CN116996665B - 基于物联网的智能监控方法、装置、设备及存储介质 - Google Patents
基于物联网的智能监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116996665B CN116996665B CN202311264298.2A CN202311264298A CN116996665B CN 116996665 B CN116996665 B CN 116996665B CN 202311264298 A CN202311264298 A CN 202311264298A CN 116996665 B CN116996665 B CN 116996665B
- Authority
- CN
- China
- Prior art keywords
- camera
- data
- internet
- state
- things
- 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 87
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 177
- 230000004927 fusion Effects 0.000 claims abstract description 122
- 238000005457 optimization Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 230000005856 abnormality Effects 0.000 claims description 128
- 238000009826 distribution Methods 0.000 claims description 97
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 238000000605 extraction Methods 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000012806 monitoring device Methods 0.000 claims description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 4
- 230000007613 environmental effect Effects 0.000 description 12
- 239000000284 extract Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
-
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及物联网技术领域,公开了一种基于物联网的智能监控方法、装置、设备及存储介质,用于实现物联网摄像头的智能监控并且提高物联网摄像头的设备控制准确率。方法包括:对第一状态异常检测结果和第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果并匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;构建每个物联网摄像头的第一参数智能优化策略,进行参数组合分析,得到第二参数智能优化策略;根据第二参数智能优化策略,对多个物联网摄像头进行设备参数调整,得到最佳参数组合并对第一摄像头运行参数补偿集合进行参数补偿分析,生成第二摄像头运行参数补偿集合。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种基于物联网的智能监控方法、装置、设备及存储介质。
背景技术
随着物联网技术的发展和普及,物联网摄像头在各种应用领域中得到了广泛的应用,如监控、安防、交通管理等。然而,在实际应用中,物联网摄像头面临着一些挑战,如摄像头状态异常、环境变化导致参数失调等问题,这些问题影响到监控系统的性能和可靠性。
现有技术只关注单一感知模态,如图像数据或传感器数据。这导致在某些情况下无法获取全面的环境信息,限制了系统对目标区域的准确感知。参数调整通常是基于固定规则或手动调整,无法根据实际场景的变化自动优化参数。这导致系统在不同环境下性能不稳定或不佳。现有的参数优化策略通常缺乏智能性和自适应性,无法根据实时数据和环境变化进行动态调整,限制了系统性能的提升。对于不同感知模态的数据融合通常比较有限,无法充分挖掘多模态数据之间的关系,从而限制了系统的综合分析能力。
发明内容
本发明提供了一种基于物联网的智能监控方法、装置、设备及存储介质,用于实现物联网摄像头的智能监控并且提高物联网摄像头的设备控制准确率。
本发明第一方面提供了一种基于物联网的智能监控方法,所述基于物联网的智能监控方法包括:
采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据;
通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
结合第一方面,在本发明第一方面的第一种实现方式中,所述采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据,包括:
对所述目标监控区域中每个物联网摄像头进行摄像头位置标定,得到每个物联网摄像头的摄像头位置数据;
通过预置的传感器集群对所述目标监控区域进行多模态数据采集,得到目标多模态数据;
对所述目标多模态数据进行数据分组,得到图像数据集、声音数据集、温度数据集以及压力数据集;
对所述图像数据集进行像素值映射,得到候选图像数据集,并对所述候选图像数据集进行尺寸修正,得到待融合图像数据集;
对所述声音数据集进行频谱转换,得到所述声音数据集对应的频谱数据集,并对所述频谱数据集进行标准化处理,得到待融合频谱数据集;
分别对所述温度数据集以及所述压力数据集进行数据清洗,得到待融合温度数据集以及待融合压力数据集;
对所述待融合图像数据集、所述待融合频谱数据集、所述待融合温度数据集以及所述待融合压力数据集进行加权融合,得到候选融合数据;
对所述候选融合数据进行独热编码,得到所述目标融合数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型,包括:
通过所述第一时空关联模型的第一循环神经网络对所述摄像头位置数据进行基于时序的位置环境提取,得到所述摄像头位置数据对应的第一位置环境特征;
通过所述第一循环神经网络对所述目标融合数据进行摄像头状态分析,得到第一摄像头状态特征;
对所述第一位置环境特征以及所述第一摄像头状态特征进行时序特征分析,得到第一时序特征数据;
通过所述第一时序特征数据对所述摄像头位置数据和所述目标融合数据进行时序传递,得到第一时序关系;
通过所述第一时序关系进行模型多层结构构建,得到第一多层结构;
通过所述第一多层结构对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型;
通过所述第二时空关联模型的第二循环神经网络对所述摄像头位置数据进行基于时序的位置环境提取,得到所述摄像头位置数据对应的第二位置环境特征;
通过所述第二循环神经网络对所述目标融合数据进行摄像头状态分析,得到第二摄像头状态特征;
对所述第二位置环境特征以及所述第二摄像头状态特征进行时序特征分析,得到第二时序特征数据;
通过所述第二时序特征数据对所述摄像头位置数据和所述目标融合数据进行时序传递,得到第二时序关系;
通过所述第二时序关系进行模型多层结构构建,得到第二多层结构;
通过所述第二多层结构对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果,包括:
对所述第一摄像头分布状态模型进行区域划分,得到多个第一分布区域;
分别对每个所述第一分布区域进行颜色空间特征提取,得到第一颜色特征集合;
基于所述第一颜色特征集合分别对每个所述第一分布区域进行角点特征提取,得到第一角点特征集合,并将所述第一颜色特征集合以及所述第一角点特征集合合并为所述第一状态特征集合;
通过所述摄像头异常检测模型对所述第一状态特征集合进行数据点映射,得到第一数据点集合;
对所述第一数据点集合进行局部离群因子剔除,得到第一目标数据点集合;
对所述第一目标数据点集合进行异常因素匹配,得到第一异常因素集,并通过所述第一异常因素集生成每个物联网摄像头的第一状态异常检测结果;
对所述第二摄像头分布状态模型进行区域划分,得到多个第二分布区域;
分别对每个所述第二分布区域进行颜色空间特征提取,得到第二颜色特征集合;
基于所述第二颜色特征集合分别对每个所述第二分布区域进行角点特征提取,得到第二角点特征集合,并将所述第二颜色特征集合以及所述第二角点特征集合合并为所述第二状态特征集合;
通过所述摄像头异常检测模型对所述第二状态特征集合进行数据点映射,得到第二数据点集合;
对所述第二数据点集合进行局部离群因子剔除,得到第二目标数据点集合;
对所述第二目标数据点集合进行异常因素匹配,得到第二异常因素集,并通过所述第二异常因素集生成每个物联网摄像头的第一状态异常检测结果。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合,包括:
分别对所述第一状态异常检测结果和所述第二状态异常检测结果进行权重参数计算,得到所述第一状态异常检测结果的第一权重以及所述第二状态异常检测结果的第二权重;
基于所述第一状态异常检测结果的第一权重以及所述第二状态异常检测结果的第二权重,对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果;
对每个物联网摄像头的目标状态异常检测结果进行关键词提取,得到每个物联网摄像头对应的异常关键词;
通过每个物联网摄像头对应的异常关键词匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合。
结合第一方面,在本发明第一方面的第五种实现方式中,所述构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略,包括:
分别对每个物联网摄像头进行优化参数类型提取,得到参数类型集;
基于所述参数类型集,通过预置的遗传算法分别对每个物联网摄像头进行参数优化迭代,并在迭代过程中分别对每个物联网摄像头进行性能评价,得到每个所述物联网摄像头的性能评价分数;
通过每个所述物联网摄像头的性能评价分数进行子策略匹配,得到多个第一子策略;
通过多个第一子策略构建每个物联网摄像头的第一参数智能优化策略;
通过所述第一参数智能优化策略对多个所述物联网摄像头进行参数随机组合,得到多个随机参数组合;
分别通过每个所述随机参数组合对所述第一参数智能优化策略进行参数组合筛选,得到目标参数组合;
通过所述目标参数组合对所述第一参数智能优化策略进行策略更新,得到所述第二参数智能优化策略。
结合第一方面,在本发明第一方面的第六种实现方式中,所述根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合,包括:
根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备模拟运行,得到多个设备模拟工况数据;
对多个设备模拟工况数据进行设备运行状态分析,得到多个设备运行状态;
对多个所述设备运行状态进行状态筛选,得到目标设备运行状态;
通过所述目标设备运行状态对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合;
根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
本发明第二方面提供了一种基于物联网的智能监控装置,所述基于物联网的智能监控装置包括:
采集模块,用于采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据;
建模模块,用于通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
提取模块,用于对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
融合模块,用于对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
分析模块,用于构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
调整模块,用于根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
本发明第三方面提供了一种基于物联网的智能监控设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的智能监控设备执行上述的基于物联网的智能监控方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于物联网的智能监控方法。
本发明提供的技术方案中,通过采集每个物联网摄像头的摄像头位置数据和目标多模态数据,并进行数据融合,可以实现对目标区域的多角度、多模态感知,从而获得更全面的信息。第一时空关联模型和第二时空关联模型基于摄像头位置数据和目标融合数据,分别建立了第一摄像头分布状态模型和第二摄像头分布状态模型。这使得摄像头状态和目标位置的环境关系得以建模,有助于更准确地理解和分析监控场景。通过对第一状态特征集合和第二状态特征集合进行异常检测,可以快速识别摄像头的状态异常情况,例如图像质量下降、故障等,有助于实时监测设备的健康状态。将第一状态异常检测结果和第二状态异常检测结果进行加权融合,可以综合考虑不同状态的异常情况,提高异常检测的准确性和可靠性。
附图说明
图1为本发明实施例中基于物联网的智能监控方法的一个实施例示意图;
图2为本发明实施例中对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模的流程图;
图3为本发明实施例中对第一摄像头分布状态模型进行特征提取的流程图;
图4为本发明实施例中对第一状态异常检测结果和第二状态异常检测结果进行加权融合的流程图;
图5为本发明实施例中基于物联网的智能监控装置的一个实施例示意图;
图6为本发明实施例中基于物联网的智能监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于物联网的智能监控方法、装置、设备及存储介质,用于实现物联网摄像头的智能监控并且提高物联网摄像头的设备控制准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于物联网的智能监控方法的一个实施例包括:
S101、采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对目标多模态数据进行数据融合和数据预处理,得到目标融合数据;
可以理解的是,本发明的执行主体可以为基于物联网的智能监控装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器为了获取每个物联网摄像头的位置信息,需要进行摄像头位置标定。通过使用定位技术,如GPS等,可以准确地确定每个摄像头的位置,并获得摄像头位置数据。这样,服务器就可以知道每个摄像头在监控区域中的具体位置。通过预置的传感器集群对目标监控区域进行多模态数据采集。服务器不仅收集了图像数据,还包括声音、温度和压力等多种感知模态的数据。这种多模态数据的采集能力增强了服务器对环境的感知和监测能力。对获得的目标多模态数据进行数据分组,将数据按照不同的模态进行分类。这样,就得到了图像数据集、声音数据集、温度数据集和压力数据集。对图像数据集进行像素值映射,可以调整图像的亮度、对比度等参数,以保持数据的一致性。对候选图像数据集进行尺寸修正,确保所有图像具有相同的分辨率,为后续融合做准备。声音数据集经过频谱转换,将声音信号从时域转换为频域,得到声音频谱数据集。为了在不同摄像头之间进行比较,对频谱数据集进行标准化处理,以确保数据的一致性。同时,对温度数据集和压力数据集进行数据清洗,去除异常值和噪音,确保数据的准确性和可靠性。接下来,通过加权融合将待融合的图像数据集、频谱数据集、温度数据集和压力数据集进行综合。加权融合根据不同模态的重要性来分配权重,以确保融合后的数据具有全面性和准确性。将候选融合数据进行独热编码,将不同模态的数据转换为二进制编码表示。这将为后续分析和处理提供更高效的方式。例如,假设有一家大型工业厂房,使用基于物联网的智能监控方法来提高安全性和生产效率。本实施例中,每个摄像头位于不同区域,用于监测设备运行、工人行为、环境温度和压力等信息。针对每个摄像头,进行摄像头位置标定,确定其在工厂内的精确位置,获得摄像头位置数据。利用预置的传感器集群对工厂区域进行多模态数据采集。摄像头捕捉设备运行状态的图像,麦克风记录环境声音,温度传感器测量环境温度,压力传感器监测机器压力。这样,获得了图像、声音、温度和压力等多模态数据。对这些目标多模态数据进行数据分组,得到不同模态的数据集,如图像数据集、声音数据集、温度数据集和压力数据集。图像数据集经过像素值映射和尺寸修正处理,确保图像具有统一的特征。声音数据集进行频谱转换,并标准化,以保证不同摄像头数据的一致性。同时,温度数据集和压力数据集进行数据清洗,去除异常值,确保数据的准确性。将待融合的图像数据集、频谱数据集、温度数据集和压力数据集进行加权融合,通过分配合适的权重,综合不同模态的信息。对候选融合数据进行独热编码,将多模态数据转换为二进制编码,为后续处理提供便利。
S102、通过预置的第一时空关联模型对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
具体的,服务器第一时空关联模型利用第一循环神经网络来处理摄像头位置数据,以实现基于时序的位置环境提取。通过分析摄像头位置数据的时间序列变化,模型能够捕获摄像头所在位置的环境变化,例如交通流量的变化、周边建筑物的变化等。同时,在第一循环神经网络中对目标融合数据进行摄像头状态分析。这包括对目标多模态数据的特征提取,例如从图像中识别出运动目标、从声音数据中检测异常声音,以及从温度和压力数据中推测环境状态。这些特征有助于判断监控区域内是否存在异常情况。接下来,将第一位置环境特征和第一摄像头状态特征进行时序特征分析,以获得第一时序特征数据。这些时序特征数据可以包括摄像头位置的历史变化趋势以及目标状态的时序变化。通过时序传递操作,将第一时序特征数据应用于摄像头位置数据和目标融合数据,生成第一时序关系。这种关系可以揭示不同数据之间的时序联系,为后续多层结构的构建提供基础。基于第一时序关系,构建模型的多层结构,生成第一多层结构。这个多层结构由多个神经网络层组成,每一层负责不同层次的特征提取和数据关联。这种多层结构有助于更准确地捕捉摄像头位置、环境和目标状态之间的关系。通过第一多层结构对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型。该模型综合考虑了位置、环境和目标信息,可以更准确地描述每个摄像头的工作状态和监控区域的情况。类似地,第二时空关联模型使用第二循环神经网络对摄像头位置数据进行时序建模,提取第二位置环境特征。通过类似的方式,分析目标融合数据,获得第二摄像头状态特征。这一过程与第一模型类似,但针对不同的摄像头和数据。将第二位置环境特征和第二摄像头状态特征进行时序特征分析,获得第二时序特征数据。这些数据揭示了第二摄像头的位置环境和状态变化情况。通过时序传递操作,得到第二时序关系,用于构建第二多层结构。通过该结构对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,生成第二摄像头分布状态模型。与第一模型相似,第二模型也将综合考虑位置、环境和目标信息。例如,在城市交通管理中,考虑一个交叉路口的监控。第一模型通过第一循环神经网络分析摄像头位置数据,提取路口交通流量随时间的变化趋势。同时,从目标融合数据中分析交通状态,如车辆的速度、密度等。这些信息通过时序特征分析,产生了第一时序关系,构建了多层结构,最终得到了该路口的第一摄像头分布状态模型。类似地,第二模型通过第二循环神经网络分析另一个路口的摄像头位置数据,提取交叉路口环境的时序变化特征。从目标融合数据中分析交通状态,如行人的流量、道路压力等。通过类似的步骤,构建了第二路口的第二摄像头分布状态模型。
S103、对第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过摄像头异常检测模型对第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
需要说明的是,对第一摄像头分布状态模型进行区域划分,将监控区域划分成多个不同的分布区域,每个区域对应于不同的监控范围。对每个分布区域,进行颜色空间特征提取,从图像数据中提取出颜色信息,得到第一颜色特征集合。基于第一颜色特征集合,进行角点特征提取。角点特征可以反映图像中目标的显著点,例如交通标志、车辆等。将第一颜色特征集合和第一角点特征集合合并,生成第一状态特征集合,这些特征能够更好地描述每个监控区域的状态。接下来,借助预置的摄像头异常检测模型,对第一状态特征集合进行数据点映射,将每个特征映射为数据点,形成第一数据点集合。通过局部离群因子剔除,排除掉与其他数据点差异较大的离群点,得到第一目标数据点集合。对第一目标数据点集合进行异常因素匹配,识别出导致异常的因素。这些异常因素包括颜色异常、角点异常等,表明该摄像头监控的区域出现了异常情况。通过匹配出的异常因素,生成每个物联网摄像头的第一状态异常检测结果。例如,如果某个监控区域颜色特征与其他区域差异明显,表明存在不寻常的情况,如交通事故或路面污染等。类似地,对第二摄像头分布状态模型进行区域划分,并进行颜色空间特征提取和角点特征提取。将这些特征合并为第二状态特征集合,用于描述第二摄像头的监控区域状态。通过摄像头异常检测模型,对第二状态特征集合进行数据点映射,得到第二数据点集合,然后进行局部离群因子剔除,生成第二目标数据点集合。在第二目标数据点集合中进行异常因素匹配,找出的异常因素,进而生成每个物联网摄像头的第二状态异常检测结果。例如,考虑一个城市监控系统。第一摄像头分布状态模型将路口分为不同的区域,提取各区域的颜色特征和角点特征。通过异常检测,如果某个区域的颜色特征与正常情况差异很大,表示交通事故发生。类似地,第二摄像头分布状态模型也进行特征提取和异常检测,识别出另一个交叉路口的异常情况,如行人交通堵塞等。
S104、对第一状态异常检测结果和第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
具体的,针对第一状态异常检测结果和第二状态异常检测结果,进行权重参数计算。这些权重可以基于不同因素,例如异常类型的严重程度、各状态检测模型的准确性等。计算出第一状态异常检测结果的权重(称为第一权重)和第二状态异常检测结果的权重(称为第二权重),这些权重将用于后续的加权融合过程。基于第一权重和第二权重,对第一状态异常检测结果和第二状态异常检测结果进行加权融合。加权融合可以采用加权平均或其他融合方法,以确保不同状态异常检测结果的贡献被适当考虑。这一融合过程将生成每个物联网摄像头的目标状态异常检测结果,该结果综合了第一和第二状态的异常检测信息。针对每个物联网摄像头的目标状态异常检测结果,进行关键词提取。通过分析异常检测结果中的关键特征,提取出描述异常情况的关键词。例如,如果异常检测结果涉及到交通事故,关键词包括"事故"、"碰撞"等。这些关键词有助于进一步理解异常情况的性质。通过匹配物联网摄像头的异常关键词,将其与相应的第一摄像头运行参数补偿集合进行匹配。这些参数补偿集合包含了在异常情况下需要调整的摄像头参数,如视野角度、曝光时间等。通过将异常关键词与参数补偿集合匹配,服务器可以自动根据异常情况调整摄像头的运行参数,以获得更准确的监控结果。例如,考虑一个城市交通监控系统。在某个交叉路口,第一状态异常检测结果显示路口的交通流量异常增加,第二状态异常检测结果显示某个区域的车辆停滞不前。通过计算得到第一权重和第二权重,服务器可以加权融合这些结果,生成路口的目标状态异常检测结果。如果这些结果中的异常关键词为"拥堵"和"流量",则可以匹配到第一摄像头运行参数补偿集合,服务器会相应地调整摄像头的视野角度和拍摄频率,以更好地监测交通拥堵情况。
S105、构建每个物联网摄像头的第一参数智能优化策略,并通过第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
具体的,针对每个物联网摄像头,提取优化参数的类型。这些参数类型可以包括摄像头的视野角度、曝光时间、拍摄频率等。这些参数类型集合将作为优化的基础。基于参数类型集合,采用预置的遗传算法对每个摄像头进行参数优化迭代。在每次迭代中,通过调整不同参数的取值,生成不同的参数组合,并针对每个参数组合进行性能评价。这些评价可以是关于监控结果的准确性、稳定性等方面的评价指标,用于衡量不同参数组合的优劣。通过性能评价分数,进行子策略匹配。将性能评价分数用于匹配,生成多个第一子策略,每个子策略对应不同的参数优化方向。例如,如果某个摄像头在某个参数配置下性能较好,那么这个参数配置可以作为一个子策略。将多个第一子策略结合,构建每个物联网摄像头的第一参数智能优化策略。这个智能优化策略将包括多个子策略,以便根据实际情况动态选择合适的参数优化方向。通过第一参数智能优化策略,对多个物联网摄像头进行参数随机组合。通过随机组合,产生多个随机参数组合,每个组合对应不同的参数配置。分别使用每个随机参数组合,对第一参数智能优化策略进行参数组合筛选。通过计算性能评价分数,选择出适合当前情况的目标参数组合。使用目标参数组合对第一参数智能优化策略进行策略更新,生成第二参数智能优化策略。这个第二参数智能优化策略将针对每个摄像头的特定情况,进行参数配置的智能优化。例如,考虑一个城市监控系统。在交通拥堵高发区域,第一参数智能优化策略包括调整摄像头的视野角度和拍摄频率,以更准确地监测交通流量和拥堵情况。根据遗传算法的迭代过程,服务器生成不同的子策略,如增加拍摄频率、扩大视野角度等。通过策略更新,生成第二参数智能优化策略,可以根据实时情况对摄像头参数进行智能调整,以最优化的方式监测交通状况。
S106、根据第二参数智能优化策略,对多个物联网摄像头进行设备参数调整,得到最佳参数组合,并根据最佳参数组合对第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
具体的,根据第二参数智能优化策略,对多个物联网摄像头进行设备模拟运行。在模拟运行过程中,应用不同的参数组合,模拟不同的监控情况。这将产生多个设备模拟工况数据,每个数据对应不同参数组合下的监控结果。基于设备模拟工况数据,进行设备运行状态分析。对模拟数据进行分析,获取摄像头在不同参数组合下的运行状态信息,包括监控结果的准确性、稳定性等方面的指标。对多个设备运行状态进行状态筛选,选择出最符合监控要求的目标设备运行状态。这些目标状态可以是在不同参数组合下,监控效果最佳的状态。通过目标设备运行状态,对多个物联网摄像头进行设备参数调整,得到最佳参数组合。这些参数组合将使摄像头在实际监控中获得最佳性能,以适应不同的监控场景和需求。根据最佳参数组合,对第一摄像头运行参数补偿集合进行参数补偿分析。根据设备参数调整的结果,分析第一摄像头运行参数补偿集合中哪些参数需要进行调整,以使其适应最佳参数组合。根据参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。这个集合包含了经过优化调整的参数,将用于在实际监控中改善摄像头的性能和监控效果。例如,考虑一个城市交通监控系统。在一个交叉路口,多个摄像头监控交通状况。通过第二参数智能优化策略,模拟不同的参数组合,如视野角度、拍摄频率等。对模拟结果进行状态分析,选择出在拥堵情况下监控效果最佳的状态。根据这些状态,调整摄像头的参数,得到最佳参数组合。通过参数补偿分析,确定第一摄像头运行参数补偿集合中哪些参数需要调整,以适应最佳参数组合。这个补偿集合将包含经过优化的参数,使第一摄像头在实际交通监控中获得更好的性能。
本发明实施例中,通过采集每个物联网摄像头的摄像头位置数据和目标多模态数据,并进行数据融合,可以实现对目标区域的多角度、多模态感知,从而获得更全面的信息。第一时空关联模型和第二时空关联模型基于摄像头位置数据和目标融合数据,分别建立了第一摄像头分布状态模型和第二摄像头分布状态模型。这使得摄像头状态和目标位置的环境关系得以建模,有助于更准确地理解和分析监控场景。通过对第一状态特征集合和第二状态特征集合进行异常检测,可以快速识别摄像头的状态异常情况,例如图像质量下降、故障等,有助于实时监测设备的健康状态。将第一状态异常检测结果和第二状态异常检测结果进行加权融合,可以综合考虑不同状态的异常情况,提高异常检测的准确性和可靠性。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)对目标监控区域中每个物联网摄像头进行摄像头位置标定,得到每个物联网摄像头的摄像头位置数据;
(2)通过预置的传感器集群对目标监控区域进行多模态数据采集,得到目标多模态数据;
(3)对目标多模态数据进行数据分组,得到图像数据集、声音数据集、温度数据集以及压力数据集;
(4)对图像数据集进行像素值映射,得到候选图像数据集,并对候选图像数据集进行尺寸修正,得到待融合图像数据集;
(5)对声音数据集进行频谱转换,得到声音数据集对应的频谱数据集,并对频谱数据集进行标准化处理,得到待融合频谱数据集;
(6)分别对温度数据集以及压力数据集进行数据清洗,得到待融合温度数据集以及待融合压力数据集;
(7)对待融合图像数据集、待融合频谱数据集、待融合温度数据集以及待融合压力数据集进行加权融合,得到候选融合数据;
(8)对候选融合数据进行独热编码,得到目标融合数据。
具体的,服务器针对目标监控区域中的每个物联网摄像头,进行摄像头位置标定,以获取每个摄像头的精确位置信息。这有助于后续数据处理和分析,使得摄像头数据能够准确地与特定位置相关联。接下来,通过预置的传感器集群对目标监控区域进行多模态数据采集。传感器集群可以包括摄像头、声音传感器、温度传感器和压力传感器等,以获取不同感知模态的数据。获得目标多模态数据后,将其进行数据分组。根据不同感知模态,将数据分成图像数据集、声音数据集、温度数据集和压力数据集等,以便在后续处理中对每种类型的数据进行不同的处理和分析。对图像数据集进行像素值映射,将图像数据的像素值映射到特定的尺度范围内,以便进行后续的数据处理。同时,对候选图像数据集进行尺寸修正,确保所有图像数据具有相同的尺寸,便于后续的融合和分析。对声音数据集进行频谱转换,将声音数据转换为频谱数据,以提取声音信号的频域特征。对频谱数据进行标准化处理,确保数据具有一致的范围和分布,以便与其他数据类型进行融合。对温度数据集和压力数据集分别进行数据清洗,去除存在的异常值或噪声,以确保数据的质量和可靠性。清洗后的数据将为后续的融合和分析提供可靠的基础。将待融合的图像数据集、频谱数据集、温度数据集和压力数据集进行加权融合,生成候选融合数据。融合的方式可以根据实际需求和数据特点选择,例如,可以分别赋予不同模态的数据不同的权重,然后将它们加权相加得到融合数据。对候选融合数据进行独热编码,将数据转换为适用于机器学习和分析的格式。独热编码将数据转化为二进制向量,每个位表示一个特定的状态或属性,便于后续的数据处理和分析。例如,当应用于一个大型商业综合体的安防监控系统中,服务器使用物联网智能监控方法,整合摄像头图像、声音传感器数据、温度传感器数据和门禁记录。服务器标定每个摄像头的位置,然后通过传感器集群采集数据。图像数据经过像素值映射和尺寸修正,声音数据经过频谱转换和标准化,温度和门禁数据进行清洗。接着,将这些数据加权融合,生成候选融合数据,并进行独热编码以便进一步分析。这使服务器能够识别异常声音与图像中的行为是否相关,检测温度异常是否与人员进出有关,从而提升安防监控的效果和准确性。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S2001、通过第一时空关联模型的第一循环神经网络对摄像头位置数据进行基于时序的位置环境提取,得到摄像头位置数据对应的第一位置环境特征;
S2002、通过第一循环神经网络对目标融合数据进行摄像头状态分析,得到第一摄像头状态特征;
S2003、对第一位置环境特征以及第一摄像头状态特征进行时序特征分析,得到第一时序特征数据;
S2004、通过第一时序特征数据对摄像头位置数据和目标融合数据进行时序传递,得到第一时序关系;
S2005、通过第一时序关系进行模型多层结构构建,得到第一多层结构;
S2006、通过第一多层结构对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型;
S2007、通过第二时空关联模型的第二循环神经网络对摄像头位置数据进行基于时序的位置环境提取,得到摄像头位置数据对应的第二位置环境特征;
S2008、通过第二循环神经网络对目标融合数据进行摄像头状态分析,得到第二摄像头状态特征;
S2009、对第二位置环境特征以及第二摄像头状态特征进行时序特征分析,得到第二时序特征数据;
S2010、通过第二时序特征数据对摄像头位置数据和目标融合数据进行时序传递,得到第二时序关系;
S2011、通过第二时序关系进行模型多层结构构建,得到第二多层结构;
S2012、通过第二多层结构对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型。
具体的,服务器通过第一时空关联模型的第一循环神经网络对摄像头位置数据进行基于时序的位置环境提取。将摄像头的位置数据输入循环神经网络,网络会学习捕捉摄像头位置与周围环境之间的关联。例如,当摄像头位于城市中心时,网络会关联这一区域的交通密度更高,进而提取出第一位置环境特征。其次,通过第一循环神经网络对目标融合数据进行摄像头状态分析。将摄像头捕捉到的视频数据输入网络,网络可以识别交通流量、车辆速度、行人流动等信息,从而得到第一摄像头状态特征。接下来,对第一位置环境特征以及第一摄像头状态特征进行时序特征分析。通过时间序列分析方法,服务器观察这些特征在不同时间段内的变化趋势,比如交通流量的日常波动和周末的差异,以及拥堵情况的高峰时段等。利用第一时序特征数据对摄像头位置数据和目标融合数据进行时序传递,得到第一时序关系。服务器建立起不同摄像头位置、环境特征和状态特征之间的时序关联,形成一个动态的监控系统。通过第一时序关系进行模型多层结构构建。可以考虑采用深层神经网络结构,使模型能够捕获更高阶的特征关系,进一步提升预测和建模的精度。通过第一多层结构对摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,服务器使用这个多层结构的结果来预测未来的位置环境和摄像头状态,从而形成第一摄像头分布状态模型。服务器将摄像头位置数据输入到第二循环神经网络(RNN)中,以便对基于时序的位置环境进行提取。该模型能够捕捉位置数据之间的时序关系,并从中提取摄像头位置数据对应的第二位置环境特征。服务器收集目标融合数据,如交通流量、车辆状态和人流量等,将其输入到经过训练的第二循环神经网络中。这一步骤能够对目标融合数据进行摄像头状态分析,识别出摄像头捕捉到的第二摄像头状态特征,例如交通拥堵和异常行为。接着,对第二位置环境特征和第二摄像头状态特征进行时序特征分析。通过时序分析,服务器了解这些特征随时间的变化规律,从而获得第二时序特征数据。利用第二时序特征数据对摄像头位置数据和目标融合数据进行时序传递,从而建立第二时序关系。这一关系将帮助服务器更好地理解位置数据和目标融合数据之间的时序关联。在获得第二时序关系之后,服务器根据这一关系构建模型的多层结构,以便更有效地进行特征的抽取和建模。通过第二多层结构,服务器对摄像头位置数据和目标融合数据进行位置环境和摄像头状态的建模。这一模型能够更加准确地预测摄像头的分布状态,从而为监控、安防和交通管理等领域提供更精确的数据支持。例如,考虑一个城市中的交通监控系统。第一模型处理从不同摄像头获取的交通流量数据。第一循环神经网络对每个摄像头的数据进行处理,提取出该位置的交通环境特征。通过分析摄像头状态,可以检测出是否有车辆违规行驶。时序特征分析阶段,结合交通环境特征和摄像头状态,可以识别出特定时间段内的交通拥堵情况。通过第一多层结构,模型可以捕获每个摄像头之间更复杂的关联,例如路段之间的影响。第二模型可以处理城市中的人流监测数据。第二循环神经网络对摄像头位置数据进行处理,提取人流密集区域的位置环境特征。摄像头状态分析可以检测出人群的运动状态,如行走、聚集等。时序特征分析可以识别出一天内人流高峰和低谷的时段。通过第二多层结构,模型可以更好地理解人流的时空分布规律。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S3001、对第一摄像头分布状态模型进行区域划分,得到多个第一分布区域;
S3002、分别对每个第一分布区域进行颜色空间特征提取,得到第一颜色特征集合;
S3003、基于第一颜色特征集合分别对每个第一分布区域进行角点特征提取,得到第一角点特征集合,并将第一颜色特征集合以及第一角点特征集合合并为第一状态特征集合;
S3004、通过摄像头异常检测模型对第一状态特征集合进行数据点映射,得到第一数据点集合;
S3005、对第一数据点集合进行局部离群因子剔除,得到第一目标数据点集合;
S3006、对第一目标数据点集合进行异常因素匹配,得到第一异常因素集,并通过第一异常因素集生成每个物联网摄像头的第一状态异常检测结果;
S3007、对第二摄像头分布状态模型进行区域划分,得到多个第二分布区域;
S3008、分别对每个第二分布区域进行颜色空间特征提取,得到第二颜色特征集合;
S3009、基于第二颜色特征集合分别对每个第二分布区域进行角点特征提取,得到第二角点特征集合,并将第二颜色特征集合以及第二角点特征集合合并为第二状态特征集合;
S3010、通过摄像头异常检测模型对第二状态特征集合进行数据点映射,得到第二数据点集合;
S3011、对第二数据点集合进行局部离群因子剔除,得到第二目标数据点集合;
S3012、对第二目标数据点集合进行异常因素匹配,得到第二异常因素集,并通过第二异常因素集生成每个物联网摄像头的第一状态异常检测结果。
具体的,服务器针对第一摄像头分布状态模型,首先对其分布状态进行区域划分。通过聚类方法,如K均值聚类,将摄像头捕捉到的位置数据划分为不同的区域。每个区域表示一个第一分布区域。对于每个第一分布区域,进行颜色空间特征提取。包括将图像数据转换到不同的颜色空间(如RGB、HSV等),并提取关于颜色分布的统计特征,如颜色直方图、颜色均值等。在每个第一分布区域中,进行角点特征提取。可以通过角点检测算法,如Harris角点检测或FAST角点检测,来识别图像中的关键角点。将每个第一分布区域的颜色特征集合和角点特征集合合并,得到第一状态特征集合。这些特征可以在后续步骤中用于异常检测。将第一状态特征集合输入摄像头异常检测模型,进行数据点映射。这是一个监督学习模型,被训练用于区分正常和异常状态。每个数据点在映射后会得到一个异常得分。根据异常得分,对第一数据点集合进行局部离群因子(LOF)剔除。这有助于去除由于噪声或局部变化引起的异常点,从而得到更准确的目标数据点集合。对第一目标数据点集合进行异常因素匹配。这可以是通过对异常得分进行阈值设置或使用统计方法来识别哪些数据点被判定为异常。通过第一异常因素集,为每个物联网摄像头生成第一状态的异常检测结果。这将显示哪些区域或摄像头的状态被标记为异常。类似地,对第二摄像头分布状态模型进行区域划分,将其位置数据分为多个第二分布区域。对每个第二分布区域提取颜色空间特征,如颜色直方图、颜色均值等。在每个第二分布区域中,进行角点特征提取,识别图像中的关键角点。将每个第二分布区域的颜色特征集合和角点特征集合合并,得到第二状态特征集合。将第二状态特征集合输入摄像头异常检测模型,进行数据点映射,得到异常得分。根据异常得分,对第二数据点集合进行局部离群因子剔除。对第二目标数据点集合进行异常因素匹配,识别哪些数据点被判定为异常。通过第二异常因素集,为每个物联网摄像头生成第二状态的异常检测结果。例如,考虑一个大型商业中心的安全监控系统。第一摄像头分布在停车场,第二摄像头分布在商场内部。第一摄像头区域划分后,颜色空间特征提取揭示停车位的使用情况(车辆颜色的分布)。角点特征提取帮助识别停车场入口和出口的位置。这些特征结合后,经过异常检测,可以检测出停车场内是否有异常活动,如停车位过度占用或车辆异常行为。对第二摄像头的处理类似。区域划分后,颜色空间特征提取捕捉商场内不同区域的人流密集程度。角点特征提取可以识别出商场内的主要交叉路口。这些特征结合后,经过异常检测,可以检测出人流异常或聚集行为。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、分别对第一状态异常检测结果和第二状态异常检测结果进行权重参数计算,得到第一状态异常检测结果的第一权重以及第二状态异常检测结果的第二权重;
S402、基于第一状态异常检测结果的第一权重以及第二状态异常检测结果的第二权重,对第一状态异常检测结果和第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果;
S403、对每个物联网摄像头的目标状态异常检测结果进行关键词提取,得到每个物联网摄像头对应的异常关键词;
S404、通过每个物联网摄像头对应的异常关键词匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合。
具体的,服务器对第一状态异常检测结果和第二状态异常检测结果进行评估,并为每个结果分别计算权重参数。这些权重参数可以基于异常的严重程度、历史准确性等因素进行计算。基于计算得到的权重参数,将第一状态异常检测结果和第二状态异常检测结果进行加权融合。加权融合可以是简单的线性加权,也可以是基于权重的加权平均等方法,从而生成每个物联网摄像头的目标状态异常检测结果。对每个物联网摄像头的目标状态异常检测结果进行关键词提取。这些关键词可以是描述异常情况的关键词,比如“交通拥堵”、“行人拥挤”等。将每个摄像头的异常关键词与一个预定义的关键词库进行匹配,以识别异常情况的特征根据每个摄像头匹配到的异常关键词,建立一个摄像头的第一摄像头运行参数补偿集合。这个集合包含了一系列可以调整摄像头运行参数的选项,以便更好地捕捉异常情况。例如,假设服务器有一个城市交通监控系统,涵盖了多个摄像头以实时监测交通情况。通过异常检测系统,服务器得到每个摄像头的第一状态异常检测结果和第二状态异常检测结果。假设在某个时间段内,摄像头A检测到交通拥堵,而摄像头B检测到行人拥挤。根据异常的严重程度和历史准确性,计算得到摄像头A的第一权重为0.6,第二权重为0.4;摄像头B的第一权重为0.4,第二权重为0.6。根据权重,服务器将摄像头A的两个状态异常检测结果进行加权融合,得到摄像头A的目标状态异常检测结果;同样,对摄像头B也进行加权融合,得到摄像头B的目标状态异常检测结果。进一步地,服务器从摄像头A的目标状态异常检测结果中提取出“交通拥堵”作为异常关键词,与预定义的关键词库匹配后,识别出交通拥堵的情况。根据这个异常关键词,建立摄像头A的第一摄像头运行参数补偿集合,包括调整图像捕捉角度、增加采样频率等选项。类似地,摄像头B的目标状态异常检测结果提取出“行人拥挤”作为异常关键词,进行关键词匹配后,识别出行人拥挤的情况,并建立第一摄像头运行参数补偿集合。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)分别对每个物联网摄像头进行优化参数类型提取,得到参数类型集;
(2)基于参数类型集,通过预置的遗传算法分别对每个物联网摄像头进行参数优化迭代,并在迭代过程中分别对每个物联网摄像头进行性能评价,得到每个物联网摄像头的性能评价分数;
(3)通过每个物联网摄像头的性能评价分数进行子策略匹配,得到多个第一子策略;
(4)通过多个第一子策略构建每个物联网摄像头的第一参数智能优化策略;
(5)通过第一参数智能优化策略对多个物联网摄像头进行参数随机组合,得到多个随机参数组合;
(6)分别通过每个随机参数组合对第一参数智能优化策略进行参数组合筛选,得到目标参数组合;
(7)通过目标参数组合对第一参数智能优化策略进行策略更新,得到第二参数智能优化策略。
具体的,对每个物联网摄像头的优化参数进行类型提取,得到一个参数类型集。这些参数类型可以是摄像头的捕捉角度、采样频率、图像分辨率等。基于参数类型集,使用预置的遗传算法分别对每个摄像头进行参数优化迭代。遗传算法模拟自然选择的过程,通过不断迭代优化参数,以求得最优解。在迭代过程中,对每个摄像头的性能进行评价,得到性能评价分数。这可以是识别准确率、异常检测速度等指标。基于性能评价分数,对每个摄像头进行子策略匹配,得到多个第一子策略。每个子策略可以包括不同的参数组合,以针对不同场景或任务进行优化。通过多个第一子策略,构建每个摄像头的第一参数智能优化策略。这个策略可以包括根据场景自动切换参数、自适应调整参数等。基于第一参数智能优化策略,对每个摄像头生成多个随机参数组合。这些组合是不同参数类型的随机组合。对每个随机参数组合,使用第一参数智能优化策略进行参数组合筛选,得到目标参数组合。筛选可以基于性能评价分数,选择表现最好的参数组合。通过目标参数组合,对第一参数智能优化策略进行策略更新,得到第二参数智能优化策略。这个策略是经过不断优化和迭代后的智能策略。例如,假设有一个城市监控系统,涵盖了多个物联网摄像头,用于监测不同区域的交通和安全情况。服务器希望通过优化摄像头参数来提升监控效果。服务器从每个摄像头中提取参数类型,如捕捉角度、采样频率等。使用遗传算法对每个摄像头进行参数优化迭代,评价性能得到性能评价分数。根据性能评价分数,为每个摄像头匹配多个子策略,例如针对高峰交通时段的参数组合和针对夜间安防的参数组合。通过多个子策略,构建每个摄像头的第一参数智能优化策略。接着,生成多个随机参数组合,然后使用第一参数智能优化策略进行筛选,得到目标参数组合。这些参数组合可以是在特定场景下具有优越性能的组合。通过目标参数组合对第一参数智能优化策略进行更新,得到第二参数智能优化策略。这个策略将在不同场景下自动调整摄像头参数,以实现更优的监控和安防效果。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据第二参数智能优化策略,对多个物联网摄像头进行设备模拟运行,得到多个设备模拟工况数据;
(2)对多个设备模拟工况数据进行设备运行状态分析,得到多个设备运行状态;
(3)对多个设备运行状态进行状态筛选,得到目标设备运行状态;
(4)通过目标设备运行状态对多个物联网摄像头进行设备参数调整,得到最佳参数组合;
(5)根据最佳参数组合对第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
具体的,根据第二参数智能优化策略,对多个物联网摄像头进行设备模拟运行,以得到多个设备模拟工况数据。这些数据是在不同参数组合下模拟的设备运行数据。对多个设备模拟工况数据进行设备运行状态分析。这可以涉及摄像头的工作温度、CPU使用率、带宽占用等状态指标分析,以获得每个模拟工况下的设备运行状态。对多个设备运行状态进行状态筛选,选择最符合设定目标的运行状态。这可以是性能稳定、能耗低等目标。基于目标设备运行状态,对多个物联网摄像头进行设备参数调整,以找到最佳参数组合。参数调整可以包括调整分辨率、帧率、图像处理算法等。根据最佳参数组合,对第一摄像头运行参数补偿集合进行参数补偿分析。补偿分析可以根据实际运行数据,调整运行参数补偿集合中的参数值,以适应新的优化参数。例如,假设服务器有一个城市监控系统,其中包含多个物联网摄像头,用于监测交通和安全。服务器希望通过设备参数调整来提高摄像头的运行性能和效果。根据第二参数智能优化策略,对每个摄像头进行模拟运行,得到模拟工况数据。分析这些数据,获得模拟工况下的设备运行状态,如温度、带宽占用等。接着,对设备运行状态进行筛选,选择那些性能稳定、能耗较低的运行状态作为目标状态。根据目标状态,对每个摄像头进行参数调整,例如降低分辨率以减少计算量。使用最佳参数组合对第一摄像头运行参数补偿集合进行参数补偿分析,根据实际运行数据,调整补偿集合中的参数值,以适应新的优化参数。这样,每个摄像头就可以根据不同的工况自动调整参数,实现更好的运行效果。
上面对本发明实施例中基于物联网的智能监控方法进行了描述,下面对本发明实施例中基于物联网的智能监控装置进行描述,请参阅图5,本发明实施例中基于物联网的智能监控装置一个实施例包括:
采集模块501,用于采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据;
建模模块502,用于通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
提取模块503,用于对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
融合模块504,用于对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
分析模块505,用于构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
调整模块506,用于根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
通过上述各个组成部分的协同合作,通过采集每个物联网摄像头的摄像头位置数据和目标多模态数据,并进行数据融合,可以实现对目标区域的多角度、多模态感知,从而获得更全面的信息。第一时空关联模型和第二时空关联模型基于摄像头位置数据和目标融合数据,分别建立了第一摄像头分布状态模型和第二摄像头分布状态模型。这使得摄像头状态和目标位置的环境关系得以建模,有助于更准确地理解和分析监控场景。通过对第一状态特征集合和第二状态特征集合进行异常检测,可以快速识别摄像头的状态异常情况,例如图像质量下降、故障等,有助于实时监测设备的健康状态。将第一状态异常检测结果和第二状态异常检测结果进行加权融合,可以综合考虑不同状态的异常情况,提高异常检测的准确性和可靠性。
上面图5从模块化功能实体的角度对本发明实施例中的基于物联网的智能监控装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于物联网的智能监控设备进行详细描述。
图6是本发明实施例提供的一种基于物联网的智能监控设备的结构示意图,该基于物联网的智能监控设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于物联网的智能监控设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于物联网的智能监控设备600上执行存储介质630中的一系列指令操作。
基于物联网的智能监控设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于物联网的智能监控设备结构并不构成对基于物联网的智能监控设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于物联网的智能监控设备,所述基于物联网的智能监控设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于物联网的智能监控方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于物联网的智能监控方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于物联网的智能监控方法,其特征在于,所述基于物联网的智能监控方法包括:
采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据;具体包括:对所述目标监控区域中每个物联网摄像头进行摄像头位置标定,得到每个物联网摄像头的摄像头位置数据;通过预置的传感器集群对所述目标监控区域进行多模态数据采集,得到目标多模态数据;对所述目标多模态数据进行数据分组,得到图像数据集、声音数据集、温度数据集以及压力数据集;对所述图像数据集进行像素值映射,得到候选图像数据集,并对所述候选图像数据集进行尺寸修正,得到待融合图像数据集;对所述声音数据集进行频谱转换,得到所述声音数据集对应的频谱数据集,并对所述频谱数据集进行标准化处理,得到待融合频谱数据集;分别对所述温度数据集以及所述压力数据集进行数据清洗,得到待融合温度数据集以及待融合压力数据集;对所述待融合图像数据集、所述待融合频谱数据集、所述待融合温度数据集以及所述待融合压力数据集进行加权融合,得到候选融合数据;对所述候选融合数据进行独热编码,得到所述目标融合数据;
通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
2.根据权利要求1所述的基于物联网的智能监控方法,其特征在于,所述通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型,包括:
通过所述第一时空关联模型的第一循环神经网络对所述摄像头位置数据进行基于时序的位置环境提取,得到所述摄像头位置数据对应的第一位置环境特征;
通过所述第一循环神经网络对所述目标融合数据进行摄像头状态分析,得到第一摄像头状态特征;
对所述第一位置环境特征以及所述第一摄像头状态特征进行时序特征分析,得到第一时序特征数据;
通过所述第一时序特征数据对所述摄像头位置数据和所述目标融合数据进行时序传递,得到第一时序关系;
通过所述第一时序关系进行模型多层结构构建,得到第一多层结构;
通过所述第一多层结构对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型;
通过所述第二时空关联模型的第二循环神经网络对所述摄像头位置数据进行基于时序的位置环境提取,得到所述摄像头位置数据对应的第二位置环境特征;
通过所述第二循环神经网络对所述目标融合数据进行摄像头状态分析,得到第二摄像头状态特征;
对所述第二位置环境特征以及所述第二摄像头状态特征进行时序特征分析,得到第二时序特征数据;
通过所述第二时序特征数据对所述摄像头位置数据和所述目标融合数据进行时序传递,得到第二时序关系;
通过所述第二时序关系进行模型多层结构构建,得到第二多层结构;
通过所述第二多层结构对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型。
3.根据权利要求1所述的基于物联网的智能监控方法,其特征在于,所述对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果,包括:
对所述第一摄像头分布状态模型进行区域划分,得到多个第一分布区域;
分别对每个所述第一分布区域进行颜色空间特征提取,得到第一颜色特征集合;
基于所述第一颜色特征集合分别对每个所述第一分布区域进行角点特征提取,得到第一角点特征集合,并将所述第一颜色特征集合以及所述第一角点特征集合合并为所述第一状态特征集合;
通过所述摄像头异常检测模型对所述第一状态特征集合进行数据点映射,得到第一数据点集合;
对所述第一数据点集合进行局部离群因子剔除,得到第一目标数据点集合;
对所述第一目标数据点集合进行异常因素匹配,得到第一异常因素集,并通过所述第一异常因素集生成每个物联网摄像头的第一状态异常检测结果;
对所述第二摄像头分布状态模型进行区域划分,得到多个第二分布区域;
分别对每个所述第二分布区域进行颜色空间特征提取,得到第二颜色特征集合;
基于所述第二颜色特征集合分别对每个所述第二分布区域进行角点特征提取,得到第二角点特征集合,并将所述第二颜色特征集合以及所述第二角点特征集合合并为所述第二状态特征集合;
通过所述摄像头异常检测模型对所述第二状态特征集合进行数据点映射,得到第二数据点集合;
对所述第二数据点集合进行局部离群因子剔除,得到第二目标数据点集合;
对所述第二目标数据点集合进行异常因素匹配,得到第二异常因素集,并通过所述第二异常因素集生成每个物联网摄像头的第二状态异常检测结果。
4.根据权利要求1所述的基于物联网的智能监控方法,其特征在于,所述对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合,包括:
分别对所述第一状态异常检测结果和所述第二状态异常检测结果进行权重参数计算,得到所述第一状态异常检测结果的第一权重以及所述第二状态异常检测结果的第二权重;
基于所述第一状态异常检测结果的第一权重以及所述第二状态异常检测结果的第二权重,对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果;
对每个物联网摄像头的目标状态异常检测结果进行关键词提取,得到每个物联网摄像头对应的异常关键词;
通过每个物联网摄像头对应的异常关键词匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合。
5.根据权利要求1所述的基于物联网的智能监控方法,其特征在于,所述构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略,包括:
分别对每个物联网摄像头进行优化参数类型提取,得到参数类型集;
基于所述参数类型集,通过预置的遗传算法分别对每个物联网摄像头进行参数优化迭代,并在迭代过程中分别对每个物联网摄像头进行性能评价,得到每个所述物联网摄像头的性能评价分数;
通过每个所述物联网摄像头的性能评价分数进行子策略匹配,得到多个第一子策略;
通过多个第一子策略构建每个物联网摄像头的第一参数智能优化策略;
通过所述第一参数智能优化策略对多个所述物联网摄像头进行参数随机组合,得到多个随机参数组合;
分别通过每个所述随机参数组合对所述第一参数智能优化策略进行参数组合筛选,得到目标参数组合;
通过所述目标参数组合对所述第一参数智能优化策略进行策略更新,得到所述第二参数智能优化策略。
6.根据权利要求1所述的基于物联网的智能监控方法,其特征在于,所述根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合,包括:
根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备模拟运行,得到多个设备模拟工况数据;
对多个设备模拟工况数据进行设备运行状态分析,得到多个设备运行状态;
对多个所述设备运行状态进行状态筛选,得到目标设备运行状态;
通过所述目标设备运行状态对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合;
根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
7.一种基于物联网的智能监控装置,其特征在于,所述基于物联网的智能监控装置包括:
采集模块,用于采集目标监控区域中每个物联网摄像头的摄像头位置数据和目标多模态数据,并对所述目标多模态数据进行数据融合和数据预处理,得到目标融合数据;具体包括:对所述目标监控区域中每个物联网摄像头进行摄像头位置标定,得到每个物联网摄像头的摄像头位置数据;通过预置的传感器集群对所述目标监控区域进行多模态数据采集,得到目标多模态数据;对所述目标多模态数据进行数据分组,得到图像数据集、声音数据集、温度数据集以及压力数据集;对所述图像数据集进行像素值映射,得到候选图像数据集,并对所述候选图像数据集进行尺寸修正,得到待融合图像数据集;对所述声音数据集进行频谱转换,得到所述声音数据集对应的频谱数据集,并对所述频谱数据集进行标准化处理,得到待融合频谱数据集;分别对所述温度数据集以及所述压力数据集进行数据清洗,得到待融合温度数据集以及待融合压力数据集;对所述待融合图像数据集、所述待融合频谱数据集、所述待融合温度数据集以及所述待融合压力数据集进行加权融合,得到候选融合数据;对所述候选融合数据进行独热编码,得到所述目标融合数据;
建模模块,用于通过预置的第一时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第一摄像头分布状态模型,以及通过预置的第二时空关联模型对所述摄像头位置数据和目标融合数据进行位置环境和摄像头状态建模,得到第二摄像头分布状态模型;
提取模块,用于对所述第一摄像头分布状态模型进行特征提取,得到第一状态特征集合,并通过预置的摄像头异常检测模型对所述第一状态特征集合进行异常检测,得到每个物联网摄像头的第一状态异常检测结果,以及对所述第二摄像头分布状态模型进行特征提取,得到第二状态特征集合,并通过所述摄像头异常检测模型对所述第二状态特征集合进行异常检测,得到每个物联网摄像头的第二状态异常检测结果;
融合模块,用于对所述第一状态异常检测结果和所述第二状态异常检测结果进行加权融合,生成每个物联网摄像头的目标状态异常检测结果,并根据所述目标状态异常检测结果匹配每个物联网摄像头对应的第一摄像头运行参数补偿集合;
分析模块,用于构建每个物联网摄像头的第一参数智能优化策略,并通过所述第一参数智能优化策略对多个物联网摄像头进行参数组合分析,得到第二参数智能优化策略;
调整模块,用于根据所述第二参数智能优化策略,对多个所述物联网摄像头进行设备参数调整,得到最佳参数组合,并根据所述最佳参数组合对所述第一摄像头运行参数补偿集合进行参数补偿分析,生成每个物联网摄像头的第二摄像头运行参数补偿集合。
8.一种基于物联网的智能监控设备,其特征在于,所述基于物联网的智能监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的智能监控设备执行如权利要求1-6中任一项所述的基于物联网的智能监控方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的基于物联网的智能监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264298.2A CN116996665B (zh) | 2023-09-28 | 2023-09-28 | 基于物联网的智能监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264298.2A CN116996665B (zh) | 2023-09-28 | 2023-09-28 | 基于物联网的智能监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996665A CN116996665A (zh) | 2023-11-03 |
CN116996665B true CN116996665B (zh) | 2024-01-26 |
Family
ID=88527047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264298.2A Active CN116996665B (zh) | 2023-09-28 | 2023-09-28 | 基于物联网的智能监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996665B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372967B (zh) * | 2023-12-06 | 2024-03-26 | 广东申创光电科技有限公司 | 基于物联网智慧路灯的远程监控方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008131443A (ja) * | 2006-11-22 | 2008-06-05 | Hitachi Ltd | 監視システム、及び、その障害状況表示方法 |
CN109241933A (zh) * | 2018-09-21 | 2019-01-18 | 深圳市九洲电器有限公司 | 视频联动监控方法、监控服务器、视频联动监控系统 |
CN112804522A (zh) * | 2021-04-15 | 2021-05-14 | 魔门塔(苏州)科技有限公司 | 一种对摄像头异常状况的检测方法及装置 |
CN116389687A (zh) * | 2023-04-07 | 2023-07-04 | 国网安徽省电力有限公司潜山市供电公司 | 一种基于电子产品的电网安防监控系统 |
-
2023
- 2023-09-28 CN CN202311264298.2A patent/CN116996665B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008131443A (ja) * | 2006-11-22 | 2008-06-05 | Hitachi Ltd | 監視システム、及び、その障害状況表示方法 |
CN109241933A (zh) * | 2018-09-21 | 2019-01-18 | 深圳市九洲电器有限公司 | 视频联动监控方法、监控服务器、视频联动监控系统 |
CN112804522A (zh) * | 2021-04-15 | 2021-05-14 | 魔门塔(苏州)科技有限公司 | 一种对摄像头异常状况的检测方法及装置 |
CN116389687A (zh) * | 2023-04-07 | 2023-07-04 | 国网安徽省电力有限公司潜山市供电公司 | 一种基于电子产品的电网安防监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116996665A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10346688B2 (en) | Congestion-state-monitoring system | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
JP3981391B2 (ja) | 監視装置 | |
Ryan et al. | Scene invariant multi camera crowd counting | |
CN116996665B (zh) | 基于物联网的智能监控方法、装置、设备及存储介质 | |
KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
TWI441096B (zh) | 適用複雜場景的移動偵測方法 | |
JP2007209008A (ja) | 監視装置 | |
CN117671396B (zh) | 施工进度的智能监控预警系统及方法 | |
US20230108916A1 (en) | Method and system for forecasting non-stationary time-series | |
JP3910626B2 (ja) | 監視装置 | |
CN118171179B (zh) | 基于多模态融合的地铁站火灾应急响应救援决策系统及方法 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
Gnouma et al. | A two-stream abnormal detection using a cascade of extreme learning machines and stacked auto encoder | |
CN116912744A (zh) | 基于物联网的智能监控系统及其方法 | |
JP7372391B2 (ja) | 入力データにおける異常を検知するための概念 | |
CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及系统 | |
Cao et al. | No-reference image quality assessment by using convolutional neural networks via object detection | |
Hommes et al. | Detection of abnormal behaviour in a surveillance environment using control charts | |
CN113077002A (zh) | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 | |
Kwak et al. | Human action classification and unusual action recognition algorithm for intelligent surveillance system | |
Yousefi et al. | Energy aware multi-object detection method in visual sensor network | |
Yang et al. | Graph stream mining based anomalous event analysis | |
CN118174958B (zh) | 流量分类方法、装置、电子设备、存储介质和程序产品 |
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 |