CN117274917B - 一种基于物联网的监控数据分析方法、系统及存储介质 - Google Patents
一种基于物联网的监控数据分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117274917B CN117274917B CN202311563908.9A CN202311563908A CN117274917B CN 117274917 B CN117274917 B CN 117274917B CN 202311563908 A CN202311563908 A CN 202311563908A CN 117274917 B CN117274917 B CN 117274917B
- Authority
- CN
- China
- Prior art keywords
- data
- route
- real
- analysis
- time
- 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 133
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 238000004088 simulation Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 19
- 241000257303 Hymenoptera Species 0.000 claims description 20
- 239000003016 pheromone Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于物联网的监控数据分析方法、系统及存储介质。基于物联网,从目标场地中获取第一监控视频数据,并进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。通过本发明,能够精准、科学地分析出人员在目标场地的路线移动与危险预警,从而及时地生成预警信息,减少安全隐患。
Description
技术领域
本发明涉及视频数据分析领域,更具体的,涉及一种基于物联网的监控数据分析方法、系统及存储介质。
背景技术
当下,随着网络与视频分析技术的不断发展与普及,视频分析技术已经在公共安全领域得到了广泛的应用。机器视觉、语音识别、高性能计算等技术的应用使得视频监控分析的效能进一步提升,不仅节省了安保人力和物力的成本,更有效地提高了对公共安全的预防和应对能力。
但受制于传统现有技术,目前对视频分析与公共场地区域的人员路线、人员移动行为等分析技术较差,难以做到精准化地对视频中的人群进行有效、高效分析与实时预警分析。因此,目前亟需一种精准化的监控数据分析方法。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于物联网的监控数据分析方法、系统及存储介质。
本发明第一方面提供了一种基于物联网的监控数据分析方法,包括:
获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。
本方案中,所述获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型,具体为:
获取公共区域中目标场地基础信息,所述基础信息包括场地面积、场地大小、监控点位置、监控点数量信息;
基于所述场地面积、场地大小构建基于三维可视化的地图模型,将监控点位置导入地图模型中。
本方案中,所述基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据,具体为:
基于物联网,从目标场地中获取历史监控视频数据并标记为第一监控视频数据;
将所述第一监控视频数据进行视频关键帧提取,形成视频关键帧;
将所述视频关键帧进行图像增强、降噪、标准化预处理;
将所述视频关键帧导入图像识别模型,结合预设静态物体特征,进行物体识别,得到目标场地物体识别信息;
基于所述物体识别信息,结合地图模型,将目标场地划分为多个区域,并得到区域分类数据;
所述区域分类数据包括危险区域、安全区域、正常通道区域。
本方案中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,之前包括:
在一个历史预设时间段内,获取历史监控视频数据;
基于所述历史监控视频数据进行关键帧提取,得到历史图像帧;
对所述历史图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息并进行人流量统计与人物移动路径统计,得到历史人流量信息与历史人员路径信息;
根据历史人流量信息与历史人员路径信息,结合地图模型与区域分类数据,统计所有人流量中进入危险区域、安全区域、正常通道区域的人流量占比,分别得到第一占比值、第二占比值、第三占比值。
本方案中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,具体为:
将所有危险区域、安全区域、正常通道区域作为子区域;
将第一占比值、第二占比值、第三占比值分别作为危险区域、安全区域、正常通道区域的路径选择概率;
基于蚁群算法,以地图模型作为蚁群移动空间模型,设定K只蚂蚁,以地图模型中的子区域作为移动单位区域;
以预设地图入口作为蚁群初始点,初始化每个移动单位区域的信息素,将K只蚂蚁进行移动模拟;
在所述移动模拟中,蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域;
当K只蚂蚁的移动路径长度大于预设长度时,停止移动,当移动模拟结束后,记录所有蚂蚁移动路径,并得到模拟路线数据。
本方案中,所述基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据,具体为:
基于物联网,采集目标场地的实时视频数据并标记为第二监控视频数据;
基于所述第二监控视频数据进行关键帧提取,得到实时图像帧;
将所述实时图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息,结合地图模型生成人物移动路线;
分析所有实时图像帧中的人物信息,并将得到的所有人物移动路线整合为实时路径数据。
本方案中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
从所述模拟路线数据中选取一条模拟路线;
通过地图模型,计算所述一条模拟路线中分别经过危险区域、安全区域、正常通道区域的区域个数与对应路径长度并进一步评估出该路线的危险指数;
分析出所有模拟路线数据中所有模拟路线的危险指数。
本方案中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
获取实时路径数据中的人物移动路线;
将人物移动路线导入地图模型,截取预设长度的人物移动路线末端线段;
基于所述末端线段通过在二维空间中进行曲率变化分析,基于线性预测方法,预测出预设长度的预测路线;
将人物移动路线与预测路线进行连接形成实时预测路线;
将实时预测路线与模拟路线数据中的所有模拟路线进行重合度计算分析;
将重合度最高的模拟路线标记为相似路线,将相似路线对应的危险指数作为当前危险指数;
基于相似路线与当前危险指数生成人员预警信息。
本发明第二方面还提供了一种基于物联网的监控数据分析系统,该系统包括:存储器、处理器,所述存储器中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被所述处理器执行时实现如下步骤:
获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被处理器执行时,实现如上述任一项所述的基于物联网的监控数据分析方法的步骤。
本发明公开了一种基于物联网的监控数据分析方法、系统及存储介质。基于物联网,从目标场地中获取第一监控视频数据,并进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。通过本发明,能够精准、科学地分析出人员在目标场地的路线移动与危险预警,从而及时地生成预警信息,减少安全隐患。
附图说明
图1示出了本发明一种基于物联网的监控数据分析方法的流程图;
图2示出了本发明地图模型构建流程图;
图3示出了本发明实时路径数据获取流程图;
图4示出了本发明一种基于物联网的监控数据分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的监控数据分析方法的流程图。
如图1所示,本发明第一方面提供了一种基于物联网的监控数据分析方法,包括:
S102,获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
S104,基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
S106,根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
S108,基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
S110,将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。
图2示出了本发明地图模型构建流程图。
根据本发明实施例,所述获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型,具体为:
S202,获取公共区域中目标场地基础信息,所述基础信息包括场地面积、场地大小、监控点位置、监控点数量信息;
S204,基于所述场地面积、场地大小构建基于三维可视化的地图模型,将监控点位置导入地图模型中。
需要说明的是,所述目标场地一般为有需求分析的公共区域,如车站、地铁站等区域,且本实施例涉及到安全与危险区域的分析。通过地图模型,能够对目标场地的人物位置、路线移动、监控范围进行可视化展示,使用户能够更加直观、方便掌握实际情况。目标场地包括多个监控设备,所述多个监控设备基于物联网进行数据连接与传输。
根据本发明实施例,所述基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据,具体为:
基于物联网,从目标场地中获取历史监控视频数据并标记为第一监控视频数据;
将所述第一监控视频数据进行视频关键帧提取,形成视频关键帧;
将所述视频关键帧进行图像增强、降噪、标准化预处理;
将所述视频关键帧导入图像识别模型,结合预设静态物体特征,进行物体识别,得到目标场地物体识别信息;
基于所述物体识别信息,结合地图模型,将目标场地划分为多个区域,并得到区域分类数据;
所述区域分类数据包括危险区域、安全区域、正常通道区域。
需要说明的是,所述历史监控视频数据具体为已有的视频数据,该数据一般通过人工标注形成,且清晰度一般较高,用于进行场地静态物体的识别与区域的划分。所述图像识别模型一般为基于CNN的图像识别模型,进行对目标场地的区域、人物识别。所述物体识别信息包括场景类物体识别信息,例如,在地铁站中,物体识别包括有助于识别与区分安全与危险区域的物体与场景,如,警戒线、安全指标、安全通道标识、楼梯扶手、进出闸门等。在车站、地铁站等人流量较大的地方,一般存在在危险区域、安全区域、正常通道区域等,一般而言,正常乘客人员会在安全区域与正常通道区域进行移动,而在发生特殊意外情况时,乘客人员有可能会进行危险区域,如,在地铁进站时,乘客人员突然进入警戒线以内区域,或进入某些围栏以外区域、电闸区域等高危区域。另外,考虑到目标场地的复杂性,可以由用户在地图模型中自行设定各个区域界限。
根据本发明实施例,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,之前包括:
在一个历史预设时间段内,获取历史监控视频数据;
基于所述历史监控视频数据进行关键帧提取,得到历史图像帧;
对所述历史图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息并进行人流量统计与人物移动路径统计,得到历史人流量信息与历史人员路径信息;
根据历史人流量信息与历史人员路径信息,结合地图模型与区域分类数据,统计所有人流量中进入危险区域、安全区域、正常通道区域的人流量占比,分别得到第一占比值、第二占比值、第三占比值。
需要说明的是,所述人流量占比即进行如相关区域的人数占比。所述CNN即卷积神经网络,是一种包含卷积计算且具有深度结构的前馈神经网络,具有深度学习功能。本发明中,通过分析一段时间的历史人流量并统计进行各个区域的占比量,进而将对应的占比量作为后续进行区域的概率值进行蚁群算法的模拟,能够真实、准确地模拟出人员可能出现的预测路径,从而用于后续进行路线对比。
根据本发明实施例,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,具体为:
将所有危险区域、安全区域、正常通道区域作为子区域;
将第一占比值、第二占比值、第三占比值分别作为危险区域、安全区域、正常通道区域的路径选择概率;
基于蚁群算法,以地图模型作为蚁群移动空间模型,设定K只蚂蚁,以地图模型中的子区域作为移动单位区域;
以预设地图入口作为蚁群初始点,初始化每个移动单位区域的信息素,将K只蚂蚁进行移动模拟;
在所述移动模拟中,蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域;
当K只蚂蚁的移动路径长度大于预设长度时,停止移动,当移动模拟结束后,记录所有蚂蚁移动路径,并得到模拟路线数据。
需要说明的是,子区域为危险区域、安全区域、正常通道区域的统称,一个子区域属于三种中的其中一种。所述蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域中,具体为通过信息素与选择概率两者的进行综合加权计算得到第二信息素,比较各个区域的第二信息素选择下一移动区域,加权计算的权值为预定值,在本发明中,蚁群模拟过程不再受限于单个信息素的比较,而是加入了路径选择概率进行综合分析与路径选择,能够使蚁群模型更加贴合实际人群在地图模型的路径选择,从而科学地模拟出更加真实、可靠的预测路径(即模拟路线数据)。同时,本发明利用蚁群模型进行移动模拟,改进了蚁群算法过程,不应用于最佳路线的选择,而是应用于多条可行性路径的模拟预测,实现预测路线的有效分析。
同时,所述模拟路线数据代表着具有一定实际可行性的路径,该可行性路径为符合实际预测分支的路线,具有较强的实际应用比较作用,可用于实际路径的预测比较,进而利用信息化手段分析出行人员的路径偏向。
图3示出了本发明实时路径数据获取流程图。
根据本发明实施例,所述基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据,具体为:
S302,基于物联网,采集目标场地的实时视频数据并标记为第二监控视频数据;
S304,基于所述第二监控视频数据进行关键帧提取,得到实时图像帧;
S306,将所述实时图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息,结合地图模型生成人物移动路线;
S308,分析所有实时图像帧中的人物信息,并将得到的所有人物移动路线整合为实时路径数据。
需要说明的是,所述实时图像帧包括多张图像帧。
根据本发明实施例,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
从所述模拟路线数据中选取一条模拟路线;
通过地图模型,计算所述一条模拟路线中分别经过危险区域、安全区域、正常通道区域的区域个数与对应路径长度并进一步评估出该路线的危险指数;
分析出所有模拟路线数据中所有模拟路线的危险指数。
需要说明的是,所述危险指数为反映该路径的危险程度,路径经过危险区域个数越多与经过危险区域的路径长度越大,则危险指数越大,且危险指数反比于安全区域、正常通道区域的经过个数与经过长度。
根据本发明实施例,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
获取实时路径数据中的人物移动路线;
将人物移动路线导入地图模型,截取预设长度的人物移动路线末端线段;
基于所述末端线段通过在二维空间中进行曲率变化分析,基于线性预测方法,预测出预设长度的预测路线;
将人物移动路线与预测路线进行连接形成实时预测路线;
将实时预测路线与模拟路线数据中的所有模拟路线进行重合度计算分析;
将重合度最高的模拟路线标记为相似路线,将相似路线对应的危险指数作为当前危险指数;
基于相似路线与当前危险指数生成人员预警信息。
需要说明的是,在本发明中,通过分析实时的人物移动路线,并基于移动路线的曲率变化预测出一段路径预测变化线段(预设长度的预测路线),并将对应预测的线段与挡当前路径融合为实时预测路线,能够在一定程度上模拟出人员在目标场地的移动趋势,进一步通过与模拟路径的比较,能够精准、科学地分析出人员在目标场地的危险预警,从而及时地生成预警信息,减少安全隐患。
值得一提的是,在进行重合度分析中,若某一人员多次进行危险区域,则其移动路线一般呈现一定规律,且该人员移动路线会较大概率与某一模拟路线具有较高重合度。
例如,某一人员在目标场地进行移动时,有多次进入危险区域的趋势,或已经进入过危险区域,而单纯通过人工检查,难以预判出危险性,通过本发明,分析该人员实时路径并进行适度路线预测,得到的实时预测路线能够反映出该人员的行为模式,进一步通过与模拟路线数据的比较,能够得到较为符合实际的相似路线并分析其预警信息。
在本发明中,通过预测分析、路径模拟等形式对人员进行实时模拟分析与路径预测,能够有效提高在多人群中的复杂情况下的人员移动分析,提高系统适应不用场景下的视频预警分析能力。
根据本发明实施例,还包括:
在一个预设时间段内,基于物联网,实时获取目标场地的实时视频数据;
基于所述实时视频数据,得到一个预设时间段内,目标场地的人员预警信息;
根据所述人员预警信息,进行危险指数与预警位置点的分析,得到高频预警地点与低频预警地点;
基于所述高频预警地点与低频预警地点,结合地图模型,生成安全人员分配方案。
需要说明的是,在目标场地内,可能会出现某些危险区域较高频出现危险预警,而某些区域较少出现危险预警,因此,本发明通过分析在一个预设时间段内的所有预警信息进行各个预警区域的频率分析与危险指数分析,得到高、低频预警区域,进而生成合理的安保人员那分配方案,提高目标场地的安全性与提高人力资源利用率。
图4示出了本发明一种基于物联网的监控数据分析系统的框图。
本发明第二方面还提供了一种基于物联网的监控数据分析系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被所述处理器执行时实现如下步骤:
获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。
根据本发明实施例,所述获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型,具体为:
获取公共区域中目标场地基础信息,所述基础信息包括场地面积、场地大小、监控点位置、监控点数量信息;
基于所述场地面积、场地大小构建基于三维可视化的地图模型,将监控点位置导入地图模型中。
需要说明的是,所述目标场地一般为有需求分析的公共区域,如车站、地铁站等区域,且本实施例涉及到安全与危险区域的分析。通过地图模型,能够对目标场地的人物位置、路线移动、监控范围进行可视化展示,使用户能够更加直观、方便掌握实际情况。目标场地包括多个监控设备,所述多个监控设备基于物联网进行数据连接与传输。
根据本发明实施例,所述基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据,具体为:
基于物联网,从目标场地中获取历史监控视频数据并标记为第一监控视频数据;
将所述第一监控视频数据进行视频关键帧提取,形成视频关键帧;
将所述视频关键帧进行图像增强、降噪、标准化预处理;
将所述视频关键帧导入图像识别模型,结合预设静态物体特征,进行物体识别,得到目标场地物体识别信息;
基于所述物体识别信息,结合地图模型,将目标场地划分为多个区域,并得到区域分类数据;
所述区域分类数据包括危险区域、安全区域、正常通道区域。
需要说明的是,所述历史监控视频数据具体为已有的视频数据,该数据一般通过人工标注形成,且清晰度一般较高,用于进行场地静态物体的识别与区域的划分。所述图像识别模型一般为基于CNN的图像识别模型,进行对目标场地的区域、人物识别。所述物体识别信息包括场景类物体识别信息,例如,在地铁站中,物体识别包括有助于识别与区分安全与危险区域的物体与场景,如,警戒线、安全指标、安全通道标识、楼梯扶手、进出闸门等。在车站、地铁站等人流量较大的地方,一般存在在危险区域、安全区域、正常通道区域等,一般而言,正常乘客人员会在安全区域与正常通道区域进行移动,而在发生特殊意外情况时,乘客人员有可能会进行危险区域,如,在地铁进站时,乘客人员突然进入警戒线以内区域,或进入某些围栏以外区域、电闸区域等高危区域。另外,考虑到目标场地的复杂性,可以由用户在地图模型中自行设定各个区域界限。
根据本发明实施例,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,之前包括:
在一个历史预设时间段内,获取历史监控视频数据;
基于所述历史监控视频数据进行关键帧提取,得到历史图像帧;
对所述历史图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息并进行人流量统计与人物移动路径统计,得到历史人流量信息与历史人员路径信息;
根据历史人流量信息与历史人员路径信息,结合地图模型与区域分类数据,统计所有人流量中进入危险区域、安全区域、正常通道区域的人流量占比,分别得到第一占比值、第二占比值、第三占比值。
需要说明的是,所述人流量占比即进行如相关区域的人数占比。所述CNN即卷积神经网络,是一种包含卷积计算且具有深度结构的前馈神经网络,具有深度学习功能。本发明中,通过分析一段时间的历史人流量并统计进行各个区域的占比量,进而将对应的占比量作为后续进行区域的概率值进行蚁群算法的模拟,能够真实、准确地模拟出人员可能出现的预测路径,从而用于后续进行路线对比。
根据本发明实施例,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,具体为:
将所有危险区域、安全区域、正常通道区域作为子区域;
将第一占比值、第二占比值、第三占比值分别作为危险区域、安全区域、正常通道区域的路径选择概率;
基于蚁群算法,以地图模型作为蚁群移动空间模型,设定K只蚂蚁,以地图模型中的子区域作为移动单位区域;
以预设地图入口作为蚁群初始点,初始化每个移动单位区域的信息素,将K只蚂蚁进行移动模拟;
在所述移动模拟中,蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域;
当K只蚂蚁的移动路径长度大于预设长度时,停止移动,当移动模拟结束后,记录所有蚂蚁移动路径,并得到模拟路线数据。
需要说明的是,子区域为危险区域、安全区域、正常通道区域的统称,一个子区域属于三种中的其中一种。所述蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域中,具体为通过信息素与选择概率两者的进行综合加权计算得到第二信息素,比较各个区域的第二信息素选择下一移动区域,加权计算的权值为预定值,在本发明中,蚁群模拟过程不再受限于单个信息素的比较,而是加入了路径选择概率进行综合分析与路径选择,能够使蚁群模型更加贴合实际人群在地图模型的路径选择,从而科学地模拟出更加真实、可靠的预测路径(即模拟路线数据)。同时,本发明利用蚁群模型进行移动模拟,改进了蚁群算法过程,不应用于最佳路线的选择,而是应用于多条可行性路径的模拟预测,实现预测路线的有效分析。
同时,所述模拟路线数据代表着具有一定实际可行性的路径,该可行性路径为符合实际预测分支的路线,具有较强的实际应用比较作用,可用于实际路径的预测比较,进而利用信息化手段分析出行人员的路径偏向。
根据本发明实施例,所述基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据,具体为:
基于物联网,采集目标场地的实时视频数据并标记为第二监控视频数据;
基于所述第二监控视频数据进行关键帧提取,得到实时图像帧;
将所述实时图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息,结合地图模型生成人物移动路线;
分析所有实时图像帧中的人物信息,并将得到的所有人物移动路线整合为实时路径数据。
需要说明的是,所述实时图像帧包括多张图像帧。
根据本发明实施例,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
从所述模拟路线数据中选取一条模拟路线;
通过地图模型,计算所述一条模拟路线中分别经过危险区域、安全区域、正常通道区域的区域个数与对应路径长度并进一步评估出该路线的危险指数;
分析出所有模拟路线数据中所有模拟路线的危险指数。
需要说明的是,所述危险指数为反映该路径的危险程度,路径经过危险区域个数越多与经过危险区域的路径长度越大,则危险指数越大,且危险指数反比于安全区域、正常通道区域的经过个数与经过长度。
根据本发明实施例,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
获取实时路径数据中的人物移动路线;
将人物移动路线导入地图模型,截取预设长度的人物移动路线末端线段;
基于所述末端线段通过在二维空间中进行曲率变化分析,基于线性预测方法,预测出预设长度的预测路线;
将人物移动路线与预测路线进行连接形成实时预测路线;
将实时预测路线与模拟路线数据中的所有模拟路线进行重合度计算分析;
将重合度最高的模拟路线标记为相似路线,将相似路线对应的危险指数作为当前危险指数;
基于相似路线与当前危险指数生成人员预警信息。
需要说明的是,在本发明中,通过分析实时的人物移动路线,并基于移动路线的曲率变化预测出一段路径预测变化线段(预设长度的预测路线),并将对应预测的线段与挡当前路径融合为实时预测路线,能够在一定程度上模拟出人员在目标场地的移动趋势,进一步通过与模拟路径的比较,能够精准、科学地分析出人员在目标场地的危险预警,从而及时地生成预警信息,减少安全隐患。
值得一提的是,在进行重合度分析中,若某一人员多次进行危险区域,则其移动路线一般呈现一定规律,且该人员移动路线会较大概率与某一模拟路线具有较高重合度。
例如,某一人员在目标场地进行移动时,有多次进入危险区域的趋势,或已经进入过危险区域,而单纯通过人工检查,难以预判出危险性,通过本发明,分析该人员实时路径并进行适度路线预测,得到的实时预测路线能够反映出该人员的行为模式,进一步通过与模拟路线数据的比较,能够得到较为符合实际的相似路线并分析其预警信息。
在本发明中,通过预测分析、路径模拟等形式对人员进行实时模拟分析与路径预测,能够有效提高在多人群中的复杂情况下的人员移动分析,提高系统适应不用场景下的视频预警分析能力。
根据本发明实施例,还包括:
在一个预设时间段内,基于物联网,实时获取目标场地的实时视频数据;
基于所述实时视频数据,得到一个预设时间段内,目标场地的人员预警信息;
根据所述人员预警信息,进行危险指数与预警位置点的分析,得到高频预警地点与低频预警地点;
基于所述高频预警地点与低频预警地点,结合地图模型,生成安全人员分配方案。
需要说明的是,在目标场地内,可能会出现某些危险区域较高频出现危险预警,而某些区域较少出现危险预警,因此,本发明通过分析在一个预设时间段内的所有预警信息进行各个预警区域的频率分析与危险指数分析,得到高、低频预警区域,进而生成合理的安保人员那分配方案,提高目标场地的安全性与提高人力资源利用率。本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被处理器执行时,实现如上述任一项所述的基于物联网的监控数据分析方法的步骤。
本发明公开了一种基于物联网的监控数据分析方法、系统及存储介质。基于物联网,从目标场地中获取第一监控视频数据,并进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息。通过本发明,能够精准、科学地分析出人员在目标场地的路线移动与危险预警,从而及时地生成预警信息,减少安全隐患。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于物联网的监控数据分析方法,其特征在于,包括:
获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息;
其中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,之前包括:
在一个历史预设时间段内,获取历史监控视频数据;
基于所述历史监控视频数据进行关键帧提取,得到历史图像帧;
对所述历史图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息并进行人流量统计与人物移动路径统计,得到历史人流量信息与历史人员路径信息;
根据历史人流量信息与历史人员路径信息,结合地图模型与区域分类数据,统计所有人流量中进入危险区域、安全区域、正常通道区域的人流量占比,分别得到第一占比值、第二占比值、第三占比值;
其中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,具体为:
将所有危险区域、安全区域、正常通道区域作为子区域;
将第一占比值、第二占比值、第三占比值分别作为危险区域、安全区域、正常通道区域的路径选择概率;
基于蚁群算法,以地图模型作为蚁群移动空间模型,设定K只蚂蚁,以地图模型中的子区域作为移动单位区域;
以预设地图入口作为蚁群初始点,初始化每个移动单位区域的信息素,将K只蚂蚁进行移动模拟;
在所述移动模拟中,蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域;
当K只蚂蚁的移动路径长度大于预设长度时,停止移动,当移动模拟结束后,记录所有蚂蚁移动路径,并得到模拟路线数据;
其中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
从所述模拟路线数据中选取一条模拟路线;
通过地图模型,计算所述一条模拟路线中分别经过危险区域、安全区域、正常通道区域的区域个数与对应路径长度并进一步评估出该路线的危险指数;
分析出所有模拟路线数据中所有模拟路线的危险指数;
其中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
获取实时路径数据中的人物移动路线;
将人物移动路线导入地图模型,截取预设长度的人物移动路线末端线段;
基于所述末端线段通过在二维空间中进行曲率变化分析,基于线性预测方法,预测出预设长度的预测路线;
将人物移动路线与预测路线进行连接形成实时预测路线;
将实时预测路线与模拟路线数据中的所有模拟路线进行重合度计算分析;
将重合度最高的模拟路线标记为相似路线,将相似路线对应的危险指数作为当前危险指数;
基于相似路线与当前危险指数生成人员预警信息。
2.根据权利要求1所述的一种基于物联网的监控数据分析方法,其特征在于,所述获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型,具体为:
获取公共区域中目标场地基础信息,所述基础信息包括场地面积、场地大小、监控点位置、监控点数量信息;
基于所述场地面积、场地大小构建基于三维可视化的地图模型,将监控点位置导入地图模型中。
3.根据权利要求1所述的一种基于物联网的监控数据分析方法,其特征在于,所述基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据,具体为:
基于物联网,从目标场地中获取历史监控视频数据并标记为第一监控视频数据;
将所述第一监控视频数据进行视频关键帧提取,形成视频关键帧;
将所述视频关键帧进行图像增强、降噪、标准化预处理;
将所述视频关键帧导入图像识别模型,结合预设静态物体特征,进行物体识别,得到目标场地物体识别信息;
基于所述物体识别信息,结合地图模型,将目标场地划分为多个区域,并得到区域分类数据;
所述区域分类数据包括危险区域、安全区域、正常通道区域。
4.根据权利要求1所述的一种基于物联网的监控数据分析方法,其特征在于,所述基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据,具体为:
基于物联网,采集目标场地的实时视频数据并标记为第二监控视频数据;
基于所述第二监控视频数据进行关键帧提取,得到实时图像帧;
将所述实时图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息,结合地图模型生成人物移动路线;
分析所有实时图像帧中的人物信息,并将得到的所有人物移动路线整合为实时路径数据。
5.一种基于物联网的监控数据分析系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被所述处理器执行时实现如下步骤:
获取目标场地基础信息,基于目标场地基础信息,构建基于三维的地图模型;
基于物联网,从目标场地中获取第一监控视频数据,根据所述第一监控视频数据进行视频帧提取,静态物体识别分析与区域安全性分析,得到区域分类数据;
根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据;
基于物联网,实时获取目标场地的第二监控视频数据,基于所述第二监控视频数据进行人物识别与移动路径分析,得到实时路径数据;
将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息;
其中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,之前包括:
在一个历史预设时间段内,获取历史监控视频数据;
基于所述历史监控视频数据进行关键帧提取,得到历史图像帧;
对所述历史图像帧进行基于CNN的图像识别分析,识别出图像帧中的人物信息并进行人流量统计与人物移动路径统计,得到历史人流量信息与历史人员路径信息;
根据历史人流量信息与历史人员路径信息,结合地图模型与区域分类数据,统计所有人流量中进入危险区域、安全区域、正常通道区域的人流量占比,分别得到第一占比值、第二占比值、第三占比值;
其中,所述根据区域分类数据,结合地图模型进行基于蚁群算法的路线模拟预测,生成模拟路线数据,具体为:
将所有危险区域、安全区域、正常通道区域作为子区域;
将第一占比值、第二占比值、第三占比值分别作为危险区域、安全区域、正常通道区域的路径选择概率;
基于蚁群算法,以地图模型作为蚁群移动空间模型,设定K只蚂蚁,以地图模型中的子区域作为移动单位区域;
以预设地图入口作为蚁群初始点,初始化每个移动单位区域的信息素,将K只蚂蚁进行移动模拟;
在所述移动模拟中,蚂蚁通过邻近移动单位区域中的信息素与路径选择概率进行加权计算分析,从而确定下一移动区域;
当K只蚂蚁的移动路径长度大于预设长度时,停止移动,当移动模拟结束后,记录所有蚂蚁移动路径,并得到模拟路线数据;
其中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
从所述模拟路线数据中选取一条模拟路线;
通过地图模型,计算所述一条模拟路线中分别经过危险区域、安全区域、正常通道区域的区域个数与对应路径长度并进一步评估出该路线的危险指数;
分析出所有模拟路线数据中所有模拟路线的危险指数;
其中,所述将所述实时路径数据导入地图模型并生成实时预测路线,将所述实时预测路线与模拟路线数据进行路径比较并生成人员预警信息,具体为:
获取实时路径数据中的人物移动路线;
将人物移动路线导入地图模型,截取预设长度的人物移动路线末端线段;
基于所述末端线段通过在二维空间中进行曲率变化分析,基于线性预测方法,预测出预设长度的预测路线;
将人物移动路线与预测路线进行连接形成实时预测路线;
将实时预测路线与模拟路线数据中的所有模拟路线进行重合度计算分析;
将重合度最高的模拟路线标记为相似路线,将相似路线对应的危险指数作为当前危险指数;
基于相似路线与当前危险指数生成人员预警信息。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于物联网的监控数据分析程序,所述基于物联网的监控数据分析程序被处理器执行时,实现如权利要求1至4中任一项所述的基于物联网的监控数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563908.9A CN117274917B (zh) | 2023-11-22 | 2023-11-22 | 一种基于物联网的监控数据分析方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563908.9A CN117274917B (zh) | 2023-11-22 | 2023-11-22 | 一种基于物联网的监控数据分析方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274917A CN117274917A (zh) | 2023-12-22 |
CN117274917B true CN117274917B (zh) | 2024-03-15 |
Family
ID=89218240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311563908.9A Active CN117274917B (zh) | 2023-11-22 | 2023-11-22 | 一种基于物联网的监控数据分析方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274917B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN112464492A (zh) * | 2020-12-11 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路的短期覆冰跳闸概率分析方法及系统 |
CN115268657A (zh) * | 2022-09-27 | 2022-11-01 | 中交第四航务工程勘察设计院有限公司 | 一种基于虚拟现实的工程安全教育方法及系统 |
CN116824312A (zh) * | 2023-08-31 | 2023-09-29 | 北京华邑建设集团有限公司 | 一种基于大数据的施工数据处理方法及系统 |
CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
-
2023
- 2023-11-22 CN CN202311563908.9A patent/CN117274917B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN112464492A (zh) * | 2020-12-11 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路的短期覆冰跳闸概率分析方法及系统 |
CN115268657A (zh) * | 2022-09-27 | 2022-11-01 | 中交第四航务工程勘察设计院有限公司 | 一种基于虚拟现实的工程安全教育方法及系统 |
CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
CN116824312A (zh) * | 2023-08-31 | 2023-09-29 | 北京华邑建设集团有限公司 | 一种基于大数据的施工数据处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
"An improved ant colony optimization algorithm based on context for tourism route planning";Shengbin Liang et al;《PLoS ONE》;20210916;第16卷(第9期);第1-16页 * |
"基于蚁群算法的多路径规划研究";黄志敏等;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20230115(第01期);第I140-607页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274917A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
CN102880692A (zh) | 一种面向检索的监控视频语义描述和检测建模方法 | |
CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
Bernardini et al. | Terrorist acts and pedestrians’ behaviours: first insights on European contexts for evacuation modelling | |
US20240095862A1 (en) | Method for determining dangerousness of person, apparatus, system and storage medium | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN110555381A (zh) | 人员疏导系统及人员疏导方法 | |
CN109615256A (zh) | 智慧园区安防风险控制方法、存储介质、电子设备及系统 | |
CN111914687A (zh) | 一种基于车联网主动识别事故的方法 | |
CN110781844A (zh) | 保安巡察监测方法及装置 | |
CN116824312B (zh) | 一种基于大数据的施工数据处理方法及系统 | |
CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
CN110544312A (zh) | 虚拟场景中的视频显示方法、装置、电子设备与存储装置 | |
CN115567690A (zh) | 一种自动识别现场作业危险点的智慧监控系统 | |
CN115866547A (zh) | 基于信令数据的固定区域游客统计方法、系统和存储介质 | |
CN117274917B (zh) | 一种基于物联网的监控数据分析方法、系统及存储介质 | |
CN115100813A (zh) | 基于数字孪生的智慧社区系统 | |
CN111798605A (zh) | 一种基于人脸识别的门禁或监控或签到或引导系统及其方法 | |
CN111400415B (zh) | 人员的管理方法及相关装置 | |
CN109523776B (zh) | 公共交通运营计划生成装置、方法及系统 | |
CN113609937B (zh) | 一种城市轨道交通的应急处理方法、系统及存储介质 | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN113902987A (zh) | 群体智能的对象检测方法、存储介质和处理器 | |
Fang et al. | Analysis of pedestrian lane change behavior spectrum based on video data at ticket gate facilities in subway stations |
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 |