CN115857413A - 一种基于物联网的智能楼宇安全监测系统及方法 - Google Patents
一种基于物联网的智能楼宇安全监测系统及方法 Download PDFInfo
- Publication number
- CN115857413A CN115857413A CN202211636119.9A CN202211636119A CN115857413A CN 115857413 A CN115857413 A CN 115857413A CN 202211636119 A CN202211636119 A CN 202211636119A CN 115857413 A CN115857413 A CN 115857413A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- information
- target user
- database
- 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.)
- Granted
Links
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于物联网的智能楼宇安全监测系统及方法,属于智能楼宇安全监测领域,该安全监测系统包括数据采集模块、数据库、数据分析模块和智能报警模块,数据采集模块用于采集用户的基础数据信息和图像信息,数据库用于加密存储采集的数据信息和分析结果,数据分析模块用于对采集的数据进行分析处理,调取数据库信息进行对比,智能报警模块用于在出现异常情况的时候,对相关工作人员进行报警提醒,清理临时数据。本发明采集基础数据信息、临时信息,和用户面部图像信息,与数据库中信息进行对比匹配,当出现异常情况时,向相关工作人员进行显示和语音报警,保证了办公楼内的安全,节省了建设成本,提高了工作效率。
Description
技术领域
本发明涉及智能楼宇安全监测领域,具体为一种基于物联网的智能楼宇安全监测系统及方法。
背景技术
随着科技的发展,智能楼宇已经逐渐成为目前企业不可缺少的重要成分,当前的智能化楼宇就是将很多的高标准自动化系统和楼宇的组合,智能楼宇将先进技术与楼宇管控相结合,方便灵活,管理高效,为用户带来了极好的使用体验,楼宇智能化是大趋势,带来的影响是非常深远的,影响了未来城市的发展态势,影响人类生活的形态。
目前,在办公楼内采用的门禁方式基本还是闸机,随着技术的发展,闸机的种类逐渐多种多样,例如人脸识别门禁闸机、刷卡闸机和二维码闸机等,虽然能够保障办公楼内的安全,但是还是存在一些问题,当需要通行的用户很多时,闸机的使用会影响用户的进入速度,由于需要一个一个验证身份通过闸机,因此有可能出现导致用户上班迟到或他人跟随办公楼内用户一起进入等情况,难以完全保证办公楼内的安全。同时,安装门禁闸机的成本较高,宽度限制较大,不适合搬运货物通行,运行过程中会有机械碰撞并产生噪音。
由此看来,如何取消办公楼内门禁闸机的使用,节约成本,如何方便办公楼内部用户快速通行,同时保障办公楼内的安全是很有必要的。因此,需要一种基于物联网的智能楼宇安全监测系统及方法。
发明内容
本发明的目的在于提供一种基于物联网的智能楼宇安全监测系统及方法,采集办公楼内用户的基础数据信息和临时申请进入的用户信息,通过摄像设备采集用户的面部图像信息,与数据库中的面部图像信息进行对比匹配,当出现异常情况时,通过显示设备向相关工作人员进行显示,并进行语音报警,清理临时数据,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于物联网的智能楼宇安全监测系统,该安全监测系统包括数据采集模块、数据库、数据分析模块和智能报警模块;
所述数据采集模块与数据库相连接,数据库与数据分析模块相连接,数据分析模块与智能报警模块相连接;所述数据采集模块用于采集用户的基础数据信息和图像信息,所述数据库用于加密存储采集的数据信息和分析结果,所述数据分析模块用于对采集的数据进行分析处理,调取数据库信息进行对比,所述智能报警模块用于在出现异常情况的时候,对相关工作人员进行报警提醒,清理临时数据。
进一步的,所述数据采集模块包括基础数据录入单元、临时申请单元和图像采集单元,所述基础数据录入单元用于对办公楼内的用户基础数据信息进行录入,例如照片、姓名和在办公楼内的工作楼层等,为数据分析提供对比基础,便于办公楼内的工作人员进出,所述临时申请单元用于对临时申请进入办公楼的用户数据进行采集,例如对前来面试或洽谈合作的用户,采集临时申请进入的用户的姓名、照片、目的地和办公楼内相关部门的负责人员等,便于对临时进入办公楼的用户进行管理,避免推销或外卖员等进入办公楼内,保障了办公楼内的安全,所述图像采集单元用于取消办公楼门禁闸机的使用,通过摄像设备,对进出办公楼的用户进行图像采集,例如办公楼内的安全摄像头等,数据获取途径简单,无需安装额外设备,节省了成本,提高了门禁系统的使用效率,通过OpenCV技术,对用户进行面部识别,OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效,由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
进一步的,所述数据库包括主存储单元、临时存储单元和数据加密单元,所述主存储单元通过hash存储方法对采集的办公楼内的用户数据和分析结果进行存储,hash存储又称为散列存储,是一种力图将数据元素的存储位置与关键码之间建立确定关系的查找技术,方法的基本思想是:根据结点的关键字直接计算出该结点的存储地址,散列的数据访问速度要高于数组,因为可以依据存储数据的部分内容找到数据在数组中的存储位置,进而能够快速实现数据的访问,理想的散列访问速度是非常迅速的,而不像在数组中的遍历过程,采用存储数组中内容的部分元素作为映射函数的输入,映射函数的输出就是存储数据的位置,这样的访问速度就省去了遍历数组的实现。所述临时存储单元通过hash存储方法对采集的临时申请用户的数据信息和分析结果进行存储,所述数据加密单元通过AES加密技术,对整个过程进行数据加密,能够有效保证用户的数据信息安全,防止信息泄露,AES加密算法在密码学中又称Rijndael加密法,这个标准用来替代原先的DES加密算法,AES加密算法使用的是代换-置换网络,而非Feistel架构。AES在软件及硬件上都能快速地加解密,相对来说较易于实现,且只需要很少的存储器,在AES标准规范中,分组长度只能是128位,也就是说,每个分组为16个字节,每个字节8位,密钥的长度可以使用128位、192位或256位。密钥的长度不同,推荐加密轮数也不同。
进一步的,所述数据分析模块包括图像匹配单元和趋势预测单元,所述图像匹配单元用于根据采集的进入办公楼的用户的面部图像,与数据库中存储的数据信息进行对比匹配,当用户的面部图像信息与数据库中的数据信息一致时,用户直接进入办公楼内,所述趋势预测单元用于当目标用户的面部图像信息与数据库中的数据信息不一致时,分析该目标用户的轨迹趋势,设置敏感位置,例如电梯的厅门位置或原门禁闸机位置等,对预测目标用户位置与敏感位置之间的距离设置阈值,当达到阈值时,表示该目标用户距离敏感位置的趋势大,标记为异常情况,通过显示设备向相关工作人员进行报警,并进行语音提醒,提高监测的精确度,避免等待人员引起报警造成系统误判,防止办公楼外的用户未经申请直接进入办公楼,例如等待用户或放外卖的外卖员等。
进一步的,所述智能报警模块包括屏幕显示单元、语音报警单元和清理单元,所述屏幕显示单元用于根据分析结果,当出现异常情况时,通过显示设备,向相关工作人员展示异常用户的图像信息,例如显示大屏、电脑或手机等,便于相关工作人员快速锁定异常用户,提高工作人员的工作效率,所述语音报警单元用于通过语音向相关工作人员及时进行报警提醒,防止工作人员未注意到显示设备时,异常用户进入办公楼,保证了办公楼内的安全,所述清理单元用于自动清理临时存储单元内存储的用户信息,若该用户再次进入办公楼需要重新申请,节省了存储资源,提高了存储资源的利用率,保证了办公楼内的安全,防止非办公楼工作人员乘机多次进入办公楼,降低安全隐患。
一种基于物联网的智能楼宇安全监测方法,包括下列步骤:
S1、采集办公楼内用户基础数据信息,采集临时申请用户信息,通过摄像设备采集用户面部图像信息;
S2、根据采集的面部图像信息,与数据库中的图像信息进行对比匹配;
S3、当采集的面部图像信息与数据库信息无法匹配时,对目标用户的轨迹趋势进行分析,当目标用户位置与敏感位置间的距离达到阈值时,标记为异常情况;
S4、根据分析结果,当出现异常情况时,通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警。
进一步的,在步骤S2中,根据采集的用户面部图像信息,调取数据库,进行对比匹配;
对采集的图像进行二值化处理,摄像设备实时采集的面部图像特征信息形成集合X,数据库中录入的面部图像特征信息形成集合Y,通过下列公式对采集的图像与数据库中存储的图像的杰卡德距离M进行计算:
其中,p表示为超参数,在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果,X∪Y表示集合X与集合Y的并集元素个数,|X∩Y|表示集合X与集合Y的交集元素个数,max(|X-Y|,|Y-X|)表示集合X与集合Y的差集元素个数的最大值;杰卡德距离是用来衡量两个集合差异性的一种指标,能够有效对采集的图像信息和数据库中的数据信息进行对比匹配,从而识别出目标用户与数据库中的图像是否一致。
对杰卡德距离设置阈值M阈,当M≤M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息匹配,表示该用户允许进入办公楼内部;当M>M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息无法匹配,此时进入步骤S3,表示该目标用户为外来人员,不被允许进入办公楼内部。
进一步的,在步骤S3中,对采集的图像进行二值化处理后得到图像f(x,y),通过下列公式对处理后的图像进行边缘提取:
其中,f′(x,y)为提取后的图像,(x,y)为图像上的像素点坐标,α为平滑系数;设置大厅内无人时的图像中的结构元素形成集合Q,边缘提取后的图像形成集合P,图像膨胀是指将图像的高亮区域或白色部分进行扩张,运行结果图比原图的高亮区域更大,能够将图像轮廓提取更加完整,从而能够构成完整的连通域,通过下列公式对图像进行膨胀: 其中,/>表示为膨胀后提取的完整的图像轮廓;进而对图像进行填充,在二值化轮廓图中,所有背景点赋为0,集合P赋为1,则根据下列过程对图像进行填充:/> 其中,Xi表示第i次迭代,Xi-1表示第i-1次迭代,当Xi=Xi-1时,迭代在第i次结束,对图像进行扫描,当像素值为0时,认为其为背景点,继续扫描后面的像素,当像素值为1时,若下一点的像素值为0,认为到达轮廓边缘,在该点出标记,该点之后的点的像素值都设定为1,直到再次遇到像素值为1的点,如此重复扫描填充,直至整个轮廓图被填充;确定连通域序号进行计数,由于图片中的人可能存在互相遮挡,容易造成系统计数出现误差,连通域是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域,通过下列公式对连通域图像面积S进行计算:S=βS′;其中,β表示为系数,S′表示为最大连通域面积,设置阈值为S阈,当S<S阈时,表示为非人连通域,计数时进行剔除,当S≥S阈时,进行计数,从而获得图像中的人数N;
对人数设置阈值N阈,当N<N阈时,对目标用户的轨迹趋势进行分析;
通过图像,采集目标用户的位置,形成集合A={A1,A2,…,An},其中,n为采集的位置数量,对下一时刻的位置点An+1进行预测分析;将目标用户置于坐标系中,该坐标系可自行建立,例如以摄像设备为原点建立坐标系或以办公楼大门中点位置为原点建立坐标系等,位置点An+1在x轴方向上的坐标值为xn+1=xn+Δxn+1,在n时刻时的位置增量为Δxn=xn-xn-1,xn-1为n-1时刻位置点x方向的坐标值,β为轨迹噪声,β~N(0,σ2),则在n+1时刻的x方向位置增量为:
Δxn+1=fx(Δx)+βx=∑Φ(x)f′(x);
其中,f′(x)=K(x*,x)(K(x,x)+σ2)-1Δx,x*为测试数据,K(x*,x)表示为联合概率密度函数,K(x*,x)=∑δGP(x,x*|μ),δ为系数,GP(x,x*|μ)为高斯过程,高斯过程是概率论和数理统计中随机过程的一种,是多元高斯分布的扩展,被应用于机器学习、信号处理等领域。Φ(x)为混合权重,σ2为方差,同理得到y方向位置增量Δyn+1,则位置点An+1的预测值为:
An+1=(xn+1,yn+1,tn+1)=((xn+Δxn+1),(yn+Δyn+1),tn+1);
预测位置点坐标为(xn+1,yn+1),敏感位置坐标为(xa,ya),通过下列公式对目标用户预测位置与敏感位置的距离L进行计算:
设置距离的阈值为L阈,当L>L阈时,表示该目标用户未进入办公楼内部,系统正常监测,当L≤L阈时,表示该目标用户距离敏感位置的趋势大,标记为异常情况,对相关工作人员进行报警提醒。
当N≥N阈时,通过投影技术,在办公楼进入大厅地面进行通道划分,便于在人流量较多时,对用户进行分流管理,防止踩踏事件的发生,当采集的目标用户的面部图像信息与数据库中的图像信息无法匹配时,该用户在进入划分的通道时,标记为异常情况,通道颜色发生改变,同时通过显示设备向相关工作人员显示该用户的面部图像,并进行语音报警,便于工作人员快速找到该用户,阻止其进入办公楼内部,保障了办公楼内部的安全。
进一步的,在步骤S4中,根据分析结果,当目标用户的面部图像信息与数据库相匹配时,系统正常工作;当目标用户的面部图像信息与数据库不匹配时,分析该目标用户的轨迹趋势,若离敏感位置的距离大于阈值时,视为正常情况,系统不报警;反之,标记为异常情况,此时通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警,保证相关工作人员能够及时制止该目标用户进入办公楼内部,维护了办公楼内部的安全;对于临时申请进入的用户,设置监测时间阈值t阈,当再次监测到临时用户的面部图像,且两次监测到的间隔时间t>t阈时,表示该用户离开办公楼,自动清理临时存储单元内存储的用户信息,若该用户再次进入办公楼需要重新申请,提高了存储资源的利用率,保证了办公楼内的安全,防止非办公楼工作人员乘机多次进入办公楼,保障了办公楼内的财产安全、信息安全和人员安全。
与现有技术相比,本发明所达到的有益效果是:
本发明采集办公楼内用户的基础数据信息和临时申请进入的用户信息,便于对办公楼内的用户以及临时申请进入用户进行管理,能够有效避免外来未申请用户的进入,保证办公楼内的经济安全、信息安全和用户安全。通过摄像设备采集用户的面部图像信息,通过摄像设备采集数据信息,取消使用闸机,降低了建设成本,便于提高办公楼内用户的进入速度,即使处于人流高峰期,也能快速进入,提高用户的工作效率,同时取消闸机的使用,也便于办公楼内部用户搬运较大物品,提高了用户的使用体验。与数据库中的面部图像信息进行对比匹配,当匹配信息一致时,用户直接进入,系统继续监测,当信息无法匹配时,表示该目标用户不是办公楼内部用户,且未申请进入,此时分析该目标用户的轨迹趋势,当预测目标用户位置与敏感位置间的距离达到阈值时,标记为异常情况,此时通过显示设备将该用户的面部图像信息向相关工作人员进行显示,并进行语音报警,便于工作人员快速锁定该用户,并制止该用户进入办公楼内部,降低了办公楼内的安全隐患,提高了工作人员的工作效率。同时,对于临时申请用户,设置监测时间阈值,当第二次监测到临时用户的面部图像,两次监测到的间隔时间大于阈值时,自动清理该临时用户的数据信息,防止他人多次进入办公楼内造成安全隐患,节省了数据存储资源提高了系统的鲁棒性和安全性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于物联网的智能楼宇安全监测系统的模块组成示意图;
图2是本发明一种基于物联网的智能楼宇安全监测方法的步骤示意图;
具体实施方式
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做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。
请参阅图1-图2,本发明提供技术方案:一种基于物联网的智能楼宇安全监测系统,该安全监测系统包括数据采集模块、数据库、数据分析模块和智能报警模块;
所述数据采集模块与数据库相连接,数据库与数据分析模块相连接,数据分析模块与智能报警模块相连接;
所述数据采集模块用于采集用户的基础数据信息和图像信息,数据采集模块包括基础数据录入单元、临时申请单元和图像采集单元,所述基础数据录入单元用于对办公楼内的用户基础数据信息进行录入,例如照片、姓名和在办公楼内的工作楼层等,为数据分析提供对比基础,便于办公楼内的工作人员进出,所述临时申请单元用于对临时申请进入办公楼的用户数据进行采集,例如对前来面试或洽谈合作的用户,采集临时申请进入的用户的姓名、照片、目的地和办公楼内相关部门的负责人员等,便于对临时进入办公楼的用户进行管理,避免推销或外卖员等进入办公楼内,保障了办公楼内的安全,所述图像采集单元用于取消办公楼门禁闸机的使用,通过摄像设备,对进出办公楼的用户进行图像采集,例如办公楼内的安全摄像头等,数据获取途径简单,无需安装额外设备,节省了成本,提高了门禁系统的使用效率,通过OpenCV技术,对用户进行面部识别,OpenCV是一个基于BSD许可发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效,由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
所述数据库用于加密存储采集的数据信息和分析结果,数据库包括主存储单元、临时存储单元和数据加密单元,所述主存储单元通过hash存储方法对采集的办公楼内的用户数据和分析结果进行存储,hash存储又称为散列存储,是一种力图将数据元素的存储位置与关键码之间建立确定关系的查找技术,方法的基本思想是:根据结点的关键字直接计算出该结点的存储地址,散列的数据访问速度要高于数组,因为可以依据存储数据的部分内容找到数据在数组中的存储位置,进而能够快速实现数据的访问,理想的散列访问速度是非常迅速的,而不像在数组中的遍历过程,采用存储数组中内容的部分元素作为映射函数的输入,映射函数的输出就是存储数据的位置,这样的访问速度就省去了遍历数组的实现。所述临时存储单元通过hash存储方法对采集的临时申请用户的数据信息和分析结果进行存储,所述数据加密单元通过AES加密技术,对整个过程进行数据加密,能够有效保证用户的数据信息安全,防止信息泄露,AES加密算法在密码学中又称Rijndael加密法,这个标准用来替代原先的DES加密算法,AES加密算法使用的是代换-置换网络,而非Feistel架构。AES在软件及硬件上都能快速地加解密,相对来说较易于实现,且只需要很少的存储器,在AES标准规范中,分组长度只能是128位,也就是说,每个分组为16个字节,每个字节8位,密钥的长度可以使用128位、192位或256位。密钥的长度不同,推荐加密轮数也不同。
所述数据分析模块用于对采集的数据进行分析处理,调取数据库信息进行对比,数据分析模块包括图像匹配单元和趋势预测单元,所述图像匹配单元用于根据采集的进入办公楼的用户的面部图像,与数据库中存储的数据信息进行对比匹配,当用户的面部图像信息与数据库中的数据信息一致时,用户直接进入办公楼内,所述趋势预测单元用于当目标用户的面部图像信息与数据库中的数据信息不一致时,分析该目标用户的轨迹趋势,设置敏感位置,例如电梯的厅门位置或原门禁闸机位置等,对预测目标用户位置与敏感位置之间的距离设置阈值,当达到阈值时,表示该目标用户距离敏感位置的趋势大,标记为异常情况,通过显示设备向相关工作人员进行报警,并进行语音提醒,提高监测的精确度,避免等待人员引起报警造成系统误判,防止办公楼外的用户未经申请直接进入办公楼,例如等待用户或放外卖的外卖员等。
所述智能报警模块用于在出现异常情况的时候,对相关工作人员进行报警提醒,清理临时数据。智能报警模块包括屏幕显示单元、语音报警单元和清理单元,所述屏幕显示单元用于根据分析结果,当出现异常情况时,通过显示设备,向相关工作人员展示异常用户的图像信息,例如显示大屏、电脑或手机等,便于相关工作人员快速锁定异常用户,提高工作人员的工作效率,所述语音报警单元用于通过语音向相关工作人员及时进行报警提醒,防止工作人员未注意到显示设备时,异常用户进入办公楼,保证了办公楼内的安全,所述清理单元用于自动清理临时存储单元内存储的用户信息,若该用户再次进入办公楼需要重新申请,节省了存储资源,提高了存储资源的利用率,保证了办公楼内的安全,防止非办公楼工作人员乘机多次进入办公楼,降低安全隐患。
一种基于物联网的智能楼宇安全监测方法,包括下列步骤:
S1、采集办公楼内用户基础数据信息,采集临时申请用户信息,通过摄像设备采集用户面部图像信息;
S2、根据采集的面部图像信息,与数据库中的图像信息进行对比匹配;
在步骤S2中,根据采集的用户面部图像信息,调取数据库,进行对比匹配;
对采集的图像进行二值化处理,摄像设备实时采集的面部图像特征信息形成集合X,数据库中录入的面部图像特征信息形成集合Y,通过下列公式对采集的图像与数据库中存储的图像的杰卡德距离M进行计算:
其中,p表示为超参数,在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果,X∪Y表示集合X与集合Y的并集元素个数,|X∩Y|表示集合X与集合Y的交集元素个数,max(|X-Yl,|Y-X|)表示集合X与集合Y的差集元素个数的最大值;杰卡德距离是用来衡量两个集合差异性的一种指标,能够有效对采集的图像信息和数据库中的数据信息进行对比匹配,从而识别出目标用户与数据库中的图像是否一致。
对杰卡德距离设置阈值M阈,当M≤M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息匹配,表示该用户允许进入办公楼内部;当M>M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息无法匹配,此时进入步骤S3,表示该目标用户为外来人员,不被允许进入办公楼内部。
S3、当采集的面部图像信息与数据库信息无法匹配时,对目标用户的轨迹趋势进行分析,当目标用户位置与敏感位置间的距离达到阈值时,标记为异常情况;
在步骤S3中,对采集的图像进行二值化处理后得到图像f(x,y),通过下列公式对处理后的图像进行边缘提取:
其中,f′(x,y)为提取后的图像,(x,y)为图像上的像素点坐标,α为平滑系数;设置大厅内无人时的图像中的结构元素形成集合Q,边缘提取后的图像形成集合P,图像膨胀是指将图像的高亮区域或白色部分进行扩张,运行结果图比原图的高亮区域更大,能够将图像轮廓提取更加完整,从而能够构成完整的连通域,通过下列公式对图像进行膨胀: 其中,/>表示为膨胀后提取的完整的图像轮廓;进而对图像进行填充,在二值化轮廓图中,所有背景点赋为0,集合P赋为1,则根据下列过程对图像进行填充:/> 其中,Xi表示第i次迭代,Xi-1表示第i-1次迭代,当Xi=Xi-1时,迭代在第i次结束,对图像进行扫描,当像素值为0时,认为其为背景点,继续扫描后面的像素,当像素值为1时,若下一点的像素值为0,认为到达轮廓边缘,在该点出标记,该点之后的点的像素值都设定为1,直到再次遇到像素值为1的点,如此重复扫描填充,直至整个轮廓图被填充;确定连通域序号进行计数,由于图片中的人可能存在互相遮挡,容易造成系统计数出现误差,连通域是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域,通过下列公式对连通域图像面积S进行计算:S=βS′;其中,β表示为系数,S′表示为最大连通域面积,设置阈值为S阈,当S<S阈时,表示为非人连通域,计数时进行剔除,当S≥S阈时,进行计数,从而获得图像中的人数N;
对人数设置阈值N阈,当N<N阈时,对目标用户的轨迹趋势进行分析;
通过图像,采集目标用户的位置,形成集合A={A1,A2,…,An},其中,n为采集的位置数量,对下一时刻的位置点An+1进行预测分析;将目标用户置于坐标系中,该坐标系可自行建立,例如以摄像设备为原点建立坐标系或以办公楼大门中点位置为原点建立坐标系等,位置点An+1在x轴方向上的坐标值为xn+1=xn+Δxn+1,在n时刻时的位置增量为Δxn=xn-xn-1,xn-1为n-1时刻位置点x方向的坐标值,β为轨迹噪声,β~N(0,σ2),则在n+1时刻的x方向位置增量为:
Δxn+1=fx(Δx)+βx=∑Φ(x)f′(x);
其中,f′(x)=K(x*,x)(K(x,x)+σ2)-1Δx,x*为测试数据,K(x*,x)表示为联合概率密度函数,K(x*,x)=∑δGP(x,x*|μ),δ为系数,GP(x,x*|μ)为高斯过程,高斯过程是概率论和数理统计中随机过程的一种,是多元高斯分布的扩展,被应用于机器学习、信号处理等领域。中(x)为混合权重,σ2为方差,同理得到y方向位置增量Δyn+1,则位置点An+1的预测值为:
An+1=(xn+1,yn+1,tn+1)=((xn+Δxn+1),(yn+Δyn+1),tn+1);
预测位置点坐标为(xn+1,yn+1),敏感位置坐标为(xa,ya),通过下列公式对目标用户预测位置与敏感位置的距离L进行计算:
设置距离的阈值为L阈,当L>L阈时,表示该目标用户未进入办公楼内部,系统正常监测,当L≤L阈时,表示该目标用户距离敏感位置的趋势大,标记为异常情况,对相关工作人员进行报警提醒。
当N≥N阈时,通过投影技术,在办公楼进入大厅地面进行通道划分,便于在人流量较多时,对用户进行分流管理,防止踩踏事件的发生,当采集的目标用户的面部图像信息与数据库中的图像信息无法匹配时,该用户在进入划分的通道时,标记为异常情况,通道颜色发生改变,同时通过显示设备向相关工作人员显示该用户的面部图像,并进行语音报警,便于工作人员快速找到该用户,阻止其进入办公楼内部,保障了办公楼内部的安全。
S4、根据分析结果,当出现异常情况时,通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警。
在步骤S4中,根据分析结果,当目标用户的面部图像信息与数据库相匹配时,系统正常工作;当目标用户的面部图像信息与数据库不匹配时,分析该目标用户的轨迹趋势,若离敏感位置的距离大于阈值时,视为正常情况,系统不报警;反之,标记为异常情况,此时通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警,保证相关工作人员能够及时制止该目标用户进入办公楼内部,维护了办公楼内部的安全;对于临时申请进入的用户,设置监测时间阈值t阈,当再次监测到临时用户的面部图像,且两次监测到的间隔时间t>t阈时,表示该用户离开办公楼,自动清理临时存储单元内存储的用户信息,若该用户再次进入办公楼需要重新申请,提高了存储资源的利用率,保证了办公楼内的安全,防止非办公楼工作人员乘机多次进入办公楼,保障了办公楼内的财产安全、信息安全和人员安全。
实施例一:
若一用户进入办公楼时,通过摄像设备采集用户面部图像信息,若|X∪Y|=7,|X∩Y|=5,p为1,max(|X-Y|,|Y-X|)=2,经过分析得到杰卡德距离若M阈=2.1,则M<M阈,该用户允许进入办公楼内部;若M阈=1.2,则M>M阈,说明采集的目标用户的面部图像信息与数据库中的图像信息无法匹配,对该用户的轨迹趋势进行分析。
若敏感位置坐标为(10,8),用户测得的位置坐标集合为N={(1,1),(2,3),(6,4),(8,9)},则:
若L阈=3,则L4<L阈,说明该用户进入办公楼内部的趋势大,此时标记为异常情况,通过显示设备对相关工作人员进行展示,并语音报警提醒,便于工作人员及时制止该用户进入办公楼内部。
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。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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。
Claims (9)
1.一种基于物联网的智能楼宇安全监测系统,其特征在于:该安全监测系统包括:数据采集模块、数据库、数据分析模块和智能报警模块;
所述数据采集模块与数据库相连接,数据库与数据分析模块相连接,数据分析模块与智能报警模块相连接;所述数据采集模块用于采集用户的基础数据信息和图像信息,所述数据库用于加密存储采集的数据信息和分析结果,所述数据分析模块用于对采集的数据进行分析处理,调取数据库信息进行对比,所述智能报警模块用于在出现异常情况的时候,对相关工作人员进行报警提醒,清理临时数据。
2.根据权利要求1所述的一种基于物联网的智能楼宇安全监测系统,其特征在于:所述数据采集模块包括基础数据录入单元、临时申请单元和图像采集单元,所述基础数据录入单元用于对办公楼内的用户基础数据信息进行录入,所述临时申请单元用于对临时申请进入办公楼的用户数据进行采集,所述图像采集单元用于取消办公楼门禁闸机的使用,通过摄像设备,对进出办公楼的用户进行图像采集,通过0penCV技术,对用户进行面部识别。
3.根据权利要求2所述的一种基于物联网的智能楼宇安全监测系统,其特征在于:所述数据库包括主存储单元、临时存储单元和数据加密单元,所述主存储单元通过hash存储方法对采集的办公楼内的用户数据和分析结果进行存储,所述临时存储单元通过hash存储方法对采集的临时申请用户的数据信息和分析结果进行存储,所述数据加密单元通过AES加密技术,对整个过程进行数据加密。
4.根据权利要求3所述的一种基于物联网的智能楼宇安全监测系统,其特征在于:所述数据分析模块包括图像匹配单元和趋势预测单元,所述图像匹配单元用于根据采集的进入办公楼的用户的面部图像,与数据库中存储的数据信息进行对比匹配,当用户的面部图像信息与数据库中的数据信息一致时,用户直接进入办公楼内,所述趋势预测单元用于当目标用户的面部图像信息与数据库中的数据信息不一致时,分析该目标用户的轨迹趋势,设置敏感位置,对预测目标用户位置与敏感位置之间的距离设置阈值,当达到阈值时,标记为异常情况,通过显示设备向相关工作人员进行报警,并进行语音提醒。
5.根据权利要求4所述的一种基于物联网的智能楼宇安全监测系统,其特征在于:所述智能报警模块包括屏幕显示单元、语音报警单元和清理单元,所述屏幕显示单元用于根据分析结果,当出现异常情况时,通过显示设备,向相关工作人员展示异常用户的图像信息,所述语音报警单元用于通过语音向相关工作人员及时进行报警提醒,所述清理单元用于自动清理临时存储单元内存储的用户信息。
6.一种基于物联网的智能楼宇安全监测方法,其特征在于:包括下列步骤:
S1、采集办公楼内用户基础数据信息,采集临时申请用户信息,通过摄像设备采集用户面部图像信息;
S2、根据采集的面部图像信息,与数据库中的图像信息进行对比匹配;
S3、当采集的面部图像信息与数据库信息无法匹配时,对目标用户的轨迹趋势进行分析,当目标用户位置与敏感位置间的距离达到阈值时,标记为异常情况;
S4、根据分析结果,当出现异常情况时,通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警。
7.根据权利要求6所述的一种基于物联网的智能楼宇安全监测方法,其特征在于:在步骤S2中,根据采集的用户面部图像信息,调取数据库,进行对比匹配;
对采集的图像进行二值化处理,摄像设备实时采集的面部图像特征信息形成集合X,数据库中录入的面部图像特征信息形成集合Y,通过下列公式对采集的图像与数据库中存储的图像的杰卡德距离M进行计算:
其中,p表示为超参数,X∪Y表示集合X与集合Y的并集元素个数,|X∩Y|表示集合X与集合Y的交集元素个数,max(|X-Y|,|Y-X|)表示集合X与集合Y的差集元素个数的最大值;
对杰卡德距离设置阈值M阈,当M≤M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息匹配;当M>M阈时,说明采集的目标用户的面部图像信息与数据库中的图像信息无法匹配,此时进入步骤S3。
8.根据权利要求7所述的一种基于物联网的智能楼宇安全监测方法,其特征在于:在步骤S3中,对采集的图像进行二值化处理后得到图像f(x,y),通过下列公式对处理后的图像进行边缘提取:
其中,f′(x,y)为提取后的图像,(x,y)为图像上的像素点坐标,α为平滑系数;设置大厅内无人时的图像中的结构元素形成集合Q,边缘提取后的图像形成集合P,通过下列公式对图像进行膨胀:其中,/>表示为膨胀后提取的完整的图像轮廓;进而对图像进行填充,在二值化轮廓图中,所有背景点赋为0,集合P赋为1,则根据下列过程对图像进行填充:/>其中,Xi表示第i次迭代,Xi-1表示第i-1次迭代,当Xi=Xi-1时,迭代在第i次结束;确定连通域序号进行计数,通过下列公式对连通域图像面积S进行计算:S=βS′;其中,β表示为系数,S′表示为最大连通域面积,设置阈值为S阈,当S<S阈时,表示为非人连通域,计数时进行剔除,当S≥S阈时,进行计数,从而获得图像中的人数N;
对人数设置阈值N阈,当N<N阈时,对目标用户的轨迹趋势进行分析;
通过图像,采集目标用户的位置,形成集合A={A1,A2,…,An},其中,n为采集的位置数量,对下一时刻的位置点An+1进行预测分析;将目标用户置于坐标系中,位置点An+1在x轴方向上的坐标值为xn+1=xn+Δxn+1,在n时刻时的位置增量为Δxn=xn-xn-1,xn-1为n-1时刻位置点x方向的坐标值,β为轨迹噪声,β~N(0,σ2),则在n+1时刻的x方向位置增量为:
Δxn+1=fx(Δx)+βx=∑Φ(x)f′(x);
其中,f(x)=K(x*,x)(K(x,x)+σ2)-1Δx,x*为测试数据,K(x*,x)表示为联合概率密度函数,K(x*,x)=∑δGP(x,x*|μ),δ为系数,GP(x,x*|μ)为高斯过程,Φ(x)为混合权重,σ2为方差,同理得到y方向位置增量Δyn+1,则位置点An+1的预测值为:
An+1=(xn+1,yn+1,tn+1)=((xn+Δxn+1),(yn+Δyn+1),tn+1);
预测位置点坐标为(xn+1,yn+1),敏感位置坐标为(xa,ya),通过下列公式对目标用户预测位置与敏感位置的距离L进行计算:
设置距离的阈值为L阈,当L>L阈时,表示该目标用户未进入办公楼内部,系统正常监测,当L≤L阈时,表示该目标用户距离敏感位置的趋势大,标记为异常情况,对相关工作人员进行报警提醒;
当N≥N阈时,通过投影技术,在办公楼进入大厅地面进行通道划分,当采集的目标用户的面部图像信息与数据库中的图像信息无法匹配时,该用户在进入划分的通道时,标记为异常情况,通道颜色发生改变,同时通过显示设备向相关工作人员显示该用户的面部图像,并进行语音报警,便于工作人员快速找到该用户。
9.根据权利要求8所述的一种基于物联网的智能楼宇安全监测方法,其特征在于:在步骤S4中,根据分析结果,当目标用户的面部图像信息与数据库相匹配时,系统正常工作;当目标用户的面部图像信息与数据库不匹配时,分析该目标用户的轨迹趋势,若离敏感位置的距离大于阈值时,视为正常情况,系统不报警;反之,标记为异常情况,此时通过显示设备向相关工作人员展示目标用户的面部图像信息,并进行语音报警;对于临时申请进入的用户,设置监测时间阈值t阈,当再监测到临时用户的面部图像,且两次监测到的间隔时间t>t阈时,自动清理临时存储单元内存储的用户信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636119.9A CN115857413B (zh) | 2022-12-14 | 2022-12-14 | 一种基于物联网的智能楼宇安全监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211636119.9A CN115857413B (zh) | 2022-12-14 | 2022-12-14 | 一种基于物联网的智能楼宇安全监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115857413A true CN115857413A (zh) | 2023-03-28 |
CN115857413B CN115857413B (zh) | 2023-07-21 |
Family
ID=85674258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211636119.9A Active CN115857413B (zh) | 2022-12-14 | 2022-12-14 | 一种基于物联网的智能楼宇安全监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115857413B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061551A (zh) * | 2023-08-15 | 2023-11-14 | 珠海市超网智能科技有限公司 | 一种基于云计算的健康数据监测系统及方法 |
CN117057778A (zh) * | 2023-08-15 | 2023-11-14 | 上海韦地科技集团有限公司 | 基于核工业物联网的多功能摄像机数据监管系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134868A (ja) * | 1999-11-05 | 2001-05-18 | Ntt Power & Building Facilities Inc | 監視装置 |
CN104867217A (zh) * | 2015-06-03 | 2015-08-26 | 深圳市星火电子工程公司 | 小区监控管理系统 |
CN108509946A (zh) * | 2018-07-05 | 2018-09-07 | 常州纺织服装职业技术学院 | 一种基于人脸识别的智能楼宇系统 |
CN109949530A (zh) * | 2019-03-27 | 2019-06-28 | 钱露露 | 一种办公楼宇智能对讲系统 |
CN110942580A (zh) * | 2019-12-06 | 2020-03-31 | 浩云科技股份有限公司 | 一种智能楼宇访客管理方法、系统及储存介质 |
CN111028453A (zh) * | 2019-12-23 | 2020-04-17 | 宜科(天津)电子有限公司 | 一种基于物联网技术的监测识别方法及系统 |
US20200243203A1 (en) * | 2019-01-28 | 2020-07-30 | Johnson Controls Technology Company | Building alarm management system with integrated operating procedures |
CN111582354A (zh) * | 2020-04-30 | 2020-08-25 | 中国平安财产保险股份有限公司 | 图片识别方法、装置、设备及存储介质 |
CN111985454A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 人脸识别方法、装置、设备及计算机可读存储介质 |
CN112507315A (zh) * | 2021-02-05 | 2021-03-16 | 红石阳光(北京)科技股份有限公司 | 基于智慧大脑的人员通行检测系统 |
CN112767569A (zh) * | 2020-12-18 | 2021-05-07 | 山东盛帆蓝海电气有限公司 | 基于人脸识别的智能楼宇人员监控系统及方法 |
CN113159632A (zh) * | 2021-05-06 | 2021-07-23 | 重庆国科应用技术研究所有限公司 | 一种基于用户画像的楼宇管理方法及系统 |
CN113221914A (zh) * | 2021-04-14 | 2021-08-06 | 河海大学 | 一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法 |
KR20220056356A (ko) * | 2020-10-28 | 2022-05-06 | 주식회사 동운아나텍 | 생체 인식 가능한 스마트 아이디 카드와 그를 포함하는 출입 관리 시스템 |
-
2022
- 2022-12-14 CN CN202211636119.9A patent/CN115857413B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001134868A (ja) * | 1999-11-05 | 2001-05-18 | Ntt Power & Building Facilities Inc | 監視装置 |
CN104867217A (zh) * | 2015-06-03 | 2015-08-26 | 深圳市星火电子工程公司 | 小区监控管理系统 |
CN108509946A (zh) * | 2018-07-05 | 2018-09-07 | 常州纺织服装职业技术学院 | 一种基于人脸识别的智能楼宇系统 |
US20200243203A1 (en) * | 2019-01-28 | 2020-07-30 | Johnson Controls Technology Company | Building alarm management system with integrated operating procedures |
CN109949530A (zh) * | 2019-03-27 | 2019-06-28 | 钱露露 | 一种办公楼宇智能对讲系统 |
CN110942580A (zh) * | 2019-12-06 | 2020-03-31 | 浩云科技股份有限公司 | 一种智能楼宇访客管理方法、系统及储存介质 |
CN111028453A (zh) * | 2019-12-23 | 2020-04-17 | 宜科(天津)电子有限公司 | 一种基于物联网技术的监测识别方法及系统 |
CN111582354A (zh) * | 2020-04-30 | 2020-08-25 | 中国平安财产保险股份有限公司 | 图片识别方法、装置、设备及存储介质 |
CN111985454A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 人脸识别方法、装置、设备及计算机可读存储介质 |
KR20220056356A (ko) * | 2020-10-28 | 2022-05-06 | 주식회사 동운아나텍 | 생체 인식 가능한 스마트 아이디 카드와 그를 포함하는 출입 관리 시스템 |
CN112767569A (zh) * | 2020-12-18 | 2021-05-07 | 山东盛帆蓝海电气有限公司 | 基于人脸识别的智能楼宇人员监控系统及方法 |
CN112507315A (zh) * | 2021-02-05 | 2021-03-16 | 红石阳光(北京)科技股份有限公司 | 基于智慧大脑的人员通行检测系统 |
CN113221914A (zh) * | 2021-04-14 | 2021-08-06 | 河海大学 | 一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法 |
CN113159632A (zh) * | 2021-05-06 | 2021-07-23 | 重庆国科应用技术研究所有限公司 | 一种基于用户画像的楼宇管理方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061551A (zh) * | 2023-08-15 | 2023-11-14 | 珠海市超网智能科技有限公司 | 一种基于云计算的健康数据监测系统及方法 |
CN117057778A (zh) * | 2023-08-15 | 2023-11-14 | 上海韦地科技集团有限公司 | 基于核工业物联网的多功能摄像机数据监管系统及方法 |
CN117061551B (zh) * | 2023-08-15 | 2024-02-02 | 珠海市超网智能科技有限公司 | 一种基于云计算的健康数据监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115857413B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115857413A (zh) | 一种基于物联网的智能楼宇安全监测系统及方法 | |
WO2018028230A1 (zh) | 一种基于深度学习的车牌字符分割方法、装置及存储介质 | |
Khan et al. | Utilizing safety rule correlation for mobile scaffolds monitoring leveraging deep convolution neural networks | |
CN111475804A (zh) | 一种告警预测方法及系统 | |
CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
CN111553732B (zh) | 移动轨迹的处理方法和装置 | |
CN102902960A (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN111931862B (zh) | 非法张贴广告的检测方法、系统和电子设备 | |
CN112185108B (zh) | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 | |
CN111242075A (zh) | 一种用于警务督察睡觉行为识别方法 | |
CN108629310B (zh) | 一种工程管理监督方法及装置 | |
CN110659997A (zh) | 数据聚类识别方法、装置、计算机系统及可读存储介质 | |
CN117035378B (zh) | 一种基于物联网的智慧工地管理方法及系统 | |
CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
CN111126167B (zh) | 一种快速识别多名特定人员串联活动的方法及系统 | |
CN111178220A (zh) | 检测客车内的安全设施的方法、设备和存储介质 | |
CN113852591B (zh) | 基于改进四分位差法的摄像头异常访问识别与告警方法 | |
CN111985460B (zh) | 一种基于红外测温与人脸识别的体温异常告警方法及系统 | |
CN115330140A (zh) | 一种基于数据挖掘的建筑风险预测方法及其预测系统 | |
CN113255422A (zh) | 一种基于深度学习的工序衔接目标识别管理方法及系统 | |
CN111753574A (zh) | 抛扔区域定位方法、装置、设备及存储介质 | |
CN114580467B (zh) | 基于数据增强和Tri-Training的电力数据异常检测方法及系统 | |
Sudrich et al. | Anomaly detection in evolving heterogeneous graphs | |
Omeiza | A step towards exposing bias in trained deep convolutional neural network models | |
CN115240406B (zh) | 道路拥堵的管理方法、装置、计算机可读介质及电子设备 |
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 |