CN117082217A - 一种基于Jetson平台的智能视频监控系统 - Google Patents
一种基于Jetson平台的智能视频监控系统 Download PDFInfo
- Publication number
- CN117082217A CN117082217A CN202311337747.1A CN202311337747A CN117082217A CN 117082217 A CN117082217 A CN 117082217A CN 202311337747 A CN202311337747 A CN 202311337747A CN 117082217 A CN117082217 A CN 117082217A
- Authority
- CN
- China
- Prior art keywords
- data
- analyzed
- module
- safety
- unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 35
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
- H04L63/205—Network architectures or network communication protocols for network security for managing network security; network security policies in general involving negotiation or determination of the one or more network security mechanisms to be used, e.g. by negotiation between the client and the server or between peers or by selection according to the capabilities of the entities involved
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及视频监控技术领域，具体地说，涉及一种基于Jetson平台的智能视频监控系统。其包括数据处理单元、分析建模单元、警示报警单元、安全决策单元，安全决策单元接收分析后的数据，并根据分析后的数据进行制定安全决策，将制定后的安全决策传入分析建模单元中，分析建模单元根据制定后的安全策略和分析后的数据进行模拟。通过模拟分析后的数据和制定后的安全策略可以发现可能存在的安全漏洞和弱点，检测到这些漏洞后，可以及时修复和优化安全漏洞，不仅提高了安全性，还能防止实际攻击造成的损害。
Description
技术领域
本发明涉及视频监控技术领域，具体地说，涉及一种基于Jetson平台的智能视频监控系统。
背景技术
Jetson平台是一系列由NVIDIA公司推出的嵌入式计算平台，旨在为AI（人工智能）应用提供高性能的计算能力。这些平台通常基于NVIDIA的GPU（图形处理单元）架构，具有较小的尺寸和低功耗，适用于嵌入式系统、机器人、自动驾驶汽车、智能视频监控等各种应用。Jetson平台通常搭载NVIDIA的GPU和CUDA（计算统一设备体系结构）加速技术，使其能够处理复杂的计算任务，特别是深度学习和神经网络相关的任务。
目前市场中，一般的智能视频监控系统是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，因此智能视频监控系统需要处理大量的图像数据和语音数据，此时智能视频监控系统通过处理大量的数据，例如，当在建筑内智能视频监控系统监测到有目标物体时，并采取大量数据进行分析识别出存在非法入侵的异常情况，但由于不能及时快速地处理大量数据就会造成系统的计算负担，从而数据产生了误差，于是智能视频监控系统在识别和分析异常行为或事件时可能会出现误报和误识别的情况，这可能导致智能视频监控系统生成大量错误的警报。
同时，在使用者遇到危险时不能及时根据准确的数据采取应对措施，也不能根据异常行为和应对措施进行模拟，大大降低了使用者的安全性，于是我们提供了一种基于Jetson平台的智能视频监控系统。
发明内容
本发明的目的在于提供一种基于Jetson平台的智能视频监控系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供一种基于Jetson平台的智能视频监控系统，包括数据处理单元、分析建模单元、警示报警单元、安全决策单元；
所述数据处理单元用于收集数据并进行预处理操作，根据预处理操作后的数据进行特征提取；
所述分析建模单元用于接收特征提取后的数据并进行分析，再对分析后的数据进行建模显示；
所述警示报警单元用于接收分析后的数据触发警报；
所述安全决策单元用于分析后的数据，并根据分析后的数据进行制定安全决策；
所述安全决策单元接收分析后的数据，并根据分析后的数据进行制定安全决策，将制定后的安全决策传入分析建模单元中，分析建模单元根据制定后的安全策略和分析后的数据进行模拟。
作为本技术方案的进一步改进，所述数据处理单元包括数据采集模块、预处理模块和特征提取模块；
所述数据采集模块用于收集获取的数据，将获取后的数据传入预处理模块中；
所述预处理模块用于接收获取后的数据，并对获取后的数据进行预处理操作，再对预处理操作后的数据采用GPU加速算法，同时将预处理操作后的数据传入特征提取模块中；
所述特征提取模块用于接收预处理操作后的数据，并对预处理操作后的数据进行特征提取，将特征提取后的数据传入分析建模单元中。
作为本技术方案的进一步改进，所述分析建模单元包括分析模拟模块和建模显示模块；
所述分析模拟模块用于接收预处理模块中预处理操作后的数据，接收特征提取模块中特征提取后的数据，并根据特征提取后的数据和预处理操作后的语音数据进行分析，分析是否存在异常行为，采用了逻辑函数算法，将分析后的数据传入建模显示模块中；
所述建模显示模块用于接收分析后的数据，并对分析后的数据进行存储，再根据存储后的数据进行建立模板，同时将建立后的模板数据进行显示。
作为本技术方案的进一步改进，所述逻辑函数算法公式：
；
其中，逻辑函数中的指0和1之间异常行为的概率值，分子表示异常行为的最大概率值，/>指的是特征提取后的数据值，/>指的是预处理操作后的语音数据值。
作为本技术方案的进一步改进，所述警示报警单元用于接收分析后的数据并触发警报。
作为本技术方案的进一步改进，所述安全决策单元用于接收分析模拟模块中分析后的数据，并根据分析后的数据进行制定安全策略，将制定后的安全策略传入建模显示模块中。
作为本技术方案的进一步改进，所述安全决策单元接收分析模拟模块中分析后的数据，并根据分析后的数据进行制定安全策略，将制定后的安全策略传入分析模拟模块中，分析模拟模块根据分析后的数据和制定后的安全策略进行模拟。
与现有技术相比，本发明的有益效果：
1、该基于Jetson平台的智能视频监控系统中，安全决策单元用于接收分析模拟模块中分析后的数据，并根据分析后的数据进行制定安全策略，通过制定安全策略，可以实时监测视频流并检测异常行为或危险的活动，当发现异常行为事件时，可以立即触发警报和自动制定安全策略，使有关人员能够及时采取必要的措施。
2、该基于Jetson平台的智能视频监控系统中，安全决策单元将制定后的安全策略传入分析模拟模块中，分析模拟模块根据分析后的数据和制定后的安全策略进行模拟，通过模拟分析后的数据和制定后的安全策略可以发现可能存在的安全漏洞和弱点，检测到这些漏洞后，可以及时修复和优化安全漏洞，不仅提高了安全性，还能防止实际攻击造成的损害。
附图说明
图1为本发明的整体框图；
图2为本发明的数据处理单元框图；
图3为本发明的分析建模单元框图。
图中各个标号意义为：
1、数据处理单元；11、数据采集模块；12、预处理模块；13、特征提取模块；
2、分析建模单元；21、分析模拟模块；22、建模显示模块；
3、警示报警单元；4、安全决策单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明提供一种基于Jetson平台的智能视频监控系统，请参阅图1-图3，包括数据处理单元1、分析建模单元2、警示报警单元3、安全决策单元4；
考虑到目前的智能视频监控系统由于不能及时快速的处理大量数据就会造成系统的计算负担，从而数据产生了误差，于是智能视频监控系统在识别和分析异常行为或事件时可能会出现误报和误识别的情况，这可能导致智能视频监控系统生成大量错误的警报，同时，在使用者遇到危险时不能及时根据准确的数据采取应对措施，也不能根据异常行为和应对措施进行模拟，于是我们提供了一种基于Jetson平台的智能视频监控系统，该系统的数据处理单元1用于收集数据并进行预处理操作，根据预处理操作后的数据进行特征提取，分析建模单元2用于接收特征提取后的数据并进行分析，再对分析后的数据进行建模显示，警示报警单元3用于接收分析后的数据触发警报，安全决策单元4用于分析后的数据，并根据分析后的数据进行制定安全决策；
安全决策单元4接收分析后的数据，并根据分析后的数据进行制定安全决策；
制定安全决策包括以下步骤：
1、收集和分析数据：系统会收集和分析来自视频监控摄像头的数据，包括图像、视频流、声音等信息；
2、特征提取：从图像和声音数据中提取特征，以便更好地理解监控场景；
3、分析：使用机器学习或深度学习算法对数据进行分析，以检测异常行为，使用训练好的模型进行分类或回归任务；
4、制定决策：根据分析结果，系统制定决策，例如触发警报、采取紧急措施或发送通知，这些决策可以基于预定义的规则、机器学习模型的输出或专家系统的建议。
通过制定安全策略可以定义针对不同事件的自动化响应和应急措施，例如，在检测到入侵行为时，可以自动触发警报、调用应急服务或通知安全人员进行紧急处理，以最大程度地减少潜在威胁的影响，将制定后的安全决策传入分析建模单元2中，分析建模单元2根据制定后的安全策略和分析后的数据进行模拟，通过模拟分析后的数据和制定后的安全策略，可以了解该系统在面对不同威胁时的行为和表现，进而优化安全策略以提高使用者的人身安全。
以下是对上述单元进行的细化，请参阅图2-图3；
数据处理单元1包括数据采集模块11、预处理模块12和特征提取模块13；
数据采集模块11用于收集获取的数据，获取的数据包括视频流（视频流包含连续的图像帧，用于进行后续的图像处理、分析和识别）、音频流（一些智能视频监控系统也可能需要采集音频流，用于识别声音、检测异常事件或进行语音交互）、元数据（时间戳、位置信息、摄像头ID，这些元数据可以帮助系统进行事件关联、定位和标记等操作）、环境数据（智能视频监控系统可能还需要采集一些环境数据，如温度、湿度、气体浓度等，这些数据可以帮助系统理解存在于监控区域中的环境状态，从而更好地分析和识别异常情况），通常，为了满足系统设计的要求，需要选择适当的摄像头和传感器，并通过适配和配置来实现数据采集，还需要确保采集到的数据符合隐私和数据保护的要求，进行合理的数据存储和处理，同时将获取后的数据传入预处理模块12中。
预处理模块12用于接收获取后的数据，并对获取后的数据进行预处理操作，预处理操作包括清洗（用于去数据中的重复记录）、填充缺失值（检查收数据中是否存在缺失值，当存在缺失值并利用填充缺失值方法进行处理）、处理异常值（提取出了错误的数据，可以通过视觉检查或使用统计方法识别和处理异常值），缩放（将数据进行归一化或标准化处理，以便在不同尺度的特征之间进行比较或建模）、归一化（一种常见的数据缩放方法，用于将数据映射到一个特定的范围或具有特定属性的分布，以便在不同尺度的特征之间进行比较和处理）、去噪（指在处理数据时，通过抑制或减少噪声的干扰，提取出原始信号或数据中的有用信息），再对预处理操作后的数据采用GPU加速算法（GPU（图形处理器）在深度学习和计算密集型任务中具有显著的优势，能够加速各种算法的运算），使该系统在处理大量数据的过程中减少了计算负担，减少了数据中的误差，从而为后续的识别分析提供了更加准确的数据，同时将预处理操作后的数据传入特征提取模块13中。
特征提取模块13用于接收预处理操作后的数据，并对预处理操作后的数据进行特征提取；
特征提取方法是使用卷积神经网络（CNN）进行图像特征提取，这种情况下，CNN可以用来从监控摄像头捕获的图像中提取出各种视觉特征，如边缘、纹理、颜色等；对于声音数据，可以使用声音处理技术，例如声谱分析，以提取声音的频谱特征或声音事件的特定特征。
提取图像中的目标物体、目标物体的行为动作、位置、运动轨迹，便于后续的分析和识别异常行为，同时将特征提取后的数据传入分析建模单元2中。
分析建模单元2包括分析模拟模块21和建模显示模块22；
分析模拟模块21用于接收预处理模块12中预处理操作后的数据，接收特征提取模块13中特征提取后的数据，并根据特征提取后的数据和预处理操作后的语音数据进行分析，例如，当通过对建筑内图像中的面部特征与数据库中已存储的面部特征进行识别，识别是否是使用者所熟识的人，再对建筑内图像中的目标位置、运动轨迹、语音、行为动作与正常行为进行分析，分析是否存在异常行为，采用了逻辑函数算法，当分析出的异常行为属于非法入侵时，将分析后的数据传入警示报警单元3中，警示报警单元3用于接收分析后的数据并触发警报，同时将分析后的数据传入建模显示模块22中，通过分析出异常行为数据可提供关于入侵发生位置的精确信息，这有助于准确定位入侵者的位置，快速定位安全风险，并为应急响应提供准确的引导，可以将触发警报的相应摄像头图像或视频帧发送给安全人员，以供参考和取证；
逻辑函数算法公式：
；
其中，逻辑函数中的指0和1之间异常行为的概率值，分子表示异常行为的最大概率值；/>指的是特征提取后的数据值，是从监控数据中提取的相关特征，例如图像特征或声音特征；/>指的是预处理操作后的语音数据值，语音数据值是音频信号在经过预处理操作后得到的数值表示，例如：声音特征，这些特征是从音频信号中提取的数值表示，用于描述声音的各种属性，这些特征包括声谱特征、MFCC（梅尔频率倒谱系数）、音频能量、频谱包络等；逻辑函数的目的是将特征提取后的数据值和预处理操作后的语音数据值结合起来，以计算异常行为的概率；
该公式主要运用于计算出异常行为的概率值，通过概率值从而确定危险系数，因此通过分析异常行为，可以提前发现潜在的风险和威胁，这使得预警和预防措施能够在安全问题变得严重之前得以采取，从而有效地避免了潜在的损失和危险。
建模显示模块22用于接收分析后的数据，并对分析后的数据进行存储，该系统可以使用云存储进行存储，通过云存储进行持久化存储，便于使用者对数据的查询和管理，云存储是一种将数据存储在Internet上的存储方式，再根据存储后的数据进行建立模板，模板数据包括目标的面部图像、时间、温度、摄像头ID、危险系数、制定后的安全策略，同时将建立后的模板数据进行显示，通过手机、电子邮件、短信等方式进行通知显示，便于使用及时的查看相关数据。
安全决策单元4用于接收分析模拟模块21中分析后的数据，并根据分析后的数据进行制定安全策略，例如，当分析模拟模块21识别出使用者的建筑范围外出现了陌生面部，且分析出了危险系数，于是安全决策单元4对分析后的数据进行制定了相应的安全策略，并将制定后的安全策略传入建模显示模块22中，使用者便于通过电子产品（如手机）及时查看安全策略，脱离危险区域，
安全决策单元4接收分析模拟模块21中分析后的数据，并根据分析后的数据进行制定安全策略，通过制定安全策略有助于确保该系统符合安全合规性要求，并提供有效的安全管理机制，安全策略还可以包括规定权限和访问控制、数据保护和隐私保护措施等，以确保系统在操作过程中保持安全可靠，将制定后的安全策略传入分析模拟模块21中，分析模拟模块21根据分析后的数据和制定后的安全策略进行模拟，采用了时间序列模拟算法，通过模拟可以根据模拟结果预测未来的安全趋势和风险，并进行规划和预防措施的制定，基于模拟的数据，不仅可以更好地预测可能发生的安全事件，并根据预测结果提前采取措施，以降低潜在风险和损失；
时间序列模拟算法公式：
；
其中，表示随机变量x的模拟后的概率值，/>是分析所有可能异常概率的平均值，/>是时间差，这个公式使用了指数函数和正态分布的特性，可以根据给定的分析所有可能异常概率的平均值和时间差计算随机变量x取某个值的概率密度，公式中的表示了x与分析所有可能异常概率的平均值之间的差异概率，是指某一个的分析后的数据常数指，/>中的1表示最大的模拟概率，该公式主要运用于模拟，通过模拟结果，不仅可以辅助使用者对不同风险和安全事件的评估和判断，还可以不断优化安全策略，优化其中潜在危险性，帮助他们做出更明智和合理的安全决策。
使用流程：
分析模拟模块21接收预处理模块12中预处理操作后的数据，接收特征提取模块13中特征提取后的数据，并根据特征提取后数据和预处理操作后的语音数据进行分析，分析是否存在异常行为，当分析出存在异常行行为时，将分析后的数据传入警示报警单元3中，警示报警单元3接收分析后的数据并触发警报，同时将分析后的数据传入建模显示模块22、安全决策单元4中，建模显示模块22接收分析后的数据并进行显示，安全决策单元4接收分析模拟模块21中分析后的数据，并根据分析后的数据进行制定安全策略，将制定后的安全策略传入分析模拟模块21中，分析模拟模块21根据分析后的数据和制定后的安全策略进行模拟。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于Jetson平台的智能视频监控系统，其特征在于：包括数据处理单元（1）、分析建模单元（2）、警示报警单元（3）、安全决策单元（4）；
所述数据处理单元（1）用于收集数据并进行预处理操作，根据预处理操作后的数据进行特征提取；
所述分析建模单元（2）用于接收特征提取后的数据并进行分析，再对分析后的数据进行建模显示；
所述警示报警单元（3）用于接收分析后的数据触发警报；
所述安全决策单元（4）用于分析后的数据，并根据分析后的数据进行制定安全决策；
所述安全决策单元（4）接收分析后的数据，并根据分析后的数据进行制定安全决策，将制定后的安全决策传入分析建模单元（2）中，分析建模单元（2）根据制定后的安全策略和分析后的数据进行模拟。
2.根据权利要求1所述的基于Jetson平台的智能视频监控系统，其特征在于：所述数据处理单元（1）包括数据采集模块（11）、预处理模块（12）和特征提取模块（13）；
所述数据采集模块（11）用于收集获取的数据，将获取后的数据传入预处理模块（12）中；
所述预处理模块（12）用于接收获取后的数据，并对获取后的数据进行预处理操作，再对预处理操作后的数据采用GPU加速算法，同时将预处理操作后的数据传入特征提取模块（13）中；
所述特征提取模块（13）用于接收预处理操作后的数据，并对预处理操作后的数据进行特征提取，将特征提取后的数据传入分析建模单元（2）中。
3.根据权利要求2所述的基于Jetson平台的智能视频监控系统，其特征在于：所述分析建模单元（2）包括分析模拟模块（21）和建模显示模块（22）；
所述分析模拟模块（21）用于接收预处理模块（12）中预处理操作后的数据，接收特征提取模块（13）中特征提取后的数据，并根据特征提取后的数据和预处理操作后的语音数据进行分析，分析是否存在异常行为，采用了逻辑函数算法，将分析后的数据传入建模显示模块（22）中；
所述建模显示模块（22）用于接收分析后的数据，并对分析后的数据进行存储，再根据存储后的数据进行建立模板，同时将建立后的模板数据进行显示。
4.根据权利要求3所述的基于Jetson平台的智能视频监控系统，其特征在于：所述逻辑函数算法公式：
；
其中，逻辑函数中的指0和1之间异常行为的概率值，分子表示异常行为的最大概率值，/>指的是特征提取后的数据值，/>指的是预处理操作后的语音数据值。
5.根据权利要求3所述的基于Jetson平台的智能视频监控系统，其特征在于：所述警示报警单元（3）用于接收分析后的数据并触发警报。
6.根据权利要求5所述的基于Jetson平台的智能视频监控系统，其特征在于：所述安全决策单元（4）用于接收分析模拟模块（21）中分析后的数据，并根据分析后的数据进行制定安全策略，将制定后的安全策略传入建模显示模块（22）中。
7.根据权利要求6所述的基于Jetson平台的智能视频监控系统，其特征在于：所述安全决策单元（4）接收分析模拟模块（21）中分析后的数据，并根据分析后的数据进行制定安全策略，将制定后的安全策略传入分析模拟模块（21）中，分析模拟模块（21）根据分析后的数据和制定后的安全策略进行模拟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311337747.1A CN117082217A (zh) | 2023-10-17 | 2023-10-17 | 一种基于Jetson平台的智能视频监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311337747.1A CN117082217A (zh) | 2023-10-17 | 2023-10-17 | 一种基于Jetson平台的智能视频监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117082217A true CN117082217A (zh) | 2023-11-17 |
Family
ID=88702901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311337747.1A Pending CN117082217A (zh) | 2023-10-17 | 2023-10-17 | 一种基于Jetson平台的智能视频监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117082217A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010084902A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社日立国際電気 | 侵入警報ビデオ処理装置 |
| CN102857333A (zh) * | 2011-06-28 | 2013-01-02 | 富士通株式会社 | 对来自传感器网络的数据包进行同步的装置和方法 |
| CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控系统 |
| CN115116004A (zh) * | 2022-06-27 | 2022-09-27 | 禾麦科技开发（深圳）有限公司 | 一种基于深度学习的办公区域异常行为检测系统及方法 |
| CN115373834A (zh) * | 2021-05-27 | 2022-11-22 | 北京火山引擎科技有限公司 | 一种基于进程调用链的入侵检测方法 |
| CN116010885A (zh) * | 2022-12-21 | 2023-04-25 | 重庆邮电大学 | 一种长序列条件下的车辆异常时空数据检测方法及系统 |
| CN116723295A (zh) * | 2023-06-09 | 2023-09-08 | 北京红山信息科技研究院有限公司 | 基于gpgpu芯片的多摄像头监控管理系统 |
| CN116760569A (zh) * | 2023-05-19 | 2023-09-15 | 广东工业大学 | 一种基于图神经网络模型的物联网入侵检测方法 |
| CN116774819A (zh) * | 2023-05-20 | 2023-09-19 | 魔珐(上海)信息科技有限公司 | 数据分析方法及相关装置 |
-
2023
- 2023-10-17 CN CN202311337747.1A patent/CN117082217A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010084902A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社日立国際電気 | 侵入警報ビデオ処理装置 |
| CN102857333A (zh) * | 2011-06-28 | 2013-01-02 | 富士通株式会社 | 对来自传感器网络的数据包进行同步的装置和方法 |
| CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控系统 |
| CN115373834A (zh) * | 2021-05-27 | 2022-11-22 | 北京火山引擎科技有限公司 | 一种基于进程调用链的入侵检测方法 |
| CN115116004A (zh) * | 2022-06-27 | 2022-09-27 | 禾麦科技开发（深圳）有限公司 | 一种基于深度学习的办公区域异常行为检测系统及方法 |
| CN116010885A (zh) * | 2022-12-21 | 2023-04-25 | 重庆邮电大学 | 一种长序列条件下的车辆异常时空数据检测方法及系统 |
| CN116760569A (zh) * | 2023-05-19 | 2023-09-15 | 广东工业大学 | 一种基于图神经网络模型的物联网入侵检测方法 |
| CN116774819A (zh) * | 2023-05-20 | 2023-09-19 | 魔珐(上海)信息科技有限公司 | 数据分析方法及相关装置 |
| CN116723295A (zh) * | 2023-06-09 | 2023-09-08 | 北京红山信息科技研究院有限公司 | 基于gpgpu芯片的多摄像头监控管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
| CN118072255B (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
| CN113850229A (zh) | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 | |
| CN114218992B (zh) | 异常对象的检测方法及相关装置 | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| CN118053261B (zh) | 用于智慧校园的防欺凌预警方法、装置、设备及介质 | |
| CN116416281A (zh) | 一种粮库ai视频监管分析方法及系统 | |
| CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
| Gnanavel et al. | Smart Surveillance System and Prediction of Abnormal Activity in ATM Using Deep Learning | |
| CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
| CN116778657A (zh) | 一种智能识别入侵行为的方法及系统 | |
| CN117115959A (zh) | 一种基于环境感知的智能门禁系统 | |
| CN116912744A (zh) | 基于物联网的智能监控系统及其方法 | |
| CN117082217A (zh) | 一种基于Jetson平台的智能视频监控系统 | |
| Nagolu et al. | Real-time forest fire detection using iot and smart sensors | |
| CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 | |
| CN114898516B (zh) | 基于物联网的运维监控服务管理系统 | |
| CN118298384B (zh) | 一种基于5g网络的智能安防监控方法及系统 | |
| Aleksyuk et al. | Application of the Yolov 8 Neural Network for Detection of Personal Protection Equipment in Hazardous Enterprises | |
| CN114038061A (zh) | 基于用户行为分析模型的环境动态管控方法及系统 | |
| Prakoso et al. | Fire Detection Warning System in House Fire Accident Prevention | |
| CN118195582A (zh) | 一种应用于污染源运维平台的运维非正常状态预测方法 | |
| CN117521954A (zh) | 基于多维度分析的区域纠纷预防和管理系统 | |
| CN118038619A (zh) | 一种用于智能火情监测预警的多模态联邦学习方法和系统 | |
| Asha | Real-Time Face Mask Detection in Video Streams Using Deep Learning Technique |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231117 |
|
| RJ01 | Rejection of invention patent application after publication |