CN118283548A - 一种基于5g的智慧城市智能安防系统及方法 - Google Patents
一种基于5g的智慧城市智能安防系统及方法 Download PDFInfo
- Publication number
- CN118283548A CN118283548A CN202410686084.2A CN202410686084A CN118283548A CN 118283548 A CN118283548 A CN 118283548A CN 202410686084 A CN202410686084 A CN 202410686084A CN 118283548 A CN118283548 A CN 118283548A
- Authority
- CN
- China
- Prior art keywords
- video
- security
- data
- video data
- network
- 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 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 230000008447 perception Effects 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 53
- 238000012544 monitoring process Methods 0.000 claims description 46
- 238000013439 planning Methods 0.000 claims description 38
- 238000007726 management method Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 24
- 230000033001 locomotion Effects 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提出一种基于5G的智慧城市智能安防系统及方法，包括：获取目标城市相关数据以构建城市数字孪生模型；根据数字孪生模型，在目标区域配置通过5G网络互联的视频采集终端和物联网安防设备；利用视频采集终端实时采集视频数据流，边缘节点预处理后添加数字签名并基于深度学习模型识别异常状态；边缘节点将签名视频和异常检测结果通过5G网络发送安防中心平台，平台通过区块链记录并融合其他报警信息进行风险事件分析预警；平台利用5G网络构建全市智能感知安防数据库，实现实时更新管理和多级权限控制。通过本发明方案，提升了智能安防系统的智能化、实时性、可靠性、隐私保护和决策支持能力，可显著增强城市的安全感知和快速响应能力。
Description
技术领域
本发明涉及智慧城市技术领域，具体涉及一种基于5G的智慧城市智能安防系统及方法。
背景技术
智慧城市是指利用信息技术、物联网以及其他先进技术手段，以提升城市管理水平，提高城市运行效率和可持续发展水平为目标的现代城市发展模式。它通过综合利用大数据分析、云计算、物联网、人工智能等技术，实现城市各个领域的数字化、智能化与互联，从而提供更便捷、高效、安全、环境友好和可持续的城市生活环境。
智慧城市安防管理致力于通过集成和应用新一代信息通信技术，例如物联网、人工智能、大数据分析等，来优化城市运行和进行安全管理，提升城市安全管理的智能水平，从而改善民众生活质量及城市可持续发展能力。但现有的安防系统存在着智能化不能满足城市安防需求、实时性不足、可靠性不高等问题。
发明内容
本发明正是基于上述问题，提出了一种基于5G的智慧城市智能安防系统及方法，通过本发明方案，提升了智能安防系统的智能化、实时性、可靠性、隐私保护和决策支持能力，可显著增强城市的安全感知和快速响应能力。
有鉴于此，本发明的一方面提出了一种基于5G的智慧城市智能安防系统，包括：云服务器、边缘计算节点和安防中心平台；其中，
所述云服务器被配置为：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
所述边缘计算节点被配置为：
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
将所述第二视频数据流和所述异常检测结果通过5G网络发送到所述安防中心平台；
所述安防中心平台被配置为：
通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
本发明的另一方面提供一种基于5G的智慧城市智能安防方法，包括：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
利用边缘计算节点对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
所述边缘计算节点将所述第二视频数据流和所述异常检测结果通过5G网络发送到安防中心平台；
所述安防中心平台通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
所述安防中心平台利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
可选地，所述根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络的步骤，包括：
获取所述目标城市的历史城市运行数据；
基于所述城市数字孪生模型和所述历史城市运行数据，模拟分析所述目标城市的环境特征和安防需求；
根据所述环境特征和所述安防需求，规划所述视频采集终端和所述其他物联网安防设备的种类、数量和部署位置，得到安防设备部署方案；
根据所述安防设备部署方案，规划5G基站的布局和数量，得到5G设施部署方案；
根据所述5G设施部署方案建设5G基站和所述边缘计算节点以构建5G网络；
根据所述安防设备部署方案，在规划位置安装各类所述视频采集终端和所述其他物联网安防设备；
将所述视频采集终端和所述其他物联网安防设备通过5G网络与所述边缘计算节点、云服务器和安防中心平台连接。
可选地，所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流的步骤，包括：
根据所述第一视频数据流识别出所述第一视频数据流的第一属性信息，并根据所述第一属性信息选择对应的数字签名算法；
使用所述数字签名算法在所述边缘计算节点上生成一对非对称密钥，所述非对称密钥包括私钥和公钥，私钥保存在所述边缘计算节点；
对所述第一视频数据流进行哈希运算，得到一个固定长度且能唯一反映视频内容的数字摘要；
使用所述私钥，对所述数字摘要进行数字签名加密，生成数字签名；
将所述数字签名融合到所述第一视频数据流，组成新的第二视频数据流。
可选地，所述视频监测分析模型的生成方法包括：
获取真实城市场景下的历史视频数据；
根据预设规则确定所述历史视频数据中的重点元素，对所述重点元素进行标注和构建标签，得到第一视频样本数据；
对所述第一视频样本数据进行预处理得到第二视频样本数据；
利用从所述第二视频样本数据中提取的人脸数据训练第一神经网络，构建人脸检测模型；
利用从所述第二视频样本数据提取的人脸关键点数据训练第二神经网络，构建关键点提取模型；
用从所述第二视频样本数据中提取的人物行为数据训练第三神经网络，构建行为识别模型；
利用从所述第二视频样本数据中提取的城市运行状态数据训练第四神经网络，构建异常状态识别模型；
将所述人脸检测模型、所述关键点提取模型、所述行为识别模型和所述异常状态识别模型融合成所述视频监测分析模型。
可选地，所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果的步骤，包括：
所述边缘计算节点对所述第二视频数据流进行实时推理，输出每一视频帧的视频帧识别结果；
利用所述视频监测分析模型识别所述视频帧识别结果中的人脸，获取人脸区域位置和关键点坐标；
根据所述人脸区域位置和所述关键点坐标建立相邻帧之间的人脸跟踪关联，形成人脸运动轨迹；
对检测到的人脸、人脸对应的人物行为及人脸周围环境中的城市实体状态，进行行为模式分类识别和实体异常状态识别，得到第一行为识别结果和第一实体异常状态识别结果；
基于姿态、动作判断所述第一行为识别结果对应的第一行为是否属于事先定义的异常行为类别；
当所述第一行为属于所述异常行为类别时，结合所述人脸运动轨迹的时空上下文信息进行行为语义补全和纠正；
结合所述第一实体异常状态识别结果，分析所述第一行为发生的具体时间、位置、持续时长、城市实体异常状态；
将同一轨迹的一系列异常行为和城市实体异常状态整合为完整的异常事件；
输出所述异常事件的开始时间、结束时间、地点、行为类型以及城市实体异常状态构成作为异常检测结果。
可选地，所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析的步骤，包括：
对所述异常检测结果和所述报警信息进行规范化处理，统一数据格式和语义，得到标准化的异常检测结果和报警信息；
基于时间和地理空间坐标，将标准化的异常检测结果和报警信息中属于同一个第一事件的第一异常检测结果和第一报警信息进行相关联；
根据历史异常事件数据和历史报警数据构建风险事件画像；
根据所述风险事件画像，对关联后的所述第一异常检测结果和所述第一报警信息进行综合分析，识别所述第一事件是否构成风险事件；
当所述第一事件构成风险事件时，确定所述第一事件的风险级别，输出事件类型、风险级别和置信度信息；
将所述第一事件与所述城市数字孪生模型关联；
重构还原所述第一事件在所述目标城市的现实场景中的具体情景；
根据所述具体情景的严重程度触发预警，生成预警信息和建议策略。
可选地，还包括所述安防中心平台利用所述目标城市的历史视频数据构建实时动态三维安防电子地图以实现场景模拟与复杂情况下的事先预警的步骤，具体是：
从所述城市数字孪生模型中导出静态三维地图；
提取所述历史视频数据的光流特征，计算运动向量拼接轨迹；
根据所述拼接轨迹重建视频里事件中的人物和城市实体的动态三维坐标；
将所述动态三维坐标与所述静态三维地图融合形成动态三维安防电子地图；
以所述动态三维安防电子地图为基础，针对不同事件类型定义场景参数、影响范围与动态影响因素；
借助人工智能技术，根据所述场景参数、所述影响范围、所述动态影响因素、所述历史异常事件数据和所述历史报警数据训练出场景预测模型；
根据所述第二视频数据流、所述其他物联网安防设备采集的当前监测数据和所述场景预测模型得到场景预测数据；
基于所述场景预测数据给出预警建议以便提前防范复杂事件。
可选地，还包括所述安防中心平台设计基于安全计算的隐私保护框架以实现视频数据在安全区域的隐私加密传输的步骤，具体包括：
利用所述动态三维安防电子地图识别隐私区域；
对在所述隐私区域内录制的第一视频进行人脸识别和隐蔽处理，变换人脸特征，并添加随机杂像，得到第二视频；
利用基于深度学习的非对称加密算法对所述第二视频进行同态加密；
在安全计算环境下，利用高度同态加密进行视频处理和分析，得到视频处理和分析结果；
共享所述视频处理和分析结果；
对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度。
可选地，所述对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度的步骤，包括：
将用户分为安防管理类用户、执行类用户和社区类用户，并采用电子证书及双重验证码识别用户类别；
为所述安防管理类用户、所述执行类用户和所述社区类用户分配不同级别的查看权限；
将所述视频处理和分析结果细分为行人特征、人流量信息、事件分类这几种结果数据类型；
所述管理类用户可查看所有信息，执行类用户只能查看事件分类结果，社区类用户只看人流量趋势；
根据当前用户的查看权限级别，展示被授权结果数据类型。
采用本发明的技术方案，基于5G的智慧城市智能安防方法包括：获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；利用边缘计算节点对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；所述边缘计算节点将所述第二视频数据流和所述异常检测结果通过5G网络发送到安防中心平台；所述安防中心平台通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；所述安防中心平台利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。通过本发明方案，提升了智能安防系统的智能化、实时性、可靠性、隐私保护和决策支持能力，可显著增强城市的安全感知和快速响应能力。
附图说明
图1是本发明一个实施例提供的基于5G的智慧城市智能安防系统的示意框图；
图2是本发明一个实施例提供的基于5G的智慧城市智能安防方法流程图。
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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于5G的智慧城市智能安防系统及方法。
如图1所示，本发明一个实施例提供一种基于5G的智慧城市智能安防系统，包括：云服务器、边缘计算节点和安防中心平台；其中，
所述云服务器被配置为：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
所述边缘计算节点被配置为：
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
将所述第二视频数据流和所述异常检测结果通过5G网络发送到所述安防中心平台；
所述安防中心平台被配置为：
通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
应当知道的是，图1所示的基于5G的智慧城市智能安防系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
请参见图2，本发明的另一实施例提供一种基于5G的智慧城市智能安防方法，包括：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
在本步骤中，可以从城市规划部门（或相应的数据服务器）获取目标城市的总体规划、分区规划等CAD/GIS数据、BIM（建筑信息模型）数据；通过无人机航测、车载激光雷达等技术，对目标城市进行三维实景扫描建模，并融合卫星测绘等其他遥感数据，构建高保真、精细化的三维场景模型；在目标城市的区域内部署专业拍摄设备（高端相机、云台等）或者利用无人机、车载摄像等移动采集手段，获取多维度实景图像数据和视频数据；还可以整合目标城市区域内已有的监控系统资源，将现有视频数据纳入数据采集范围。通过上述步骤，能够获得针对目标区域的多源异构数据，为构建高度贴近真实场景的数字孪生模型奠定基础。利用这些数据，可以真实还原目标城市的物理环境，可支持虚拟化模拟测试和规划部署，丰富多维的视频图像数据支撑人工智能分析和智能安防，提高系统覆盖范围和精确性。这些数据将作为后续部署智能化安防体系的重要数据来源和环境依托，是整个系统可靠、高效运行的前提和基础。
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
在本步骤中，将所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据各类异构数据按统一的坐标系统、时间维度等进行标准化预处理；基于空间数据库等技术，将不同来源的数据进行关联融合；利用计算机图形学技术，将点云、网格等原始数据重构为高精度三维模型，根据规划数据和BIM数据，构建地形、建筑、市政设施等三维场景元素模型；基于计算机视觉和模式识别技术，对三维模型进行语义化理解和标注，将图像视频等非结构化数据与三维模型元素进行关联映射；将多时相的图像视频等动态数据，与三维模型中的空间位置进行时空关联，构建动态数字孪生模型，支持时间维度的数据更新和模拟；持续更新采集新的实景数据，离线进行模型重构，支持实时数据接入，实现模型在线更新和动态模拟。通过上述步骤构建的数字孪生模型，高度贴近真实的三维虚拟化场景表达，支持时空数据关联，动态模拟真实环境变化；集成多源异构数据，实现协同应用；为智能安防系统规划、测试、运维等提供虚拟环境支撑和可视化辅助决策分析。数字孪生模型是支撑智能安防系统顺利部署运行的基础，在系统规划、测试、分析等环节发挥重要作用。
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
在本步骤中，根据预先规划，在目标区域的重点位置安装固定视频采集终端（针对特殊场景，部署移动视频采集终端（无人机、车载等））；视频采集终端通过5G网络在采集了视频数据后，实时将高清视频数据流传输至边缘计算节点；基于流媒体传输协议，确保视频数据流传输的实时性和可靠性；边缘计算节点接收并缓存来自各个采集点的视频数据流，根据预设规则和策略，对视频数据进行动态调度和负载均衡，提供视频内容管理、查询和分发能力；通过带宽自适应等技术，动态调整视频码率和分辨率；处理视频时延、丢帧等质量问题，确保视频传输的连续性和流畅度；建立视频质量反馈机制，对视频质量进行检测和持续优化。可以实现目标区域内视频数据的实时全量采集，不遗漏任何时空细节；利用5G网络的高带宽、低时延特性，确保高清视频的流畅传输；在边缘端汇聚、管理和调度海量视频数据流，分层减轻核心云端压力；建立视频质量管理与优化机制，提高视频分析应用的可靠性；移动视频采集终端实现视频覆盖的灵活性和动态扩展。通过高效稳定地采集分布在目标区域内的大规模视频数据流，为后续的智能视频分析处理、异常行为识别等奠定了数据基础。
利用边缘计算节点对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
在本步骤中，边缘计算节点接收到来自视频采集终端的视频数据流后，首先需要对其进行解码，将其转换为原始的像素数据；将解码后的视频流按照设定的帧率提取出连续的视频帧，以备后续处理；对提取的视频帧进行一系列图像预处理（如噪声去除、边缘增强、对比度调整等）以提高图像质量和处理效果；通过预先标定好的内参和外参数，对图像进行几何校正，去除镜头畸变，获得较为精确的图像几何信息；将校正后的图像坐标系统与实际三维世界坐标系统进行对应，建立像素点位置与真实世界坐标的映射关系；利用目标检测和多目标跟踪算法，从视频帧中提取感兴趣的目标，获取目标在图像上的像素坐标位置；将检测到的目标像素坐标，结合坐标变换关系，输出目标在实际三维空间中的坐标信息。本步骤中，利用边缘侧的算力资源，高效完成视频前处理环节，减轻云端压力；获得准确的像素-实际坐标映射关系，支持视频内容的三维位置感知；结合目标检测跟踪，提取目标在三维空间中的运动轨迹坐标；为后续AI视频内容分析打下坐标基础，提高分析的精确性；在边缘端完成预处理，降低对核心云端的带宽及计算需求。通过边缘端预处理，系统能高效获得视频内容的准确三维位置信息，为AI视频分析算法提供更丰富的输入，提高异常行为识别等功能的精度和可靠性。
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
所述边缘计算节点将所述第二视频数据流和所述异常检测结果通过5G网络发送到安防中心平台；
在本步骤中，将所述第二视频数据流转化为二进制数据后与结构化的异常检测结果数据打包在一起，采用高效的编码格式，实现对数据的压缩和多路复用；使用安全加密算法（如AES等）对打包数据进行加密，防止视频数据和异常检测结果在传输过程中被窃取或篡改；利用5G网络的高带宽、低时延、大连接等优势，通过优化的传输协议（如QUIC等），实现边缘到中心的高效、可靠数据传输；根据网络拥塞、边缘节点负载等动态状况，对视频数据流和异常结果数据进行智能路由调度，选择最优链路，避免网络阻塞和数据延迟累计；安防中心平台侧设置数据接收模块，对接收到的加密数据流进行解密，分拆出视频数据和异常检测结果；根据预先设定的规则和策略进行持久化存储，并按需分发视频数据和异常结果至后续的处理系统。通过这些步骤，可以高效利用5G网络的传输能力，实现大规模视频数据和检测结果的快速回传；可以加密传输确保敏感数据的安全性，防止信息泄露；利用智能路由调度提升了网络利用效率，最大限度减少时延；中心平台侧统一接收、存储和分发视频及分析结果数据；视频证据和检测结果的关联性保持，为后续处置提供数据支撑；利用5G网络的高带宽、低延时等优势，边缘侧的视频数据和异常检测结果可以高效、安全地传输回中心平台，为事件监控和快速处置提供关键视频证据和情报支持，体现了整个系统5G+AI+边缘计算的优势。
所述安防中心平台通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
在本步骤中，部署基于主流开源平台的私有或联盟链网络，在核心节点和边缘计算节点部署对应的区块链客户端；设计视频数据和异常检测结果的链上数据模型和存储结构（可采用如IPFS等链下存储，链上只存储数据指纹和元数据）；使用Solidity等编程语言，开发视频数据和异常检测结果的上链智能合约（包含数据写入、读取、查询、授权管理等功能）；将结构化的异常检测结果直接提交到智能合约，自动执行合约将异常检测结果数据上链，持久化存储在分布式账本上；对于较大的视频数据，先使用IPFS等链下存储，然后将视频数据的指纹和元数据通过智能合约上链；提供基于区块链的数据可信查询服务，由安防决策系统根据需要从链上查询和获取视频证据及异常信息。本方案中，基于区块链技术确保视频证据和异常检测结果的不可篡改性；利用加密和分布式账本，保护视频证据的隐私和安全性；支持查询可溯源，为证据数据提供可信时间戳和身份来源；通过智能合约实现链上数据的可编程管理和共享控制；区块链网络作为中心平台和边缘节点之间的安全数据传输通道；借助区块链技术的去中心化、不可篡改、可溯源等特性，确保了视频证据和异常检测结果的真实性和权威性；实现了涉密视频数据的可信存储和查询，支持后续的监控决策和司法应用环节，进一步提升了整个智慧安防系统的可信度。
所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
所述安防中心平台利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
在本步骤中，基于分布式云存储架构，部署高可用的数据库集群；利用5G网络的大带宽、低延迟特性，实现数据的快速传输和访问；从边缘计算节点及其他数据源采集视频、图像、感知数据等异构数据，构建数据实时采集、传输、存储的自动化流水线；针对不同类型的安防数据，设计统一的结构化数据模型；支持文本、二进制、时空等多维度索引，满足复杂查询需求；基于消息队列，实现数据写入的实时性和高吞吐；引入SQLstream等流计算技术，对数据流进行实时处理和更新操作；将热数据存储在分布式内存/SSD存储集群中，确保快速访问；将冷数据向分布式对象存储等低成本存储层迁移，实现自动分层；基于统一的身份认证机制，实现用户统一身份管理；引入细粒度的基于属性的访问控制(ABAC)模型，为不同用户和部门设置多级别的数据访问权限；引入区块链记账技术，确保关键数据操作的可审计追溯，持续监控和审计数据安全风险，防止数据泄露和滥用。通过本方案，可以构建覆盖全城市的统一智能感知安防数据中心，实现数据集中管理；利用5G网络，支持大规模视频等海量数据的快速采集和访问；实时数据更新和流数据处理，确保数据的新鲜性和可用性；分层存储架构兼顾性能和成本，提升存储资源利用效率；多级权限控制，保护敏感数据安全，支持灵活的数据共享策略；基于区块链的可审计机制，确保关键数据的完整性和可信性。本方案中的智能感知安防数据库是支撑整个目标城市安防大脑的核心数据库系统，汇聚全市各类安防感知数据，为监测预警、决策指挥等应用提供数据支撑，实现全市安防资源和信息的集中化、智能化管理，是智慧安防体系的关键基础设施。
采用该实施例的技术方案，通过利用5G网络、大规模部署物联网设备、视频采集终端等，该方案能够对整个城市区域实现无死角、无盲区的全天候感知和监控，确保城市安全的全方位可视化；方案融合了视频图像、物联网感知数据、环境数据等多模态信息，通过人工智能算法进行智能分析和相关联，大幅提升了对各类异常行为的识别准确性和检测能力；在边缘侧部署AI模型和边缘计算节点，支持对视频数据的实时分析和异常行为识别，满足智能安防场景对低时延响应的刚需；将视频证据及异常检测结果上链存证，并通过数字签名确保完整性，实现了视频数据的不可篡改、可追溯与司法认证；设计了基于安全计算的隐私保护框架，支持视频数据的加密计算和授权访问，切实保护了个人隐私，符合相关法律法规；通过三维实景呈现、视觉化态势分析等，方案大幅提升了指挥决策的时效性和准确性，支持智能调度快速高效应对紧急情况；利用数字孪生技术对目标环境进行模拟分析，为整个智能安防系统的顶层架构、资源规划、部署实施提供了科学决策支撑；最终构建起一个覆盖全市、多租户安全可控的统一智能感知安防数据中心，集中管理和利用城市各类安防资源与信息，实现智能化的统一调度和协同管理。本发明方案，提升了智能安防系统的智能化、实时性、可靠性、隐私保护和决策支持能力，可显著增强城市的安全感知和快速响应能力。
在本发明一些可能的实施方式中，所述根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络的步骤，包括：
获取所述目标城市的历史城市运行数据；
在本步骤中，历史城市运行数据包括城市运行各方面的数据，如人口数据（包括城市人口数量、年龄结构、教育程度分布等普遍人口数据）、交通数据（包括道路交通流量、公共交通线路和客流量、出租车订单数量等）、商业与消费数据（包括商业区利用情况、主要商圈人流与消费数据、网购订单等）、社交与公共服务数据（包括WIFI及手机使用情况、公共服务设施利用率等）、环境资源数据（包括空气与水质监测数据、能源消耗数据、城市绿化与卫生情况等）、智慧城市硬件数据（智能路灯、停车位传感器、环境监测终端等相关运行数据）、公共安全数据（包括犯罪数据、城市视频监控分析结果、消防与急救数据等）、生活服务数据（医疗资源利用、教育机构开放数据、居民生活需求反馈等）、公共新闻数据（包括城市相关新闻报道统计、社交媒体评论数据等），等等。
基于所述城市数字孪生模型和所述历史城市运行数据，模拟分析所述目标城市的环境特征和安防需求；
在本步骤中，从市政、气象、人口、交通、环境、犯罪等多个渠道采集到的目标城市的历史运行数据（即历史城市运行数据），对异构的历史城市运行数据进行清洗、融合、标准化等预处理，构建统一的城市运行数据集；基于机器学习或深度学习方法，利用历史城市运行数据训练出城市运行模型，该模型能够模拟分析城市人口流量、交通流量、犯罪趋势等重要指标；将训练好的城市运行模型集成到所述城市数字孪生模型，与城市三维场景、规划数据等相结合，形成完整的仿真模拟环境；在仿真环境中设置各类环境参数（如日期、天气、人口活动等；支持一次性设置和持续变化的动态环境模拟）；启动数字孪生仿真，运行城市运行模型，预测各区域的环境变化、人口流量、犯罪风险等指标，分析人员、车辆、物品在城市中的运动轨迹和集聚态势等；结合模拟分析结果，评估不同区域、不同时段的安防需求程度，输出包括视频监控、车辆检测、环境监测、能耗监测等在内的具体安防需求（如重点监控时段、重点监控区域、重点监控人群画像、重点监控设施、重点监控车辆等，以及不同场景下启用的具体的安防设备、监控方式、监控周期等）；通过数字孪生三维场景可视化展示模拟分析结果；支持交互式优化，如改变部署方案，对比不同情况下的效果。通过本方案，能够准确模拟城市中人员、车辆等目标运动的时空规律，为部署提供依据；能预测分析不同区域、时段的潜在安全风险，优化安防资源的动态调配；能基于真实数据和数字孪生的模拟分析，使得部署方案更加科学和前瞻；支持方案可视化优化和比选，提高部署的针对性和有效性；能够模拟多种复杂情况，全面评估方案的适用性和健壮性；降低系统部署的试错成本，提高投资回报率。通过利用数字孪生和大数据建模技术，能够对城市的复杂运行态势和安防需求进行高度模拟和精准分析，为整个智能安防系统的顶层架构设计和部署规划提供科学决策支撑，确保系统资源的高效利用。
根据所述环境特征和所述安防需求，规划所述视频采集终端和所述其他物联网安防设备的种类、数量和部署位置，得到安防设备部署方案；
在本步骤中，根据利用根据所述环境特征和所述安防需求确定的不同区域和场景的特征，划分出需要覆盖的典型场景类型，为每种场景指定所需的安防设备（即视频采集终端和其他物联网安防设备）的种类及其覆盖半径和部署策略；在数字孪生三维场景中，虚拟部署各类设备；模拟检测安防设备的覆盖范围，分析是否存在盲区和冗余区域；交互式调整安防设备数量和位置，优化覆盖效果；根据场景覆盖原则，确保各类典型场景无死角覆盖（即符合预设的覆盖率）；根据冗余策略原则，对重点区域和复杂环境适当冗余部署（符合预设的冗余率）；综合考虑成本、效益、环境干扰等因素，最优化部署方案；将优化后的安防设备种类、数量和具体三维空间坐标输出为标准化的安防设备部署方案（包括固定摄像头、车载移动设备、无人机等在内的全部设备）。进一步地，还可以基于设备采购、安装、运维等成本模型，估算部署方案的投资成本，支持交互式优化安防设备配置，实现成本可控，并组织相关专家、决策者，对部署方案进行评审，确认方案的合理性、有效性和可行性后，得到最终的安防设备部署方案。通过本方案，可以科学的分析模型和数字孪生技术支撑，确保部署方案的精准性；运用场景覆盖和冗余原则，实现对重点区域和盲区的无死角覆盖；交互模拟和成本评估确保部署的合理性和经济性；输出标准化的三维坐标部署方案，指导实际系统实施；降低传统经验主导部署的决策风险，提升投资回报率；支持灵活优化和方案对比选择，提高整体系统的适用性。通过上述流程规划出的部署方案，能最大限度利用有限的资源，实现对目标城市的全覆盖、合理冗余，保证智能安防系统的高效运行；同时该流程也可以复用于系统后期的扩容和优化。
根据所述安防设备部署方案，规划5G基站的布局和数量，得到5G设施部署方案；
在本步骤中，根据所述安防设备部署方案，汇总各类安防设备的5G网络带宽、时延、可靠性等关键需求指标；根据安防设备分布密度，估算不同区域的5G网络容量需求；利用所述城市数字孪生模型，重建目标区域（如以安防设备的安装位置为中心的预设范围内）的实景环境，识别会影响5G传播的障碍物（如高楼、桥梁、地下管网等）；基于射线追踪或计算电磁学方法，模拟5G信号在复杂环境中的传播特性；分析不同位置基站的覆盖效果和盲区情况；在所述城市数字孪生模型的三维场景中虚拟部署多个5G基站候选位置，模拟分析不同组合方案下的5G信号覆盖质量，并应用人工智能算法，自动生成基站布局优化方案，目标是使用最少基站实现全覆盖，并满足容量和时延需求；将优化后的5G基站位置坐标、配置参数等输出为标准化的5G设施部署方案（包括宏基站、小基站、边缘节点等5G设施的具体规划）。通过本方案，可以科学合理规划5G网络设施，确保安防设备网络的高质量覆盖；充分考虑复杂环境对5G传播的影响，避免盲区和差覆盖；利用数字孪生和AI算法，自动生成经过优化的部署方案；最小化5G设施数量，降低建设和运维成本；输出标准化部署方案，指导后续5G网络建设实施；确保5G网络满足安防系统的关键网络需求。通过科学合理的5G网络规划，能够保证覆盖整个目标区域的连续高质量5G网络接入，为智慧安防系统提供高带宽、低时延、高可靠的网络承载能力，实现了安防设备与边缘/云端的高效互联，是整个智能安防系统网络基础设施的关键一环。
根据所述5G设施部署方案建设5G基站（确保目标区域内无线网络的连续覆盖）和所述边缘计算节点（5G边缘计算节点，用于支持本地实时数据处理）以构建5G网络；
根据所述安防设备部署方案，在规划位置安装各类所述视频采集终端（固定、移动、无人机等）和所述其他物联网安防设备；
将所述视频采集终端和所述其他物联网安防设备通过5G网络与所述边缘计算节点、云服务器和安防中心平台连接。
在本实施例中，还包括：制定统一的设备接入协议和标准以实现所述视频采集终端和所述其他物联网安防设备组网自动发现、注册、认证和接入；集中管理和监控整个物联网安防网络的运行状态。
在本实施例中，利用5G网络的高带宽、低延时和大连接优势，支持视频和海量物联网数据的高效传输；基于数字孪生模型的规划，确保安防设备合理高效部署；5G网络提供泛在无线连接，实现目标区域全覆盖感知；边缘端支持实时本地数据处理，降低时延和网络压力；统一标准确保设备无缝接入和高效协同。整体而言，构建了一张高效互联、智能协同的物联网安防设备网络，为智能安防体系的下一步应用奠定坚实基础。
在本发明一些可能的实施方式中，所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流的步骤，包括：
根据所述第一视频数据流识别出所述第一视频数据流的第一属性信息，并根据所述第一属性信息选择对应的数字签名算法（通常采用经过严格密码学分析，被广泛认可的数字签名算法，如RSA、ECDSA等）；
在本步骤中，通过分析第一视频数据流的元数据，识别出编码格式、分辨率、帧率等基本属性信息；通过对视频像素数据进行采样，分析视频的运动复杂度、噪声水平等内容属性；针对不同的属性维度，设置量化评分体系（如高分辨率、高帧率、高运动复杂度等指标对应较高评分）；事先建立数字签名算法库（包含各种安全强度和性能的算法），并为每个算法设置推荐的视频属性量化评分范围；根据第一视频数据流各属性维度的综合评分，在算法库中选择评分范围最佳匹配的数字签名算法；持续追踪密码学领域的最新研究进展，评估现有算法的安全性，及时更新算法库。通过本方案，可以自动分析视频数据的内容属性特征，避免人工评估带来的主观性，并根据视频属性量化评分选择最优匹配的数字签名算法；对于质量较低的视频，自动选择性能较高的签名算法，提升效率；对于高价值的高质量视频，自动选择更高强度的签名算法，确保安全性；实现算法库的自动化管理和更新，提高系统的前瞻性和可扩展性；在安全性和性能之间自动寻求最佳平衡，优化系统整体效能。本方案通过对视频属性的智能分析，并与数字签名算法库相结合的自动化选择机制，使得系统能够高效管理和利用有限的密码学资源，为不同质量和重要程度的视频数据提供最佳匹配的签名保护，全面提升了安全性、可靠性和性能效率。
使用所述数字签名算法在所述边缘计算节点上生成一对非对称密钥，所述非对称密钥包括私钥和公钥，私钥保存在所述边缘计算节点，公钥对外公开；
对所述第一视频数据流进行哈希运算，得到一个固定长度且能唯一反映视频内容的数字摘要；
在本步骤中，哈希运算是一种将任意长度的数据输入，通过特定的哈希算法(如SHA-256、MD5等)计算，得到一个固定长度的数字串输出的单向函数。对视频数据进行哈希运算，就是将视频数据当作输入，经过哈希算法的计算，输出一个固定长度的数字摘要。这个数字摘要能够唯一地反映视频内容，只要视频内容有任何改变，哪怕只是修改一个像素点，得到的哈希值就会完全不同。因此，哈希值可以作为视频内容的“指纹”或“数字摘要”，用于快速比对视频是否被篡改过。通过将视频哈希值而不是视频本身上传或传输，可以大大减少带宽和存储开销。综上所述，对视频进行哈希运算得到的固定长度数字摘要，能够有效反映和唯一标识视频原始内容，可用于确保视频数据的完整性，同时节省存储和传输资源，是一种常用的视频内容安全保护手段。
使用所述私钥，对所述数字摘要进行数字签名加密，生成数字签名；
将所述数字签名融合到所述第一视频数据流，组成新的第二视频数据流。
在本实施例中，在视频传输的其他环节，可使用公钥对视频数据和签名进行验证，确保其完整性。
在本实施例中，可以保证视频数据源自可信边缘节点，防止中间节点篡改，可以确保视频内容的完整性，任何修改都可被检测出来，可以为视频数据构建可信的溯源链，形成确凿的数字证据，可以提高视频证据在公安等执法场景中的可信度和司法权威性，可以与后续区块链存证等环节结合，构建数据安全可信的闭环。总的来说，边缘端添加的数字签名确保了视频数据的真实性和完整性，为视频证据在安防监控、事件处置等场景中的合法使用提供了坚实的数字凭证基础。结合区块链等技术，能进一步提升整个系统链路的数据可信程度。
在本发明一些可能的实施方式中，所述视频监测分析模型的生成方法包括：
获取真实城市场景下的历史视频数据（如各种人脸、姿态、行为等人物视频数据、城市建筑和设施视频数据、城市绿化视频数据、交通视频数据等）；
根据预设规则（如根据大数据分析得到（或根据人为事先确定）的重点基础设施、重点建筑、重点区域的人物及人物的行为等）确定所述历史视频数据中的重点元素，对所述重点元素（如重点设施、人脸、行为等）进行标注和构建标签，得到第一视频样本数据；
对所述第一视频样本数据进行预处理（如帧提取、格式转换等）得到第二视频样本数据；
利用从所述第二视频样本数据中提取的人脸数据训练第一神经网络（如卷积神经网络），构建人脸检测模型（实现对视频中的每帧视频进行人脸区域检测）；
在本步骤中，根据前述的标注和标签从第二视频样本数据中抽取包含人脸的示例图像，并标注人脸区域坐标；利用数据增强技术（如翻转、裁剪等）扩充训练样本规模；设置CNN网络结构（如ResNet/ResNext），在最后一层设定预测人脸区域置信度；按照覆盖率损失函数对训练样本进行反向传播优化网络权重；将优化后的模型应用到测试视频每一帧，输出人脸区域坐标及置信度；根据阈值筛选出高置信区域作为检测结果；应用不同视频样本持续更新和训练模型。此方法能很好地提取视频图像中人脸区域的位置、并产生高精度的检测结果。 训练好的模型可以应用于视频实时分析任务中，实现基于深度学习的高效人脸检测。
利用从所述第二视频样本数据提取的人脸关键点数据训练第二神经网络，构建关键点提取模型；
在本步骤中，根据前述的标注和标签从第二视频样本数据中提取人脸图像及标注的68个关键点坐标；利用Hourglass网络结构设计关键点提取神经网络（即第二神经网络）；采用Wise-IoU目标检测损失函数优化关键点预测效果；将优化后的模型进行批量测试，评估关键点提取准确性；将模型应用于视频中通过人脸检测模型定位的每帧人脸区域；基于关键点预测结果利用光流算法对人脸在连续帧间进行目标跟踪；输出每个视频帧的68个人脸关键点坐标序列；持续收集新样本重训以提高预测精度。该方法能够自动且准确地从视频图像中提取人脸关键点，有利于后续表情识别、3D重建等应用。通过不断学习提升模型，能实现实时高效的关键点提取与跟踪。
利用从所述第二视频样本数据中提取的人物行为数据训练第三神经网络，构建行为识别模型（用于识别视频区域行为类型（如打斗等），输出异常框架区间；根据关键点和行为结果，输出包含ID的人员事件轨迹）；
在本步骤中，根据前述的标注和标签从第二视频样本数据中抽取人物动作画面，并给予行为类型标签(如打斗、聚集等)；利用3D卷积神经网络结构（即第三神经网络），对视频序列学习行为表示能力；联合LSTM网络结构，输出每个视频区间内的行为预测序列；根据交叉熵损失优化模型，提升行为识别准确率；将模型应用到待检测视频中，并标注识别出的异常行为区间；结合人脸检测和关键点跟踪结果，绘制人员在视频中的空间-时间事件轨迹；持续收集新视频提升样本规模和类型，重训模型提升泛化能力。该方法能实现视频行为的自动识别与描述，为安防工作提供有效支撑，同时还可以重构细节事件过程，有利于事后调查与追责。
利用从所述第二视频样本数据中提取的城市运行状态数据训练第四神经网络，构建异常状态识别模型（用于识别车辆、基础设施、建筑物等城市实体的异常状态，如事故、起火等）；
在本步骤中，根据前述的标注和标签从第二视频样本数据中抽取城市实体和不同异常状态样本，标注类型标签；运用ResNet等卷积神经网络（即第四神经网络），提取城市实体视觉特征；加入注意力机制模块（注意力机制模块，可以帮助神经网络更好地定位输入序列中的关键部分，并减少对不相关部分的响应；在视频异常状态识别这个任务中，加入注意力机制模块的目的是：区分视频序列不同帧中的重要程度（比如异常行为开始帧更重要）、辅助模型集中学习到相关帧之间的关系。一般来说，常用的注意力机制模块有：自注意力（学习输入各部分之间的依赖关系）、图像注意力（强调像素或地理位置的重要程度）、时间注意力（不同视频帧提取不同程度的特征），等等），提取动态视频特征；添加LSTM层，学习序列信息融合静态和动态特征；最后全连接层监督分类，识别异常状态类型；采用交叉熵作为损失函数优化模型参数；将优化模型应用于待检视频数据流，实时输出异常检测结果；持续扩充样本类型和规模，重训练提升识别效果；能有效监测城市关键实体的异常状态，为安全管理提供依据。该模型从视频数据中自动学习城市运行特征，有效识别各类异常状态，为城市治理节省人力成本，提高安全监测水平。
将所述人脸检测模型、所述关键点提取模型、所述行为识别模型和所述异常状态识别模型融合成所述视频监测分析模型。
在本步骤中，确定不同子模型的接口格式，如输入输出数据格式；开发模型集成框架，定义子模型调用顺序和数据交互流程；将训练好的不同子模型加载到集成框架中；测试与调试不同子模型之间的相互调用是否正常；开发预测主程序，对视频数据进行预处理，传递给子模型进行各功能预测；统计预测结果，输出最终检测报告，包含人脸检测、关键点提取、行为识别、城市实体异常状态识别等结果；项目不同阶段子模型替换和升级，维护模型的迭代更新能力；应用集成模型进行视频检测任务，评估其复杂事件检测能力。该视频监测分析模型能够对单个视频流进行端到端的多目标检测与识别分析，包括人脸、行为和事件异常等内容，可以有效提升视频理解水平，为事件调查提供重要参考。
在本实施例中，通过上述步骤训练并部署的深度学习模型，能够高精度实时检测和跟踪视频中的人脸，识别常见的可疑行为，并输出关键点坐标等结构化标签；同时，还能识别城市运行中的设施、建筑、车辆等物体的异常状态，这为后续的智能安防应用提供了坚实的人工智能视觉支撑能力。
在本发明一些可能的实施方式中，所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果的步骤，包括：
所述边缘计算节点对所述第二视频数据流进行实时推理，输出每一视频帧的视频帧识别结果；
利用所述视频监测分析模型识别所述视频帧识别结果中的人脸，获取人脸区域位置和关键点坐标；
在本步骤中，可以利用所述视频监测分析模型中的人脸检测模型识别所述视频帧识别结果中的人脸，获取人脸区域位置，并利用关键点提取模型获取关键点坐标。
根据所述人脸区域位置和所述关键点坐标建立相邻帧之间的人脸跟踪关联，形成人脸运动轨迹；
对检测到的人脸、人脸对应的人物行为及人脸周围环境中的城市实体状态，进行行为模式分类识别和实体异常状态识别，得到第一行为识别结果和第一实体异常状态识别结果；
在本步骤中，结合所述行为识别模型对检测到的人脸、人脸对应的人物行为进行行为模式分类识别，得到第一行为识别结果；结合所述异常状态识别模型对人脸周围环境中的城市实体状态进行实体异常状态识别得到第一实体异常状态识别结果。
基于姿态、动作判断所述第一行为识别结果对应的第一行为是否属于事先定义的异常行为类别；
当所述第一行为属于所述异常行为类别时，结合所述人脸运动轨迹的时空上下文信息进行行为语义补全和纠正；
在本步骤中，可以定义异常行为上下文特征空间（如参与对象、时长、现场环境等），提取异常行为前后相关的人脸ID、关键点轨迹及其他视觉特征，利用大数据训练神经网络学习异常行为的上下文表示能力，根据上下文信息对初步检测出的异常行为给予重新评估，具体包括：判断异常可能源于观测误差等错误标注，根据上下文判断异常行为是否需要进一步细分为亚类，根据上下文提示，纠正或修正异常表述，持续完善语义上下文库，提升判别力。此方法能结合视频空间隐含信息，对单个检测结果进行深入质实，消除假识别，修正表述错误，使行为分析工作具备更强的语义支持能力，可以深化视频理解，为后续工作提供可靠依据。
结合所述第一实体异常状态识别结果，分析所述第一行为发生的具体时间、位置、持续时长、城市实体异常状态；
将同一轨迹的一系列异常行为和城市实体异常状态整合为完整的异常事件；
输出所述异常事件的开始时间、结束时间、地点、行为类型以及城市实体异常状态构成作为异常检测结果。
在本实施例还可以包括：对异常检测结果给出置信度评估分数，辅助后续的决策和处理；当置信度低于设定阈值时，标记为需要人工审核。
在本实施例中，基于深度学习的AI视觉模型，实现对各类异常行为的智能识别；在边缘端就本地完成视频分析，满足低时延、高实时性需求；输出结构化异常事件信息，方便后续的风险分级和协同处置；时空上下文分析提高了异常行为识别的准确性和语义完整性；置信度评估降低误报率，提高系统可信度。利用边缘计算节点的分析处理能力，系统可以基于强大的AI视觉模型，对视频中的异常行为实现精准检测和智能识别，有效支撑了后续的风险管控和快速响应，显著提升了整个安防体系的智能化水平。
在本发明一些可能的实施方式中，所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析的步骤，包括：
对所述异常检测结果和所述报警信息进行规范化处理，统一数据格式和语义，得到标准化的异常检测结果和报警信息；
基于时间和地理空间坐标，将标准化的异常检测结果和报警信息中属于同一个第一事件的第一异常检测结果和第一报警信息进行相关联；
根据历史异常事件数据和历史报警数据构建风险事件画像（包含视频、声音、动作等多模态信息）；
根据所述风险事件画像，对关联后的所述第一异常检测结果和所述第一报警信息进行综合分析，识别所述第一事件是否构成风险事件；
当所述第一事件构成风险事件时，确定所述第一事件的风险级别，输出事件类型、风险级别和置信度信息；
将所述第一事件与所述城市数字孪生模型关联；
重构还原所述第一事件在所述目标城市的现实场景中的具体情景；
根据所述具体情景的严重程度触发预警，生成预警信息和建议策略。
在本实施例中，还可以通过可视化大屏和报表，直观呈现风险事件的来源、过程和影响；为决策提供辅助参考，支持高效指挥调度和资源调配；收集事件处置的反馈信息，分析现有策略的有效性；基于反馈数据持续优化事件识别模型和预警规则。
在本实施例中，实现了多源异常信息的智能融合关联分析，提高风险识别的全面性和精准度；模拟数字孪生场景，构建风险事件发生的真实情景画面，提升预警的直观性；基于风险识别进行分级预警以实现快速高效地进行决策和资源调配；决策可视化呈现有助于指挥调度，快速应对紧急情况；通过收集反馈持续优化模型，提升识别和预警的准确率。安防中心平台将视频异常检测与其他安防设备的信息进行融合，实现风险事件的智能识别和预警，是整个智慧安防系统的大脑和指挥中心，支撑着安全防范和快速响应的高效运作。
在本发明一些可能的实施方式中，还包括所述安防中心平台利用所述目标城市的历史视频数据构建实时动态三维安防电子地图以实现场景模拟与复杂情况下的事先预警的步骤，具体是：
从所述城市数字孪生模型中导出静态三维地图（建立房屋、道路等静态地图）；
提取所述历史视频数据的光流特征，计算运动向量拼接轨迹；
在本步骤中，光流是计算机视觉中用来描述连续两帧之间像素运动信息的方法。对于每组连续视频帧，采用光流算法计算出其中每一个特征点的运动向量，这里是提取各视角视频的光流特征，即计算每组相邻帧像素点的运动向量，运动向量描述了特征点从一帧移到下一帧的位移情况。通过分析每组相邻帧间特征点的运动规律，可以计算出同一个目标在不同帧间的匹配关系，进而可以将同一目标在不同视频中的运动轨迹通过运动向量进行拼接，即通过分析物体在每组帧间的相对运动，重组出其在整个视频数据集中的全貌运动轨迹，为后续三维重建奠定基础。
根据所述拼接轨迹重建视频里事件中的人物和城市实体的动态三维坐标；
将所述动态三维坐标与所述静态三维地图融合形成动态三维安防电子地图；
在本步骤中，动态三维安防电子地图作用吸收了静态地图提供的城市结构信息，同时包含视频三维重建的动态物体信息，能实时重现城市某一时刻的运行状态，比如车辆和人流的实时分布情况。
以所述动态三维安防电子地图为基础，针对不同事件类型定义场景参数、影响范围与动态影响因素；
在本步骤中，按照事件分类标准（如打斗、事故、流量拥堵等），划分主要事件类型，对历史典型事件进行案例学习，提取每类事件的共性特征，制定事件场景描述语言，定义每个事件相关的参数（物体、位置等）；根据影响规律，为每个参数设置动态值范围作为影响范围；插入历史数据，识别重要动态影响因素及其关联程度；将定义存储在知识库，与动态地图对应起来调用；持续完善知识库描述事件新特征。这可以实现针对不同事件预定义场景框架，为后续模拟提供参考；能高效建立场景建模能力，识别关键影响点，有助于自动化地分析不同事件类型的发展规律，提升模拟水平。
借助人工智能技术，根据所述场景参数、所述影响范围、所述动态影响因素、所述历史异常事件数据和所述历史报警数据训练出场景预测模型；
在本步骤中，可以从所述场景参数、所述影响范围、所述动态影响因素、所述历史异常事件数据和所述历史报警数据中提取各类特征进行数字编码表示；选择LSTM或Transformer等循环神经网络，输入特征序列学习序列信息；根据历史事件结果设计训练目标（如分类、回归等）；使用交叉熵或均方误差函数进行损失计算和模型优化；测试区验证训练模型的泛化能力，调整超参数；将训练好的模型保存，供在线预测使用。此方法能够学习历史规律，自动识别事件发展的影响因素和规律，形成场景预测能力。通过建立一套自动学习和预测的框架，可以根据输入情报自行作出预警推断，辅助安防决策，并且模型可不断更新优化，增强预测准确率。
根据所述第二视频数据流、所述其他物联网安防设备采集的当前监测数据和所述场景预测模型得到场景预测数据（评估各种影响因素对不同结果的影响情况）；
基于所述场景预测数据给出预警建议以便提前防范复杂事件。
在本实施例中，构建动态三维电子地图，能实时反映城市运行状态，为决策提供直接可视化支持；提取视频轨迹进行三维重建，实现非接触式监测，获得全面运行场景信息；基于数字孪生技术，利用历史数据训练场景建模和预测能力，实现事前预警能力；不同的影响因素可以定量化建模，客观评估事件可控性和风险程度；整体构成一个自动学习、分析与调度的决策支撑体系，大幅提升安防响应效率；通过持续学习不断优化与更新模型，能根据新情况及时修正和完善预警能力；实现不同部门信息共享，协同应对突发事件，提高城市执法和安全管理水平；构建开放平台，可以对接第三方视频设备与应用，扩展建模和应用领域，从技术上实现智慧安防，为城市安全治理创新提供方法论支持。
在本发明一些可能的实施方式中，还包括所述安防中心平台设计基于安全计算的隐私保护框架以实现视频数据在安全区域的隐私加密传输的步骤，具体包括：
利用所述动态三维安防电子地图识别隐私区域（如医院、居民区等）；
对在所述隐私区域内录制的第一视频进行人脸识别和隐蔽处理，变换人脸特征，并添加随机杂像，得到第二视频；
利用基于深度学习的非对称加密算法对所述第二视频进行同态加密；
在本步骤中，同态加密允许对密文进行某些算数和逻辑操作，操作后的密文结果与非加密明文字序列上的对应的操作结果等价。同态加密支持直接在密文数据上进行计算，这样就无需多次解密计算了，从而提高了安全性。
在安全计算环境下，利用高度同态加密进行视频处理和分析，得到视频处理和分析结果；
在本步骤中，高度同态加密（Fully Homomorphic Encryption）是一种更强大的同态加密算法，它支持对密文执行任意可能的算术和逻辑操作，而不用解密。对视频来说，通过高度同态加密技术，可以在安全计算环境下直接对加密视频数据进行检测分析算术运算，但无法提取出视频本身的图片或内容明文，这就实现了隐私与计算的平衡。
共享所述视频处理和分析结果（以实现隐私视频利用而不泄漏原始隐私数据）；
对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度。
在本实施例中，可以实现视频数据在传输过程中的隐私保护，防止非法获取和使用个人隐私信息；可以保留视频内非隐私信息的可分析性，实现隐私与安防双向需求平衡；可以提升安防系统的安全性和可靠性，避免因外部影响导致的隐私泄露；可以构建可监测和可追溯的视频处理管道，增强用户对安防系统的信任度。本实施例通过技术手段有效解决安防与隐私的矛盾，提高城市安全管理水平。
在本发明一些可能的实施方式中，所述对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度的步骤，包括：
将用户分为安防管理类用户、执行类用户和社区类用户，并采用电子证书及双重验证码识别用户类别；
为所述安防管理类用户、所述执行类用户和所述社区类用户分配不同级别的查看权限（如管理类用户最高，社区类用户最低）；
将所述视频处理和分析结果细分为行人特征、人流量信息、事件分类这几种结果数据类型；
所述管理类用户可查看所有信息，执行类用户只能查看事件分类结果，社区类用户只看人流量趋势；
根据当前用户的查看权限级别，展示被授权结果数据类型。
在本实施例中，可以实现结果数据精细的分类访问管理，满足不同用户需求与保护隐私要求。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。
Claims (10)
1.一种基于5G的智慧城市智能安防系统，其特征在于，包括：云服务器、边缘计算节点和安防中心平台；其中，
所述云服务器被配置为：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
所述边缘计算节点被配置为：
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
将所述第二视频数据流和所述异常检测结果通过5G网络发送到所述安防中心平台；
所述安防中心平台被配置为：
通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
2.一种基于5G的智慧城市智能安防方法，其特征在于，包括：
获取目标城市的规划数据、建筑物BIM数据、实景三维数据、实景图像数据及视频数据；
根据所述规划数据、所述建筑物BIM数据、所述实景三维数据、所述实景图像数据和所述视频数据构建所述目标城市的城市数字孪生模型；
根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络；
利用多分布在所述目标城市区域内的视频采集终端实时采集视频数据流；
利用边缘计算节点对采集的第一视频数据流进行预处理，并获取每个视频帧中的像素点坐标信息；
所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流；
所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果；
所述边缘计算节点将所述第二视频数据流和所述异常检测结果通过5G网络发送到安防中心平台；
所述安防中心平台通过区块链网络记录并传送所述第二视频数据流和所述异常检测结果；
所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析；
所述安防中心平台利用5G网络资源构建所述目标城市范围内的智能感知安防数据库，并对所述智能感知安防数据库进行实时自动更新管理与多级用户权限控制。
3.根据权利要求2所述的基于5G的智慧城市智能安防方法，其特征在于，所述根据所述城市数字孪生模型，在所述目标城市区域内配置多个通过5G网络互联的视频采集终端和其他物联网安防设备以构建基于5G网络的物联网安防设备网络的步骤，包括：
获取所述目标城市的历史城市运行数据；
基于所述城市数字孪生模型和所述历史城市运行数据，模拟分析所述目标城市的环境特征和安防需求；
根据所述环境特征和所述安防需求，规划所述视频采集终端和所述其他物联网安防设备的种类、数量和部署位置，得到安防设备部署方案；
根据所述安防设备部署方案，规划5G基站的布局和数量，得到5G设施部署方案；
根据所述5G设施部署方案建设5G基站和所述边缘计算节点以构建5G网络；
根据所述安防设备部署方案，在规划位置安装各类所述视频采集终端和所述其他物联网安防设备；
将所述视频采集终端和所述其他物联网安防设备通过5G网络与所述边缘计算节点、云服务器和安防中心平台连接。
4.根据权利要求3所述的基于5G的智慧城市智能安防方法，其特征在于，所述边缘计算节点对预处理后的所述第一视频数据流添加数字签名得到第二视频数据流的步骤，包括：
根据所述第一视频数据流识别出所述第一视频数据流的第一属性信息，并根据所述第一属性信息选择对应的数字签名算法；
使用所述数字签名算法在所述边缘计算节点上生成一对非对称密钥，所述非对称密钥包括私钥和公钥，私钥保存在所述边缘计算节点；
对所述第一视频数据流进行哈希运算，得到一个固定长度且能唯一反映视频内容的数字摘要；
使用所述私钥，对所述数字摘要进行数字签名加密，生成数字签名；
将所述数字签名融合到所述第一视频数据流，组成新的第二视频数据流。
5.根据权利要求4所述的基于5G的智慧城市智能安防方法，其特征在于，所述视频监测分析模型的生成方法包括：
获取真实城市场景下的历史视频数据；
根据预设规则确定所述历史视频数据中的重点元素，对所述重点元素进行标注和构建标签，得到第一视频样本数据；
对所述第一视频样本数据进行预处理得到第二视频样本数据；
利用从所述第二视频样本数据中提取的人脸数据训练第一神经网络，构建人脸检测模型；
利用从所述第二视频样本数据提取的人脸关键点数据训练第二神经网络，构建关键点提取模型；
用从所述第二视频样本数据中提取的人物行为数据训练第三神经网络，构建行为识别模型；
利用从所述第二视频样本数据中提取的城市运行状态数据训练第四神经网络，构建异常状态识别模型；
将所述人脸检测模型、所述关键点提取模型、所述行为识别模型和所述异常状态识别模型融合成所述视频监测分析模型。
6.根据权利要求5所述的基于5G的智慧城市智能安防方法，其特征在于，所述边缘计算节点利用预先基于深度学习训练的视频监测分析模型，识别所述第二视频数据流中的异常状态，得到异常检测结果的步骤，包括：
所述边缘计算节点对所述第二视频数据流进行实时推理，输出每一视频帧的视频帧识别结果；
利用所述视频监测分析模型识别所述视频帧识别结果中的人脸，获取人脸区域位置和关键点坐标；
根据所述人脸区域位置和所述关键点坐标建立相邻帧之间的人脸跟踪关联，形成人脸运动轨迹；
对检测到的人脸、人脸对应的人物行为及人脸周围环境中的城市实体状态，进行行为模式分类识别和实体异常状态识别，得到第一行为识别结果和第一实体异常状态识别结果；
基于姿态、动作判断所述第一行为识别结果对应的第一行为是否属于事先定义的异常行为类别；
当所述第一行为属于所述异常行为类别时，结合所述人脸运动轨迹的时空上下文信息进行行为语义补全和纠正；
结合所述第一实体异常状态识别结果，分析所述第一行为发生的具体时间、位置、持续时长、城市实体异常状态；
将同一轨迹的一系列异常行为和城市实体异常状态整合为完整的异常事件；
输出所述异常事件的开始时间、结束时间、地点、行为类型以及城市实体异常状态构成作为异常检测结果。
7.根据权利要求6所述的基于5G的智慧城市智能安防方法，其特征在于，所述安防中心平台综合所述异常检测结果与所述其他物联网安防设备的报警信息，进行风险事件识别与预警分析的步骤，包括：
对所述异常检测结果和所述报警信息进行规范化处理，统一数据格式和语义，得到标准化的异常检测结果和报警信息；
基于时间和地理空间坐标，将标准化的异常检测结果和报警信息中属于同一个第一事件的第一异常检测结果和第一报警信息进行相关联；
根据历史异常事件数据和历史报警数据构建风险事件画像；
根据所述风险事件画像，对关联后的所述第一异常检测结果和所述第一报警信息进行综合分析，识别所述第一事件是否构成风险事件；
当所述第一事件构成风险事件时，确定所述第一事件的风险级别，输出事件类型、风险级别和置信度信息；
将所述第一事件与所述城市数字孪生模型关联；
重构还原所述第一事件在所述目标城市的现实场景中的具体情景；
根据所述具体情景的严重程度触发预警，生成预警信息和建议策略。
8.根据权利要求7所述的基于5G的智慧城市智能安防方法，其特征在于，还包括所述安防中心平台利用所述目标城市的历史视频数据构建实时动态三维安防电子地图以实现场景模拟与复杂情况下的事先预警的步骤，具体是：
从所述城市数字孪生模型中导出静态三维地图；
提取所述历史视频数据的光流特征，计算运动向量拼接轨迹；
根据所述拼接轨迹重建视频里事件中的人物和城市实体的动态三维坐标；
将所述动态三维坐标与所述静态三维地图融合形成动态三维安防电子地图；
以所述动态三维安防电子地图为基础，针对不同事件类型定义场景参数、影响范围与动态影响因素；
借助人工智能技术，根据所述场景参数、所述影响范围、所述动态影响因素、所述历史异常事件数据和所述历史报警数据训练出场景预测模型；
根据所述第二视频数据流、所述其他物联网安防设备采集的当前监测数据和所述场景预测模型得到场景预测数据；
基于所述场景预测数据给出预警建议以便提前防范复杂事件。
9.根据权利要求8所述的基于5G的智慧城市智能安防方法，其特征在于，还包括所述安防中心平台设计基于安全计算的隐私保护框架以实现视频数据在安全区域的隐私加密传输的步骤，具体包括：
利用所述动态三维安防电子地图识别隐私区域；
对在所述隐私区域内录制的第一视频进行人脸识别和隐蔽处理，变换人脸特征，并添加随机杂像，得到第二视频；
利用基于深度学习的非对称加密算法对所述第二视频进行同态加密；
在安全计算环境下，利用高度同态加密进行视频处理和分析，得到视频处理和分析结果；
共享所述视频处理和分析结果；
对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度。
10.根据权利要求9所述的基于5G的智慧城市智能安防方法，其特征在于，所述对用户权限进行分类，控制不同用户对所述视频处理和分析结果的访问粒度的步骤，包括：
将用户分为安防管理类用户、执行类用户和社区类用户，并采用电子证书及双重验证码识别用户类别；
为所述安防管理类用户、所述执行类用户和所述社区类用户分配不同级别的查看权限；
将所述视频处理和分析结果细分为行人特征、人流量信息、事件分类这几种结果数据类型；
所述管理类用户可查看所有信息，执行类用户只能查看事件分类结果，社区类用户只看人流量趋势；
根据当前用户的查看权限级别，展示被授权结果数据类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410686084.2A CN118283548B (zh) | 2024-05-30 | 2024-05-30 | 一种基于5g的智慧城市智能安防系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410686084.2A CN118283548B (zh) | 2024-05-30 | 2024-05-30 | 一种基于5g的智慧城市智能安防系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118283548A true CN118283548A (zh) | 2024-07-02 |
| CN118283548B CN118283548B (zh) | 2024-10-11 |
Family
ID=91642457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410686084.2A Active CN118283548B (zh) | 2024-05-30 | 2024-05-30 | 一种基于5g的智慧城市智能安防系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118283548B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470610A (zh) * | 2024-07-09 | 2024-08-09 | 武汉市德发电子信息有限责任公司 | 基于物联网和视觉ai的高空安全作业检测方法及系统 |
| CN118540232A (zh) * | 2024-07-25 | 2024-08-23 | 宁波淞宸动力科技有限公司 | 基于工控设备的数据交互方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381963A (zh) * | 2020-11-12 | 2021-02-19 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 |
| CN116455938A (zh) * | 2023-04-19 | 2023-07-18 | 南京云亿科技有限公司 | 一种基于数字孪生的数据处理平台 |
| US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
| CN117670242A (zh) * | 2023-12-08 | 2024-03-08 | 格瑞利(江苏)智能科技有限公司 | 一种基于数字孪生的智慧城市管理方法及系统 |
-
2024
- 2024-05-30 CN CN202410686084.2A patent/CN118283548B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381963A (zh) * | 2020-11-12 | 2021-02-19 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 |
| US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
| CN116455938A (zh) * | 2023-04-19 | 2023-07-18 | 南京云亿科技有限公司 | 一种基于数字孪生的数据处理平台 |
| CN117670242A (zh) * | 2023-12-08 | 2024-03-08 | 格瑞利(江苏)智能科技有限公司 | 一种基于数字孪生的智慧城市管理方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470610A (zh) * | 2024-07-09 | 2024-08-09 | 武汉市德发电子信息有限责任公司 | 基于物联网和视觉ai的高空安全作业检测方法及系统 |
| CN118540232A (zh) * | 2024-07-25 | 2024-08-23 | 宁波淞宸动力科技有限公司 | 基于工控设备的数据交互方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118283548B (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Laufs et al. | Security and the smart city: A systematic review | |
| CN116307757A (zh) | 一种数据智能交互方法、交互系统、计算机设备及应用 | |
| WO2023030513A1 (zh) | 物联网系统 | |
| CN118283548B (zh) | 一种基于5g的智慧城市智能安防系统及方法 | |
| CN108269331A (zh) | 一种智能视频大数据处理系统 | |
| US20180181872A1 (en) | Knowledge management system | |
| Bang et al. | AR/VR based smart policing for fast response to crimes in safe city | |
| CN111131771A (zh) | 一种视频监控系统 | |
| US20180253813A1 (en) | System and method for incident validation and ranking using human and non-human data sources | |
| CN112328585A (zh) | 一种数据处理的方法和装置 | |
| CN118171920B (zh) | 基于llm模型的园区安全应急响应方法、设备及介质 | |
| CN118075427A (zh) | 一种智能化监控管理方法及系统 | |
| Van Hoang | Impact of integrated artificial intelligence and internet of things technologies on smart city transformation | |
| Yao | Design of Neural Network-Based Smart City Security Monitoring System | |
| CN112382122B (zh) | 一种交通信息处理的方法和装置 | |
| Astarita et al. | Risk Reduction in Transportation Systems: The Role of Digital Twins According to a Bibliometric-Based Literature Review | |
| Boyes et al. | Enabling intelligent cities through cyber security of building information and building systems | |
| CN115906024A (zh) | 一种存储计算一体化的对等计算体系 | |
| CN112468696A (zh) | 一种数据处理的方法和装置 | |
| CN113112242A (zh) | 一种面向工业互联网平台的监测分析方法及系统 | |
| Zuo | Public safety risk prediction of urban rail transit based on mathematical model and algorithm simulation | |
| Raj et al. | A Surveillance System Focused On Approved Blockchains and Computation of Edges | |
| Tian | Embedded Real‐Time Detection of Vehicles and Pedestrians Based on Minimal Networks | |
| KR102473115B1 (ko) | 신고 데이터 분석 시스템 및 방법 | |
| Singh | Blockchain Enabled Machine Learning Approach to Enhance Intelligent Transportation System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |