CN117319609A - 一种物联网大数据智能视频监控系统及方法 - Google Patents
一种物联网大数据智能视频监控系统及方法 Download PDFInfo
- Publication number
- CN117319609A CN117319609A CN202311404997.2A CN202311404997A CN117319609A CN 117319609 A CN117319609 A CN 117319609A CN 202311404997 A CN202311404997 A CN 202311404997A CN 117319609 A CN117319609 A CN 117319609A
- Authority
- CN
- China
- Prior art keywords
- data
- video
- traffic
- module
- internet
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000013500 data storage Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000007906 compression Methods 0.000 claims abstract description 6
- 230000006835 compression Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000013144 data compression Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000036449 good health Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001360 synchronised effect 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
- H04L41/0663—Performing the actions predefined by failover planning, e.g. switching to standby network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
-
- 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
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种物联网大数据智能视频监控系统及方法,属于物联网和大数据技术领域。本发明包括视频采集模块、数据存储模块、数据处理模块、智能分析模块、地理位置系统集成模块。本发明能够通过交通路段上的摄像头捕捉道路上的交通情况,包括车流量、交通事故、交通信号状态等,捕捉到的视频和交通数据将实时传输到交通管理中心,存储到系统中的分布式文件系统和云存储服务中。原始视频数据将通过编解码、压缩、图像增强和特征提取等操作进行处理。智能分析模块用于对视频数据进行智能分析,检测异常事件,识别目标,实时生成警报和通知,生成统计信息和报告。系统在地图上显示监控点位、事件位置和交通情况。
Description
技术领域
本发明涉及物联网和大数据技术领域,具体为一种物联网大数据智能视频监控系统及方法。
背景技术
物联网是一种连接和互联各种物理设备和对象的技术,使其能够互相通信和共享数据。在视频监控领域,物联网技术用于连接和管理监控摄像头、传感器和其他设备,以实现远程监控和数据收集。大数据分析是处理和分析大规模数据集的技术,用于从海量数据中提取有用信息。在视频监控中,大数据分析可以用于识别模式、异常检测、行为分析等。GIS技术用于地理位置数据的获取、分析和可视化,有助于将监控数据与地理位置信息相关联,提供更全面的场景分析。
传统的视频监控系统通常依赖于人工操作,无法进行高级的智能分析,这导致了对大规模监控数据的不足分析和利用。大规模视频数据的存储和管理成本高昂,而且对于长期存储和快速检索存在挑战,传统存储方法缺乏有效的数据管理策略。传统监控系统通常是单独运行的,难以将来自不同监控点位的数据进行关联和综合分析,无法提供更全面的场景分析。
发明内容
本发明的目的在于提供一种物联网大数据智能视频监控系统及方法,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:
一种物联网大数据智能视频监控系统包括视频采集模块、数据存储模块、数据处理模块、智能分析模块、地理位置系统集成模块;
所述视频采集模块负责同时连接和管理g个视频摄像头,所述摄像头分布在城市的不同交通要道和路口中,g是系统管理员设置的正整数,视频采集模块能够实时控制每个摄像头的视频流,管理捕获的视频质量,对摄像头远程控制,实时传输数据;
所述数据存储模块使用分布式文件系统和云存储服务对视频采集模块采集到的视频流进行存储;提供冗余存储和故障恢复机制;采用数据压缩技术,对视频流进行无损压缩;
所述数据处理模块负责实时处理从视频摄像头捕获的数据,进行视频编解码和图像增强;
所述智能分析模块能够监测道路上的交通流量;识别交通拥堵;检测识别交通违规行为;检测交通事故并识别事故现场;将不同监控点位的数据进行关联,进行时序分析;与地理位置系统集成模块进行数据关联,将监控数据关联到地理位置;
所述地理位置系统集成模块与北斗卫星导航集成,包含地理信息数据库,将监控点位在地图上进行可视化展示,支持实时位置跟踪,将地理位置数据与视频关联;配置地理位置事件触发机制,根据智能分析模块的分析结果根据特定地理位置的发生事件采取自动化操作;记录地理位置数据的历史轨迹。
所述视频采集模块支持物联网协议和通信标准的道路摄像头设备,道路摄像头集成物联网通信模块,使其能够与物联网平台通信;摄像头设备连接到物联网平台,通过设备注册、身份验证和配置,设备将与物联网平台建立双向通信,以便发送视频数据和接收控制指令;
视频采集模块利用物联网平台的远程配置和控制功能,对每个摄像头进行参数设置和控制,所述参数包括视频流质量、网络设置、运动检测和触发设置、存储设置、时间和日期设置、安全性和权限控制、远程控制功能、警报设置;摄像头设备通过物联网连接将视频数据传输到云端,数据传输时使用物联网协议MQTT;
视频采集模块能够对摄像头通过物联网平台发起远程控制命令,以触发不同的操作,在进行云台控制时,能够发送方向控制命令或变焦控制命令;摄像头接收到远程控制命令后,解析命令并执行相应的操作;为确保远程通信是加密的,保护数据的安全性,使用TLS安全协议加密通信数据。
所述数据存储模块的冗余存储机制通过在多个存储节点上保存相同的数据副本实现,将数据复制到存储节点和云存储区域中,用于防止数据丢失,即使某个存储节点出现故障,仍然能够从其他节点中获取数据;
数据存储模块的故障恢复机制中,通过心跳检测检测存储节点的状态,一旦检测到存储节点或设备故障,系统自动切换到备用节点或设备;存储模块自动从备份中恢复数据,以弥补故障节点上的数据丢失;数据存储模块在设计时采用容错性架构,所述容错性架构包括冗余硬件RAID、分布式文件系统、存储节点和负载均衡技术。
冗余硬件RAID技术允许数据存储模块在硬件故障的情况下保持正常运行。如果某个硬盘或存储设备发生故障,系统可以继续运行而不会丢失数据。分布式文件系统和存储节点允许数据存储模块将数据分散存储在多个物理位置上,这确保了即使在单个存储节点或数据中心发生故障时,数据仍然可供访问。
分布式文件系统和负载均衡技术允许系统在需要时轻松扩展存储容量和计算能力。这使得系统能够适应数据量的增长,而无需进行昂贵的硬件升级。负载均衡技术可确保数据存储和检索请求均匀分布到不同的存储节点上,从而提高了系统的性能和响应速度。此外,分布式文件系统支持数据一致性模型,确保多个存储节点上的数据保持同步,这有助于避免数据不一致的问题。
这些架构通常具有自动故障检测和恢复机制,能够在发生故障时自动切换到备份设备或存储节点,减少系统停机时间。使用这些架构,系统管理员可以更容易地管理存储资源,执行维护操作,以及监视系统的性能和健康状况。
数据存储模块通过心跳检测检测存储节点状态的具体方式如下:
存储模块在每个存储节点上部署一个心跳生成器,所述心跳生成器的任务是周期性地生成心跳消息,周期设定为m秒,其中m是管理员设置的一个正整数;所述心跳信息包含节点的ID、健康状态、负载情况、时间戳、网络延迟、版本信息、网络地址、重要事件,通过网络传递到存储模块的监控中心;所述监控中心部署了心跳接收器,用于接收和处理来自所有存储节点的心跳消息;
所述心跳接收器每m秒检查每个存储节点发送的心跳消息的到达情况和内容,如果接收到了心跳消息,表示相应的存储节点仍在运行,并且其健康状态良好;如果在m秒内未收到来自某个存储节点的心跳消息,就表示该节点出现了故障或连接问题。
当节点出现了故障或连接问题时,所述心跳接收器将该节点标记为故障节点,采取以下措施处理故障节点:
启动自动故障切换,将流量路由到备用节点;触发警报通知管理员,进行手动干预;尝试重新连接故障节点,以查明故障的原因并尝试恢复。
所述数据处理模块支持执行视频编解码,视频解码时将摄像头获取的视频通过解码器将其解压缩为原始视频流,视频编码时能够选择重新编码视频并再次编码;
数据处理模块使用图像增强技术,调整图像的亮度和对比度,减少图像中的噪点,增强图像的边缘和细节,校正颜色偏差。
视频编解码可以将视频数据进行压缩,从而减少传输和存储所需的带宽和存储空间。这对于长期存储大规模视频数据非常重要,尤其是在物联网大数据智能视频监控系统中。解码和重新编码视频可以将视频流的质量适应当前传输条件。如果带宽有限,可以通过重新编码来降低视频的分辨率或帧率,以确保实时传输的稳定性。
图像增强技术用于改善视频图像的质量,使其更清晰、更易于分析。亮度和对比度的调整可以增强图像的可视性,减少光照变化的影响。去除噪点和校正颜色偏差有助于提高图像的准确性和可读性。清晰的图像和准确的颜色校正有助于物体检测和跟踪算法更好地识别和跟踪目标,如车辆、行人或其他物体。
编码和增强后的视频数据更容易被智能分析模块处理。这有助于提高交通流量统计、行为分析和异常检测的准确性,从而提供更可靠的数据分析结果。重新编码视频流和调整图像参数可以根据不同的应用场景和需求进行定制,系统可以根据当前情况动态调整视频质量,以满足特定的监控需求。
所述智能分析模块使用YOLO算法,步骤如下:
S6-1、准备用于训练和测试的交通数据,所述交通数据包括交通实时视频、地理位置数据、天气数据、交通信号状态;
S6-2、根据交通数据,训练YOLO算法模型;
S6-3、模型经过训练后,将其应用于实时监控视频流;智能分析模块将视频帧传送给YOLO模型,模型将返回每个帧中检测到的车辆的位置和边界框;
S6-4、YOLO模型跟踪每辆车的运动,将车辆的位置信息与前一帧中的位置信息进行比较;如果两帧之间的位置非常接近,那么该车辆将判定为同一辆车;
S6-5、根据每辆车的运动情况,监测交通流量,预测车道拥堵,检测识别交通违规行为,检测交通事故并识别事故现场;
S6-6、将车辆的位置、车辆属性与检测结果进行关联;所述车辆属性包括车牌号、车辆类型、车辆颜色、行车方向、车辆行为;
S6-7、基于YOLO模型的检测结果,智能分析模块生成警报和通知。
YOLO算法是一种实时目标检测算法,能够在几乎实时的速度下进行目标检测,这意味着它可以在快速移动的实时监控视频中迅速识别和跟踪目标。YOLO算法将目标检测任务视为单个端到端的回归问题,不需要多次扫描图像或使用滑动窗口。这种设计使其非常高效,适用于大规模数据集和复杂场景。YOLO算法在物体检测任务中表现出色,能够同时检测多个不同类别的目标,并提供高度准确的边界框和类别标签。YOLO算法具有多尺度检测的能力,能够检测不同尺寸和比例的目标,从小物体到大物体都能有效处理。
根据步骤S6-2,训练YOLO算法模型的步骤如下:
S7-1、对采集到的交通数据进行标注,标记出图像中的车辆的位置和边界框和车辆属性;
S7-2、将数据集对半分为训练集和测试集;
S7-3、给YOLO算法模型设置配置项,所述设置配置项包括采用卷积神经网络结构,定义损失函数,定义学习率,设置批处理大小,使用L2正则化;
S7-4、对图像数据进行预处理,进行图像增强、大小标准化;
S7-5、使用训练集的标注数据,通过迭代训练模型;
S7-6、使用测试集的数据来评估模型的性能;
S7-7、如果模型的性能不满足要求,调整模型的配置项,重新训练;
S7-8、当YOLO算法模型满足性能标准时,将模型部署到系统中。
根据步骤S6-5,所述监测交通流量,统计通过某个区域的车辆数量并记录时间戳,计算交通流量;车辆经过一个区域时,在智能分析模块中触发计数操作;所述区域按照车道划分;
所述预测车道拥堵,通过检测和跟踪道路上各个车道的车辆,根据密度、速度和车辆类型,结合该道路的拥堵历史,使用SVM算法预测车道拥堵;
所述检测识别交通违规行为,需要先准备包含交通违规行为的训练数据集,YOLO算法模型进行训练后分析每个视频帧,检测是否存在交通违规行为;当检测到存在以后,拍摄记录行为并生成警报以便交管部门采取行动;
所述检测交通事故并识别事故现场,需要先准备包含交通事故场景的训练数据集,YOLO算法模型进行训练后对连续帧进行跟踪,以确定是否发生事故,模型识别并分类检测到的交通事故;模型识别到事故后,生成事故发生的地点和事故类型的警报,以便快速采取救援和维护措施。
所述使用SVM算法预测车道拥堵方法如下:
收集n个车道拥堵样本,每个样本由特征向量x表示,x=(x1,x2,...,xn),其中n是特征的数量,还有一个标签向量y=(y1,y2,...,yn),其中yi表示样本i是否属于拥堵类别,所述拥堵类别指的是1表示拥堵,0表示非拥堵;
SVM算法的目标是找到一个超平面,最大化类别之间的间隔,其中超平面的方程表示为:f(x)=w·x+b,其中w是权重向量,x是输入特征向量,b是偏置;
SVM算法的优化目标是最小化如下的损失函数:
其中,C是正则化函数,||w||2是权重向量的L2范数,w*xi+b表示超平面距离样本i的值,如果yi(w*xi+b)的值大于或等于1,表示样本正确分类;否则,损失则为1-yi(w*xi+b);通过求解损失函数,能够找到超平面的参数w和b,然后使用所述超平面进行拥堵预测。
所述智能分析模块识别来自不同监控点位的车辆,将车辆进行关联,通过车辆的唯一标识以及车辆的位置信息实现,所述车辆唯一标识是车牌号;确保来自不同监控点位的数据具有相同的时间戳或能够根据时间戳进行对齐,以此能够在相同时间点比较不同监控点位的数据;接着,将来自不同监控点位的数据使用整合到一个综合的数据集中;
智能分析模块使用时序分析技术分析整合的数据:分析每个时间点不同监控点位的车辆数量;检查车辆速度随时间的变化;通过比较不同监控点位的数据,识别可能发生的交通事故并识别事故现场;检测和分析特定事件的时序变化,以了解事件的影响和持续时间。
地理位置系统集成模块包含地理信息数据库,其中存储了地理位置数据,包括监控点位的经度、纬度、高程等坐标信息。地理信息数据库还可以包括地图数据、地理标志、道路网络信息等。这些数据用于地理位置系统的各项功能。地理位置系统集成模块能够将监控点位在地图上进行可视化展示,使用地图数据,用户可以直观地查看监控点位的位置,了解监控数据的地理分布情况。这有助于快速理解监控场景。该模块支持实时位置跟踪功能。它可以追踪移动目标(如车辆、人员等)的实时位置,并将其位置信息实时反映在地图上。这使得用户可以实时监控目标的位置,以支持实时决策。
地理位置系统集成模块配置了地理位置事件触发机制,根据智能分析模块的分析结果和特定地理位置发生的事件,执行自动化操作。例如,当智能分析模块检测到交通事故发生时,地理位置系统可以触发自动通知交通管理部门或应急响应团队。地理位置系统集成模块可以记录地理位置数据的历史轨迹。这有助于分析和回顾过去的监控数据,了解特定地理区域的监控历史,支持事故调查、犯罪研究等应用。
一种物联网大数据智能视频监控方法,其特征在于:步骤如下:
S10-1、部署道路摄像头,实时采集视频流,并将视频数据传输到系统中的视频采集模块;
S10-2、视频采集模块将采集到的视频数据传输到数据存储模块,数据存储模块采用分布式文件系统和云存储服务存储;
S10-3、对视频数据进行预处理,所述预处理包括视频编解码和图像增强;
S10-4、使用计算机视觉算法YOLO算法检测和跟踪视频中的物体;
S10-5、利用YOLO算法模型对监控数据进行智能分析;
S10-6、将来自不同监控点位的数据进行关联;
S10-7、根据智能分析结果,生成警报和通知;
S10-8、使用物联网技术对监控设备进行远程控制;
S10-9、将监控数据以可视化方式呈现。
与现有技术相比,本发明所达到的有益效果是:
本发明采用物联网、大数据和智能分析技术,使视频监控系统更具智能化,能够自动识别交通流量、拥堵情况、违规行为和交通事故。这减轻了人工操作的负担,提高了监控系统的效率和准确性。
本发明的系统采用了YOLO算法,能够在几乎实时的速度下进行目标检测和数据分析。这增加了监控系统对紧急事件的快速响应能力,有助于交通管理等领域的实时决策。
本发明集成了地理位置系统和智能分析模块,可以将监控数据与地理位置信息关联,实现更全面的场景分析。这有助于更好地理解监控数据,提供更多信息以支持决策制定。
采用分布式文件系统、冗余存储和负载均衡技术,本发明的数据存储模块具有更高的可靠性和可扩展性,能够有效地管理大规模视频数据的存储和检索。
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是本发明一种物联网大数据智能视频监控系统的系统结构图;
图2是本发明一种物联网大数据智能视频监控方法的步骤示意图。
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-图2,本发明提供技术方案:
根据本发明的一个实施例,如图1一种物联网大数据智能视频监控系统的系统结构图所示,系统包括视频采集模块、数据存储模块、数据处理模块、智能分析模块、地理位置系统集成模块;
所述视频采集模块负责同时连接和管理10个视频摄像头,所述摄像头分布在城市的不同交通要道和路口中,视频采集模块能够实时控制每个摄像头的视频流,管理捕获的视频质量,对摄像头远程控制,实时传输数据;
所述数据存储模块使用分布式文件系统和云存储服务对视频采集模块采集到的视频流进行存储;提供冗余存储和故障恢复机制;采用数据压缩技术,对视频流进行无损压缩;
所述数据处理模块负责实时处理从视频摄像头捕获的数据,进行视频编解码和图像增强;
所述智能分析模块能够监测道路上的交通流量;识别交通拥堵;检测识别交通违规行为;检测交通事故并识别事故现场;将不同监控点位的数据进行关联,进行时序分析;与地理位置系统集成模块进行数据关联,将监控数据关联到地理位置;
所述智能分析模块使用YOLO算法,步骤如下:
S6-1、准备用于训练和测试的交通数据,所述交通数据包括交通实时视频、地理位置数据、天气数据、交通信号状态;
S6-2、根据交通数据,训练YOLO算法模型;
S6-3、模型经过训练后,将其应用于实时监控视频流;智能分析模块将视频帧传送给YOLO模型,模型将返回每个帧中检测到的车辆的位置和边界框;
S6-4、YOLO模型跟踪每辆车的运动,将车辆的位置信息与前一帧中的位置信息进行比较;如果两帧之间的位置非常接近,那么该车辆将判定为同一辆车;
S6-5、根据每辆车的运动情况,监测交通流量,预测车道拥堵,检测识别交通违规行为,检测交通事故并识别事故现场;
S6-6、将车辆的位置、车辆属性与检测结果进行关联;所述车辆属性包括车牌号、车辆类型、车辆颜色、行车方向、车辆行为;
S6-7、基于YOLO模型的检测结果,智能分析模块生成警报和通知。
YOLO算法是一种实时目标检测算法,能够在几乎实时的速度下进行目标检测,这意味着它可以在快速移动的实时监控视频中迅速识别和跟踪目标。YOLO算法将目标检测任务视为单个端到端的回归问题,不需要多次扫描图像或使用滑动窗口。这种设计使其非常高效,适用于大规模数据集和复杂场景。YOLO算法在物体检测任务中表现出色,能够同时检测多个不同类别的目标,并提供高度准确的边界框和类别标签。YOLO算法具有多尺度检测的能力,能够检测不同尺寸和比例的目标,从小物体到大物体都能有效处理。
根据步骤S6-2,训练YOLO算法模型的步骤如下:
S7-1、对采集到的交通数据进行标注,标记出图像中的车辆的位置和边界框和车辆属性;
S7-2、将数据集对半分为训练集和测试集;
S7-3、给YOLO算法模型设置配置项,所述设置配置项包括采用卷积神经网络结构,定义损失函数,定义学习率,设置批处理大小,使用L2正则化;
S7-4、对图像数据进行预处理,进行图像增强、大小标准化;
S7-5、使用训练集的标注数据,通过迭代训练模型;
S7-6、使用测试集的数据来评估模型的性能;
S7-7、如果模型的性能不满足要求,调整模型的配置项,重新训练;
S7-8、当YOLO算法模型满足性能标准时,将模型部署到系统中。
根据步骤S6-5,所述监测交通流量,统计通过某个区域的车辆数量并记录时间戳,计算交通流量;车辆经过一个区域时,在智能分析模块中触发计数操作;所述区域按照车道划分;
所述预测车道拥堵,通过检测和跟踪道路上各个车道的车辆,根据密度、速度和车辆类型,结合该道路的拥堵历史,使用SVM算法预测车道拥堵;
所述检测识别交通违规行为,需要先准备包含交通违规行为的训练数据集,YOLO算法模型进行训练后分析每个视频帧,检测是否存在交通违规行为;当检测到存在以后,拍摄记录行为并生成警报以便交管部门采取行动;
所述检测交通事故并识别事故现场,需要先准备包含交通事故场景的训练数据集,YOLO算法模型进行训练后对连续帧进行跟踪,以确定是否发生事故,模型识别并分类检测到的交通事故;模型识别到事故后,生成事故发生的地点和事故类型的警报,以便快速采取救援和维护措施。
所述使用SVM算法预测车道拥堵方法如下:
收集n个车道拥堵样本,每个样本由特征向量x表示,x=(x1,x2,...,xn),其中n是特征的数量,还有一个标签向量y=(y1,y2,...,yn),其中yi表示样本i是否属于拥堵类别,所述拥堵类别指的是1表示拥堵,0表示非拥堵;
SVM算法的目标是找到一个超平面,最大化类别之间的间隔,其中超平面的方程表示为:f(x)=w·x+b,其中w是权重向量,x是输入特征向量,b是偏置;
SVM算法的优化目标是最小化如下的损失函数:
其中,C是正则化函数,||w||2是权重向量的L2范数,w*xi+b表示超平面距离样本i的值,如果yi(w*xi+b)的值大于或等于1,表示样本正确分类;否则,损失则为1-yi(w*xi+b);通过求解损失函数,能够找到超平面的参数w和b,然后使用所述超平面进行拥堵预测。
所述地理位置系统集成模块与北斗卫星导航集成,包含地理信息数据库,将监控点位在地图上进行可视化展示,支持实时位置跟踪,将地理位置数据与视频关联;配置地理位置事件触发机制,根据智能分析模块的分析结果根据特定地理位置的发生事件采取自动化操作;记录地理位置数据的历史轨迹。
视频采集模块负责从多个摄像头捕获实时视频流,它将采集到的视频数据传输到数据处理模块。数据处理模块接收来自视频采集模块的视频数据,并进行视频编解码、图像增强、特征提取等操作,以准备数据进行智能分析。处理后的数据传递给智能分析模块。数据存储模块用于长期存储采集到的视频流和相关数据。它通过分布式文件系统和云存储服务进行数据存储,并采用冗余存储和故障恢复机制,以确保数据的可靠性和安全性。智能分析模块也可以从数据存储模块检索历史数据进行分析。智能分析模块接收来自数据处理模块的数据,并进行实时分析。它能够监测交通流量、识别拥堵、检测违规行为、识别交通事故等。智能分析模块还可以将分析结果关联到地理位置系统集成模块,以实现空间感知和地理分析。
地理位置系统集成模块与北斗卫星导航集成,用于处理地理位置信息。它可以将监控点位在地图上可视化展示,支持实时位置跟踪,将地理位置数据与视频关联,并配置事件触发机制。智能分析模块可以根据特定地理位置的事件触发地理位置系统集成模块执行自动化操作。
根据本发明的另一个实施例,如图2一种物联网大数据智能视频监控方法的步骤示意图所示,步骤如下:
S10-1、部署道路摄像头,实时采集视频流,并将视频数据传输到系统中的视频采集模块;
S10-2、视频采集模块将采集到的视频数据传输到数据存储模块,数据存储模块采用分布式文件系统和云存储服务存储;
S10-3、对视频数据进行预处理,所述预处理包括视频编解码和图像增强;
S10-4、使用计算机视觉算法YOLO算法检测和跟踪视频中的物体;
S10-5、利用YOLO算法模型对监控数据进行智能分析;
S10-6、将来自不同监控点位的数据进行关联;
S10-7、根据智能分析结果,生成警报和通知;
S10-8、使用物联网技术对监控设备进行远程控制;
S10-9、将监控数据以可视化方式呈现。
根据步骤S10-1,对摄像头进行部署:地点:市区主要交叉路口;摄像头数量:10个;摄像头类型:高清摄像头;摄像头角度:各个摄像头涵盖一个特定的道路区域。
进行视频采集:采集频率:每个摄像头以每秒30帧的速度采集视频;视频分辨率:1920x1080像素;视频编码:H.264编码。
进行数据传输:传输方式:使用高速互联网连接;传输协议:采用TCP/IP协议;带宽:每个摄像头传输速率约为10Mbps。
摄像头的视频流实时传输到视频采集模块,视频流传输延迟低于500毫秒,数据传输的稳定性高,确保不会发生丢包或中断。
根据步骤S10-2,数据传输:数据传输方式:使用高速互联网连接;传输协议:采用TCP/IP协议;带宽:系统的带宽约为100Mbps。
数据存储:存储介质:使用分布式文件系统和云存储服务;分布式文件系统:使用Hadoop HDFS;云存储服务:采用AWS S3;存储容量:系统总共有10TB的存储容量,用于长期存储视频流和相关数据;冗余存储:采用RAID 6技术,确保数据的冗余备份和容错性。
数据安全性和备份:数据加密:视频数据在传输和存储过程中采用AES 256位加密,确保数据的机密性和完整性;访问控制:只有授权用户可以访问存储的数据,采用身份验证和访问权限管理;备份策略:每日自动备份数据到远程数据中心,以应对数据丢失和灾难恢复。
数据压缩:数据压缩技术:使用无损压缩算法GZIP,对视频流进行压缩以减小存储空间占用;压缩比例:视频数据压缩比例通常在20%至40%之间,以节省存储成本。
根据步骤S10-3,视频编解码:视频编解码器:使用H.264编码器;解码速度:每秒可解码60帧的高清视频;编码速度:每秒可编码60帧的高清视频。
图像增强:亮度和对比度调整:对视频图像进行亮度和对比度的调整,增强图像的视觉效果。噪点减少:采用降噪算法,减少视频图像中的噪点。边缘增强:应用边缘增强滤镜,以增强图像的轮廓和细节。颜色校正:校正视频图像中的颜色偏差,确保准确的颜色表示。
视频分辨率:原始视频分辨率:1920x1080像素,预处理后的分辨率:分辨率保持不变。
根据步骤S10-4,YOLO模型选择:使用YOLOv3作为检测和跟踪模型;物体检测性能:
检测精度:YOLOv3能够在视频中以高精度识别多种物体,包括车辆、行人、自行车等。目标检测速度:每秒处理30帧的视频,以确保实时性。
物体跟踪:YOLOv3具备目标跟踪能力,能够在视频帧之间追踪物体的位置和运动。
支持物体类别:YOLOv3支持多种物体类别的识别和跟踪,包括但不限于车辆、行人、自行车、摩托车等。
检测精度:YOLOv3的平均物体检测精度达到95%以上,具备高度可靠性。
根据步骤S10-5,执行了4个智能分析任务:
任务1:监测交通流量,任务2:识别交通拥堵,任务3:检测识别交通违规行为,任务4:检测交通事故并识别事故现场。
检测结果如下:任务1:平均车辆计数:每分钟约200辆,流量热图:显示道路上不同时间段的车流情况。
任务2:拥堵检测:检测拥堵情况,生成拥堵警报。
任务3:违规行为检测:识别超速、闯红灯等交通违规行为,违规车辆计数:每小时约10辆。
任务4:事故检测:检测交通事故发生,事故位置标记:在地图上标记事故位置。
报警和通知:任务1:当车流量异常高时,生成警报;任务2:检测到拥堵时,生成拥堵警报;任务3:发现交通违规行为时,生成相应的警报;任务4:检测到交通事故并标记事故位置,生成事故警报。
系统以每秒30帧的速度分析视频数据,智能分析结果几乎实时可用。
根据步骤S10-6,将来自不同监控点位的智能分析结果进行数据关联,所述智能分析结果包括车辆计数、拥堵检测、违规行为检测、事故检测等。使用系统内部的数据关联算法,将各监控点位的数据关联起来,确保各监控点位的数据按时间顺序进行关联。
关联结果:数据关联成功率高于95%,生成综合的交通管理数据,包括整体交通流量、拥堵状况、违规行为统计和事故分析。
接着,对关联后的数据进行时序分析,以便进行历史数据查询和趋势分析,生成时序图表,显示交通数据的时间演变趋势。
根据步骤S10-7,报警和通知包括:警报1:交通流量异常高,表示可能存在交通问题;警报2:检测到交通拥堵,需要采取措施疏导交通;警报3:识别到交通违规行为,需要警示和执法;警报4:检测到交通事故,需要紧急救援。
通过短信、电子邮件和手机应用向相关交通管理人员发送警报通知。将警报信息在监控中心的大屏幕上实时显示,以便监控操作员注意。
接着对可自动化执行的警报执行自动化操作:警报2:系统自动发送信号调整交通灯时间,以减少拥堵;警报3:通知交警部门,派遣执法人员前往现场处理;警报4:自动发出紧急救援请求,并通知相关医疗和应急服务部门。
通知接收者包含以下角色:交通管理部门:接收所有类型的警报和通知,以便及时采取措施;交警部门:主要接收交通违规行为和交通事故的通知;医疗和应急服务:接收交通事故的紧急救援请求。
最后,系统会记录警报和通知的历史,以供查询和分析。
根据步骤S10-8,远程控制功能如下:摄像头旋转:可远程控制摄像头的方向和视角,以覆盖不同区域;镜头调焦:远程调整摄像头的焦距,以获取清晰图像;视频质量调整:调整视频质量参数,以适应不同场景;视频流开关:远程启用或禁用视频流传输。
操作员可以使用专用遥控器进行远程控制,也可以通过Web界面登录,远程操作监控设备。操作员需要使用用户名和密码进行身份验证,确保只有授权人员可以进行远程控制,远程控制数据传输采用加密技术,确保数据安全。
控制操作几乎实时生效,延迟不超过1秒
根据步骤S10-9,系统提供Web界面,用于查看和分析监控数据,监控中心配备大屏幕显示,用于实时显示监控数据。
其中,可视化数据类型包括:实时监控:显示当前各监控点位的实时视频流;图表和图形:生成交通流量、拥堵情况、违规行为和事故统计的图表和图形;地图显示:在地图上显示监控点位和相关事件的位置。监控视频以每秒30帧的速度实时显示,图表和地图上的数据每隔3秒自动更新。
用户可以查询历史交通数据,查看过去事件和趋势。
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 (10)
1.一种物联网大数据智能视频监控系统,其特征在于:包括视频采集模块、数据存储模块、数据处理模块、智能分析模块、地理位置系统集成模块;
所述视频采集模块负责同时连接和管理g个视频摄像头,所述摄像头分布在城市的不同交通要道和路口中,g是系统管理员设置的正整数,视频采集模块能够实时控制每个摄像头的视频流,管理捕获的视频质量,对摄像头远程控制,实时传输数据;
所述数据存储模块使用分布式文件系统和云存储服务对视频采集模块采集到的视频流进行存储;提供冗余存储和故障恢复机制;采用数据压缩技术,对视频流进行无损压缩;
所述数据处理模块负责实时处理从视频摄像头捕获的数据,进行视频编解码和图像增强;
所述智能分析模块能够监测道路上的交通流量;识别交通拥堵;检测识别交通违规行为;检测交通事故并识别事故现场;将不同监控点位的数据进行关联,进行时序分析;与地理位置系统集成模块进行数据关联,将监控数据关联到地理位置;
所述地理位置系统集成模块与北斗卫星导航集成,包含地理信息数据库,将监控点位在地图上进行可视化展示,支持实时位置跟踪,将地理位置数据与视频关联;所述地理位置数据包括监控点位经纬度坐标和地图数据;配置地理位置事件触发机制,根据智能分析模块的分析结果根据特定地理位置的发生事件采取自动化操作;记录地理位置数据的历史轨迹。
2.根据权利要求1所述的一种物联网大数据智能视频监控系统,其特征在于:所述视频采集模块支持物联网协议和通信标准的道路摄像头设备,道路摄像头集成物联网通信模块,使其能够与物联网平台通信;摄像头设备连接到物联网平台,通过设备注册、身份验证和配置,设备将与物联网平台建立双向通信,以便发送视频数据和接收控制指令;
视频采集模块利用物联网平台的远程配置和控制功能,对每个摄像头进行参数设置和控制,所述参数包括视频流质量、网络设置、运动检测和触发设置、存储设置、时间和日期设置、安全性和权限控制、远程控制功能、警报设置;摄像头设备通过物联网连接将视频数据传输到云端,数据传输时使用物联网协议MQTT;
视频采集模块能够对摄像头通过物联网平台发起远程控制命令,以触发不同的操作,在进行云台控制时,能够发送方向控制命令或变焦控制命令;摄像头接收到远程控制命令后,解析命令并执行相应的操作;为确保远程通信是加密的,保护数据的安全性,使用TLS安全协议加密通信数据。
3.根据权利要求1所述的一种物联网大数据智能视频监控系统,其特征在于:所述数据存储模块的冗余存储机制通过在多个存储节点上保存相同的数据副本实现,将数据复制到存储节点和云存储区域中,用于防止数据丢失,即使某个存储节点出现故障,仍然能够从其他节点中获取数据;
数据存储模块的故障恢复机制中,通过心跳检测检测存储节点的状态,一旦检测到存储节点或设备故障,系统自动切换到备用节点或设备;存储模块自动从备份中恢复数据,以弥补故障节点上的数据丢失;数据存储模块在设计时采用容错性架构,所述容错性架构包括冗余硬件RAID、分布式文件系统、存储节点和负载均衡技术。
4.根据权利要求3所述的一种物联网大数据智能视频监控系统,其特征在于:数据存储模块通过心跳检测检测存储节点状态的具体方式如下:
存储模块在每个存储节点上部署一个心跳生成器,所述心跳生成器的任务是周期性地生成心跳消息,周期设定为m秒,其中m是管理员设置的一个正整数;所述心跳信息包含节点的ID、健康状态、负载情况、时间戳、网络延迟、版本信息、网络地址、重要事件,通过网络传递到存储模块的监控中心;所述监控中心部署了心跳接收器,用于接收和处理来自所有存储节点的心跳消息;
所述心跳接收器每m秒检查每个存储节点发送的心跳消息的到达情况和内容,如果接收到了心跳消息,表示相应的存储节点仍在运行,并且其健康状态良好;如果在m秒内未收到来自某个存储节点的心跳消息,就表示该节点出现了故障或连接问题。
5.根据权利要求1所述的一种物联网大数据智能视频监控系统,其特征在于:所述数据处理模块支持执行视频编解码,视频解码时将摄像头获取的视频通过解码器将其解压缩为原始视频流,视频编码时能够选择重新编码视频并再次编码;
数据处理模块使用图像增强技术,调整图像的亮度和对比度,减少图像中的噪点,增强图像的边缘和细节,校正颜色偏差。
6.根据权利要求1所述的一种物联网大数据智能视频监控系统,其特征在于:所述智能分析模块使用YOLO算法,步骤如下:
S6-1、准备用于训练和测试的交通数据,所述交通数据包括交通实时视频、地理位置数据、天气数据、交通信号状态;
S6-2、根据交通数据,训练YOLO算法模型;
S6-3、模型经过训练后,将其应用于实时监控视频流;智能分析模块将视频帧传送给YOLO模型,模型将返回每个帧中检测到的车辆的位置和边界框;
S6-4、YOLO模型跟踪每辆车的运动,将车辆的位置信息与前一帧中的位置信息进行比较;如果两帧之间的位置非常接近,那么该车辆将判定为同一辆车;
S6-5、根据每辆车的运动情况,监测交通流量,预测车道拥堵,检测识别交通违规行为,检测交通事故并识别事故现场;
S6-6、将车辆的位置、车辆属性与检测结果进行关联;所述车辆属性包括车牌号、车辆类型、车辆颜色、行车方向、车辆行为;
S6-7、基于YOLO模型的检测结果,智能分析模块生成警报和通知。
7.根据权利要求6所述的一种物联网大数据智能视频监控系统,其特征在于:根据步骤S6-2,训练YOLO算法模型的步骤如下:
S7-1、对采集到的交通数据进行标注,标记出图像中的车辆的位置和边界框和车辆属性;
S7-2、将数据集对半分为训练集和测试集;
S7-3、给YOLO算法模型设置配置项,所述设置配置项包括采用卷积神经网络结构,定义损失函数,定义学习率,设置批处理大小,使用L2正则化;
S7-4、对图像数据进行预处理,进行图像增强、大小标准化;
S7-5、使用训练集的标注数据,通过迭代训练模型;
S7-6、使用测试集的数据来评估模型的性能;
S7-7、如果模型的性能不满足要求,调整模型的配置项,重新训练;
S7-8、当YOLO算法模型满足性能标准时,将模型部署到系统中。
8.根据权利要求6所述的一种物联网大数据智能视频监控系统,其特征在于:根据步骤S6-5,所述监测交通流量,统计通过某个区域的车辆数量并记录时间戳,计算交通流量;车辆经过一个区域时,在智能分析模块中触发计数操作;所述区域按照车道划分;
所述预测车道拥堵,通过检测和跟踪道路上各个车道的车辆,根据密度、速度和车辆类型,结合该道路的拥堵历史,使用SVM算法预测车道拥堵;
所述检测识别交通违规行为,需要先准备包含交通违规行为的训练数据集,YOLO算法模型进行训练后分析每个视频帧,检测是否存在交通违规行为;当检测到存在以后,拍摄记录行为并生成警报;
所述检测交通事故并识别事故现场,需要先准备包含交通事故场景的训练数据集,YOLO算法模型进行训练后对连续帧进行跟踪,以确定是否发生事故,模型识别并分类检测到的交通事故;模型识别到事故后,生成事故发生的地点和事故类型的警报。
9.根据权利要求8所述的一种物联网大数据智能视频监控系统,其特征在于:所述使用SVM算法预测车道拥堵方法如下:
收集n个车道拥堵样本,每个样本由特征向量x表示,x=(x1,x2,...,xn),其中n是特征的数量,还有一个标签向量y=(y1,y2,...,yn),其中yi表示样本i是否属于拥堵类别,所述拥堵类别指的是1表示拥堵,0表示非拥堵;
SVM算法的目标是找到一个超平面,最大化类别之间的间隔,其中超平面的方程表示为:f(x)=w·x+b,其中w是权重向量,x是输入特征向量,b是偏置;
SVM算法的优化目标是最小化如下的损失函数:
其中,C是正则化函数,||w||2是权重向量的L2范数,w*xi+b表示超平面距离样本i的值,如果yi(w*xi+b)的值大于或等于1,表示样本正确分类;否则,损失则为1-yi(w*xi+b);通过求解损失函数,能够找到超平面的参数w和b,然后使用所述超平面进行拥堵预测。
10.一种物联网大数据智能视频监控方法,其特征在于:步骤如下:
S10-1、部署道路摄像头,实时采集视频流,并将视频数据传输到系统中的视频采集模块;
S10-2、视频采集模块将采集到的视频数据传输到数据存储模块,数据存储模块采用分布式文件系统和云存储服务存储;
S10-3、对视频数据进行预处理,所述预处理包括视频编解码和图像增强;
S10-4、使用计算机视觉算法YOLO算法检测和跟踪视频中的物体;
S10-5、利用YOLO算法模型对监控数据进行智能分析;
S10-6、将来自不同监控点位的数据进行关联;
S10-7、根据智能分析结果,生成警报和通知;
S10-8、使用物联网技术对监控设备进行远程控制;
S10-9、将监控数据以可视化方式呈现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404997.2A CN117319609A (zh) | 2023-10-27 | 2023-10-27 | 一种物联网大数据智能视频监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404997.2A CN117319609A (zh) | 2023-10-27 | 2023-10-27 | 一种物联网大数据智能视频监控系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117319609A true CN117319609A (zh) | 2023-12-29 |
Family
ID=89281161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404997.2A Pending CN117319609A (zh) | 2023-10-27 | 2023-10-27 | 一种物联网大数据智能视频监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319609A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710832A (zh) * | 2024-01-04 | 2024-03-15 | 广州智寻科技有限公司 | 一种电网卫星、无人机、视频监控图像智能识别方法 |
CN117787671A (zh) * | 2024-02-28 | 2024-03-29 | 陕西跃途警用装备制造有限公司 | 一种基于视频监控和智能巡逻的警用一体化系统 |
CN117912255A (zh) * | 2024-03-19 | 2024-04-19 | 河北鹏鹄信息科技有限公司 | 一种实时智能驱动全域数据采集公路监控系统和监控方法 |
CN117912255B (zh) * | 2024-03-19 | 2024-05-10 | 河北鹏鹄信息科技有限公司 | 一种实时智能驱动全域数据采集公路监控系统和监控方法 |
-
2023
- 2023-10-27 CN CN202311404997.2A patent/CN117319609A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710832A (zh) * | 2024-01-04 | 2024-03-15 | 广州智寻科技有限公司 | 一种电网卫星、无人机、视频监控图像智能识别方法 |
CN117787671A (zh) * | 2024-02-28 | 2024-03-29 | 陕西跃途警用装备制造有限公司 | 一种基于视频监控和智能巡逻的警用一体化系统 |
CN117787671B (zh) * | 2024-02-28 | 2024-05-17 | 陕西跃途警用装备制造有限公司 | 一种基于视频监控和智能巡逻的警用一体化系统 |
CN117912255A (zh) * | 2024-03-19 | 2024-04-19 | 河北鹏鹄信息科技有限公司 | 一种实时智能驱动全域数据采集公路监控系统和监控方法 |
CN117912255B (zh) * | 2024-03-19 | 2024-05-10 | 河北鹏鹄信息科技有限公司 | 一种实时智能驱动全域数据采集公路监控系统和监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9704393B2 (en) | Integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs | |
CN111582016A (zh) | 基于云边协同深度学习的智能免维护电网监控方法及系统 | |
CA2824330C (en) | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs | |
US10438071B2 (en) | Distributed system for mining, correlating, and analyzing locally obtained traffic data including video | |
CN111629181B (zh) | 消防生命通道监控系统及方法 | |
KR102039277B1 (ko) | 보행자 얼굴 인식 시스템 및 그 방법 | |
CN109460744B (zh) | 一种基于深度学习的视频监控系统 | |
CN117319609A (zh) | 一种物联网大数据智能视频监控系统及方法 | |
CN107454364A (zh) | 一种视频监控领域的分布式实时图像采集与处理系统 | |
CN116165981A (zh) | 一种工业行业安全生产智能监控系统 | |
CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
CN115248880A (zh) | 一种智慧城市安防监控系统 | |
CN115457446A (zh) | 一种基于视频分析的异常行为监管系统 | |
CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
CN112804188B (zh) | 一种可伸缩视觉计算系统 | |
CN214338041U (zh) | 一种基于5g物联网的智能城市监控系统 | |
CN114170272A (zh) | 一种云端环境下基于感知传感器的事故报告、储存方法 | |
CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
KR20130047131A (ko) | 이동형 단말기를 이용한 영상감시 방법 및 시스템 | |
TWI706381B (zh) | 影像物件偵測方法及系統 | |
CN105704459A (zh) | 应急指挥中控系统 | |
CN111382697B (zh) | 影像数据处理方法及第一电子设备 | |
Lee et al. | A Sound Source-based Intelligent Context Awareness System using CNN | |
CN117746630A (zh) | 一种基于大数据的行业安全生产监督管理系统 | |
Kapoor et al. | Real-Time Casualty Detection System Using CCTV Surveillance: A Deep Learning Approach |
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 |