CN115797864B - 一种应用于智慧社区的安全管理系统 - Google Patents
一种应用于智慧社区的安全管理系统 Download PDFInfo
- Publication number
- CN115797864B CN115797864B CN202211542737.7A CN202211542737A CN115797864B CN 115797864 B CN115797864 B CN 115797864B CN 202211542737 A CN202211542737 A CN 202211542737A CN 115797864 B CN115797864 B CN 115797864B
- Authority
- CN
- China
- Prior art keywords
- people
- grid
- partition
- personnel
- partitions
- 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
- 238000005192 partition Methods 0.000 claims abstract description 144
- 238000012544 monitoring process Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 210000003414 extremity Anatomy 0.000 claims description 36
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 210000003423 ankle Anatomy 0.000 claims description 2
- 210000003127 knee Anatomy 0.000 claims description 2
- 230000003370 grooming effect Effects 0.000 claims 3
- 230000001771 impaired effect Effects 0.000 claims 1
- 239000006185 dispersion Substances 0.000 abstract 1
- 230000036544 posture Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种应用于智慧社区的安全管理系统，包括人流监控云平台、社区摄像机和向导机器人。人流监控云平台包括密度分析模块、区域重构模块、群体分析模块和指令生成模块。人流监控云平台对目标社区中的各个内部场所做均匀化的网格处理以得到目标社区的若干网格分区，将目标楼宇的历史人流量数据引入各个网格分区中得到各个网格分区的人员密度特征向量；基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区；对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员；在特殊人员相邻区域内的人员间距大于预设阈值时，生成人群疏导指令发送给向导机器人。
Description
技术领域
本发明涉及智慧社区和大数据领域，尤其涉及一种应用于智慧社区的安全管理系统。
背景技术
智慧社区是计算机网络技术，信息处理技术和社区管理需要相结合的产物。随着城市化进程不断加快，大数据、人工智能、5G等新兴技术正赋予城市向智能化，城市的数字化应用场景变得越来越多，智慧社区作为城市的重要组成部分，其智能化将是未来智慧城市的重要组成部分。
社区安全管理除了传统的消防安全和交通安全之外，还需要对相对复杂的其他事件进行基本的监测和响应。该类复杂事件通常会引起人员的聚集。例如，具有陌生面孔(未在社区数据库的常住人口图像数据范围内)的疑似非法份子强行闯入；监控区域内发生人员跌倒、打架事件和人员口角事件。这些事件会导致监控范围内的局部人流密度增加，形成潜在的安全风险。
按照社区安全管理的基本规则和要求，需要对前述事件造成的人员聚集进行识别预警，对部分区域进行人员疏导，从而降低安全风险。
发明内容
针对现有技术之不足，本发明提供了一种应用于智慧社区的安全管理系统，包括人流监控云平台、社区摄像机和向导机器人，人流监控云平台与社区摄像机器人和向导机器人之间均具有通信连接；
人流监控云平台包括密度分析模块、区域重构模块、群体分析模块和指令生成模块；
密度分析模块基于获取到的目标社区的内部环境监测图像的全局灰度特征对目标社区中的各个内部场所做均匀化的网格处理以得到目标社区的若干网格分区，将目标社区的历史人流量数据引入目标社区的各个网格分区中以得到对应历史时刻下各个网格分区的人员密度特征向量，其中，所述外部环境监测图像表征目标社区的内部场所处于空闲时期的环境状态；
区域重构模块基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区，并对每个场所分区进行编号；
群体识别模块基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区，对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员，其中，所述人流监测图像表征目标社区的内部场所处于非空闲时期的环境状态；
指令生成模块对特殊人员相邻区域内的人员间距进行分析，在所述人员间距大于预设阈值时，基于所述人员间距、密集人流分区的区域编号和特殊人员的位置信息生成相应的人群疏导指令，并将其发送给目标社区内部的向导机器人；
向导机器人响应于接收到的人群疏导指令对特殊人员的周围区域进行人群疏导。
根据一个优选实施方式，基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区包括：
基于实时获取到的人流监测图像的横向梯度信息和纵向梯度信息识别每个场所分区中的人体连通区域和人体非连通区域，根据人体非连通区域中各个边缘特征点的位置信息判断对应边缘特征点是否为区域端点；
对不为区域端点的边缘特征点，将所述边缘特征点与其邻域范围内所有不为区域端点的相邻边缘特征点进行连接得到所述边缘特征点的若干邻接线段，并提取每个邻接线段的线段特征将其与相邻邻接线段的线段特征进行比较，其中，所述线段特征用于表征对应邻接线段的斜率特征；
若存在任一邻接线段的线段特征与其相邻邻接线段的线段特征不同，将所述边缘特征点作为第一观测关键点，将为区域端点的边缘特征点作为第二观测关键点，并根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型；
对人体连通区域内的行人进行计数以得到所述人体连通区域在连续图像帧中稳定存在的人员数量，基于所述人员数量以及所述人体观测模型在连续图像帧中反映的物体运动规律分析得到对应场所分区的人流密度，根据所述人流密度确定对应场所分区是否为目标社区的密集人流分区。
根据一个优选实施方式，所述人群疏导指令包括特殊人员的位置信息、疏导间距、目标疏导区域的位置信息和区域编号。
根据一个优选实施方式，所述对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员包括：
基于获取到的人流监测图像提取对应场所分区中各个行人的肢体关键点，并对各个肢体关键点进行上下文检测以为每个行人构建相应的肢体关系树，并根据肢体关系树中各个肢体关键点之间的相对位置识别在相应人流监测图像中对应行人各肢体关节呈现的姿态角；
基于对应行人各肢体关节在不同视角下的人流监测图像中呈现的姿态角为不同视角下的人流监测图像建立相应的线性变换模型，并根据所述线性变换模型分析得到对应行人各肢体关节在不同视角下的投影关系；
基于所述投影关系将相应行人的各肢体关节在不同视角下的运动特征规范化至相同视角的特征空间中以得到对应行人各肢体关节的不变姿态特征，拼接融合对应行人各肢体关节的不变姿态特征以得到对应行人的人体姿态特征，将连续监测以获取到的每个行人的人体姿态序列与特殊人员的先验运动知识进行匹配以识别密集人流分区中的特殊人员，其中，所述人体姿态序列包括若干按序排列的人体姿态特征。
根据一个优选实施方式，所述肢体关键点包括手关节点、肘关节点、肩关节点、臀关节点、膝关节点和踝关节点。
根据一个优选实施方式，对特殊人员相邻区域内的人员间距进行分析包括：
对特殊人员的头部所在区域进行特征提取以为特殊人员的头部形成相应的第一特征参数列表，其中，所述第一特征参数列表包括特殊人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
对相邻区域内人员的头部所在区域进行特征提取以为相邻区域内人员的头部形成相应的第二特征参数列表，其中，所述第二特征参数列表包括相邻区域内的人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
基于特殊人员头部的第一特征参数列表、相邻区域内每个人员头部的第二特征参数列表和每帧人流监测图像在不同视角下的投影关系分析得到对应特殊人员相邻区域内的人员间距。
所述特殊人员为行动不便的特殊群体，其包括陌生人、意外跌倒的人和口角之争的人。
根据一个优选实施方式，基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区包括：
获取每个网格分区在不同历史时刻下的人员密度特征向量，并根据每个网格分区在不同历史时刻下的人员密度特征向量确定各个网格分区的第一人员分布特征和第二人员分布特征，其中，所述第一人员分部特征用于表征对应网格分区在不同时空下人员分布的密度均值，所述第二人员分部特征用于表征对应网格分区在不同时空下人员分布的密度标准差；
将每个网格分区在不同时空下的第一人员分布特征和第二人员分布特征按序排列组成相应的人员密度特征矩阵，根据所述人员密度特征矩阵对各个网格分区的人流量的移动特征进行分析以得到对应网格分区的网格活跃度；
对网格活跃度低于预设的第一活跃度阈值的邻近网格分区进行融合以增大对应网格分区的区域面积，对网格活跃度高于预设的第二活跃度阈值的邻近网格分区进行再划分以减小对应网格分区的区域面积，将所有融合后的网格分区以及再划分后的网格分区作为目标楼宇的若干场所分区。
根据一个优选实施方式，所述人体连通区域为包含人体完整轮廓特征的图像区域，所述人体非连通区域为未包含人体完整轮廓特征的图像区域。
根据一个优选实施方式，根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型包括：
根据对应第一观测关键点的深度值获取对应邻域范围内与所述第一观测关键点的深度差值最大的第一图像特征点，根据对应第二观测关键点的深度值获取对应邻域范围内与所述第二观测关键点的深度差值最大的第二图像特征点；
将所述第一观测关键点与对应的第一图像特征点进行连接得到第一连接线，将所述第二观测关键点与对应第二图像特征点进行连接得到第二连接线，基于所有第一连接线和所有第二连接线构成的空间形状为所述非连通区域建立相应的人体观测模型。
本发明具有以下有益效果：
本发明通过对社区内部人流进行监测，识别密集人流分区，再对密集人流分区的行人的运动姿态进行连续监测以识别该分区内的特殊群体，能够及时发现拥挤人群和异常行为并进行预警。此外，通过采取相应的疏导措施对特殊群体周围区域进行疏导，实现对特殊群体的重点监测。
附图说明
图1为一示例性实施例提供的应用于智慧社区的安全管理系统的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。基于本发明的实施例，本领域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，都属于本发明保护的范围。
如图1所示，在一个实施例中，本发明的应用于智慧社区的安全管理系统包括人流监控云平台、社区摄像机和向导机器人。人流监控云平台与社区摄像机器人和向导机器人之间均具有通信连接。社区摄像机用于对目标社区的各个内部场所的人员流动状态进行监视，其包括环视摄像头、单目摄像机、双目摄像机和三目摄像机。向导机器人用于对拥挤人群进行疏导。
人流监控云平台包括密度分析模块、区域重构模块、群体分析模块和指令生成模块。
密度分析模块用于根据获取到的目标社区的内部环境监测图像的全局灰度特征对目标社区中的各个内部场所做均匀化的网格处理以得到目标楼宇的若干网格分区，将目标社区的历史人流量数据引入目标社区的各个网格分区中以得到对应历史时刻下各个网格分区的人员密度特征向量，其中，所述内部环境监测图像表征目标社区的内部场所所处于空闲时期的环境状态；
区域重构模块用于根据所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区，并对每个场所分区进行编号；
群体识别模块用于根据实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区，对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员，其中，所述人流监测图像表征目标社区的内部场所处于非空闲时期的环境状态；
指令生成模块用于对特殊人员相邻区域内的人员间距进行分析，在所述人员间距大于预设阈值时，基于所述人员间距、密集人流分区的区域编号和特殊人员的位置信息生成相应的人群疏导指令，并将其发送给目标社区内部的向导机器人。
下面对本发明的工作方法进行具体说明。具体的，应用于智慧社区的安全管理系统的处理方法可以包括：
S10、密度分析模块基于获取到的目标社区的内部环境监测图像的全局灰度特征对目标社区中的各个内部场所做均匀化的网格处理以得到目标社区的若干网格分区，将目标社区的历史人流量数据引入目标社区的各个网格分区中以得到对应历史时刻下各个网格分区的人员密度特征向量，其中，所述内部环境监测图像表征目标社区的内部场所处于空闲时期的环境状态。
可选地，全局灰度特征表征对应内部环境监测图像中各个像素点的像素值和分布位置。所述历史人流量数据为历史获取到的目标社区的人员流动信息。
S20、区域重构模块基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区，并对每个场所分区进行编号。
具体地，基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区包括：
获取每个网格分区在不同历史时刻下的人员密度特征向量，并根据每个网格分区在不同历史时刻下的人员密度特征向量确定各个网格分区的第一人员分布特征和第二人员分布特征，其中，所述第一人员分部特征用于表征对应网格分区在不同时空下人员分布的密度均值，所述第二人员分部特征用于表征对应网格分区在不同时空下人员分布的密度标准差；
将每个网格分区在不同时空下的第一人员分布特征和第二人员分布特征按序排列组成相应的人员密度特征矩阵，根据所述人员密度特征矩阵对各个网格分区的人流量的移动特征进行分析以得到对应网格分区的网格活跃度；
对网格活跃度低于预设的第一活跃度阈值的邻近网格分区进行融合以增大对应网格分区的区域面积，对网格活跃度高于预设的第二活跃度阈值的邻近网格分区进行再划分以减小对应网格分区的区域面积，将所有融合后的网格分区以及再划分后的网格分区作为目标社区的若干场所分区。
可选地，所述第一活跃度阈值为系统预先设置的用于识别对应网格分区的人流密度是否较低的数值，所述第二活跃度阈值为系统预先设置的用于识别对应网格分区的人流密度是否较高的数值。
可选地，所述网格活跃度的计算公式为：
其中，A为网格活跃度，T为总时空，i为总时空中各个时间点的索引，m为网格分区的面积，μ为对应网格分区在不同时空下的密度均值之差的权重系数，δ为对应网格分区在不同时空下的密度标准差的差值的权重系数，Ei-Ei-1为对应网格分区在不同时空下的密度均值之差，σi-σi-1为对应网格分区在不同时空下的密度标准差的差值。
可选地，对每个场所分区进行编号，通过所述编号对每个场所分区进行唯一标识。所述邻近网格分区为与目标网格分区左(右)相邻或上(下)相邻的网格分区。
S30、群体识别模块基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标楼宇的若干密集人流分区，对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员，其中，所述人流监测图像表征目标社区的内部场所处于非空闲时期的环境状态。
可选地，所述特殊人员为行动不便的特殊群体，其包括陌生人、意外跌倒的人和口角之争的人。
具体地，基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区包括：
基于实时获取到的人流监测图像的横向梯度信息和纵向梯度信息识别每个场所分区中的人体连通区域和人体非连通区域，根据人体非连通区域中各个边缘特征点的位置信息判断对应边缘特征点是否为区域端点；
对不为区域端点的边缘特征点，将所述边缘特征点与其邻域范围内所有不为区域端点的相邻边缘特征点进行连接得到所述边缘特征点的若干邻接线段，并提取每个邻接线段的线段特征将其与相邻邻接线段的线段特征进行比较，其中，所述线段特征用于表征对应邻接线段的斜率特征；
若存在任一邻接线段的线段特征与其相邻邻接线段的线段特征不同，将所述边缘特征点作为第一观测关键点，将为区域端点的边缘特征点作为第二观测关键点，并根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型；
对人体连通区域内的行人进行计数以得到所述人体连通区域在连续图像帧中稳定存在的人员数量，基于所述人员数量以及所述人体观测模型在连续图像帧中反映的物体运动规律分析得到对应场所分区的人流密度，根据所述人流密度确定对应场所分区是否为目标社区的密集人流分区。
可选地，所述横向梯度信息和纵向梯度信息均由对应人流监测图像的全局灰度特征分析所得。所述区域端点为对应边缘轮廓的轮廓中止点。
所述邻域范围为系统预设的距离范围，一般根据人体非连通区域的面积确定，所述相邻边缘特征点为存在于目标边缘特征点的邻域范围内的边缘特征点。
可选地，所述邻接线段为目标边缘特征点与其相邻边缘特征点之间的连线，所述相邻邻接线段为目标边缘特征点的相邻边缘特征点之间的连线。
可选地，所述人体连通区域为包含人体完整轮廓特征的图像区域，所述人体非连通区域为未包含人体完整轮廓特征的图像区域。
具体地，根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型包括：
根据对应第一观测关键点的深度值获取对应邻域范围内与所述第一观测关键点的深度差值最大的第一图像特征点，根据对应第二观测关键点的深度值获取对应邻域范围内与所述第二观测关键点的深度差值最大的第二图像特征点；
将所述第一观测关键点与对应的第一图像特征点进行连接得到第一连接线，将所述第二观测关键点与对应第二图像特征点进行连接得到第二连接线，基于所有第一连接线和所有第二连接线构成的空间形状为所述非连通区域建立相应的人体观测模型。
具体地，所述对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员包括：
基于获取到的人流监测图像提取对应场所分区中各个行人的肢体关键点，并对各个肢体关键点进行上下文检测以为每个行人构建相应的肢体关系树，并根据肢体关系树中各个肢体关键点之间的相对位置识别在相应人流监测图像中对应行人各肢体关节呈现的姿态角；
基于对应行人各肢体关节在不同视角下的人流监测图像中呈现的姿态角为不同视角下的人流监测图像建立相应的线性变换模型，并根据所述线性变换模型分析得到对应行人各肢体关节在不同视角下的投影关系；
基于所述投影关系将相应行人的各肢体关节在不同视角下的运动特征规范化至相同视角的特征空间中以得到对应行人各肢体关节的不变姿态特征，拼接融合对应行人各肢体关节的不变姿态特征以得到对应行人的人体姿态特征，将连续监测以获取到的每个行人的人体姿态序列与特殊人员的先验运动知识进行匹配以识别密集人流分区中的特殊人员，其中，所述人体姿态序列包括若干按序排列的人体姿态特征。
可选地，本发明通过对多视角下的人流监测图像进行分析，提高了分析结果的准确性，能够及时准确的发现拥挤人群和异常行为并进行疏导，避免悲剧的发生。
可选地，所述肢体关键点包括手关节点、肘关节点、肩关节点、臀关节点、膝关节点和踝关节点。所述先验运动知识为存储于数据库中的特殊人员的人体先验运动特征。
S40、指令生成模块对特殊人员相邻区域内的人员间距进行分析，在所述人员间距大于预设阈值时，基于所述人员间距、密集人流分区的区域编号和特殊人员的位置信息生成相应的人群疏导指令，并将其发送给目标楼宇内部的向导机器人。
具体地，对特殊人员相邻区域内的人员间距进行分析包括：
对特殊人员的头部所在区域进行特征提取以为特殊人员的头部形成相应的第一特征参数列表，其中，所述第一特征参数列表包括特殊人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
对相邻区域内人员的头部所在区域进行特征提取以为相邻区域内人员的头部形成相应的第二特征参数列表，其中，所述第二特征参数列表包括相邻区域内的人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
基于特殊人员头部的第一特征参数列表、相邻区域内每个人员头部的第二特征参数列表和每帧人流监测图像在不同视角下的投影关系分析得到对应特殊人员相邻区域内的人员间距。
可选地，所述预设阈值为系统预先设置的用于判断特殊人员相邻区域内的人员间距是否过小的数值。所述相邻区域即为以特征人员为中心，以预设距离为半径划分所得的区域范围。所述特殊人员的位置信息即为特殊人员在对应密集人流分区内的位置坐标。
S50、向导机器人响应于接收到的人群疏导指令对特殊人员的周围区域进行人群疏导。
可选地，所述人群疏导指令包括特殊人员的位置信息、疏导间距、目标疏导区域的位置信息和区域编号。所述区域编号即为对应场所分区的区域编号。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另外，虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。另外，本文讨论的特定模块执行动作包括该特定模块本身执行动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此，执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
Claims (10)
1.一种应用于智慧社区的安全管理系统，其特征在于，其包括人流监控云平台、社区摄像机和向导机器人，所述人流监控云平台与社区摄像机器人和向导机器人之间均具有通信连接；
人流监控云平台包括密度分析模块、区域重构模块、群体分析模块和指令生成模块；
密度分析模块基于获取到的目标社区的内部环境监测图像的全局灰度特征对目标社区中的各个内部场所做均匀化的网格处理以得到目标社区的若干网格分区，将目标社区的历史人流量数据引入目标社区的各个网格分区中以得到对应历史时刻下各个网格分区的人员密度特征向量，其中，所述内部环境监测图像表征目标社区的内部场所处于空闲时期的环境状态；
区域重构模块基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区，并对每个场所分区进行编号；
群体分析模块基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区，对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员，其中，所述人流监测图像表征目标社区的内部场所所处于非空闲时期的环境状态；
指令生成模块对特殊人员相邻区域内的人员间距进行分析，在所述人员间距大于预设阈值时，基于所述人员间距、密集人流分区的区域编号和特殊人员的位置信息生成相应的人群疏导指令，并将其发送给目标社区内部的向导机器人；
向导机器人响应于接收到的人群疏导指令对特殊人员的周围区域进行人群疏导。
2.根据权利要求1所述的系统，其特征在于，基于实时获取到的人流监测图像对每个场所分区的人流密度进行分析以得到目标社区的若干密集人流分区包括：
基于实时获取到的人流监测图像的横向梯度信息和纵向梯度信息识别每个场所分区中的人体连通区域和人体非连通区域，根据人体非连通区域中各个边缘特征点的位置信息判断对应边缘特征点是否为区域端点；
对不为区域端点的边缘特征点，将所述边缘特征点与其邻域范围内所有不为区域端点的相邻边缘特征点进行连接得到所述边缘特征点的若干邻接线段，并提取每个邻接线段的线段特征将其与相邻邻接线段的线段特征进行比较，其中，所述线段特征用于表征对应邻接线段的斜率特征；
若存在任一邻接线段的线段特征与其相邻邻接线段的线段特征不同，将所述边缘特征点作为第一观测关键点，将为区域端点的边缘特征点作为第二观测关键点，并根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型；
对人体连通区域内的行人进行计数以得到所述人体连通区域在连续图像帧中稳定存在的人员数量，基于所述人员数量以及所述人体观测模型在连续图像帧中反映的物体运动规律分析得到对应场所分区的人流密度，根据所述人流密度确定对应场所分区是否为目标社区的密集人流分区。
3.根据权利要求2所述的系统，其特征在于，所述人群疏导指令包括特殊人员的位置信息、疏导间距、目标疏导区域的位置信息和区域编号。
4.根据权利要求3所述的系统，其特征在于，所述对每个处于密集人流分区的行人的运动姿态进行连续监测以识别密集人流分区中的特殊人员包括：
基于获取到的人流监测图像提取对应场所分区中各个行人的肢体关键点，并对各个肢体关键点进行上下文检测以为每个行人构建相应的肢体关系树，并根据肢体关系树中各个肢体关键点之间的相对位置识别在相应人流监测图像中对应行人各肢体关节呈现的姿态角；
基于对应行人各肢体关节在不同视角下的人流监测图像中呈现的姿态角为不同视角下的人流监测图像建立相应的线性变换模型，并根据所述线性变换模型分析得到对应行人各肢体关节在不同视角下的投影关系；
基于所述投影关系将相应行人的各肢体关节在不同视角下的运动特征规范化至相同视角的特征空间中以得到对应行人各肢体关节的不变姿态特征，拼接融合对应行人各肢体关节的不变姿态特征以得到对应行人的人体姿态特征，将连续监测以获取到的每个行人的人体姿态序列与特殊人员的先验运动知识进行匹配以识别密集人流分区中的特殊人员，其中，所述人体姿态序列包括若干按序排列的人体姿态特征。
5.根据权利要求4所述的系统，其特征在于，所述肢体关键点包括手关节点、肘关节点、肩关节点、臀关节点、膝关节点和踝关节点。
6.根据权利要求5所述的系统，其特征在于，对特殊人员相邻区域内的人员间距进行分析包括：
对特殊人员的头部所在区域进行特征提取以为特殊人员的头部形成相应的第一特征参数列表，其中，所述第一特征参数列表包括特殊人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
对相邻区域内人员的头部所在区域进行特征提取以为相邻区域内人员的头部形成相应的第二特征参数列表，其中，所述第二特征参数列表包括相邻区域内的人员头部在不同视角下的质心点坐标、质心点坐标集合、头部对角线长度、头部面积、人头编号和匹配的连续帧数；
基于特殊人员头部的第一特征参数列表、相邻区域内每个人员头部的第二特征参数列表和每帧人流监测图像在不同视角下的投影关系分析得到对应特殊人员相邻区域内的人员间距。
7.根据权利要求6所述的系统，其特征在于，所述特殊人员为行动异常的特殊群体，包括陌生人、意外跌倒的人和口角之争的人。
8.根据权利要求7所述的系统，其特征在于，基于所述人员密度特征向量对每个网格分区进行融合处理以形成目标社区的若干场所分区包括：
获取每个网格分区在不同历史时刻下的人员密度特征向量，并根据每个网格分区在不同历史时刻下的人员密度特征向量确定各个网格分区的第一人员分布特征和第二人员分布特征，其中，所述第一人员分部特征用于表征对应网格分区在不同时空下人员分布的密度均值，所述第二人员分部特征用于表征对应网格分区在不同时空下人员分布的密度标准差；
将每个网格分区在不同时空下的第一人员分布特征和第二人员分布特征按序排列组成相应的人员密度特征矩阵，根据所述人员密度特征矩阵对各个网格分区的人流量的移动特征进行分析以得到对应网格分区的网格活跃度；
对网格活跃度低于预设的第一活跃度阈值的邻近网格分区进行融合以增大对应网格分区的区域面积，对网格活跃度高于预设的第二活跃度阈值的邻近网格分区进行再划分以减小对应网格分区的区域面积，将所有融合后的网格分区以及再划分后的网格分区作为目标社区的若干场所分区。
9.根据权利要求2所述的系统，其特征在于，所述人体连通区域为包含人体完整轮廓特征的图像区域，所述人体非连通区域为未包含人体完整轮廓特征的图像区域。
10.根据权利要求9所述的系统，其特征在于，根据每个第一观测关键点对应的深度值和每个第二观测关键点对应的深度值为所述非连通区域建立相应的人体观测模型包括：
根据对应第一观测关键点的深度值获取对应邻域范围内与所述第一观测关键点的深度差值最大的第一图像特征点，根据对应第二观测关键点的深度值获取对应邻域范围内与所述第二观测关键点的深度差值最大的第二图像特征点；
将所述第一观测关键点与对应的第一图像特征点进行连接得到第一连接线，将所述第二观测关键点与对应第二图像特征点进行连接得到第二连接线，基于所有第一连接线和所有第二连接线构成的空间形状为所述非连通区域建立相应的人体观测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211542737.7A CN115797864B (zh) | 2022-12-02 | 2022-12-02 | 一种应用于智慧社区的安全管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211542737.7A CN115797864B (zh) | 2022-12-02 | 2022-12-02 | 一种应用于智慧社区的安全管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115797864A CN115797864A (zh) | 2023-03-14 |
| CN115797864B true CN115797864B (zh) | 2024-02-06 |
Family
ID=85445302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211542737.7A Active CN115797864B (zh) | 2022-12-02 | 2022-12-02 | 一种应用于智慧社区的安全管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797864B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992907B (zh) * | 2023-07-27 | 2024-03-29 | 珠海昊宇科技有限公司 | 一种物联网管理系统及方法 |
| CN117058627B (zh) * | 2023-10-13 | 2023-12-26 | 阳光学院 | 一种公共场所人群安全距离监测方法、介质及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096522A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
| CN108710879A (zh) * | 2018-04-20 | 2018-10-26 | 江苏大学 | 一种基于网格聚类算法的行人候选区域生成方法 |
| CN112148828A (zh) * | 2020-09-30 | 2020-12-29 | 广元量知汇科技有限公司 | 基于智慧社区的应急管理方法 |
| CN114399726A (zh) * | 2021-12-06 | 2022-04-26 | 上海市黄浦区城市运行管理中心(上海市黄浦区城市网格化综合管理中心、上海市黄浦区大数据中心) | 实时智能监测客流及预警的方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9183512B2 (en) * | 2011-12-15 | 2015-11-10 | Northeastern University | Real-time anomaly detection of crowd behavior using multi-sensor information |
-
2022
- 2022-12-02 CN CN202211542737.7A patent/CN115797864B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096522A (zh) * | 2016-06-02 | 2016-11-09 | 苏州大学 | 一种基于网格划分的拥挤踩踏预警方法及装置 |
| CN108710879A (zh) * | 2018-04-20 | 2018-10-26 | 江苏大学 | 一种基于网格聚类算法的行人候选区域生成方法 |
| CN112148828A (zh) * | 2020-09-30 | 2020-12-29 | 广元量知汇科技有限公司 | 基于智慧社区的应急管理方法 |
| CN114399726A (zh) * | 2021-12-06 | 2022-04-26 | 上海市黄浦区城市运行管理中心(上海市黄浦区城市网格化综合管理中心、上海市黄浦区大数据中心) | 实时智能监测客流及预警的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115797864A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115797864B (zh) | 一种应用于智慧社区的安全管理系统 | |
| CN110428448B (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
| CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
| CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
| WO2009004479A2 (en) | System and process for detecting, tracking and counting human objects of interest | |
| CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
| Gad et al. | Vision-based approach for automated social distance violators detection | |
| CN111079722B (zh) | 一种吊装过程人员安全监测方法及系统 | |
| CN111008993A (zh) | 一种行人跨镜追踪的方法及装置 | |
| CN110781735A (zh) | 一种用于识别人员在岗状态的报警方法及系统 | |
| CN112395967A (zh) | 一种口罩佩戴监测方法、电子设备和可读存储介质 | |
| CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
| CN113569801B (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
| CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
| CN117392611A (zh) | 工地安全监测方法、系统、设备及存储介质 | |
| CN115994925B (zh) | 一种基于关键点检测的多行人快速跟踪方法 | |
| CN112532927A (zh) | 一种施工现场智能安全管控系统 | |
| CN112183312A (zh) | 基于智慧城市的城市管理事件处理方法 | |
| KR20150005863A (ko) | 이동 방향별 보행자 계수 방법 및 장치 | |
| CN111739651A (zh) | 一种基于群体识别的多个体间距检测系统和方法 | |
| KR20240040530A (ko) | 딥러닝 기반 감염병 예방 시스템 | |
| CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
| CN114612963A (zh) | 一种人脸识别安全系统 | |
| CN114494427A (zh) | 一种对吊臂下站人的违规行为检测方法、系统及终端 | |
| KR101467360B1 (ko) | 이동 방향별 보행자 계수 방법 및 장치 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230406 Address after: No. 39 Huayuanzhuang East Road, Lixia District, Jinan City, Shandong Province, 250000 Applicant after: Jinan Hanxiong Information Technology Co.,Ltd. Address before: No. 61, Renmin Road, Yuanyang County, Honghe Hani and Yi Autonomous Prefecture, Yunnan Province, 662499 Applicant before: Sun Li |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230602 Address after: No. 61, Renmin Road, Yuanyang County, Honghe Hani and Yi Autonomous Prefecture, Yunnan Province, 662499 Applicant after: Sun Li Address before: No. 39 Huayuanzhuang East Road, Lixia District, Jinan City, Shandong Province, 250000 Applicant before: Jinan Hanxiong Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240109 Address after: 518000 World Trade Plaza 101-1, Funan Community, Futian Street, Futian District, Shenzhen, Guangdong Province Applicant after: SHENZHEN XINGHAI IOT TECHNOLOGY Co.,Ltd. Address before: No. 61, Renmin Road, Yuanyang County, Honghe Hani and Yi Autonomous Prefecture, Yunnan Province, 662499 Applicant before: Sun Li |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |