CN116704411A - 一种基于物联网的安防管控方法、系统及存储介质 - Google Patents
一种基于物联网的安防管控方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116704411A CN116704411A CN202310660683.2A CN202310660683A CN116704411A CN 116704411 A CN116704411 A CN 116704411A CN 202310660683 A CN202310660683 A CN 202310660683A CN 116704411 A CN116704411 A CN 116704411A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- internet
- security control
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 45
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000001960 triggered effect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 34
- 230000000694 effects Effects 0.000 abstract description 29
- 230000008447 perception Effects 0.000 abstract description 9
- 238000007499 fusion processing Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 24
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于物联网的安防管控方法、系统及存储介质,其中方法包括接收视频数据、图像数据、感知信息数据以及目标位置信息数据;对所接收的数据进行预处理;将预处理后的数据进行数据融合;对识别的目标进行异常行为识别,以判定是否存在潜在威胁;当发现潜在威胁时,触发警报机制,向相关人员发出警报;将异常目标识别结果和警报信息传输到监控中心,以便进行进一步处理和响应。本发明通过多源数据融合和预处理,改善了现有安防系统在边界安防方面存在的盲区问题和复杂背景干扰问题;它能够提供更全面的监控覆盖范围,准确识别和跟踪目标,并通过异常行为识别和警报机制,及时发现潜在威胁,进而提高边界安防的效果。
Description
技术领域
本发明涉及智能安防技术领域,尤其涉及的是一种基于物联网的安防管控方法、系统及存储介质。
背景技术
安防系统是一种综合性系统,旨在保护人员和财产安全。它利用各种技术手段和设备,对特定区域进行监控、控制和预警,以防止潜在威胁和危险事件的发生。
安防系统的关键组成部分包括:
1、监控设备:如闭路电视摄像头、红外传感器等,用于实时监视特定区域的情况,并将信息传输到监控中心或其他设备进行处理和分析;
2、计算与处理系统:接收、处理和分析监控设备所采集到的信息,进行视频图像处理、行为识别、目标跟踪等分析,以实现对异常行为或潜在风险的识别和预警;
3、传输与通信系统:将监控数据、报警信息等传输到监控中心或其他相关设备,采用有线或无线技术,确保数据的安全可靠传输;
4、报警与应急处理系统:监测和识别异常事件,并通过警报、声音、光信号等方式向相关人员发出警报,与其他系统集成,实现全面的安全管理和应急响应。
5、数据存储与管理系统:对监控数据、事件记录、报警信息等进行存储和管理,用于事后调查、证据保全和安全管理的分析。
安防系统的应用范围广泛,涵盖住宅小区、商业建筑、公共交通、工厂企业等场所和领域;它能提高安全性、预防犯罪、保护财产和人员安全,并提供实时监控、事件预警、数据分析等功能,有效应对潜在的安全威胁。
然而,安防系统在边界安防方面存在一些技术问题。其中,盲区问题和复杂背景干扰问题是两个主要问题,盲区问题指边界线的特殊地理条件、自然环境或建筑结构导致监控设备视野存在盲区,无法完全覆盖边界线,从而产生安全漏洞;复杂背景干扰问题则是由于边界线附近的复杂背景(如树木、灌木丛、建筑物)导致监控设备难以准确识别和跟踪潜在目标,增加误报警的风险。
可见,现有技术还有待于改善和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种基于物联网的安防管控方法、系统及存储介质,旨在改善现有安防系统在边界安防方面所存在的盲区问题及复杂背景干扰问题。
本发明的技术方案如下:
一种基于物联网的安防管控方法,其包括:
接收来自闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据;
对所接收的数据进行预处理,包括去噪、滤波、坐标转换和图像增强;
将预处理后的数据进行数据融合,融合后的数据用于目标识别;
对识别的目标进行异常行为识别,以判定是否存在潜在威胁;
当发现潜在威胁时,触发警报机制,向相关人员发出警报;
将异常目标识别结果和警报信息传输到监控中心,以便进行进一步处理和响应。
上述方案的效果在于:本发明相对于现有安防系统而言,采用了闭路电视摄像头、红外传感器和雷达传感器等多种传感器,并将它们的数据进行融合处理;通过综合利用不同传感器的信息,可以填补一定监控范围内的盲区,提供更全面的目标信息。比如:某个区域由于地形高低不平无法被摄像头完全覆盖,导致存在盲区;通过引入红外传感器和雷达传感器,可以获取到该区域的热能和目标位置信息,从而弥补了监控摄像头的盲区,提供了对该区域的有效监控。而且本发明通过对图像进行预处理,可以提升图像质量和目标识别能力,减少复杂背景干扰对目标识别的影响。比如某个区域的背景复杂,包含树木和灌木丛;通过对接收的图像数据进行去噪、滤波和图像增强处理,可以增强目标的辨识度,减少背景干扰对目标识别的影响。
综上所述,本发明通过多源数据融合和预处理,改善了现有安防系统在边界安防方面存在的盲区问题和复杂背景干扰问题;它能够提供更全面的监控覆盖范围,准确识别和跟踪目标,并通过异常行为识别和警报机制,及时发现潜在威胁,进而提高边界安防的效果。
在进一步地优选方案中,所述将预处理后的数据进行数据融合,融合后的数据用于目标识别的步骤之前还包括:采集栅格数据以实现栅格数据与预处理后数据的融合。
上述方案的效果在于:本发明通过栅格数据的采集和融合,提供了以下几个方面的技术效果:
1、提供了更全面的信息:栅格数据通常用于描述空间信息,如地图、图像等;通过采集栅格数据,并将其与来自闭路电视摄像头、红外传感器和雷达传感器的数据进行融合,可以提供更全面的信息源,包括图像、位置和感知信息;
2、补充了监控盲区:栅格数据的采集可以弥补监控设备(如摄像头)无法完全覆盖的区域,特别是在存在地形起伏或其他障碍物的情况下;栅格数据可以提供该区域的特征和属性信息,如温度、高度等,从而实现对该区域的有效监控;
3、提高了目标识别准确性:融合栅格数据和其他传感器数据可以提供更多维度的特征信息,有助于准确识别和跟踪目标;栅格数据可以提供空间上的属性信息,如地形、植被等,与图像数据和感知信息数据相结合,可以增强目标识别算法的准确性和鲁棒性;
4、强化了异常行为识别:通过融合栅格数据和其他数据源,可以提供更多的背景信息和上下文环境,从而加强对识别的目标及潜在目标的异常行为识别能力;栅格数据可以提供环境特征,与其他数据进行比对分析,有助于检测与正常模式不符的行为,并判断是否存在潜在威胁。
在进一步地优选方案中,所述采集栅格数据以实现栅格数据与预处理后数据的融合的步骤还包括:
遍历栅格数据中的每个网格;
选择一个固定大小的邻域;
计算所选择邻域中的所有网格的属性值的平均值;
将当前网格的属性值替换为计算得到的平均值;
重复上述步骤,直至遍历完所有网格。
上述方案的效果在于:利用均值滤波算法对栅格数据进行预处理并与其他数据进行融合,可以更好地消除噪声和细节方差,提高数据的质量和准确性;这有助于增强目标识别和跟踪的效果,并进一步提升基于物联网的安防管控系统的性能。比如栅格数据表示不同区域的温度信息,进一步的技术方案可以利用均值滤波对温度数据进行平滑处理,消除温度的随机噪声;通过与其他传感器数据(如红外传感器的感知信息数据和雷达传感器的目标位置信息数据)进行融合,可以更准确地识别和跟踪潜在威胁或异常行为,例如发现异常高温区域或异常温度变化的目标。这样,安防系统可以及时采取相应的措施,保障安全和监控的准确性。
在进一步地优选方案中,所述将预处理后的数据进行数据融合的步骤中栅格数据与预处理后数据的融合方法包括:
为栅格数据和预处理后的数据分别给定权重,并进行归一化处理;
根据栅格数据和预处理后数据的归一化值,对每个数据点和栅格单元按照给定的权重进行加权平均计算;
对融合后的数值进行反归一化处理,恢复到原始的数据范围和单位,以得到最终的融合结果。
上述方案的效果在于:本发明通过对栅格数据和预处理后的数据进行融合,实现了以下方面的技术效果:
1、综合性的数据融合:通过加权平均计算的方法,将栅格数据和预处理后的数据综合起来,充分利用它们的信息;这样可以得到更全面、更准确的数据结果,提高了数据分析和决策的可靠性。比如栅格数据代表一个区域的环境温度,预处理后的数据代表人员活动强度,那么通过栅格数据和预处理后数据的融合,可以获得根据温度和人员活动强度综合考量的数据结果,从而更好地了解环境条件和人员活动情况;
2、定制化的融合权重:本发明允许为栅格数据和预处理后数据分别设置权重,这样可以根据具体应用场景和需求,灵活调整不同数据源的重要性,实现个性化的数据融合;比如,在一个监控系统中,栅格数据代表地理位置信息,而预处理后的数据代表移动目标的轨迹数据;通过为栅格数据设置较高的权重,可以更加重视地理位置的准确性;而为预处理后的数据设置较低的权重,可以相对较少考虑轨迹数据的影响;这样可以根据实际需要,更好地平衡不同数据源的贡献;
也就是说,通过设置栅格数据与预处理后数据的融合方法,可以充分利用多种数据源的优势,提高安防管控方法的综合性和适应性,进一步提升系统的性能和效果。
在进一步地优选方案中,所述对识别的目标进行异常行为识别,以判定是否存在潜在威胁的步骤具体为:对融合后的数据进行特征提取,并将提取的特征输入训练好的模型进行异常行为识别;而训练好的模型根据预先设定好的阈值输出表示异常行为的概率及标签,以供安防管理人员判断是否存在潜在威胁。
上述方案的效果在于:通过对融合后的数据进行特征提取,并利用训练好的模型进行异常行为识别,可以有效地检测和识别目标的异常行为;这可以帮助安防管控系统快速发现潜在威胁,如入侵行为或其他异常活动,从而及时采取相应的措施保护安全。此外,通过设定适当的阈值,可以根据具体场景和需求,控制异常行为的判定标准;这样,安防管理人员可以根据输出的概率和标签进行判断,确定是否存在潜在威胁,并采取相应的应对措施。
举例来说,假设栅格数据代表环境温度信息,预处理后的视频图像感知信息提供目标位置信息,而融合后的数据包含温度、目标位置等信息;在异常行为识别过程中,特征提取阶段可以提取与异常行为相关的特征,如目标移动速度、温度变化幅度等,训练好的模型可以根据这些特征进行分类和判定,输出表示异常行为的概率及标签;例如,当温度突然升高且目标以异常速度移动时,模型可能输出较高的异常行为概率,并标记为潜在威胁。根据模型输出的结果,安防管理人员可以判断是否存在潜在威胁,并采取适当的措施,如发出警报、通知相关人员等。
在进一步地优选方案中,来自闭路电视摄像头的视频及图像数据的预处理过程包括步骤:
视频分割:将连续的视频流分割为离散的图像帧;
图像去噪:应用均值滤波算法对图像进行去噪处理,减少噪声的影响;
图像增强:对图像进行增强处理,提高图像的视觉质量和细节可见性;
特征提取:从预处理后的图像中提取特征,用于后续的分析和处理;
目标检测和跟踪:利用图像数据进行目标检测和跟踪,识别和追踪图像中的目标对象;
数据归一化:对提取的特征或目标位置数据进行归一化处理,确保数据具有一致的尺度和范围。
上述方案的效果在于:通过对预处理后的图像数据进行目标检测和跟踪,系统可以准确地识别和追踪图像中的目标对象,有助于实时监控和跟踪感兴趣的目标,例如人员、车辆或其他物体;而通过图像增强和去噪处理,预处理后的图像质量得到提高,使得图像更清晰、细节更可见,从而提供更好的视觉信息用于后续的分析和处理,例如,对图像进行增强可以提高在低光照条件下目标的可视性;通过对提取的特征或目标位置数据进行归一化处理,确保数据具有一致的尺度和范围,有助于不同数据源之间的比较和融合,使得数据具有可比性和可操作性;例如,在目标位置数据中进行归一化可以使得不同尺度的目标位置数据具有统一的参考范围。
在进一步地优选方案中,来自雷达传感器的目标位置信息数据的预处理过程包括步骤:
数据校验:对接收到的数据进行校验,包括检查数据的完整性和准确性;
数据过滤:对接收到的数据进行过滤,去除异常或无效的数据点;
数据平滑:对过滤后的数据进行平滑处理,使用卡尔曼滤波算法来消除数据中的噪声和突发性波动;
数据插值:对目标位置信息进行插值处理,填补数据缺失;
数据归一化:对预处理后的目标位置信息数据进行归一化处理,将数据映射到统一的尺度和范围。
上述方案的效果在于:通过数据校验、数据过滤、数据平滑、数据插值和数据归一化等预处理步骤,能够提高来自雷达传感器的目标位置信息数据的质量和准确性,使其更加可靠、稳定和可用,为后续的分析和处理提供可靠的数据基础。举例来说,在车辆跟踪系统中,系统可以通过数据校验检查数据中的车辆ID是否存在,确保每个车辆的位置信息都被正确接收和记录;通过数据过滤可以排除车辆位置信息中速度异常或位置跳跃较大的数据点,以避免对跟踪和监控结果产生干扰;通过应用卡尔曼滤波算法对过滤后的雷达数据进行平滑处理,可以消除数据中的噪声和突发性波动,车辆的位置信息可以更加平稳地变化,提高跟踪的准确性和稳定性;在某些情况下,雷达传感器可能会因为遮挡或其他原因导致数据缺失,通过对目标位置信息进行插值处理,可以填补这些缺失的数据点,使车辆的轨迹信息更加连续和完整,提高跟踪和监控的效果;通过对预处理后的目标位置信息数据进行归一化处理,可以将不同车辆的位置数据映射到统一的尺度和范围;这样,不同车辆之间的位置信息可以进行直接比较和分析,方便系统对车辆的状态和行为进行判断和决策。
在进一步地优选方案中,所述将预处理后的数据进行数据融合,融合后的数据用于目标识别的步骤之后还包括:当检测到特殊关怀人员出入边界时,触发关怀事件并向管理中心发送提醒消息。
上述方案的效果在于:本发明通过特殊关怀事件的触发,实现了以下几个方面的技术效果:
1、特殊关怀人员的识别和关注:当系统检测到特殊关怀人员出入边界时,触发关怀事件并向管理中心发送提醒消息;这个功能能够帮助管理中心及时了解特殊关怀人员的行动情况,并采取相应的措施,以确保他们的安全和福祉;
2、实时提醒和消息传递:关怀事件触发后,系统会立即向管理中心发送提醒消息;相关人员可以及时知晓特殊关怀人员的出入情况,以便迅速做出反应和处理;实时的提醒和消息传递能够大大缩短响应时间,提高管理中心的处置效率;
3、系统集成与协同:本发明要求将关怀事件和消息传递与整个安防管控系统进行集成和协同,通过与其他功能模块的无缝连接,例如数据融合、目标识别和跟踪等,系统可以更加全面地感知和分析特殊关怀人员的行为;而管理中心能够从综合的角度进行安全评估和管理,提供更高效的安防管控服务;
总体而言,本发明在栅格数据的基础上进一步增强了对特殊关怀人员的关注和监测能力;通过触发关怀事件和发送提醒消息,系统可以实时通知管理中心,确保对特殊关怀人员的安全管理和关怀服务更加全面和及时。
一种用于实现基于物联网的安防管控方法的系统,其包括存储器及处理器,所述存储器用于存储基于物联网的安防管控程序,所述处理器用于运行所述基于物联网的安防管控程序以实现如上所述的基于物联网的安防管控方法;由于所述系统包括基于物联网的安防管控方法的所有技术特征,因此也具有上述基于物联网的安防管控方法的所有技术效果,此处不再赘述。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于物联网的安防管控方法的步骤。所述存储介质包括上述基于物联网的安防管控方法的所有技术特征,因此也具有上述基于物联网的安防管控方法的所有技术效果,此处不再赘述。
与现有技术相比,本发明提供的基于物联网的安防管控方法,其包括步骤:接收来自闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据;对所接收的数据进行预处理,包括去噪、滤波、坐标转换和图像增强;将预处理后的数据进行数据融合,融合后的数据用于目标识别;对识别的目标进行异常行为识别,以判定是否存在潜在威胁;当发现潜在威胁时,触发警报机制,向相关人员发出警报;将异常目标识别结果和警报信息传输到监控中心,以便进行进一步处理和响应。本发明通过多源数据融合和预处理,改善了现有安防系统在边界安防方面存在的盲区问题和复杂背景干扰问题;它能够提供更全面的监控覆盖范围,准确识别和跟踪目标,并通过异常行为识别和警报机制,及时发现潜在威胁,进而提高边界安防的效果。
附图说明
图1是本发明较佳实施例所提供基于物联网的安防管控方法的流程图。
具体实施方式
本发明提供一种基于物联网的安防管控方法、系统及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步地详细说明。应当理解的是,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于物联网的安防管控方法,如图1所示,其包括:
S100、接收来自闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据。
S100的目的是收集不同类型的数据,以获取关于监控区域的全面信息;闭路电视摄像头提供视频和图像数据,可以捕捉到场景的视觉信息;红外传感器可以检测到物体的热能辐射,提供额外的感知信息;雷达传感器则能够测量物体的位置信息,包括距离、方位和速度等。通过将这些不同传感器的数据整合在一起,S100为后续的处理和分析提供了多样化的数据来源;例如,通过结合视频图像和红外感知数据,可以在夜间或低光环境下检测到热能辐射的目标。又或者,通过将雷达传感器提供的目标位置信息与视频图像进行关联,可以实现更精确的目标识别和跟踪。
尤其是当将雷达传感器的目标位置信息与其他数据进行结合时,可以获得更全面和准确的目标信息,从而提高安防管控系统的效果。比如一个安防管控系统部署在一个仓库,用于监测潜在的入侵行为;系统中包括闭路电视摄像头、红外传感器和雷达传感器,其中闭路电视摄像头负责捕捉仓库内的视觉图像,红外传感器感知仓库内的热能辐射,而雷达传感器则测量物体在仓库内的位置信息。在这种情况下,当有人潜入仓库时,闭路电视摄像头可能受到光线不足或物体遮挡的影响,导致无法准确识别目标。然而,红外传感器能够感知到目标的热能辐射,因此可以检测到潜在的入侵者。然而,仅仅通过红外传感器的数据可能无法提供目标的精确位置信息。这时,雷达传感器就可以派上用场了;雷达传感器通过发射无线信号并接收其反射信号来测量目标的位置、速度和距离等信息,它可以提供仓库内目标的准确位置信息,无论目标是否可见。因此,雷达传感器所采集的目标位置信息数据与其他数据的结合是本发明解决现有安防系统边界安防方面盲区问题和复杂背景干扰问题的关键性数据。
以此可知,S100在基于物联网的安防管控方法中起到了关键作用,通过接收多种传感器的数据并进行整合,为后续的分析和处理提供了丰富的信息基础。
S200、对所接收的数据进行预处理,包括去噪、滤波、坐标转换和图像增强。
S200是基于物联网的安防管控方法中的一步,用于对所接收的数据进行预处理,预处理的目的是提高数据的质量和准确性,以便后续的数据分析和处理能够更有效地进行;下面对S200中的预处理步骤进行详细解释:
去噪:去噪是指消除数据中的噪声或干扰信号;在安防管控系统中,数据可能受到各种因素的影响,例如传感器噪声、通信干扰或图像模糊等;通过应用去噪算法,可以滤除这些干扰,使数据更清晰和可靠;
滤波:滤波是对数据进行平滑处理,以去除突发性波动或不必要的细节;在安防管控中,数据可能存在瞬时的噪声或异常值,这可能会干扰后续的分析和处理过程;通过应用滤波算法,可以平滑数据,使其更具连续性和稳定性;
坐标转换:坐标转换是将数据从一种坐标系统转换为另一种坐标系统;在安防管控中,不同传感器可能使用不同的坐标系统来表示目标位置信息;通过进行坐标转换,可以将各个传感器的数据统一到相同的坐标系统中,以便后续数据融合和分析;
图像增强:图像增强是指对图像数据进行处理,以提高图像的质量和可视性;在安防管控系统中,闭路电视摄像头捕获的图像可能受到光线条件、图像模糊或背景干扰等因素的影响,导致目标识别困难;通过应用图像增强算法,可以改善图像的对比度、清晰度和细节,提高目标的辨识度。
在具体实施时,闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据的预处理各有不同,下文将分别进行介绍。
来自闭路电视摄像头的视频及图像数据的预处理过程包括步骤:
视频分割:将连续的视频流分割为离散的图像帧,这样可以对每个图像帧进行独立的处理;
图像去噪:应用均值滤波算法对图像进行去噪处理,减少噪声的影响,根据具体情况的不同,也可以选择中值滤波算法或者高斯滤波算法等等,去噪操作可以帮助提高后续处理步骤的准确性和稳定性;
图像增强:对图像进行增强处理,提高图像的视觉质量和细节可见性,常见的图像增强技术包括对比度调整、亮度调整、直方图均衡化、锐化等,这些操作可以增强图像的细节、对比度和清晰度;
特征提取:从预处理后的图像中提取特征,用于后续的分析和处理,特征可以是色彩、纹理、形状、边缘等,可选的特征提取方法包括局部二值模式(LocalBinary Patterns,LBP)、灰度共生矩阵(Gray-LevelCo-occurrenceMatrix,GLCM)、方向梯度直方图(HistogramofOrientedGradients,HOG)等;
目标检测和跟踪:利用图像数据进行目标检测和跟踪,识别和追踪图像中的目标对象,具体地,目标检测算法可以识别图像中的特定目标或对象,而目标跟踪算法可以追踪目标在连续帧中的位置和运动;
数据归一化:对提取的特征或目标位置数据进行归一化处理,确保数据具有一致的尺度和范围,归一化可以消除不同特征/数据之间的量纲差异,使它们更具可比性。
来自红外传感器的感知信息数据的预处理过程包括步骤:
数据分割:将连续的数据流按时间切片,将其分割成离散的数据帧;将连续的数据流进行离散化,方便后续处理对单个数据帧进行操作;
数据去噪:应用合适的去噪算法对数据进行处理,以减少噪声的影响;降低噪声水平,提高数据的质量和准确性;
数据增强:对处理后的数据进行增强处理,以提高数据的可视质量和细节可见性;增强数据的对比度、清晰度和细节,使目标更容易观察和分析;
特征提取:从经过预处理的数据中提取感兴趣的特征;从数据中提取关键特征,用于后续的目标识别、分类或其他分析任务;
目标检测和跟踪:利用预处理后的数据进行目标检测和跟踪,以识别和追踪数据中的目标对象;可以准确地检测和跟踪目标,提供目标的位置和运动信息;
数据归一化:对提取的特征或目标位置数据进行归一化处理,以确保数据具有一致的尺度和范围;使不同特征或数据具有可比性,方便后续处理和分析的统一处理。
来自雷达传感器的目标位置信息数据的预处理过程包括步骤:
数据校验:对接收到的数据进行校验,包括检查数据的完整性和准确性,以确保数据的可靠性;
数据过滤:对接收到的数据进行过滤,去除可能存在的异常或无效的数据点,以提高数据的质量和准确性;
数据平滑:对过滤后的数据进行平滑处理,使用卡尔曼滤波算法来消除数据中的噪声和突发性波动,以得到更平滑的目标位置信息;
数据插值:对目标位置信息进行插值处理,填补可能存在的数据缺失或不完整的情况,以确保数据的连续性和一致性;
数据归一化:对预处理后的目标位置信息数据进行归一化处理,将数据映射到统一的尺度和范围,以方便后续的数据分析和处理;
数据存储:将预处理后的目标位置信息数据存储到适当的数据结构或数据库中,以便后续的使用和访问。
S300、将预处理后的数据进行数据融合,融合后的数据用于目标识别。
具体的融合方式是取决于应用场景和数据类型的,比如可以提取图像数据的颜色、纹理和形状等特征,同时将红外传感器的热能数据和雷达传感器的目标位置信息作为额外的特征;这些特征可以通过加权求和、拼接等方式融合到一个统一的特征向量中。也可以将不同传感器的数据串联起来形成一个更完整的数据流;例如,在目标识别中,可以首先利用图像数据进行初步的目标检测,然后利用红外传感器和雷达传感器的数据对检测到的目标进行验证和跟踪,从而提高目标识别的准确性和稳定性。
在边界安防应用中,通过融合闭路电视摄像头、红外传感器和雷达传感器的数据,可以提供更全面和准确的目标信息;例如,在夜间或低光照条件下,闭路电视摄像头可能无法清晰地捕捉到目标,但红外传感器可以感知目标的热能辐射,雷达传感器可以提供目标的精确位置信息;通过将这些数据进行融合,可以准确地检测和跟踪目标,提高安防系统对潜在威胁的识别能力。
另外,融合不同传感器的数据还可以提供更多的目标属性信息;例如,在人体识别中,通过融合图像数据和红外传感器数据,可以获取人体的外观特征和热能分布,从而实现更精确和可靠的人体识别,并区分真实人体目标与其他干扰物体,提高安防系统的准确性和鲁棒性。
S400、对识别的目标进行异常行为识别,以判定是否存在潜在威胁。
S400是对识别的目标进行异常行为识别,以判定是否存在潜在威胁的步骤;在这一步骤中,系统会对目标的行为进行分析和评估,以确定是否存在异常或可疑行为。
在具体实施时,可以通过以下步骤进行异常行为识别:
数据采集:收集和记录目标的行为数据,包括其位置、移动轨迹、速度、加速度等信息,这些数据可以来自闭路电视摄像头、红外传感器及雷达传感器;
特征提取:从采集到的数据中提取目标的行为特征;例如,可以提取目标的移动模式、停留时间、活动范围等特征;
行为建模:基于已知的正常行为样本,建立目标的行为模型;通过机器学习、统计分析或规则引擎等方法来实现;行为模型描述目标在正常情况下的典型行为模式;
异常检测:目标当前的行为与建立的行为模型进行比较,以检测是否存在异常行为;如果目标的行为与模型的预期行为不符合或超出了预设的阈值,则将被判定为异常行为;
威胁判定:根据检测到的异常行为,评估其对安全性的威胁程度;根据事先定义的规则或算法,系统可以判断是否存在潜在威胁;例如,当目标在禁止区域内停留时间超过设定阈值,或者目标的移动速度明显异常时,系统可以判定为潜在威胁。
比如安防管理系统应用在一个公共安全场景中,系统通过对目标的异常行为进行识别,可以提高对潜在威胁的发现率和准确性;例如,在监控摄像头下,系统可以通过分析人群的行为模式,识别出异常行为,如奔跑、推搡、停留等,以判定是否存在潜在的危险或暴力事件;这样的异常行为识别系统可以及时发出警报,引导安全人员进行相应的干预和处理,以保障公共安全。
另外,该技术还可以应用于工业场景中,例如在生产线监控中,系统可以对机器设备或工人的异常行为进行识别,如异常操作、设备故障等,从而实现故障预警和生产安全的监控,提高工业生产的效率和安全性。
S500、当发现潜在威胁时,触发警报机制,向相关人员发出警报。
警报的接收目标和发送方式将根据具体使用场景的不同而有所区别,比如在一个大型商业中心的安防应用中,当监控系统检测到有人闯入禁止区域时,S500将触发警报机制;警报系统会立即生成警报并通过手机短信通知安全人员,安全人员收到警报后,可以快速到达现场并采取必要的措施,例如拦截闯入者、呼叫警察或进行紧急疏散。另外,该技术也可以应用于智能家居安全系统中,当入侵侦测器检测到有可疑活动时,S500将触发警报机制并通过手机应用向房主发送警报通知;房主可以实时了解家中的安全状况,并迅速联系警察或邻居寻求帮助,以保护家人和财产的安全。
S600、将异常目标识别结果和警报信息传输到监控中心,以便进行进一步处理和响应。本发明将通过举例说明该步骤的必要性,比如在城市的交通监控系统中,当监控摄像头检测到一辆车辆在限速区域超速行驶时,将传输异常目标识别结果和警报信息到交通监控中心;监控中心的工作人员收到这些信息后,可以立即采取措施,如发送警示信号、拍摄违规照片、自动记录违规行为等,有助于提高交通安全并降低交通事故的发生率。又比如在企业的安防系统中,当入侵探测器检测到有人非法闯入公司的保密区域时,本发明会将异常目标识别结果和警报信息传输到企业的安防监控中心;监控中心的安全人员可以立即调查并采取适当的措施,如锁定区域、通知警察、启动紧急响应计划等;通过及时传输异常目标识别结果和警报信息,企业能够快速响应潜在安全威胁,保护敏感信息和资产的安全。
通过S600,安防系统能够将异常目标识别结果和警报信息有效地传输到监控中心,实现实时监控和快速响应;有助于提高安全性,减少潜在威胁的影响,并为进一步处理和应对提供了准确的信息基础。
在本发明进一步地较佳实施例中,所述将预处理后的数据进行数据融合,融合后的数据用于目标识别的步骤之前还包括:采集栅格数据以实现栅格数据与预处理后数据的融合。
栅格数据和预处理后数据(预处理后闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据中的一种或多种,具体根据使用场景确定)的融合主要体现在以下两个方面:
空间叠加:将栅格数据与其他数据按照相同的空间参考系统进行叠加,使它们在同一空间范围内对应到相同的位置;例如,将栅格数据与闭路电视摄像头的图像数据进行叠加,将栅格数据的属性值与相应位置的图像像素进行关联;
属性关联:栅格数据的属性值可以与其他数据的属性进行关联;例如,将栅格数据中每个网格的温度值与红外传感器获取的温度数据进行关联,以提供更精确的温度信息。
具体地,栅格数据的预处理步骤包括:
遍历栅格数据中的每个网格;
选择一个固定大小的邻域;
计算所选择邻域中的所有网格的属性值的平均值;
将当前网格的属性值替换为计算得到的平均值;
重复上述步骤,直至遍历完所有网格。
对栅格数据进行预处理,可以实现如下技术效果:
1、去除噪声和平滑数据:通过计算邻域中属性值的平均值并替换当前网格的属性值,可以去除局部噪声,使栅格数据更加平滑;有助于减少数据中的不规则波动和异常值,提高数据的稳定性和一致性;
2、提取整体趋势和特征:通过计算邻域属性值的平均值,可以获得该区域的整体趋势和特征;有助于捕捉数据的整体变化模式,并提供更具代表性的数据表示;例如,在地理信息系统中,通过对高程栅格数据进行平均值替换,可以平滑地形表面,以便更好地分析地势特征和地貌变化;
3、数据标准化和归一化:通过将当前网格的属性值替换为邻域平均值,可以实现数据的标准化和归一化;有助于确保数据具有一致的尺度和范围,方便后续的数据分析和比较;例如,在图像处理中,通过对像素邻域进行平均值替换,可以将图像的亮度调整为统一的水平,以便进行图像的比较和处理;
4、减少局部波动的影响:通过计算邻域属性值的平均值并替换当前网格的属性值,可以减少局部波动对整体数据的影响;有助于平衡数据中的局部变化和整体趋势,提供更稳定和可靠的数据基础;例如,在气象数据分析中,通过平均值替换可以减少某个时间点的异常气象观测值对整体气象趋势的干扰;
优选地是,所述将预处理后的数据进行数据融合的步骤中栅格数据与预处理后数据的融合方法包括:
为栅格数据和预处理后的数据分别给定权重,并进行归一化处理;
根据栅格数据和预处理后数据的归一化值,对每个数据点和栅格单元按照给定的权重进行加权平均计算;
对融合后的数值进行反归一化处理,恢复到原始的数据范围和单位,以得到最终的融合结果。
通过融合栅格数据和预处理后的数据,可以提升目标识别和监测的准确性。例如,栅格数据可以代表着不同区域的特征或属性,而预处理后的数据可能包含了图像或视频的相关信息。通过将这两种数据进行权重分配和加权平均计算,可以综合利用它们的信息,准确地检测和识别潜在威胁。比如,结合栅格数据中的地理信息和预处理后的视频数据,可以准确判断出某个区域是否有人闯入或异常行为发生。
此外,数据融合还可以弥补监控系统中的盲区或死角,提供更全面的安全覆盖。例如,闭路电视摄像头可能无法覆盖某些区域,导致信息的不完整。通过引入栅格数据,可以补充这些未被监控的区域的信息,提供更全面的监测能力。比如,通过融合栅格数据中的地形信息和预处理后的红外传感器数据,可以实现对地面障碍物和活动目标的综合监测,从而填补摄像头无法触及的盲区。
在具体实施时,所述S400具体为:对融合后的数据进行特征提取,并将提取的特征输入训练好的模型进行异常行为识别;而训练好的模型根据预先设定好的阈值输出表示异常行为的概率及标签,以供安防管理人员判断是否存在潜在威胁。
通过训练好的模型可以快速准确地识别出潜在的安全威胁,举例来说,当安防系统中的摄像头、红外传感器和雷达传感器融合数据后,系统能够分析目标的行为特征,比如一个人在某个区域停留时间过长或频繁改变行进方向等异常行为;通过训练好的模型,系统可以根据预设的阈值判断这些行为是否构成潜在威胁。例如,当一个陌生人在监控区域内出现并且表现出可疑的行为,系统会输出高概率的异常行为标签,向安防管理人员发送警报信息,而安防人员可以立即采取行动,确保及时处置潜在威胁,提高安全性和保护人员和财产的能力。
根据本发明地另一方面,所述S300之后还包括:当检测到特殊关怀人员出入边界时,触发关怀事件并向管理中心发送提醒消息。当预处理后的数据经过数据融合后用于目标识别,系统可以识别出特殊关怀人员,如儿童、老人或病患者;而一旦系统检测到这些特殊关怀人员越过边界,比如离开指定区域或进入禁止区域,系统会立即触发关怀事件,并向管理中心发送提醒消息;管理人员可以及时获知特殊关怀人员的位置变动,采取必要的措施保障他们的安全。例如,如果一个儿童离开指定区域,系统会立即发出提醒消息给管理中心,使得工作人员能够迅速定位并回应,确保儿童的安全;这种关怀事件的触发和提醒功能能够有效地保护特殊关怀人员的安全和福祉。
本发明还提供了一种用于实现基于物联网的安防管控方法的系统,其包括存储器及处理器,所述存储器用于存储基于物联网的安防管控程序,所述处理器用于运行所述基于物联网的安防管控程序以实现如上所述的基于物联网的安防管控方法;由于所述系统包括基于物联网的安防管控方法的所有技术特征,因此也具有上述基于物联网的安防管控方法的所有技术效果,此处不再赘述。
本发明还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于物联网的安防管控方法的步骤。所述存储介质包括上述基于物联网的安防管控方法的所有技术特征,因此也具有上述基于物联网的安防管控方法的所有技术效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyNchliNk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种基于物联网的安防管控方法,其特征在于,包括:
接收来自闭路电视摄像头的视频及图像数据、红外传感器的感知信息数据以及雷达传感器的目标位置信息数据;
对所接收的数据进行预处理,包括去噪、滤波、坐标转换和图像增强;
将预处理后的数据进行数据融合,融合后的数据用于目标识别;
对识别的目标进行异常行为识别,以判定是否存在潜在威胁;
当发现潜在威胁时,触发警报机制,向相关人员发出警报;
将异常目标识别结果和警报信息传输到监控中心,以便进行进一步处理和响应。
2.根据权利要求1所述的基于物联网的安防管控方法,其特征在于,所述将预处理后的数据进行数据融合,融合后的数据用于目标识别的步骤之前还包括:采集栅格数据以实现栅格数据与预处理后数据的融合。
3.根据权利要求2所述的基于物联网的安防管控方法,其特征在于,所述采集栅格数据以实现栅格数据与预处理后数据的融合的步骤还包括:
遍历栅格数据中的每个网格;
选择一个固定大小的邻域;
计算所选择邻域中的所有网格的属性值的平均值;
将当前网格的属性值替换为计算得到的平均值;
重复上述步骤,直至遍历完所有网格。
4.根据权利要求3所述的基于物联网的安防管控方法,其特征在于,所述将预处理后的数据进行数据融合的步骤中栅格数据与预处理后数据的融合方法包括:
为栅格数据和预处理后的数据分别给定权重,并进行归一化处理;
根据栅格数据和预处理后数据的归一化值,对每个数据点和栅格单元按照给定的权重进行加权平均计算;
对融合后的数值进行反归一化处理,恢复到原始的数据范围和单位,以得到最终的融合结果。
5.根据权利要求4所述的基于物联网的安防管控方法,其特征在于,所述对识别的目标进行异常行为识别,以判定是否存在潜在威胁的步骤具体为:对融合后的数据进行特征提取,并将提取的特征输入训练好的模型进行异常行为识别;而训练好的模型根据预先设定好的阈值输出表示异常行为的概率及标签,以供安防管理人员判断是否存在潜在威胁。
6.根据权利要求1所述的基于物联网的安防管控方法,其特征在于,来自闭路电视摄像头的视频及图像数据的预处理过程包括步骤:
视频分割:将连续的视频流分割为离散的图像帧;
图像去噪:应用均值滤波算法对图像进行去噪处理,减少噪声的影响;
图像增强:对图像进行增强处理,提高图像的视觉质量和细节可见性;
特征提取:从预处理后的图像中提取特征,用于后续的分析和处理;
目标检测和跟踪:利用图像数据进行目标检测和跟踪,识别和追踪图像中的目标对象;
数据归一化:对提取的特征或目标位置数据进行归一化处理,确保数据具有一致的尺度和范围。
7.根据权利要求1所述的基于物联网的安防管控方法,其特征在于,来自雷达传感器的目标位置信息数据的预处理过程包括步骤:
数据校验:对接收到的数据进行校验,包括检查数据的完整性和准确性;
数据过滤:对接收到的数据进行过滤,去除异常或无效的数据点;
数据平滑:对过滤后的数据进行平滑处理,使用卡尔曼滤波算法来消除数据中的噪声和突发性波动;
数据插值:对目标位置信息进行插值处理,填补数据缺失;
数据归一化:对预处理后的目标位置信息数据进行归一化处理,将数据映射到统一的尺度和范围。
8.根据权利要求2所述的基于物联网的安防管控方法,其特征在于,所述将预处理后的数据进行数据融合,融合后的数据用于目标识别的步骤之后还包括:当检测到特殊关怀人员出入边界时,触发关怀事件并向管理中心发送提醒消息。
9.一种用于实现基于物联网的安防管控方法的系统,其特征在于,包括存储器及处理器,所述存储器用于基于物联网的安防管控程序,所述处理器用于运行所述基于物联网的安防管控程序以实现如权利要求1至8中任意一项所述的基于物联网的安防管控方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于物联网的安防管控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660683.2A CN116704411A (zh) | 2023-06-06 | 2023-06-06 | 一种基于物联网的安防管控方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660683.2A CN116704411A (zh) | 2023-06-06 | 2023-06-06 | 一种基于物联网的安防管控方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704411A true CN116704411A (zh) | 2023-09-05 |
Family
ID=87838618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310660683.2A Pending CN116704411A (zh) | 2023-06-06 | 2023-06-06 | 一种基于物联网的安防管控方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704411A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459178A (zh) * | 2023-12-22 | 2024-01-26 | 武汉阿内塔科技有限公司 | 一种基于语义导向的无人机通信干扰方法和系统 |
-
2023
- 2023-06-06 CN CN202310660683.2A patent/CN116704411A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459178A (zh) * | 2023-12-22 | 2024-01-26 | 武汉阿内塔科技有限公司 | 一种基于语义导向的无人机通信干扰方法和系统 |
CN117459178B (zh) * | 2023-12-22 | 2024-03-26 | 武汉阿内塔科技有限公司 | 一种基于语义导向的无人机通信干扰方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN111144291B (zh) | 基于目标检测的视频监控区域人员入侵判别方法及装置 | |
CN110419048B (zh) | 用于标识所定义的对象的系统 | |
Bhadwal et al. | Smart border surveillance system using wireless sensor network and computer vision | |
PT1628260E (pt) | Processo e dispositivo para a detecção automática de fogos florestais | |
CN113011833A (zh) | 施工现场的安全管理方法、装置、计算机设备和存储介质 | |
CN116704411A (zh) | 一种基于物联网的安防管控方法、系统及存储介质 | |
CN113593161A (zh) | 一种周界入侵检测方法 | |
CN112541439A (zh) | 一种电厂智能视频监控方法与系统 | |
CN116311727A (zh) | 入侵响应方法、装置、设备及可读存储介质 | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及系统 | |
CN116993265A (zh) | 一种基于物联网的智能仓储安全管理系统 | |
Ng et al. | Surveillance system with motion and face detection using histograms of oriented gradients | |
KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN113435371A (zh) | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 | |
KR20220000424A (ko) | 엣지 컴퓨팅 기반 지능형 보안 감시 카메라 시스템 | |
KR20220000175A (ko) | 엣지 컴퓨팅 기반 지능형 보안 감시 서비스 제공 장치의 동작방법 | |
Rehman et al. | Image processing based detecting and tracking for security systems | |
Fu et al. | Key technologies and application for radar and smart video fusion in perimeter intrusion alarm system | |
Hubner et al. | Audio-video sensor fusion for the detection of security critical events in public spaces | |
CN117456471B (zh) | 一种周界安防方法、系统、终端设备及存储介质 | |
CN117152689B (zh) | 一种基于视觉的河道目标检测方法及系统 | |
Noor et al. | Digital Border Surveillance System: Towards Illegal Migration and Trafficking Free Borders | |
CN113963502B (zh) | 一种全天候违法行为自动化巡检方法及系统 |
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 |