CN113489952B - 一种面向室内三维场景的视频监控设施布设方法 - Google Patents
一种面向室内三维场景的视频监控设施布设方法 Download PDFInfo
- Publication number
- CN113489952B CN113489952B CN202110740522.5A CN202110740522A CN113489952B CN 113489952 B CN113489952 B CN 113489952B CN 202110740522 A CN202110740522 A CN 202110740522A CN 113489952 B CN113489952 B CN 113489952B
- Authority
- CN
- China
- Prior art keywords
- video monitoring
- indoor
- points
- candidate
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种面向室内三维场景的视频监控设施布设方法,属于地理空间信息系统技术领域,包括以下步骤:构建室内视频监控场景;根据所述室内视频监控场景,构建室内全覆盖视频监控布设模型;根据所述室内全覆盖视频监控布设模型,利用遗传算法确定室内全覆盖视频监控设施布设的最优方案,完成面向室内三维场景的视频监控设施布设。本发明解决了现有室内视频监控设施布设中监控点布设不合理、不能保证监控覆盖率的问题。
Description
技术领域
本发明属于地理空间信息系统技术领域,尤其涉及一种面向室内三维场景的视频监控设施布设方法。
背景技术
在如今高度现代化的社会中,室内活动占据了人类大量的时间,比如车站、办公楼以及购物中心。室内视频监控已经成为城市治安防控与综合管理中必不可少的组成部分,是室内安全防范中最为重要的一个环节。但是目前关于视频监控终端布设情况的研究更偏向于室外布设,对于封闭但是更为复杂多变的室内,相关的布设情况的研究相对较少。针对室内区域视频监控设施的布设研究缺少科学合理的方法性指导,主要依据工程人员已有经验进行布设,存在摄像头分布不合理、监控范围覆盖率低、监控和维护效率低等情况,很难全面满足实际需求并且存在设备成本浪费现象。目前主流的室内视频监控布设方法主要是层次分析、专家评估等方法,虽然此类方法也对部分监控布设影响因素进行定量处理,但布设结果还是主要依靠经验知识影响,受主观因素影响较大,因此很难对视频监控进行合理布设,容易造成资源的浪费,并且无法保证视频监控系统高效的监控性能。
如现有中的定性分析方法:该方法根据需求层次,首先对目标监控区域的空间位置的重要程度进行评估,然后以空间位置的重要程度对监控区域的紧急程度进行排序,对于急需的地点优先进行布设。该方法无法保证整个区域的监控视频的覆盖程度,并且很容易造成资源浪费和覆盖率不达标的情况。
发明内容
针对现有技术中的上述不足,本发明提供的一种面向室内三维场景的视频监控设施布设方法,解决了现有室内视频监控设施布设中监控点布设不合理、不能保证监控覆盖率的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种面向室内三维场景的视频监控设施布设方法,包括以下步骤:
S1、构建室内视频监控场景;
S2、根据所述室内视频监控场景,构建室内全覆盖视频监控布设模型;
S3、根据所述室内全覆盖视频监控布设模型,利用遗传算法确定室内全覆盖视频监控设施布设的最优方案,完成面向室内三维场景的视频监控设施布设。
进一步地,所述步骤S1包括以下步骤:
S101、室内三维空间表达:基于IndoorGML实现面向视频监控布设的室内语义结构表达,将室内空间分为出入口、单元空间以及单元空间边界三类描述对象,其中,所述出入口包括连接室内与室内的出入口和锚空间;所述单元空间包括房间和通道;所述单元空间边界包括天花板、地板和墙面;
S102、室内视频监控布设网络构建:基于所述室内三维空间表达,将走廊中轴线抽象为边,将房间和出入口抽象为节点,将所有距离边最近的节点用线段进行连接,将所有边的交点抽象为节点;添加边对过渡性空间进行划分,将大厅的几何中心与所连通的出入口、通道口或房间利用线段进行连接,将线段的中点用边进行连接,形成封闭的环;针对多层建模采用垂直通道与楼层间的连接口实现,采用虚线段连接两个楼层间的楼梯口、直梯口或扶梯口,且虚线在平面上相交不产生节点;
S103、室内视频监控可视范围计算:基于所述室内视频监控布设网络,根据摄像机图像传感器的宽度以及摄像机的焦距,计算得到摄像机视场的有效范围,以及根据摄像机图像传感器视点至目标点的视线将室内划分为可见区域或不可见区域,并根据所述摄像机视场的有效范围、可见区域以及不可见区域确定室内视频监控的可视范围;
所述摄像机视场的有效范围的表达式如下:
其中,F表示摄像机视场的有效范围,f表示摄像机的焦距,wI表示摄像机图像传感器的宽度,hI表示摄像机图像传感器的高度,p表示物体高度最小可接受的百分比,h0表示摄像机中物体的估计高度;
S104、室内视频监控观测矩阵构建:根据所述室内视频监控的可视范围选取候选监控点,计算得到候选视频监控点的可视范围,并根据所述侯选视频监控点的可视范围确定侯选视频监控点对网格的覆盖情况,完成对室内视频监控观测矩阵的构建。
再进一步地,所述步骤S104包括以下步骤:
S1041、选择侯选监控点:根据所述室内视频监控的可视范围选择候选监控点,利用侯选视频监控点选取原则选择侯选监控点,并对侯选监控点进行编号;
S1042、网格划分:将走廊空间和大厅空间分成大小为l×l的四边形网格,并对网格点进行编号,记录每个网格点的位置信息,其中,l表示网格边的长度;
S1043、确定侯选监控点对网格点的覆盖情况:计算候选监控视频点的可视范围,确定侯选监控点对网格点的覆盖情况,完成对室内视频监控观测矩阵的构建。
再进一步地,所述步骤S1041中利用侯选视频监控点选取原则选择侯选监控点,包括以下步骤:
A1、室内-室外出入口:确定连接室内室外空间的出入口,并根据室内室外出入口大小和摄像机视场共同布设侯选监控点;
A2、室内-室内出入口:确定室内-室内出入口,并根据摄像机视场确定布设位置,并根据所述布设位置在室内-室内出入口布设侯选视频监控点;
A3、楼梯、直梯口以及扶梯口:在楼梯、直梯口以及扶梯口均布设侯选视频监控点;
A4、走廊与大厅:在走廊空间沿中心线或两边墙体布设侯选视频监控点;在大厅几何中心、大厅与通道连接处布设侯选视频监控点,完成对侯选监控点在选择。
再进一步地,所述步骤S2包括以下步骤:
S201、建立目标函数:根据所述室内视频监控场景,确定目标网格点全覆盖的目标函数其中,W={1,2,...,m},j表示候选视频监控点的编号,W表示候选视频监控点的集合,m表示候选视频监控点的个数,xj表示视频监控点的布设状况;
S202、约束分析:判断目标网格点i是否被侯选视频监控点j观测:其中,判断目标网格点i是否被侯选择视频监控点j观测具体为:判断目标网格点i和候选视频监控点j之间的距离是否小于摄像机的有效可视距离;以及判断目标网格点i是否在候选视频监控点j的视场角范围内;
所述判断候目标网格点i是否被侯选视频监控点j观测的表达式如下:
其中,ui、vi表示第i个目标网格点的横纵坐标,uj、vj表示第j个候选视频监控点的横纵坐标,r表示监控摄像机的有效可视距离,aj表示摄像机的平移角,θh表示水平视场角,aij表示目标网格点i相对于视频监控点j的平移角;
S203、构建室内全覆盖视频监控布设模型:根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数,并根据所述约束分析结果建立约束条件,在所述约束条件上选择侯选视频监控点,并根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数以及选择的视频监控点选取满足条件的侯选视频监控点,构建室内全覆盖视频监控布设模型;
所述室内全覆盖视频监控布设模型的目标函数F(xj)的表达式如下:
所述约束条件的表达式如下:
其中,i表示目标网格编号,j表示候选视频监控点编号,m表示候选视频监控点总数,n表示目标网格点的数量,yi表示目标网格点被覆盖情况,当目标网格点被至少一个视频监控点覆盖则为1,反之为0,xj表示候选视频监控点的布设状况,若布设则为1,反之为0,vij表示候选视频监控点j对目标网格i的覆盖状况,若能覆盖为1,反之为0,Ni表示覆盖目标网格i的候选视频监控点集合。
再进一步地,所述步骤S3包括以下步骤:
S301、视频监控问题编码:根据室内全覆盖视频监控布设模型的目标函数,选用二进制对室内全覆盖视频监控布设问题编码进行映射处理,即若侯选视频监控点有m个,则染色体由m位二进制串表示,其中,每一条染色体代表一种室内全覆盖视频监控布设方案;
S302、初始化种群:对室内全覆盖视频监控布设问题中的初始种群进行初始化处理,生成由M个染色体组成的初始种群;
S303、对初始种群中的个体进行评估:通过计算适应度函数的适应度值对所述初始种群中的个体进行评估,其中,所述适应度函数的表达式如下:
Fintness(F(xj))=Cmax-F(xj)
其中,Cmax表示比F(xj)最大值大的正数,F(xj)表示室内全覆盖视频监控布设模型的目标函数,Fintness(·)表示适应度函数;
S304、选择-复制运算:根据所述评估结果,利用轮盘赌选择法确定进入交配池的染色体,并将初始化种群中适应度最高的d个染色体个体保存至子代;
S305、交叉-变异运算:利用单点交叉对室内视频监控布设进行交叉运算,以及在染色体中随机选取基因进行标记,将标记点右边的基因进行等位交换得到子代染色体,并在染色体中随机抽取一个基因进行突变,将突变点的基因替换为其等位基因形成的子代染色体;
S306、染色体修复:根据交叉-变异运算结果,对不满足完全覆盖条件的目标网格的子代染色体进行修复;
S307、迭代次数判断:判断遗传的迭代是否达到预设的次数,若是,则根据修复结果输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设,否则,返回步骤S301。
再进一步地,所述步骤S302包括以下步骤:
S3021、向量生成:利用随机函数将所述染色体生成由0和1构成的向量X={x1,x2,x3,...,xj,...,xm},其中,xj表示视频监控点的布设状况,xm表示第m个视频监控点的布设状况;
S3022、向量条件判断:判断向量X={x1,x2,x3,...,xj,...,xm}是否满足若是,则目标网格点全部覆盖,并进入步骤S3023,否则,该染色体进入初始种群,并返回步骤S1,其中,xj={0,1},j=1,2...m,j表示候选视频监控点的编号,Ni表示覆盖目标网格点的候选视频监控点集合,xj表示视频监控点的布设状况,V表示目标网格点集合,n表示目标网格点的数量;
S3023、染色体判断:判断是否生成由M个染色体组成的初始种群,若是,则完成种群的初始化处理,并进入步骤S303,否则,返回步骤S3021。
再进一步地,所述步骤S304包括以下步骤:
S3041、确定适应度值:利用所述适应度函数计算染色体个体η的适应度值;
S3042、计算遗传处理概率:根据所述适应值度,计算得到染色体进入交配池成为父代个体进行遗传处理的概率:
其中,P(xj)表示遗传处理概率,f(xj)表示染色体个体η的适应度值,f(xg)表示第g个染色体的适应度值,g表示初始种群中染色体个体的序号,M表示初始种群中个体的数量;
S3043、计算累积概率:根据所述遗传处理概率,计算得到种群中每个染色体个体的累积概率:
其中,Q(xj)表示种群中每个染色体个体的累积概率,P(xg)表示染色体个体g进入交配池成为父代个体进行遗传操作的概率,η和g均表示种群中个体的序号,且η=1,2,...,g;
S3044、选择父代个体:随机产生一个数rand∈[0,1],判断rand是否小于所述累积概率,若是,则选择父代染色体个体,并进入步骤S3045,否则,选择染色体个体k,并使Q(xk-1)<rand≤Q(xk),重复步骤S3044,直至重复M次,并进入步骤S3045,其中,Q(xk)表示第k个染色体个体的累积概率,Q(xk-1)表示第k-1个染色体个体的累积概率;
S3045、交叉变异处理:对父代染色体个体进行交叉变异处理;
S3046、染色体个体替换:根据交叉变异结果,利用父代种群中适应度值最高的d个染色体个体替换新一代中适应度值最低的d个染色体个体,并使种群数量等于M,完成对染色体的选择复制运算,其中,M表示初始种群中染色体个体的数量。
再进一步地,所述步骤S306包括以下步骤:
S3061、判断监控覆盖情况:根据交叉-变异运算结果,判断检测目标网格点是否被监控完全覆盖,若是,则生成子代种群,进入步骤S307,否则,进入步骤S3062;
S3062、矩阵A的组成:检测未被监控覆盖的目标网格点和未布设监控的候选视频监控点,并组成矩阵A,即行和为0的行与列和为0的列,确定满足条件的行与列后组成矩阵A;
S3063、确定覆盖面积:利用室内视频监控观测矩阵计算矩阵A中候选视频监控点对目标网格的覆盖情况,即覆盖面积大小:
xic∈{0,1}
其中,R(xc)表示覆盖面积,xic表示未布设监控的候选点布设监控时对目标网格点的覆盖情况,当xic=1时,目标网格点被覆盖;反之,不被覆盖,Si表示目标网格的面积;
S3064、对覆盖面积进行排序:将矩阵A中候选视频监控点按照其对矩阵A中目标网格点的覆盖面积大小进行降序排列,并将覆盖面积最大的列转化为1;
S3065、生成子代个体:将修复完成后的染色体重新进行检测,若其满足完全覆盖的条件,则将修复完成后的染色体放入子代成为子代个体,并进入步骤S307,否则,返回步骤S3062,直到生成M个子代染色体。
再进一步地,所述步骤S307还包括以下步骤:
若在完成遗传迭代预设的次数前,输出的适应度值为稳定状态,则停止迭代,并输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设。
本发明的有益效果:
(1)针对室内视频监控布设问题,将室内连续的空间网格化,室内视频监控布设问题转化成为了集合覆盖问题,提出了室内视频监控布设模型,为问题的求解提供了模型支撑,提高了视频监控布设问题求解的效率。
(2)通过室内视频监控场景中摄像机的可视范围分析,建立了室内监控场景的观测矩阵,简化了监控点选取过程中的可视性分析,提高了室内视频监控点选取的效率。
(3)针对本发明提出的室内全覆盖视频监控布设模型,本发明提出的基于遗传算法的室内视频监控布设方法,在一般遗传算法的基础上,对交叉、变异等操作产生的不可行解针对性修复,与传统的遗传算法求解视频监控布设问题相比,提高了问题的求解效率。
(4)与传统的监控布设方法相比,在监控面积一定的情况下,本发明提出的面向室内场景的视频监控布设方法得到的布设方案成本更低;资金成本一定的情况下,本发明提出的面向室内场景的视频监控布设方法得到的布设方案覆盖率更高。本发明提出的方法降低了工程人员经验知识对布设方案的影响,使得室内视频监控布设方案不依赖于个人经验,而直接由算法求解模型得出。
附图说明
图1为本发明的方法流程图。
图2为本实施例中摄像机可视范围与视场变量之间的关系示意图。
图3为本实施例中摄像机的可视范围示意图。
图4为本实施例中不可行解修复流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
有鉴于背景技术中存在的问题,如图1所示,本发明提供了一种面向室内三维场景的视频监控设施布设方法,其实现方法如下:
S1、构建室内视频监控场景,其实现方法如下:
S101、室内三维空间表达:基于IndoorGML实现面向视频监控布设的室内语义结构表达,将室内空间分为出入口、单元空间以及单元空间边界三类描述对象,其中,所述出入口包括连接室内与室内的出入口和锚空间;所述单元空间包括房间和通道;所述单元空间边界包括天花板、地板和墙面;
S102、室内视频监控布设网络构建:将走廊中轴线抽象为边,将房间和出入口抽象为节点,将所有距离边最近的节点用线段进行连接,将所有边的交点抽象为节点;添加边对过渡性空间进行划分,将大厅的几何中心与所连通的出入口、通道口或房间利用线段进行连接,将线段的中点用边进行连接,形成封闭的环;针对多层建模采用垂直通道与楼层间的连接口实现,采用虚线段连接两个楼层间的楼梯口、直梯口或扶梯口,且虚线在平面上相交不产生节点;
S103、室内视频监控可视范围计算:基于所述室内视频监控布设网络,根据摄像机图像传感器的宽度以及摄像机的焦距,计算得到摄像机视场的有效范围,以及根据摄像机图像传感器视点至目标点的视线将室内划分为可见区域或不可见区域,并根据所述摄像机视场的有效范围、可见区域以及不可见区域确定室内视频监控的可视范围;
本实施例中,除摄像机镜头的焦距和尺寸等内部参数外,摄像机的视场还由水平视场角和垂直视场角表示,图2表示了摄像机可视范围与视场变量之间的关系,因此,摄像机的视场F可表示为:
其中,变量r是摄像机的有效可视距离,它取决于相机的焦距f、图像传感器的高度hI、相机视场中物体的估计高度h0以及物体高度最小可接受百分比p,由以下公式描述:
物体高度最小可接受百分比p估计为图像显示器中物体的高度与显示器高度的比率,将p的最小值设置为10%。
摄像机的可视性主要依赖于从摄像机图像传感器视点到目标点的视线。可见性分析将区域划分为可见或不可见。如果没有物体遮挡摄像机图像传感器的视线,则可以标记为可视区域;反之,则标记为不可见区域,图3为摄像机可视范围示意图。
S104、室内视频监控观测矩阵构建:根据所述室内视频监控的可视范围选取候选监控点,计算得到候选视频监控点的可视范围,并根据所述侯选视频监控点的可视范围确定侯选视频监控点对网格的覆盖情况,完成对室内视频监控观测矩阵的构建,
本实施例中,监控布设高度一般在2.75m以上,沿墙体或天花板进行布设。候选视频监控点选取满足重要区域多选取、遮挡严重区域尽量少选取的原则。基于候选视频监控点选取原则,按照以下选取方法结合实际情况选取候选监控点,并按1-m进行编号,其实现方法如下:
S1041、根据所述室内视频监控的可视范围选择候选监控点,利用侯选视频监控点选取原则选择侯选监控点,并对侯选监控点进行编号,其实现方法如下:
A1、室内-室外出入口:确定连接室内室外空间的出入口,并根据室内室外出入口大小和视频监控设备的有效可视范围共同布设侯选监控点;
本实施例中,连接室内室外空间的出入口是室内视频监控系统的重点关注区域。该区域必须选取候选视频监控点,根据出入口大小和视频监控设备有效可视范围共同确定候选监控点选取数量。
A2、室内-室内出入口:确定室内-室内出入口,并根据视频监控设备的有效可视范围确定布设位置,并根据所述布设位置在室内-室内出入口布设侯选视频监控点;
本实施例中,室内出入口一般指房间门,是室内监控中度关注区域。候选视频监控点一般沿走廊天花板中心线或两边墙体进行布设,一个房间门对应至少一个候选视频监控点,由视频监控设备有效可视范围决定可能的布设位置。
A3、楼梯、直梯口以及扶梯口:在楼梯、直梯口以及扶梯口均布设侯选视频监控点;
本实施例中,室内人员流动较大区域,每个区域至少选取一个候选视频监控点。
A4、走廊与大厅:在走廊空间沿中心线或两边墙体布设侯选视频监控点,以及在大厅几何中心及大厅出入口连接、通道连接区域均布设侯选视频监控点,完成对侯选监控点在选择;
本实施例中,走廊空间沿中心线或两边墙体布设,相邻候选视频监控点间的距离不超过3m;大厅于几何中心及出入口连接、通道连接区域均匀选取。
S1042、将走廊空间和大厅空间分成大小为l×l的四边形网格,并对所述四边形网格进行编号,记录每个四边形网格点的位置信息,其中,l表示网格边的长度。
本实施例中,将走廊空间和大厅空间分成大小为l×l的四边形网格。针对不完整的网格,只有当其面积大于完整网格的一半时,才视为完整网格,其他情况不计考虑。对网格按1-n进行编号,并记录每个网格点位置信息。
S1043、计算候选监控视频点的可视范围,确定侯选监控点对四边形网格点的覆盖情况,完成对室内视频监控观测矩阵的构建。
本实施例中,计算候选视频监控点可视范围,确定候选视频监控点M(1,2,...,m)对目标网格N(1,2,...,n)覆盖情况。观测矩阵如表1所示,表1为观测矩阵。
表1
S2、根据所述室内视频监控场景,构建室内全覆盖视频监控布设模型;
本实施例中,室内视频监控布设问题是确定空间内设施覆盖的问题,全覆盖要求将室内研究区域完全覆盖,其实现方法如下:
S201、建立目标函数:根据所述室内视频监控场景,确定目标网格点全覆盖的目标函数其中,W={1,2,...,m},j表示候选视频监控点的编号,W表示候选视频监控点的集合,m表示候选视频监控点的个数,xj表示视频监控点的布设状况;
S202、约束分析:判断目标网格点i是否被侯选视频监控点j观测:其中,判断目标网格点i是否被侯选择视频监控点j观测具体为:判断目标网格点i和候选视频监控点j之间的距离是否小于摄像机的有效可视距离;以及判断目标网格点i是否在候选视频监控点j的视场角范围内。
本实施例中,目标区域必须被全覆盖,即n个目标网格点必须被全部覆盖,即每个目标网格必须被至少一个视频监控点观测到;候选视频监控点布设摄像头只有两种情况,布设摄像头,则xj=1,否则,xj=0;候选视频监控点j能否观测到目标网格点i只有两种情况,若能观测得到,则vij=1;反之,vij=0。vij是否为1由以下公式决定:
其中,ui、vi表示第i个目标网格点的横纵坐标,uj、vj表示第j个候选视频监控点的横纵坐标,r表示监控摄像机的有效可视距离,aj表示摄像机的平移角,θh表示水平视场角,aij表示目标网格点i相对于视频监控点j的平移角,由以下公式计算:
S203、构建室内全覆盖视频监控布设模型:根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数,并根据所述约束分析结果建立约束条件,在所述约束条件上选择侯选视频监控点,并根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数以及选择的视频监控点选取满足条件的侯选视频监控点,构建室内全覆盖视频监控布设模型:
其中,i表示目标网格编号,j表示候选视频监控点编号,m表示候选视频监控点总数,n表示目标网格点的数量,yi表示目标网格点被覆盖情况,当目标网格点被至少一个视频监控点覆盖则为1,反之为0,xj表示候选视频监控点的布设状况,若布设则为1,反之为0,vij表示候选视频监控点j对目标网格i的覆盖状况,若能覆盖为1,反之为0,Ni表示覆盖目标网格i的候选视频监控点集合。
S3、根据所述室内全覆盖视频监控布设模型,利用遗传算法确定室内全覆盖视频监控设施布设的最优方案,完成面向室内三维场景的视频监控设施布设,其实现方法如下:
S301、视频监控问题编码:根据室内全覆盖视频监控布设模型的目标函数,选用二进制对室内全覆盖视频监控布设问题编码进行映射处理,即若侯选视频监控点有m个,则染色体由m位二进制串表示,其中,每一条染色体代表一种室内全覆盖视频监控布设方案;
本实施例中,根据监控布设模型中的目标函数,选用二进制编码进行问题映射。假设候选视频监控点有m个,则染色体由m位的二进制串表示。当第j位基因值为1时表示候选视频监控点j布设监控摄像头,一条染色体表示一种解决方案。
S302、初始化种群:对覆盖视频监控布设问题中的初始种群进行初始化处理,生成由M个染色体组成的初始种群;
本实施例中,种群数量设置在100至200之间,在视频监控布设问题中确定种群数量M为100。全覆盖视频监控布设问题中初始种群还需满足一定条件,即每个个体必须完全覆盖目标监控区域。染色体用向量X=(x1,x2,x3,...xj...xm)表示,其中,xj={0,1},j=1,2...m,初始种群生成步骤如下:
S3021、向量生成:利用随机函数将所述染色体生成由0和1构成的向量X={x1,x2,x3,...,xj,...,xm},其中,xj表示视频监控点的布设状况,xm表示第m个视频监控点的布设状况;
S3022、向量条件判断:判断向量X={x1,x2,x3,...,xj,...,xm}是否满足若是,则目标网格点全部覆盖,并进入步骤S3023,否则,该染色体进入初始种群,并返回步骤S1,其中,xj={0,1},j=1,2...m,j表示候选视频监控点的编号,Ni表示覆盖目标网格点的候选视频监控点集合,xj表示视频监控点的布设状况,V表示目标网格点集合,n表示目标网格点的数量;
S3023、染色体判断:判断是否生成由M个染色体组成的初始种群,若是,则完成种群的初始化处理,并进入步骤S303,否则,返回步骤S3021;
S303、对初始种群中的个体进行评估:通过计算适应度函数的适应度值对所述初始种群中的个体进行评估;
本实施例中,通过计算适应度函数的适应度值的方式确定,其中适应度函数由待解决问题的目标函数变换而成,适应度函数可设置为:
Fintness(F(xj))=Cmax-F(xj)
其中,Cmax表示比F(xj)最大值大的正数,F(xj)表示室内全覆盖视频监控布设模型的目标函数,Fintness(·)表示适应度函数;
S304、选择-复制运算:根据所述评估结果,利用轮盘赌选择法确定进入交配池的染色体,并将初始化种群中适应度最高的d个染色体个体保存至子代,其实现方法如下:
S3041、确定适应度值:利用所述适应度函数计算染色体个体η的适应度值;
S3042、计算遗传处理概率:根据所述适应值度,计算得到染色体进入交配池成为父代个体进行遗传处理的概率:
其中,P(xj)表示遗传处理概率,f(xj)表示染色体个体η的适应度值,f(xg)表示第g个染色体的适应度值,g表示初始种群中染色体个体的序号,M表示初始种群中个体的数量;
S3043、计算累积概率:根据所述遗传处理概率,计算得到种群中每个染色体个体的累积概率:
其中,Q(xj)表示种群中每个染色体个体的累积概率,P(xg)表示染色体个体g进入交配池成为父代个体进行遗传操作的概率,η和g均表示种群中个体的序号,且η=1,2,...,g;
S3044、选择父代个体:随机产生一个数rand∈[0,1],判断rand是否小于所述累积概率,若是,则选择父代染色体个体,并进入步骤S3045,否则,选择染色体个体k,并使Q(xk-1)<rand≤Q(xk),重复步骤S3044,直至重复M次,并进入步骤S3045,其中,Q(xk)表示第k个染色体个体的累积概率,Q(xk-1)表示第k-1个染色体个体的累积概率;
S3045、交叉变异处理:对父代染色体个体进行交叉变异处理;
S3046、染色体个体替换:根据交叉变异结果,利用父代种群中适应度值最高的d个染色体个体替换新一代中适应度值最低的d个染色体个体,并使种群数量等于M,完成对染色体的选择复制运算,其中,M表示初始种群中染色体个体的数量;
S305、交叉-变异运算:利用单点交叉对室内视频监控布设进行交叉运算,以及在染色体中随机选取基因进行标记,将标记点右边的基因进行等位交换得到子代染色体,并在染色体中随机抽取一个基因进行突变,将突变点的基因替换为其等位基因形成的子代染色体;
本实施例中,每一条染色体代表一种室内全覆盖视频监控布设方案,染色体进行交叉等操作产生子代染色体也就是产生新的室内视频监控布设方案。室内视频监控布设方案与染色体本质上表示的是一个结果,不同的是染色体是其在算法中的表示方式,室内全覆盖视频监控布设方案是其在三维空间中的布设方案。
本实施例中,对于室内视频监控布设问题的交叉运算采用单点交叉,染色体中随机选取基因进行标记,将标记点右边的基因进行等位交换得到子代染色体。对产生的子代染色体来说,变异是辅助手段,在染色体中随机抽取一个基因进行突变,将突变点的基因替换为其等位基因形成子代染色体。遗传算法对染色体分别以某个概率进行交叉和变异产生新的个体,因此交叉概率Pc和变异概率Pm是影响遗传算法搜索速度的重要因素。Pc决定了遗传算法进行产生新个体的速率,Pc值越高,交叉产生新个体的速度越大。但是随着Pc值的增高,染色体结构损坏增大,Pc过小则会导致进化速度过慢,搜索效率降低;而随着变异概率Pm升高,搜索结果也会更加随机,最终可能完全成为随机搜索。因此传统的遗传算法中提前设定Pc和Pm值已不适用于实际问题的解决。以下两式通过个体的适应度值计算Pc和Pm,当个体的适应度值高时,Pc和Pm较小,个体的适应度值低时,Pc和Pm较大,Pc取值区间为0.5-1.0,Pm取值区间为0.001-0.1。本发明Pc和Pm的大小随适应度值的大小变化,具体计算公式如下:
其中,Pc表示交叉概率,Pm表示变异概率,Pcmax和Pcmin分别表示交叉概率的最大值和最小值,Pcmax'和Pcmin'分别表示变异概率的最大值和最小值,f'表示两个染色体中适应度值较高染色体的值,f表示待变异个体的适应度值,favg表示种群平均适应度值,fmax表示种群最大适应度值;
S306、染色体修复:根据交叉-变异运算结果,对不满足完全覆盖条件的目标网格的子代染色体进行修复;
本实施例中,交叉变异运算产生的染色体有很大概率不满足完全覆盖目标监控区域的条件,为了使不可行解变得可行,本发明给出了一种面向室内视频监控布设问题时处理不可行解的方法,该方法依据候选视频监控点对目标区域覆盖面积大小的不同对基因进行修复,使染色体可行。
在已经构造的二进制观测矩阵中,列对应候选视频监控点,行对应目标网格点,总和为0的行则表示该目标网格未被视频监控覆盖,列为0表示该候选视频监控点未布设监控。全覆盖视频监控布设的目标函数是求布设最小的监控数量达到全覆盖,基于求取最小监控数量的目的,将单点监控覆盖面积作为衡量是否修补染色体的依据。假设未被监控覆盖的目标网格共有r个,未布设监控的候选视频监控点共有c个,则未覆盖目标网格被候选视频监控覆盖的面积依据以下公式进行计算:
xic∈{0,1}
其中,xic为未布设监控的候选点布设监控时对目标网格点的覆盖情况,当xic=1时,目标网格被覆盖;反之,不被覆盖。Si为目标网格的面积。对不可行解中的基因计算后,选择R(xc)值最大的基因进行修补,从而修补整个染色体,达到修补不可行解的目的。
如图4所示,不可行解修复流程如下:
S3061、判断监控覆盖情况:根据交叉-变异运算结果,判断检测目标网格点是否被监控完全覆盖,若是,则生成子代种群,进入步骤S307,否则,进入步骤S3062;
本实施例中,生成的子代种群为生成的一个个视频监控设施布设方案,通过子代种群的迭代来得到最优的布设方案。
S3062、矩阵A的组成:检测未被监控覆盖的目标网格点和未布设监控的候选视频监控点,并组成矩阵A,即行和为0的行与列和为0的列,确定满足条件的行与列后组成矩阵A;
S3063、确定覆盖面积:利用室内视频监控观测矩阵计算矩阵A中候选视频监控点对目标网格的覆盖情况,即覆盖面积大小:
xic∈{0,1}
其中,R(xc)表示覆盖面积,xic表示未布设监控的候选点布设监控时对目标网格点的覆盖情况,当xic=1时,目标网格点被覆盖;反之,不被覆盖,Si表示目标网格的面积;
S3064、对覆盖面积进行排序:将矩阵A中候选视频监控点按照其对矩阵A中目标网格点的覆盖面积大小进行降序排列,并将覆盖面积最大的列转化为1;
S3065、生成子代个体:将修复完成后的染色体重新进行检测,若其满足完全覆盖的条件,则将修复完成后的染色体放入子代成为子代个体,并进入步骤S307,否则,返回步骤S3062,直到生成M个子代染色体;
S307、迭代次数判断:判断遗传的迭代是否达到预设的次数,若是,则根据修复结果输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设,否则,返回步骤S301。
所述步骤S307还包括以下步骤:若在完成遗传迭代预设的次数前,输出的适应度值为稳定状态,则停止迭代,并输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设。
本实施例中,迭代计算规定次数,输出视频监控布设方案。当遗传的迭代达到最大次数Gmax时停止计算,并输出此时的搜索结果。室内视频监控布设问题中,将Gmax设置为200,若在结束迭代前适应度已经保持稳定,则此时求得的解可近似为最优解,即室内视频监控布设最优方案。
Claims (9)
1.一种面向室内三维场景的视频监控设施布设方法,其特征在于,包括以下步骤:
S1、构建室内视频监控场景;
S2、根据所述室内视频监控场景,构建室内全覆盖视频监控布设模型;
所述步骤S2包括以下步骤:
S201、建立目标函数:根据所述室内视频监控场景,确定目标网格点全覆盖的目标函数其中,W={1,2,...,m},j表示候选视频监控点的编号,W表示候选视频监控点的集合,m表示候选视频监控点的个数,xj表示视频监控点的布设状况;
S202、约束分析:判断目标网格点i是否被侯选视频监控点j观测:其中,判断目标网格点i是否被侯选择视频监控点j观测具体为:判断目标网格点i和候选视频监控点j之间的距离是否小于摄像机的有效可视距离;以及判断目标网格点i是否在候选视频监控点j的视场角范围内;
所述判断候目标网格点i是否被侯选视频监控点j观测的表达式如下:
其中,ui、vi表示第i个目标网格点的横纵坐标,uj、vj表示第j个候选视频监控点的横纵坐标,r表示监控摄像机的有效可视距离,aj表示摄像机的平移角,θh表示水平视场角,aij表示目标网格点i相对于视频监控点j的平移角;
S203、构建室内全覆盖视频监控布设模型:根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数,并根据所述约束分析结果建立约束条件,在所述约束条件上选择侯选视频监控点,并根据所述目标函数确定室内全覆盖视频监控布设模型的目标函数以及选择的视频监控点选取满足条件的侯选视频监控点,构建室内全覆盖视频监控布设模型;
所述室内全覆盖视频监控布设模型的目标函数F(xj)的表达式如下:
所述约束条件的表达式如下:
其中,i表示目标网格编号,j表示候选视频监控点编号,m表示候选视频监控点总数,n表示目标网格点的数量,yi表示目标网格点被覆盖情况,当目标网格点被至少一个视频监控点覆盖则为1,反之为0,xj表示候选视频监控点的布设状况,若布设则为1,反之为0,vij表示候选视频监控点j对目标网格i的覆盖状况,若能覆盖为1,反之为0,Ni表示覆盖目标网格i的候选视频监控点集合;
S3、根据所述室内全覆盖视频监控布设模型,利用遗传算法确定室内全覆盖视频监控设施布设的最优方案,完成面向室内三维场景的视频监控设施布设。
2.根据权利要求1所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S1包括以下步骤:
S101、室内三维空间表达:基于IndoorGML实现面向视频监控布设的室内语义结构表达,将室内空间分为出入口、单元空间以及单元空间边界三类描述对象,其中,所述出入口包括连接室内与室内的出入口和锚空间;所述单元空间包括房间和通道;所述单元空间边界包括天花板、地板和墙面;
S102、室内视频监控布设网络构建:基于所述室内三维空间表达,将走廊中轴线抽象为边,将房间和出入口抽象为节点,将所有距离边最近的节点用线段进行连接,将所有边的交点抽象为节点;添加边对过渡性空间进行划分,将大厅的几何中心与所连通的出入口、通道口或房间利用线段进行连接,将线段的中点用边进行连接,形成封闭的环;针对多层建模采用垂直通道与楼层间的连接口实现,采用虚线段连接两个楼层间的楼梯口、直梯口或扶梯口,且虚线在平面上相交不产生节点;
S103、室内视频监控可视范围计算:基于所述室内视频监控布设网络,根据摄像机图像传感器的宽度以及摄像机的焦距,计算得到摄像机视场的有效范围,以及根据摄像机图像传感器视点至目标点的视线将室内划分为可见区域或不可见区域,并根据所述摄像机视场的有效范围、可见区域以及不可见区域确定室内视频监控的可视范围;
所述摄像机视场的有效范围的表达式如下:
其中,F表示摄像机视场的有效范围,f表示摄像机的焦距,wI表示摄像机图像传感器的宽度,hI表示摄像机图像传感器的高度,p表示物体高度最小可接受的百分比,h0表示摄像机中物体的估计高度;
S104、室内视频监控观测矩阵构建:根据所述室内视频监控的可视范围选取候选监控点,计算得到候选视频监控点的可视范围,并根据所述侯选视频监控点的可视范围确定侯选视频监控点对网格的覆盖情况,完成对室内视频监控观测矩阵的构建。
3.根据权利要求2所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S104包括以下步骤:
S1041、选择侯选监控点:根据所述室内视频监控的可视范围选择候选监控点,利用侯选视频监控点选取原则选择侯选监控点,并对侯选监控点进行编号;
S1042、网格划分:将走廊空间和大厅空间分成大小为l×l的四边形网格,并对网格点进行编号,记录每个网格点的位置信息,其中,l表示网格边的长度;
S1043、确定侯选监控点对网格点的覆盖情况:计算候选监控视频点的可视范围,确定侯选监控点对网格点的覆盖情况,完成对室内视频监控观测矩阵的构建。
4.根据权利要求3所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S1041中利用侯选视频监控点选取原则选择侯选监控点,包括以下步骤:
A1、室内-室外出入口:确定连接室内室外空间的出入口,并根据室内室外出入口大小和摄像机视场共同布设侯选监控点;
A2、室内-室内出入口:确定室内-室内出入口,并根据摄像机视场确定布设位置,并根据所述布设位置在室内-室内出入口布设侯选视频监控点;
A3、楼梯、直梯口以及扶梯口:在楼梯、直梯口以及扶梯口均布设侯选视频监控点;
A4、走廊与大厅:在走廊空间沿中心线或两边墙体布设侯选视频监控点;在大厅几何中心、大厅与通道连接处布设侯选视频监控点,完成对侯选监控点在选择。
5.根据权利要求1所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S3包括以下步骤:
S301、视频监控问题编码:根据室内全覆盖视频监控布设模型的目标函数,选用二进制对室内全覆盖视频监控布设问题编码进行映射处理,即若侯选视频监控点有m个,则染色体由m位二进制串表示,其中,每一条染色体代表一种室内全覆盖视频监控布设方案;
S302、初始化种群:对室内全覆盖视频监控布设问题中的初始种群进行初始化处理,生成由M个染色体组成的初始种群;
S303、对初始种群中的个体进行评估:通过计算适应度函数的适应度值对所述初始种群中的个体进行评估,其中,所述适应度函数的表达式如下:
Fintness(F(xj))=Cmax-F(xj)
其中,Cmax表示比F(xj)最大值大的正数,F(xj)表示室内全覆盖视频监控布设模型的目标函数,Fintness(·)表示适应度函数;
S304、选择-复制运算:根据评估结果,利用轮盘赌选择法确定进入交配池的染色体,并将初始化种群中适应度最高的d个染色体个体保存至子代;
S305、交叉-变异运算:利用单点交叉对室内视频监控布设进行交叉运算,以及在染色体中随机选取基因进行标记,将标记点右边的基因进行等位交换得到子代染色体,并在染色体中随机抽取一个基因进行突变,将突变点的基因替换为其等位基因形成的子代染色体;
S306、染色体修复:根据交叉-变异运算结果,对不满足完全覆盖条件的目标网格的子代染色体进行修复;
S307、迭代次数判断:判断遗传的迭代是否达到预设的次数,若是,则根据修复结果输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设,否则,返回步骤S301。
6.根据权利要求5所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S302包括以下步骤:
S3021、向量生成:利用随机函数将所述染色体生成由0和1构成的向量X={x1,x2,x3,...,xj,...,xm},其中,xj表示视频监控点的布设状况,xm表示第m个视频监控点的布设状况;
S3022、向量条件判断:判断向量X={x1,x2,x3,...,xj,...,xm}是否满足若是,则目标网格点全部覆盖,并进入步骤S3023,否则,该染色体进入初始种群,并返回步骤S1,其中,xj={0,1},j=1,2...m,j表示候选视频监控点的编号,Ni表示覆盖目标网格点的候选视频监控点集合,xj表示视频监控点的布设状况,V表示目标网格点集合,n表示目标网格点的数量;
S3023、染色体判断:判断是否生成由M个染色体组成的初始种群,若是,则完成种群的初始化处理,并进入步骤S303,否则,返回步骤S3021。
7.根据权利要求5所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S304包括以下步骤:
S3041、确定适应度值:利用所述适应度函数计算染色体个体η的适应度值;
S3042、计算遗传处理概率:根据所述适应值度,计算得到染色体进入交配池成为父代个体进行遗传处理的概率:
其中,P(xj)表示遗传处理概率,f(xj)表示染色体个体η的适应度值,f(xg)表示第g个染色体的适应度值,g表示初始种群中染色体个体的序号,M表示初始种群中个体的数量;
S3043、计算累积概率:根据所述遗传处理概率,计算得到种群中每个染色体个体的累积概率:
其中,Q(xj)表示种群中每个染色体个体的累积概率,P(xg)表示染色体个体g进入交配池成为父代个体进行遗传操作的概率,η和g均表示种群中个体的序号,且η=1,2,...,g;
S3044、选择父代个体:随机产生一个数rand∈[0,1],判断rand是否小于所述累积概率,若是,则选择父代染色体个体,并进入步骤S3045,否则,选择染色体个体k,并使Q(xk-1)<rand≤Q(xk),重复步骤S3044,直至重复M次,并进入步骤S3045,其中,Q(xk)表示第k个染色体个体的累积概率,Q(xk-1)表示第k-1个染色体个体的累积概率;
S3045、交叉变异处理:对父代染色体个体进行交叉变异处理;
S3046、染色体个体替换:根据交叉变异结果,利用父代种群中适应度值最高的d个染色体个体替换新一代中适应度值最低的d个染色体个体,并使种群数量等于M,完成对染色体的选择复制运算,其中,M表示初始种群中染色体个体的数量。
8.根据权利要求5所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S306包括以下步骤:
S3061、判断监控覆盖情况:根据交叉-变异运算结果,判断检测目标网格点是否被监控完全覆盖,若是,则生成子代种群,进入步骤S307,否则,进入步骤S3062;
S3062、矩阵A的组成:检测未被监控覆盖的目标网格点和未布设监控的候选视频监控点,并组成矩阵A,即行和为0的行与列和为0的列,确定满足条件的行与列后组成矩阵A;
S3063、确定覆盖面积:利用室内视频监控观测矩阵计算矩阵A中候选视频监控点对目标网格的覆盖情况,即覆盖面积大小:
xic∈{0,1}
其中,R(xc)表示覆盖面积,xic表示未布设监控的候选点布设监控时对目标网格点的覆盖情况,当xic=1时,目标网格点被覆盖;反之,不被覆盖,Si表示目标网格的面积;
S3064、对覆盖面积进行排序:将矩阵A中候选视频监控点按照其对矩阵A中目标网格点的覆盖面积大小进行降序排列,并将覆盖面积最大的列转化为1;
S3065、生成子代个体:将修复完成后的染色体重新进行检测,若其满足完全覆盖的条件,则将修复完成后的染色体放入子代成为子代个体,并进入步骤S307,否则,返回步骤S3062,直到生成M个子代染色体。
9.根据权利要求5所述的面向室内三维场景的视频监控设施布设方法,其特征在于,所述步骤S307还包括以下步骤:
若在完成遗传迭代预设的次数前,输出的适应度值为稳定状态,则停止迭代,并输出此时最优的视频监控布设方案,完成面向室内三维场景的视频监控设施布设。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740522.5A CN113489952B (zh) | 2021-06-30 | 2021-06-30 | 一种面向室内三维场景的视频监控设施布设方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740522.5A CN113489952B (zh) | 2021-06-30 | 2021-06-30 | 一种面向室内三维场景的视频监控设施布设方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113489952A CN113489952A (zh) | 2021-10-08 |
CN113489952B true CN113489952B (zh) | 2022-03-22 |
Family
ID=77937341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740522.5A Active CN113489952B (zh) | 2021-06-30 | 2021-06-30 | 一种面向室内三维场景的视频监控设施布设方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113489952B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639040B (zh) * | 2022-03-14 | 2023-01-17 | 广东正艺技术有限公司 | 一种基于物联网的监控视频分析系统及方法 |
CN114724323B (zh) * | 2022-06-09 | 2022-09-02 | 北京科技大学 | 一种便携式火灾现场保护智慧电子围栏的布点方法 |
CN116663867A (zh) * | 2023-07-31 | 2023-08-29 | 广东鉴面智能科技有限公司 | 基于遗传算法使用最少布控球监控的方法、设备和介质 |
CN117119148B (zh) * | 2023-08-14 | 2024-02-02 | 中南民族大学 | 基于三维场景的视频监控效果可视化评估方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002033558A1 (en) * | 2000-10-16 | 2002-04-25 | Physical Optics Corporation | Multimedia sensor network |
CN103824277A (zh) * | 2013-11-29 | 2014-05-28 | 广东电网公司电力科学研究院 | 基于非线性参数优化标定的变电站三维实景监测布点方法 |
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 |
CN105634593A (zh) * | 2015-12-18 | 2016-06-01 | 重庆邮电大学 | 一种基于遗传算法的室内可见光通信led阵列布局优化方法 |
CN106803926A (zh) * | 2016-12-22 | 2017-06-06 | 南京师范大学 | 一种顾及多种监控任务的视频传感器部署优化方法 |
CN107066747A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨理工大学 | 一种视觉测量网络组网规划方法 |
CN107623590A (zh) * | 2017-08-18 | 2018-01-23 | 福建易视科技有限公司 | 用于无人机群实时监控的配置方法及系统 |
CN109522580A (zh) * | 2018-03-20 | 2019-03-26 | 广东电网有限责任公司清远供电局 | 一种基于变电站区域重要程度的监控摄像头布点方法 |
CN109756861A (zh) * | 2019-01-31 | 2019-05-14 | 北京理工大学 | 一种城市环境下异构传感器网络的节点部署方法 |
CN110764470A (zh) * | 2019-08-31 | 2020-02-07 | 华南理工大学 | 一种10kV配电室温湿度传感器优化布点方法 |
CN112752268A (zh) * | 2020-12-28 | 2021-05-04 | 深圳供电局有限公司 | 一种无线网络立体覆盖的优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2835792B1 (en) * | 2013-08-07 | 2016-10-05 | Axis AB | Method and system for selecting position and orientation for a monitoring camera |
RU2561925C2 (ru) * | 2013-12-16 | 2015-09-10 | Общество С Ограниченной Ответственностью "Дисикон" | Способ определения оптимальной конфигурации системы видеомониторинга леса |
US11461657B2 (en) * | 2019-05-10 | 2022-10-04 | Fujitsu Limited | Data augmentation in training deep neural network (DNN) based on genetic model |
-
2021
- 2021-06-30 CN CN202110740522.5A patent/CN113489952B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002033558A1 (en) * | 2000-10-16 | 2002-04-25 | Physical Optics Corporation | Multimedia sensor network |
CN103824277A (zh) * | 2013-11-29 | 2014-05-28 | 广东电网公司电力科学研究院 | 基于非线性参数优化标定的变电站三维实景监测布点方法 |
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 |
CN105634593A (zh) * | 2015-12-18 | 2016-06-01 | 重庆邮电大学 | 一种基于遗传算法的室内可见光通信led阵列布局优化方法 |
CN106803926A (zh) * | 2016-12-22 | 2017-06-06 | 南京师范大学 | 一种顾及多种监控任务的视频传感器部署优化方法 |
CN107066747A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨理工大学 | 一种视觉测量网络组网规划方法 |
CN107623590A (zh) * | 2017-08-18 | 2018-01-23 | 福建易视科技有限公司 | 用于无人机群实时监控的配置方法及系统 |
CN109522580A (zh) * | 2018-03-20 | 2019-03-26 | 广东电网有限责任公司清远供电局 | 一种基于变电站区域重要程度的监控摄像头布点方法 |
CN109756861A (zh) * | 2019-01-31 | 2019-05-14 | 北京理工大学 | 一种城市环境下异构传感器网络的节点部署方法 |
CN110764470A (zh) * | 2019-08-31 | 2020-02-07 | 华南理工大学 | 一种10kV配电室温湿度传感器优化布点方法 |
CN112752268A (zh) * | 2020-12-28 | 2021-05-04 | 深圳供电局有限公司 | 一种无线网络立体覆盖的优化方法 |
Non-Patent Citations (2)
Title |
---|
仓储视频监控布局优化模型的研究;王磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;全文 * |
无线传感器网络三维表面k覆盖多连通部署方法;王丹丹等;《计算机应用研究》;20170727(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113489952A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113489952B (zh) | 一种面向室内三维场景的视频监控设施布设方法 | |
CN112651059B (zh) | 一种基于人工智能的控规地块城市设计多方案生成方法 | |
Peng et al. | A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks | |
CN115630978B (zh) | 一种基于人口就业分布的多交通设施选址方法 | |
CN115545359B (zh) | 一种面向复杂建筑火灾的动态智能疏散方法及装置 | |
CN112488401A (zh) | 一种火灾逃生路线指引方法及系统 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
JP5375398B2 (ja) | 塗装劣化診断方法および装置 | |
CN113643149A (zh) | 一种面向全覆盖监控的变电站监控布局优化方法及装置 | |
CN112396358A (zh) | 基于熵算法改进的云模型和故障树古建筑风险分析方法 | |
Rahimbakhsh et al. | Multi-objective optimization of natural surveillance and privacy in early design stages utilizing NSGA-II | |
CN114925985A (zh) | 一种基于gis决策的市政设施选址规划方法 | |
Liu et al. | A machine learning method for the large-scale evaluation of urban visual environment | |
CN116467863B (zh) | 一种大型行人设施内密集人群引导疏散仿真方法 | |
Stanescu et al. | Evolutionary algorithm with three different permutation options used for preliminary HVAC system design | |
CN111241619A (zh) | 一种规则驱动的协同交互式空间布局自动设计方法 | |
TW201810133A (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
CN116307352A (zh) | 一种基于机器学习的工程量指标估算方法及系统 | |
CN112818534B (zh) | 一种建筑消防设施智能化定量检测方法及检测系统 | |
TWI618016B (zh) | 水庫水位之預測顯示系統及方法 | |
Inoue et al. | EMO-based architectural room floor planning | |
Günay et al. | A Research on the Use of Machine Learning on Building Facades | |
Shllaku | Factors that contributed to the failure of the Pruitt-Igoe Housing | |
Li et al. | Quantifying Occupant Behavior Uncertainty in Spatio-Temporal Visual Comfort Assessment of National Fitness Halls: A Machine Learning-Based Co-simulation Framework | |
Javiri et al. | Assessment system of condition of typical building infrastructure using fuzzy analitical hierarchy procces (FAHP) method |
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 |