CN114254038B - 基于区块链网络的校园安防数据同步系统 - Google Patents

Abstract

本发明提出了一种基于区块链网络的校园安防数据同步系统，包括：数据提取单元，用于在安全巡检单元中提取校园安防异常图形同步状态数据，将待同步的异常图形发送至云端服务器，数据判断单元，用于将状态信息在云端服务器完成异常图形的对应关系，所述待同步异常图形由每个安全巡检单元提供相应的异常图形，数据对应单元，用于将上传的异常图形获取时间以及所在的安全巡检单元地理定位坐标进行数据确认。

Description

基于区块链网络的校园安防数据同步系统

技术领域

本发明涉及校园安全数据防护领域，尤其涉及一种基于区块链网络的校园安防数据同步系统。

背景技术

对学校安全进行全方位监控是这个社会永恒的主题，学校学生和教师的人身安全，财产安全都是应该纳入到安全监控范围之内，当学校中发生人为冲突，以及火 灾或者地质灾害过程中，人员的避难以及疏散和逃生能够快速进行处置，对于多个 地区以及所属的学校发生的安防问题，如何能够进行路线的规划以及预判都是本领 域技术人员需要解决的技术难题，现有技术中通过神经网络学习有一些解决方案， 但是数据的巡检和风险排查并不能提炼的更加准确，并且无法同步数据，这就亟需 本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于区块链网络的校园安防数据同步系统。

为了实现本发明的上述目的，本发明提供了一种基于区块链网络的校园安防数据同步系统，包括：

数据提取单元，用于在安全巡检单元中提取校园安防异常图形同步状态数据， 将待同步的异常图形发送至云端服务器，所述云端服务器在接收所述待同步数据时， 将所述待同步数据进行保存，保存之后生成所述待同步数据的状态信息；

数据判断单元，用于将状态信息在云端服务器完成异常图形的对应关系，所述 待同步异常图形由每个安全巡检单元提供相应的异常图形，上传至云端服务器过程 中需要判断待同步异常图形与云端服务器的异常图形是否冲突，或者确认相互之间 不并没有目标数据需要覆盖或者替换；

数据对应单元，用于将上传的异常图形获取时间以及所在的安全巡检单元地理定位坐标进行数据确认，在正确获取待同步异常图形的数据确认信息时，进行待同 步异常图形上传至云端服务器的操作，

同步单元，用于开始判断上传是否同步成功，如果没有成功，则重新发送所述 待同步异常图形，当重新发送的次数超过预设次数阈值或重新发送时长超过预设时 长时，判定待同步异常图形同步失败，将待同步异常图形移除发送缓存，将新的待 同步异常图形提取至待发送缓存，将新的待同步异常图形加入发送缓存中并发送至 云端服务器；如果同步成功，则将待同步异常图形从发送缓存删除，直至全部待同 步异常图形上传至云端服务器。

优选的，所述的异常图形获取操作包括如下单元：

数据采集单元，用于在校园特定区域设置摄像装置，根据摄像装置采集的坐标 位置形成安全巡检单元，在安全巡检单元中根据相关性函数计算，生成异常图形集 合。

优选的，所述的异常图形获取操作还包括

条件单元，用于对异常图形集合进行条件筛选识别，根据关联性回归模型计算 获取目标对象的特征参数，将计算后的特征参数形成巡检特征集。

优选的，所述的异常图形获取操作还包括：

筛选单元，用于在巡检特征集中通过巡检轨迹函数进行遍历，从而筛选出校园 安防巡检的异常图形。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

根据区块链的属性，上传至云端服务器在任何区块链节点都能够同步相应异常图形数据，并且该上传过程经过冗余判断之后，能够快速上传云端，提高了工作效 率，对校园安防数据的同步起到了非常积极的作用。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至 终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通 过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明 的限制。

如图1所示，由于区块链的去中心化，不可篡改以及数据同步的属性，用在校 园安防领域非常重要，能够快速对安全数据进行获取和管理，所以本发明公开一种 基于区块链网络的校园安防数据同步系统，包括：

对校园设置若干巡检区域，对巡检区域进行视频和音频数据获取操作，同时采 集人员的行动信息；

S1，在校园特定区域设置摄像装置，根据摄像装置采集的坐标位置形成安全巡 检单元，在安全巡检单元中根据相关性函数计算，生成异常图形集合；

S2，对异常图形集合进行条件筛选识别，根据关联性回归模型计算获取目标对 象的特征参数，将计算后的特征参数形成巡检特征集；

S3，在巡检特征集中通过巡检轨迹函数进行遍历，从而筛选出校园安防巡检的 异常图形。

所述S1包括：

S1-1，从校园特定区域设置形成三角形方位的摄像装置，对初始摄像装置设置 为坐标(x₁₁,y₁₁)，通过摄像装置获取的图像信息，对图像信息中的异常特征图像进 行判断；

S1-2，设置的其它两个摄像装置方位坐标分别为(x₁₂,y₁₂)，(x₁₃,y₁₃)，通过形 成的特定方位的安全巡检单元进行巡查，摄像装置实时巡检监测范围异常状态，从 而无死角的进行巡检监测，对监测范围中收集到每个方向的行为形成状态矩阵；对 监测范围中每个方向的状态矩阵与设备预存的状态矩阵进行相关性分析，根据校园 中物体的位置，例如旗杆、观礼台、教学楼、体育器材或者遮雨棚形成干扰参数δ， 通过对n个安全巡检单元与第s个异常图形的相关性函数计算，得到安全巡检单元 中异常图形发生的可能性，获取异常图形通过预存的收集阈值或者神经网络学习方 法进行提前预存，从而为后续实时采集的图像进行比对提供素材；

该相关性函数计算为：

其中O_n为安全巡检单元的特征向量，q_n为安全巡检单元的特征阈值，Q_s为异 常图形的特征向量，o_s为异常图形的特征阈值，A为正整数，为安 全巡检单元异常图像计算的归一化系数，根据第i个异常状态区域所覆盖的n个安 全巡检单元的相关性系数/>以及第i个异常状态区域所发现的s个异常图形的相 关性系数/>根据相关性函数的计算，可以知道多个安全巡检单元可以形成一个异 常状态区域，但是多个异常状态区域并不能是一个安全巡检单元，在一个异常状态 区域会发现一个或者多个异常图形，异常图形包括未记载的人脸，异常增加的人群， 燃烧的火焰或者产生的浓烟，/>为异常图形有效性计算；/>为安全巡检单元的特征向量和异常图形的特征向量所产生的整体特征差异曲线，根 据相关性函数提取异常图形，形成异常图形集合B；

所述S2包括：

S2-1，安全巡检单元提取异常图形时，所提取的异常图形也会存在于另一安全 巡检单元中，这就需要对异常图形进行重复去噪处理，对重复的异常图形进行遍历 去噪计算，将异常图形集合B中的图形信息逐个放入筛选的条件概率中；对于集合 B中分为在n个安全巡检单元中收集的异常图形集合B_n，以及异常图形集合中j个 重复的异常图形B_j，C为异常图形集合B中异常图形的属性条件，满足筛选条件算法M为正整数异常图形数值，则将B_j放入异常图形的属性条件C中，将B_n作为其父节点；根据匹配筛选算法从而根据异 常图形的特征等级获取的筛选结果，异常图形筛选之后为了能够根据安全性判断条 件进行安全巡检提供前提；

其中，表示B_n的所有异常图形的属性条件C的条件概率的乘积，B_n和B_j以及C的联合概率分布为P(B_n,B_j|C)，以及遍历B_n和C得到条件概率分布 P(B_n|C)，遍历B_j和C得到条件概率分布P(B_j|C)。

S2-2，经过条件筛选之后去掉重复的异常图形，在异常图形中需要定位真正的 安全风险目标对象，根据安全性信息判定条件进行关联性计算，

关联性计算回归模型函数为：

F_n＝I_n(u)+σ+J_n·ε+K_n·μ

F_n为目标对象关联预测值，ε为目标对象关联预测值F_n和J_n物体跌落输出图形 集合的回归系数，μ为目标对象关联预测值F_n和K_n人员聚集输出图形集合的回归 系数，σ为分布图形的调节系数，

I_n(u)为场所动态数据判断函数、通过异常图形中获取温度图形监测数据，u为温度图形数量，A_n为显示温度图形通信反馈超时阈值、b_n为通信中断阈值、h为综合判断场所温度图形的应力，λ为 判断参数，

通过对物体跌落判断模型进行模型计算由于物 体判断过程中需要对图形x和y方位进行联合处理，对异常图形中相邻像素发生的 变化度进行梯度运算，D_x为物体跌落异常图形x方位的梯度值，D_y为物体跌落异常 图形y方位的梯度值，c_p为第p个疑似跌落图形的基向量参数，d_p为第p个疑似跌 落图形的基向量，N为正整数的疑似跌落图形；

为物体跌落阈值，通过墙体碎片、高空抛物或者人员跌落进行判断，

通过对人员聚集判断模型进行模型计算K_n＝max{|G_x|+|G_y|,H_(x,y),g}，求得异 常图形中人员的最大值，G_x为人员聚集异常图形x方位的梯度值，G_y为人员聚集异 常图形y方位的梯度值，H_(x,y)为位置坐标x，y的人员聚集异常图形的偏移值；

g为人员聚集判断阈值；通过课间休息、体育锻炼进行判断；

S2-3，通过关联性计算回归模型的计算，提升异常图形收集预估的准确性，对 安全巡检单元的异常图形集合进行收敛，获取安全巡检过程的关联性异常图形，形 成巡检特征集。

所述S3包括：

S3-1，在巡检特征集中，摄像装置的提取的异常图形轨迹根据经过关联性计算 回归模型函数得到：通过巡检轨迹函数对校园中不同区域进行遍历计算，对校园的 楼道、走廊、教室、礼堂以及操场进行异常图形筛选，对不同的地点进行筛选之后， 获取重点排查的区域，提取异常图形；

S3-2，巡检轨迹函数为ω_n为第n个 安全巡检单元对应的异常图形向量，⊙为ω_n和/>的哈达玛乘积，为巡检异常图形向量，μ为巡检调节参数，||·||代表模长，L_xk为x 方位第k个异常图形向量的关联程度值，L_yk为y方位第k个异常图形向量的关联 程度值，当f_n值越大则表示第n个安全巡检单元所包含的异常图形越多，在该安全 巡检单元提供巡检等级，并对该安全巡检单元周围的安全巡检单元查找类似异常图 形的轨迹；

S3-3，通过巡检轨迹函数获取校园异常图形巡检轨迹，进行安全隐患的筛查， 每次对n个安全巡检单元进行历史数据收集，对巡检路线映射到远程服务器巡检终 端上，发现异常图形的安全巡检单元赋值为1，为发现异常图形赋值为0，形成巡检 轨迹图；历史数据中每次巡检都可以获得一个巡检轨迹图；将所有巡检时获得的巡 检轨迹图求和，然后对求和后获得的图像归一化处理获得巡检热度图。

完成异常图形的提取之后，对相应的校园安防数据进行云端服务器同步，采用 如下系统：包括：

数据提取单元，用于在安全巡检单元中提取校园安防异常图形同步状态数据， 将待同步的异常图形发送至云端服务器，所述云端服务器在接收所述待同步数据时， 将所述待同步数据进行保存，保存之后生成所述待同步数据的状态信息；

数据判断单元，用于将状态信息在云端服务器完成异常图形的对应关系，所述 待同步异常图形由每个安全巡检单元提供相应的异常图形，上传至云端服务器过程 中需要判断待同步异常图形与云端服务器的异常图形是否冲突，或者确认相互之间 不并没有目标数据需要覆盖或者替换；其中覆盖或者替换的场景为异常图形编号相 同、存储大小相同；

数据对应单元，用于将上传的异常图形获取时间以及所在的安全巡检单元地理定位坐标进行数据确认，在正确获取待同步异常图形的数据确认信息时，进行待同 步异常图形上传至云端服务器的操作，

同步单元，用于开始判断上传是否同步成功，如果没有成功，则重新发送所述 待同步异常图形，当重新发送的次数超过预设次数阈值或重新发送时长超过预设时 长时，判定待同步异常图形同步失败，将待同步异常图形移除发送缓存，将新的待 同步异常图形提取至待发送缓存，将新的待同步异常图形加入发送缓存中并发送至 云端服务器；如果同步成功，则将待同步异常图形从发送缓存删除，直至全部待同 步异常图形上传至云端服务器。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在 不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换 和变型，本发明的范围由权利要求及其等同物限定。

Claims (1)

1.一种基于区块链网络的校园安防数据同步系统，其特征在于，包括：

数据提取单元，用于在安全巡检单元中提取校园安防异常图形同步状态数据，将待同步的异常图形发送至云端服务器，所述云端服务器在接收所述待同步数据时，将所述待同步数据进行保存，保存之后生成所述待同步数据的状态信息；

数据判断单元，用于将状态信息在云端服务器完成异常图形的对应关系，所述待同步异常图形由每个安全巡检单元提供相应的异常图形，上传至云端服务器过程中需要判断待同步异常图形与云端服务器的异常图形是否冲突，或者确认相互之间并没有目标数据需要覆盖或者替换；

数据采集单元，用于在校园特定区域设置摄像装置，根据摄像装置采集的坐标位置形成安全巡检单元，在安全巡检单元中根据相关性函数计算，生成异常图形集合；

从校园特定区域设置形成三角形方位的摄像装置，对初始摄像装置设置为坐标(x₁₁,y₁₁)，通过摄像装置获取的图像信息，对图像信息中的异常特征图像进行判断；

设置的其它两个摄像装置方位坐标分别为(x₁₂,y₁₂)，(x₁₃,y₁₃)，通过形成的特定方位的安全巡检单元进行巡查，摄像装置实时巡检监测范围异常状态，从而无死角的进行巡检监测，对监测范围中收集到每个方向的行为形成状态矩阵；对监测范围中每个方向的状态矩阵与设备预存的状态矩阵进行相关性分析，根据校园中物体的位置，形成干扰参数δ，通过对n个安全巡检单元与第s个异常图形的相关性函数计算，得到安全巡检单元中异常图形发生的可能性，获取异常图形通过预存的收集阈值或者神经网络学习方法进行提前预存，从而为后续实时采集的图像进行比对提供素材；

该相关性函数计算为：

其中O_n为安全巡检单元的特征向量，q_n为安全巡检单元的特征阈值，Q_s为异常图形的特征向量，o_s为异常图形的特征阈值，A为正整数，为安全巡检单元异常图像计算的归一化系数，根据第i个异常状态区域所覆盖的n个安全巡检单元的相关性系数/>以及第i个异常状态区域所发现的s个异常图形的相关性系数/> 为异常图形有效性计算；/>为安全巡检单元的特征向量和异常图形的特征向量所产生的整体特征差异曲线，根据相关性函数提取异常图形，形成异常图形集合B；

条件单元，用于对异常图形集合进行条件筛选识别，根据关联性回归模型计算获取目标对象的特征参数，将计算后的特征参数形成巡检特征集

安全巡检单元提取异常图形时，所提取的异常图形也会存在于另一安全巡检单元中，这就需要对异常图形进行重复去噪处理，对重复的异常图形进行遍历去噪计算，将异常图形集合B中的图形信息逐个放入筛选的条件概率中；对于集合B中分为在n个安全巡检单元中收集的异常图形集合B_n，以及异常图形集合中j个重复的异常图形B_j，C为异常图形集合B中异常图形的属性条件，满足筛选条件算法M为正整数异常图形数值，则将B_j放入异常图形的属性条件C中，将B_n作为其父节点；根据匹配筛选算法从而根据异常图形的特征等级获取的筛选结果，异常图形筛选之后为了能够根据安全性判断条件进行安全巡检提供前提；

其中，表示B_n的所有异常图形的属性条件C的条件概率的乘积，B_n和B_j以及C的联合概率分布为P(B_n,B_j|C)，以及遍历B_n和C得到条件概率分布P(B_n|C)，遍历B_j和C得到条件概率分布P(B_j|C)；

经过条件筛选之后去掉重复的异常图形，在异常图形中需要定位真正的安全风险目标对象，根据安全性信息判定条件进行关联性计算，

关联性计算回归模型函数为：

F_n＝I_n(u)+σ+J_n·ε+K_n·μ

F_n为目标对象关联预测值，ε为目标对象关联预测值F_n和J_n物体跌落输出图形集合的回归系数，μ为目标对象关联预测值F_n和K_n人员聚集输出图形集合的回归系数，σ为分布图形的调节系数，

I_n(u)为场所动态数据判断函数、通过异常图形中获取温度图形监测数据，u为温度图形数量，A_n为显示温度图形通信反馈超时阈值、b_n为通信中断阈值、h为综合判断场所温度图形的应力，λ为判断参数，

通过对物体跌落判断模型进行模型计算由于物体判断过程中需要对图形x和y方位进行联合处理，对异常图形中相邻像素发生的变化度进行梯度运算，D_x为物体跌落异常图形x方位的梯度值，D_y为物体跌落异常图形y方位的梯度值，c_p为第p个疑似跌落图形的基向量参数，d_p为第p个疑似跌落图形的基向量，N为正整数的疑似跌落图形；

为物体跌落阈值，通过墙体碎片、高空抛物或者人员跌落进行判断，

通过对人员聚集判断模型进行模型计算K_n＝max{|G_x|+|G_y|,H_(x,y),g}，求得异常图形中人员的最大值，G_x为人员聚集异常图形x方位的梯度值，G_y为人员聚集异常图形y方位的梯度值，H_(x,y)为位置坐标x，y的人员聚集异常图形的偏移值；

g为人员聚集判断阈值；

筛选单元，用于在巡检特征集中通过巡检轨迹函数进行遍历，从而筛选出校园安防巡检的异常图形；

在巡检特征集中，摄像装置的提取的异常图形轨迹根据经过关联性计算回归模型函数得到：通过巡检轨迹函数对校园中不同区域进行遍历计算，对校园的楼道、走廊、教室、礼堂以及操场进行异常图形筛选，对不同的地点进行筛选之后，获取重点排查的区域，提取异常图形；

巡检轨迹函数为n≥1，ω_n为第n个安全巡检单元对应的异常图形向量，⊙为ω_n和/>的哈达玛乘积，/>为巡检异常图形向量，μ为巡检调节参数，||·||代表模长，L_xk为x方位第k个异常图形向量的关联程度值，L_yk为y方位第k个异常图形向量的关联程度值，当f_n值越大则表示第n个安全巡检单元所包含的异常图形越多，在该安全巡检单元提供巡检等级，并对该安全巡检单元周围的安全巡检单元查找类似异常图形的轨迹；

数据对应单元，用于将上传的异常图形获取时间以及所在的安全巡检单元地理定位坐标进行数据确认，在正确获取待同步异常图形的数据确认信息时，进行待同步异常图形上传至云端服务器的操作，

同步单元，用于开始判断上传是否同步成功，如果没有成功，则重新发送所述待同步异常图形，当重新发送的次数超过预设次数阈值或重新发送时长超过预设时长时，判定待同步异常图形同步失败，将待同步异常图形移除发送缓存，将新的待同步异常图形提取至待发送缓存，将新的待同步异常图形加入发送缓存中并发送至云端服务器；如果同步成功，则将待同步异常图形从发送缓存删除，直至全部待同步异常图形上传至云端服务器。