CN116614717B - 用于智慧社区的视频监控方法和系统 - Google Patents
用于智慧社区的视频监控方法和系统 Download PDFInfo
- Publication number
- CN116614717B CN116614717B CN202310889726.4A CN202310889726A CN116614717B CN 116614717 B CN116614717 B CN 116614717B CN 202310889726 A CN202310889726 A CN 202310889726A CN 116614717 B CN116614717 B CN 116614717B
- Authority
- CN
- China
- Prior art keywords
- area
- monitoring
- community
- areas
- information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000009434 installation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000000547 structure data Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供的一种用于智慧社区的视频监控方法和系统,该方法包括基于社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和多个分割区域的信息;基于社区平均房价、多个分割区域的信息确定社区最低监控总面积;基于最低监控总面积、社区平均房价、多个分割区域的信息确定多个监控摄像头的数量;基于最低监控总面积、社区平均房价、多个监控摄像头的数量、多个分割区域的信息构建多个节点和多条边;基于图神经网络模型对多个节点和多条边进行处理确定多个监控摄像头的安装位置、监控区域、分辨率;基于多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控,该方法能够合理的布置监控摄像头,提高智慧社区的居民体验。
Description
技术领域
本发明涉及视频监控技术领域,具体涉及一种用于智慧社区的视频监控方法和系统。
背景技术
智慧社区是社区管理的一种新理念,是新形势下社会管理创新的一种新模式。智慧社区是指充分利用物联网、云计算、移动互联网等新一代信息技术的集成应用,为社区居民提供安全、舒适、便利的现代化、智慧化的生活环境,从而形成基于信息化、智能化社会管理与服务的一种新的管理形态的社区。
视频监控是智慧社区重要的组成部分,而视频监控的摄像头位置往往都是人为根据个人经验来进行布置的,摄像头的位置有时会设定的不太合理,会造成监控摄像头过少导致监控盲区过多、监控范围不符合实际需要、或者对居民的私人领域进行了监控导致侵犯了用户隐私。
因此如何合理的布置监控摄像头、提高智慧社区的居民体验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合理的布置监控摄像头,提高智慧社区的居民体验。
根据第一方面,本发明提供一种用于智慧社区的视频监控方法,包括:获取社区的多个拍摄视频;基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
更进一步地,所述多个分割区域包括住宅区、公共区、路网区,商业区,道路交通区、安全区。
更进一步地,所述摄像头确定模型为深度神经网络模型,所述摄像头确定模型的输入为所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,所述摄像头确定模型的输出为多个监控摄像头的数量。
更进一步地,所述方法还包括:获取所述多个监控摄像头的监控视频,使用判断模型判断所述多个监控摄像头的监控视频的视频中是否包含隐私信息,所述判断模型为长短期神经网络模型,所述判断模型的输入为所述多个监控摄像头的监控视频,所述判断模型的输出为包含隐私信息或不包含隐私信息。
更进一步地,所述方法还包括:若所述判断模型的输出为包含隐私信息,则通知管理人员重新确定所述多个监控摄像头的位置。
根据第二方面,本发明提供一种用于智慧社区的视频监控系统,包括:获取模块,用于获取社区的多个拍摄视频;第一处理模块,用于基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;面积确定模块,用于基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;第二处理模块,用于基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;构建模块,用于基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;第三处理模块,用于基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;监控模块,用于基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
更进一步地,所述多个分割区域包括住宅区、公共区、路网区,商业区,道路交通区、安全区。
更进一步地,所述摄像头确定模型为深度神经网络模型,所述摄像头确定模型的输入为所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,所述摄像头确定模型的输出为多个监控摄像头的数量。
更进一步地,所述系统还用于:获取所述多个监控摄像头的监控视频,使用判断模型判断所述多个监控摄像头的监控视频的视频中是否包含隐私信息,所述判断模型为长短期神经网络模型,所述判断模型的输入为所述多个监控摄像头的监控视频,所述判断模型的输出为包含隐私信息或不包含隐私信息。
更进一步地,所述系统还用于:若所述判断模型的输出为包含隐私信息,则通知管理人员重新确定所述多个监控摄像头的位置。
本发明提供的一种用于智慧社区的视频监控方法和系统,该方法包括获取社区的多个拍摄视频;基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控,该方法能够合理的布置监控摄像头,提高智慧社区的居民体验。
附图说明
图1为本发明实施例提供的一种用于智慧社区的视频监控方法的流程示意图;
图2为本发明实施例提供的一种用于智慧社区的视频监控系统的示意图。
具体实施方式
本发明实施例中,提供了如图1所示的一种用于智慧社区的视频监控方法,所述用于智慧社区的视频监控方法包括步骤S1~S7:
步骤S1,获取社区的多个拍摄视频。
在一些实施例中,可以通过多个手机摄像头对社区的不同区域进行视频拍摄得到社区的多个拍摄视频。社区的多个拍摄视频可以展现出社区的全貌,例如,可以展现出住宅区、公共区、路网区,商业区,道路交通区、安全区等。社区的多个拍摄视频可以用于后续的辅助分析和决策。
住宅区是小区中最主要的区域,是居民居住的地方。住宅区一般包括多栋住宅楼、别墅等。公共区包含小区内的公共设施,如花园、游泳池、篮球场、健身房、阅览室等。路网区包括小区内的各种路径和道路,包括人行道、车道等。商业区包括小区周边的商业设施,如超市、餐厅、咖啡厅等。道路交通区包括小区内的各种交通设施,如停车场、停车位等。安全区包括小区的安保设施,如安保设备所在区域等,例如保安室等。
步骤S2,基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息。
分割区域表示通过区域信息确定模型对社区的不同区域进行按照功能划分分割得到的区域。所述多个分割区域包括住宅区、公共区、路网区,商业区,道路交通区、安全区。
所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息。
每个分割区域的待监控区域表示每个分割区域中需要被监控的区域,例如,一个分割区域可以包括多个待监控区域。作为示例,公共区有3块空地,小孩经常在此处玩耍,则这3块空地为待监控区域。
所述每个分割区域的待监控区域的重点监控程度表示每个待监控区域的需要被重点监控的程度,待监控区域的重点监控程度可以为0-1之间的数值,数值越大,则越需要被重点监控。例如,人流量大的区域的重点监控程度会大于人流量小的区域的重点监控程度,又例如,公共设施较多的区域的重点监控程度会大于空地的区域的重点监控程度。了解每个待监控区域的重点监控程度,有利于确定监控摄像头的布置方案,以达到最优的视频监控效果。
所述每个分割区域的待监控区域的总面积表示分割区域的多个待监控区域的面积总和。例如,分割区域有3个待监控区域,其面积分别为15平方米、20平方米、25平方米,则该分割区域的待监控区域的总面积为50平方米。
人流分布信息为是指在小区内各个区域的不同时间段内人员数量和人员流动信息。了解社区内各个分割区域的人流分布信息,可以帮助确定布置监控摄像头的位置和监控区域,以更好地实现视频监控和异常情况处理。
每个分割区域的位置信息可以包括每个分割区域的面积范围、分割区域所包括的横纵坐标范围。这些位置信息可以帮助确定监控摄像头的布置方案,以达到最优的视频监控效果。
运用区域信息确定模型可以将社区划分为多个分割区域,以便更好地进行视频监控。每个分割区域的信息可以帮助确定监控摄像头的布置方案,例如哪些区域需要重点监控、哪些区域可以放置较少的监控摄像头等。
区域信息确定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。区域信息确定模型综合考虑了各个时间点的社区的多个拍摄视频之间关联关系的特征,最终确定多个分割区域和所述多个分割区域的信息。区域信息确定模型可以通过梯度下降法对训练样本进行训练得到。
所述区域信息确定模型的输入为所述社区的多个拍摄视频,所述区域信息确定模型的输出为多个分割区域和所述多个分割区域的信息。
在一些实施例中,区域信息确定模型包括分割子模型、监控区域确定子模型、监控程度确定子模型、综合输出子模型,分割子模型的输入为社区的多个拍摄视频,分割子模型的输出为社区中的每个分割区域的视频帧。在进行社区监控时,首先需要将整个社区划分为若干个区域,再对每个区域进行单独的监控。因此,分割模型的作用是先将社区的多个视频进行分割。监控区域确定子模型的输入为每个分割区域的视频帧,输出为每个分割区域的待监控区域。在每个分割区域内,可能存在多个需要被监控的区域,例如社区门口的进出口、小区内的公共区域、停车场等。监控区域确定子模型的作用是根据每个分割区域的实际情况,自动确定需要被监控的区域,从而提高监控效率。监控程度确定子模型的输入为每个分割区域的视频帧、每个分割区域的待监控区域,监控程度确定子模型的输出为每个分割区域的待监控区域的重点监控程度。在每个需要被监控的区域中,某些重要区域(例如门口、停车场出入口等)可能需要更高的监控程度,而其他区域则可以采用较低的程度进行监控。监控程度确定子模型的作用是自动判断并确定每个待监控区域的重点监控程度,提高监控效率。综合输出子模型的输入为每个分割区域的视频帧、每个分割区域的待监控区域、每个分割区域的待监控区域的重点监控程度,综合输出子模型的输出为每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息。综合输出子模型可以将综合前面多个子模型的输出,最终得到最后的输出。
步骤S3,基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积。
社区的发展水平和居民收入水平等因素都会对视频监控方案产生影响。从监控需求出发,可以通过社区平均房价来描述社区居民的生活水平。社区平均房价越高,则说明社区居民的生活水平也就越高,则需要更严密的监控以保证社区居民的安全,所以社区最低监控的总面积就会增大,反之,社区平均房价越低,则说明社区居民的收入水平偏低,则为了节约成本,就可以降低社区最低监控的总面积,以减少监控摄像头的数量,仅监控核心区域。
社区平均房价可以指社区内所有房产单价的平均值,社区平均房价可以通过工作人员手动输入或通过房产交易平台的数据获取得到。作为示例,某个小区内的房产单价分别为2000元/平米、2500元/平米、3000元/平米,那么该小区的平均房价为(2000+2500+3000)/3=2500元/平米。
社区最低监控总面积表示社区面积中至少需要进行监控的总面积。例如,社区最低监控总面积会覆盖较多重要的待监控区域,较多重要的待监控区域之和为社区最低监控总面积。通过社区最低监控总面积可以保障重要的待监控区域可以被监控,也避免了监控摄像头布置的过少,造成监控摄像头的覆盖总面积过少,影响社区安全,后续基于社区最低监控总面积确定的多个监控摄像头的监控区域的总面积需要大于社区最低监控总面积,以保障社区安全。作为示例,如果一座小区的总面积为1000平方米,那么最低监控总面积可以为200平方米,即社区内需要监控的最小面积为200平方米。
在一些实施例中,可以通过面积确定模型确定社区最低监控总面积,面积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),面积确定模型的输入为社区平均房价、所述多个分割区域的信息,面积确定模型的输出为社区最低监控总面积。面积确定模型可以综合考虑社区平均房价、所述多个分割区域的信息最终确定社区最低监控总面积。
步骤S4,基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量。
摄像头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)。所述摄像头确定模型的输入为所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,所述摄像头确定模型的输出为多个监控摄像头的数量。
摄像头确定模型综合考虑了所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,最终确定安装在小区的多个监控摄像头的数量,摄像头确定模型考虑了居民预算、也考虑了监控安全,最终得到合适的多个监控摄像头的数量。
步骤S5,基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位。
社区节点和分割区域节点是构成整个智慧社区的基本组成部分。通过构建节点和边,可以更好地描述智慧社区内的不同区域和节点之间的关系和联系。这些节点和边可以输入到图神经网络模型以确定出最优的监控摄像头布置方案,以达到最优的视频监控效果。
社区位置信息可以包括社区所在的经度和纬度坐标、社区的边界范围、面积大小、周围路网的交通流量、公共交通站点的分布情况、附近商圈及其设施。
社区历史安全记录包括过去一段时间内社区内发生的各类安全事件的统计信息,如抢劫、盗窃、火灾、自然灾害等。这些信息可以更好地反映社区的安全风险状况,为摄像头的部署和配置提供更有针对性的指导。
社区历史安全记录可以包括不同类型安全事件的数量和比例、不同时间段内不同类型安全事件的发生趋势、安全事件的地理分布情况、警方、消防等相关部门的应急处置情况等等。这些信息可以从历史上的警报记录、警方报告、新闻报道、社区居民反映等多个来源获得。
所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位。例如,边的特征可以包括a分割区域在b分割区域的左下方45度处,a分割区域相距b分割区域20米,又例如,边的特征可以为a分割区域在社区的左下角。在一些实施例中,边可以为分割区域节点之间的道路。边的特征可以为道路的功能作用,例如边的特征可以为主干道、支路、行人道。
步骤S6,基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率。
图神经网络模型包括图神经网络(Graph Neural Network,GNN)和全连接层。图神经网络是一种直接作用于图结构数据上的神经网络,所述图结构数据是由节点和边两部分组成的一种数据结构,图神经网络可以更好地处理非线性、非欧几里得空间、不规则结构的数据。
图神经网络模型的输入为所述多个节点和所述多条边,图神经网络模型的输出为所述多个监控摄像头的安装位置、监控区域、分辨率。图神经网络模型可以通过历史数据中的标注好的图形结构数据进行训练得到。
监控摄像头的安装位置包括监控摄像头的安装地点、与地面的角度等。
监控摄像头的监控区域表示监控摄像头监控的区域。由于图神经网络模型考虑了最低监控总面积,则经过图神经网络模型输出得到多个监控摄像头的监控区域的总面积会大于最低监控总面积。
监控摄像头的分辨率表示监控视频中每个像素表示多少信息,分辨率越高,所展现的细节也就越多,但同时也会占用更多的存储空间和网络带宽。
步骤S7,基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
在确定所述多个监控摄像头的安装位置、监控区域、分辨率后,则可以通知管理人员安装所述多个监控摄像头的安装位置、监控区域、分辨率进行安装,安装成功后,最后基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
在一些实施例中,所述方法还包括:获取所述多个监控摄像头的监控视频,使用判断模型判断所述多个监控摄像头的监控视频的视频中是否包含隐私信息,所述判断模型为长短期神经网络模型,所述判断模型的输入为所述多个监控摄像头的监控视频,所述判断模型的输出为包含隐私信息或不包含隐私信息。
隐私信息指个人、组织或其他敏感信息的内容,包括但不限于个人身份信息、财务信息、健康信息等。在监控视频中可能存在着包含隐私信息的画面,例如监控可能会拍到卧室内的人员的时候,画面中可能会显示卧室中被监控者的脸部信息,这是一种典型的隐私信息。
在一些实施例中,若所述判断模型的输出为包含隐私信息,则通知管理人员重新确定所述多个监控摄像头的位置。这种方法可以帮助保护社区居民的隐私权利,提高监控系统的安全性和私密性。
基于同一发明构思,图2为本发明的实施例提供的一种用于智慧社区的视频监控系统示意图,所述用于智慧社区的视频监控系统包括:
获取模块21,用于获取社区的多个拍摄视频;
第一处理模块22,用于基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;
面积确定模块23,用于基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;
第二处理模块24,用于基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;
构建模块25,用于基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征可以包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;
第三处理模块26,用于基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;
监控模块27,用于基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
Claims (10)
1.一种用于智慧社区的视频监控方法,其特征在于,包括:
获取社区的多个拍摄视频;
基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;
基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;
基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;
基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;
基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;
基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
2.如权利要求1所述的用于智慧社区的视频监控方法,其特征在于,所述多个分割区域包括住宅区、公共区、路网区,商业区,道路交通区、安全区。
3.如权利要求1所述的用于智慧社区的视频监控方法,其特征在于,所述摄像头确定模型为深度神经网络模型,所述摄像头确定模型的输入为所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,所述摄像头确定模型的输出为多个监控摄像头的数量。
4.如权利要求1所述的用于智慧社区的视频监控方法,其特征在于,所述方法还包括:获取所述多个监控摄像头的监控视频,使用判断模型判断所述多个监控摄像头的监控视频的视频中是否包含隐私信息,所述判断模型为长短期神经网络模型,所述判断模型的输入为所述多个监控摄像头的监控视频,所述判断模型的输出为包含隐私信息或不包含隐私信息。
5.如权利要求4所述的用于智慧社区的视频监控方法,其特征在于,所述方法还包括:若所述判断模型的输出为包含隐私信息,则通知管理人员重新确定所述多个监控摄像头的位置。
6.一种用于智慧社区的视频监控系统,其特征在于,包括:
获取模块,用于获取社区的多个拍摄视频;
第一处理模块,用于基于所述社区的多个拍摄视频使用区域信息确定模型确定多个分割区域和所述多个分割区域的信息,所述多个分割区域的信息包括每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、每个分割区域的人流分布信息、每个分割区域的位置信息;
面积确定模块,用于基于社区平均房价、所述多个分割区域的信息确定社区最低监控总面积;
第二处理模块,用于基于所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息使用摄像头确定模型确定多个监控摄像头的数量;
构建模块,用于基于所述最低监控总面积、所述社区平均房价、所述多个监控摄像头的数量、所述多个分割区域的信息构建多个节点和多条边,所述多个节点包括社区节点和多个分割区域节点,所述多个节点中的每个节点包括多个节点特征,所述社区节点的节点特征包括所述最低监控总面积、所述社区平均房价、社区位置信息、社区历史安全记录,所述多个分割区域节点中的每个分割区域节点的节点特征包括所述每个分割区域的待监控区域、所述每个分割区域的待监控区域的重点监控程度、所述每个分割区域的待监控区域的总面积、所述每个分割区域的人流分布信息、所述每个分割区域的位置信息,所述多条边为节点之间的连线,所述多条边包括多个边的特征,所述多个边的特征包括多个分割区域之间的距离、方向、每个分割区域在社区中的方位;
第三处理模块,用于基于图神经网络模型对所述多个节点和所述多条边进行处理确定所述多个监控摄像头的安装位置、监控区域、分辨率;
监控模块,用于基于所述多个监控摄像头的安装位置、监控区域、分辨率对社区进行视频监控。
7.如权利要求6所述的用于智慧社区的视频监控系统,其特征在于,所述多个分割区域包括住宅区、公共区、路网区,商业区,道路交通区、安全区。
8.如权利要求6所述的用于智慧社区的视频监控系统,其特征在于,所述摄像头确定模型为深度神经网络模型,所述摄像头确定模型的输入为所述最低监控总面积、所述社区平均房价、所述多个分割区域的信息,所述摄像头确定模型的输出为多个监控摄像头的数量。
9.如权利要求6所述的用于智慧社区的视频监控系统,其特征在于,所述系统还用于:获取所述多个监控摄像头的监控视频,使用判断模型判断所述多个监控摄像头的监控视频的视频中是否包含隐私信息,所述判断模型为长短期神经网络模型,所述判断模型的输入为所述多个监控摄像头的监控视频,所述判断模型的输出为包含隐私信息或不包含隐私信息。
10.如权利要求9所述的用于智慧社区的视频监控系统,其特征在于,所述系统还用于:若所述判断模型的输出为包含隐私信息,则通知管理人员重新确定所述多个监控摄像头的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889726.4A CN116614717B (zh) | 2023-07-20 | 2023-07-20 | 用于智慧社区的视频监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889726.4A CN116614717B (zh) | 2023-07-20 | 2023-07-20 | 用于智慧社区的视频监控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116614717A CN116614717A (zh) | 2023-08-18 |
CN116614717B true CN116614717B (zh) | 2023-09-22 |
Family
ID=87680400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889726.4A Active CN116614717B (zh) | 2023-07-20 | 2023-07-20 | 用于智慧社区的视频监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116614717B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236753A (zh) * | 2023-09-11 | 2023-12-15 | 广州安智信科技有限公司 | 一种基于图神经网络的执勤人员布点效能分析方法 |
CN117676095A (zh) * | 2023-12-21 | 2024-03-08 | 浙江省省直建筑设计院有限公司 | 一种用于智慧社区的视频监控搭建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000331251A (ja) * | 1999-05-20 | 2000-11-30 | Fujitsu General Ltd | 侵入者検出装置 |
CN101860732A (zh) * | 2010-06-04 | 2010-10-13 | 天津市亚安科技电子有限公司 | 一种控制云台摄像机自动跟踪目标的方法 |
CN102573052A (zh) * | 2011-04-13 | 2012-07-11 | 中国人民解放军国防科学技术大学 | 一种基于无线传感器网络的目标定位跟踪方法及系统 |
CN102867086A (zh) * | 2012-09-10 | 2013-01-09 | 安科智慧城市技术(中国)有限公司 | 一种监控摄像机的自动部署方法、系统及电子设备 |
CN103389699A (zh) * | 2013-05-09 | 2013-11-13 | 浙江大学 | 基于分布式智能监测控制节点的机器人监控及自主移动系统的运行方法 |
CN111192360A (zh) * | 2019-12-31 | 2020-05-22 | 中铁第四勘察设计院集团有限公司 | 一种监控模型确定方法及装置 |
CN113114938A (zh) * | 2021-04-12 | 2021-07-13 | 滁州博格韦尔电气有限公司 | 一种基于电子信息的目标精确监控系统 |
CN114900660A (zh) * | 2022-05-10 | 2022-08-12 | 南京晓庄学院 | 用于智慧社区管理的视频监控方法及装置 |
CN114898889A (zh) * | 2021-12-15 | 2022-08-12 | 南京行者易智能交通科技有限公司 | 一种基于大数据的聚集性风险控制模型的设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4672104B2 (ja) * | 2000-04-26 | 2011-04-20 | パナソニック株式会社 | 監視用デジタル画像記録再生装置 |
-
2023
- 2023-07-20 CN CN202310889726.4A patent/CN116614717B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000331251A (ja) * | 1999-05-20 | 2000-11-30 | Fujitsu General Ltd | 侵入者検出装置 |
CN101860732A (zh) * | 2010-06-04 | 2010-10-13 | 天津市亚安科技电子有限公司 | 一种控制云台摄像机自动跟踪目标的方法 |
CN102573052A (zh) * | 2011-04-13 | 2012-07-11 | 中国人民解放军国防科学技术大学 | 一种基于无线传感器网络的目标定位跟踪方法及系统 |
CN102867086A (zh) * | 2012-09-10 | 2013-01-09 | 安科智慧城市技术(中国)有限公司 | 一种监控摄像机的自动部署方法、系统及电子设备 |
CN103389699A (zh) * | 2013-05-09 | 2013-11-13 | 浙江大学 | 基于分布式智能监测控制节点的机器人监控及自主移动系统的运行方法 |
CN111192360A (zh) * | 2019-12-31 | 2020-05-22 | 中铁第四勘察设计院集团有限公司 | 一种监控模型确定方法及装置 |
CN113114938A (zh) * | 2021-04-12 | 2021-07-13 | 滁州博格韦尔电气有限公司 | 一种基于电子信息的目标精确监控系统 |
CN114898889A (zh) * | 2021-12-15 | 2022-08-12 | 南京行者易智能交通科技有限公司 | 一种基于大数据的聚集性风险控制模型的设计方法 |
CN114900660A (zh) * | 2022-05-10 | 2022-08-12 | 南京晓庄学院 | 用于智慧社区管理的视频监控方法及装置 |
Non-Patent Citations (1)
Title |
---|
智能视频监控系统的设计与应用;徐力钧;智能建筑电气技术;第19-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116614717A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116614717B (zh) | 用于智慧社区的视频监控方法和系统 | |
Shach-Pinsly | Measuring security in the built environment: Evaluating urban vulnerability in a human-scale urban form | |
La Vigne et al. | Evaluating the use of public surveillance cameras for crime control and prevention | |
US20190087464A1 (en) | Regional population management system and method | |
CN110446015A (zh) | 一种基于计算机视觉的异常行为监控方法及系统 | |
CA2976188C (en) | Situation ascertainment system using camera picture data, control device, and situation ascertainment method using camera picture data | |
CN112383615A (zh) | 一种基于边缘计算的住宅楼门禁安防系统及方法 | |
Kameshwar et al. | Effect of disaster debris, floodwater pooling duration, and bridge damage on immediate post-tsunami connectivity | |
US10586130B2 (en) | Method, system and apparatus for providing access to videos | |
CN114358980A (zh) | 一种基于物联网的智慧社区物业管理系统及方法 | |
Rosenheim et al. | Integration of detailed household characteristic data with critical infrastructure and its implementation to post-hazard resilience modelling | |
Nagarajan et al. | A behavioural simulation study of allocating evacuees to public emergency shelters | |
Byun et al. | Factors of a surveillance environment that affect burglaries in commercial districts | |
Xiao et al. | Optimizing preservation for multiple types of historic structures under climate change | |
CN115017244A (zh) | 一种地理信息大数据与人口数据融合服务社区治理的方法 | |
Yang | Exploring the influence of environmental features on residential burglary using spatial-temporal pattern analysis | |
CN117453835A (zh) | 一种智慧社区管理系统 | |
US20160125296A1 (en) | System and Method for Securing an Architectural Environment Against Crime and Minimizing Criminal Elements | |
WO2024077770A1 (zh) | 一种乡村数字化智慧服务平台 | |
Agarbati et al. | Burglary Risk Assessment of Buildings: a semi-quantitative method | |
Tahir et al. | Prioritizing the physical security elements of gated community housing using the analytical hierarchy process (AHP) | |
Seifi et al. | How effective are residential CCTV systems: Evaluating the impact of natural versus mechanical surveillance on house break-ins and theft in hotspots of Penang Island, Malaysia | |
Inoma-Abbey et al. | Appraising the Effect of Variation in Crime on Property Values in Port Harcourt, Nigeria | |
Lee et al. | International case studies of smart cities: Orlando, United States of America | |
Tobin et al. | Vulnerability of displaced persons: Relocation park residents in the wake of Hurricane Charley |
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 |