CN116523319A - 智慧公园综合管理方法和系统 - Google Patents
智慧公园综合管理方法和系统 Download PDFInfo
- Publication number
- CN116523319A CN116523319A CN202310793590.7A CN202310793590A CN116523319A CN 116523319 A CN116523319 A CN 116523319A CN 202310793590 A CN202310793590 A CN 202310793590A CN 116523319 A CN116523319 A CN 116523319A
- Authority
- CN
- China
- Prior art keywords
- pedestrians
- water surface
- pedestrian
- risk degree
- model
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 132
- 238000012544 monitoring process Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000002028 Biomass Substances 0.000 claims description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000004308 accommodation Effects 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明提供的一种智慧公园综合管理方法和系统,该方法包括基于多个行人的各个时间点的位置坐标和多个行人的各个时间点的位置坐标对应的环境图像确定多个行人中每个行人的第一风险度;基于多个行人的衣着严实程度确定多个行人中每个行人的第二风险度;基于多个行人的头部摇晃频率确定多个行人中每个行人的第三风险度;对多个行人中每个行人的第一风险度、多个行人中每个行人的第二风险度、多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;判断每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端,该方法可以提高对公园的管理效率。
Description
技术领域
本发明涉及公园管理技术领域,具体涉及一种智慧公园综合管理方法和系统。
背景技术
随着城市化进程的不断发展,公园作为居民休闲娱乐、社交活动的场所越来越受到人们的关注。如今,居民经常到公园来进行观光游玩、放松心情。
然而,公园作为公共场所,由于公园的人员众多,盗窃事件也时有发生。传统的公园管理方式主要依赖于巡逻警力和监控摄像头等手段实现,由于公园面积较大,巡逻警力往往并不能及时发现盗窃事件并制止,而通过监控摄像头虽然可以对公园进行大面积的覆盖,但是还是需要安保人员时刻的对监控摄像头进行查看,以及时发现盗窃事件,由于监控摄像头众多,而盗窃事件往往发生时间较短,安保人员有时也并不能及时的发现盗窃事件。这两种对公园的管理方法效率低下,且需要浪费大量人力,且不能有效的预防盗窃事件的发生。
因此如何提高对公园的管理效率是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何提高对公园的管理效率。
根据第一方面,本发明提供一种智慧公园综合管理方法,包括:获取多个监控摄像头的监控视频;基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
更进一步地,所述方法还包括:基于所述多个监控摄像头的监控视频使用水面信息确定模型确定多个水面区域以及所述多个水面区域中每个水面区域的信息,所述每个水面区域的信息包括颜色、深度、水体表面植被覆盖程度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度;基于所述每个水面区域的传感器数据、所述每个水面区域的信息使用修复确定模型判断所述每个水面区域是否需要进行水体生态修复,所述每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
更进一步地,所述视频处理模型为长短期神经网络模型,所述视频处理模型的输入为所述多个监控摄像头的监控视频,所述视频处理模型的输出为多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率,所述水面信息确定模型为长短期神经网络模型,所述水面信息确定模型的输入为所述多个监控摄像头的监控视频,所述水面信息确定模型的输出为所述多个水面区域以及所述多个水面区域中每个水面区域的信息。
更进一步地,所述方法还包括:判断所述多个行人的数量是否大于人数阈值,若所述多个行人的数量大于人数阈值,则通知管理人员关闭公园入口。
更进一步地,所述人数阈值通过人数阈值确定模型输出得到,所述人数阈值确定模型的输入为公园全景图,所述人数阈值确定模型的输出为所述人数阈值,所述人数阈值确定模型为卷积神经网络模型。
根据第二方面,本发明提供一种智慧公园综合管理系统,包括:获取模块,用于获取多个监控摄像头的监控视频;行人确定模块,用于基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;第一风险度确定模块,用于基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;第二风险度确定模块,用于基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;第三风险度确定模块,用于基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;加权求和模块,用于对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;发送模块,用于判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
更进一步地,所述系统还用于:基于所述多个监控摄像头的监控视频使用水面信息确定模型确定多个水面区域以及所述多个水面区域中每个水面区域的信息,所述每个水面区域的信息包括颜色、深度、水体表面植被覆盖程度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度;基于所述每个水面区域的传感器数据、所述每个水面区域的信息使用修复确定模型判断所述每个水面区域是否需要进行水体生态修复,所述每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
更进一步地,所述视频处理模型为长短期神经网络模型,所述视频处理模型的输入为所述多个监控摄像头的监控视频,所述视频处理模型的输出为多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率,所述水面信息确定模型为长短期神经网络模型,所述水面信息确定模型的输入为所述多个监控摄像头的监控视频,所述水面信息确定模型的输出为所述多个水面区域以及所述多个水面区域中每个水面区域的信息。
更进一步地,所述系统还用于:判断所述多个行人的数量是否大于人数阈值,若所述多个行人的数量大于人数阈值,则通知管理人员关闭公园入口。
更进一步地,所述人数阈值通过人数阈值确定模型输出得到,所述人数阈值确定模型的输入为公园全景图,所述人数阈值确定模型的输出为所述人数阈值,所述人数阈值确定模型为卷积神经网络模型。
本发明提供的一种智慧公园综合管理方法和系统,该方法包括获取多个监控摄像头的监控视频;基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端,该方法可以提高对公园的管理效率。
附图说明
图1为本发明实施例提供的一种智慧公园综合管理方法的流程示意图;
图2为本发明实施例提供的一种判断公园水面区域是否需要进行水体生态修复的流程示意图;
图3为本发明实施例提供的一种智慧公园综合管理系统的示意图。
具体实施方式
本发明实施例中,提供了如图1所示的一种智慧公园综合管理方法,所述智慧公园综合管理方法包括步骤S1~S7:
步骤S1,获取多个监控摄像头的监控视频。
本发明所述的多个监控摄像头可以布置在公园各个角落。例如,可以设置在公园入口处、游乐设施周围、园林景观区域等位置,以全方位地监控公园内的情况。通过监控摄像头可以获取公园内的视频图像。监控摄像头可以采用高清模式,使得视频图像清晰明了,方便后续对行人的特征提取和分析。
步骤S2,基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率。
多个行人为公园中的来进行游玩的多个行人。
多个行人的各个时间点的位置坐标可以表现出行人在各个时间点的行走轨迹,可以通过对行人的轨迹进行分析判断得到行人的行走轨迹是否可疑。例如,若行人在一段路上经常来回走动,则说明该行人的行走轨迹非常可疑,可能是为了实施盗窃行为在一直蹲点守候。所以可以通过对所述多个行人的各个时间点的位置坐标进行分析判断行人是否具有盗窃的风险。
所述多个行人的各个时间点的位置坐标对应的环境图像表示多个行人在各个时间点的位置左边所对应的环境图像,所述多个行人的各个时间点的位置坐标对应的环境图像可以通过视频处理模型从多个监控摄像头的监控视频提取出来,所述多个行人的各个时间点的位置坐标对应的环境图像可以显示行人的面貌、行人的动作、环境信息等,所以可以通过对所述多个行人的各个时间点的位置坐标对应的环境图像进行分析判断行人盗窃的风险程度。
所述多个行人的衣着严实程度指行人在穿着上将自己包裹的严实程度。例如,行人若穿着厚厚的衣服、又带着墨镜、有带着鸭舌帽,则该行人的衣着严实程度越高,说明想要伪装自己避免被监控拍到,也避免暴露身份,则该行人盗窃的风险也就越高。所述多个行人的衣着严实程度可以为0-1之间的数值,数值越大,则行人的衣着严实程度越高。
所述多个行人的头部摇晃频率表示行人在公园中头部左右摇晃的频率。由于行人在公园中是为了放松心情来公园游玩的,一般不会频繁的来回摇晃打量身边环境。所以若行人的头部来回摇晃左顾右盼的频率越高,说说明是可能为了观察周边环境以方便实施盗窃行为。例如,若行人头部摇晃频率明显大于正常情况,则可能会存在盗窃风险。作为示例,行人的头部摇晃频率可以为每分钟摇晃10次、20次等。
视频处理模型为长短期神经网络模型。长短期神经网络模型包括长短期神经网络(LSTM,Long Short-Term Memory)。长短期神经网络模型能够处理任意长度的序列数据,捕捉序列的信息,输出基于序列中前后数据关联关系的结果。视频处理模型综合考虑了各个时间点的多个监控摄像头的监控视频之间关联关系的特征,最终确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率。
视频处理模型可以通过梯度下降法对训练样本进行训练得到。所述视频处理模型为长短期神经网络模型,所述视频处理模型的输入为所述多个监控摄像头的监控视频,所述视频处理模型的输出为多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率。
步骤S3,基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度。
第一风险度确定模型为深度神经网络模型,深度神经网络模型包括深度神经网络(Deep Neural Networks,DNN)。所述第一风险度确定模型的输入为所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像,所述第一风险度确定模型的输出为所述多个行人中每个行人的第一风险度。所述多个行人中每个行人的第一风险度可以用于表示行人盗窃的风险程度,第一风险度可以为0-1之间的数值,数值越大,则说明行人盗窃的风险程度越大,行人越有可能实施盗窃行为。
步骤S4,基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度。
第二风险度可以为0-1之间的数值,数值越大,则说明行人盗窃的风险程度越大,行人越有可能实施盗窃行为。
在一些实施例中,可以通过行人的衣着严实程度与第二风险度的预设关系来确定第二风险度,预设关系可以事先确定。衣着严实程度越高,则行人的第二风险度越高,作为示例,行人的衣着严实程度可以与第二风险度相同,例如,行人的衣着严实程度为0.1,则第二风险度也可以为0.1。
步骤S5,基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度。
在一些实施例中,可以通过行人的头部摇晃频率与第三风险度的预设关系来确定第三风险度,预设关系可以事先确定,作为示例,头部摇晃频率为每分钟摇晃10次,则对应风险度为0.2,头部摇晃频率为每分钟摇晃10次,则对应风险度为0.2。头部摇晃频率越高,则行人的第三风险度越高。
步骤S6,对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度。
在确定完每个行人的第一风险度、第二风险度、第三风险度后,可以将其分别乘以对应的权重系数,再将三个风险度相加,得到该行人的风险度。行人的风险度考虑了各个方面的因素,最终所确定出来的风险度更加全面。行人的风险度可以用于表示行人盗窃的风险程度。
步骤S7,判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
在计算出每个行人的总风险度后,可以将其与预设的阈值进行比较。如果超过了阈值,则说明该行人盗窃的风险程度越大,则将该行人的位置坐标发送到管理终端,管理人员可以对该行人进行重点关注,以防止盗窃行为的发生。
所述方法还包括:判断所述多个行人的数量是否大于人数阈值,若所述多个行人的数量大于人数阈值,则通知管理人员关闭公园入口。
在一些实施例中,所述人数阈值可以通过人数阈值确定模型输出得到,所述人数阈值确定模型的输入为公园全景图,所述人数阈值确定模型的输出为所述人数阈值,所述人数阈值确定模型为卷积神经网络模型。卷积神经网络模型包括卷积神经网络(Convolutional Neural Networks,CNN)。卷积神经网络模型可以根据公园全景图,考虑公园的实际情况,最终输出得到合适的人数阈值。
在一些实施例中,人数阈值确定模型可以包括分割子模型、公园道路容纳人数阈值确定子模型、公园建筑容纳人数阈值确定子模型、公园休息设施容纳人数阈值确定子模型和综合输出子模型。分割子模型、公园道路容纳人数阈值确定子模型、公园建筑容纳人数阈值确定子模型、公园休息设施容纳人数阈值确定子模型和综合输出子模型都为卷积神经网络模型。分割子模型的输入为公园全景图,分割子模型的输出为分割后的公园道路图像、分割后的公园建筑图像、分割后的公园休息设施图像,公园道路容纳人数阈值确定子模型的输入为分割后的公园道路图像,公园道路容纳人数阈值确定子模型的输出为公园道路容纳人数阈值,公园建筑容纳人数阈值确定子模型的输入为分割后的公园建筑图像,公园建筑容纳人数阈值确定子模型的输出为公园建筑容纳人数阈值,公园休息设施容纳人数阈值确定子模型的输入为分割后的公园休息设施图像,公园休息设施容纳人数阈值确定子模型的输出为公园休息设施容纳人数阈值,综合输出子模型的输入为公园道路容纳人数阈值、公园建筑容纳人数阈值、公园休息设施容纳人数阈值,综合输出子模型的输出为人数阈值。
公园道路容纳人数阈值表示公园的道路上能够容纳的人数的阈值。
公园建筑容纳人数阈值表示公园的建筑上能够容纳的人数的阈值。
公园休息设施容纳人数阈值表示公园的休息设施上能够容纳的人数的阈值。公园的休息设施可以为椅子、板凳等。
先通过分割模型分割出多个图像,再依次根据各个子模型来依次确定出各个图像中容纳的人数阈值,避免了在实际应用中由于公园全景图的数据较多,造成一个大模型在训练阶段和应用阶段的处理效率较慢、精度不高的问题,提高了模型的训练速度和应用处理速度。
在一些实施例中,还可以通过图2所示的方法来确定公园水面区域是否需要进行水体生态修复。图2为本发明实施例提供的一种判断公园水面区域是否需要进行水体生态修复的流程示意图,所述判断公园水面区域是否需要进行水体生态修复的流程包括步骤S21~S22:
步骤S21,基于所述多个监控摄像头的监控视频使用水面信息确定模型确定多个水面区域以及所述多个水面区域中每个水面区域的信息,所述每个水面区域的信息包括颜色、深度、水体表面植被覆盖程度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度;
水面区域可以包括公园中的湖泊、河流等。
水面信息确定模型可以通过对监控摄像头的监控视频进行处理,确定多个水面区域以及所述多个水面区域中每个水面区域的信息。所述每个水面区域的信息包括颜色、深度、植被覆盖密度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度。
水体表面植被覆盖程度指水面区域中的植被覆盖的程度。水体表面植被可以有效地控制水体流速,稳定水体土壤,保持水质,维护水体的生态平衡等。当水体植被覆盖密度过高时,会对水体的光照、氧气交换、水温调节等产生不良影响,甚至会造成水体富营养化或水华现象,导致水质恶化。而水体植被覆盖密度过低,则会缺乏足够的氧气来源和栖息地,影响水生生物的生存。水体表面植被覆盖程度可以用于评价水体生态环境。
生物量指水生植物和浮游动物在单位面积或单位体积内的数量。在一些实施例中,可以使用水生植物和浮游动物生物量来描述水生生态系统中的状态。
水面区域的颜色、深度、水体表面植被覆盖程度、生物量可以反映水体生态系统的基础状态。
行人数量和行走速度可以反映水体环境的情况,例如,若水面区域对应的行人数量较少,则说明水面区域水体受到污染,所以行人不愿意到这来。又例如,若水面区域对应的行人行走速度较快,可能是由于水体受到污染,会产生难闻的气味或水体比较脏,所以行人会加快行走速度以尽快远离该水面区域。
所述水面信息确定模型为长短期神经网络模型,所述水面信息确定模型的输入为所述多个监控摄像头的监控视频,所述水面信息确定模型的输出为所述多个水面区域以及所述多个水面区域中每个水面区域的信息。
步骤S22,基于所述每个水面区域的传感器数据、所述每个水面区域的信息使用修复确定模型判断所述每个水面区域是否需要进行水体生态修复,所述每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
在一些实施例中,可以在水面区域放置多个传感器,并通过传感器的数据来判断每个水面区域是否需要进行水体生态修复。每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
修复确定模型为深度神经网络模型,修复确定模型的输入为所述每个水面区域的传感器数据、所述每个水面区域的信息,修复确定模型的输出为需要进行水体生态修复或不需要进行水体生态修复。
基于同一发明构思,图3为本发明的实施例提供的一种智慧公园综合管理系统示意图,所述智慧公园综合管理系统包括:
获取模块31,用于获取多个监控摄像头的监控视频;
行人确定模块32,用于基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;
第一风险度确定模块33,用于基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;
第二风险度确定模块34,用于基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;
第三风险度确定模块35,用于基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;
加权求和模块36,用于对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;
发送模块37,用于判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
Claims (10)
1.一种智慧公园综合管理方法,其特征在于,包括:
获取多个监控摄像头的监控视频;
基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;
基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;
基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;
基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;
对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;
判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
2.如权利要求1所述的智慧公园综合管理方法,其特征在于,所述方法还包括:
基于所述多个监控摄像头的监控视频使用水面信息确定模型确定多个水面区域以及所述多个水面区域中每个水面区域的信息,所述每个水面区域的信息包括颜色、深度、水体表面植被覆盖程度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度;
基于所述每个水面区域的传感器数据、所述每个水面区域的信息使用修复确定模型判断所述每个水面区域是否需要进行水体生态修复,所述每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
3.如权利要求2所述的智慧公园综合管理方法,其特征在于,所述视频处理模型为长短期神经网络模型,所述视频处理模型的输入为所述多个监控摄像头的监控视频,所述视频处理模型的输出为多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率,所述水面信息确定模型为长短期神经网络模型,所述水面信息确定模型的输入为所述多个监控摄像头的监控视频,所述水面信息确定模型的输出为所述多个水面区域以及所述多个水面区域中每个水面区域的信息。
4.如权利要求1所述的智慧公园综合管理方法,其特征在于,所述方法还包括:判断所述多个行人的数量是否大于人数阈值,若所述多个行人的数量大于人数阈值,则通知管理人员关闭公园入口。
5.如权利要求4所述的智慧公园综合管理方法,其特征在于,所述人数阈值通过人数阈值确定模型输出得到,所述人数阈值确定模型的输入为公园全景图,所述人数阈值确定模型的输出为所述人数阈值,所述人数阈值确定模型为卷积神经网络模型。
6.一种智慧公园综合管理系统,其特征在于,包括:
获取模块,用于获取多个监控摄像头的监控视频;
行人确定模块,用于基于所述多个监控摄像头的监控视频使用视频处理模型确定多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的各个时间点的位置坐标对应的环境图像、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率;
第一风险度确定模块,用于基于所述多个行人的各个时间点的位置坐标和所述多个行人的各个时间点的位置坐标对应的环境图像使用第一风险度确定模型确定所述多个行人中每个行人的第一风险度;
第二风险度确定模块,用于基于所述多个行人的衣着严实程度确定所述多个行人中每个行人的第二风险度;
第三风险度确定模块,用于基于所述多个行人的头部摇晃频率确定所述多个行人中每个行人的第三风险度;
加权求和模块,用于对所述多个行人中每个行人的第一风险度、所述多个行人中每个行人的第二风险度、所述多个行人中每个行人的第三风险度分别赋予不同的权重后,再进行加权求和后每个行人的风险度;
发送模块,用于判断所述每个行人的风险度是否大于风险度阈值,并将大于风险度阈值所对应的一个或多个行人的位置坐标发送到管理终端。
7.如权利要求6所述的智慧公园综合管理系统,其特征在于,所述系统还用于:
基于所述多个监控摄像头的监控视频使用水面信息确定模型确定多个水面区域以及所述多个水面区域中每个水面区域的信息,所述每个水面区域的信息包括颜色、深度、水体表面植被覆盖程度、生物量、水面区域对应的行人数量、水面区域对应的行人行走速度;
基于所述每个水面区域的传感器数据、所述每个水面区域的信息使用修复确定模型判断所述每个水面区域是否需要进行水体生态修复,所述每个水面区域的传感器数据包括pH值传感器、溶解氧传感器、电导率传感器、温度传感器、浊度传感器、化学需氧量传感器、氨氮传感器。
8.如权利要求7所述的智慧公园综合管理系统,其特征在于,所述视频处理模型为长短期神经网络模型,所述视频处理模型的输入为所述多个监控摄像头的监控视频,所述视频处理模型的输出为多个行人以及所述多个行人的各个时间点的位置坐标、所述多个行人的衣着严实程度、所述多个行人的头部摇晃频率,所述水面信息确定模型为长短期神经网络模型,所述水面信息确定模型的输入为所述多个监控摄像头的监控视频,所述水面信息确定模型的输出为所述多个水面区域以及所述多个水面区域中每个水面区域的信息。
9.如权利要求6所述的智慧公园综合管理系统,其特征在于,所述系统还用于:判断所述多个行人的数量是否大于人数阈值,若所述多个行人的数量大于人数阈值,则通知管理人员关闭公园入口。
10.如权利要求9所述的智慧公园综合管理系统,其特征在于,所述人数阈值通过人数阈值确定模型输出得到,所述人数阈值确定模型的输入为公园全景图,所述人数阈值确定模型的输出为所述人数阈值,所述人数阈值确定模型为卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793590.7A CN116523319B (zh) | 2023-06-30 | 2023-06-30 | 智慧公园综合管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793590.7A CN116523319B (zh) | 2023-06-30 | 2023-06-30 | 智慧公园综合管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523319A true CN116523319A (zh) | 2023-08-01 |
CN116523319B CN116523319B (zh) | 2023-09-08 |
Family
ID=87394386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793590.7A Active CN116523319B (zh) | 2023-06-30 | 2023-06-30 | 智慧公园综合管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523319B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140091A (ja) * | 2008-12-09 | 2010-06-24 | Takenaka Komuten Co Ltd | 犯罪防止装置およびプログラム |
US20150294144A1 (en) * | 2012-10-19 | 2015-10-15 | Nec Corporation | Passenger counting system, passenger counting method and passenger counting program |
CN107484120A (zh) * | 2017-06-21 | 2017-12-15 | 湖南简成信息技术有限公司 | 基于第三方应用程序的智能导游方法、导游装置及设备 |
CN108647844A (zh) * | 2018-03-19 | 2018-10-12 | 杭州祐全科技发展有限公司 | 一种食品安全人工智能监管方法 |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN110188959A (zh) * | 2019-06-03 | 2019-08-30 | 河海大学 | 一种城市内河水量水质优化调控方法 |
CN110633643A (zh) * | 2019-08-15 | 2019-12-31 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的异常行为检测方法及系统 |
JP2020010154A (ja) * | 2018-07-06 | 2020-01-16 | エヌ・ティ・ティ・コムウェア株式会社 | 危険作業検出システム、解析装置、表示装置、危険作業検出方法、および、危険作業検出プログラム |
CN111294554A (zh) * | 2018-12-10 | 2020-06-16 | 丰田自动车株式会社 | 行为监视装置、行为监视系统和行为监视程序 |
US20200349347A1 (en) * | 2019-01-07 | 2020-11-05 | Cherry Labs Inc. | Systems and methods for monitoring and recognizing human activity |
JP2021076934A (ja) * | 2019-11-05 | 2021-05-20 | グローリー株式会社 | 危険行動予防装置、危険行動予防システム、危険行動予防方法及び危険行動予防プログラム |
CN114821406A (zh) * | 2022-04-12 | 2022-07-29 | 福建亿榕信息技术有限公司 | 一种电力作业现场违章行为的判定方法和系统 |
CN115239508A (zh) * | 2022-08-02 | 2022-10-25 | 中国平安人寿保险股份有限公司 | 基于人工智能的场景规划调整方法、装置、设备及介质 |
CN115504579A (zh) * | 2022-09-30 | 2022-12-23 | 西北大学 | 一种水域生态综合修复系统 |
US20230066101A1 (en) * | 2022-09-29 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Early warning method and system for regional public security management in smart city based on the internet of things |
CN115938069A (zh) * | 2022-12-19 | 2023-04-07 | 北京百度网讯科技有限公司 | 危险行为的报警方法和危险行为的报警系统 |
CN115936952A (zh) * | 2022-12-31 | 2023-04-07 | 中国市政工程西南设计研究总院有限公司 | 一种智慧公园人员拥堵疏通管理系统及方法 |
CN115965913A (zh) * | 2023-02-16 | 2023-04-14 | 山西经控科技有限公司 | 安防监控的方法、装置、系统及计算机可读存储介质 |
CN116102100A (zh) * | 2023-03-23 | 2023-05-12 | 厚普环保科技(苏州)有限公司 | 一种基于物联网设备的水质修复反馈控制方法及系统 |
CN116307743A (zh) * | 2023-05-23 | 2023-06-23 | 浙江安邦护卫科技服务有限公司 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
-
2023
- 2023-06-30 CN CN202310793590.7A patent/CN116523319B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140091A (ja) * | 2008-12-09 | 2010-06-24 | Takenaka Komuten Co Ltd | 犯罪防止装置およびプログラム |
US20150294144A1 (en) * | 2012-10-19 | 2015-10-15 | Nec Corporation | Passenger counting system, passenger counting method and passenger counting program |
CN107484120A (zh) * | 2017-06-21 | 2017-12-15 | 湖南简成信息技术有限公司 | 基于第三方应用程序的智能导游方法、导游装置及设备 |
CN108647844A (zh) * | 2018-03-19 | 2018-10-12 | 杭州祐全科技发展有限公司 | 一种食品安全人工智能监管方法 |
JP2020010154A (ja) * | 2018-07-06 | 2020-01-16 | エヌ・ティ・ティ・コムウェア株式会社 | 危険作業検出システム、解析装置、表示装置、危険作業検出方法、および、危険作業検出プログラム |
CN109101888A (zh) * | 2018-07-11 | 2018-12-28 | 南京农业大学 | 一种游客人流量监控预警方法 |
CN111294554A (zh) * | 2018-12-10 | 2020-06-16 | 丰田自动车株式会社 | 行为监视装置、行为监视系统和行为监视程序 |
US20200349347A1 (en) * | 2019-01-07 | 2020-11-05 | Cherry Labs Inc. | Systems and methods for monitoring and recognizing human activity |
CN110188959A (zh) * | 2019-06-03 | 2019-08-30 | 河海大学 | 一种城市内河水量水质优化调控方法 |
CN110633643A (zh) * | 2019-08-15 | 2019-12-31 | 青岛文达通科技股份有限公司 | 一种面向智慧社区的异常行为检测方法及系统 |
JP2021076934A (ja) * | 2019-11-05 | 2021-05-20 | グローリー株式会社 | 危険行動予防装置、危険行動予防システム、危険行動予防方法及び危険行動予防プログラム |
CN114821406A (zh) * | 2022-04-12 | 2022-07-29 | 福建亿榕信息技术有限公司 | 一种电力作业现场违章行为的判定方法和系统 |
CN115239508A (zh) * | 2022-08-02 | 2022-10-25 | 中国平安人寿保险股份有限公司 | 基于人工智能的场景规划调整方法、装置、设备及介质 |
US20230066101A1 (en) * | 2022-09-29 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Early warning method and system for regional public security management in smart city based on the internet of things |
CN115504579A (zh) * | 2022-09-30 | 2022-12-23 | 西北大学 | 一种水域生态综合修复系统 |
CN115938069A (zh) * | 2022-12-19 | 2023-04-07 | 北京百度网讯科技有限公司 | 危险行为的报警方法和危险行为的报警系统 |
CN115936952A (zh) * | 2022-12-31 | 2023-04-07 | 中国市政工程西南设计研究总院有限公司 | 一种智慧公园人员拥堵疏通管理系统及方法 |
CN115965913A (zh) * | 2023-02-16 | 2023-04-14 | 山西经控科技有限公司 | 安防监控的方法、装置、系统及计算机可读存储介质 |
CN116102100A (zh) * | 2023-03-23 | 2023-05-12 | 厚普环保科技(苏州)有限公司 | 一种基于物联网设备的水质修复反馈控制方法及系统 |
CN116307743A (zh) * | 2023-05-23 | 2023-06-23 | 浙江安邦护卫科技服务有限公司 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
Non-Patent Citations (2)
Title |
---|
万晨: "基于大数据的智能视频分析技术在平安校园中的应用研究", 电脑知识与技术, vol. 14, no. 01, pages 191 - 192 * |
魏永超: "人群异常识别技术研究进展", 计算机系统应用, vol. 25, no. 09, pages 10 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523319B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543513A (zh) | 智能监控实时处理的方法、装置、设备及存储介质 | |
CN109241933A (zh) | 视频联动监控方法、监控服务器、视频联动监控系统 | |
CN101464944B (zh) | 一种基于统计特征的人群密度分析方法 | |
CN106203331A (zh) | 一种基于卷积神经网络的人群密度估算方法 | |
CN111242025B (zh) | 一种基于yolo的动作实时监测方法 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
CN107330414A (zh) | 暴力行为监控方法 | |
CN110263654A (zh) | 一种火焰检测方法、装置及嵌入式设备 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN111046773B (zh) | 一种基于图像技术判定路面积滞水的方法 | |
CN113011404B (zh) | 基于时空域特征的狗拴绳识别方法、装置 | |
CN108319892A (zh) | 一种基于遗传算法的车辆安全预警方法及系统 | |
CN109509330A (zh) | 一种小区游泳池智能监控系统 | |
Mo et al. | DCA-CycleGAN: Unsupervised single image dehazing using dark channel attention optimized CycleGAN | |
CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
CN113591592A (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
CN116523319B (zh) | 智慧公园综合管理方法和系统 | |
CN114155470A (zh) | 一种河道区域入侵检测方法、系统及存储介质 | |
CN114494965A (zh) | 一种基于视觉的流浪宠物的检测方法及系统 | |
CN112118421A (zh) | 一种智慧巡河方法、装置、存储介质和电子设备 | |
WO2021022427A1 (zh) | 一种社区流浪动物监测系统及监测方法 | |
Li et al. | Inferring fine-grained PM2. 5 with bayesian based kernel method for crowdsourcing system | |
CN114743262A (zh) | 行为检测方法、装置、电子设备及存储介质 |
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 |