CN117376535A - 智慧校园安防管控方法及系统 - Google Patents
智慧校园安防管控方法及系统 Download PDFInfo
- Publication number
- CN117376535A CN117376535A CN202311680827.7A CN202311680827A CN117376535A CN 117376535 A CN117376535 A CN 117376535A CN 202311680827 A CN202311680827 A CN 202311680827A CN 117376535 A CN117376535 A CN 117376535A
- Authority
- CN
- China
- Prior art keywords
- security
- module
- security modules
- modules
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 156
- 238000012216 screening Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 239000000779 smoke Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了智慧校园安防管控方法及系统，涉及安防技术领域，所述方法包括：获取校园安防监控系统中的多个安防模块；根据所述视频监控模组获取目标校园的实时监控图像集；对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，将所述实时监控图像集传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。进而达成组件协同工作、报警置信度高的技术效果。
Description
技术领域
本发明涉及安防技术领域，特别涉及智慧校园安防管控方法及系统。
技术背景
现代校园安防系统通常使用各种传感器，如摄像头、门禁系统、烟雾探测器、入侵检测器等，以实时监测校园内的情况。存在难以有效集成组件以实现协同工作、易产生误报或虚假警报的技术问题。
发明内容
本申请的目的在于提供智慧校园安防管控方法及系统。用以解决现有技术中难以有效集成组件以实现协同工作、易产生误报或虚假警报的技术问题。
鉴于以上技术问题，本申请提供了智慧校园安防管控方法及系统。
第一方面，本申请提供了智慧校园安防管控方法，其中，所述方法包括：
获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
第二方面，本申请还提供了智慧校园安防管控系统，其中，所述系统包括：
分析模块，所述分析模块用于获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；图像获取模块，所述图像获取模块用于根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；特征匹配模块，所述特征匹配模块用于对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；安防匹配模块，所述安防匹配模块用于从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；分析预警模块，所述分析预警模块用于将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获取校园安防监控系统中的多个安防模块；根据视频监控模组获取目标校园的实时监控图像集，视频监控模组与多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；对实时监控图像集与多个安防模块之间进行特征识别，获取多个有效特征匹配度；从多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取N个安防模块对应的N个通道，其中，N为大于等于1的正整数；将实时监控图像集通过N个通道传输至N个安防模块中，由N个安防模块对实时监控图像集进行分析，获取N个风险指标，根据N个风险指标进行预警管控。进而达成组件协同工作、报警置信度高的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请智慧校园安防管控方法的流程示意图；
图2为本申请智慧校园安防管控方法中对所述实时监控图像集与所述多个安防模块之间进行特征识别的流程示意图；
图3为本申请智慧校园安防管控系统的结构示意图。
附图标记说明：分析模块11、图像获取模块12、特征匹配模块13、安防匹配模块14、分析预警模块15。
具体实施方式
本申请通过提供智慧校园安防管控方法和系统，解决了现有技术面临的难以有效集成组件以实现协同工作、易产生误报或虚假警报的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
获取校园安防监控系统中的多个安防模块；根据视频监控模组获取目标校园的实时监控图像集；对实时监控图像集与多个安防模块之间进行特征识别，获取多个有效特征匹配度；从多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取N个安防模块对应的N个通道；将实时监控图像集通过N个通道传输至N个安防模块中，由N个安防模块对实时监控图像集进行分析，获取N个风险指标，根据N个风险指标进行预警管控。进而达成组件协同工作、报警置信度高的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了智慧校园安防管控方法，所述方法包括：
S100：获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；
可选的，校园安防监控系统是指用于对校内进行实时监测、以应对校园内存在的各类潜在的安全风险的综合性监测分析系统。通过校园安防监控系统，对校内各维度的信息进行实时、形象、真切的反映，并代替人工于各种环境下进行长时间常态化的监控。
可选的，校园安防监控系统包括多个安防模块：视频监控模块包括摄像头网络，可以监视校园内的各个区域。视频监控模块通常与录像和实时监控功能相结合，用于检测异常活动和记录事件；门禁模块用于管理校园内的出入口，包括学生、教职员工和访客的进出。包括门禁卡、生物识别技术和远程门禁控制等功能；入侵检测模块，用于检测校园内的潜在入侵。包括传感器、警报系统和安全围栏等。烟雾和火警报警模块，用于检测火警和烟雾。与报警系统结合使用，以及时采取措施以确保安全疏散。紧急通信模块，用于发送紧急通知和警报，以及与紧急服务部门的联系。智能分析模块：使用人工智能和数据分析技术，可以自动检测异常行为，例如未经授权的入侵、人员聚集等。
可选的，视频监控模组由多个监控设备组成。其中，按在视频监控模组中的功能分包括：图像传感器设备、数据传输设备、数据处理设备、数据存储和管理设备等。
可选的，视频监控模组包括多个图像传感器，多个图像传感器根据对应的安防模块不同分为多组。多个图像传感器包括各种类型的摄像头，如固定摄像头、云台摄像头、红外摄像头等。视频监控模组中由多个不同类型的监控设备组成多个视频监控模组，对应不同的安防模块，进而实现了使视频监控模组得以适应各个安防模块的图像采集需求。
S200：根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；
可选的，视频监控模组根据目标校园环境特征进行实时监控图像采集，示例性的，对于弱光环境下的目标校园，选取视频监控模组中的红外摄像头作为实时监控图像的采集设备。
可选的，视频监控模组通过多个通道进行与多个安防模块的图像传输，其中，视频监控模组与多个安防模块之间的通信通常使用标准化的通信协议，包括RTSP（实时流传输协议）、ONVIF（开放网络视频接口论坛）等。视频监控模组通过网络从监控设备获取实时监控图像。实时监控图像可以同时从多个摄像头获取，并传输到监控服务器上进行处理和存储。建立用于进行图像传输的多个通道，需要对每个通道进行配置，包括确定通信协议、IP地址、端口号、认证信息等。确保视频监控模块可以与各个安防模块成功通信。
可选的，用于进行图像传输的多个通道采用加密和身份验证等安全措施。用于确保监控数据包含的敏感信息的安全性。校园安防管理人员可以通过网络远程访问视频监控模组，以查看实时视频、检索历史记录和配置监控设备。
S300：对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；
进行实时监控图像集与多个安防模块之间的特征识别，获取多个有效特征匹配度。是指对实时监控图像集中多个实时监控图像进行特征识别，并与安防模块的识别特征进行匹配，获取图像特征与模块识别特征之间的匹配关系。用于确定实时监控图像集中多个图像与安防模块的对应关系，进而将实时监控图像集中多个图像传输至合适的安防模块进行安防管控。
进一步的，如图2所示，对所述实时监控图像集与所述多个安防模块之间进行特征识别，步骤S300还包括：
通过对所述实时监控图像集进行预筛选，获取筛选监控图像集；
获取所述多个安防模块的安防检测目标，根据所述安防检测目标设置所述多个安防模块对应的识别特征；
根据所述多个安防模块对应的识别特征对所述筛选监控图像集进行特征识别，获取多个有效特征匹配度，其中，所述多个有效特征匹配度与所述多个安防模块一一对应。
可选的，对实时监控图像集进行预筛选，用于选取当前安全需求感兴趣的事件类型对应的监控图像。示例性的，设置筛选条件以检测图像是否包含运动对象、识别特定的人员或车辆，检测特定颜色的对象等。应用筛选条件来对实时监控图像进行筛选操作。符合条件的图像将被保留，而不符合条件的图像将被丢弃。进而减少了对不相关数据的处理和存储需求，提高了系统的效率和响应速度，更快速地识别和应对潜在的问题。
可选的，多个安防模块的安防检测目标，基于对多个安防模块的监测目的的分析获取，多个安防模块的监测目的包括各种安全时间或潜在的情况，如入侵、火警、人员聚集、车辆监测等。根据目标校园的安防管控需求，得以列出每个模块需要检测的目标。
具体的，对于每个安防检测目标，选择适当的识别特征，设置为多个安防模块对应的识别特征。其中，识别特征是用于检测和识别目标的关键属性或参数。示例性的，对于人员聚集监测，识别特征可以包括人员数量、密度和移动方向等。对于火警检测，识别特征可以包括烟雾密度、温度升高等。
可选的，基于目标校园的安防管控需求的变化或预设的安防检测目标更新周期，根据安防检测目标的变化，基于上述同样的方法原理，对多个安防模块对应的识别特征设置进行识别特征更新，对安防模块进行定期维护，进而确保安防管控的持续高效运行。
此外，根据多个安防模块对应的识别特征对筛选监控图像集进行特征识别，获取多个有效特征匹配度，用于确定筛选监控图像集中多个图像所适配的安防模块，换而言之，即确定需要将筛选监控图像集中多个图像需要传输至何种安防模块进行下一步的分析处理。将提取的特征与事先定义的安防模块识别特征进行匹配。使用的匹配算法包括模式匹配、特征点匹配、机器学习分类等，具体的特征匹配方法根据需匹配的特征类型确定。
可选的，筛选监控图像集中单个图像包括多个有效特征匹配度。有效特征匹配度指示了特征在监控图像中的匹配程度，以百分比或分数表示。有效特征匹配度越高，表示该模块越可能在图像中检测到与其识别特征相关的目标或事件。通过对多个有效特征匹配度进行分析，以确定哪些筛选监控图像对应何种安防模块，进而更好地响应和处理安全事件。
S400：从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；
可选的，预设有效特征匹配度为一筛选阈值，用于筛选安防模块。匹配度大于等于该阈值的模块将被选择，作为适用于当前情况的N个安防模块。
可选的，预设有效特征匹配度由专业人员通过基于包括准（正）确率accuracy、精确率precision、召回率recall等阈值性能指标的实验确定。通过获取样本监控图像集，选取预设有效特征匹配度，实验进行安防模块的筛选，计算阈值性能指标，判断是否满足目标校园对于阈值性能指标的需求。进而获得预设有效特征匹配度。
S500：将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
其中，N个安防模块对应目标校园中的N个安防风险类型。N个风险指标反映了每个模块所检测到的安全风险的程度。可选的，指标可以是分数、等级、状态等。通过综合N个安防模块的风险指标，实现对校园的整体安全状况进行分析，提高了校园的安全性、提升了安防管控的鲁棒性与响应能力。
进一步的，由所述N个安防模块对所述实时监控图像集进行分析，步骤S500之前还包括：
获取所述多个安防模块对应的识别特征，其中，所述识别特征包括目标几何特征、目标尺度特征以及目标边缘特征；
根据所述目标几何特征、所述目标尺度特征以及所述目标边缘特征，获取尺度变换参数；
基于所述尺度变换参数和尺度变换模型对所述筛选监控图像集进行尺度变换，输出尺度变换结果，其中，所述尺度变换模型用于进行自上而下的金字塔特征尺度变换；
将所述尺度变换结果通过所述N个通道传输至所述N个安防模块。
其中，目标几何特征描述了目标的形状和空间几何属性。可选的，目标几何特征包括：目标的位置（目标在监控图像中的位置坐标，用于确定目标的位置和运动轨迹）；目标的面积（目标所占的图像区域的面积，有助于确定目标的大小）；目标的形状（目标的轮廓或外形，用于区分不同形状的目标，如圆形、矩形、椭圆等）；目标的方向（目标的朝向或旋转角度，有助于判断目标的朝向）；目标的高宽比（目标的高度与宽度之比，用于识别不同的目标类型）等。
此外，目标尺度特征描述了目标的尺寸和尺度属性。可选的，目标尺度特征包括：目标的实际尺寸、目标的相对尺寸（目标相对于其他物体或背景的大小，用于检测物体的运动及距离变化）等。
此外，目标边缘特征描述了目标边缘轮廓的属性，用于目标分割和轮廓检测。可选的，边缘特征包括：轮廓曲率、边缘锐度、轮廓的方向性特征。
可选的，尺度变换参数包括尺度因子、旋转角度和平移向量。尺度变换参数用于将筛选监控图像从原始图像尺度变换到目标图像尺度。
可选的，尺度变换参数包括多组，多组尺度变换参数对应尺度变换模型中多个图像尺度层级（金字塔特征尺度变换中多个金字塔层）。每个层级的筛选监控图像通过对应组别的尺度变换参数进行处理，以获得目标的不同尺度视图。通过金字塔特征尺度变换方法在自上而下的多个尺度层级上处理图像，实现在不同尺度下检测和识别目标，提高了对于不同尺度的目标的检测性能。
进一步的，由所述N个安防模块对所述实时监控图像集进行分析，步骤S500之前还包括：
以所述目标几何特征、所述目标尺度特征以及所述目标边缘特征为训练数据建立相似度识别网络，根据所述相似度识别网络获取相似度指标；
根据所述相似度指标进行聚类，获取相似度聚类结果，其中，所述相似度聚类结果中每个聚类结果对应有至少一个安防模块；
连接尺度变换模型，并根据所述相似度聚类结果，设置每个聚类结果对应的尺度变换参数；
利用所述尺度变换模型以所述尺度变换参数进行尺度变换，输出所述尺度变换结果。
可选的，相似度识别网络是一种基于深度学习技术建立的图像特征相似度分析网络。相似度识别网络将样本图像和样本图像特征作为输入，输出相似度得分，表示输入目标之间的相似度。其中，样本图像具有多样的尺度特征。通过建立相似度识别网络，评估样本图像间的相似性，并根据相似度指标进行聚类，进而根据多个聚类结果获取多个安防模块的适配尺度范围和尺度变换参数。
可选的，相似度识别网络基于卷积神经网络CNN或孪生网络Siamese Network建立。相似度聚类结果通过K mean聚类算法获取。
进一步的，根据所述N个风险指标进行预警管控，步骤S500还包括：
通过对所述多个安防模块之间每两个安防模块进行分析，得到模块协同指数，其中，所述模块协同指数为标识两个安防模块之间进行协同预警效果的指数；
根据所述模块协同指数对所述N个安防模块进行标识，获取标识结果；
根据所述标识结果对所述N个风险指标进行融合，得到第一融合风险指标，以所述第一融合风险指标生成第一预警等级，以所述第一预警等级进行预警管控。
模块协同指数用于评估不同安防模块之间的协同预警效果，以确定安防模块间是否在安全监控中合作良好。可选的，对每两个安防模块进行分析，首先，选择要评估的模块对，包括对所有的模块遍历组合，选取特定的两个安防模块。然后，确定用于衡量两个模块之间协同效果的度量指标，包括重叠率（Overlap）、一致性度量（Consistency Metric）、F1分数（F1 Score）等。而后，基于上述协同效果的度量指标，计算两个模块之间的模块协同指数。
可选的，根据模块协同指数对所述N个安防模块进行标识，将协同指数与协同指数阈值进行比较，以确定协同是否良好。可选的，协同指数阈值基于统计确定。
可选的，对N个风险指标进行基于标识结果融合，通过信息融合方法进行。其中，信息融合方法包括：信息层融合、特征层融合和决策层融合。示例性的，采取特征层融合方法进行融合计算得到第一融合风险指标。特征层融合是融合层次的中间层，该层首先对预处理的原始信息进行特征提取，然后对特征提取的信息进行综合分析和处理，得到最终的输出判断结果。特征层信息是经过预处理的信息，信息量相对较小，进而保障了信息处理的实时性，同时该层处理的是充分表征原始信息的主要特征量，最大程度的保证了原始信息的完整性，确保了得到第一融合风险指标的置信度。
根据所述N个风险指标进行预警管控，步骤S500还包括：
对所述模块协同指数进行判断，获取第一模块组，其中，所述第一模块组为模块协同指数最大的模块组，每个模块组中包括两个安防模块；
当所述N个安防模块中不包括所述第一模块组，获取第一补偿指令，根据所述第一补偿指令对所述N个安防模块进行模块补偿。
具体的，第一模块组中的两个安防模块为多个安防模块中协同效果最佳的一组安防模块。可选的，第一模块组的确定通过对多个模块协同指数进行序列化处理并选取序列中最大值实现。
可选的，若筛选监控图像集适配的N个安防模块中，则基于第一补偿指令对N个安防模块进行模块补偿，包括重新配置模块的参数、更新模块的软件、调整模块的监控范围或区域等。通过生成和执行第一补偿指令，提高不包括第一模块组N个安防模块的协同工作能力，从而安防管控的整体安全性和效率，提高校园安防管控的鲁棒性和适应性。
进一步的，根据所述第一补偿指令对所述N个安防模块进行模块补偿，还包括：
当获取所述第一补偿指令后，获取第二融合风险指标，所述第二融合风险指标的表达式有：
；
其中，为融合风险指标，/>为基于安防模块/>形成的/>矩阵，/>，为基于/>两个模块之间的模块协同指数，/>为基于/>个安防模块对应的融合风险指标，/>为/>个安防模块对应融合指标的权重系数，/>为基于第一模块组/>对应的风险指标，/>为所属第一模块组内并与/>协同的安防模块，为基于补偿模块对应的权重系数。
综上所述，本发明所提供的智慧校园安防管控方法具有如下技术效果：
通过获取校园安防监控系统中的多个安防模块；根据视频监控模组获取目标校园的实时监控图像集，视频监控模组与多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；对实时监控图像集与多个安防模块之间进行特征识别，获取多个有效特征匹配度；从多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取N个安防模块对应的N个通道，其中，N为大于等于1的正整数；将实时监控图像集通过N个通道传输至N个安防模块中，由N个安防模块对实时监控图像集进行分析，获取N个风险指标，根据N个风险指标进行预警管控。进而达成组件协同工作、报警置信度高的技术效果。
实施例二
基于与所述实施例中智慧校园安防管控方法同样的构思，如图3所示，本申请还提供了智慧校园安防管控系统，所述系统包括：
分析模块11，用于获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；
图像获取模块12，用于根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；
特征匹配模块13，用于对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；
安防匹配模块14，用于从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；
分析预警模块15，用于将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
进一步的，特征匹配模块13还包括：
图像处理单元，用于通过对所述实时监控图像集进行预筛选，获取筛选监控图像集；
识别特征获取单元，用于获取所述多个安防模块的安防检测目标，根据所述安防检测目标设置所述多个安防模块对应的识别特征；
特征识别匹配单元，用于根据所述多个安防模块对应的识别特征对所述筛选监控图像集进行特征识别，获取多个有效特征匹配度，其中，所述多个有效特征匹配度与所述多个安防模块一一对应。
进一步的，分析预警模块15还包括尺度变换单元，用于：
获取所述多个安防模块对应的识别特征，其中，所述识别特征包括目标几何特征、目标尺度特征以及目标边缘特征；
根据所述目标几何特征、所述目标尺度特征以及所述目标边缘特征，获取尺度变换参数；
基于所述尺度变换参数和尺度变换模型对所述筛选监控图像集进行尺度变换，输出尺度变换结果，其中，所述尺度变换模型用于进行自上而下的金字塔特征尺度变换；
将所述尺度变换结果通过所述N个通道传输至所述N个安防模块。
进一步的，尺度变换单元还包括变换参数设置单元，用于：
以所述目标几何特征、所述目标尺度特征以及所述目标边缘特征为训练数据建立相似度识别网络，根据所述相似度识别网络获取相似度指标；
根据所述相似度指标进行聚类，获取相似度聚类结果，其中，所述相似度聚类结果中每个聚类结果对应有至少一个安防模块；
连接尺度变换模型，并根据所述相似度聚类结果，设置每个聚类结果对应的尺度变换参数；
利用所述尺度变换模型以所述尺度变换参数进行尺度变换，输出所述尺度变换结果。
进一步的，分析预警模块15还包括：
协同分析单元，用于通过对所述多个安防模块之间每两个安防模块进行分析，得到模块协同指数，其中，所述模块协同指数为标识两个安防模块之间进行协同预警效果的指数；
融合标记单元，用于根据所述模块协同指数对所述N个安防模块进行标识，获取标识结果；
指标融合单元，用于根据所述标识结果对所述N个风险指标进行融合，得到第一融合风险指标，以所述第一融合风险指标生成第一预警等级，以所述第一预警等级进行预警管控。
进一步的，分析预警模块15还包括：
第一模块组获取单元，用于对所述模块协同指数进行判断，获取第一模块组，其中，所述第一模块组为模块协同指数最大的模块组，每个模块组中包括两个安防模块；
模块补偿单元，用于当所述N个安防模块中不包括所述第一模块组，获取第一补偿指令，根据所述第一补偿指令对所述N个安防模块进行模块补偿。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的智慧校园安防管控系统，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (8)
1.智慧校园安防管控方法，其特征在于，所述方法包括：
获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；
根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；
对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；
从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；
将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
2.如权利要求1所述的智慧校园安防管控方法，其特征在于，对所述实时监控图像集与所述多个安防模块之间进行特征识别，方法还包括：
通过对所述实时监控图像集进行预筛选，获取筛选监控图像集；
获取所述多个安防模块的安防检测目标，根据所述安防检测目标设置所述多个安防模块对应的识别特征；
根据所述多个安防模块对应的识别特征对所述筛选监控图像集进行特征识别，获取多个有效特征匹配度，其中，所述多个有效特征匹配度与所述多个安防模块一一对应。
3.如权利要求2所述的智慧校园安防管控方法，其特征在于，所述方法还包括：
获取所述多个安防模块对应的识别特征，其中，所述识别特征包括目标几何特征、目标尺度特征以及目标边缘特征；
根据所述目标几何特征、所述目标尺度特征以及所述目标边缘特征，获取尺度变换参数；
基于所述尺度变换参数和尺度变换模型对所述筛选监控图像集进行尺度变换，输出尺度变换结果，其中，所述尺度变换模型用于进行自上而下的金字塔特征尺度变换；
将所述尺度变换结果通过所述N个通道传输至所述N个安防模块。
4.如权利要求3所述的智慧校园安防管控方法，其特征在于，所述方法还包括：
以所述目标几何特征、所述目标尺度特征以及所述目标边缘特征为训练数据建立相似度识别网络，根据所述相似度识别网络获取相似度指标；
根据所述相似度指标进行聚类，获取相似度聚类结果，其中，所述相似度聚类结果中每个聚类结果对应有至少一个安防模块；
连接尺度变换模型，并根据所述相似度聚类结果，设置每个聚类结果对应的尺度变换参数；
利用所述尺度变换模型以所述尺度变换参数进行尺度变换，输出所述尺度变换结果。
5.如权利要求1所述的智慧校园安防管控方法，其特征在于，根据所述N个风险指标进行预警管控，方法还包括：
通过对所述多个安防模块之间每两个安防模块进行分析，得到模块协同指数，其中，所述模块协同指数为标识两个安防模块之间进行协同预警效果的指数；
根据所述模块协同指数对所述N个安防模块进行标识，获取标识结果；
根据所述标识结果对所述N个风险指标进行融合，得到第一融合风险指标，以所述第一融合风险指标生成第一预警等级，以所述第一预警等级进行预警管控。
6.如权利要求5所述的智慧校园安防管控方法，其特征在于，根据所述N个风险指标进行预警管控，方法还包括：
对所述模块协同指数进行判断，获取第一模块组，其中，所述第一模块组为模块协同指数最大的模块组，每个模块组中包括两个安防模块；
当所述N个安防模块中不包括所述第一模块组，获取第一补偿指令，根据所述第一补偿指令对所述N个安防模块进行模块补偿。
7.如权利要求6所述的智慧校园安防管控方法，其特征在于，当获取所述第一补偿指令后，获取第二融合风险指标，所述第二融合风险指标的表达式有：
；
其中，为融合风险指标，/>为基于安防模块/>形成的/>矩阵，/>，/>为基于/>两个模块之间的模块协同指数，/>为基于/>个安防模块对应的融合风险指标，/>为/>个安防模块对应融合指标的权重系数，/>为基于第一模块组/>对应的风险指标，/>为所属第一模块组内并与/>协同的安防模块，/>为基于补偿模块对应的权重系数。
8.智慧校园安防管控系统，其特征在于，所述系统包括：
分析模块，所述分析模块用于获取校园安防监控系统中的多个安防模块，其中，所述校园安防监控系统与视频监控模组通信连接，所述视频监控模组中集成有多个监控设备；
图像获取模块，所述图像获取模块用于根据所述视频监控模组获取目标校园的实时监控图像集，所述视频监控模组与所述多个安防模块中各个安防模块对应建立有用于进行图像传输的多个通道；
特征匹配模块，所述特征匹配模块用于对所述实时监控图像集与所述多个安防模块之间进行特征识别，获取多个有效特征匹配度；
安防匹配模块，所述安防匹配模块用于从所述多个有效特征匹配度中筛选大于等于预设有效特征匹配度的N个安防模块，并获取所述N个安防模块对应的N个通道，其中，N为大于等于1的正整数；
分析预警模块，所述分析预警模块用于将所述实时监控图像集通过所述N个通道传输至所述N个安防模块中，由所述N个安防模块对所述实时监控图像集进行分析，获取N个风险指标，根据所述N个风险指标进行预警管控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680827.7A CN117376535B (zh) | 2023-12-08 | 2023-12-08 | 智慧校园安防管控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680827.7A CN117376535B (zh) | 2023-12-08 | 2023-12-08 | 智慧校园安防管控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117376535A true CN117376535A (zh) | 2024-01-09 |
| CN117376535B CN117376535B (zh) | 2024-03-08 |
Family
ID=89396989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311680827.7A Active CN117376535B (zh) | 2023-12-08 | 2023-12-08 | 智慧校园安防管控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117376535B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
| CN106096640A (zh) * | 2016-05-31 | 2016-11-09 | 合肥工业大学 | 一种多模式系统的特征降维方法 |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| US20200193207A1 (en) * | 2017-05-17 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and device for identifying object |
| CN112929611A (zh) * | 2021-02-07 | 2021-06-08 | 重庆惠统智慧科技有限公司 | 校园智能安全防控系统 |
| WO2023000949A1 (zh) * | 2021-07-19 | 2023-01-26 | 清华大学 | 视频监控火灾的检测方法及装置 |
| CN115830906A (zh) * | 2022-08-25 | 2023-03-21 | 广州汽车集团股份有限公司 | 安全预警方法、装置、车辆及存储介质 |
-
2023
- 2023-12-08 CN CN202311680827.7A patent/CN117376535B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
| CN106096640A (zh) * | 2016-05-31 | 2016-11-09 | 合肥工业大学 | 一种多模式系统的特征降维方法 |
| US20200193207A1 (en) * | 2017-05-17 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and device for identifying object |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN112929611A (zh) * | 2021-02-07 | 2021-06-08 | 重庆惠统智慧科技有限公司 | 校园智能安全防控系统 |
| WO2023000949A1 (zh) * | 2021-07-19 | 2023-01-26 | 清华大学 | 视频监控火灾的检测方法及装置 |
| CN115830906A (zh) * | 2022-08-25 | 2023-03-21 | 广州汽车集团股份有限公司 | 安全预警方法、装置、车辆及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张欣悦: ""基于姿态识别的校园异常行为检测 "", 《中国优秀硕士学位论文全文数据库（社会科学Ⅱ辑）》 * |
| 董博: ""基于无线通信技术的校园安全监控方法"", 《长江信息通信》, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117376535B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108319926A (zh) | 一种工地现场的安全帽佩戴检测系统及检测方法 | |
| CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
| CN112132090A (zh) | 一种基于yolov3的烟火自动检测预警方法 | |
| US20210343136A1 (en) | Event entity monitoring network and method | |
| US11615620B2 (en) | Systems and methods of enforcing distancing rules | |
| CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
| KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
| KR101988356B1 (ko) | 공사현장의 3차원 디지털화 및 가상 건설영상 분석을 통한 인공지능 스마트 현장관리 시스템 | |
| CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
| CN111464793B (zh) | 一种基于人工智能对实验装置进行监控预警的方法和系统 | |
| CN112163572A (zh) | 识别对象的方法和装置 | |
| CN107330414A (zh) | 暴力行为监控方法 | |
| CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
| CN114665608B (zh) | 用于变电站的智能感知巡检系统及方法 | |
| KR20180118979A (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
| CN116563797B (zh) | 一种用于智慧校园的监控管理系统 | |
| CN116664359A (zh) | 一种基于多传感融合的智能火情预警决策系统及方法 | |
| CN113723184A (zh) | 基于智能网关的场景识别系统、方法、装置和智能网关 | |
| CN114913663A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
| EP3910539A1 (en) | Systems and methods of identifying persons-of-interest | |
| CN114005235A (zh) | 一种安防监控方法、系统、介质及电子终端 | |
| CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理系统及方法 | |
| CN116546438B (zh) | 一种基于蓝牙mesh网络的楼宇监测系统 | |
| CN117376535B (zh) | 智慧校园安防管控方法及系统 |
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 |