CN115546710A - 水电厂的人员定位方法、装置、设备及可读存储介质 - Google Patents
水电厂的人员定位方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115546710A CN115546710A CN202210958603.7A CN202210958603A CN115546710A CN 115546710 A CN115546710 A CN 115546710A CN 202210958603 A CN202210958603 A CN 202210958603A CN 115546710 A CN115546710 A CN 115546710A
- Authority
- CN
- China
- Prior art keywords
- power plant
- hydraulic power
- person
- image
- personnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005192 partition Methods 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002650 habitual effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000005021 gait Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100536354 Drosophila melanogaster tant gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种水电厂的人员定位方法、装置、设备及可读存储介质,涉及定位技术领域,包括获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联;获取所述室内划分分区的摄像装置的实时视频画面图像,根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。本发明有益因素为通过实时记录电厂人员定位数据以形成电厂人员的行动轨迹,一旦发生任何事故,可查看该电厂人员的行动轨迹,从而快速分析出事故原因,以避免下次事故的发生,进一步提升了电厂人员的安全性。
Description
技术领域
本发明涉及定位技术领域,具体而言,涉及水电厂的人员定位方法、装置、设备及可读存储介质。
背景技术
室外定位一般采取GPS(Global Positioning System,全球卫星定位技术)技术,而目前可以应用的室内定位技术主要由以下几种:目前,已有的室内外导航定位技术按照其定位机制的不同主要分为:基于全球定位系统的定位技术、基于ZigBee的定位技术、基于射频标签的定位技术、基于无线局域网络的定位技术、基于惯性导航系统的定位技术等。
基于全球定位系统的定位技术:在大尺度定位方面,全球导航卫星系统涵盖了这个领域包括全球的、区域的和增强在内的所有卫星导航系统,其中,GPS系统尤其得到了广泛的应用,可以实现导航、定位、授时等功能。但由于建筑内部接收不到GPS系统信号,所以不能直接采用GPS系统解决建筑内人员定位问题。尤其是火电厂、热电厂这类电力生产环境,安装了大量的大型带电或带磁的设备和众多小型电力设备,各种设备设施部署复杂,而且高温高压高噪声,非常需要在生产运行、检修、维护和技术改造这些环节中及时监控人员位置、掌控人员到岗时间,在事故问题发生时及时定位快速到达现场,有效预防和处理人员伤亡事故,使得发电企业对安全生产管理的技术手段由被动式处理变为主动式监控。目前在电厂的监控系统中,还没有一套成熟的、完整的人员定位系统应用到电厂,主要原因是施工难度大、成本高,见效低。
发明内容
本发明的目的在于提供一种水电厂的人员定位方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;
鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置;
获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标;
根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
优选地,所述鉴别所述水电厂的待定位的人员身份特征信息标识,之前包括:
采集所述水电厂所有人员的视频序列,组成图像数据库,所述图像数据库包括所述水电厂所有人员的行走图像数据、习惯动作图像数据和作业图像数据;
对所述图像数据库进行预处理,得到预处理后的所述图像数据库,所述预处理包括对利用高斯滤波对所述图像数据库进行处理,并根据边缘损失函数,对弱化后噪音的所述图像数据库进行优化处理;
将处理后的所述图像数据库进行维数约简,求解最佳投影矩阵;
根据所述最佳投影矩阵,提取所述图像数据库中的特征信息标识的数据;
将所述水电厂的待定位的人员的历史图像输入K-NN分类器,利用K-NN分类器对提取到的所述特征信息标识的数据进行分类识别,并根据所述分类识别的结果,鉴别所述水电厂的待定位的人员身份。
优选地,所述获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标,包括:
在每个所述室内划分区域设置采样点;
采集每个所述采样点的收发天线对的信道状态信息数据,根据所述信道状态信息数据的子载波幅度差,构造信道状态信息特征图像;
基于深度卷积神经网络模型,并利用所述信道状态信息特征图像训练所述深度卷积神经网络模型;根据Adam算法,将训练后的所述深度卷积神经网络模型进行优化;
采集所述待定位的人员的目标位置信道状态信息数据,构造所述目标位置的信道状态信息特征图像;
将所述目标位置的所述信道状态信息特征图像输入至所述优化后的所述深度卷积神经网络模型中,神经网络将所述目标位置在每个所述采样点的概率作为权重,计算每个所述采样点坐标的加权平均,得到所述目标位置坐标。
优选地,所述根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置,其中包括:
获取所述摄像装置垂直视野且相交于与监控范围上下边的边界点信息,根据所述像素坐标、所述边界点信息和余弦定理计算得出所述待定位人员在成像时的像素到所述摄像装置的摄像孔的距离;
根据所述距离计算得出所述摄像装置的垂直方位角和所述摄像装置的水平方位角;
根据所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
第二方面,本申请还提供了一种水电厂的人员定位装置,包括获取模块、判断模块、第一计算模块和第二计算模块,其中:
获取模块:用于获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;
判断模块:用于鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置;
第一计算模块:用于获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标;
第二计算模块:用于根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
第三方面,本申请还提供了一种水电厂的人员定位设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述水电厂的人员定位方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于水电厂的人员定位方法的步骤。
本发明的有益效果为:通过先鉴别待定位人员的身份特征信息标识,以及先判断待定位人员是否属于水电厂的划分分区内的做法,缩小了精确定位的范围,实现成本低、可靠性强,不需要太大的人力和物力,节约了成本,并且操作简单的优点,适合在电厂环境中推广应用。
通过至少三个室内划分分区对电厂人员进行定位,可实时获取电厂人员在三维空间中的具体位置,能够识别出电厂人员是具体位于哪个楼层的哪个位置,具有更精确的定位性能,保证了定位结果的精确性和可靠性。
通过对小分区进行管理,当需要查看某个电厂人员所在的位置时,只需要调用某个电厂人员所在分区的摄像头进行实时显示即可,而不用调用所有摄像装置,从而极大的优化了监控系统的运算量,降低了监控系统对硬件配置的需求,降低了企业运营成本。
由于摄像装置位置、姿态可固定,在摄像机安装时即可精确测定摄像机的大地平面坐标和高程,调平相机姿态,根据摄像机的垂直方位角、水平方位角以及摄像机视野角的半角,可直接计算出目标物体的地理坐标,避免了摄像机必须受限于外业标定的问题,从而降低了作业成本,也避免了外业标定不确定因素所带来的精度损失,提高了计算效率和精度。
通过实时记录电厂人员定位数据以形成电厂人员的行动轨迹,一旦发生任何事故,可查看该电厂人员的行动轨迹,从而快速分析出事故原因,以避免下次事故的发生,进一步提升了电厂人员的安全性。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例中所述的水电厂的人员定位方法流程示意图;
图2为本发明实施例中所述的水电厂的人员定位装置结构示意图;
图3为本发明实施例中所述的水电厂的人员定位设备结构示意图。
图中:701、获取模块;702、判断模块;7021、采集单元;7022、预处理单元;7023、求解单元;7024、提取单元;7025、识别单元;703、第一计算模块;7031、设置单元;7032、第一构造单元;7033、优化单元;7034、第二构造单元;7035、第一计算单元;704、第二计算模块;7041、第二计算单元;7042、第三计算单元;7043、第四计算单元;800、水电厂的人员定位设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种水电厂的人员定位方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区。
可以理解的是,在本步骤中,通过至少三个室内划分分区对电厂人员进行定位,可实时获取电厂人员在三维空间中的具体位置,能够识别出电厂人员是具体位于哪个楼层的哪个位置,具有更精确的定位性能,保证了定位结果的精确性和可靠性。
S200、鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置。
需要说明的是,本实施例中此处的特征身份标识作为待识别人员的电子身份标签,便于存储待识别人员的人脸图像以及在预设区域中出现的时间、位置,生成待识别人员的特征身份标识的最终目的是为了通过该特征身份标识查找待识别人员;对目标人员周围情况的判断。特征身份标识包括待定位人员的身份特征、人脸特征和出现的时间、位置特征。
可以理解的是,在S200步骤之前包括S201、S202、S203、S204、和S205,其中:
S201、采集所述水电厂所有人员的视频序列,组成图像数据库,所述图像数据库包括所述水电厂所有人员的行走图像数据、习惯动作图像数据和作业图像数据;
需要采集水电厂所有人员的视频,并且做出集合,其中包括行走图像数据、习惯动作图像数据和作业图像数据,这样可以在识别的时候通过历史记录人员的动作信息可以进行识别,也保障了可以对所有厂内人员是否积极做工、在哪里做工和查看行动轨迹,一旦发生任何事故,可查看该电厂人员的行动轨迹,从而快速分析出事故原因,以避免下次事故的发生。
S202、对所述图像数据库进行预处理,得到预处理后的所述图像数据库,所述预处理包括对利用高斯滤波对所述图像数据库进行处理,并根据边缘损失函数,对弱化后噪音的所述图像数据库进行优化处理;
需要说明的是,在对于噪音弱化方面,可以对数据库中的图像进行高斯滤波处理,经过之前的几个操作,去除背景等已经可以将图像进行读取,但是图像中的噪声也会跟着操作有可能被增强。根据图像中的特点,我们选择高斯滤波对图像进行滤波操作,这样可以在尽可能弱化噪声。
高斯滤波的过程是用一个卷积核扫描图像中每一个像素点,将邻域各个像素值与对应位置的权值相乘并求和,整个过程也可以看作图像与高斯正态分布做卷积操作。这里我们选择大小为3×3,方差为2的高斯正态分布卷积核进行高斯滤波。
S203、将处理后的所述图像数据库进行维数约简,求解最佳投影矩阵;
S204、根据所述最佳投影矩阵,提取所述图像数据库中的特征信息标识的数据;
需要说明的是,最佳投影矩阵的求解具体如下:
对图像数据库中图像向量进行维数约简;
根据k-最近邻准则,构建加权邻域图,并运用自适应最近邻的度量方式,设置邻域权值矩阵;
根据所述的邻域权值矩阵定义目标函数,所述目标函数用以保证同类或不同类最近邻样本点投影后类别不变,且同类点投影后距离变小,不同类点投影后距离拉大;
对目标函数进行优化,并求解优化后的目标函数,得到最佳投影矩阵。
进一步地,设n个高维空间的步态视频图像向量的样本点集X={x1,x2,,xn},维数为D;对应的低维空间的步态视频图像向量的样本点集Y={y1,y2,,yn},维数为D;
自适应最近邻的度量方式为:D(xi-xj)T∑*(xi-xj)
其中:∑=W-1BW-1=W-1/2(W-1/2BW-1/2)W-1/2=W-1/2BW-1/2
∑*=W-1/2(W-1/2BW-1/2+δE)W-1/2=W-1/2(B*+δE)W-1/2
其中,Σ是协方差矩阵,δ为软化参数,Σ*是限定的协方差矩阵,W是求和后的类内协方差矩阵,B是类间协方差矩阵,而W和B中的元素值由每个点周围的k个最近邻点计算得来,各点均有其对应的W矩阵中的元素值和B矩阵中的元素值。并且求得目标函数并优化。
S205、将所述水电厂的待定位的人员的历史图像输入K-NN分类器,利用K-NN分类器对提取到的所述特征信息标识的数据进行分类识别,并根据所述分类识别的结果,鉴别所述水电厂的待定位的人员身份。
目标函数最小化问题转化为求解矩阵特征值与特征向量问题,最佳投影矩阵A可通过分解特征值求出。
假设k为样本点约减的维数,则求出的k个最小非零特征值λ1,λ2,···,λk分别对应于特征向量a1,a2,···,ak,即得出满足此式的最佳投影矩阵A={a1,a2,···,ak}。
为了进行参数选择,选择出最佳的软化参数δ和近邻个数k,将训练样本进行交叉验证,基于网格搜索法,δ的搜索范围为{0,0.01,0.1,0.2,0.5,1,2,5},k的搜索范围为[1,50],步长为1,搜索到步态识别正确率最高的参数组合作为模型的最优参数。
根据最佳投影矩阵A,将测试集数据投影到低维数据特征分类空间,利用K-NN分类器在特征信息标识的数据进行分类识别。
S300、获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标。
可以理解的是,在S300步骤中包括:
在每个所述室内划分区域设置采样点;
采集每个所述采样点的收发天线对的信道状态信息数据,根据所述信道状态信息数据的子载波幅度差,构造信道状态信息特征图像;
需要说明的是,对于有m根发射天线,n根接收天线的MIMO系统,Hi是m×n维度矩阵,可以表示为:
其中hpq(p∈[1,m],q∈[1,n])对应了发射天线p和接收天线q天线流上的子载波幅度和相位的复数。因此,CSI矩阵是一个m×n×N的矩阵。
则CSI的一个特征图像F可以表示为:
中N为子载波数量30。
基于深度卷积神经网络模型,并利用所述信道状态信息特征图像训练所述深度卷积神经网络模型;根据Adam算法,将训练后的所述深度卷积神经网络模型进行优化;
本实施中,卷积神经网络的第一层采用标准卷积,卷积核大小为3×3。然后采用3个深度可分离卷积,每个深度可分离卷积包含一个深度卷积和逐点卷积。标准卷积、逐点卷积和第一个深度卷积的步长设置为1,深度卷积核大小都为3×3。第二个和第三个深度卷积步长设置为2。每个深度卷积和逐点卷积之后都有一个归一化和ReLU操作。网络的最后是一个池化层和全连接层,全连接层的输出大小为参考点的个数。训练所述深度卷积神经网络模型之后,利用Adam算法进行优化。
采集所述待定位的人员的目标位置信道状态信息数据,构造所述目标位置的信道状态信息特征图像;
将所述目标位置的所述信道状态信息特征图像输入至所述优化后的所述深度卷积神经网络模型中,神经网络将所述目标位置在每个所述采样点的概率作为权重,计算每个所述采样点坐标的加权平均,得到所述目标位置坐标。
神经网络将输出目标位置在每个参考点的概率。将目标位置在每个参考点的概率作为权重,计算每个参考点坐标的加权平均,得到最终预测的目标位置坐标。假设共有N个参考点,第i个参考点的位置是Li,目标位置在第i个参考点的概率是Pi,则预测的目标位置可以表示为:
S400、根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
可以理解的是,在S400步骤中包括:
获取所述摄像装置垂直视野且相交于与监控范围上下边的边界点信息,根据所述像素坐标、所述边界点信息和余弦定理计算得出所述待定位人员在成像时的像素到所述摄像装置的摄像孔的距离;
摄像机垂直视野相交于与监控范围上下边的边界点。求得垂直视野最小角度和最大角度;并且计算出垂直视野下射线与摄像头距离地射线的夹角,垂直视野上射线与摄像机距地射线的夹角,以及摄像机当前中心射线的垂直方位角。
根据所述距离计算得出所述摄像装置的垂直方位角和所述摄像装置的水平方位角;
根据所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
水平方位角计算原理与垂直方位角原理一致,可得:
式中,W为图像宽度的一半,βh为摄像机当前水平视野角的半角,xp为目标物P在图像中的X坐标。
首先计算目标物体P距离摄像机的水平距离L,L=zotantv;zo为摄像机距地的高程,因此根据垂直方位角即可计算出摄像机在地面上投影点距离目标物体的距离,即距离L。然后以O为圆心,以L为半径做圆,再以O引出水平方位角的射线,交点就是目标物体的地理坐标。因此可知:
目标物体的地理坐标(xg,xg),其中
xg=x0+Lcosth,yg=y0+Lsinth
(x0,x0)为摄像机所在的大地平面坐标。
即通过所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
实施例2:
如图2所示,本实施例提供了一种水电厂的人员定位装置,参见图2所述装置包括获取模块701、判断模块702、第一计算模块703和第二计算模块704,其中:
获取模块701:用于获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;
判断模块702:用于鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置;
第一计算模块703:用于获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标;
第二计算模块704:用于根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
具体地,所述判断模块702,之前包括采集单元7021、预处理单元7022、求解单元7023、提取单元7024和识别单元7025,其中:
采集单元7021:用于采集所述水电厂所有人员的视频序列,组成图像数据库,所述图像数据库包括所述水电厂所有人员的行走图像数据、习惯动作图像数据和作业图像数据;
预处理单元7022:用于对所述图像数据库进行预处理,得到预处理后的所述图像数据库,所述预处理包括对利用高斯滤波对所述图像数据库进行处理,并根据边缘损失函数,对弱化后噪音的所述图像数据库进行优化处理;
求解单元7023:用于将处理后的所述图像数据库进行维数约简,求解最佳投影矩阵;
提取单元7024:用于根据所述最佳投影矩阵,提取所述图像数据库中的特征信息标识的数据;
识别单元7025:用于将所述水电厂的待定位的人员的历史图像输入K-NN分类器,利用K-NN分类器对提取到的所述特征信息标识的数据进行分类识别,并根据所述分类识别的结果,鉴别所述水电厂的待定位的人员身份。
具体地,所述第一计算模块703,包括设置单元7031、第一构造单元7032、优化单元7033、第二构造单元7034和第一计算单元7035,其中:
设置单元7031:用于在每个所述室内划分区域设置采样点;
第一构造单元7032:用于采集每个所述采样点的收发天线对的信道状态信息数据,根据所述信道状态信息数据的子载波幅度差,构造信道状态信息特征图像;
优化单元7033:用于基于深度卷积神经网络模型,并利用所述信道状态信息特征图像训练所述深度卷积神经网络模型;根据Adam算法,将训练后的所述深度卷积神经网络模型进行优化;
第二构造单元7034:用于采集所述待定位的人员的目标位置信道状态信息数据,构造所述目标位置的信道状态信息特征图像;
第一计算单元7035:用于将所述目标位置的所述信道状态信息特征图像输入至所述优化后的所述深度卷积神经网络模型中,神经网络将所述目标位置在每个所述采样点的概率作为权重,计算每个所述采样点坐标的加权平均,得到所述目标位置坐标。
具体地,所述第二计算模块704,其中包括第二计算单元7041、第三计算单元7042和第四计算单元7043,其中:
第二计算单元7041:用于获取所述摄像装置垂直视野且相交于与监控范围上下边的边界点信息,根据所述像素坐标、所述边界点信息和余弦定理计算得出所述待定位人员在成像时的像素到所述摄像装置的摄像孔的距离;
第三计算单元7042:用于根据所述距离计算得出所述摄像装置的垂直方位角和所述摄像装置的水平方位角;
第四计算单元7043:用于根据所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种水电厂的人员定位设备,下文描述的一种水电厂的人员定位设备与上文描述的一种水电厂的人员定位方法可相互对应参照。
图3是根据示例性实施例示出的一种水电厂的人员定位设备800的框图。如图3所示,该水电厂的人员定位设备800可以包括:处理器801,存储器802。该水电厂的人员定位设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该水电厂的人员定位设备800的整体操作,以完成上述的水电厂的人员定位方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该水电厂的人员定位设备800的操作,这些数据例如可以包括用于在该水电厂的人员定位设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该水电厂的人员定位设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,水电厂的人员定位设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的水电厂的人员定位方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的水电厂的人员定位方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由水电厂的人员定位设备800的处理器801执行以完成上述的水电厂的人员定位方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种水电厂的人员定位方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的水电厂的人员定位方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
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 (10)
1.一种水电厂的人员定位方法,其特征在于,包括:
获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;
鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置;
获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标;
根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
2.根据权利要求1所述的水电厂的人员定位方法,其特征在于,所述鉴别所述水电厂的待定位的人员身份特征信息标识,之前包括:
采集所述水电厂所有人员的视频序列,组成图像数据库,所述图像数据库包括所述水电厂所有人员的行走图像数据、习惯动作图像数据和作业图像数据;
对所述图像数据库进行预处理,得到预处理后的所述图像数据库,所述预处理包括对利用高斯滤波对所述图像数据库进行处理,并根据边缘损失函数,对弱化后噪音的所述图像数据库进行优化处理;
将处理后的所述图像数据库进行维数约简,求解最佳投影矩阵;
根据所述最佳投影矩阵,提取所述图像数据库中的特征信息标识的数据;
将所述水电厂的待定位的人员的历史图像输入K-NN分类器,利用K-NN分类器对提取到的所述特征信息标识的数据进行分类识别,并根据所述分类识别的结果,鉴别所述水电厂的待定位的人员身份。
3.根据权利要求1所述的水电厂的人员定位方法,其特征在于,所述获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标,包括:
在每个所述室内划分区域设置采样点;
采集每个所述采样点的收发天线对的信道状态信息数据,根据所述信道状态信息数据的子载波幅度差,构造信道状态信息特征图像;
基于深度卷积神经网络模型,并利用所述信道状态信息特征图像训练所述深度卷积神经网络模型;根据Adam算法,将训练后的所述深度卷积神经网络模型进行优化;
采集所述待定位的人员的目标位置信道状态信息数据,构造所述目标位置的信道状态信息特征图像;
将所述目标位置的所述信道状态信息特征图像输入至所述优化后的所述深度卷积神经网络模型中,神经网络将所述目标位置在每个所述采样点的概率作为权重,计算每个所述采样点坐标的加权平均,得到所述目标位置坐标。
4.根据权利要求1所述的水电厂的人员定位方法,其特征在于,所述根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置,其中包括:
获取所述摄像装置垂直视野且相交于与监控范围上下边的边界点信息,根据所述像素坐标、所述边界点信息和余弦定理计算得出所述待定位人员在成像时的像素到所述摄像装置的摄像孔的距离;
根据所述距离计算得出所述摄像装置的垂直方位角和所述摄像装置的水平方位角;
根据所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
5.一种水电厂的人员定位装置,其特征在于,包括:
获取模块:用于获取水电厂室内区域信息,所述水电厂室内区域信息包括至少三个室内划分分区;
判断模块:用于鉴别所述水电厂的待定位的人员身份特征信息标识,并通过单维关联规则生成;判断所述身份特征信息标识是否与所述待定位的人员相关联,若所述身份特征信息标识与所述待定位的人员相关联时,获取所述待定位人员所在的室内划分分区的位置;
第一计算模块:用于获取所述室内划分分区的摄像装置的实时视频画面图像,对于当前获取的图像,计算所述待定位的人员的像素坐标;
第二计算模块:用于根据所述像素坐标和所述摄像装置的方位角,计算所述待定位人员的地理位置。
6.根据权利要求5所述的水电厂的人员定位装置,其特征在于,所述判断模块,之前包括:
采集单元:用于采集所述水电厂所有人员的视频序列,组成图像数据库,所述图像数据库包括所述水电厂所有人员的行走图像数据、习惯动作图像数据和作业图像数据;
预处理单元:用于对所述图像数据库进行预处理,得到预处理后的所述图像数据库,所述预处理包括对利用高斯滤波对所述图像数据库进行处理,并根据边缘损失函数,对弱化后噪音的所述图像数据库进行优化处理;
求解单元:用于将处理后的所述图像数据库进行维数约简,求解最佳投影矩阵;
提取单元:用于根据所述最佳投影矩阵,提取所述图像数据库中的特征信息标识的数据;
识别单元:用于将所述水电厂的待定位的人员的历史图像输入K-NN分类器,利用K-NN分类器对提取到的所述特征信息标识的数据进行分类识别,并根据所述分类识别的结果,鉴别所述水电厂的待定位的人员身份。
7.根据权利要求5所述的水电厂的人员定位装置,其特征在于,所述第一计算模块,包括:
设置单元:用于在每个所述室内划分区域设置采样点;
第一构造单元:用于采集每个所述采样点的收发天线对的信道状态信息数据,根据所述信道状态信息数据的子载波幅度差,构造信道状态信息特征图像;
优化单元:用于基于深度卷积神经网络模型,并利用所述信道状态信息特征图像训练所述深度卷积神经网络模型;根据Adam算法,将训练后的所述深度卷积神经网络模型进行优化;
第二构造单元:用于采集所述待定位的人员的目标位置信道状态信息数据,构造所述目标位置的信道状态信息特征图像;
第一计算单元:用于将所述目标位置的所述信道状态信息特征图像输入至所述优化后的所述深度卷积神经网络模型中,神经网络将所述目标位置在每个所述采样点的概率作为权重,计算每个所述采样点坐标的加权平均,得到所述目标位置坐标。
8.根据权利要求5所述的水电厂的人员定位装置,其特征在于,所述第二计算模块,其中包括:
第二计算单元:用于获取所述摄像装置垂直视野且相交于与监控范围上下边的边界点信息,根据所述像素坐标、所述边界点信息和余弦定理计算得出所述待定位人员在成像时的像素到所述摄像装置的摄像孔的距离;
第三计算单元:用于根据所述距离计算得出所述摄像装置的垂直方位角和所述摄像装置的水平方位角;
第四计算单元:用于根据所述摄像装置的位置信息、所述垂直方位角和所述水平方位角,计算得出所述待定位人员的地理坐标。
9.一种水电厂的人员定位设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述水电厂的人员定位方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述水电厂的人员定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958603.7A CN115546710A (zh) | 2022-08-09 | 2022-08-09 | 水电厂的人员定位方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958603.7A CN115546710A (zh) | 2022-08-09 | 2022-08-09 | 水电厂的人员定位方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546710A true CN115546710A (zh) | 2022-12-30 |
Family
ID=84724215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958603.7A Pending CN115546710A (zh) | 2022-08-09 | 2022-08-09 | 水电厂的人员定位方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546710A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805277A (zh) * | 2023-08-18 | 2023-09-26 | 吉奥时空信息技术股份有限公司 | 一种视频监控目标节点像素坐标转换方法及系统 |
CN118038008A (zh) * | 2024-04-15 | 2024-05-14 | 武汉人云智物科技有限公司 | 基于ptz多摄像头联动的水电厂人员定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241870A (zh) * | 2018-08-16 | 2019-01-18 | 中国矿业大学(北京) | 基于步态识别的煤矿井下人员身份识别方法 |
CN111047621A (zh) * | 2019-11-15 | 2020-04-21 | 云从科技集团股份有限公司 | 一种目标对象追踪方法、系统、设备及可读介质 |
CN111080679A (zh) * | 2020-01-02 | 2020-04-28 | 东南大学 | 一种对大型场所室内人员动态跟踪定位的方法 |
CN111918388A (zh) * | 2020-08-17 | 2020-11-10 | 南京邮电大学 | 基于深度可分离卷积的csi指纹被动式定位方法 |
CN112712557A (zh) * | 2020-12-17 | 2021-04-27 | 上海交通大学 | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 |
CN113223087A (zh) * | 2021-07-08 | 2021-08-06 | 武大吉奥信息技术有限公司 | 一种基于视频监控的目标物体地理坐标定位方法和装置 |
WO2021217859A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-09 CN CN202210958603.7A patent/CN115546710A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241870A (zh) * | 2018-08-16 | 2019-01-18 | 中国矿业大学(北京) | 基于步态识别的煤矿井下人员身份识别方法 |
CN111047621A (zh) * | 2019-11-15 | 2020-04-21 | 云从科技集团股份有限公司 | 一种目标对象追踪方法、系统、设备及可读介质 |
CN111080679A (zh) * | 2020-01-02 | 2020-04-28 | 东南大学 | 一种对大型场所室内人员动态跟踪定位的方法 |
WO2021217859A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
CN111918388A (zh) * | 2020-08-17 | 2020-11-10 | 南京邮电大学 | 基于深度可分离卷积的csi指纹被动式定位方法 |
CN112712557A (zh) * | 2020-12-17 | 2021-04-27 | 上海交通大学 | 一种基于卷积神经网络的超分辨率cir室内指纹定位方法 |
CN113223087A (zh) * | 2021-07-08 | 2021-08-06 | 武大吉奥信息技术有限公司 | 一种基于视频监控的目标物体地理坐标定位方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805277A (zh) * | 2023-08-18 | 2023-09-26 | 吉奥时空信息技术股份有限公司 | 一种视频监控目标节点像素坐标转换方法及系统 |
CN116805277B (zh) * | 2023-08-18 | 2024-01-26 | 吉奥时空信息技术股份有限公司 | 一种视频监控目标节点像素坐标转换方法及系统 |
CN118038008A (zh) * | 2024-04-15 | 2024-05-14 | 武汉人云智物科技有限公司 | 基于ptz多摄像头联动的水电厂人员定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321853B (zh) | 基于视频智能检测的分布式电缆防外破系统 | |
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
EP3340106B1 (en) | Method and system for assigning particular classes of interest within measurement data | |
CN115546710A (zh) | 水电厂的人员定位方法、装置、设备及可读存储介质 | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN112887902B (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
CN111879305B (zh) | 一种面向高危生产环境的多模态感知定位模型与系统 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
Ghorbanzadeh et al. | Dwelling extraction in refugee camps using cnn–first experiences and lessons learnt | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
Imran et al. | A Novel Indoor Positioning System Using Kernel Local Discriminant Analysis in Internet‐of‐Things | |
CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
US11503468B2 (en) | System and method for continuously validating and authenticating a host and sensor pair | |
El Boudani et al. | Positioning as service for 5g iot networks | |
WO2023187251A1 (en) | Method and system for remotely analysing trees | |
Alves et al. | Lightning Warning Prediction with Multi-source Data | |
Abraha et al. | MRILoc: Multiresolution indoor localization from crowdsourced samples | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 | |
Konstantinou | Vision-based construction worker task productivity monitoring | |
Jain et al. | RSS fingerprints based distributed semi-supervised locally linear embedding (DSSLLE) location estimation system for indoor WLAN |
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: 20221230 |