TW201933293A - 基於資料融合的安全監控系統與方法 - Google Patents
基於資料融合的安全監控系統與方法 Download PDFInfo
- Publication number
- TW201933293A TW201933293A TW107103279A TW107103279A TW201933293A TW 201933293 A TW201933293 A TW 201933293A TW 107103279 A TW107103279 A TW 107103279A TW 107103279 A TW107103279 A TW 107103279A TW 201933293 A TW201933293 A TW 201933293A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- monitoring system
- fusion
- ith
- virtual
- Prior art date
Links
Landscapes
- Alarm Systems (AREA)
Abstract
一種基於資料融合的安全監控系統,其包括至少一實體監控系統基於不同演算法而形成的第一至第N虛擬監控系統與資料融合與決策裝置。資料融合與決策裝置定義第i虛擬監控系統的第i偵測模型,並根據第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之多筆第i監控資料的多個偵測漏失樣本數、第i偵測模型、第i虛擬監控系統之多個位置的多筆第i監控資料與多筆環境脈絡(context)資料估算出第i虛擬監控系統的第i偵測漏失機率。資料融合與決策裝置根據第一至第N偵測漏失機率決定融合參數組,且根據融合參數組將第一至第N虛擬監控系統之第一至第N偵測結果進行資料融合,以產生決策結果。如此,可以在不提高建置成本增設精確的實體監控系統的情況下,透過資料融合的方式降低整體的偵測漏失機率。
Description
本發明係關於一種安全監控技術,尤其指一種可以將由一個或多個實體監控系統執行不同演算法而形成的多個虛擬監控系統的偵測結果進行資料融合以進行判斷決策的基於資料融合的安全監控系統與方法。
近年來,安全監控技術一直備受產業與政府單位所重視,尤其是在具有高科技、軍事或行政機密的建物或設施的監控上。然而,實體監控系統本身都有個別的物理限制,且可能因為環境(包括天候)等因素,而影響實體監控系統本身的偵測結果,從而導致發生偵測漏失(註:有入侵者,但卻未偵測到入侵者的情況)或錯誤告警(註:沒入侵者,但卻偵測到入侵者的情況)。
一般來說,偵測漏失造成的損失可能會遠大於錯誤告警的損失。因此,傳統作法是將實體監控系統的敏感度調高,以避免偵測漏失。然而,此種作法導致監控人員常常地收到錯誤告警的告警訊息,導致監控制人員可能會因此對告警訊息麻木,從而忽視了正確告警的告警訊息。另外,設置更精確的實體監控系統並汰換現有的實體監控系統之作法雖可以解決上述技術問題,但此作法又導致了額外的成本增加。
因此,為了克服現有技術的不足之處,本發明實施例提供一種融合由現有實體監控系統執行不同演算法而形成的多個虛擬監控系統之多個偵測結果的安全監控系統與方法。所述安全監控系統與方法在無須汰換現有的實體監控系統的情況下,便能夠使得整個安全監控系統的偵測漏失與錯誤告警的機率大幅地下降。
基於前述目的之至少其中一者,本發明實施例提供一種基於資料融合的安全監控系統,其包括由至少一實體監控系統執行不同演算法而形成的第一至第N虛擬監控系統與連結第一至第N虛擬監控系統的資料融合與決策裝置,其中N大於等於2。資料融合與決策裝置定義第一至第N虛擬監控系統的第一至第N偵測模型,其中第i偵測模型用以表示第i虛擬監控系統之多筆第i監控資料與對應多筆第i監控資料之多個第i偵測結果之間的關係,其中i為1至N的整數。融合與決策裝置根據第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之多筆第i監控資料的多個偵測漏失樣本數、第i偵測模型、第i虛擬監控系統之多個位置的多筆第i監控資料與多筆環境脈絡(context)資料估算出第i虛擬監控系統的第i偵測漏失機率。資料融合與決策裝置根據第一至第N偵測漏失機率決定融合參數組,且資料融合與決策裝置根據融合參數組將第一至第N虛擬監控系統之第一至第N偵測結果進行資料融合,以產生決策結果。
基於前述目的之至少其中一者,本發明實施例還提供一種基於資料融合的安全監控方法。首先,定義由至少一實體監控系統執行不同演算法而形成的第一至第N虛擬監控系統的第一至第N偵測模型,其中第i偵測模型用以表示第i虛擬監控系統之多筆第i監控資料與對應多筆第i監控資料之多個第i偵測結果之間的關係,其中i為1至N的整數,以及N大於等於2。根據第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之多筆第i監控資料的多個偵測漏失樣本數、第i偵測模型、第i虛擬監控系統之多個位置的多筆第i監控資料與多筆環境脈絡資料估算出第i虛擬監控系統的第i偵測漏失機率。根據第一至第N偵測漏失機率決定融合參數組。然後,根據融合參數組將第一至第N虛擬監控系統之第一至第N偵測結果進行資料融合,以產生決策結果。
可選地,於本發明實施例中,更可以根據第i虛擬監控系統的在對應多個位置、多筆環境脈絡資料且未有入侵者的假設條件下之多筆第i監控資料的多個錯誤告警樣本數、第i偵測模型、第i虛擬監控系統之多個位置的多筆第i監控資料與多筆環境脈絡資料估算出第i虛擬監控系統的第i錯誤告警機率,且融合參數組根據第一至第N偵測漏失機率與第一至第N錯誤告警機率而被決定。
可選地,於本發明實施例中,基於獲取之第i虛擬監控系統之多筆已知的監控資料與對應多筆已知的監控資料的多筆已知之偵測結果基於機器學習演算法、人工智慧演算法或其他求解模型的演算法定義第i偵測模型
可選地,於本發明實施例中,進行資料融合的方式為透過邏輯運算函數、可靠度規則或環境脈絡規則來進行資料融合,且融合參數組用以決定邏輯運算函數、可靠度規則與環境脈絡規則。
可選地,於本發明實施例中,多筆環境脈絡資料的每一者為定義有雨量、風力、溫度與亮度等變量的天候資料。
簡言之,本發明實施例提供的基於資料融合的安全監控系統與方法係定義由現有一個或多個實體監控系統執行不同演算法形成之多個虛擬監控系統的多個偵測模型。然後,基於資料融合的安全監控系統根據每個虛擬監控系統的多筆監控資料、偵測模型、多筆環境脈絡資料與多個不同條件下的多個監控資料平均數估算出其偵測漏失/錯誤告警機率。接著,基於資料融合的安全監控系統根據偵測漏失與錯誤告警機率決定用於對多個偵測結果進行資料融合的融合參數組。如此一來,基於資料融合的安全監控系統與方法提供了一種不需增設實體監控系統之低成本的技術方案,且其可以減少整體偵測漏失機率與錯誤告警機率。
為充分瞭解本發明之目的、特徵及功效,茲藉由下述具體之實施例,並配合所附之圖式,對本發明做一詳細說明,說明如後。
本發明實施例提供一種基於資料融合的安全監控系統與方法,其無須額外的增設實體監控系統,而是將由現有的一個或多個的實體監控系統執行不同演算法形成的多個虛擬監控系統的偵測結果融合,以進一步產生決策結果。
於實施例中,針對每一個虛擬監控系統,安全監控系統與方法會先進行訓練,以定義出每一個虛擬監控系統的偵測模型。訓練的方式是搜集每一虛擬監控系統的多筆已知的監控資料與對應多筆已知的監控資料的多筆已知的偵測結果後,透過機器學習演算法、人工智慧演算法或其他求解模型的演算法獲得每一虛擬監控系統之多筆監控資料與多筆偵測結果之間的偵測模型。接著,針對每一個虛擬監控系統,安全監控系統與方法根據在有入侵者的多個不同條件下之多個監控資料的多個偵測漏失樣本數、多個位置的環境脈絡機率、多個位置對應的多筆監控資料與偵測模型估算出偵測漏失機率,以及根據在未有入侵者的多個不同條件下之多個監控資料的多個錯誤告警樣本數、多個位置的環境脈絡機率、多個位置對應的多筆監控資料與偵測模型估算出錯誤告警機率。
進行完訓練後,接著進行推論,以產生決策結果。進一步地,安全監控系統與方法根據估算出來的多個虛擬監控系統的偵測漏失機率與錯誤告警機率設置融合參數組,其中融合參數組用以決定多個偵測結果的融合方式。之後,安全監控系統與方法便能根據融合參數組與多個虛擬監控系統的偵測結果來產生決策結果(亦即,根據融合參數組來進行多個偵測結果的資料融合,以產生決策結果)。
在此請注意,由於偵測漏失造成的損失可能會遠大於錯誤告警的損失。因此,在本發明其中一個實施例中,可以不估算錯誤告警機率,且安全監控系統與方法僅根據估算出來的多個虛擬監控系統的偵測漏失機率設置融合參數組。
可選地,於本發明其中一個實施例中,多個偵測結果的資料融合方式可以是透過邏輯運算函數來進行資料融合,且融合參數組可用來決定多個虛擬監控系統的偵測結果的邏輯運算函數。例如,部分偵測結果進行邏輯「和」的運算,另一部分偵測結果進行邏輯「或」的運算,然後多個邏輯運算結果再進行邏輯「和」或「或」的運算,以產生決策結果。
可選地,於本發明其中一個實施例中,多個偵測結果的資料融合方式可以是透過可靠度規則來進行資料融合,且所述融合參數組可用來決定可靠度規則。例如,要求最後的決策結果需大於可靠度門限值,才能輸出決策結果,或要求偵測結果的可靠度須大於可靠度門限值,才能把偵測結果拿來進行資料融合。
可選地,於本發明其中一個實施例中,所述多個偵測結果的資料融合方式可以是透過環境脈絡(context)規則來進行資料融合,且所述融合參數組可用來決定環境脈絡規則。例如,每一個偵測結果對應有環境脈絡資訊,如座標 、物件類型、物件數與精確率,而多個偵測結果機於環境脈絡資訊根據環境脈絡規則來進行資料融合。
首先,請參照本案圖1,圖1是本發明實施例的基於資料融合的安全監控系統的方塊圖。基於資料融合的安全監控系統1包括第一虛擬監控系統111、第二虛擬監控系統112、…、第N虛擬監控系統11N與資料融合與決策裝置12,其中第一虛擬監控系統111、第二虛擬監控系統112、…、第N虛擬監控系統11N透過有線或無線的方式連結資料融合與決策裝置12。
在此請注意,實際上,一個或多個實體監控系統的每一者有不同的演算法,以形成上述第一至第N虛擬監控系統111~11N,亦即第一至第N虛擬監控系統111~11N的每一者是由一個實體監控系統基於其中一個演算法所產生。前述實體的監控系統例如為熱像系統、電子圍籬系統、雷射測距系統或虛擬圍牆系統等,但本發明並不以此為限制。前述變數N為正整數,例如,實體監控系統有兩個,且分別具有一個演算法與兩個演算法被執行,故N可以為3,然而,本發明並不以此為限制。
資料融合與決策裝置12包括多個電路,並經組態後,使得資料融合與決策裝置12具有計算能力。舉例來說,資料融合與決策裝置12為一般電腦,其安裝有相應的軟體程式,從而進行相關的運算,以執行資料融合與決策裝置12所需執行的步驟與所欲達到的功能。
一般來說,熱像系統容易受到溫度的影響。電子圍籬系統或雷射測距系統因為偵測信號之波段的特性,而容易受到水氣的干擾。另外,虛擬圍牆系統是由可見光攝影機提供影像來源作為辨識的依據,故一旦影像品質不佳或遭受先天條件的影響(例如,夜晚無光源、風速過大造成樹葉晃動或影像像素(解析度)不足等),其最後的偵測結果也會直接或間接地被影響。因此,可以知悉,環境脈絡資料中是影響上述各虛擬監控系統之偵測結果的一個重要因素。由上述例子,環境脈絡資料可以例如是包括溼度、風速、溫度與亮度的等變量的天候資料,但本發明不以環境脈絡資料為天候資料為限制。
由於環境會對虛擬監控系統之偵測結果有所影響,故在估算偵測漏失機率與錯誤告警機率時,仍須將環境脈絡因素考量進去。以環境脈絡資料為天候資料為例,溼度可使用「雨天」或「無雨」的二元值來表示,或單純以雨量來表示;風速可以使用「無風」、「微風」或「強風」的三元值,或單純以風力來表示;溫度可使用「低溫」或「高溫」的二元值來表示,或單純以溫度值來表示;以及亮度可使用「白天」或「黑夜」的二元值來表示,或單純以亮度值來表示。
資料融合與決策裝置12會先蒐集第一虛擬監控系統111、第二虛擬監控系統112、…、第N虛擬監控系統11N的多筆已知的第一至第N監控資料與多筆已知的第一至第N偵測結果。前述多筆已知的第一監控資料、第二監控資料與第N監控資料分別是第一虛擬監控系統111、第二虛擬監控系統112、…、第N虛擬監控系統11N之偵測錯誤漏失與錯誤告警的原始資料,以利於減少取得後續之在有侵入者與未有侵入者之多個不同條件下的多個監控資料的多個偵測漏失樣本數與多個錯誤告警樣本數的計算。然而,本發明並不限制於此,前述多筆已知的第一監控資料、第二監控資料與第N監控資料亦可以分別是第一虛擬監控系統111、第二虛擬監控系統112、…、第N虛擬監控系統11N之非偵測錯誤漏失與非錯誤告警的原始資料,但此作法需要額外地再計算統計在有侵入者與未有侵入者之多個不同條件下的多個監控資料的多個偵測漏失樣本數與多個錯誤告警樣本數。
接著,資料融合與決策裝置12可根據第i虛擬監控系統之多筆已知的第i監控資料與對應多筆已知的第i監控資料的多筆已知的第i偵測結果,透過機器學習演算法、人工智慧演算法或其他求解模型的演算法(亦即,本發明不以求解模型的演算法之類行為限制)定義出第i監控資料與第i偵測結果之關係的偵測模型,其中i等於1至N的整數。之後,資料融合與決策裝置12根據第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之多筆第i監控資料的多個偵測漏失樣本數、多筆環境脈絡資料(用以取得多個位置的環境脈絡機率)、多個位置對應的多筆第i監控資料與第i虛擬監控系統的偵測模型估算出第i虛擬監控系統的第i偵測漏失機率;以及資料融合與決策裝置12根據第i虛擬監控系統的在對應多個位置、多筆環境脈絡資料且未有入侵者的條件下之多筆第i監控資料的多個錯誤告警樣本數、多筆環境脈絡資料(用以取得多個位置的環境脈絡機率)、多個位置對應的多筆第i監控資料與第i虛擬監控系統的偵測模型估算出第i虛擬監控系統的第i錯誤告警機率。
之後,資料融合與決策裝置12會根據第一至第N虛擬監控系統111~11N的第一至第N偵測漏失機率與第一至第N虛擬監控系統111~11N的第一至第N錯誤告警機率設置融合參數組,其中融合參數組係用以決定第一至第N虛擬監控系統111~11N之第一至第N偵測結果的融合方式。之後,資料融合與決策裝置12根據融合參數組與第一至第N虛擬監控系統111~11N之第一至第N偵測結果產生決策結果,以判斷是否有入侵者闖入。
舉例來說,第一至第N監控系統111~11N之第一至第N偵測結果的資料融合方式可以是透過邏輯運算函數來進行資料融合,且所述融合參數組可用來決定第一至第N監控系統111~11N之第一至第N偵測結果的邏輯運算函數。例如,N為3,第一與第二偵測結果以邏輯「和」進行運算後,所獲得的運算結果再與第三偵測結果以邏輯「或」進行運算,從而得到決策結果。
接著,進一步說明估算第i虛擬監控系統的第i偵測漏失機率與第i錯誤告警機率的細節如下。第i虛擬監控系統的第i偵測漏失機率可以表示為(簡稱為公式一),其中變數i、k與l分別表示虛擬監控系統索引值、位置索引值與參數組索引值,變數表示位置索引值k對應的位置,變數表示第i虛擬監控系統於位置所獲取的第i監控資料,函數表示第i虛擬監控系統採用第l參數組時基於第i監控資料的第i偵測結果,函數可為1或0,以表示是否偵測到入侵者,變數表示有入侵者侵入的條件,變數表示環境脈絡資料的向量(其如前所述,可以例如是定義包括有溼度、風速、溫度與亮度等四個變量的天候資料),參數組索引值l是由位置與環境脈絡資料所決定,以及函數表示在有入侵者侵入的條件下,第i虛擬監控系統在位置、環境脈絡資料為以及第i監控資料為的聯合機率。
由於熱像系統與虛擬圍牆系統都可能因為周圍樹木之樹葉晃動而影響偵測結果,電子圍籬系統對於地下水或水坑敏感,而容易被影響,以及上述各實體監控系統執行不同演算法所對應產生的各虛擬監控系統也都對山坡地的地形很敏感。因此,上述公式一中的函數可以簡化改寫為(簡稱為公式二),其中函數在位置、環境脈絡資料且有入侵者的條件下,第i虛擬監控之第i監控資料為的機率,以及函數表示位置及環境脈絡資料的機率(亦即位置的環境脈絡機率)。
由於變數獨立於之條件,因此將公式二代入公式一後,公式一可以改寫為(簡稱為公式三),其中是在位置、環境脈絡資料且有入侵者的條件下,第i虛擬監控系統之第i監控資料的期望值。
接著,利用樣本數近似於期望值的統計概念,公式三可以改寫為(簡稱為公式四),其中是在位置、環境脈絡資料且有入侵者的條件下之第i虛擬監控系統的第i監控資料的偵測漏失樣本數。
由於無法根據第i虛擬監控系統的第i監控資料得知第i偵測結果,因此,透過機器學習演算法、人工智慧演算法或其他求解模型的演算法,基於已知的第i監控資料與已知的對應偵測結果,可以定義出第i監控資料與第i測結果的偵測模型,亦即可以知悉函數的模型。接著,透過公式四,便能夠基於第i虛擬監控系統的偵測模型,根據環境脈絡資料(可以透過統計知悉位置的環境機率)、位置、在位置、環境脈絡資料且有入侵者的條件下之第i虛擬監控系統的第i監控資料的偵測漏失樣本數及各位置的第i監控資料算出第i虛擬監控系統的第i偵測漏失機率。
同樣地,第i虛擬監控系統的第i錯誤告警機率可以表示為(簡稱為公式五),其中函數表示在未有入侵者侵入的條件下,第i虛擬監控系統在位置、環境脈絡資料及第i監控資料為的聯合機率,以及變數表示未有入侵者侵入的條件。基於類似的推導方式,公式五可以因此簡化為(簡稱為公式六),其中是在位置、環境脈絡資料且未有入侵者的條件下之第i虛擬監控系統的第i監控資料本平均數。
接著,透過公式六,便能夠基於第i虛擬監控系統的偵測模型,根據環境脈絡資料(可以透過統計知悉位置的環境機率)、位置、在位置、環境脈絡資料且未有入侵者的條件下之第i虛擬監控系統的第i監控資料的錯誤告警樣本數及各位置的第i監控資料算出第i虛擬監控系統的錯誤告警機率。在獲得第1至第N虛擬監控系統111~11N的第1至第N偵測漏失機率與第1至第N錯誤告警機率後,便能夠根據需求基於算出來的第1至第N偵測漏失機率與第1至第N錯誤告警機率來決定融合參數組,且接著基於融合參數組將第1至第N虛擬監控系統111~11N的第1至第N偵測結果進行融合,以產生決策結果。如此,可以在不改變現有實體監控系統的情況下,利用至少一實體監控系統執行不同演算法所形成之各虛擬監控系統的偵測結果來產生更為精確的決策結果,從而降低基於資料融合的安全監控系統1整體的偵測漏失與錯誤告警機率。
接著,請參照圖2與圖3,圖2是本發明實施例的基於資料融合的安全監控方法的流程圖,圖3是本發明實施例的資料融合與決策裝置的方塊圖。圖2的基於資料融合的安全監控方法可以透過如圖1的資料融合與決策裝置12來實現,且資料融合與決策裝置12可以透過圖3的資料融合與決策裝置3來實現。
圖3的資料融合與決策裝置3透過多個硬體電路(或者由硬體電路配合軟體)的組態,而包括偵測模型定義單元31、機率估算單元32、融合參數設定單元33與決策單元34,其中偵測模型定義單元31連接機率估算單元32,機率估算單元32連接融合參數設定單元33,以及融合參數設定單元33連接決策單元34。
首先,在步驟S201,偵測模型定義單元31定義第一至第N虛擬監控系統的多筆已知之第一至第N監控資料與對應多筆已知之第一至第N監控資料的多筆已知之第一至第N偵測結果。然後,在步驟S202中,偵測模型定義單元31用以求解模型的演算法(例如,透過機器學習演算法、人工智慧演算法或其他求解模型的演算法)定義第一至第N監控制系統的偵測模型,其中第i虛擬監控系統的偵測模型是基於多筆已知之第i監控資料與對應的多筆已知之第i偵測結果而獲得。
然後,在步驟S203中,機率估算單元32根據多筆環境脈絡資料(可以透過統計知悉各位置的環境機率)、多個位置對應的多筆第i監控資料、第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之多筆第i監控資料的多個偵測漏失樣本數與第i虛擬監控系統的偵測模型來估算出第i虛擬監控系統的第i偵測漏失機率,以及根據多筆環境脈絡資料(可以透過統計知悉各位置的環境脈絡機率)、多個位置對應的多筆第i監控資料、第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且未有入侵者的條件下之多筆第i監控資料的多個錯誤告警樣本數與第i虛擬監控系統的偵測模型來算出第i虛擬監控系統的第i錯誤告警機率。
然後,在步驟S204中,融合參數設定單元33用以根據估算出來的第i至第N虛擬監控系統的第i至第N偵測漏失機率與第i至第N錯誤告警機率設置融合參數組。然後,在步驟S205中,決策單元34依據融合參數組將第i至第N虛擬監控系統的第i至第N偵測結果進行資料的融合,以產生決策結果。
據此,透過本發明實施例提供的基於資料融合的安全監控系統與方法可以在無須增設實體監控系統的情況下,利用現有的至少一實體監控系統執行不同演算法所形成之多個虛擬監控系統的多個偵測結果,進行多個偵測結果的資料融合,從而產生決策結果,以減少整體的偵測漏失機率與錯誤告警機率。換言之,基於資料融合的安全監控系統與方法提供了一種低成本之減少整體偵測漏失機率與錯誤告警機率的技術方案。
本發明在上文中已以較佳實施例揭露,然熟習本項技術者應理解的是,上述實施例僅用於描繪本發明,而不應解讀為限制本發明之範圍。應注意的是,舉凡與前述實施例等效之變化與置換,均應設為涵蓋於本發明之範疇內。因此,本發明之保護範圍當以申請專利範圍所界定者為準。
1‧‧‧基於資料融合的安全監控系統
111‧‧‧第一虛擬監控系統
112‧‧‧第二虛擬監控系統
11N‧‧‧第N虛擬監控系統
12、3‧‧‧資料融合與決策裝置
S201~S205‧‧‧步驟
31‧‧‧偵測模型定義單元
32‧‧‧機率估算單元
33‧‧‧融和參數設定單元
34‧‧‧決策單元
圖1是本發明實施例的基於資料融合的安全監控系統的方塊圖。
圖2是本發明實施例的基於資料融合的安全監控方法的流程圖。
圖3是本發明實施例的資料融合與決策裝置的方塊圖。
Claims (10)
- 一種基於資料融合的安全監控系統,包括: 一第一至第N虛擬監控系統,其中一個或多個實體監控系統執行不同的多個演算法以形成該第一至第N虛擬監控系統,且N大於等於2;以及 一資料融合與決策裝置,連結該第一至第N虛擬監控系統,用以定義該第一至第N虛擬監控系統的一第一至第N偵測模型,其中第i偵測模型用以表示該第i虛擬監控系統之多筆第i監控資料與對應該等多筆第i監控資料之多個第i偵測結果之間的關係,其中i為1至N的整數; 其中該融合與決策裝置根據該第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之該等多筆第i監控資料的多個偵測漏失樣本數、該第i偵測模型、該第i虛擬監控系統之該等位置的該等多筆第i監控資料與該等多筆環境脈絡資料估算出該第i虛擬監控系統的一第i偵測漏失機率;該資料融合與決策裝置根據該第一至第N偵測漏失機率決定一融合參數組;以及該資料融合與決策裝置根據該融合參數組將該第一至第N虛擬監控系統之一第一至第N偵測結果進行資料融合,以產生一決策結果。
- 如請求項第1項所述之基於資料融合的安全監控系統,其中該資料融合與決策裝置更根據該第i虛擬監控系統在對應該等位置、該等環境脈絡資料且未有入侵者的條件下之該等多筆第i監控資料的多個錯誤告警樣本數、該第i偵測模型、該第i虛擬監控系統之該等位置的該等多筆第i監控資料與該等多筆環境脈絡資料估算出該第i虛擬監控系統的一第i錯誤告警機率;以及該資料融合與決策裝置根據該第一至第N偵測漏失機率與該第一至第N錯誤告警機率決定該融合參數組。
- 如請求項第1項所述之基於資料融合的安全監控系統,其中基於獲取之該第i虛擬監控系統之多筆已知的監控資料與對應該等多筆已知的監控資料的多筆已知之偵測結果基於一機器學習演算法或一人工智慧演算法定義該第i偵測模型。
- 如請求項第1項所述之基於資料融合的安全監控系統,其中進行資料融合的方式為透過一邏輯運算函數、一可靠度規則或一環境規則來進行資料融合,且該融合參數組用以決定該邏輯運算函數、該可靠度規則或該環境規則。
- 如請求項第1項所述之基於資料融合的安全監控系統,其中該等多筆環境脈絡資料的每一者係為定義有雨量、風力、溫度與亮度等變量的一天候資料。
- 一種基於資料融合的安全監控方法,包括: 定義一第一至第N虛擬監控系統的一第一至第N偵測模型,其中一個或多個實體監控系統執行不同的多個演算法以形成該第一至第N虛擬監控系統,第i偵測模型用以表示該第i虛擬監控系統之多筆第i監控資料與對應該等多筆第i監控資料之多個第i偵測結果之間的關係,其中i為1至N的整數,以及N大於等於2; 根據該第i虛擬監控系統在對應多個位置、多筆環境脈絡資料且有入侵者的條件下之該等多筆第i監控資料的多個偵測漏失樣本數、該第i偵測模型、該第i虛擬監控系統之該等位置的該等多筆第i監控資料與該等多筆環境脈絡資料估算出該第i虛擬監控系統的一第i偵測漏失機率; 根據該第一至第N偵測漏失機率決定一融合參數組;以及 根據該融合參數組將該第一至第N虛擬監控系統之一第一至第N偵測結果進行資料融合,以產生一決策結果。
- 如請求項第6項所述之基於資料融合的安全監控方法,更包括: 根據該第i虛擬監控系統的在對應該等位置、該等多筆環境脈絡資料且未有入侵者的條件下之該等多筆第i監控資料的多個錯誤告警樣本數、該第i偵測模型、該第i虛擬監控系統之該等位置的該等多筆第i監控資料與該等多筆環境脈絡資料估算出該第i虛擬監控系統的一第i錯誤告警機率,其中該融合參數組係根據該第一至第N偵測漏失機率與該第一至第N錯誤告警機率而被決定。
- 如請求項第6項所述之基於資料融合的安全監控方法,其中基於獲取之該第i虛擬監控系統之多筆已知的監控資料與對應該等多筆已知的監控資料的多筆已知之偵測結果基於基於一機器學習演算法或一人工智慧演算法定義該第i偵測模型。
- 如請求項第6項所述之基於資料融合的安全監控方法,其中進行資料融合的方式為透過一邏輯運算函數、一可靠度規則或一環境規則來進行資料融合,且該融合參數組用以決定該邏輯運算函數、該可靠度規則或該環境規則。
- 如請求項第6項所述之基於資料融合的安全監控方法,其中該等多筆環境脈絡資料的每一者係為定義有雨量、風力、溫度與亮度等變量的一天候資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107103279A TWI647664B (zh) | 2018-01-30 | 2018-01-30 | 基於資料融合的安全監控系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107103279A TWI647664B (zh) | 2018-01-30 | 2018-01-30 | 基於資料融合的安全監控系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI647664B TWI647664B (zh) | 2019-01-11 |
TW201933293A true TW201933293A (zh) | 2019-08-16 |
Family
ID=65803775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107103279A TWI647664B (zh) | 2018-01-30 | 2018-01-30 | 基於資料融合的安全監控系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI647664B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI387869B (zh) * | 2009-09-10 | 2013-03-01 | Ind Tech Res Inst | 工業模組化裝置 |
CN104808197B (zh) * | 2015-05-06 | 2017-04-05 | 四川九洲空管科技有限责任公司 | 一种多监视源飞行目标并行跟踪处理方法 |
CN107067019A (zh) * | 2016-12-16 | 2017-08-18 | 上海交通大学 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
-
2018
- 2018-01-30 TW TW107103279A patent/TWI647664B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI647664B (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN113645232B (zh) | 一种面向工业互联网的智能化流量监测方法、系统及存储介质 | |
CN109889476A (zh) | 一种网络安全防护方法和网络安全防护系统 | |
CN109815787B (zh) | 目标识别方法、装置、存储介质及电子设备 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
JP6871877B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
CN109886117A (zh) | 一种目标行为检测的方法和设备 | |
CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
CN112788066A (zh) | 物联网设备的异常流量检测方法、系统及存储介质 | |
CN105469054A (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
CN111931573A (zh) | 基于yolo进化深度学习模型的安全帽检测与预警方法 | |
Buemi et al. | Efficient fire detection using fuzzy logic | |
TWI647664B (zh) | 基於資料融合的安全監控系統與方法 | |
US10509968B2 (en) | Data fusion based safety surveillance system and method | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN115346170A (zh) | 一种燃气设施区域的智能监控方法及装置 | |
CN110782431B (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN110855467B (zh) | 一种基于计算机视觉技术的网络综合态势预测方法 | |
CN113596064A (zh) | 一种安防平台的分析控制方法及系统 | |
CN109246691B (zh) | 一种基于信道冲激响应的入侵检测方法 | |
CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
CN113627284B (zh) | 基于改进CenterNet的实时火焰检测方法及检测装置 | |
CN113344875B (zh) | 一种基于自监督学习的异常图像检测方法 | |
CN115394034B (zh) | 火灾风险的确定方法、装置、系统和机器人 |