CN116486337A - 一种基于图像处理的数据监测系统及方法 - Google Patents

一种基于图像处理的数据监测系统及方法 Download PDF

Info

Publication number
CN116486337A
CN116486337A CN202310454652.1A CN202310454652A CN116486337A CN 116486337 A CN116486337 A CN 116486337A CN 202310454652 A CN202310454652 A CN 202310454652A CN 116486337 A CN116486337 A CN 116486337A
Authority
CN
China
Prior art keywords
data
image
personnel
unit
monitoring
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
Application number
CN202310454652.1A
Other languages
English (en)
Inventor
陈力
夏林文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Toon Vision Technology Co ltd
Original Assignee
Jiangsu Toon Vision Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Toon Vision Technology Co ltd filed Critical Jiangsu Toon Vision Technology Co ltd
Priority to CN202310454652.1A priority Critical patent/CN116486337A/zh
Publication of CN116486337A publication Critical patent/CN116486337A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于图像处理的数据监测系统及方法，属于数据监测技术领域，该系统包括图像信息获取模块、图像处理模块、数据分析模块、数据监测模块和数据库，所述图像信息获取模块用于获取当前区域里的图像信息，所述图像处理模块用于分析出图像的中关键信息并提取出相应特征，所述数据分析模块用于图像信息数据的直观表达和对图像信息进行分析，所述数据监测模块用于对区域中非正常的聚集和人流量密度过大进行警告，所述数据库用于存储图像信息和数据分析的结果以及读取分析所需数据。本发明实现了人员分布情况的直观化和判断人员分布情况的标准，为区域中人员聚集提供了客观的预警标准，提高了人员流动时的安全性。

Description

一种基于图像处理的数据监测系统及方法
技术领域
本发明涉及数据监测技术领域，具体为一种基于图像处理的数据监测系统及方法。
背景技术
随着经济的不断发展，出现了越来越多的人往城市聚集的趋势，这一趋势导致城市中许多不同区域的人流量陡然增加，并给管理带来了巨大压力。在现有技术中，处理人员流量和分布的问题，是通过红外或GPS等设备监控人员流量，并针对反馈的数据进行监测，虽然该方法可以准确的获取人员实时流量，但同时也存在着不够直观、预警能力差的缺点。
所以现在需要一种可以进行直观监测和以数据分析的形式进行预警的一种基于图像处理的数据监测系统。
发明内容
本发明的目的在于提供一种基于图像处理的数据监测系统及方法，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：该系统包括图像信息获取模块、图像处理模块、数据分析模块、数据监测模块和数据库；
所述图像信息获取模块与所述图像处理模块相连来将获取到的图像信息不断地进行图像处理，所述图像处理模块与所述数据分析模块相连将处理过的图像信息转化为数据信息直观的进行分析，所述数据监测模块与所述图像信息获取模块，所述数据监测模块与所述数据分析模块相连实现实时的监测当前人员的相关数据，所述数据库与所述图像信息获取模块相连，所述数据库与所述数据分析模块相连以达到存储图像信息和数据分析结果的目的。
所述图像信息获取模块用于利用摄像头来获取当前区域里的图像信息，所述图像处理模块用于分析图像中的关键信息并提取出相应特征，所述数据分析模块用于对图像中提取出来的数据进行直观的表达和分析，所述数据监测模块用于对区域中人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数进行监测，所述数据库用于存储图像信息和数据分析的结果。
所述图像信息获取模块包括图像截取单元和实时图像获取单元；所述图像截取单元用于在固定的时刻截取当前区域的图像，即所获取的信息是时间和图片，所述实时图像获取单元用于收集图像信息便于实时监测，通过摄像头对当前区域进行实时监控并将监控画面不断地传输给图像信息分析模块进行分析。
所述图像处理模块包括图像滤波单元和图像特征提取单元；所述图像滤波单元用于对图像信息进行滤波来突出分析所需要的信息，滤波可以消除图像中的噪音突出特征，在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞其他频率波段的操作，通过频域分析将图像分成从低频到高频的不同部分，低频对应图像强度变化小的区域，高频是图像强度变化大的区域。所述图像特征提取单元用于提取分析所需要的目标特征并将目标以散点图的形式呈现在二维坐标上面，提取人员特征使用HOG特征提取方法，该方法的好处在于因为HOG是在图像的局部方格单元上操作，所以它对图像几何以及光学的形变都可以保持很好的不变性。在识别人员方面，只要人员工大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些动作并不影响分析，所以HOG特征提取方法是适合于做图像中的人员的识别。
所述数据分析模块包括聚类分析单元和aoriori分析单元；所述聚类分析单元用于分析各个目标聚类的情况，所述aprioroi分析单元用于分析不同时间段里出现人群聚集的规律。
所述数据监测模块包括预警单元、实时信息更新单元和数据信息监控单元；所述预警单元用于对不符合预警标准的情况进行警告，所述实时信息更新单元用于对不断地更新当前区域的信息数据，所述数据信息监控单元用于将当天区域中的相关数据用折线图描述出来并对相关数据变化的趋势进行监控，所述相关数据是指人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数。
所述数据库包括数据存储单元和数据信息读写单元；所述数据存储单元用于存储图像信息以及算法分析的结果，所述数据信息读写单元用于对特定的数据进行读取和写入。数据库的搭建是使用Hbase分布式数据库进行搭建的，该数据库具有对结构化和半结构化大数据的实时读写和随机访问能力，所以Hbase可以提供高效的读写能力来帮助数据的读取和写入。因此，Hbase集群可以较为方便的实现集群容量、数据存储节点以及读写服务节点扩展。
一种基于图像处理的数据监测方法，其步骤包括：
S1、实时地获取当前的图像信息；
S2、利用聚类分析的算法分析之前所获取图像信息中的聚类情况，再使用apriori算法得出人群聚类的规律；
S3、以人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数为标准对当前区域反馈的数据进行监测；
S4、对于不符合监测标准的数据进行警告。
在S1中，所述实时地获取当前的图像信息是通过摄像头来实时的获取当前区域的图像以及位置和时间信息。
在S2中，分析人群聚类情况目的在于分析出在特定时刻人群的分布情况；
其中d(x,μ)表示样本点到质心的距离，xi表示簇中的一个样本点，μ表示该簇中的质心，n表示每个样本点中的特征数目，i表示x每个特征，将每个样本分配给距离最近的质心，由此得出最初的簇。分析特定时刻人群的分布情况有利于直观的观察到人群聚集的状况，其次也有利于分析人群聚集的地点是否存在风险，例如可查看路口、河边等具有安全隐患的地点是否有人员聚集。
找出人群聚类规律的是为了分析不同时间段区域中不同地点聚类情况的关联度，得出人群聚集概率较高的地点；
其中min(S)表示最小支持度，num(all example)表示样本的数量，number表示为发生目标事件的数量，min(C)表示最小置信度，P(X|Y)指在Y发生的条件下X发生的概率，P(XY)指X与Y同时发生的概率，P(Y)指Y发生的概率。
分析出人员聚集概率高的地点的好处在于：相较于原有技术中单纯的分析人员在区域中的流量而言，将过往的人员分布情况进行收集并算法分析是可以突出在众多的地点中，人员相对容易聚集的地点信息，有助于给监测方一个衡量人员聚集状况是否正常的一个标准。
在S3中，通过监测人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数四个指标来对区域进行实时监控，所述聚类分布情况是指算法分析所表明的区域中人员聚集概率高的地点，监控这个指标有助于监测人员分布情况是否正常，所述人员密度是指在人员聚集地点中单位面积为每平方米中的人员数量，监测人员密度可以反馈给监测方区域中是否有拥挤的情况，所述人员流量增长参数是指在时间维度上人员流量变大的速率，所述人员流量减少参数是指在时间维度上人员流量减小的速率，监控参数的变化有助于了解区域中人员变化的缓急。
在S4中，若实际区域中人员聚类情况与所述人群聚类分布情况有所差别将触发人群聚类分布异常的警告，当人员密度超出阈值时那么将触发人员密度过高的警告，人员流量增长参数超出阈值和人员流量减少参数高于阈值那么将触发人员流量异常警告。
与现有技术相比，本发明所达到的有益效果是：该发明相较于现有技术，其特点在于使用数字化的方式来直观描述图像中的关键信息，利用apriori算法和聚类分析来实现人员分布情况的直观化以及形成判断人员分布情况的标准，结合监测人员密度人员密度、人员流量、人员流量增长参数超出阈值和人员流量减少参数来提升数据监测的效率，为区域中人员聚集提供了客观的预警标准，提高了人员流动时的安全性。
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是本发明一种基于图像处理的数据监测系统及方法的连接结构示意图；
图2是本发明一种基于图像处理的数据监测系统及方法的流程结构示意图。
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1-2，本发明提供技术方案：
一种基于图像处理的数据监测系统，该系统包括图像信息获取模块、图像处理模块、数据分析模块、数据监测模块和数据库；图像信息获取模块与图像处理模块相连来将获取到的图像信息不断地进行图像处理，图像处理模块与数据分析模块相连将处理过的图像信息转化为数据信息直观的进行分析，数据监测模块与图像信息和数据分析模块相连实现实时的监测当前人员流量信息，数据库与图像信息获取模块和数据分析模块相连以达到存储不同时间段的图像和数据信息。
图像信息获取模块用于利用摄像头来获取区域的图像信息，图像处理模块用于分析图像的中关键信息并提取出相应特征，数据分析模块用于将从图像中提取出来的数据进行直观的表达和分析，数据监测模块用于对区域中非正常的聚集和人流量密度过大进行警告，数据库用于存储图像信息和数据分析的结果。
图像信息获取模块包括图像截取单元和实时图像获取单元；图像截取单元用于在固定的时刻截取当前区域的图像，即所获取的信息是时间和图片，实时图像获取单元用于收集图像信息便于实时监测，通过摄像头对当前区域进行实时监控并将监控画面不断地传输给图像信息分析模块进行分析。
图像处理模块包括图像滤波单元和图像特征提取单元；图像滤波单元用于对图像信息进行滤波来突出分析所需要的信息，滤波可以消除图像中的噪音突出特征，在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞其他频率波段的操作，通过频域分析将图像分成从低频到高频的不同部分，低频对应图像强度变化小的区域，高频是图像强度变化大的区域。图像特征提取单元用于提取分析所需要的目标特征并将目标以散点图的形式呈现在二维坐标上面，提取人员特征使用HOG特征提取方法，该方法的好处在于因为HOG是在图像的局部方格单元上操作，所以它对图像几何以及光学的形变都可以保持很好的不变性。在识别人员方面，只要人员工大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些动作并不影响分析，所以HOG特征提取方法是适合于做图像中的人员的识别。
数据分析模块包括聚类分析单元和apriori分析单元；聚类分析单元用于分析各个目标聚类的情况，apriori分析单元用于分析不同时间段里出现人群聚集的规律。
数据监测模块包括预警单元、实时信息更新单元和数据信息监控单元；预警单元用于对不符合预警标准的情况进行警告，实时信息更新单元用于对不断地更新当前区域的信息数据，数据信息监控单元用于将当天区域中的相关数据用折线图描述出来并对相关数据变化的趋势进行监控。
数据库包括数据存储单元和数据信息读写单元；数据存储单元用于存储图像信息以及算法分析的结果，数据信息读写单元用于对特定的数据进行读取和写入。数据库的搭建是使用Hbase分布式数据库进行搭建的，该数据库具有对结构化和半结构化大数据的实时读写和随机访问能力，所以Hbase可以提供高效的读写能力来帮助数据的读取和写入。因此，Hbase集群可以较为方便的实现集群容量、数据存储节点以及读写服务节点扩展。
一种基于图像处理的数据监测方法，其步骤包括：
S1、实时地获取当前的图像信息；
S2、利用聚类分析的算法分析之前所获取图像信息中的聚类情况，再使用apriori算法得出人群聚类的规律；
S3、以人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数为标准对当前区域反馈的数据进行监测；
S4、对于不符合监测标准的数据进行警告。
在S1中，实时地获取当前的图像信息是通过摄像头来实时的获取当前区域的图像以及位置和时间信息。
在S2中，分析人群聚类情况目的在于分析出在特定时刻人群的分布情况；
其中d(x,μ)表示样本点到质心的距离，xi表示簇中的一个样本点，μ表示该簇中的质心，n表示每个样本点中的特征数目，i表示x每个特征，将每个样本分配给距离最近的质心，由此得出最初的簇。分析特定时刻人群的分布情况有利于直观的观察到人群聚集的状况，其次也有利于分析人群聚集的地点是否存在风险，例如可查看路口、河边等具有安全隐患的地点是否有人员聚集。
找出人群聚类规律的是为了分析不同时间段区域中不同地点聚类情况的关联度，得出人群聚集概率较高的地点；
其中min(S)表示最小支持度，num(all example)表示样本的数量，number表示为发生目标事件的数量，min(C)表示最小置信度，P(X|Y)指在Y发生的条件下X发生的概率，P(XY)指X与Y同时发生的概率，P(Y)指Y发生的概率。
分析出人员聚集概率高的地点的好处在于：相较于原有技术中单纯的分析人员在区域中的流量而言，将过往的人员分布情况进行收集并算法分析是可以突出在众多的地点中，人员相对容易聚集的地点信息，有助于给监测方一个衡量人员聚集状况是否正常的一个标准。
在S3中，通过监测人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数四个指标来对区域进行实时监控，聚类分布情况是指算法分析所表明的区域中人员聚集概率高的地点，监控这个指标有助于监测人员分布情况是否正常，人员密度是指在人员聚集地点中单位面积为每平方米中的人员数量，监测人员密度可以反馈给监测方区域中是否有拥挤的情况，人员流量增长参数是指在时间维度上人员流量变大的速率，人员流量减小参数是指在时间维度上人员流量减小的速率，监测与参数相关的指标有助于了解区域中人员变化的缓急。
在S4中，若实际区域中人员聚类情况与人群聚类分布情况有所差别、人员密度超出阈值、人员流量增长参数超出阈值和人员流量减少参数低于阈值那么将触发警告。
与现有技术相比，本发明所达到的有益效果是：该发明相较于现有技术，其特点在于使用数字化的方式来直观描述图像中的关键信息，利用apriori算法和聚类分析来实现人员分布情况的直观化以及形成判断人员分布情况的标准，结合监测人员密度人员密度、人员流量、人员流量增长参数和人员流量减少参数来提升数据监测的效率，为区域中人员的聚集提供了客观的标准，保护了人员流动时的安全。
实施例1：利用聚类分析去分析出人员分布的情况，首先随机选取K个样本作为聚类中心，计算各样本与各个聚类中心的距离，将各样本回归于与之距离最近的聚类中心，求各个类的样本的均值，作为新的聚类中心，判定：若类中心不再发生变动或者达到迭代次数，算法结束，否则回到第二步。
当K＝2时，选择C1为(2,5)，C2为(7,2)；计算d(x,μ)：点(1,6)，与C1距离为与C2距离为7.2；依次方式计算出每一个点与质心的距离。计算与质心最短的距离，将该点分给距离最短的质心，重复运算得出不同的簇。
实施例2：通过apriori算法综合分析不同时间段中人员都容易聚集的地点，用abcde这五个字母来表示事，设置min(S)＝50％、min(C)＝50％。
TID items
1 acd
2 bce
3 abce
4 be
第一次扫描，扫描数据库获得每个候选项的计数，从而获得频繁1项集；
itemset sup
a 2
b 3
c 3
d 1
e 3
由于min(S)＝50％，得到：
频繁2项集：
itemset sup
ab 1
ac 2
ae 1
bc 2
be 3
ce 2
由于min(S)＝50％，得到：
itemset sup
ac 2
bc 2
be 3
ce 2
频繁3项集：
由于min(C)＝50％，得出
itemset sup
bce 2
关联规则的产生：
在b发生的情况下，ce同时发生的概率为66.7％；
在c发生的情况下，be同时发生的概率为66.7％；
在e发生的情况下，bc同时发生的概率为66.7％；
在bc同时发生的情况下，e发生的概率为100％；
在be同时发生的情况下，c发生的概率为66.7％；
在ce同时发生的情况下，b发生的概率为100％。
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 (10)

1.一种基于图像处理的数据监测系统，其特征在于：该系统包括图像信息获取模块、图像处理模块、数据分析模块、数据监测模块和数据库；
所述图像信息获取模块用于利用摄像头来获取当前区域里的图像信息，所述图像处理模块用于分析图像中的关键信息并提取出相应特征，所述数据分析模块用于对图像中提取出来的数据进行直观的表达和分析，所述数据监测模块用于对区域中人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数进行监测，所述数据库用于存储图像信息和数据分析的结果；
所述图像信息获取模块与所述图像处理模块相连来将获取到的图像信息不断地进行图像处理，所述图像处理模块与所述数据分析模块相连将处理过的图像信息转化为数据信息直观的进行分析，所述数据监测模块与所述图像信息获取模块相连，所述数据监测模块与所述数据分析模块相连实现实时的监测当前人员的相关数据，所述数据库分别与所述图像信息获取模块和所述数据分析模块相连，以达到存储图像信息和数据分析结果的目的。
2.根据权利要求1所述的一种基于图像处理的数据监测系统，其特征在于：所述图像信息获取模块包括图像截取单元和实时图像获取单元；
所述图像截取单元用于在固定的时刻截取当前区域的图像用于后续算法的分析，所述实时图像获取单元用于对当前区域进行监控，并不断的将监控画面传输到图像处理模块。
3.根据权利要求2所述的一种基于图像处理的数据监测系统，其特征在于：所述图像处理模块包括图像滤波单元和图像特征提取单元；
所述图像滤波单元用于对图像进行滤波，通过滤波来突出图像中分析所需要的信息，所述图像特征提取单元用于提取所需要的目标特征，以区域中心为原点建立二维直角坐标系，再将目标特征以散点图的形式呈现在二维直角坐标系上。
4.根据权利要求3所述的一种基于图像处理的数据监测系统，其特征在于：所述数据分析模块包括聚类分析单元和apriori分析单元；
所述聚类分析单元用于分析各个目标聚类的情况，所述apriori分析单元用于分析不同时间段里出现人群聚集的规律。
5.根据权利要求4所述的一种基于图像处理的数据监测系统，其特征在于：所述数据监测模块包括预警单元、实时信息更新单元和数据信息监控单元；
所述预警单元用于对不符合预警标准的情况进行警告，所述实时信息更新单元用于
实时更新当前区域的信息数据，所述数据信息监控单元用于将当天区域中的相关数据用折线图描述出来并对相关数据变化的趋势进行监控。
6.根据权利要求5所述的一种基于图像处理的数据监测系统，其特征在于：所述数据库包括数据存储单元和数据信息读写单元；
所述数据存储单元用于存储图像信息以及算法分析的结果，所述数据信息读写单元用于对相关数据进行读取和写入。
7.一种基于图像处理的数据监测方法，其特征在于：
S1、实时地获取图像信息；
S2、利用聚类分析的算法分析出当前图像信息中的人员分布情况，再使用apriori算法分析得出人群聚类的规律；
S3、以人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数为标准对当前区域反馈的数据进行监测；
S4、对于不符合监测标准的数据进行警告。
8.根据权利要求7所述的一种基于图像处理的数据监测方法，其特征在于：
在S1中，所述实时地获取图像信息是通过摄像头来实时的获取当前区域的图像相关的信息。
9.根据权利要求7所述的一种基于图像处理的数据监测方法，其特征在于：
在S2中，分析人群聚类情况目的在于分析出在特定时刻人群的分布情况；
其中d(x,μ)表示样本点到质心的距离，xi表示簇中的一个样本点，μ表示该簇中的质心，n表示每个样本点中的特征数目，i表示x每个特征，将每个样本分配给距离最近的质心，由此得出最初的簇；
找出人群聚类规律的是为了分析不同时间段区域中不同地点经常发生聚类情况的概率，在分析过程中设置概率阈值，当低于概率阈值时，那么所分析的人群聚类情况将不被采用，当高于概率阈值时，则得出人群聚类规律；
其中minSupport表示最小支持度，num(all example)表示样本的数量，number表示为发生目标事件的数量，minConfidence表示最小置信度，P(X|Y)指在Y发生的条件下X发生的概率，P(XY)指X与Y同时发生的概率，P(Y)指Y发生的概率。
10.根据权利要求7所述的一种基于图像处理的数据监测方法，其特征在于：
在S3中，通过监测人群聚类分布情况、人员密度、人员流量增长参数和人员流量减少参数四个指标来对区域进行实时监控，所述聚类分布情况是指算法分析所表明的区域中人员聚集概率高的地点，所述人员密度是指在人员聚集地点中单位面积为每平方米中的人员数量，所述人员流量增长参数是指在时间维度上人员流量变大的速率，所述人员流量减小参数是指在时间维度上人员流量减小的速率；在S4中，若实际区域中人员聚类情况与所述人群聚类分布情况有所差别，将触发人群聚类分布异常的警告；当人员密度高于阈值时，那么将触发人员密度过高的警告；人员流量增长参数高于阈值和人员流量减少参数高于阈值，那么将触发人员流量异常警告。
CN202310454652.1A 2023-04-25 2023-04-25 一种基于图像处理的数据监测系统及方法 Pending CN116486337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310454652.1A CN116486337A (zh) 2023-04-25 2023-04-25 一种基于图像处理的数据监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310454652.1A CN116486337A (zh) 2023-04-25 2023-04-25 一种基于图像处理的数据监测系统及方法

Publications (1)

Publication Number Publication Date
CN116486337A true CN116486337A (zh) 2023-07-25

Family

ID=87226479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310454652.1A Pending CN116486337A (zh) 2023-04-25 2023-04-25 一种基于图像处理的数据监测系统及方法

Country Status (1)

Country Link
CN (1) CN116486337A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
CN103839065A (zh) * 2014-02-14 2014-06-04 南京航空航天大学 人群动态聚集特征提取方法
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN115482507A (zh) * 2022-09-22 2022-12-16 武汉理工光科股份有限公司 基于人工智能的人群聚集消防预警方法及系统
CN115810178A (zh) * 2023-02-03 2023-03-17 中电信数字城市科技有限公司 人群异常聚集预警方法、装置、电子设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
CN103839065A (zh) * 2014-02-14 2014-06-04 南京航空航天大学 人群动态聚集特征提取方法
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN115482507A (zh) * 2022-09-22 2022-12-16 武汉理工光科股份有限公司 基于人工智能的人群聚集消防预警方法及系统
CN115810178A (zh) * 2023-02-03 2023-03-17 中电信数字城市科技有限公司 人群异常聚集预警方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
Thom et al. Spatiotemporal anomaly detection through visual analysis of geolocated twitter messages
Joshi et al. Crime analysis using K-means clustering
Rogerson et al. Spatial monitoring of geographic patterns: an application to crime analysis
WO2010138864A2 (en) Forecasting hotspots using predictive visual analytics approach
US20140058705A1 (en) System and Method for Detecting Abnormal Occurrences
CN109089160A (zh) 一种高校餐厅食品加工违规行为视频分析系统及方法
Leong et al. A review of spatio-temporal pattern analysis approaches on crime analysis
Al-Janabi A proposed framework for analyzing crime data set using decision tree and simple k-means mining algorithms
Jaribion et al. [WiP] a novel method for big data analytics and summarization based on fuzzy similarity measure
CN111538741A (zh) 一种面向警情大数据的深度学习分析方法及系统
WO2019200739A1 (zh) 数据欺诈识别方法、装置、计算机设备和存储介质
CN115544519A (zh) 对计量自动化系统威胁情报进行安全性关联分析的方法
CN116384736A (zh) 一种智慧城市的风险感知方法及系统
CN116258241A (zh) 一种基于时空关联的监管环境风险预测方法及系统
CN111858924A (zh) 一种具有网络舆情监控及分析功能的系统
Kiran et al. Discovering frequent spatial patterns in very large spatiotemporal databases
CN116261779A (zh) 数据处理方法、系统和计算机可读存储介质
CN116486337A (zh) 一种基于图像处理的数据监测系统及方法
CN116797180A (zh) 投诉预警方法、装置、计算机设备和存储介质
CN115346169B (zh) 一种睡岗行为检测方法及系统
KR102461822B1 (ko) 실시간 재난안전 뉴스 모니터링 시스템
CN115423361A (zh) 风险视图的数据处理方法、装置、存储介质和设备
CN114064723A (zh) 关联规则挖掘方法、装置、计算机设备和存储介质
CN112364072A (zh) 一种涉车非营运车营运发现方法、装置、设备和介质
CN112183312A (zh) 基于智慧城市的城市管理事件处理方法

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