部分区域；
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域，得到对应的遮挡样本图片；
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练，得到所述第一识别模型。
所述调用筛选模型前还包括：
与智能辅助设备建立数据链接；
发送不满足大数据分析要求的监控区或\和协助区的位置。
所述筛选模型，包括：
条件层，所述条件层用于生成筛选条件；
筛选层，所述筛选层用于基于所述筛选条件选取智能辅助设备；
接收层，所述接收层用于获取智能辅助设备的采集数据，其中，所述采集数据至少包括医疗监控区间的监控视频文件。
第二方面，本公开实施例提供了一种智慧城市大数据监控系统，包括采集模块，用于采集基础样本视频与初始监控数据；
判断模块，用于判断初始监控数据是否满足大数据分析要求；
处理模块，用于，若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析。
第三方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的智慧城市大数据分析方法。
第四方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的智慧城市大数据分析方法。
与现有技术相比，本发明的有益效果是：
本实施例提供的智慧城市大数据分析方法，应用于基于视频监控的医院场景，尤其是疫情等特殊期间，存在用户佩戴口罩不方便摘取，无法精准的对目标群体进行识别追踪的的场景，具体实施时，将患者以及医生定义为目标用户，则该目标用户的人脸即为目标人脸，将医院划分为若干个监控区间，目标用户进入监控区间，电子设备采集预设监控区间包括目标人脸的初始人脸图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明原理框图；
图2为本发明系统原理框图；
图3为本发明电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种智慧城市大数据分析方法。本实施例提供的智慧城市大数据分析方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，为本公开实施例提供的一种智慧城市大数据分析方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
获取医疗监控区间；
本实施例提供的智慧城市大数据分析方法，应用于基于视频监控的医院场景，尤其是疫情等特殊期间，存在用户佩戴口罩不方便摘取，无法精准的对目标群体进行识别追踪的的场景。
具体实施时，将患者以及医生定义为目标用户，则该目标用户的人脸即为目标人脸，将医院划分为若干个监控区间。目标用户进入监控区间，电子设备采集预设监控区间包括目标人脸的初始人脸图像。当然，该初始人脸图像可能还包括其他对象，在此不作考虑。
再具体实施时，获取医疗监控区间之前，还包括：
接收监控区间信号，其中，所述监控区间信号至少包括监测楼层子信号、监测科室子信号以及特征检测子信号中的一种或多种；
具体的，不同的分析任务产生不同的监测信号，当需要监测医院任一层目标用户的大数据信息时，既接收监测楼层子信号；当需要监测医院任一科室目标用户的大数据信息时，既接收监测科室子信号；当需要监测制自定义目标用户的大数据信息时，既特征检测子信号，其中，自定义目标用户例如需要24小时不间断监控的人物或群体；
划分所述监控区间，具体为，获取监控区间对应医院的BIM模型，通过BIM模型衍射出医院各楼层的平面图；
具体的，医院各楼层的平面图包括各科室名称标注以及各走廊以及单独隔间的名称，便于大数据整理与分析；
通过获取所述医院各楼层的设备安装清单，建立楼层监控区域，具体的，获取楼层内监控设备位置以及监控设备作业范围；
再具体实施时，对所述楼层监测平面图进行监控区间划分之前，还包括：
根据所述监控设备安装位置以及工作范围获得监控工作区域，并将监控工作区域与楼层监测平面图重合获得监控区；
具体的，每层楼所安装的监控设备以及监控设备的监控工作区域因为型号导致监控工作区域大小不同，所以在具体实施时，对监控设备的型号以及监控工作区域的大小不做具体限定。
获取楼层监测平面图内未与监控工作区域重合的部分为未知区域；
具体的，未知区域既为楼层监测平面图内监控设备未能检测或超出监控工作区域的剩余区域，再具体实施时，由于监控设备的型号以及监控工作区域的大小以及监控安装的位置不同，导致未知区域位置为随机产生，所以，未知区域位置在此不做具体限定；
更具体的，当未知区域内加装监控设备后，将对应的未知区域更正为监控区；
提取所述未知区域内的信号连接数据，若所述未知区域内信号连接数据大于区域阈值时，则选取未知区域为协助区；
具体的，通过获取未知区域内信号传输节点的接入量，获得未知区域内的信号连接数据；
而区域阈值为，设备拍摄标准面积与未知区域的面积之比，具体的，设备拍摄标准面积为智能手机的拍摄面积，在本公开中，设备拍摄标准面积采用3米作为标准值，通过控制较小范围的设备拍摄标准面积，可以保证拍摄的质量，进而保证拍摄的细节更充分；
若所述未知区域内信号连接数据小于区域阈值时，则选取未知区域为智能区。
将所述楼层内监控设备位置重合在所述楼层的平面图内，组成楼层监测平面图，并对所述楼层监测平面图进行监控区间划分，其中，划分结果为监控区、协助区以及智能区。
采集初始监控数据，其中，所述初始监控数据为包括医疗监控区间的监控视频文件；
具体的，采集初始监控数据之前，还包括：
与所述监控区内监控设备建立数据连接，具体的，通过光缆或WIFI获取监控区内监控设备的监控信息；
向所述协助区内协助设备发送协助请求并接收协助反馈数据，其中，所述协助反馈数据至少包括初始监控数据；
再具体实施时，通过获取信号连接数据，具体的，信号连接数据为协助区内使用的智能手机或智能平板，且屏蔽医生与护士所携带的智能手机或智能平板；
通过编辑协助请求并向信号连接数据的反馈数据中增加协助请求数据包进行消息推送；具体的，协助请求包括拍摄区域以及拍摄要求；更具体的，拍摄要求包括拍摄角度，拍摄稳定性、拍摄声音以及拍摄光照；例如，向协助区内使用的智能手机或智能平板发送目标患者和与之对应的拍摄视频请求，其中，拍摄视频请求包括拍摄的起始区域与结束区域；当目标患者进入起始区域后，开始进行拍摄，并实时上传，当目标患者进入结束区域后，结束拍摄，上述起始区域具体为协助区，结束区域具体为监控区。
具体的，反馈数据内的初始监控数据为满足上述拍摄要求的视频或图片，同时会给拍摄的智能手机或智能平板发放拍摄奖励。
向所述智能区内安放智能辅助设备，并与智能辅助设备建立数据连接并接收辅助反馈数据，其中，所述辅助反馈数据至少包括初始监控数据。
在具体实施时，智能辅助设备可以为但不限于具有拍摄功能的智能无人机以及具有拍摄功能的智能引导机器人；
当目标患者进入智能区后，通过向智能辅助设备内发送拍摄任务，操控智能辅助设备对目标患者进行实时拍摄，并上传；
判断所述初始监控数据是否满足大数据分析要求，具体为，获取初始监控数据的分辨率以及画面噪音；
当所述初始监控数据的分辨率以及画面噪音任一项不满足预设筛选值时，既判定为所述初始监控数据不满足大数据分析要求；
具体的，预设筛选值根据具体实施医院的设备以及大数据算法的运算力评估设定，在此，对预设筛选值的范围不做具体限定；
若所述初始监控数据满足大数据分析要求，则调用第一识别模型基于初始监控数据进行大数据分析；
在调用第一识别模型前，还包括:
采集预设数量的基础样本视频，其中，所述基础样本视频为包括处于非遮挡状态与遮挡状态下的样本人脸的图片；
在非遮挡状态下，所述基础样本视频中截取出目标样本区域，其中，所述目标样本区域为所述样本人脸的双眼所在的部分区域；
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域，得到对应的遮挡样本图片；
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练，得到所述第一识别模型。
具体的，通过预先采集若干基础视频对遮挡与非遮挡的人物进行面部识别，进而获取面部识别的结果与数量；
通过输入目标用户的样本图片或视频，通过第一识别模型对初始监控数据进行识别，可以快速的获得目标的识别结果，进而对目标用户进行大数据分析；获取目标用户的大数据行为；
同时基础视频还包括楼层图片以及科室名称图片，通过对楼层图片以及科室名称图片的深度识别，可以判读目标用户所处于的科室以及楼层，更方便大数据的采集；
若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析。
调用筛选模型前还包括：
与智能辅助设备建立数据链接；
发送不满足大数据分析要求的监控区或\和协助区的位置；
具体的，智能辅助通过接收不满足大数据分析要求的监控区或\和协助区的位置，移动到监控区或\和协助区，进行拍摄补充任务；
更具体的，调用筛选模型，包括：
条件层，所述条件层用于生成筛选条件；具体的，筛选条件包括但不限于智能辅助设备与监控区或\和协助区之间的距离、智能辅助设备所属智能区是否存在拍摄任务以及智能辅助设备剩余电量；
通过设置不同的筛选条件筛选出合适的智能辅助设备，保证视频拍摄质量与系统的稳定运行；
筛选层，所述筛选层用于基于所述筛选条件选取智能辅助设备；
接收层，所述接收层用于获取智能辅助设备的采集数据，其中，所述采集数据至少包括医疗监控区间的监控视频文件。
通过上述第一识别模型对接收层内的数据进行识别，完成大数据识别。
与上面的方法实施例相对应，参见图2，本公开实施例还提供了一种人脸识别装置，包括：
采集模块，用于采集基础样本视频与初始监控数据；
判断模块，用于判断初始监控数据是否满足大数据分析要求；
处理模块，用于，若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析。
图2所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图3，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的人脸识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的人脸识别方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的人脸识别方法。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种智慧城市大数据分析方法，其特征在于，所述方法包括：
获取医疗监控区间；
采集初始监控数据，其中，所述初始监控数据为包括医疗监控区间的监控视频文件；
判断所述初始监控数据是否满足大数据分析要求；
若所述初始监控数据满足大数据分析要求，则调用第一识别模型基于初始监控数据进行大数据分析；
若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析；
所述获取医疗监控区间之前，还包括：
接收监控区间信号，其中，所述监控区间信号至少包括监测楼层子信号、监测科室子信号以及特征检测子信号中的一种或多种；
划分所述监控区间，具体为，获取监控区间对应医院的BIM模型，通过BIM模型衍射出医院各楼层的平面图；
通过获取所述医院各楼层的设备安装清单，建立楼层监控区域，具体的，获取楼层内监控设备位置以及监控设备作业范围；
将所述楼层内监控设备位置重合在所述楼层的平面图内，组成楼层监测平面图，并对所述楼层监测平面图进行监控区间划分，其中，划分结果为监控区、协助区以及智能区；
所述对所述楼层监测平面图进行监控区间划分之前，还包括：
根据所述监控设备安装位置以及工作范围获得监控工作区域，并将监控工作区域与楼层监测平面图重合获得监控区；
获取楼层监测平面图内未与监控工作区域重合的部分为未知区域；
提取所述未知区域内的信号连接数据，若所述未知区域内信号连接数据大于区域阈值时，则选取未知区域为协助区；
若所述未知区域内信号连接数据小于区域阈值时，则选取未知区域为智能区。
2.根据权利要求1所述的一种智慧城市大数据分析方法，其特征在于，所述采集初始监控数据之前，还包括：
与所述监控区内监控设备建立数据连接；
向所述协助区内协助设备发送协助请求并接收协助反馈数据，其中，所述协助反馈数据至少包括初始监控数据；
向所述智能区内安放智能辅助设备，并与智能辅助设备建立数据连接并接收辅助反馈数据，其中，所述辅助反馈数据至少包括初始监控数据。
3.根据权利要求2所述的一种智慧城市大数据分析方法，其特征在于，所述判断所述初始监控数据是否满足大数据分析要求，包括：
获取初始监控数据的分辨率以及画面噪音；
当所述初始监控数据的分辨率以及画面噪音任一项不满足预设筛选值时，即判定为所述初始监控数据不满足大数据分析要求。
4.根据权利要求1所述的一种智慧城市大数据分析方法，其特征在于，所述调用第一识别模型前，还包括:
采集预设数量的基础样本视频，其中，所述基础样本视频为包括处于非遮挡状态与遮挡状态下的样本人脸的图片；
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域，得到对应的遮挡样本图片；
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练，得到所述第一识别模型。
5.根据权利要求1所述的一种智慧城市大数据分析方法，其特征在于，所述调用筛选模型前还包括：
与智能辅助设备建立数据链接；
发送不满足大数据分析要求的监控区或\和协助区的位置。
6.根据权利要求1所述的一种智慧城市大数据分析方法，其特征在于，所述筛选模型，包括：
条件层，所述条件层用于生成筛选条件；
筛选层，所述筛选层用于基于所述筛选条件选取智能辅助设备；
接收层，所述接收层用于获取智能辅助设备的采集数据，其中，所述采集数据至少包括医疗监控区间的监控视频文件。
7.一种基于权利要求1所述的智慧城市大数据分析方法的智慧城市大数据监控系统，其特征在于，所述系统包括:
采集模块，用于采集初始监控数据；
判断模块，用于判断初始监控数据是否满足大数据分析要求；
处理模块，用于，若所述初始监控数据不满足大数据分析要求，则调用筛选模型对所述不满足大数据分析要求的初始监控数据进行更新，获得补充监控数据，并再次通过第一识别模型对补充监控数据进行大数据分析。
8.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行上述权利要求1-6中任一项所述的大数据分析方法。
CN202110282816.8A 2021-03-16 2021-03-16 一种智慧城市大数据分析方法及监控系统 Active CN112990017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110282816.8A CN112990017B (zh) 2021-03-16 2021-03-16 一种智慧城市大数据分析方法及监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282816.8A CN112990017B (zh) 2021-03-16 2021-03-16 一种智慧城市大数据分析方法及监控系统

Publications (2)

Publication Number Publication Date
CN112990017A CN112990017A (zh) 2021-06-18
CN112990017B true CN112990017B (zh) 2022-01-28

Family

ID=76335955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110282816.8A Active CN112990017B (zh) 2021-03-16 2021-03-16 一种智慧城市大数据分析方法及监控系统

Country Status (1)

Country Link
CN (1) CN112990017B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204753B (zh) * 2022-09-14 2022-12-02 深圳市深信信息技术有限公司 一种智慧农贸场所行为监测方法、系统及可读存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178854A (zh) * 2006-11-07 2008-05-14 奥城同立科技开发（北京）有限公司 交通道路图像多向抓拍方法和电子警察系统
JP2010166196A (ja) * 2009-01-14 2010-07-29 Clarion Co Ltd 車両周辺監視装置
CN104243935A (zh) * 2014-10-10 2014-12-24 南京莱斯信息技术股份有限公司 基于视频识别的机场场监系统目标监控方法
CN104850693A (zh) * 2015-01-19 2015-08-19 安科智慧城市技术（中国）有限公司 一种监控设备布局方法和装置
CN105913037A (zh) * 2016-04-26 2016-08-31 广东技术师范学院 基于人脸识别与射频识别的监控跟踪系统
CN107146200A (zh) * 2017-04-25 2017-09-08 广西大学 一种基于图像拼接质量评价的无人机遥感图像拼接方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN109886236A (zh) * 2019-03-01 2019-06-14 苏州星奥达科技有限公司 一种基于海量人群行为的视频分析方法
CN110447232A (zh) * 2017-03-31 2019-11-12 三星电子株式会社 用于确定用户情绪的电子设备及其控制方法
CN111539912A (zh) * 2020-03-23 2020-08-14 中国科学院自动化研究所 基于人脸结构定位的健康指标评估方法、设备和存储介质
CN111539338A (zh) * 2020-04-26 2020-08-14 深圳前海微众银行股份有限公司 行人口罩佩戴管控方法、装置、设备及计算机存储介质
CN111582090A (zh) * 2020-04-27 2020-08-25 杭州宇泛智能科技有限公司 人脸识别方法、装置及电子设备
CN111918032A (zh) * 2020-07-24 2020-11-10 深圳市云洲创新科技有限公司 基于无人艇的水上监管方法、系统、装置及智能设备
CN111985413A (zh) * 2020-08-22 2020-11-24 深圳市信诺兴技术有限公司 一种智能楼宇监控终端、监控系统及监控方法
CN112217994A (zh) * 2020-09-29 2021-01-12 国网浙江省电力有限公司嘉兴供电公司 一种电力高压线周边安全作业预警方法
CN112287827A (zh) * 2020-10-29 2021-01-29 南通中铁华宇电气有限公司 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400371B (zh) * 2013-07-09 2016-11-02 河海大学 一种多摄像头协同监控设备及方法
TWI571717B (zh) * 2015-08-26 2017-02-21 國立勤益科技大學 無人飛行器大樓監控管理方法及系統
KR101766077B1 (ko) * 2015-12-08 2017-08-07 현대자동차주식회사 차량 주변 영상 정보 제공 시스템 및 방법
CN108337645B (zh) * 2017-12-26 2020-11-20 北京大学 网格化无线电信号监测系统架构及干扰信号联合检测方法
CN209842393U (zh) * 2019-02-20 2019-12-24 西安理工大学 一种基于无人机平台的智能仓库监控系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178854A (zh) * 2006-11-07 2008-05-14 奥城同立科技开发（北京）有限公司 交通道路图像多向抓拍方法和电子警察系统
JP2010166196A (ja) * 2009-01-14 2010-07-29 Clarion Co Ltd 車両周辺監視装置
CN104243935A (zh) * 2014-10-10 2014-12-24 南京莱斯信息技术股份有限公司 基于视频识别的机场场监系统目标监控方法
CN104850693A (zh) * 2015-01-19 2015-08-19 安科智慧城市技术（中国）有限公司 一种监控设备布局方法和装置
CN105913037A (zh) * 2016-04-26 2016-08-31 广东技术师范学院 基于人脸识别与射频识别的监控跟踪系统
CN110447232A (zh) * 2017-03-31 2019-11-12 三星电子株式会社 用于确定用户情绪的电子设备及其控制方法
CN107146200A (zh) * 2017-04-25 2017-09-08 广西大学 一种基于图像拼接质量评价的无人机遥感图像拼接方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN109886236A (zh) * 2019-03-01 2019-06-14 苏州星奥达科技有限公司 一种基于海量人群行为的视频分析方法
CN111539912A (zh) * 2020-03-23 2020-08-14 中国科学院自动化研究所 基于人脸结构定位的健康指标评估方法、设备和存储介质
CN111539338A (zh) * 2020-04-26 2020-08-14 深圳前海微众银行股份有限公司 行人口罩佩戴管控方法、装置、设备及计算机存储介质
CN111582090A (zh) * 2020-04-27 2020-08-25 杭州宇泛智能科技有限公司 人脸识别方法、装置及电子设备
CN111918032A (zh) * 2020-07-24 2020-11-10 深圳市云洲创新科技有限公司 基于无人艇的水上监管方法、系统、装置及智能设备
CN111985413A (zh) * 2020-08-22 2020-11-24 深圳市信诺兴技术有限公司 一种智能楼宇监控终端、监控系统及监控方法
CN112217994A (zh) * 2020-09-29 2021-01-12 国网浙江省电力有限公司嘉兴供电公司 一种电力高压线周边安全作业预警方法
CN112287827A (zh) * 2020-10-29 2021-01-29 南通中铁华宇电气有限公司 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
近地面农情视频定位系统实现;张岸等;《测绘科学》;20130930;第38卷(第5期);第46-48页 *

Also Published As

Publication number Publication date
CN112990017A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN111582090A (zh) 人脸识别方法、装置及电子设备
CN110619314A (zh) 安全帽检测方法、装置及电子设备
CN112101305B (zh) 多路图像处理方法、装置及电子设备
CN110287891B (zh) 基于人体关键点的手势控制方法、装置及电子设备
CN111368746A (zh) 视频中人员安全帽佩戴状态的检测方法、装置及电子设备
CN111222509B (zh) 目标检测方法、装置及电子设备
CN110347875B (zh) 一种视频场景分类方法、装置、移动终端及存储介质
CN106297184A (zh) 监控移动终端周围环境的方法、装置及移动终端
CN111191556A (zh) 人脸识别方法、装置及电子设备
CN112990017B (zh) 一种智慧城市大数据分析方法及监控系统
CN113992860A (zh) 基于云边协同的行为识别方法、装置、电子设备和介质
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN111310595B (zh) 用于生成信息的方法和装置
CN111445499B (zh) 用于识别目标信息的方法及装置
CN110378936B (zh) 光流计算方法、装置及电子设备
CN110555861B (zh) 光流计算方法、装置及电子设备
CN109871465B (zh) 一种时间轴计算方法、装置、电子设备及存储介质
CN110751120A (zh) 一种检测方法、装置及电子设备
CN112036519B (zh) 基于多位sigmoid的分类处理方法、装置及电子设备
CN110852253A (zh) 梯控场景检测方法、装置及电子设备
CN111586295B (zh) 图像生成方法、装置和电子设备
CN111681267B (zh) 基于图像识别的轨道防侵入方法
CN112817441A (zh) 一种按键与人眼识别结合的方法和装置
CN110991312A (zh) 生成检测信息的方法、装置、电子设备和介质
CN110705447A (zh) 手部图像的检测方法、装置及电子设备

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
TA01 Transfer of patent application right

Effective date of registration: 20220113

Address after: 755100 No. 046, team 6, Huangying village, Mingsha Town, Zhongning County, Zhongwei City, Ningxia Hui Autonomous Region

Applicant after: Liu Hongwei

Address before: No. 43, lianpenggang village, Yagang village committee, liuzu Town, Xinxing County, Yunfu City, Guangdong Province, 527431

Applicant before: Chen Yonghuan

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant