CN115100589A - 基于深度学习的校园报警系统 - Google Patents
基于深度学习的校园报警系统 Download PDFInfo
- Publication number
- CN115100589A CN115100589A CN202210637236.0A CN202210637236A CN115100589A CN 115100589 A CN115100589 A CN 115100589A CN 202210637236 A CN202210637236 A CN 202210637236A CN 115100589 A CN115100589 A CN 115100589A
- Authority
- CN
- China
- Prior art keywords
- campus
- camera
- image
- violent
- violence
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 239000007921 spray Substances 0.000 claims description 10
- 238000010408 sweeping Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明的实施例公开基于深度学习的校园报警系统，属于图像识别技术领域。本发明提供的系统包括：分布式设置的摄像头和与所述摄像头连接的主控模块；每个摄像头用于实时采集其拍摄区域内的校内图像，并将图像信息发送给主控模块；所述主控模块包括深度学习模块和控制器；所述深度学习模块用于根据每个摄像头发来的图像信息，基于预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，若是，则向所述控制器发送通知信息；所述控制器用于在收到所述通知信息时，向学校警务处发送报警信息。本发明能够自动检测是否存在校园暴力事件并在检测出存在校园暴力事件后及时进行报警并自动干扰阻止校园暴力事件，降低了校园暴力事件发生率。
Description
技术领域
本发明属于图像识别技术领域，尤其涉及基于深度学习的校园报警系统。
背景技术
校园暴力是指发生在学校校园内、学生上学或放学途中、学校的教育活动中，由老师、同学或校外人员，蓄意滥用语言、躯体力量、网络、器械等，针对师生的生理、心理、名誉、权利、财产等实施的达到某种程度的侵害行为。
目前，学校主要通过专职警务老师巡查校园或学生自行上报两种方式获知校园暴力事件。对于专人巡查校园的方式，由于一般情况下校园较大而专职警务老师人数有限，以及学生往往会躲避老师，因此不能及时发现校园暴力事件。另一方面，由于施暴者一般比较强势，校园暴力事件的受害者本人或者旁观者由于担心被打击报复，基本都不敢报告给老师或者事后报告苦无证据。
发明内容
有鉴于此，本发明实施例提供基于深度学习的校园报警系统，用于解决目前没有能够自动检测校园暴力事件且对其进行及时有效阻止，从而导致事故发生的问题。本发明能够自动检测是否存在校园暴力事件，并在检测出存在校园暴力事件后进行报警，有效地避免了校园暴力，提高了学生生活环境的安全性。
本发明实施例提供基于深度学习的校园报警系统，包括：分布式设置的摄像头和与所述摄像头连接的主控模块；
每个摄像头用于实时采集其拍摄区域内的校内图像，并将图像信息发送给主控模块；其中，所述图像信息至少包括摄像头标识以及该摄像头采集的校内图像和图像采集时间；
所述主控模块包括深度学习模块和控制器；
所述深度学习模块用于根据每个摄像头发来的图像信息，基于预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，若检测出校内图像中存在校园暴力事件时，向所述控制器发送通知信息；其中，所述通知信息包括摄像头标识；
所述控制器用于在收到所述通知信息时，向学校警务处发送报警信息。
在一可选实施例中，所述的基于深度学习的校园报警系统，还包括：安装于每个所述摄像头上方的导气管和喷嘴，所述喷嘴通过所述导气管与高压气源连接，所述高压气源和所述喷嘴之间的导气管上设置有电控阀，所述电控阀的控制端与所述控制器电连接；
所述控制器还用于根据收到的通知信息，控制相应摄像头上的喷嘴和高压气源之间的电控阀打开，使所述喷嘴向摄像头前方喷出高压气体以阻止校园暴力事件。
在一可选实施例中，每个摄像头上的喷嘴通过一个舵机与该摄像头连接，所述舵机启动端还与所述控制器连接；
所述控制器还用于根据收到的通知信息，启动相应摄像头上的舵机，以使所述舵机带动所述喷嘴以其初始位置为中心进行左右旋转，从而使所述喷嘴向摄像头前方左右扫射式喷出高压气体。
在一可选实施例中，所述深度学习模块，还用于在检测出校内图像中存在校园暴力事件时，确定校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标；所述通知信息还包括校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标；
所述控制器还用于根据所述校内图像中校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标，控制相应摄像头转动对准所述校内图像中校园暴力事件发生区域中心位置后，随后根据所述校内图像中校园暴力事件发生区域的图像大小调节该摄像头的焦距以使其采集的图像区域与所述校园暴力事件发生区域相适应，再控制该摄像头重新采集校园暴力事件图像；所述报警信息包括摄像头标识及该摄像头重新采集的校园暴力事件图像。
在一可选实施例中，所述分布式设置的摄像头被预先分为多组，每组内的每个摄像头的摄像区域与本组内其它摄像头的摄像区域有部分重合；每个摄像头发送给主控模块的图像信息还包括摄像头所属分组标识；
所述控制器还用于根据收到的多个通知信息，在属于同一分组的多个摄像头均采集到校园暴力事件时，根据当前采集到校园暴力事件的摄像头重新采集的校园暴力事件图像中学生校服上的固定标志，确定属于同一分组且当前采集到校园暴力事件的摄像头中与所述校园暴力事件的学生的距离最近的目标摄像头；
所述控制器具体用于控制所述目标摄像头上的喷嘴和高压气源之间的电控阀打开，使所述目标摄像头上的喷嘴向摄像头前方喷出高压气体以阻止校园暴力事件。
在一可选实施例中，所述控制器具体用于根据所述目标摄像头与所述校园暴力事件的学生的距离，确定所述目标摄像头上的喷嘴所需的目标喷射速度，并通过控制电控阀控制所述目标摄像头上的喷嘴以所述目标喷射速度喷射高压气体。
在一可选实施例中，所述控制器，具体用于对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别，并根据识别到的人脸数量以及每个人脸中心位置点控制所述目标摄像头上的舵机的左右旋转最大角度和左右旋转频率。
在一可选实施例中，所述学生校服上的固定标志为学生校服上的固定条纹；
所述控制器具体用于根据第一公式计算属于同一分组且当前采集到校园暴力事件的各摄像头与所述校园暴力事件的学生的距离，所述控制器还具体用于根据第二公式计算所述目标摄像头上的喷嘴所需的目标喷射速度，所述控制器还具体用于根据第三公式计算所述目标摄像头上的舵机的左右旋转最大角度和左右旋转频率；
其中，所述第一公式为：
所述第一公式中，S(i)表示属于当前分组且当前采集到校园暴力事件的第i 个摄像头与所述校园暴力事件的学生的距离；i＝1,2,…,m；m为属于当前分组且当前采集到校园暴力事件的摄像头的总数；f(i)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头的焦距值；D(i_a)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新采集的校园暴力事件图像中学生校服上的第a个固定条纹的图像宽度值；a＝1,2,…,n；n为所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新连续采集的校园暴力事件图像的帧数； H表示所述学生校服上的固定条纹的实际宽度；
所述第二公式为：
所述第二公式中，V(I_t)表示t时刻所述目标摄像头上的喷嘴所需的目标喷射速度；t表示当前时刻；
表示将i的值从1取值到m代入到括号内得到括号内的最大值，并且将此时的值记作I；v0表示所述喷嘴的最小喷射速度；t0表示所述目标摄像头检测到本次校园暴力事件的初始时刻；S0表示单位长度值，数值为1，单位与S(i)相同；VM表示所述喷嘴的最大喷射速度；
所述第三公式为：
所述第三公式中，θM(I)表示所述目标摄像头上的舵机的左右旋转最大角度； xmin表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最小值；xmax表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最大值；L表示所述目标摄像头重新采集的校园暴力事件图像在预设二维直角坐标系中的X轴方向上的长度值；其中，所述预设二维直角坐标系以所述目标摄像头重新采集的校园暴力事件图像的左下角顶点为原点，以该图像的左边界向上为Y轴，以该图像的下边界向右为X轴；
F表示所述目标摄像头上的舵机的左右旋转频率；FM表示所述目标摄像头上的舵机的最大左右旋转频率值；r表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的人脸总数；e表示自然常数。
本发明提供的基于深度学习的校园报警系统，通过校园内分布式设置的摄像头实时采集校内图像，并通过预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，在检测出存在校园暴力事件后及时进行报警，能够自动检测校园暴力事件并及时报警，降低校园暴力发生率，提高了学生生活环境的安全性。
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它的附图。
图1为本发明实施例提供的基于深度学习的校园报警系统结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于深度学习的校园报警系统结构示意图。参见图1，该系统包括：分布式设置的摄像头1和与摄像头1连接的主控模块2；
其中，每个摄像头1用于实时采集其拍摄区域内的校内图像，并将图像信息发送给主控模块2；其中，所述图像信息至少包括摄像头标识以及该摄像头采集的校内图像和图像采集时间；
主控模块2包括深度学习模块21和控制器22；深度学习模块21用于根据每个摄像头1发来的图像信息，基于预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，若检测出校内图像中存在校园暴力事件时，向控制器22发送通知信息；控制器22用于在收到所述通知信息时，向学校警务处发送报警信息；其中，所述通知信息包括摄像头标识。
上述技术方案的有益效果是：通过校园内分布式设置的摄像头实时采集校内图像，并通过预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，在检测出存在暴力事件后及时进行报警，能够自动检测校园暴力事件并及时报警，降低校园暴力发生率，提高了学生生活环境的安全性。
在一可选实施例中，本发明提供的基于深度学习的校园报警系统还包括：安装于每个摄像头1上方的导气管和喷嘴，所述喷嘴通过所述导气管与高压气源连接，所述高压气源和所述喷嘴之间的导气管上设置有电控阀，所述电控阀的控制端与所述控制器22电连接；本实施例中，控制器22还用于根据收到的通知信息，控制相应摄像头1上的喷嘴和高压气源之间的电控阀打开，使所述喷嘴向摄像头1前方喷出高压气体以阻止校园暴力事件。
上述技术方案的有益效果是：通过摄像头上安装的喷嘴喷射高压气体，能够对当前正在发生的校园暴力事件进行干扰甚至制止，能够及时阻止校园暴力事件，减少人员伤害，降低校园暴力事件的发生率和伤害率。
在一可选实施例中，每个摄像头1上的喷嘴通过一个舵机与该摄像头1连接，所述舵机启动端还与所述控制器22连接；控制器22还用于根据收到的通知信息，启动相应摄像头1上的舵机，以使所述舵机带动所述喷嘴以其初始位置为中心进行左右旋转，从而使所述喷嘴向摄像头1前方左右扫射式喷出高压气体。
上述技术方案的有益效果是：通过舵机带动喷嘴来回做又旋转扫射式喷射高压气体，能够进一步扩大气体的喷射范围，提高自动干扰设备对校园暴力事件的干扰成功率。
在一可选实施例中，深度学习模块21，还用于在检测出当前校内图像中存在校园暴力事件时，确定当前校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标；其中，所述通知信息还包括校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标。本实施例中，控制器22还用于根据所述通知信息中当前校内图像中校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标，控制采集当前校内图像的相应摄像头1转动并对准所述校内图像中校园暴力事件发生区域中心位置后，根据所述通知信息中当前校内图像中校园暴力事件发生区域的图像大小调节该摄像头 1的焦距以使其采集的图像区域与所述校园暴力事件发生区域相适应，再控制该摄像头1重新采集校园暴力事件图像；其中，所述报警信息包括摄像头1标识及该摄像头1重新采集的校园暴力事件图像。
上述技术方案的有益效果是：在检测出当前校内图像中存在校园暴力事件时，确定当前校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标，从而可以通过控制摄像头1转到正对当前检测到的校园暴力事件的位置，并控制自动调节摄像头1 的焦距以采集到更为清楚的校园暴力事件图像，进一步提高了自动检测及图像识别的准确度，且在报警同时上报相关图像使后期追查有据可循。
在一可选实施例中，所述分布式设置的摄像头1被预先分为多组，每组内的每个摄像头1的摄像区域与本组内其它摄像头1的摄像区域有部分重合；每个摄像头1发送给主控模块2的图像信息还包括摄像头1所属分组标识；
本实施例中，控制器22还用于根据收到的多个通知信息，在属于同一分组的多个摄像头1均采集到校园暴力事件时，根据当前采集到校园暴力事件的摄像头1重新采集的校园暴力事件图像中学生校服上的固定标志，确定属于同一分组且当前采集到校园暴力事件的摄像头1中与所述校园暴力事件的学生的距离最近的目标摄像头1；所述控制器22具体用于控制所述目标摄像头1上的喷嘴和高压气源之间的电控阀打开，使所述目标摄像头1上的喷嘴向目标摄像头1 前方喷出高压气体以阻止校园暴力事件。
上述技术方案的有益效果是：根据自动调节摄像头1的焦距采集到的的更清晰的校园暴力事件图像中学生校服上的固定标志，通过图像处理分析确定出离图像中的校园暴力事件的学生的距离最近的目标摄像头1，通过目标摄像头1 上的喷嘴向目标摄像头1前方喷出高压气体以阻止校园暴力事件，能够进一步提高系统阻止校园暴力事件的成功率和执行率。
在一可选实施例中，控制器22具体用于根据所述目标摄像头1与所述校园暴力事件的学生的距离，确定所述目标摄像头1上的喷嘴所需的目标喷射速度，并通过控制电控阀控制所述目标摄像头1上的喷嘴以所述目标喷射速度喷射高压气体。
上述技术方案的有益效果是：根据目标摄像头1与所述校园暴力事件的学生的距离确定所述目标摄像头1上的喷嘴所需的目标喷射速度，可以随着校园暴力时间的持续时间的推移不断加大喷射速度，从而以最快最有力的方式去试图阻止当前的校园暴力事件，进一步提高系统阻止校园暴力事件的速度和阻止成功率。
在一可选实施例中，控制器22，具体用于对所述目标摄像头1重新采集的校园暴力事件图像进行人脸识别，并根据识别到的人脸数量以及每个人脸中心位置点控制所述目标摄像头1上的舵机的左右旋转最大角度和左右旋转频率。
上述技术方案的有益效果是：根据识别到的人脸个数以及每个人脸中心位置点控制目标摄像头上的舵机的左右旋转最大角度以及左右旋转频率，从而对当前校园暴力事件的整个区域都进行压气体扫射，从而尽可能的对当前参与校园暴力事件的每一个人都进行阻止，增强系统阻止所述校园暴力事件的效果。
在一可选实施例中，所述学生校服上的固定标志为学生校服上的固定条纹。所述控制器22具体用于根据第一公式计算属于同一分组且当前采集到校园暴力事件的各摄像头1与所述校园暴力事件的学生的距离，所述控制器22还具体用于根据第二公式计算所述目标摄像头1上的喷嘴所需的目标喷射速度，所述控制器22还具体用于根据第三公式计算所述目标摄像头1上的舵机的左右旋转最大角度和左右旋转频率；
其中，所述第一公式为：
所述第一公式(1)中，S(i)表示属于当前分组且当前采集到校园暴力事件的第i个摄像头与所述校园暴力事件的学生的距离；i＝1,2,…,m；m为属于当前分组且当前采集到校园暴力事件的摄像头的总数；f(i)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头的焦距值；D(i_a)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新采集的校园暴力事件图像中学生校服上的第a个固定条纹的图像宽度值；a＝1,2,…,n；n为所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新连续采集的校园暴力事件图像的帧数；H表示所述学生校服上的固定条纹的实际宽度。
其中，在检测到校园暴力后，所述属于当前分组且当前采集到校园暴力事件的第i个摄像头会重新连续采集n次校园暴力事件图像(即：连续采集n帧图像)，并识别每帧图像中的学生校服上的第a个固定条纹的图像宽度值，以消除部分误差而确保后续计算的准确。
所述第二公式为：
所述第二公式(2)中，V(I_t)表示t时刻所述目标摄像头上的喷嘴所需的目标喷射速度；t表示当前时刻；
表示将i的值从1取值到m代入到括号内得到括号内的最大值，并且将此时的值记作I；v0表示所述喷嘴的最小喷射速度； t0表示所述目标摄像头检测到本次校园暴力事件的初始时刻；S0表示单位长度值，数值为1，单位与S(i)相同；VM表示所述喷嘴的最大喷射速度；
所述第三公式为：
所述第三公式(3)中，θM(I)表示所述目标摄像头上的舵机的左右旋转最大角度；xmin表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最小值； xmax表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最大值；L表示所述目标摄像头重新采集的校园暴力事件图像在预设二维直角坐标系中的X轴方向上的长度值；其中，所述预设二维直角坐标系以所述目标摄像头重新采集的校园暴力事件图像的左下角顶点为原点，以该图像的左边界向上为Y轴，以该图像的下边界向右为X轴；F表示所述目标摄像头上的舵机的左右旋转频率；FM表示所述目标摄像头上的舵机的最大左右旋转频率值；r表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的人脸总数；e表示自然常数。
上述技术方案的有益效果是：利用第一公式(1)可根据属于同一分组且当前采集到校园暴力事件的各摄像头重新采集的校园暴力事件图像中学生校服上的固定条纹宽度计算出当前摄像头与所述校园暴力事件的学生之间的距离，便于及时的选择出目标摄像头对应的喷嘴对校园暴力事件进行，提高了系统的执行效率；然后利用第二公式(2)可根据距离校园暴力事件最近的摄像头与所述校园暴力事件的学生之间的距离控制所述喷嘴喷射气体的速度，从而可以随着校园暴力的持续时间的推移不断加大喷气速度，从而以最快最有力的方式去试图阻止当前的校园暴力；最后利用第三公式(3)可根据识别到的人脸个数以及每个人脸中心位置点等信息确定舵机的左右旋转最大角度以及左右旋转频率，从而对当前校园暴力时间发生的整个有效区域都进行高压气体扫射，进一步提高了扫射范围的准确性，提高了阻止校园暴力事件的成功率。
从上述实施例的内容可知，通过校园内分布式设置的摄像头实时采集校内图像，并通过预设校园暴力深度学习算法能够自动检测是否存在校园暴力事件，并在检测出存在校园暴力事件后及时进行报警并触发干扰机制，通过最接近的摄像头向校园暴力事件发生位置喷射高压气体，从而以最快的方式阻止当前的校园暴力，系统全自动化运行，解决了现有技术中人工巡查覆盖面小且难以及时发现校园暴力事件的问题，不仅能够实现自动检测，还能够对校园暴力进行及时、有效的阻止，能够减少校园暴力事件的发生率，提高学生的身心健康。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.基于深度学习的校园报警系统，其特征在于，包括：分布式设置的摄像头和与所述摄像头连接的主控模块；
每个摄像头用于实时采集其拍摄区域内的校内图像，并将图像信息发送给主控模块；其中，所述图像信息至少包括摄像头标识以及该摄像头采集的校内图像和图像采集时间；
所述主控模块包括深度学习模块和控制器；
所述深度学习模块用于根据每个摄像头发来的图像信息，基于预设校园暴力深度学习算法检测校内图像中是否存在校园暴力事件，若检测出校内图像中存在校园暴力事件时，向所述控制器发送通知信息；其中，所述通知信息包括摄像头标识；
所述控制器用于在收到所述通知信息时，向学校警务处发送报警信息。
2.如权利要求1所述的基于深度学习的校园报警系统，其特征在于，该系统还包括：安装于每个所述摄像头上方的导气管和喷嘴，所述喷嘴通过所述导气管与高压气源连接，所述高压气源和所述喷嘴之间的导气管上设置有电控阀，所述电控阀的控制端与所述控制器电连接；
所述控制器还用于根据收到的通知信息，控制相应摄像头上的喷嘴和高压气源之间的电控阀打开，使所述喷嘴向摄像头前方喷出高压气体以阻止校园暴力事件。
3.如权利要求2所述的基于深度学习的校园报警系统，其特征在于，每个摄像头上的喷嘴通过一个舵机与该摄像头连接，所述舵机启动端还与所述控制器连接；
所述控制器还用于根据收到的通知信息，启动相应摄像头上的舵机，以使所述舵机带动所述喷嘴以其初始位置为中心进行左右旋转，从而使所述喷嘴向摄像头前方左右扫射式喷出高压气体。
4.如权利要求3所述的基于深度学习的校园报警系统，其特征在于，所述深度学习模块，还用于在检测出校内图像中存在校园暴力事件时，确定校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标；所述通知信息还包括校内图像中校园暴力事件发生区域的图像大小以及校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标；
所述控制器还用于根据所述校内图像中校园暴力事件发生区域的图像中心与该校内图像中心的相对位置坐标，控制相应摄像头转动对准所述校内图像中校园暴力事件发生区域中心位置后，随后根据所述校内图像中校园暴力事件发生区域的图像大小调节该摄像头的焦距以使其采集的图像区域与所述校园暴力事件发生区域相适应，再控制该摄像头重新采集校园暴力事件图像；所述报警信息包括摄像头标识及该摄像头重新采集的校园暴力事件图像。
5.如权利要求4所述的基于深度学习的校园报警系统，其特征在于，所述分布式设置的摄像头被预先分为多组，每组内的每个摄像头的摄像区域与本组内其它摄像头的摄像区域有部分重合；每个摄像头发送给主控模块的图像信息还包括摄像头所属分组标识；
所述控制器还用于根据收到的多个通知信息，在属于同一分组的多个摄像头均采集到校园暴力事件时，根据当前采集到校园暴力事件的摄像头重新采集的校园暴力事件图像中学生校服上的固定标志，确定属于同一分组且当前采集到校园暴力事件的摄像头中与所述校园暴力事件的学生的距离最近的目标摄像头；
所述控制器具体用于控制所述目标摄像头上的喷嘴和高压气源之间的电控阀打开，使所述目标摄像头上的喷嘴向摄像头前方喷出高压气体以阻止校园暴力事件。
6.如权利要求5所述的基于深度学习的校园报警系统，其特征在于，所述控制器具体用于根据所述目标摄像头与所述校园暴力事件的学生的距离，确定所述目标摄像头上的喷嘴所需的目标喷射速度，并通过控制电控阀控制所述目标摄像头上的喷嘴以所述目标喷射速度喷射高压气体。
7.如权利要求6所述的基于深度学习的校园报警系统，其特征在于，所述控制器，具体用于对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别，并根据识别到的人脸数量以及每个人脸中心位置点控制所述目标摄像头上的舵机的左右旋转最大角度和左右旋转频率。
8.如权利要求7所述的基于深度学习的校园报警系统，其特征在于，所述学生校服上的固定标志为学生校服上的固定条纹；
所述控制器具体用于根据第一公式计算属于同一分组且当前采集到校园暴力事件的各摄像头与所述校园暴力事件的学生的距离，所述控制器还具体用于根据第二公式计算所述目标摄像头上的喷嘴所需的目标喷射速度，所述控制器还具体用于根据第三公式计算所述目标摄像头上的舵机的左右旋转最大角度和左右旋转频率；
其中，所述第一公式为：
所述第一公式中，S(i)表示属于当前分组且当前采集到校园暴力事件的第i个摄像头与所述校园暴力事件的学生的距离；i＝1,2,…,m；m为属于当前分组且当前采集到校园暴力事件的摄像头的总数；f(i)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头的焦距值；D(i_a)表示所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新采集的校园暴力事件图像中学生校服上的第a个固定条纹的图像宽度值；a＝1,2,…,n；n为所述属于当前分组且当前采集到校园暴力事件的第i个摄像头重新连续采集的校园暴力事件图像的帧数；H表示所述学生校服上的固定条纹的实际宽度；
所述第二公式为：
所述第二公式中，V(I_t)表示t时刻所述目标摄像头上的喷嘴所需的目标喷射速度；t表示当前时刻；
表示将i的值从1取值到m代入到括号内得到括号内的最大值，并且将此时的值记作I；v0表示所述喷嘴的最小喷射速度；t0表示所述目标摄像头检测到本次校园暴力事件的初始时刻；S0表示单位长度值，数值为1，单位与S(i)相同；VM表示所述喷嘴的最大喷射速度；
所述第三公式为：
所述第三公式中，θM(I)表示所述目标摄像头上的舵机的左右旋转最大角度；xmin表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最小值；xmax表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的每个人脸的中心点在预设二维直角坐标系中的横坐标的最大值；L表示所述目标摄像头重新采集的校园暴力事件图像在预设二维直角坐标系中的X轴方向上的长度值；其中，所述预设二维直角坐标系以所述目标摄像头重新采集的校园暴力事件图像的左下角顶点为原点，以该图像的左边界向上为Y轴，以该图像的下边界向右为X轴；
F表示所述目标摄像头上的舵机的左右旋转频率；FM表示所述目标摄像头上的舵机的最大左右旋转频率值；r表示对所述目标摄像头重新采集的校园暴力事件图像进行人脸识别而识别到的人脸总数；e表示自然常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210637236.0A CN115100589A (zh) | 2022-06-07 | 2022-06-07 | 基于深度学习的校园报警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210637236.0A CN115100589A (zh) | 2022-06-07 | 2022-06-07 | 基于深度学习的校园报警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100589A true CN115100589A (zh) | 2022-09-23 |
Family
ID=83288601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210637236.0A Pending CN115100589A (zh) | 2022-06-07 | 2022-06-07 | 基于深度学习的校园报警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100589A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104005158A (zh) * | 2013-02-27 | 2014-08-27 | 津田驹工业株式会社 | 水喷射式织机用的投纬信息的显示方法及装置 |
| CN107042006A (zh) * | 2017-03-16 | 2017-08-15 | 杭州电子科技大学 | 一种应用于仓库的智能灭火小车及灭火方法 |
| CN206618984U (zh) * | 2017-01-18 | 2017-11-07 | 四川学易通达科技有限公司 | 基于校园安全管理的监控设备 |
| CN109154784A (zh) * | 2016-05-19 | 2019-01-04 | 株式会社尼康 | 基板支承装置、曝光装置、及图案化装置 |
| CN111191528A (zh) * | 2019-12-16 | 2020-05-22 | 江苏理工学院 | 基于深度学习的校园暴力行为检测系统和方法 |
| CN111272148A (zh) * | 2020-01-20 | 2020-06-12 | 江苏方天电力技术有限公司 | 输电线路无人机自主巡检自适应成像质量优化方法 |
| US20200225313A1 (en) * | 2019-01-11 | 2020-07-16 | Drift Net | Security System for Detecting Hazardous Events and Occupants in a Building |
| CN114092877A (zh) * | 2021-11-03 | 2022-02-25 | 北京工业大学 | 一种基于机器视觉的垃圾桶无人值守系统设计方法 |
| CN114536300A (zh) * | 2022-03-28 | 2022-05-27 | 三峡大学 | 一种用于室内的轨道式电力巡检机器人和灭火方法 |
-
2022
- 2022-06-07 CN CN202210637236.0A patent/CN115100589A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104005158A (zh) * | 2013-02-27 | 2014-08-27 | 津田驹工业株式会社 | 水喷射式织机用的投纬信息的显示方法及装置 |
| CN109154784A (zh) * | 2016-05-19 | 2019-01-04 | 株式会社尼康 | 基板支承装置、曝光装置、及图案化装置 |
| CN206618984U (zh) * | 2017-01-18 | 2017-11-07 | 四川学易通达科技有限公司 | 基于校园安全管理的监控设备 |
| CN107042006A (zh) * | 2017-03-16 | 2017-08-15 | 杭州电子科技大学 | 一种应用于仓库的智能灭火小车及灭火方法 |
| US20200225313A1 (en) * | 2019-01-11 | 2020-07-16 | Drift Net | Security System for Detecting Hazardous Events and Occupants in a Building |
| CN111191528A (zh) * | 2019-12-16 | 2020-05-22 | 江苏理工学院 | 基于深度学习的校园暴力行为检测系统和方法 |
| CN111272148A (zh) * | 2020-01-20 | 2020-06-12 | 江苏方天电力技术有限公司 | 输电线路无人机自主巡检自适应成像质量优化方法 |
| CN114092877A (zh) * | 2021-11-03 | 2022-02-25 | 北京工业大学 | 一种基于机器视觉的垃圾桶无人值守系统设计方法 |
| CN114536300A (zh) * | 2022-03-28 | 2022-05-27 | 三峡大学 | 一种用于室内的轨道式电力巡检机器人和灭火方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李正南等: "基于图像识别的校园安全监测系统", 《数码世界》 * |
| 王云等: "船舶喷射推进技术发展综述", 《舰船科学技术》 * |
| 田志远: "煤矿井下有轨辅助运输安全设施与安全预警系统自动化的研究与应用", 《内蒙古煤炭经济》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105080023B (zh) | 一种自动跟踪定位射流灭火方法 | |
| CN108615321A (zh) | 基于雷达侦测及视频图像行为分析的安防预警系统及方法 | |
| CN103770780B (zh) | 一种车辆主动安全系统告警屏蔽装置 | |
| CN110142785A (zh) | 一种基于目标检测的巡检机器人视觉伺服方法 | |
| CN205541233U (zh) | 一种带有人脸识别跟踪的喷粉预警装置 | |
| CN102880179A (zh) | 一种电力隧道内多功能智能化巡检机器人 | |
| CN109284739A (zh) | 一种基于深度学习的输电线路防外力破坏预警方法及系统 | |
| CN109658688A (zh) | 基于深度学习的路口交通流的检测方法及装置 | |
| JP2004094288A5 (zh) | ||
| KR101679597B1 (ko) | 객체 관리 시스템 및 그 방법 | |
| CN107784838A (zh) | 一种交通违法动态识别方法和系统 | |
| CN114509539B (zh) | 一种生活环境内空气污染因子检测方法及系统 | |
| CN109040677A (zh) | 园区安防预警防御系统 | |
| CN109982044A (zh) | 一种基于cctv传感网的目标定位跟踪系统的跟踪方法 | |
| CN114267011A (zh) | 配电间带电设备误操作检测系统 | |
| CN112911156A (zh) | 一种基于计算机视觉的巡逻机器人和安防系统 | |
| CN115100589A (zh) | 基于深度学习的校园报警系统 | |
| CN111383248A (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
| CN106128105B (zh) | 一种交通路口行人行为监测系统 | |
| KR101874630B1 (ko) | 자살 방지용 영상감시 시스템 | |
| CN116403350B (zh) | 一种基于物联网的水肥一体灌溉监测预警系统及方法 | |
| CN111966126A (zh) | 无人机巡逻方法、装置及无人机 | |
| KR20180068435A (ko) | 영상감시 시스템 및 이를 이용한 영상감시 방법 | |
| CN113743214B (zh) | 一种智能云台摄像机 | |
| CN112287890B (zh) | 人员聚集检测方法、可读存储介质和电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |