CN113961827B - 一种区域防控风险的检测方法及装置 - Google Patents

一种区域防控风险的检测方法及装置 Download PDF

Info

Publication number
CN113961827B
CN113961827B CN202111246676.5A CN202111246676A CN113961827B CN 113961827 B CN113961827 B CN 113961827B CN 202111246676 A CN202111246676 A CN 202111246676A CN 113961827 B CN113961827 B CN 113961827B
Authority
CN
China
Prior art keywords
information
target
interest
cluster
point
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
CN202111246676.5A
Other languages
English (en)
Other versions
CN113961827A (zh
Inventor
张鸿洲
鹿浩
柳可鑫
窦伟
宿亚杰
杜治国
赵兴涛
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.)
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Original Assignee
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
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 PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA filed Critical PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority to CN202111246676.5A priority Critical patent/CN113961827B/zh
Publication of CN113961827A publication Critical patent/CN113961827A/zh
Application granted granted Critical
Publication of CN113961827B publication Critical patent/CN113961827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种区域防控风险的检测方法及装置。本申请公开的方法主要计算：待检测区域中的兴趣点与安全信息之间依赖程度，并根据依赖程度确定待检测区域内需要进行防控的目标兴趣点，然后根据目标兴趣点对应的目标空间分布数据进行聚类，得到兴趣点簇，同时根据待检测区域内监控部署信息的空间分布数据进行聚类，得到监控点簇。最后基于目标熵模型分析兴趣点簇与监控点簇之间的信息传播情况，从而能够准确的得出待检测区域中存在防控风险的目标区域。通过本申请提供的方法能够快速对待检测区域内监控点稀疏、防控能力弱且涉及安全信息较多的区域进行有效定位。后续有利于提高城市的安全布控，加强城市的安全防控能力。

Description

一种区域防控风险的检测方法及装置
技术领域
本申请涉及互联网技术领域，尤其涉及一种区域防控风险的检测方法及装置。
背景技术
视频监控是安全防范体系的重要组成部分，在城市公共安全防范体系中具有不可获取的地位。典型的公共安全视频监控系统可以分为前端摄像机、传输网络和后端数据分析、管理与应用子系统。公共安全视频监控系统前端摄像机构成了系统前端传感网络，摄像机采集到的视频数据通过网络传输到各级监控中心进行处理、分析，及时发现异常时间并对事态进研判。同时，视频监系统也会存储采集到的视频以备后期案件侦查之用。从系统结构看，公共安全视频监控系统是针对社会生活的视觉传感网络，功能上属于城市安全防控体系的一部分。
监控摄像机作为这一网络的前端传感子系统，其数据采集能力的决定了视频监控系统能否充分发挥其在公共安全方面的能力。从犯罪预防、公共安全事件探测等角度看，监控摄像机的布局尤其重要，现有技术中视频监控系统中的监控摄像机大部分依赖人工经验进行布局，缺乏对监控摄像机的布局合理性进行分析的过程，导致布局完监控摄像机之后无法及时获知区域内的监控薄弱区域。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种区域防控风险的检测方法及装置。
根据本申请实施例的一个方面，提供了一种视频监控的布局分析方法，包括：
获取待检测区域，其中，所述待检测区域中包括至少一个子区域，每个所述子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点；
确定各个所述子区域内所述安全信息与所述兴趣点之间的第一依赖程度；
将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点，并获取所述目标兴趣点在所述待检测区域内的目标空间分布数据；
对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇；
调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域。
进一步地，所述确定各个所述子区域内所述安全信息与所述兴趣点之间的依赖程度，包括：
获取所述兴趣点在所述子区域内的第一空间分布数据，所述安全信息在所述子区域内的第二空间分布数据；
基于所述第一空间分布数据与所述第二空间分布数据进行依赖程度计算，得到所述安全信息与所述兴趣点在所述子区域内的第一依赖程度。
进一步地，在将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点之前，所述方法还包括：
获取所述监控部署信息在所述子区域内的第三空间分布数据；
基于所述第一空间分布数据与所述第三空间分布数据进行依赖程度计算，得到所述监控信息与所述兴趣点在所述子区域内的第二依赖程度；
基于所述第二依赖程度对所述第一依赖程度进行验证；
在所述第二依赖程度与所述第一依赖程度呈预设关系的情况下，确定所述第一依赖程度有效。
进一步地，所述对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇，包括：
从所述监控部署信息中获取所述待检测区域内视频监控点的第一位置集合，以及从所述目标空间分布数据获取所述待检测区域内目标兴趣点的第二位置集合；
基于所述第一位置集合对所述视频监控点进行聚类，得到监控点簇，以及基于所述第二位置集合对所述目标兴趣点进行聚类，得到兴趣点簇。
进一步地，所述基于所述第一位置集合对所述视频监控点进行聚类，得到监控点簇，以及基于所述第二位置集合对所述目标兴趣点进行聚类，得到兴趣点簇，包括：
从所述第一位置集合确定第一中心点，以及从所述第二位置集合确定第二中心点；
计算所述第一位置集合中除所述第一中心点之外的数据点与所述第一中心点的第一距离，以及计算所述第二位置集合中除所述第二中心点之外的数据点与所述第二中心点的第二距离；
基于所述第一距离计算所述第一位置集合中每个数据点作为监控点簇的簇中心点的第一概率，以及根据所述第二距离计算所述第二位置集合中每个数据点作为兴趣点簇的簇中心点的第二概率；
利用所述第一概率筛选出多个监控点簇中心，以及利用第二概率筛选出多个兴趣点簇中心；
利于预设规则对所述监控点簇中心以及所述兴趣点簇中心进行聚类，得到更新后监控点簇中心以及更新后的兴趣点簇中心；
在所述第一位置集合中任意数据点与更新后的监控点簇中心之间的距离小于或等于该数据点达到其他监控点簇中心的距离时，得到多个监控点簇；
在所述第二位置集合中任意数据点与更新后的兴趣点簇中心之间的距离小于或等于该数据点达到其他兴趣点簇中心的距离时，得到多个兴趣点簇。
进一步地，所述调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，包括：
确定所述待检测区域中所述监控点簇与所述兴趣点簇之间的传播数据；
基于所述传播数据确定所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率；
将所述目标概率输入所述目标熵模型，得到所述监控点簇对所述兴趣点簇的防控程度，并将所述防控程度作为所述分析结果；
从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，其中，所述分析结果满足预设条件包括：所述防控程度小于预设程度。
进一步地，所述确定所述待检测区域中所述监控点簇与所述兴趣点簇之间的传播数据，包括：
计算所述监控点簇与所述兴趣点簇之间的信息强度，其中，所述信息强度的计算公式为：
Figure BDA0003321264000000051
式中，ITF为信息强度，sij为兴趣点簇与监控点簇之间的距离，a,b均为大于0的常数；
根据所述信息强度计算所述监控点簇在所述兴趣点簇产生的信息接收量，其中，所述信息接收量的计算公式为：
Figure BDA0003321264000000052
式中，Vji为信息接收量，I(rw)为监控点簇的预设信息接收量；
根据所述信息强度计算所述兴趣点簇在所述监控点簇产生的信息传送量，其中，所述信息传送量的计算公式为：
Figure BDA0003321264000000061
式中，Vij为信息接收量，I(dz)为兴趣点簇的预设信息传送量；
将所述信息接收量和所述信息传递量确定为所述监控点簇与所述兴趣点簇之间的传播数据。
进一步地，所述基于所述传播数据确定所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率，包括：
获取待检测区域内的所有监控点簇基于所述兴趣点簇产生的总信息接收量；
计算所述信息接收量与所述总信息接收量的比值，得到所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率，其中，目标概率的计算公式为：
Figure BDA0003321264000000062
进一步地，在将所述概率值输入目标熵模型，得到所述监控点簇对所述兴趣点簇的防控程度之前，所述方法还包括：
获取所述兴趣点簇产生所述目标信息的第一概率，以及所述监控点簇接收到所述目标信息的第二概率；
基于所述第二概率构建信息熵模型，其中，所述信息熵模型为：
Figure BDA0003321264000000071
式中，p(yj)为第二概率，K2为目标信息监控点簇接收到目标信息的数量；
基于所述目标概率构建条件熵模型，其中，所述条件熵模型为：
Figure BDA0003321264000000072
式中，p(yjxi)为目标概率；
基于所述第一概率、所述信息熵模型以及所述条件熵模型，构建所述目标熵模型，其中，所述目标熵模型为：
Figure BDA0003321264000000073
式中，p(xi)为第一概率。
根据本申请实施例的另一方面，还提供了一种区域防控风险的检测装置，包括：
获取模块，用于获取待检测区域，其中，所述待检测区域中包括至少一个子区域，每个所述子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点；
确定模块，用于确定各个所述子区域内所述安全信息与所述兴趣点之间的第一依赖程度；
查询模块，用于将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点，并获取所述目标兴趣点在所述待检测区域内的目标空间分布数据；
聚类模块，用于对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇；
分析模块，用于调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域。
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的步骤。
根据本申请实施例的另一方面，还提供了一种电子装置，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法中的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请通过分析安全信息和监控部署信息分别与兴趣点之间的依赖程度，并基于相关度找到需要监控的目标兴趣点，并对目标兴趣点的分布数据进行聚类，能够更精准的确定存在防控风险的区域。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种区域防控风险的检测方法的流程图；
图2为本申请实施例提供的基于目标兴趣点聚类的示意图；
图3为本申请实施例提供的基于目标兴趣点聚类的示意图；
图4为本申请实施例提供的基于目标兴趣点聚类的示意图；
图5为本申请实施例提供的一种聚类效果示意图；
图6为本申请另一实施例提供的一种区域防控风险的检测装置的框图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
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类似的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“包括一个……”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。
本申请实施例提供了一种区域防控风险的检测方法及装置。本发明实施例所提供的方法可以应用于任意需要的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体限定，为描述方便，后续简称为电子设备。
根据本申请实施例的一方面，提供了一种区域防控风险的检测方法的方法实施例。图1为本申请实施例提供的一种区域防控风险的检测方法的流程图，如图1所示，该方法包括：
步骤S11，获取待检测区域，其中，待检测区域中包括至少一个子区域，每个子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点。
在本申请实施例中，可以根据待检测区域的区域类型，采用网格和四级路网的空间划分方法，或者基于路网中线的城市空间划分方法对待检测区域进行划分，得到待检测区域中的子区域。且每个子区域内都包括安全信息、监控部署信息以及多种不同类型的兴趣点，其中，安全信息可以包括报警信息的数量，事故信息的数量等等，监控部署信息可以包括监控装置的部署位置以及监控装置的数量。
步骤S12，确定各个子区域内安全信息与兴趣点之间的第一依赖程度。
在本申请实施例中，步骤S12，确定各个子区域内安全信息与兴趣点之间的第一依赖程度，以及各个子区域内监控部署信息与兴趣点之间的第二依赖程度，包括以下步骤A1-A3：
步骤A1，获取兴趣点在子区域内的第一空间分布数据，安全信息在所述子区域内的第二空间分布数据，以及监控部署信息在子区域内的第三空间分布数据。
在本申请实施例中，将子区域内的安全信息中携带的信息数量表示为Xi，监控部署信息中携带的监控数量表示为Yi，兴趣点对应的数量表示为Zi。
基于上述参数，可以计算出第一空间分布数据为：
Figure BDA0003321264000000111
第二空间分布数据为
Figure BDA0003321264000000112
以及第三空间分布数据为
Figure BDA0003321264000000113
其中，Si为第i个子区域面积。
步骤A2，基于第一空间分布数据与第二空间分布数据进行依赖程度计算，得到安全信息与兴趣点在子区域内的第一依赖程度。
在本申请实施例中，计算所有种类的兴趣点Z在第i个子区域中第一空间分布数据、第二空间分布数据与第三空间分布数据之间关联关系的矩阵：{(ρX1,ρY1,ρZ1)},{(ρX2,ρY2,ρZ2)},...,{(ρXi,ρYi,ρZi)}，其中，第i个子区域的十三类兴趣点数据密度值计算如下：
Figure BDA0003321264000000114
对每一对
Figure BDA0003321264000000121
及
Figure BDA0003321264000000122
按照
Figure BDA0003321264000000123
进行升序排列，得到第一排列结果记为Pi。同时按照
Figure BDA0003321264000000124
和
Figure BDA0003321264000000125
分别进行升序排列，得到第二排列结果分别记为Qi,j和Qi，根据第一排列结果和第二排列结果计算秩相关系数如下：
Figure BDA0003321264000000126
Figure BDA0003321264000000127
其中，n为子区域的总数，Rj1为每一种类型兴趣点与安全信息的相关系数，Rs1为所有种类的兴趣点与安全信息的相关信息，将Rj1和Rs1为第一依赖程度。
步骤A3，基于第一空间分布数据与第三空间分布数据进行依赖程度计算，得到监控信息与兴趣点在子区域内的第二依赖程度。
在本申请实施例中，计算所有种类的兴趣点Z在第i个子区域中第一空间分布数据、第二空间分布数据与第三空间分布数据之间关联关系的矩阵：{(ρx1,ρy1,ρz1)},{(ρx2,ρy2,ρz2)},,...,{(ρxi,ρyi,ρzi)}，其中，第i个子区域的十三类兴趣点数据密度值计算如下：
Figure BDA0003321264000000128
对每一对
Figure BDA0003321264000000129
及
Figure BDA00033212640000001210
按照
Figure BDA00033212640000001211
进行升序排列，得到第一排列结果记为Ti。同时按照
Figure BDA00033212640000001212
和
Figure BDA00033212640000001213
分别进行升序排列，得到第二排列结果分别记为Ki,j和Ki，根据第一排列结果和第二排列结果计算秩相关系数如下：
Figure BDA0003321264000000131
Figure BDA0003321264000000132
其中，n为子区域的总数，Rj2为每一种类型兴趣点与安全信息的相关系数，Rs2为所有种类的兴趣点与安全信息的相关信息，将Rj2和Rs2为第二依赖程度。
在本申请实施例中，在将第一依赖程度大于预设依赖程度的兴趣点，确定待检测区域内的目标兴趣点之前，方法还包括：
获取监控部署信息在子区域内的第三空间分布数据，基于第一空间分布数据与第三空间分布数据进行依赖程度计算，得到监控信息与兴趣点在子区域内的第二依赖程度，基于第二依赖程度对第一依赖程度进行验证，在第二依赖程度与第一依赖程度呈预设关系的情况下，确定第一依赖程度有效。
步骤S13，将第一依赖程度大于预设依赖程度的兴趣点，确定为待检测区域内的目标兴趣点，并获取目标兴趣点在待检测区域内的目标空间分布数据。
在本申请实施例中，从第一依赖程度和第二依赖程度中选择大于预设相关度的目标依赖程度，并将目标空间相关对应兴趣点确定为待检测区域内的目标兴趣点，此时可以统计目标兴趣点在待检测区域内的目标空间分布数据。
步骤S14，对目标空间分布数据，以及监控部署信息在待检测区域内的空间分布数据进行聚类分析，得到待检测区域内的兴趣点簇以及监控点簇。
在本申请实施例中，步骤S14，对目标空间分布数据，以及监控部署信息在待检测区域内的空间分布数据进行聚类分析，得到待检测区域内的兴趣点簇以及监控点簇，包括以下步骤B1-B2：
步骤B1，从监控部署信息中获取待检测区域内视频监控点的第一位置集合，以及从目标空间分布数据获取待检测区域内目标兴趣点的第二位置集合。
在本申请实施例中，步骤B1，基于第一位置集合对视频监控点进行聚类，得到监控点簇，以及基于第二位置集合对目标兴趣点进行聚类，得到兴趣点簇，包括以下步骤B101-B107：
步骤B101，从第一位置集合确定第一中心点，以及从第二位置集合确定第二中心点。
步骤B102，计算第一位置集合中除第一中心点之外的数据点与第一中心点的第一距离，以及计算第二位置集合中除第二中心点之外的数据点与第二中心点的第二距离。
步骤B103，基于第一距离计算第一位置集合中每个数据点作为监控点簇的簇中心点的第一概率，以及根据第二距离计算第二位置集合中每个数据点作为兴趣点簇的簇中心点的第二概率。
步骤B104，利用第一概率筛选出多个监控点簇中心，以及利用第二概率筛选出多个兴趣点簇中心。
步骤B105，利于预设规则对监控点簇中心以及兴趣点簇中心进行聚类，得到更新后监控点簇中心以及更新后的兴趣点簇中心。
步骤B106，在第一位置集合中任意数据点与更新后的监控点簇中心之间的距离小于或等于该数据点达到其他监控点簇中心的距离时，得到多个监控点簇。
步骤B107，在第二位置集合中任意数据点与更新后的兴趣点簇中心之间的距离小于或等于该数据点达到其他兴趣点簇中心的距离时，得到多个兴趣点簇。
在本申请实施例中，第一中心点选择与所有数据点平均距离最近的数据点，并对数据集中其它任意一点xi，计算其与最近簇中心的距离
Figure BDA0003321264000000155
计算每个向量被选为簇中心的概率，选取最大概率的样本作为下一个簇中心，概率计算公式如下：
Figure BDA0003321264000000151
其中，
Figure BDA0003321264000000152
最大时对应的向量就是新的簇中心。重复上述步骤直到选择出全部簇中心。
将所有样本指派到距离初始簇中心最近的簇，然后重新计算每个簇的中心，重复上述过程直至满足终止条件：
Figure BDA0003321264000000153
当任意点xi到其所属簇中心的距离小于或等于其到所有中心点的距离时满足迭代终止条件，此时的平方误差应该也是最小的：
Figure BDA0003321264000000154
其中，Ck为中心点位置。最终聚类的终止条件为各中心点不再变化，并设置一个较小的值1×e-100作为最小的距离，当变化的距离小于这个值时的聚类结果是最终的结果。
通过空间聚类分析，将研究区域内的兴趣点划分为k1个簇，将监控点位划分为k1个簇。
作为一个示例，计算过程如图2-4所示，具体定义边界搜索算法如下：在保证y坐标最大的情况下，找到x坐标最小的点，作为初始点A；以A为起始点，沿x轴正方向射线顺时针扫描，找到扫到的第一个点B；以B为起始点，沿AB方向射线顺时针扫描，找到扫到的第一个点C；以C为起始点，沿BC方向射线顺时针扫描，找到扫到的第一个点D；以此类推，直到重新扫到起始点A结束。
聚类分析可以得到典型兴趣点单元区域对空间的划分情况以及监控点位单元区域对空间的划分情况，具体包括k1，k2个单元区域以及各单元区域的相关数据数量，可参考图5。
步骤B2，基于第一位置集合对视频监控点进行聚类，得到监控点簇，以及基于第二位置集合对目标兴趣点进行聚类，得到兴趣点簇。
步骤S15，调用目标熵模型分析兴趣点簇与监控点簇之间的信息传播情况得到分析结果，并从兴趣点簇中选择分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域。
在本申请实施例中，步骤S15调用目标熵模型分析兴趣点簇与监控点簇之间的信息传播情况得到分析结果，并从兴趣点簇中选择分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，包括以下步骤C1-C4：
步骤C1，确定所述待检测区域中所述监控点簇与所述兴趣点簇之间的传播数据。
在本申请实施例中，步骤C1，确定待检测区域中监控点簇与兴趣点簇之间的传播数据，包括以下步骤C101-C104：
步骤C101，计算监控点簇与兴趣点簇之间的信息强度。
需要说明的是，将兴趣点划分k1个簇，监控点位划分k2个簇为基础研究对象，将兴趣点簇看作信源，监控点位簇看作信宿，用聚类之后每个簇的质心点位置作为该簇所在的空间位置，设表示第q个兴趣点簇，表示第l个监控点位簇，则监控点位簇l在城市兴趣点i处产生的信息强度函数为：
Figure BDA0003321264000000171
式中，ITF为信息强度，sql为兴趣点簇与监控点簇之间的距离，a,b均为大于0的常数；
步骤C102，根据信息强度计算监控点簇在兴趣点簇产生的信息接收量。
在本申请实施例中，单个信源所的信息量为I(xq)＝-log2p(xq)，对于信息场中某一点yl的信息强度为ITFxiyl，yl对xq的信息接收量为I(xq)×ITFxiyl。假设监控点位簇l包含的监控点位数量ml个，某一监控点位rw(1≤W≤ml)可接受的信息量设为I(rw)，则监控点位簇l在兴趣点簇q处的信息接收量Vlq。
其中，信息接收量的计算公式为：
Figure BDA0003321264000000172
式中，Vlq为信息接收量，I(rw)为监控点簇的预设信息接收量。
步骤C103，根据信息强度计算兴趣点簇在监控点簇产生的信息传送量。
在本申请实施例中，信息传送量的计算公式为：
Figure BDA0003321264000000181
式中，Vql为信息接收量，I(dz)为兴趣点簇的预设信息传送量。
步骤C104，将信息接收量和信息传递量确定为监控点簇与兴趣点簇之间的传播数据。
步骤C2，基于传播数据确定监控点簇捕捉到兴趣点簇产生目标信息的目标概率。
在本申请实施例中，步骤C2，基于信息量确定监控点簇捕捉到兴趣点簇产生目标信息的目标概率，包括以下步骤C201-C202：
步骤C201，获取待检测区域内的所有监控点簇基于兴趣点簇产生的总信息接收量。
步骤C202，计算信息接收量与总信息接收量的比值，得到监控点簇捕捉到兴趣点簇产生目标信息的目标概率，其中，目标概率的计算公式为：
Figure BDA0003321264000000182
步骤C3，将目标概率输入目标熵模型，得到监控点簇对兴趣点簇的防控程度，并将防控程度作为分析结果。
在本申请实施例中，步骤C3，在将目标概率输入目标熵模型，得到监控点簇对兴趣点簇的防控程度之前，方法还包括以下步骤D1-D4：
步骤D1，获取兴趣点簇产生目标信息的第一概率，以及监控点簇接收到目标信息的第二概率。
在本申请实施例中，设某兴趣点产生了信息，用随机变量A表示产生该信息的兴趣点所属簇的情况，xq表示该信息由兴趣点簇q产生，定义p(xq)为xq事件发生的第一概率，计算过程如下：
Figure BDA0003321264000000191
式中，p(xi)为第一概率，I(dz)为兴趣点簇的预设信息传送量；
第二概率的计算公式如下：
Figure BDA0003321264000000192
p(yj)为第二概率，I(rw)为监控点簇的预设信息接收量。
步骤D2，基于第二概率构建信息熵模型。
在本申请实施例中，信息熵模型为：
Figure BDA0003321264000000193
式中，p(yl)为第二概率，k2为监控点簇的数量。
步骤D3，基于目标概率构建条件熵模型。
在本申请实施例中，条件熵模型为：
Figure BDA0003321264000000194
式中，p(yl|xq)为目标概率。
需要说明的是，条件熵可以反映在已知某一随机变量的信息后，另一随机变量B的未知信息剩余量，是在已知某一随机变量信息的情况下对另一随机变量B不确定性的衡量，证明了信息传输信道的存在。当已知信息是由兴趣点簇q产生时，p(ylxq)可以看作是在该条件下随机变量的后验概率分布，定义按照这个条件概率计算的信息熵为在已知xq事件下的信源条件熵。
在本申请实施例中，兴趣点簇q周围的监控点位簇与其距离sij越小，所含监控点位数量ml越多，则整个监控系统对该点布防相对较强，p(ylxq)后验概率分布越均匀，该条件熵值就越大，定义两随机变量A，B的条件熵H(BA)如下：
Figure BDA0003321264000000201
上述公式表示在信息由各个兴趣点簇产生的条件下，捕获该信息的监控点位簇的簇序号的平均不确定性，从信息传递过程中信息产生和接收的角度衡量整个城市监控点位簇与兴趣点簇，即视频监控系统对于兴趣点在数量和空间距离上的依赖程度，从空间距离和数量两方面量化了监控系统对于兴趣点的防控程度。
步骤D4，基于第一概率、信息熵模型以及条件熵模型，构建目标熵模型，其中，目标熵模型为：
Figure BDA0003321264000000202
式中，p(xi)为第一概率。
条件熵H(Bxq)反映了在已知发出信息地点的条件下，信息被监控点位簇接收的不确定性，也即在xq事件下随机变量B未知信息的剩余量，不能很好地反映随机变量B和事件xq的依赖程度。
因此，本发明用信息的传输剩余Ri来表示单元区域i视频监控系统对兴趣点的布防风险程度：
Figure BDA0003321264000000211
由上式可知，当兴趣点簇q周围的监控点位簇与其距离越近并且所含点位数量越多时，信源条件熵H(Bxq)越小，同时信息传输剩余Ri越小，兴趣点簇q与整个视频监控点位的空间依赖程度越高，即该区域的防控程度越好。反之，则兴趣点簇q与整个视频监控点位的空间依赖程度越低。
上述定义的信息传输剩余Ri反映的是视频监控点位在空间距离以及数量两个维度上对单个兴趣点簇的防控程度。
衡量对单个兴趣点簇的防控程度，不仅与空间距离上的监控点位数量有关，还与兴趣点簇本身所含兴趣点数量有关，理论上兴趣点越多的地方也应该投入更多的关注。基于此，本申请对Ri作改进如下：
Figure BDA0003321264000000212
根据上述公式可知，在其他条件不变的情况下，兴趣点簇q所含的兴趣点数量越多，相对防控程度就越弱，Ri'值也就越大。上述公式从信息传递过程中信息产生和接收的角度出发，衡量了单个城市兴趣点簇q与所有监控点位簇，即整个研究区域的视频监控系统在数量和空间距离上的依赖程度，从空间距离和数量两方面量化该研究区域视频监控系统对城市中兴趣点的防控程度。
在本申请实施例中，为了简化计算，对于每个城市兴趣点能够产生的信息量、监控点位能够接收的信息量以及信息强度函数中a、b正值常数的确定，在计算中进行了简化：假设每个兴趣点产生的信息信息量是相同的，监控点位对信息的接收量是相同的，信息强度函数中a、b的值均设为1，则可以得到化简后的熵模型：
Figure BDA0003321264000000221
由上式可知，对于兴趣点区域来说，簇内所含兴趣点数量ni越小，其周边的监控点位簇l距离越近并且所含的摄像机数量越多，Hi值越大，表示城市视频监控系统对该子区域的防控程度越好。
步骤C4，将防控程度小于预设程度的兴趣点确定为目标地点。
在本申请实施例中，通过熵模型确定防控程度小于预设程度的兴趣点为目标地点，则表示目标地点防控程度较弱，因此需要加强对目标地点监控部署。
图6为本申请实施例提供的一种区域防控风险的检测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图6所示，该装置包括：
获取模块61，用于获取待检测区域，其中，所述待检测区域中包括至少一个子区域，每个所述子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点；
确定模块62，用于确定各个所述子区域内所述安全信息与所述兴趣点之间的第一依赖程度；
查询模块63，用于将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点，并获取所述目标兴趣点在所述待检测区域内的目标空间分布数据；
聚类模块64，用于对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇；
分析模块65，用于调用目标熵模型分析兴趣点簇与监控点簇之间的信息传播情况得到分析结果，并从兴趣点簇中选择分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域。
在本申请实施例中，确定模块62，用于获取兴趣点在子区域内的第一空间分布数据，安全信息在子区域内的第二空间分布数据；基于第一空间分布数据与第二空间分布数据进行依赖程度计算，得到安全信息与兴趣点在子区域内的第一依赖程度。
在本申请实施例中，装置还包括验证模块，用于获取监控部署信息在子区域内的第三空间分布数据；基于第一空间分布数据与第三空间分布数据进行依赖程度计算，得到监控信息与兴趣点在子区域内的第二依赖程度；基于第二依赖程度对第一依赖程度进行验证；在第二依赖程度与第一依赖程度呈预设关系的情况下，确定第一依赖程度有效。
在本申请实施例中，聚类模块64，用于从监控部署信息中获取待检测区域内视频监控点的第一位置集合，以及从目标空间分布数据获取待检测区域内目标兴趣点的第二位置集合；基于第一位置集合对视频监控点进行聚类，得到监控点簇，以及基于第二位置集合对目标兴趣点进行聚类，得到兴趣点簇。
在本申请实施例中，处理子模块，用于从第一位置集合确定第一中心点，以及从第二位置集合确定第二中心点；计算第一位置集合中除第一中心点之外的数据点与第一中心点的第一距离，以及计算第二位置集合中除第二中心点之外的数据点与第二中心点的第二距离；基于第一距离计算第一位置集合中每个数据点作为监控点簇的簇中心点的第一概率，以及根据第二距离计算第二位置集合中每个数据点作为兴趣点簇的簇中心点的第二概率；利用第一概率筛选出多个监控点簇中心，以及利用第二概率筛选出多个兴趣点簇中心；利于预设规则对监控点簇中心以及兴趣点簇中心进行聚类，得到更新后监控点簇中心以及更新后的兴趣点簇中心；在第一位置集合中任意数据点与更新后的监控点簇中心之间的距离小于或等于该数据点达到其他监控点簇中心的距离时，得到多个监控点簇；在第二位置集合中任意数据点与更新后的兴趣点簇中心之间的距离小于或等于该数据点达到其他兴趣点簇中心的距离时，得到多个兴趣点簇。
在本申请实施例中，分析模块65，包括：
确定子模块，用于确定待检测区域中监控点簇与兴趣点簇之间的传播数据；
计算子模块，用于基于传播数据确定监控点簇捕捉到兴趣点簇产生目标信息的目标概率；
处理子模块，用于将目标概率输入目标熵模型，得到监控点簇对兴趣点簇的防控程度，并将防控程度作为分析结果；
选择子模块，用于从兴趣点簇中选择分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，其中，分析结果满足预设条件包括：防控程度小于预设程度。
在本申请实施例中，确定子模块，用于计算监控点簇与兴趣点簇之间的信息强度，其中，信息强度的计算公式为：
Figure BDA0003321264000000251
式中，ITF为信息强度，sij为兴趣点簇与监控点簇之间的距离，a,b均为大于0的常数；
根据信息强度计算监控点簇在兴趣点簇产生的信息接收量，其中，信息接收量的计算公式为：
Figure BDA0003321264000000252
式中，Vji为信息接收量，I(rw)为监控点簇的预设信息接收量；
根据信息强度计算兴趣点簇在监控点簇产生的信息传送量，其中，信息传送量的计算公式为：
Figure BDA0003321264000000253
式中，Vij为信息接收量，I(dz)为兴趣点簇的预设信息传送量；
将信息接收量和信息传递量确定为监控点簇与兴趣点簇之间的传递的信息量。
在本申请实施例中，计算子模块，用于获取待检测区域内的所有监控点簇基于兴趣点簇产生的总信息接收量；计算信息接收量与总信息接收量的比值，得到监控点簇捕捉到兴趣点簇产生目标信息的目标概率，其中，目标概率的计算公式为：
Figure BDA0003321264000000261
在本申请实施例中，装置还包括：模型构建模块，用于获取兴趣点簇产生目标信息的第一概率，以及监控点簇接收到目标信息的第二概率；基于第二概率构建信息熵模型，其中，信息熵模型为：
Figure BDA0003321264000000262
式中，p(yj)为第二概率，K2为目标信息监控点簇接收到目标信息的数量；基于目标概率构建条件熵模型，其中，条件熵模型为：
Figure BDA0003321264000000263
式中，p(yj|xi)为目标概率；基于第一概率、信息熵模型以及条件熵模型，构建目标熵模型，其中，目标熵模型为：
Figure BDA0003321264000000264
式中，p(xi)为第一概率。
本申请实施例还提供一种电子设备，如图7所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例的步骤。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的区域防控风险的检测方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的区域防控风险的检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk)等。
以上所述仅为本申请的较优实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种区域防控风险的检测方法，其特征在于，包括：
获取待检测区域，其中，所述待检测区域中包括至少一个子区域，每个所述子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点；
确定各个所述子区域内所述安全信息与所述兴趣点之间的第一依赖程度；
将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点，并获取所述目标兴趣点在所述待检测区域内的目标空间分布数据；
对所述目标空间分布数据以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇；
调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域；
所述方法还包括：
获取所述兴趣点簇产生目标信息的第一概率，以及所述监控点簇接收到目标信息的第二概率；
基于所述第二概率构建信息熵模型，其中，所述信息熵模型为：
Figure FDA0003639344860000011
式中，p(yj)为第二概率，K2为目标信息监控点簇接收到目标信息的数量；
基于目标概率构建条件熵模型，其中，所述条件熵模型为：
Figure FDA0003639344860000021
式中，p(yj|xi)为目标概率，所述目标概率为所述监控点簇捕捉到所述兴趣点簇产生目标信息的概率；
基于所述第一概率、所述信息熵模型以及所述条件熵模型，构建所述目标熵模型，其中，所述目标熵模型为：
Figure FDA0003639344860000022
式中，p(xi)为第一概率。
2.根据权利要求1所述的方法，其特征在于，所述确定各个所述子区域内所述安全信息与所述兴趣点之间的依赖程度，包括：
获取所述兴趣点在所述子区域内的第一空间分布数据，所述安全信息在所述子区域内的第二空间分布数据；
基于所述第一空间分布数据与所述第二空间分布数据进行依赖程度计算，得到所述安全信息与所述兴趣点在所述子区域内的第一依赖程度。
3.根据权利要求2所述的方法，其特征在于，在将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点之前，所述方法还包括：
获取所述监控部署信息在所述子区域内的第三空间分布数据；
基于所述第一空间分布数据与所述第三空间分布数据进行依赖程度计算，得到所述监控部署信息与所述兴趣点在所述子区域内的第二依赖程度；
基于所述第二依赖程度对所述第一依赖程度进行验证；
在所述第二依赖程度与所述第一依赖程度呈预设关系的情况下，确定所述第一依赖程度有效。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇，包括：
从所述监控部署信息中获取所述待检测区域内视频监控点的第一位置集合，以及从所述目标空间分布数据获取所述待检测区域内目标兴趣点的第二位置集合；
基于所述第一位置集合对所述视频监控点进行聚类，得到监控点簇，以及基于所述第二位置集合对所述目标兴趣点进行聚类，得到兴趣点簇。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一位置集合对所述视频监控点进行聚类，得到监控点簇，以及基于所述第二位置集合对所述目标兴趣点进行聚类，得到兴趣点簇，包括：
从所述第一位置集合确定第一中心点，以及从所述第二位置集合确定第二中心点；
计算所述第一位置集合中除所述第一中心点之外的数据点与所述第一中心点的第一距离，以及计算所述第二位置集合中除所述第二中心点之外的数据点与所述第二中心点的第二距离；
基于所述第一距离计算所述第一位置集合中每个数据点作为监控点簇的簇中心点的第一概率，以及根据所述第二距离计算所述第二位置集合中每个数据点作为兴趣点簇的簇中心点的第二概率；
利用所述第一概率筛选出多个监控点簇中心，以及利用第二概率筛选出多个兴趣点簇中心；
利于预设规则对所述监控点簇中心以及所述兴趣点簇中心进行聚类，得到更新后监控点簇中心以及更新后的兴趣点簇中心；
在所述第一位置集合中任意数据点与更新后的监控点簇中心之间的距离小于或等于该数据点达到其他监控点簇中心的距离时，得到多个监控点簇；
在所述第二位置集合中任意数据点与更新后的兴趣点簇中心之间的距离小于或等于该数据点达到其他兴趣点簇中心的距离时，得到多个兴趣点簇。
6.根据权利要求1所述的方法，其特征在于，所述调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，包括：
确定所述待检测区域中所述监控点簇与所述兴趣点簇之间的传播数据；
基于所述传播数据确定所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率；
将所述目标概率输入所述目标熵模型，得到所述监控点簇对所述兴趣点簇的防控程度，并将所述防控程度作为所述分析结果；
从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域，其中，所述分析结果满足预设条件包括：所述防控程度小于预设程度。
7.根据权利要求6所述的方法，其特征在于，所述确定所述待检测区域中所述监控点簇与所述兴趣点簇之间的传播数据，包括：
计算所述监控点簇与所述兴趣点簇之间的信息强度，其中，所述信息强度的计算公式为：
Figure FDA0003639344860000051
式中，ITF为信息强度，sij为兴趣点簇与监控点簇之间的距离，a,b均为大于0的常数；
根据所述信息强度计算所述监控点簇在所述兴趣点簇产生的信息接收量，其中，所述信息接收量的计算公式为：
Figure FDA0003639344860000052
式中，Vji为信息接收量，I(rw)为监控点簇的预设信息接收量；
根据所述信息强度计算所述兴趣点簇在所述监控点簇产生的信息传送量，其中，所述信息传送量的计算公式为：
Figure FDA0003639344860000053
式中，Vij为信息接收量，I(dz)为兴趣点簇的预设信息传送量；
将所述信息接收量和所述信息传递量确定为所述监控点簇与所述兴趣点簇之间的传播数据。
8.根据权利要求6所述的方法，其特征在于，所述基于所述传播数据确定所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率，包括：
获取待检测区域内的所有监控点簇基于所述兴趣点簇产生的总信息接收量；
计算所述信息接收量与所述总信息接收量的比值，得到所述监控点簇捕捉到所述兴趣点簇产生目标信息的目标概率，其中，目标概率的计算公式为：
Figure FDA0003639344860000061
9.一种区域防控风险的检测装置，其特征在于，包括：
获取模块，用于获取待检测区域，其中，所述待检测区域中包括至少一个子区域，每个所述子区域内包括安全信息、监控部署信息以及多种不同类型的兴趣点；
确定模块，用于确定各个所述子区域内所述安全信息与所述兴趣点之间的第一依赖程度；
查询模块，用于将所述第一依赖程度大于预设依赖程度的兴趣点，确定所述待检测区域内的目标兴趣点，并获取所述目标兴趣点在所述待检测区域内的目标空间分布数据；
聚类模块，用于对所述目标空间分布数据，以及所述监控部署信息在所述待检测区域内的空间分布数据进行聚类分析，得到所述待检测区域内的兴趣点簇以及监控点簇；
分析模块，用于调用目标熵模型分析所述兴趣点簇与所述监控点簇之间的信息传播情况得到分析结果，并从所述兴趣点簇中选择所述分析结果满足预设条件的兴趣点簇，作为存在防控风险的目标区域；
所述装置还包括模型构建模块，用于获取所述兴趣点簇产生目标信息的第一概率，以及所述监控点簇接收到目标信息的第二概率；基于所述第二概率构建信息熵模型，其中，所述信息熵模型为：
Figure FDA0003639344860000071
式中，p(yj)为第二概率，K2为目标信息监控点簇接收到目标信息的数量；基于目标概率构建条件熵模型，其中，所述条件熵模型为：
Figure FDA0003639344860000072
式中，p(yj|xi)为目标概率，所述目标概率为所述监控点簇捕捉到所述兴趣点簇产生目标信息的概率；基于所述第一概率、所述信息熵模型以及所述条件熵模型，构建所述目标熵模型，其中，所述目标熵模型为：
Figure FDA0003639344860000073
式中，p(xi)为第一概率。
CN202111246676.5A 2021-10-26 2021-10-26 一种区域防控风险的检测方法及装置 Active CN113961827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111246676.5A CN113961827B (zh) 2021-10-26 2021-10-26 一种区域防控风险的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111246676.5A CN113961827B (zh) 2021-10-26 2021-10-26 一种区域防控风险的检测方法及装置

Publications (2)

Publication Number Publication Date
CN113961827A CN113961827A (zh) 2022-01-21
CN113961827B true CN113961827B (zh) 2022-08-09

Family

ID=79467151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111246676.5A Active CN113961827B (zh) 2021-10-26 2021-10-26 一种区域防控风险的检测方法及装置

Country Status (1)

Country Link
CN (1) CN113961827B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114637263B (zh) * 2022-03-15 2024-01-12 中国石油大学(北京) 一种异常工况实时监测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899368A (zh) * 2015-05-29 2015-09-09 浙江宇视科技有限公司 基于数据热度的监控布点需求图生成方法及装置
CN105159978A (zh) * 2015-08-28 2015-12-16 浙江宇视科技有限公司 一种相机分布合理性的分析方法和装置
WO2016192516A1 (zh) * 2015-05-29 2016-12-08 浙江宇视科技有限公司 视频监控布点
CN111464775A (zh) * 2020-01-08 2020-07-28 杭州海康威视系统技术有限公司 一种监控设备布局的合理性确定方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009154484A2 (en) * 2008-06-20 2009-12-23 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
CN110288186B (zh) * 2019-05-19 2021-06-22 中国地质调查局西安地质调查中心 一种基于风险理论的资源环境承载力测定及风险管控方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899368A (zh) * 2015-05-29 2015-09-09 浙江宇视科技有限公司 基于数据热度的监控布点需求图生成方法及装置
WO2016192516A1 (zh) * 2015-05-29 2016-12-08 浙江宇视科技有限公司 视频监控布点
CN105159978A (zh) * 2015-08-28 2015-12-16 浙江宇视科技有限公司 一种相机分布合理性的分析方法和装置
CN111464775A (zh) * 2020-01-08 2020-07-28 杭州海康威视系统技术有限公司 一种监控设备布局的合理性确定方法和装置

Also Published As

Publication number Publication date
CN113961827A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN108921206B (zh) 一种图像分类方法、装置、电子设备及存储介质
WO2021233048A1 (zh) 基于区块链的数据检测方法、装置及计算机可读存储介质
CN113098828B (zh) 网络安全报警方法及装置
CN116881013A (zh) 一种任务处理方法、装置及云计算系统
CN113961827B (zh) 一种区域防控风险的检测方法及装置
CN111064719B (zh) 文件异常下载行为的检测方法及装置
CN110796053A (zh) 视频检测方法、装置、电子设备及计算机可读存储介质
CN109740621B (zh) 一种视频分类方法、装置及设备
CN115081969A (zh) 异常数据确定方法及相关装置
CN115484105B (zh) 攻击树的建模方法、装置、电子设备及可读存储介质
CN104486353A (zh) 一种基于流量的安全事件检测方法及装置
CN114758470B (zh) 一种基于消防工程的火灾预警方法及系统
CN109451359B (zh) 一种关注异常的检测方法、装置、设备和存储介质
CN114399190B (zh) 一种针对大数据信息安全的风险行为识别方法及系统
CN116303600A (zh) 一种基础测绘数据整合方法及系统
CN116070382A (zh) 网络的风险预测方法及装置、处理器和电子设备
CN114445669A (zh) 一种烟火告警方法、装置、电子设备及存储介质
CN113239407B (zh) 区块链决策点的选择方法、装置、电子设备及存储介质
CN111814051B (zh) 一种资源类型确定方法及装置
CN110188529B (zh) 一种异常滑动轨迹的检测方法、装置及电子设备
CN114039765A (zh) 一种配电物联网的安全管控方法、装置及电子设备
CN110909798A (zh) 一种多算法智能研判方法、系统及服务器
CN111738185A (zh) 一种目标识别方法、装置及设备
CN112867061B (zh) 一种资源分配方法及装置
CN117473513B (zh) 一种设备检测方法、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant