CN117196210A - 一种基于数字孪生三维场景的大数据管理控制方法 - Google Patents
一种基于数字孪生三维场景的大数据管理控制方法 Download PDFInfo
- Publication number
- CN117196210A CN117196210A CN202311156122.5A CN202311156122A CN117196210A CN 117196210 A CN117196210 A CN 117196210A CN 202311156122 A CN202311156122 A CN 202311156122A CN 117196210 A CN117196210 A CN 117196210A
- Authority
- CN
- China
- Prior art keywords
- emergency
- monitoring video
- security robot
- security
- historical
- 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 52
- 238000013523 data management Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 164
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及三维场景数据管控技术领域。具体为一种基于数字孪生三维场景的大数据管理控制方法,包括对目标对象不同区域的历史人流量进行分析,依据历史人流量对目标对象区域进行划分,确定不同区域中安防机器人的巡逻形式;依据安防机器人的监控录像对突发事件告警指令的准确性进行判断;预设突发事件告警指令准确阈值,依据突发事件告警指令的准确性对突发事件告警指令进行确定;当突发事件告警指令准确时,对突发事件发生的相邻区域安防机器人进行调配模拟得到安防机器人调配得分;依据安防机器人的调配得分,完成安防机器人进行调配决策。本发明通过对突发事件的真实性进行判断,减少安防机器人巡逻误差,增加了巡逻信息的准确性。
Description
技术领域
本发明涉及三维场景数据管控技术领域,具体为一种基于数字孪生三维场景的大数据管理控制方法。
背景技术
数字孪生三维场景是指利用数字技术和物理世界的数据,构建出与真实场景相对应的三维虚拟模型,实现对真实场景的实时监测、模拟和优化。数字孪生三维场景可以应用于多个领域,如智慧城市、工业制造、交通运输、能源环境等等、数字孪生三维场景为决策提供可视化、动态和智能的辅助工具。依据数字孪生三维场景能够通过安防机器人实时获取不同区域的监控视频,并且能够对真实场景的突发事件进行实时监测,并且发送告警;
在现有的技术下,安防机器人在巡逻的过程,因取证范围不足、摄像故障等原因从而使得对实时场景突发事件的监测存在误差;当安防机器人因监测误差而判定实时场景发生突发事件时,导致安防机器人发送虚假告警指令,导致信息的不准确,并且由于告警指令数字孪生模型对安防机器人进行调配决策,在一定程度上浪费安防资源。
发明内容
本发明的目的在于提供一种基于数字孪生三维场景的大数据管理控制方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于数字孪生三维场景的大数据管理控制方法,所述大数据管理控制方法具体包括以下步骤:
S100、通过机器学习算法的目标识别技术对目标对象不同区域的历史人流量进行分析,并且依据历史人流量对目标对象不同区域进行划分,确定目标对象不同区域中安防机器人的巡逻形式;其中安防机器人的巡逻形式包括:定点巡逻、往返巡逻和循环巡逻,在面的不同的任务和目标,不同区域的安防机器人所对应的巡逻策略不相同;
S200、通过物联网、云计算、大数据等技术,使得在虚拟空间中构建出目标对象一一对应的数字孪生模型,实现对目标对象的实时监测、模拟和优化;当数字孪生模型接收到安防机器人的突发事件告警指令时,依据发送突发事件告警指令的安防机器人和所述发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像对突发事件告警指令的准确性进行判断;
S300、预设突发事件告警指令准确阈值,依据所述突发事件告警指令的准确性对突发事件告警指令进行确定;
S400、当所述突发事件告警指令准确时,由于突发事件相邻区域的安防机器人监控录像中突发事件的全过程,为了减少数据传输所以基于发送突发事件告警指令安防机器人所处区域及相邻区域的历史人流量对突发事件发生的相邻区域安防机器人进行调配模拟得到安防机器人调配得分;
S500、依据所述安防机器人的调配得分,对模拟调配的安防机器人进行筛选完成安防机器人进行调配决策以提高突发事件处理的响应速度。
进一步的,所述S100中对目标对象不同区域的历史人流量进行分析的具体方法如下:
S101、通过历史数据信息获取目标对象的历史监控视频,并对历史监控视频进行抽帧提取得到监控图像sij,其中sij表示为目标对象第i个监控视频进行抽帧提取得到的第j个监控图像,a∈{1、2、3...I},i=1、2、3...I,I表示为目标对象的历史监控视频数量,j=1、2、3...J,J表示为任意一个历史监控视频进行抽帧提取得到监控图像的数量,其中目标对象的历史监控视频为目标对象中不同区域的历史监控视频;
S102、使用HOG特征描述符和支持向量机分类器来检测历史监控视频进行抽帧提取得到监控图像sij中的行人,通过跟踪算法匹配前后帧的行人,从而得到行人的移动轨迹,对历史监控视频进行遍历,得到历史监控视频中经过第i个区域的人数为mi;所述对历史监控视频进行遍历的具体方法为在任意一个区域内设置跨线区域,当行人的移动轨迹与所述跨线区域相交时,对所述经过任意一个区域的人数进行累计,由于是对任意一个区域的经过人数进行计算,即便存在行人反复出入目标对象任意一个区域的监控视频范围的情况也不需要对行人进行筛选;
S103、对监控图像si1和siJ的时间点进行提取分别为ti1和tiJ,根据公式:ui=mi/(tiJ-ti1),计算得到目标对象第i个区域的历史人流量,其中mi表示为从历史监控视频中获得的经过目标对象第i个区域的人数。
进一步的,所述S100中确定目标对象不同区域中安防机器人的巡逻形式的具体方法如下:
S104、依据目标对象不同区域的历史人流量形成区域历史人流量集,依据大数据从区域历史人流量集中随机选取k个初始聚类中心ck,将区域历史人流量集分成k个不同的历史人流量区域,其中安防机器人的巡逻形式是按照区域的历史人流量进行划分,当区域人流量多时为了避免道路拥堵等,人流量多的区域安防机器人应该使用定点巡逻的形式;当区域人流量适中时,为了确保道路畅通的情况下,人流量适中的区域安防机器人应该使用往返巡逻的形式,当区域人流量少时,采用循环巡逻为了确保该区域的安防机器人能够随时调配;在空间中计算历史人流量集中数据与初始聚类中心ck的距离,得到离任意一历史人流量集中数据最近的初始聚类中心ck,将所述任意一历史人流量集中数据分配到初始聚类中心ck所对应的簇中;其中,区域的历史人流量与区域中安防机器人的灵活调配程度成反比;
在空间中计算历史人流量集中数据与初始聚类中心ck的距离的公式为:
其中x表示为任意一历史人流量集中数据即目标数据对象,ck表示为第k个初始聚类中心,Z为目标数据对象的维度,Xz,ckz分别表示为x和ck的第z个属性值;
整个数据集中的误差平方和SSE计算公式为:
其中SSE的大小表示聚类结果的好坏;由于SSE是一个非凸函数(non-convexfunction)kmeans,所以SSE不能保证找到全局最优解,只能确保局部最优解。但是可以重复执行几次,选取SSE最小的一次作为最终的聚类结果;
S105、通过K-Means算法得到目标对象的区域划分集合为Uk,Uk={Uk1、Uk2、Uk3...UkG},其中,UkG表示为第k种类型安防巡逻形式的第G个目标对象的区域,g=1、2、3...G,
进一步的,所述S200中对数字孪生模型接收到安防机器人的突发事件告警指令的准确性进行判断的具体方法如下:
S201、当安防机器人监测到有突发事件发生时,将突发事件监控录像片段发送至数据终端,并且向数字孪生模型发送突发事件告警指令;数字孪生模型接收到安防机器人发送的突发事件告警指令时,通过数字孪生模型获取与发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像,并且对所述相邻区域安防机器人的监控录像提取的监控录像片段与突发事件监控录像时间片段相同;
S202、对突发事件监控录像片段和相邻区域安防机器人的监控录像片段进行抽帧提取,得到监控录像图片,通过模糊过滤器对监控录像图片去噪声并且对监控录像图片进行灰度化处理,利用边缘检测滤波器对监控录像图片的轮廓进行检测,生成监控录像图片信息集分别Q和Qr,Q={Q1、Q2、Q3...QV},Qr={Qr1、Qr2、Qr3...QrV},Qv表示为突发事件监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息,Qr表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的监控录像图片信息集,QrV表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息;r=1、2、3...R,R表示为与发送突发事件告警指令的安防机器人所处相邻区域的数量,v=1、2、3...V,V表示为监控录像进行抽帧提取得到的监控录像图片数量,由于对所述相邻区域安防机器人的监控录像提取的监控录像片段与突发事件监控录像时间片段相同,所以突发事件监控录像片段与相邻区域安防机器人的监控录像片段抽帧提取得到的监控录像图片的数量一致;
S203、依据所述监控录像图片信息集构建信息准确性分析模型分析得到安防机器人发送的突发事件告警指令的准确值。
进一步的,所述S203中构建信息准确性分析模型的具体方法如下:
S203-1、依据所述监控录像图片信息集,将监控录像图片信息映射到空间坐标系统中,通过欧几里得距离公式:
计算得到突发事件监控录像片段与第r个相邻区域安防机器人的监控录像片段的相似度,其中qv表示为突发事件监控录像片段中第v个监控录像图片信息在空间坐标系中的向量,qrv表示为第r个相邻区域安防机器人的监控录像片段中第v个监控录像图片信息在空间坐标系中的向量;
S203-2、通过公式:计算得到安防机器人发送的突发事件告警指令的准确值。
进一步的,所述S300中对突发事件告警指令进行确定的具体方法如下:由于不同区域安防机器人监控录像角度的问题导致监控录像片段的相似性不准确所以预设突发事件告警指令准确阈值为D’,当D<D’时,说明安防机器人发送的突发事件告警指令不准确,数字孪生模型发送指令向数据终端发送指令删除突发事件监控录像片段;当D≥D’时,说明安防机器人发送的突发事件告警指令准确,数字孪生模型接收安防机器人发送的突发事件告警指令进行告警提醒。
进一步的,所述S400中安防机器人进行调配模拟对调配得分进行分析的具体方法如下:
S401、通过数字孪生模型获取得到发送突发事件告警指令安防机器人的坐标为(x0,y0)和与发送突发事件告警指令安防机器人所处区域相邻区域的安防机器人的坐标为(xr,yr),获取发送突发事件告警指令安防机器人相邻区域的历史人流量为ur;
S402、根据公式计算得到相邻区域的安防机器人到达发送突发事件告警指令安防机器人所处区域的距离为lr=[(x0-xr)2+(y0-yr)2]1/2,构建调配得分模型:
计算得到相邻区域安防机器人的调配得分,其中h为调配分数初始值,β为系数。
进一步的,其特征在于:所述S500中安防机器人进行调配决策的具体方法如下:对相邻区域安防机器人的调配得分按照由大到小对安防机器人进行排序,选取调配得分最高的安防机器人对突发事件发生区域进行调配。
与现有技术相比,本发明所达到的有益效果是:通过机器学习算法的目标识别技术对目标对象不同区域的历史人流量进行分析,依据历史人流量对目标对象区域进行划分,确定目标对象不同区域中安防机器人的巡逻形式,通过对目标对象区域进行划分并且确定不同区域中安防机器人的巡逻形式,在一定程度上提高了巡逻效率和质量降低巡逻成本和风险;本发明通过对安防机器人发送的突发事件告警指令的准确性进行确认,减少因安防机器人取证范围不足、摄像故障等原因导致对实时场景突发事件的监测存在误差,确保信息的准确性;本发明通过对安防机器人进行调配决策以提高突发事件处理的响应速度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于数字孪生三维场景的大数据管理控制方法的流程示意图。
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。
请参阅图1,本发明提供技术方案:一种基于数字孪生三维场景的大数据管理控制方法,所述大数据管理控制方法具体包括以下步骤:
S100、通过机器学习算法的目标识别技术对目标对象不同区域的历史人流量进行分析,并且依据历史人流量对目标对象不同区域进行划分,确定目标对象不同区域中安防机器人的巡逻形式;其中安防机器人的巡逻形式包括:定点巡逻、往返巡逻和循环巡逻,在面的不同的任务和目标,不同区域的安防机器人所对应的巡逻策略不相同;
S200、通过物联网、云计算、大数据等技术,使得在虚拟空间中构建出目标对象一一对应的数字孪生模型,实现对目标对象的实时监测、模拟和优化;当数字孪生模型接收到安防机器人的突发事件告警指令时,依据发送突发事件告警指令的安防机器人和所述发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像对突发事件告警指令的准确性进行判断;
S300、预设突发事件告警指令准确阈值,依据所述突发事件告警指令的准确性对突发事件告警指令进行确定;
S400、当所述突发事件告警指令准确时,由于突发事件相邻区域的安防机器人监控录像中突发事件的全过程,为了减少数据传输所以基于发送突发事件告警指令安防机器人所处区域及相邻区域的历史人流量对突发事件发生的相邻区域安防机器人进行调配模拟得到安防机器人调配得分;
S500、依据所述安防机器人的调配得分,对模拟调配的安防机器人进行筛选完成安防机器人进行调配决策以提高突发事件处理的响应速度。
进一步的,所述S100中对目标对象不同区域的历史人流量进行分析的具体方法如下:
S101、通过历史数据信息获取目标对象的历史监控视频,并对历史监控视频进行抽帧提取得到监控图像sij,其中sij表示为目标对象第i个监控视频进行抽帧提取得到的第j个监控图像,a∈{1、2、3...I},i=1、2、3...I,I表示为目标对象的历史监控视频数量,j=1、2、3...J,J表示为任意一个历史监控视频进行抽帧提取得到监控图像的数量,其中目标对象的历史监控视频为目标对象中不同区域的历史监控视频;
S102、使用HOG特征描述符和支持向量机分类器来检测历史监控视频进行抽帧提取得到监控图像sij中的行人,通过跟踪算法匹配前后帧的行人,从而得到行人的移动轨迹,对历史监控视频进行遍历,得到历史监控视频中经过第i个区域的人数为mi;所述对历史监控视频进行遍历的具体方法为在任意一个区域内设置跨线区域,当行人的移动轨迹与所述跨线区域相交时,对所述经过任意一个区域的人数进行累计,由于是对任意一个区域的经过人数进行计算,即便存在行人反复出入目标对象任意一个区域的监控视频范围的情况也不需要对行人进行筛选;
S103、对监控图像si1和siJ的时间点进行提取分别为ti1和tiJ,根据公式:ui=mi/(tiJ-ti1),计算得到目标对象第i个区域的历史人流量,其中mi表示为从历史监控视频中获得的经过目标对象第i个区域的人数。
进一步的,所述S100中确定目标对象不同区域中安防机器人的巡逻形式的具体方法如下:
S104、依据目标对象不同区域的历史人流量形成区域历史人流量集,依据大数据从区域历史人流量集中随机选取k个初始聚类中心ck,将区域历史人流量集分成k个不同的历史人流量区域,其中安防机器人的巡逻形式是按照区域的历史人流量进行划分,当区域人流量多时为了避免道路拥堵等,人流量多的区域安防机器人应该使用定点巡逻的形式;当区域人流量适中时,为了确保道路畅通的情况下,人流量适中的区域安防机器人应该使用往返巡逻的形式,当区域人流量少时,采用循环巡逻为了确保该区域的安防机器人能够随时调配;由于安防机器人的巡逻形式有定点巡逻、往返巡逻和循环巡逻三种巡逻形式,所以K=3,在空间中计算历史人流量集中数据与初始聚类中心ck的距离,得到离任意一历史人流量集中数据最近的初始聚类中心ck,将所述任意一历史人流量集中数据分配到初始聚类中心ck所对应的簇中;其中,区域的历史人流量与区域中安防机器人的灵活调配程度成反比;
在空间中计算历史人流量集中数据与初始聚类中心ck的距离的公式为:
L(x,ck)=[∑Z z=1(xz-ckz)2]1/2
其中x表示为任意一历史人流量集中数据即目标数据对象,ck表示为第k个初始聚类中心,Z为目标数据对象的维度,Xz,ckz分别表示为x和ck的第z个属性值;
整个数据集中的误差平方和SSE计算公式为:
其中SSE的大小表示聚类结果的好坏;由于SSE是一个非凸函数(non-convexfunction)kmeans,所以SSE不能保证找到全局最优解,只能确保局部最优解。但是可以重复执行几次,选取SSE最小的一次作为最终的聚类结果;
S105、通过K-Means算法得到目标对象的区域划分集合为Uk,Uk={Uk1、Uk2、Uk3...UkG},其中,UkG表示为第k种类型安防巡逻形式的第G个目标对象的区域,g=1、2、3...G,
进一步的,所述S200中对数字孪生模型接收到安防机器人的突发事件告警指令的准确性进行判断的具体方法如下:
S201、当安防机器人监测到有突发事件发生时,将突发事件监控录像片段发送至数据终端,并且向数字孪生模型发送突发事件告警指令;数字孪生模型接收到安防机器人发送的突发事件告警指令时,通过数字孪生模型获取与发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像,并且对所述相邻区域安防机器人的监控录像提取的监控录像片段与突发事件监控录像时间片段相同;
S202、对突发事件监控录像片段和相邻区域安防机器人的监控录像片段进行抽帧提取,得到监控录像图片,通过模糊过滤器对监控录像图片去噪声并且对监控录像图片进行灰度化处理,利用边缘检测滤波器对监控录像图片的轮廓进行检测,生成监控录像图片信息集分别Q和Qr,Q={Q1、Q2、Q3...QV},Qr={Qr1、Qr2、Qr3...QrV},Qv表示为突发事件监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息,Qr表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的监控录像图片信息集,QrV表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息;r=1、2、3...R,R表示为与发送突发事件告警指令的安防机器人所处相邻区域的数量,v=1、2、3...V,V表示为监控录像进行抽帧提取得到的监控录像图片数量,由于对所述相邻区域安防机器人的监控录像提取的监控录像片段与突发事件监控录像时间片段相同,所以突发事件监控录像片段与相邻区域安防机器人的监控录像片段抽帧提取得到的监控录像图片的数量一致;
S203、依据所述监控录像图片信息集构建信息准确性分析模型分析得到安防机器人发送的突发事件告警指令的准确值。
进一步的,所述S203中构建信息准确性分析模型的具体方法如下:
S203-1、依据所述监控录像图片信息集,将监控录像图片信息映射到空间坐标系统中,通过欧几里得距离公式:
计算得到突发事件监控录像片段与第r个相邻区域安防机器人的监控录像片段的相似度,其中qv表示为突发事件监控录像片段中第v个监控录像图片信息在空间坐标系中的向量,qrv表示为第r个相邻区域安防机器人的监控录像片段中第v个监控录像图片信息在空间坐标系中的向量;
S203-2、通过公式:计算得到安防机器人发送的突发事件告警指令的准确值。
进一步的,所述S300中对突发事件告警指令进行确定的具体方法如下:由于不同区域安防机器人监控录像角度的问题导致监控录像片段的相似性不准确所以预设突发事件告警指令准确阈值为D’,当D<D’时,说明安防机器人发送的突发事件告警指令不准确,数字孪生模型发送指令向数据终端发送指令删除突发事件监控录像片段;当D≥D’时,说明安防机器人发送的突发事件告警指令准确,数字孪生模型接收安防机器人发送的突发事件告警指令进行告警提醒。
进一步的,所述S400中安防机器人进行调配模拟对调配得分进行分析的具体方法如下:
S401、通过数字孪生模型获取得到发送突发事件告警指令安防机器人的坐标为(x0,y0)和与发送突发事件告警指令安防机器人所处区域相邻区域的安防机器人的坐标为(xr,yr),获取发送突发事件告警指令安防机器人相邻区域的历史人流量为ur;
S402、根据公式计算得到相邻区域的安防机器人到达发送突发事件告警指令安防机器人所处区域的距离为lr=[(x0-xr)2+(y0-yr)2]1/2,构建调配得分模型:
计算得到相邻区域安防机器人的调配得分,其中h为调配分数初始值,β为系数。
进一步的,其特征在于:所述S500中安防机器人进行调配决策的具体方法如下:对相邻区域安防机器人的调配得分按照由大到小对安防机器人进行排序,选取调配得分最高的安防机器人对突发事件发生区域进行调配。
在本实施例中:
依据所述监控录像图片信息集,将监控录像图片信息映射到空间坐标系统中,通过欧几里得距离公式:
计算得到突发事件监控录像片段与前后左右四个相邻区域安防机器人的监控录像片段的相似度;
设置突发事件告警指令准确阈值为D’=2*R=8,R为与突发事件发生区域的相邻区域的数量;
实施例1:设置突发事件监控录像片段与前后左右四个相邻区域安防机器人的监控录像片段的相似度分别为d1=1、d2=0.8、d3=1.2、d4=0.7,对安防机器人发送的突发事件告警指令的准确值进行计算得到:
其中,D=3.4<D’,数字孪生模型发送指令向数据终端发送指令删除突发事件监控录像片段。
实施例2:设置突发事件监控录像片段与前后左右四个相邻区域安防机器人的监控录像片段的相似度分别为d1=4、d2=4.5、d3=4.9、d4=3.8,对安防机器人发送的突发事件告警指令的准确值进行计算得到:
其中,D=17.2>D’,数字孪生模型接收安防机器人发送的突发事件告警指令进行告警提醒;
通过数字孪生模型获取得到发送突发事件告警指令安防机器人的坐标为(2,4)和与发送突发事件告警指令安防机器人所处区域相邻区域的安防机器人的坐标为(xr,yr)
={(1,5)、(2,3)、(4,9)、(6,4)},获取发送突发事件告警指令安防机器人相邻区域的历史人流量为ur={10、2、1、3};
根据公式:lr=[(x0-xr)2+(y0-yr)2]1/2计算得到相邻区域的安防机器人到达发送突发事件告警指令安防机器人所处区域的距离分别为{1.414、1、5.385、4},构建调配得分模型:
计算得到相邻区域安防机器人的调配得分分别为{67.172、92、86.23、83},对相邻区域安防机器人的调配得分按照由大到小对安防机器人进行排序得到{92、86.23、83、67.172},选取调配得分为92的安防机器人对突发事件发生区域进行调配。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述大数据管理控制方法具体包括以下步骤:
S100、通过机器学习算法的目标识别技术对目标对象不同区域的历史人流量进行分析,并且依据历史人流量对目标对象不同区域进行划分,确定目标对象不同区域中安防机器人的巡逻形式;
S200、在虚拟空间中构建出目标对象一一对应的数字孪生模型,当数字孪生模型接收到安防机器人的突发事件告警指令时,依据发送突发事件告警指令的安防机器人和所述发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像对突发事件告警指令的准确性进行判断;
S300、预设突发事件告警指令准确阈值,依据所述突发事件告警指令的准确性对突发事件告警指令进行确定;
S400、当所述突发事件告警指令准确时,基于发送突发事件告警指令安防机器人所处区域及相邻区域的历史人流量对突发事件发生的相邻区域安防机器人进行调配模拟得到安防机器人调配得分;
S500、依据所述安防机器人的调配得分,对模拟调配的安防机器人进行筛选完成安防机器人进行调配决策。
2.根据权利要求1所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S100中对目标对象不同区域的历史人流量进行分析的具体方法如下:
S101、通过历史数据信息获取目标对象的历史监控视频,并对历史监控视频进行抽帧提取得到监控图像sij,其中sij表示为目标对象第i个监控视频进行抽帧提取得到的第j个监控图像,a∈{1、2、3...I},i=1、2、3...I,I表示为目标对象的历史监控视频数量,j=1、2、3...J,J表示为任意一个历史监控视频进行抽帧提取得到监控图像的数量,;
S102、使用HOG特征描述符和支持向量机分类器来检测历史监控视频进行抽帧提取得到监控图像sij中的行人,通过跟踪算法匹配前后帧的行人,从而得到行人的移动轨迹,对历史监控视频进行遍历,得到历史监控视频中经过第i个区域的人数为mi;所述对历史监控视频进行遍历的具体方法为在任意一个区域内设置跨线区域,当行人的移动轨迹与所述跨线区域相交时,对所述经过任意一个区域的人数进行累计;
S103、对监控图像si1和siJ的时间点进行提取分别为ti1和tiJ,根据公式:ui=mi/(tiJ-ti1),计算得到目标对象第i个区域的历史人流量,其中mi表示为从历史监控视频中获得的经过目标对象第i个区域的人数。
3.根据权利要求2所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S100中确定目标对象不同区域中安防机器人的巡逻形式的具体方法如下:
S104、依据目标对象不同区域的历史人流量形成区域历史人流量集,依据大数据从区域历史人流量集中随机选取k个初始聚类中心ck,在空间中计算历史人流量集中数据与初始聚类中心ck的距离,得到离任意一历史人流量集中数据最近的初始聚类中心ck,将所述任意一历史人流量集中数据分配到初始聚类中心ck所对应的簇中;其中,区域的历史人流量与区域中安防机器人的灵活调配程度成反比;
S105、通过K-Means算法得到目标对象的区域划分集合为Uk,Uk={Uk1、Uk2、Uk3...UkG},其中,UkG表示为第k种类型安防巡逻形式的第G个目标对象的区域,g=1、2、3...G,
4.根据权利要求3所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S200中对数字孪生模型接收到安防机器人的突发事件告警指令的准确性进行判断的具体方法如下:
S201、当安防机器人监测到有突发事件发生时,将突发事件监控录像片段发送至数据终端,并且向数字孪生模型发送突发事件告警指令;数字孪生模型接收到安防机器人发送的突发事件告警指令时,通过数字孪生模型获取与发送突发事件告警指令的安防机器人所处相邻区域安防机器人的监控录像,并且对所述相邻区域安防机器人的监控录像提取的监控录像片段与突发事件监控录像时间片段相同;
S202、对突发事件监控录像片段和相邻区域安防机器人的监控录像片段进行抽帧提取,得到监控录像图片,通过模糊过滤器对监控录像图片去噪声并且对监控录像图片进行灰度化处理,利用边缘检测滤波器对监控录像图片的轮廓进行检测,生成监控录像图片信息集分别Q和Qr,Q={Q1、Q2、Q3...QV},Qr={Qr1、Qr2、Qr3...QrV},Qv表示为突发事件监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息,Qr表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的监控录像图片信息集,QrV表示为第r个相邻区域安防机器人的监控录像片段抽帧提取并且进行图像处理的第V个监控录像图片信息;r=1、2、3...R,R表示为与发送突发事件告警指令的安防机器人所处相邻区域的数量,v=1、2、3...V,V表示为监控录像进行抽帧提取得到的监控录像图片数量;
S203、依据所述监控录像图片信息集构建信息准确性分析模型分析得到安防机器人发送的突发事件告警指令的准确值。
5.根据权利要求4所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S203中构建信息准确性分析模型的具体方法如下:
S203-1、依据所述监控录像图片信息集,将监控录像图片信息映射到空间坐标系统中,通过公式:
计算得到突发事件监控录像片段与第r个相邻区域安防机器人的监控录像片段的相似度,其中qv表示为突发事件监控录像片段中第v个监控录像图片信息在空间坐标系中的向量,qrv表示为第r个相邻区域安防机器人的监控录像片段中第v个监控录像图片信息在空间坐标系中的向量;
S203-2、通过公式:计算得到安防机器人发送的突发事件告警指令的准确值。
6.根据权利要求5所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S300中对突发事件告警指令进行确定的具体方法如下:预设突发事件告警指令准确阈值为D’,当D<D’时,数字孪生模型发送指令向数据终端发送指令删除突发事件监控录像片段;当D≥D’时,数字孪生模型接收安防机器人发送的突发事件告警指令进行告警提醒。
7.根据权利要求6所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S400中安防机器人进行调配模拟对调配得分进行分析的具体方法如下:
S401、通过数字孪生模型获取得到发送突发事件告警指令安防机器人的坐标为(x0,y0)和与发送突发事件告警指令安防机器人所处区域相邻区域的安防机器人的坐标为(xr,yr),获取发送突发事件告警指令安防机器人相邻区域的历史人流量为ur;
S402、根据公式计算得到相邻区域的安防机器人到达发送突发事件告警指令安防机器人所处区域的距离为lr=[(x0-xr)2+(y0-yr)2]1/2,构建调配得分模型:
计算得到相邻区域安防机器人的调配得分,其中h为调配分数初始值,β为系数。
8.根据权利要求7所述的一种基于数字孪生三维场景的大数据管理控制方法,其特征在于:所述S500中安防机器人进行调配决策的具体方法如下:对相邻区域安防机器人的调配得分按照由大到小对安防机器人进行排序,选取调配得分最高的安防机器人对突发事件发生区域进行调配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156122.5A CN117196210A (zh) | 2023-09-08 | 2023-09-08 | 一种基于数字孪生三维场景的大数据管理控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156122.5A CN117196210A (zh) | 2023-09-08 | 2023-09-08 | 一种基于数字孪生三维场景的大数据管理控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196210A true CN117196210A (zh) | 2023-12-08 |
Family
ID=88993726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311156122.5A Pending CN117196210A (zh) | 2023-09-08 | 2023-09-08 | 一种基于数字孪生三维场景的大数据管理控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196210A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106710001A (zh) * | 2016-12-29 | 2017-05-24 | 山东鲁能智能技术有限公司 | 一种基于变电站巡检机器人集中监控仿真系统及其方法 |
CN112911156A (zh) * | 2021-03-03 | 2021-06-04 | 苏州维众数据技术有限公司 | 一种基于计算机视觉的巡逻机器人和安防系统 |
CN113050649A (zh) * | 2021-03-24 | 2021-06-29 | 西安科技大学 | 一种数字孪生驱动的巡检机器人远程控制系统及方法 |
WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
CN115922697A (zh) * | 2022-11-11 | 2023-04-07 | 国网上海市电力公司 | 基于变电站数字孪生技术的智能化机器人自动巡检方法 |
-
2023
- 2023-09-08 CN CN202311156122.5A patent/CN117196210A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106710001A (zh) * | 2016-12-29 | 2017-05-24 | 山东鲁能智能技术有限公司 | 一种基于变电站巡检机器人集中监控仿真系统及其方法 |
WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
CN112911156A (zh) * | 2021-03-03 | 2021-06-04 | 苏州维众数据技术有限公司 | 一种基于计算机视觉的巡逻机器人和安防系统 |
CN113050649A (zh) * | 2021-03-24 | 2021-06-29 | 西安科技大学 | 一种数字孪生驱动的巡检机器人远程控制系统及方法 |
CN115922697A (zh) * | 2022-11-11 | 2023-04-07 | 国网上海市电力公司 | 基于变电站数字孪生技术的智能化机器人自动巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304798B (zh) | 基于深度学习及运动一致性的街面秩序事件视频检测方法 | |
CN111950394B (zh) | 一种车辆变道的预测方法、装置及计算机存储介质 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN102148921B (zh) | 基于动态群组划分的多目标跟踪方法 | |
Song et al. | Vehicle behavior analysis using target motion trajectories | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN111626275B (zh) | 一种基于智能视频分析的异常停车检测方法 | |
CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
CN112100435B (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
CN112435276A (zh) | 一种车辆跟踪方法、装置、智能终端及存储介质 | |
Owens et al. | A Fast Model-Free Morphology-Based Object Tracking Algorithm. | |
CN115308732A (zh) | 一种融合毫米波雷达与深度视觉的多目标检测与跟踪方法 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
Ren et al. | Lane Detection in Video‐Based Intelligent Transportation Monitoring via Fast Extracting and Clustering of Vehicle Motion Trajectories | |
Beymer et al. | Tracking vehicles in congested traffic | |
CN113689459B (zh) | 动态环境下基于gmm结合yolo实时跟踪与建图方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN117557600A (zh) | 一种车载影像处理方法及系统 | |
US20230394686A1 (en) | Object Identification | |
CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
CN117196210A (zh) | 一种基于数字孪生三维场景的大数据管理控制方法 | |
CN116299525A (zh) | 一种基于点云区域相关性的动态环境rgb-d视觉slam方法 | |
CN112906428A (zh) | 影像侦测区域取得方法及空间使用情况的判定方法 |
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 |