CN113936248B - 一种基于图像识别的海滩人员危险性预警方法 - Google Patents
一种基于图像识别的海滩人员危险性预警方法 Download PDFInfo
- Publication number
- CN113936248B CN113936248B CN202111185704.7A CN202111185704A CN113936248B CN 113936248 B CN113936248 B CN 113936248B CN 202111185704 A CN202111185704 A CN 202111185704A CN 113936248 B CN113936248 B CN 113936248B
- Authority
- CN
- China
- Prior art keywords
- image
- personnel
- person
- picture
- beach
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像识别的海滩人员危险性预警方法,包括:利用建立好的卷积神经网络模型对画面中的人员进行识别;根据识别结果,若画面中有人,则提取图像中人员位置信息和身高信息,结合摄像头角度,进一步推求人员的实际位置,实现人员实际位置实时监控;若画面中没人,则继续保持监测;根据潮汐预报资料及当地地形数据,预测未来指定时间内人员所在海滩区域的水深变化情况;根据预测的水深变化情况,结合人员实际位置,分析画面中人员现所在位置未来指定时间内的风险性程度并评级,判断是否发出预警。本发明可以实时监测海滩近岸区域人员安全情况,并发出警报,且方法简单,智能化水平高,可操作性强,可有效保障海滩近岸人员的安全。
Description
技术领域
本发明属于海洋安全预警领域,具体涉及一种基于图像识别的海滩人员危险性预警方法。
背景技术
海滩近岸区域通常是公众喜爱的休闲场所,滩涂资源也具备较大的科研价值,其附近经常停留有游客或科研人员,但往往因人员安全意识薄弱、近海水文状况复杂以及海滩基础设施落后等因素频发溺水事故,存在极大的安全隐患。而国内外目前缺乏有效的监督、预警措施保障海滩近岸人员的安全,相关研究数量也较少且成果尚不成熟。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于图像识别的海滩人员危险性预警方法,具有廉价、智能化、易于推广等特点,实现对海滩近岸人员位置的实时监测以及预警,对保障人员安全具有重大意义。
技术方案:为实现上述目的,本发明提供一种基于图像识别的海滩人员危险性预警方法,包括如下步骤:
S1:根据用于实时监控的摄像头传回的视频影像和热成像资料,利用建立好的卷积神经网络模型对画面中的人员进行识别;
S2:根据步骤S1的识别结果,若画面中有人,则提取图像中人员位置信息和身高信息,结合摄像头角度,进一步推求人员的实际位置,实现人员实际位置实时监控,并且进入到步骤S3;若画面中没人,则继续保持监测;
S3:根据潮汐预报资料及当地地形数据,预测未来指定时间内人员所在海滩区域的水深变化情况;
S4:根据预测的水深变化情况,结合人员实际位置,分析画面中人员现所在位置未来指定时间内的风险性程度并评级;
S5:根据评级结果,判断是否发出预警。
进一步地,所述步骤S1中人员位置及其特征由影像资料确定。预先率定摄像头,根据摄像头采集的坐标点,对应的可以确定图像中人员的位置坐标;根据图像的灰度,可以确定人员的特征。
进一步地,所述步骤S1中卷积神经网络模型的建立方法包括如下步骤:
A1:将摄像头传回的影像资料按设定时间间隔截取画面,转为图像资料;
A2:使用步骤A1获取的图像资料建立数据集;
A3:将数据集随机分为训练集和验证集;
A4:将训练集输入到卷积神经网络中进行训练得到最优卷积神经网络模型;
A5:将验证集输入到训练好的卷积神经网络模型中进行验证,验证通过后,完成卷积神经网络模型的建立。
进一步地,所述步骤A4中卷积神经网络的训练方法为:
B1:将训练集数据张量化,并且将张量化数据输入卷积层,提取图像中人的基本特征;
B2:进入最大池化层减少卷积过程产生的预测值偏移,并提取图像中人的具体特征;
B3:全连接层将图像中人的各部分特征汇总;
B4:根据已有汇总特征,判断数字图像中的目标是否为人。
进一步地,所述步骤S4中风险性程度的等级划分为高、中、低三个等级,具体为:
若:则风险等级为高;
若:则风险等级为中;
若:则风险等级为低;
其中,S为人员实际身高信息。
进一步地,所述步骤S2中设定A代表摄像头,B代表人员所在实际位置,h代表摄像头安装高度,人员的实际位置推求方法为:
C1:提取图像中人员位置信息:
提取B在图像中沿X方向距图像中心点O'的距离x、沿Y方向距图像中心点O'的距离y、图像半宽x'和图像半高y';
C2:人员实际位置纵坐标推求:
根据图像中人员位置距离图像中心点纵坐标距离y与图像半高之比y'等于实际中两者之比,可得出如下结论:
∵
∴
∵
∴
其中,Y表示人员实际位置纵坐标,α表示摄像头俯仰角(由摄像头实时传回),β表示摄像头垂直半视场角(是由生产厂家提供的摄像头固定参数);
C3:人员实际位置横坐标推求:
根据图像中人员位置距离图像中心点横坐标距离x与图像半高之比x'等于实际中两者之比,可得出如下结论:
∵
∵
∴
其中,X表示人员实际位置横坐标,γ表示摄像头水平半视场角(是由生产厂家提供的摄像头固定参数)。
有益效果:本发明与现有技术相比,通过监控摄像头对海滩近岸区域进行实时监测和数据采集,利用摄像头传回的影像资料和训练好的卷积神经网络模型,同步获取人员实际位置,结合潮位预测信息和地形特点对人员危险等级进行评估并发出预警,实现了对海滩近岸人员位置的实时监测以及预警,且本发明方法简单,智能化水平高,易于推广普及,为保障沿海人员安全提供了切实可行的方法。
附图说明
图1是本发明方法的流程图;
图2是获取卷积神经网络模型的流程图;
图3是卷积神经网络训练过程的流程图;
图4是摄像头监测区域示意图;
图5是人员位置纵坐标计算示意图;
图6是人员位置横坐标计算示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于图像识别的海滩人员危险性预警方法,如图1所示,其包括如下步骤:
S1:根据用于实时监控的摄像头传回的视频影像和热成像资料,利用建立好的卷积神经网络模型对画面中的人员进行识别:
如图2所示,卷积神经网络模型的建立方法包括如下步骤:
A1:将摄像头传回的影像资料按设定时间间隔截取画面,转为图像资料;
A2:使用步骤A1获取的图像资料建立数据集;
A3:将数据集随机分为训练集和验证集;
A4:将训练集输入到卷积神经网络中进行训练得到最优卷积神经网络模型;
A5:将验证集输入到训练好的卷积神经网络模型中进行验证,验证通过后,完成卷积神经网络模型的建立。
如图3所示,步骤A4中卷积神经网络的训练方法为:
B1:将训练集数据张量化,并且将张量化数据输入卷积层,提取图像中人的基本特征;
B2:进入最大池化层减少卷积过程产生的预测值偏移,并提取图像中人的具体特征;
B3:全连接层将图像中人的各部分特征汇总;
B4:根据已有汇总特征,判断数字图像中的目标是否为人
S2:根据步骤S1的识别结果,若画面中有人,则提取图像中人员位置信息和身高信息,结合摄像头角度,进一步推求人员的实际位置,实现人员实际位置实时监控,并且进入到步骤S3;若画面中没人,则继续保持监测:
如图4所示,灰色区域代表被监测区域,A代表摄像头,B代表人员所在实际位置,h代表摄像头安装高度(距地面垂直距离,由安装时测得),则人员的实际位置推求方法为:
C1:提取图像中人员位置信息:
提取B在图像中沿X方向距图像中心点O'的距离x、沿Y方向距图像中心点O'的距离y、图像半宽x'和图像半高y';
C2:人员实际位置纵坐标推求:
如图5所示,根据图像中人员位置距离图像中心点纵坐标距离y与图像半高之比y'等于实际中两者之比,可得出如下结论:
∵
∴
∵
∴
其中,Y表示人员实际位置纵坐标,α表示摄像头俯仰角(由摄像头实时传回),β表示摄像头垂直半视场角(是由生产厂家提供的摄像头固定参数);
C3:人员实际位置横坐标推求:
如图6所示,根据图像中人员位置距离图像中心点横坐标距离x与图像半高之比x'等于实际中两者之比,可得出如下结论:
∵
∵
∴
其中,X表示人员实际位置横坐标,γ表示摄像头水平半视场角(是由生产厂家提供的摄像头固定参数)。
S3:根据潮汐预报资料结合当地地形数据推求海滩区域内未来1小时水深情况。由潮汐预报数据可获得未来1小时监测区域范围内的潮位信息,即各点的水面高程;由地形数据获得各点的陆地高程,用水面高程减去陆地高程得到各点水深:
h1(X,Y)=H1(X,Y)-H2(X,Y)
其中,h1(X,Y)表示坐标为(X,Y)处的水深,H1(X,Y)表示坐标为(X,Y)处的水面高程,H2(X,Y)表示坐标为(X,Y)处的陆地高程。
S4:根据预测的水深变化情况,结合人员实际位置,分析画面中人员现所在位置未来1小时内的风险性程度并评级;
S5:根据评级结果,判断是否发出预警,具体如下:
若:则为高风险,发出预警;
若:则为中风险,发出预警;
若:则为低风险,不发出预警并继续保持监测。
其中,S为人员实际身高。
Claims (4)
1.一种基于图像识别的海滩人员危险性预警方法,其特征在于,包括如下步骤:
S1:根据用于实时监控的摄像头传回的视频影像和热成像资料,利用建立好的卷积神经网络模型对画面中的人员进行识别;
S2:根据步骤S1的识别结果,若画面中有人,则提取图像中人员位置信息和身高信息,结合摄像头角度,进一步推求人员实际位置,实现人员实际位置实时监控,并且进入到步骤S3;若画面中没人,则继续保持监测;
S3:根据潮汐预报资料及当地地形数据,预测未来指定时间内人员所在海滩区域的水深变化情况;
S4:根据预测的水深变化情况,结合人员实际位置,分析画面中人员现所在位置未来指定时间内的风险性程度并评级;
S5:根据评级结果,判断是否发出预警;
所述步骤S2中设定A代表摄像头,B代表人员实际位置,h代表摄像头安装高度,人员实际位置推求方法为:
C1:提取图像中人员位置信息:
提取B在图像中沿X方向距图像中心点O'的距离x、沿Y方向距图像中心点O'的距离y、图像半宽x'和图像半高y';
C2:人员实际位置纵坐标推求:
根据图像中人员位置距离图像中心点纵坐标距离y与图像半高y'之比等于人员对于摄像头的实际位置中两者之比,得出如下结论:
其中,Y表示人员实际位置纵坐标,α表示摄像头俯仰角,β表示摄像头垂直半视场角;
C3:人员实际位置横坐标推求:
根据图像中人员位置距离图像中心点横坐标距离x与图像半宽x'之比等于人员实际位置中两者之比,得出如下结论:
其中,X表示人员实际位置横坐标,γ表示摄像头水平半视场角;
所述步骤S3中水深变化情况的预测方法为:
由潮汐预报数据获得未来指定时间监测区域范围内的潮位信息,即各点的水面高程;由地形数据获得各点的陆地高程,用水面高程减去陆地高程得到各点水深:
h1(X,Y)=H1(X,Y)-H2(X,Y)
其中,h1(X,Y)表示坐标为(X,Y)处的水深,H1(X,Y)表示坐标为(X,Y)处的水面高程,H2(X,Y)表示坐标为(X,Y)处的陆地高程。
2.根据权利要求1所述的一种基于图像识别的海滩人员危险性预警方法,其特征在于,所述步骤S1中卷积神经网络模型的建立方法包括如下步骤:
A1:将摄像头传回的影像资料按设定时间间隔截取画面,转为图像资料;
A2:使用步骤A1获取的图像资料建立数据集;
A3:将数据集随机分为训练集和验证集;
A4:将训练集输入到卷积神经网络中进行训练得到最优卷积神经网络模型;
A5:将验证集输入到训练好的最优卷积神经网络模型中进行验证,验证通过后,完成卷积神经网络模型的建立。
3.根据权利要求2所述的一种基于图像识别的海滩人员危险性预警方法,其特征在于,所述步骤A4中卷积神经网络的训练方法为:
B1:将训练集数据张量化,并且将张量化数据输入卷积层,提取图像中人的基本特征;
B2:进入最大池化层减少卷积过程产生的预测值偏移,并提取图像中人的具体特征;
B3:全连接层将图像中人的基本特征和具体特征汇总;
B4:根据已有汇总特征,判断数字图像中的目标是否为人。
4.根据权利要求1所述的一种基于图像识别的海滩人员危险性预警方法,其特征在于,所述步骤S4中风险性程度的等级划分为高、中、低三个等级,具体为:
若:则风险等级为高;
若:则风险等级为中;
若:则风险等级为低;
其中,S为人员实际身高信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185704.7A CN113936248B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像识别的海滩人员危险性预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185704.7A CN113936248B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像识别的海滩人员危险性预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936248A CN113936248A (zh) | 2022-01-14 |
CN113936248B true CN113936248B (zh) | 2023-10-03 |
Family
ID=79278294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111185704.7A Active CN113936248B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像识别的海滩人员危险性预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936248B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171336B (zh) * | 2022-06-15 | 2023-07-25 | 福州大学 | 一种海滩监控溺水防护系统 |
CN117330040B (zh) * | 2023-12-01 | 2024-02-02 | 南通大地测绘有限公司 | 一种基于水上测绘无人船的滩涂地形测绘方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911098A (zh) * | 2008-01-30 | 2010-12-08 | 伊斯曼柯达公司 | 根据图像和位置识别图像环境 |
CN104794267A (zh) * | 2015-04-08 | 2015-07-22 | 大连海事大学 | 一种基于ecdis的水深信息显示及应用方法 |
CN110064187A (zh) * | 2019-05-20 | 2019-07-30 | 唐山哈船科技有限公司 | 一种用于近海游泳监测的安全装置和方法 |
CN110110657A (zh) * | 2019-05-07 | 2019-08-09 | 中冶赛迪重庆信息技术有限公司 | 视觉识别危险的预警方法、装置、设备及存储介质 |
CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
CN110675449A (zh) * | 2019-09-02 | 2020-01-10 | 山东科技大学 | 一种基于双目相机的离岸流检测方法 |
CN111626162A (zh) * | 2020-05-18 | 2020-09-04 | 江苏科技大学苏州理工学院 | 基于时空大数据分析的水上救援系统及溺水警情预测方法 |
CN112950610A (zh) * | 2021-03-18 | 2021-06-11 | 河海大学 | 一种裂流监测和预警方法及系统 |
-
2021
- 2021-10-12 CN CN202111185704.7A patent/CN113936248B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911098A (zh) * | 2008-01-30 | 2010-12-08 | 伊斯曼柯达公司 | 根据图像和位置识别图像环境 |
CN104794267A (zh) * | 2015-04-08 | 2015-07-22 | 大连海事大学 | 一种基于ecdis的水深信息显示及应用方法 |
CN110110657A (zh) * | 2019-05-07 | 2019-08-09 | 中冶赛迪重庆信息技术有限公司 | 视觉识别危险的预警方法、装置、设备及存储介质 |
CN110210323A (zh) * | 2019-05-09 | 2019-09-06 | 浙江大学 | 一种基于机器视觉的溺水行为在线识别方法 |
CN110064187A (zh) * | 2019-05-20 | 2019-07-30 | 唐山哈船科技有限公司 | 一种用于近海游泳监测的安全装置和方法 |
CN110675449A (zh) * | 2019-09-02 | 2020-01-10 | 山东科技大学 | 一种基于双目相机的离岸流检测方法 |
CN111626162A (zh) * | 2020-05-18 | 2020-09-04 | 江苏科技大学苏州理工学院 | 基于时空大数据分析的水上救援系统及溺水警情预测方法 |
CN112950610A (zh) * | 2021-03-18 | 2021-06-11 | 河海大学 | 一种裂流监测和预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于蚁群优化的近岸影像水边线变化分析方法;伊伟东等;《海洋学报》(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113936248A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
CN113936248B (zh) | 一种基于图像识别的海滩人员危险性预警方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN102013147B (zh) | 高压输电塔智能防盗监控方法和装置 | |
CN106373070B (zh) | 一种应对城市暴雨内涝的四预方法 | |
CN110208880B (zh) | 一种基于深度学习和卫星遥感技术的海雾检测方法 | |
WO2014190651A1 (zh) | 一种基于地基云图的光伏功率预测方法 | |
CN101556142A (zh) | 架空线路覆冰厚度的视觉检测方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN113469278B (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN115169771B (zh) | 一种洪涝灾害影响下的交通网效率受损快速评估方法 | |
CN106971510A (zh) | 一种双模式山洪预警控制系统及方法 | |
CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
CN111866452A (zh) | 一种滑坡堰塞坝应急处置的视频实时监测系统及方法 | |
CN111404274B (zh) | 一种输电系统位移在线监控及预警系统 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN113759374A (zh) | 一种城市基础设施的结构健康问题的监测系统和监测方法 | |
CN111340668B (zh) | 一种台风灾害评估系统 | |
CN110097223B (zh) | 一种台风灾害下输电线路损毁预警方法 | |
CN106780540A (zh) | 面向光伏发电的地基云图云层跟踪及预警方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN113823088B (zh) | 基于视觉识别技术的城市道路积水深度预测及预警方法 | |
CN108806199B (zh) | 基于id3算法和神经网络的海面溢油监测阈值设定方法 | |
CN116844309B (zh) | 一种气象数据实时监测多途径预警系统 | |
CN110633626A (zh) | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
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 |