CN117009999A - 智慧园区数据存储方法、装置、设备和计算机可读介质 - Google Patents
智慧园区数据存储方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117009999A CN117009999A CN202311227340.3A CN202311227340A CN117009999A CN 117009999 A CN117009999 A CN 117009999A CN 202311227340 A CN202311227340 A CN 202311227340A CN 117009999 A CN117009999 A CN 117009999A
- Authority
- CN
- China
- Prior art keywords
- park
- data
- image
- campus
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013500 data storage Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 208
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000004140 cleaning Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 64
- 238000000605 extraction Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 241001391944 Commicarpus scandens Species 0.000 description 3
- 238000009960 carding Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了智慧园区数据存储方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:获取园区数据;对上述园区数据进行数据清洗处理,得到清洗后园区数据;对上述清洗后园区数据进行数据填充处理,得到填充后园区数据;对上述填充后园区数据进行数据特征提取,得到提取后园区数据;基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;对上述加密后园区特征数据进行数据存储。该实施方式可以提高所存储的加密后园区特征数据的安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及智慧园区数据存储方法、装置、设备和计算机可读介质。
背景技术
智慧园区的数据存储,可以用于对智慧园区的数据进行管理和共享。目前,在进行智慧园区数据存储时,通常采用的方式为:对各项数据分别进行数据加密,再进行数据存储,以便为用户提供更加准确的信息。
然而,发明人发现,当采用上述方式进行智慧园区数据存储时,经常会存在如下技术问题:
第一,对各项园区数据分别进行加密,不仅需要占用较多计算资源,还由于加密算法容易被破解,导致加密后的数据安全性不足。
第二,仅对原始的智慧园区数据进行存储,使得在后续进行数据处理时,需要进行集中的数据梳理,由此,需要消耗较多的计算资源,从而,难以及时根据数据排除智慧园区存在的安全隐患。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了智慧园区数据存储方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种智慧园区数据存储方法,该方法包括:获取园区数据,其中,上述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;对上述园区数据进行数据清洗处理,得到清洗后园区数据;对上述清洗后园区数据进行数据填充处理,得到填充后园区数据;对上述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,上述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;对上述加密后园区特征数据进行数据存储。
第二方面,本公开的一些实施例提供了一种智慧园区数据存储装置,该装置包括:获取单元,被配置成获取园区数据,其中,上述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;数据清洗处理单元,被配置成对上述园区数据进行数据清洗处理,得到清洗后园区数据;数据填充处理单元,被配置成对上述清洗后园区数据进行数据填充处理,得到填充后园区数据;数据特征提取单元,被配置成对上述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,上述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;联合加密处理单元,被配置成基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;存储单元,被配置成对上述加密后园区特征数据进行数据存储。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的智慧园区数据存储方法,可以提高数据存储的安全性。具体来说,造成数据存储的安全性降低的原因在于:对各项园区数据分别进行加密,不仅需要占用较多计算资源,还由于加密算法容易被破解,导致加密后的数据安全性不足。基于此,本公开的一些实施例的智慧园区数据存储法,首先,获取园区数据。然后,对上述园区数据进行数据清洗处理,得到清洗后园区数据。通过数据清洗处理可以用于去除冗余的园区数据。之后,对上述清洗后园区数据进行数据填充处理,得到填充后园区数据。通过数据填充处理,可以用于提高数据的完整性。而后,对上述填充后园区数据进行数据特征提取,得到提取后园区数据。通过进行数据特征提取,可以便于进行数据加密。接着,基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据。通过进行联合加密处理,可以用于将不同的数据的特征进行联合加密,极大的避免加密数据被破解的情况,从而,提高加密后的数据安全性。最后,对上述加密后园区特征数据进行数据存储。从而,可以提高所存储的加密后园区特征数据的安全性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的智慧园区数据存储方法的一些实施例的流程图;
图2是根据本公开的智慧园区数据存储装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所涉及的用户个人信息(例如用户通行信息、用户个人信息、用户历史信息等)的收集、存储、使用等操作,在执行相应操作之前,相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的智慧园区数据存储方法的一些实施例的流程100。该智慧园区数据存储方法,包括以下步骤:
步骤101,获取园区数据。
在一些实施例中,智慧园区数据存储方法的执行主体可以通过有线的方式或者无线的方式获取园区数据。其中,上述园区数据可以包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集。其次,园区图像集可以是园区中各个摄像头在一段时间(例如10分钟)内拍摄的图像。园区用户信息集可以是上述执行主体在同一段时间内接收到的用户信息。这里,用户信息可以包括:用户唯一标识、用户名、用户房间号、用户租房信息、用户搬家信息等。每个用户信息可以对应一个用户。园区通行信息集可以是在同一段时间内接收到的信息。园区通行信息可以是用户出入园区的信息。园区资源信息集中的每个园区资源信息可以对应一个用户,用于表征该用户在上述一段时间内所消耗的资源数据。例如,耗电量、用水量等。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,对园区数据进行数据清洗处理,得到清洗后园区数据。
在一些实施例中,上述执行主体可以通过各种方式对上述园区数据进行数据清洗处理,得到清洗后园区数据。
在一些实施例的一些可选的实现方式中,上述执行主体对上述园区数据进行数据清洗处理,得到清洗后园区数据,可以包括以下步骤:
第一步,对上述园区数据包括的园区图像集进行图像分类处理,得到分类园区图像序列组。其中,首先确定每个园区图像对应的摄像头标识。然后可以将对应相同摄像头标识的园区图像按照时间顺序添加至同一个分类园区图像序列中,得到分类园区图像序列组。
第二步,对上述分类园区图像序列组中的每个分类园区图像序列中的各个分类园区图像序列进行筛选处理,得到筛选后园区图像序列组。其中,可以对每个分类园区图像序列中的各个分类园区图像进行图像采样,将采样后的各个图像确定为筛选后园区图像。这里,图像采样可以是等距的,可以以分类园区图像序列中的第一个分类园区图像开始,将间隔预设数量的分类园区图像作为筛选后园区图像,由此组合成筛选后园区图像序列。
第三步,对上述园区数据包括的园区用户信息集中的各个园区用户信息进行信息校验,得到校验后用户信息集。其中,信息校验可以是:将每个园区用户信息与预先存储的各个初始园区用户信息进行对比,若存在相同用户唯一标识的初始园区用户信息,则可以将该初始园区用户信息删除。然后,可以将当前时间戳确定为用户信息调整时间字段的属性值,以及与上述园区用户信息确定为校验后用户信息。若不存在相同用户唯一标识的初始园区用户信息,则可以将当前时间戳确定为新增用户时间字段的属性值,以及与上述园区用户信息确定为校验后用户信息。
第四步,对上述园区数据包括的园区通行信息集中的各个园区通行信息进行筛选处理,得到筛选后园区通行信息集。其中,筛选处理可以是去除园区通行信息集中的冗余信息。这里,园区通行信息可以包括用户唯一标识和通行时间点。可以去除同一用户在预设时间段(例如,2秒)内冗余的园区通行信息,将该用户在预设时间段内的一个园区通行信息确定为筛选后园区通行信息。
第五步,对上述园区数据包括的园区资源信息集中的各个园区资源信息进行校验处理,得到校验后园区资源信息集。其中,园区资源信息可以包括:用户唯一标识、用户名、剩余电量标识、用水量标识、剩余电量、用水量等信息。这里,若确定用户唯一标识和用户名与剩余电量标识、用水量标识相对应,即表征对应同一用户。则可以将园区资源信息确定为校验后园区资源信息。若确定用户唯一标识和用户名与剩余电量标识、用水量标识不相对应,则可以获取与用户唯一标识对应的用户名、剩余电量标识、用水量标识、剩余电量、用水量等信息,以作为校验后园区资源信息。
第六步,将上述筛选后园区图像序列组、上述校验后用户信息集、上述筛选后园区通行信息集和上述校验后园区资源信息集确定为清洗后园区数据。
步骤103,对清洗后园区数据进行数据填充处理,得到填充后园区数据。
在一些实施例中,上述执行主体可以通过各种方式对上述清洗后园区数据进行数据填充处理,得到填充后园区数据。
在一些实施例的一些可选的实现方式中,上述执行主体对上述清洗后园区数据进行数据填充处理,得到填充后园区数据,可以包括以下步骤:
第一步,响应于接收到设备断线重连信号,获取离线园区数据。其中,上述离线园区数据可以包括:离线园区图像集、离线园区用户信息集、离线园区通行信息集和离线园区资源信息集。设备断线重连信号可以是表征上述执行主体在上述一段时间内存在断线的情况。离线园区数据可以是上述执行主体离线期间所存储的数据。
第二步,将上述离线园区图像集中的离线园区图像添加至上述清洗后园区数据中的筛选后园区图像序列组中,得到填充后园区图像序列组。其中,可以将离线园区图像按照时间戳顺序添加至对应相同摄像头标识的筛选后园区图像序列中。
第三步,利用上述离线园区用户信息集,对上述清洗后园区数据中校验后用户信息集中的各个校验后用户信息进行调整处理,得到调整后园区用户信息集。其中,可以按照上述信息校验步骤,对上述清洗后园区数据中校验后用户信息集中的各个校验后用户信息进行调整处理,得到调整后园区用户信息集。
第四步,基于上述离线园区通行信息集,对上述清洗后园区数据中筛选后园区通行信息集中的各个筛选后园区通行信息进行填充处理,得到填充后园区通行信息集。其中,可以将离线园区通行信息添加至筛选后园区通行信息集中对应同一用户唯一标识的筛选后园区通行信息中,得到填充后园区通行信息。这里,每个填充后园区通行信息可以表征一个用户在一段时间内的通行信息。
第五步,基于上述离线园区资源信息集,对上述清洗后园区数据中校验后园区资源信息集中的校验后园区资源信息进行调整处理,得到调整后园区资源信息集。其中,离线园区资源信息可以包括:用户唯一标识、用户名、用水量标识、用电量标识、离线用水量、用电量等。因此,可以按照离线园区资源信息,将对应同一用户名、同一用户唯一标识的校验后园区资源信息中的用水量、剩余电量进行调整,得到调整后园区资源信息。
作为示例,校验后园区资源信息中的剩余电量为:50度。离线园区资源信息包括用电量为2度。则可以将剩余电量调整为48度。
第六步,将上述填充后园区图像序列组、上述调整后园区用户信息集、上述填充后园区通行信息集和上述调整后园区资源信息集确定为填充后园区数据。
步骤104,对填充后园区数据进行数据特征提取,得到提取后园区数据。
在一些实施例中,上述执行主体可以通过各种方式对上述填充后园区数据进行数据特征提取,得到提取后园区数据。其中,上述提取后园区数据可以包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组。每个填充后园区图像可以对应一个图像色彩分量矩阵组。图像色彩分量矩阵可以是从填充后园区图像中提取的不同色彩通道的像素值。图像色彩分量矩阵的维度可以与图像的维度相同。园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组中的园区用户特征矩阵、园区通行特征矩阵和可以园区资源特征矩阵可以是一一对应的,且与用户唯一标识相对应。园区用户特征矩阵、园区通行特征矩阵和可以园区资源特征矩阵可以分别表征用户在一段时间内的用户信息特征、通行特征和资源特征。园区用户特征矩阵、园区通行特征矩阵和可以园区资源特征矩阵的维度相同,且行向量以时间顺序排列。
在一些实施例的一些可选的实现方式中,上述执行主体对上述填充后园区数据进行数据特征提取,得到提取后园区数据,可以包括以下步骤:
第一步,对上述填充后园区数据中的填充后园区图像序列组中的每个填充后园区图像进行色彩提取以生成图像色彩分量矩阵组,得到图像色彩分量矩阵组序列集。其中,可以通过预设的图像通道提取算法对每个填充后园区图像中的各个像素点进行像素分解。然后,将每个通道对应的像素值按照像素坐标确定为图像色彩分量矩阵。
作为示例,图像通道提取算法可以包括但不限于以下至少一项:split(分裂算法),或数组索引算法。
第二步,对上述填充后园区数据中填充后园区图像序列组中的每个填充后园区图像进行灰度化处理,以生成园区图像灰度矩阵序列组。其中,可以通过平均法,对每个填充后园区图像进行灰度化处理,以得到园区图像灰度矩阵。
第三步,对上述填充后园区数据中调整后园区用户信息集中的每个调整后园区用户信息进行特征提取以生成园区用户特征向量,得到园区用户特征向量序列组。其中,特征提取可以是:按照预设的字段顺序,提取调整后园区用户信息中的属性值作为园区用户特征向量的元素,得到园区用户特征向量。这里,每个园区用户特征向量序列可以对应一个用户,每个园区用户特征向量序列中的各个园区用户特征向量可以是按照时间顺序排列的。
第四步,基于上述园区用户特征向量序列组,生成园区用户特征矩阵组。其中,可以将每个园区用户特征向量序列按照向量顺序将各个园区用户特征向量组合成园区用户特征矩阵,得到园区用户特征矩阵组。
第五步,对上述填充后园区数据中填充后园区通行信息集中的每个填充后园区通行信息进行特征提取以生成园区通行信息特征向量,得到园区通行信息特征向量序列组。其中,可以按照预设的通行出入口标识顺序,提取每个填充后园区通行信息中的通行时间点作为向量元素,以组合成园区通行信息特征向量。这里,每个园区通行信息特征向量可以表征一个用户在某一时刻的通行信息。对于园区通行信息特征向量中用户未通行的时刻,可以进行补零。由此,每个园区通行信息特征向量序列即表征用户在一段时间内的通行信息。另外,通行信息可以包括通行出入口标识。
第六步,基于上述园区通行信息特征向量序列组,生成园区通行特征矩阵组。其中,可以将每个园区通行信息特征向量序列中的各个园区通行信息特征向量按照时间顺序组合成园区通行特征矩阵。
第七步,对上述填充后园区数据中调整后园区资源信息集中的每个调整后园区资源信息进行特征提取以生成园区资源信息特征向量,得到园区资源特征向量序列组。其中,可以按照预设的资源字段(例如,用电量字段、用水量字段、剩余电量字段等)提取每个调整后园区资源信息中的属性值作为向量元素,以得到园区资源信息特征向量。这里,每个园区资源特征向量可以表征一个用户在某一时刻的资源信息。每个园区资源特征向量序列可以表征一个用户在一段时间内的资源信息。
第八步,基于上述园区资源特征向量序列组,生成园区资源特征矩阵组。其中,可以将每个园区资源特征向量序列中的各个上述园区资源特征向量按照时间顺序组合成园区资源特征矩阵。
步骤105,基于图像色彩分量矩阵组序列集,对提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据。
在一些实施例中,上述执行主体可以基于上述图像色彩分量矩阵组序列集,通过各种方式对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据
在一些实施例的一些可选的实现方式中,上述执行主体基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据,可以包括以下步骤:
第一步,确定与上述园区图像灰度矩阵序列组中每个园区图像灰度矩阵与上述图像色彩分量矩阵组序列集中对应的图像色彩分量矩阵组之间的图像关联标识向量,得到图像关联标识向量序列集。其中,图像关联标识向量与园区图像灰度矩阵中行向量的维度相同。每个园区图像灰度矩阵可以对应一个图像色彩分量矩阵组。由此,可以将园区图像灰度矩阵与图像色彩分量矩阵组中各个图像色彩分量矩阵中对应同一列的元素相加作为图像关联标识向量中的一个元素,以此得到图像关联标识向量。
作为示例,可以将园区图像灰度矩阵中第一列的各个数据,和各个图像色彩分量矩阵中第一列的数据相加作为图像关联标识向量的第一个数据。
第二步,将上述图像关联标识向量序列集中的图像关联标识向量添加至上述园区图像灰度矩阵序列组中对应的园区图像灰度矩阵中,得到添加后园区图像灰度矩阵序列集。其中,可以将图像关联标识向量作为一个行向量添加至园区图像灰度矩阵中,得到添加后园区图像灰度矩阵。
第三步,对上述园区通行特征矩阵组与上述添加后园区图像灰度矩阵序列集进行融合处理,得到融合后园区图像特征矩阵序列集。其中,首先,可以确定每个园区通行特征矩阵的通行值。例如,可以将园区通行特征矩阵中元素数值最大的一个列向量中的各个元素的和确定为通行值。然后,可以确定与上述园区通行特征矩阵对应的添加后园区图像灰度矩阵。实践中,在摄像头拍摄园区出入口时可以拍摄到用户出入的图像。因此,摄像头可以与通行出入口标识一一对应。由此,拍摄的园区图像可以与通行出入标识对应。从而,可以确定与每个园区通行特征矩阵对应同一时刻、同一通行出入口标识的添加后园区图像灰度矩阵序列。最后,可以将通行值与对应的每个园区图像灰度矩阵中的预设位置的元素相加,以得到融合后园区图像特征矩阵。
作为示例,预设位置可以是预先设置的像素坐标位置。例如,坐标为[1,1]的位置。预设位置还可以是用户在出入园区时被拍摄的园区图像在进行用户检测后的检测框所在的区域位置。因此,预设位置可以是固定的一个坐标,也可以是在园区图像中根据用户位置变动的坐标区域。
第四步,对上述融合后园区图像特征矩阵序列集中的各个融合后园区图像特征矩阵进行加密处理,得到加密后图像特征信息集。其中,首先,可以随机生成图像秘钥矩阵和图像加密模值(例如,26)。秘钥矩阵可以是可逆的方阵,且行向量与融合后园区图像特征矩阵的列向量维度相同。秘钥矩阵中元素数据可以是预设范围(例如,0-100)以内的数据。然后,可以确定每个融合后园区图像特征矩阵与图像秘钥矩阵的乘积在图像加密模值上的加密向量。最后,可以将每个融合后园区图像特征矩阵序列中各个融合后园区图像特征矩阵对应的加密向量按照融合后园区图像特征矩阵的顺序组合成加密矩阵,以作为加密后图像特征信息。这里,对每个加密后图像特征信息对应的图像秘钥矩阵和图像加密模值可以作为密钥进行存储以供解码使用。
第五步,对上述园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行融合处理,得到融合后园区用户特征矩阵组。其中,可以将对应相同用户唯一标识的园区用户特征矩阵、园区通行特征矩阵、园区资源特征矩阵进行融合。这里,将园区用户特征矩阵、园区通行特征矩阵和园区资源特征矩阵中对应同一时刻的行向量首尾拼接,作为融合后园区用户特征矩阵中的行向量。
第六步,对上述融合后园区用户特征矩阵组中的各个融合后园区用户特征矩阵进行加密处理,得到加密后用户特征信息集。其中,可以通过预设的加密算法,进行加密处理。
作为示例,上述加密算法可以包括但不限于以下至少一项:ECC(Elliptic CurveCryptography,基于椭圆曲线的)加密算法、ElGamal(ElGamal Digital SignatureAlgorithm,基于离散对数的)非对称秘钥算法、AES(Advanced Encryption Standard,高级加密标准的)对称秘钥算法。
第七步,将上述加密后图像特征信息集和上述加密后用户特征信息集确定为加密后园区特征数据。
步骤106,对加密后园区特征数据进行数据存储。
在一些实施例中,上述执行主体可以对上述加密后园区特征数据进行数据存储。其中,通过存储加密后园区特征数据,可以用于提高数据的安全性。
可选的,上述执行主体还可以包括以下步骤:
第一步,响应于接收到数据获取指令,提取所存储的加密后园区特征数据作为待处理园区特征数据。其中,获取指令可以是用户通过智能终端发出的获取个人信息或园区信息的指令。由此,可以从数据库中提取出对应时间段的加密后园区特征数据作为待处理园区特征数据。
作为示例,若用户需要获取上个月的用电记录。由此,可以从数据库中获取上个月的加密后园区特征数据作为待处理园区特征数据。若用户需要获取某一时间段的个人通行图像,也可以从数据库中提取对应时间段的加密后园区特征数据。
第二步,对上述待处理园区特征数据进行解密处理,得到解密后园区特征数据。其中,可以利用上述加密算法,对该数据中的加密后用户特征信息进行解密处理。
实践中,可以通过以下步骤对上述待处理园区特征数据进行解密处理,得到解密后园区特征数据:
第一子步骤,获取与上述待处理园区特征数据对应的密钥信息。其中,上述密钥信息可以包括加密后图像特征信息在加密过程中的图像秘钥矩阵和图像加密模值。以此,可以用于进行解密。
第二子步骤,利用上述密钥信息,对上述待处理园区特征数据进行解密处理,得到解密后园区特征数据。
第三步,基于上述解密后园区特征数据,生成待显示园区数据。其中,可以从解密后园区特征数据中索引出对应该用户的用户唯一标识的数据作为解密后园区特征数据。
第四步,将上述待显示园区数据发送至对应的用户终端以供显示。
可选的,上述执行主体在对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理之前,还可以包括以下步骤:
第一步,对上述填充后园区图像序列组中的各个填充后园区图像进行识别处理,以生成车辆通行位置坐标序列集。其中,可以通过预设的图像识别算法进行识别处理。这里,车辆通行位置坐标序列集中的每个车辆通行位置坐标序列可以对应一个车辆。
作为示例,预设的图像识别算法可以包括但不限于以下至少一项:Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
第二步,将上述车辆通行位置坐标序列集转换至预设的园区坐标系,得到转换后车辆通行位置坐标序列集。其中,园区坐标系可以是以园区中心为原点、过原点园区正门水平方向为横轴、过原点垂直于横轴水平方向为纵轴、过原点竖直向上方向为竖轴构建的三维坐标系。可以通过坐标转换的方式将车辆通行位置坐标从相机坐标系转换至园区坐标系。
第三步,确定与上述转换后车辆通行位置坐标序列集中每个转换后车辆通行位置坐标序列对应的车辆通行路径,得到车辆通行路径集。其中,可以对转换后车辆通行位置坐标序列中的转换后车辆通行位置坐标进行连接,得到车辆通行路径。车辆通行路径可以用于表征车辆在一段时间内的行驶路径。
第四步,确定与上述车辆通行路径集中每个车辆通行路径对应的用户标识,得到用户标识集。其中,用户标识即为用户的唯一标识。
第五步,对于上述车辆通行路径集中的每个车辆通行路径执行以下车辆通行检测步骤:
第一子步骤,获取与上述车辆通行路径对应的用户标识对应的用户历史通行路径集。其中,用户历史通行路径可以是用户或用户车辆在历史时间段内所经过的路径。
第二子步骤,基于上述用户历史通行路径集,对上述车辆通行路径进行路径分析,以生成路径分析结果。其中,首先,对用户历史通行路径集中的各个用户历史通行路径进行拟合,得到拟合路径。然后,确定拟合路径与车辆通行路径之间的路径相似度、路径平均距离值。若路径相似度小于预设相似度阈值、路径平均距离值大于预设距离阈值,则可以生成表征“不相关路径”的路径分析结果。反之,则可以生成表征“相关路径”的路径分析结果。
第三子步骤,响应于确定上述路径分析结果不满足预设第一路径条件,获取上述车辆通行路径的车辆信息和对应的车辆通行视频。其中,上述预设第一路径条件可以是路径分析结果为表征“不相关路径”的信息。
第四子步骤,对上述车辆通行路径对应的填充后园区图像序列中的各个填充后园区图像进行图像截取,以生成目标特征图。其中,可以从公告填充后园区图像中截取出清晰度较高的用户脸部的图像作为目标特征图像。
第五子步骤,将上述车辆信息、上述目标特征图和上述车辆通行视频作为车辆警示信息发送至上述用户标识对应的用户端。其中,车辆警示信息可以用于表征车辆通行路径存在异常。向用户端发送该信息可以用于协同用户验证车辆通行路径是否存在异常。
第六子步骤,响应于接收到用户针对上述车辆警示信息对应的操作指令,向目标终端发出与上述操作指令对应的操作指示信息。其中,操作指令可以是“异常车辆通行”的指令或“正常车辆通行”的指令。若为异常车辆通行的指令,可以向目标终端(例如,警卫终端)发出告警提示。若为正常车辆通行指令,则可以不发送操作指示信息。
上述步骤及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“仅对原始的智慧园区数据进行存储,使得在后续进行数据处理时,需要进行集中的数据梳理,由此,需要消耗较多的计算资源,从而,难以及时根据数据排除智慧园区存在的安全隐患”。导致需要消耗较多的计算资源、难以及时根据数据排除智慧园区存在的安全隐患的因素往往如下:仅对原始的智慧园区数据进行存储,使得在后续进行数据处理时,需要进行集中的数据梳理。为了达到这一效果,首先,通过图像分类处理、筛选处理、信息校验等步骤,可以用于去除冗余数据和提高数据的准确度。然后,通过数据填充处理,可以用于提高数据的完整性。之后,通过数据特征提取,可以用于提取出数据特征,以替代原始数据。从而,在数据存储之前进行了数据梳理。使得后续进行数据处理时,无需进行大量的数据梳理。以此降低计算资源的消耗。同时,通过融合处理,可以将不同类型的数据特征进行融合,以此进行联合加密。以便进一步提高数据的安全性。最后,通过对车辆通行路径进行路径分析,可以将与用户常用路径区别较大的路径信息发送给用户终端,以便及时通过用户校验车辆通行是否异常。由此,可以及时根据数据排查智慧园区存储在的安全隐患。同时,也因此可以去除异常数据,使得提高数据存储的准确度。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的智慧园区数据存储方法,可以提高数据存储的安全性。具体来说,造成数据存储的安全性降低的原因在于:对各项园区数据分别进行加密,不仅需要占用较多计算资源,还由于加密算法容易被破解,导致加密后的数据安全性不足。基于此,本公开的一些实施例的智慧园区数据存储法,首先,获取园区数据。然后,对上述园区数据进行数据清洗处理,得到清洗后园区数据。通过数据清洗处理可以用于去除冗余的园区数据。之后,对上述清洗后园区数据进行数据填充处理,得到填充后园区数据。通过数据填充处理,可以用于提高数据的完整性。而后,对上述填充后园区数据进行数据特征提取,得到提取后园区数据。通过进行数据特征提取,可以便于进行数据加密。接着,基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据。通过进行联合加密处理,可以用于将不同的数据的特征进行联合加密,极大的避免加密数据被破解的情况,从而,提高加密后的数据安全性。最后,对上述加密后园区特征数据进行数据存储。从而,可以提高所存储的加密后园区特征数据的安全性。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种智慧园区数据存储装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该智慧园区数据存储装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的智慧园区数据存储装置200包括:获取单元201、数据清洗处理单元202、数据填充处理单元203、数据特征提取单元204、联合加密处理单元205和存储单元206。其中,获取单元201,被配置成获取园区数据,其中,上述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;数据清洗处理单元202,被配置成对上述园区数据进行数据清洗处理,得到清洗后园区数据;数据填充处理单元203,被配置成对上述清洗后园区数据进行数据填充处理,得到填充后园区数据;数据特征提取单元204,被配置成对上述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,上述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;联合加密处理单元205,被配置成基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;存储单元206,被配置成对上述加密后园区特征数据进行数据存储。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取园区数据,其中,上述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;对上述园区数据进行数据清洗处理,得到清洗后园区数据;对上述清洗后园区数据进行数据填充处理,得到填充后园区数据;对上述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,上述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;基于上述图像色彩分量矩阵组序列集,对上述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;对上述加密后园区特征数据进行数据存储。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:获取单元、数据清洗处理单元、数据填充处理单元、数据特征提取单元、联合加密处理单元和存储单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取园区数据的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种智慧园区数据存储方法,包括:
获取园区数据,其中,所述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;
对所述园区数据进行数据清洗处理,得到清洗后园区数据;
对所述清洗后园区数据进行数据填充处理,得到填充后园区数据;
对所述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,所述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;
基于所述图像色彩分量矩阵组序列集,对所述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;
对所述加密后园区特征数据进行数据存储。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到数据获取指令,提取所存储的加密后园区特征数据作为待处理园区特征数据;
对所述待处理园区特征数据进行解密处理,得到解密后园区特征数据;
基于所述解密后园区特征数据,生成待显示园区数据;
将所述待显示园区数据发送至对应的用户终端以供显示。
3.根据权利要求1所述的方法,其中,所述对所述园区数据进行数据清洗处理,得到清洗后园区数据,包括:
对所述园区数据包括的园区图像集进行图像分类处理,得到分类园区图像序列组;
对所述分类园区图像序列组中的每个分类园区图像序列中的各个分类园区图像序列进行筛选处理,得到筛选后园区图像序列组;
对所述园区数据包括的园区用户信息集中的各个园区用户信息进行信息校验,得到校验后用户信息集;
对所述园区数据包括的园区通行信息集中的各个园区通行信息进行筛选处理,得到筛选后园区通行信息集;
对所述园区数据包括的园区资源信息集中的各个园区资源信息进行校验处理,得到校验后园区资源信息集;
将所述筛选后园区图像序列组、所述校验后用户信息集、所述筛选后园区通行信息集和所述校验后园区资源信息集确定为清洗后园区数据。
4.根据权利要求3所述的方法,其中,所述对所述清洗后园区数据进行数据填充处理,得到填充后园区数据,包括:
响应于接收到设备断线重连信号,获取离线园区数据,其中,所述离线园区数据包括:离线园区图像集、离线园区用户信息集、离线园区通行信息集和离线园区资源信息集;
将所述离线园区图像集中的离线园区图像添加至所述清洗后园区数据中的筛选后园区图像序列组中,得到填充后园区图像序列组;
利用所述离线园区用户信息集,对所述清洗后园区数据中校验后用户信息集中的各个校验后用户信息进行调整处理,得到调整后园区用户信息集;
基于所述离线园区通行信息集,对所述清洗后园区数据中筛选后园区通行信息集中的各个筛选后园区通行信息进行填充处理,得到填充后园区通行信息集;
基于所述离线园区资源信息集,对所述清洗后园区数据中校验后园区资源信息集中的校验后园区资源信息进行调整处理,得到调整后园区资源信息集;
将所述填充后园区图像序列组、所述调整后园区用户信息集、所述填充后园区通行信息集和所述调整后园区资源信息集确定为填充后园区数据。
5.根据权利要求4所述的方法,其中,所述对所述填充后园区数据进行数据特征提取,得到提取后园区数据,包括:
对所述填充后园区数据中的填充后园区图像序列组中的每个填充后园区图像进行色彩提取以生成图像色彩分量矩阵组,得到图像色彩分量矩阵组序列集;
对所述填充后园区数据中填充后园区图像序列组中的每个填充后园区图像进行灰度化处理,以生成园区图像灰度矩阵序列组;
对所述填充后园区数据中调整后园区用户信息集中的每个调整后园区用户信息进行特征提取以生成园区用户特征向量,得到园区用户特征向量序列组;
基于所述园区用户特征向量序列组,生成园区用户特征矩阵组;
对所述填充后园区数据中填充后园区通行信息集中的每个填充后园区通行信息进行特征提取以生成园区通行信息特征向量,得到园区通行信息特征向量序列组;
基于所述园区通行信息特征向量序列组,生成园区通行特征矩阵组;
对所述填充后园区数据中调整后园区资源信息集中的每个调整后园区资源信息进行特征提取以生成园区资源信息特征向量,得到园区资源特征向量序列组;
基于所述园区资源特征向量序列组,生成园区资源特征矩阵组。
6.根据权利要求5所述的方法,其中,所述基于所述图像色彩分量矩阵组序列集,对所述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据,包括:
确定与所述园区图像灰度矩阵序列组中每个园区图像灰度矩阵与所述图像色彩分量矩阵组序列集中对应的图像色彩分量矩阵组之间的图像关联标识向量,得到图像关联标识向量序列集,其中,图像关联标识向量与园区图像灰度矩阵中行向量的维度相同;
将所述图像关联标识向量序列集中的图像关联标识向量添加至所述园区图像灰度矩阵序列组中对应的园区图像灰度矩阵中,得到添加后园区图像灰度矩阵序列集;
对所述园区通行特征矩阵组与所述添加后园区图像灰度矩阵序列集进行融合处理,得到融合后园区图像特征矩阵序列集;
对所述融合后园区图像特征矩阵序列集中的各个融合后园区图像特征矩阵进行加密处理,得到加密后图像特征信息集;
对所述园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行融合处理,得到融合后园区用户特征矩阵组;
对所述融合后园区用户特征矩阵组中的各个融合后园区用户特征矩阵进行加密处理,得到加密后用户特征信息集;
将所述加密后图像特征信息集和所述加密后用户特征信息集确定为加密后园区特征数据。
7.根据权利要求1-6之一所述的方法,其中,在所述对所述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理之前,所述方法还包括:
对所述填充后园区图像序列组中的各个填充后园区图像进行识别处理,以生成车辆通行位置坐标序列集;
将所述车辆通行位置坐标序列集转换至预设的园区坐标系,得到转换后车辆通行位置坐标序列集;
确定与所述转换后车辆通行位置坐标序列集中每个转换后车辆通行位置坐标序列对应的车辆通行路径,得到车辆通行路径集;
确定与所述车辆通行路径集中每个车辆通行路径对应的用户标识,得到用户标识集;
对于所述车辆通行路径集中的每个车辆通行路径执行以下车辆通行检测步骤:
获取与所述车辆通行路径对应的用户标识对应的用户历史通行路径集;
基于所述用户历史通行路径集,对所述车辆通行路径进行路径分析,以生成路径分析结果;
响应于确定所述路径分析结果不满足预设第一路径条件,获取所述车辆通行路径的车辆信息和对应的车辆通行视频;
对所述车辆通行路径对应的填充后园区图像序列中的各个填充后园区图像进行图像截取,以生成目标特征图;
将所述车辆信息、所述目标特征图和所述车辆通行视频作为车辆警示信息发送至所述用户标识对应的用户端;
响应于接收到用户针对所述车辆警示信息对应的操作指令,向目标终端发出与所述操作指令对应的操作指示信息。
8.一种智慧园区数据存储装置,包括:
获取单元,被配置成获取园区数据,其中,所述园区数据包括园区图像集、园区用户信息集、园区通行信息集、园区资源信息集;
数据清洗处理单元,被配置成对所述园区数据进行数据清洗处理,得到清洗后园区数据;
数据填充处理单元,被配置成对所述清洗后园区数据进行数据填充处理,得到填充后园区数据;
数据特征提取单元,被配置成对所述填充后园区数据进行数据特征提取,得到提取后园区数据,其中,所述提取后园区数据包括:图像色彩分量矩阵组序列集、园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组;
联合加密处理单元,被配置成基于所述图像色彩分量矩阵组序列集,对所述提取后园区数据包括的园区图像灰度矩阵序列组、园区用户特征矩阵组、园区通行特征矩阵组和园区资源特征矩阵组进行联合加密处理,得到加密后园区特征数据;
存储单元,被配置成对所述加密后园区特征数据进行数据存储。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311227340.3A CN117009999B (zh) | 2023-09-22 | 2023-09-22 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311227340.3A CN117009999B (zh) | 2023-09-22 | 2023-09-22 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009999A true CN117009999A (zh) | 2023-11-07 |
CN117009999B CN117009999B (zh) | 2024-01-16 |
Family
ID=88576541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311227340.3A Active CN117009999B (zh) | 2023-09-22 | 2023-09-22 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009999B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087786A (zh) * | 2010-02-09 | 2011-06-08 | 陈秋和 | 基于信息融合的智能交通人、车、路的信息处理方法及系统 |
CN114693317A (zh) * | 2022-04-08 | 2022-07-01 | 重庆邮电大学 | 一种融合同质图与二分图的电信诈骗安全联邦检测方法 |
WO2022143819A1 (zh) * | 2020-12-29 | 2022-07-07 | 嘉兴企树网络科技有限公司 | 一种导航二维码生成方法、园区导航方法及装置 |
CN115760526A (zh) * | 2022-11-30 | 2023-03-07 | 中化创新(北京)科技研究院有限公司 | 基于联邦学习的园区本质安全数据分析方法 |
CN115809949A (zh) * | 2022-12-01 | 2023-03-17 | 重庆爱永星辰企业服务有限公司 | 一种基于大数据处理技术的智慧园区管理系统 |
-
2023
- 2023-09-22 CN CN202311227340.3A patent/CN117009999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087786A (zh) * | 2010-02-09 | 2011-06-08 | 陈秋和 | 基于信息融合的智能交通人、车、路的信息处理方法及系统 |
WO2022143819A1 (zh) * | 2020-12-29 | 2022-07-07 | 嘉兴企树网络科技有限公司 | 一种导航二维码生成方法、园区导航方法及装置 |
CN114693317A (zh) * | 2022-04-08 | 2022-07-01 | 重庆邮电大学 | 一种融合同质图与二分图的电信诈骗安全联邦检测方法 |
CN115760526A (zh) * | 2022-11-30 | 2023-03-07 | 中化创新(北京)科技研究院有限公司 | 基于联邦学习的园区本质安全数据分析方法 |
CN115809949A (zh) * | 2022-12-01 | 2023-03-17 | 重庆爱永星辰企业服务有限公司 | 一种基于大数据处理技术的智慧园区管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117009999B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699431B2 (en) | Method and apparatus for generating image generative model | |
WO2022105779A1 (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN116383793B (zh) | 人脸数据处理方法、装置、电子设备和计算机可读介质 | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN115412370A (zh) | 车辆通信数据检测方法、装置、电子设备和可读介质 | |
CN117408646B (zh) | 电子签章签署方法、装置、电子设备和计算机可读介质 | |
CN113379006B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN116664849B (zh) | 数据处理方法、装置、电子设备和计算机可读介质 | |
CN111478861B (zh) | 流量识别方法、装置、电子设备、及存储介质 | |
CN111783677B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN116110159B (zh) | 基于cfca认证标准的用户认证方法、设备和介质 | |
CN117009999B (zh) | 智慧园区数据存储方法、装置、设备和计算机可读介质 | |
CN115134080B (zh) | 基于安全加密芯片的数据传输方法及装置 | |
CN113452810B (zh) | 一种流量分类方法、装置、设备和介质 | |
CN112434064B (zh) | 数据处理方法、装置、介质及电子设备 | |
CN115114667A (zh) | 一种安全芯片的隐私信息处理分类方法及装置 | |
CN115757933A (zh) | 推荐信息生成方法、装置、设备、介质和程序产品 | |
CN112434619B (zh) | 病例信息提取方法、装置、设备和计算机可读介质 | |
CN113705386A (zh) | 视频分类方法、装置、可读介质和电子设备 | |
CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
CN117177017B (zh) | 一种视频处理方法、装置、设备及介质 | |
CN116758661B (zh) | 智能解锁方法、装置、电子设备和计算机可读介质 | |
CN114842414B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN117392596B (zh) | 数据处理方法、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |