买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州远罗软件科技有限公司

摘要：本发明公开了一种应急管理区域入侵检测方法，涉及应急区域管理技术领域，包括步骤如下：在应急管理区域内完全覆盖摄像头设备，并实时监控采集视频流，得到视频帧数据集，对视频帧数据集进行流式处理，以获得原始图像数据；本发明通过采用运动检测算法获得图像内检测的运动目标、目标跟踪算法获取运动目标相关坐标信息、LSTM建立正常行为模型、采用区域检测算法对运动目标进行入侵判断，并使用实时数据流分析技术将计出的异常分数与正常行为模型的正常行为阈值进行判断，以实现运动目标的双重入侵检测判断，降低误报和漏报率，提高检测的全面性、自适应性、可靠性和准确性，增强应急管理的快速响应能力和效果。

主权项：1.一种应急管理区域入侵检测方法，其特征在于，包括步骤如下：S1、在应急管理区域内完全覆盖摄像头设备，并实时监控采集视频流，得到视频帧数据集，对视频帧数据集进行流式处理，以获得原始图像数据；S2、根据原始图像数据，采用清洗、标准化和归一化处理后，从中提取应急管理区域内入侵特征，得到特征图像数据；所述特征图像数据的获取逻辑如下：对原始图像数据oid经过采用清洗、标准化和归一化处理后的归一化图像数据oid3，使用Sobel算子检测图像边缘进行特征提取，则Sobel算子在水平和垂直方向上边缘检测计算公式为且式中，Gx、Gy分别表示为归一化图像数据oid3在水平和垂直方向上的梯度，分别表示为对应水平梯度Gx的Sobel算子卷积核和对应垂直梯度Gy的Sobel算子卷积核，G表示为边缘强度；在提取了若干个特征后，基于边缘强度G设置阈值、标定为Th1，来选择含有需要信息量的特征，并根据选定的特征构建特征图像，获得特征图像数据，则特征选择的判定方式为G≥Th1时，特征选择为G，当G＜Th1时，特征选择为0；特征图像数据的生成为Gx0,y0；S3、使用运动检测算法从特征图像数据中计算得到运动目标，并使用目标跟踪算法对运动目标进行跟踪，得到运动目标的位置坐标信息；所述运动目标的检测步骤如下：利用特征图像数据Gx0,y0，构建背景模型，并采用背景减法随时间更新以适应场景变化，以获得前景物体的估计值，则背景减法的计算公式为式中，表示为下一时刻t0+1帧在x0,y0位置的更新像素值，α表示为学习率，t0表示为前时刻t0帧，表示为当前时刻t0帧的特征图像的像素值，表示为背景模型在x0,y0位置的像素值；应用阈值操作将结果图像转换为二值图像，则二值图像的转换过程为Bjx0，y0＞Th2，Ibinaryx0，y0＝1，且Bjx0，y0≤Th2，Ibinaryx0，y0＝0，式中，Bjx0，y0表示为结果图像在位置x0,y0的像素值，Th2表示为每个像素预先设定的阈值，Ibinaryx0，y0表示为二值图像在位置x0,y0的像素值；使用形态学操作去除噪音，并应用阴影检测算法进一步精细化结果，标识出运动物体的轮廓或区域，则去除噪音的计算公式为Idilatedx0，y0＝max{a,b}×Ibinaryx0+a，y0+b、Ierodedx0，y0＝min{a,b}×Ibinaryx0+a，y0+b，且{a,b}∈S0，式中，Idilatedx0，y0表示为二值图像在膨胀操作后图像的像素值，Ierodedx0，y0表示为二值图像在腐蚀操作后图像的像素值，max{a,b}、min{a,b}分别表示为邻域S0内的最大、最小偏移量，S0表示为结构元素定义的邻域，{a,b}表示为结构元素，a，b表示为在结构元素{a,b}内的一个像素的偏移量；则阴影检测算法的判断方式为当时，则Ishadowx0，y0＝1，且Δcolor＜Th5,Ishadowx0，y0＝0，式中，I′x0，y0表示为形态学操作之后的图像在x0,y0位置的像素值、且实际亮度值是0到255之间的整数，Bjx0，y0t0表示为背景模型在x0,y0位置的像素值、且实际亮度值是0到255之间的整数，[Th3,Th4]分别表示为识别阴影区域接受的亮度比率阈值范围，Δcolor表示为当前图像像素与背景模型像素之间的颜色差异，Th5表示为颜色差异的阈值，进一步确认阴影，Ishadowx0，y0表示为阴影检测的结果图像，判断像素是否属于阴影，等于1时属于阴影，等于0时属于非阴影；为了识别和精细化了运动物体轮廓，确定运动物体的边界框的生成，以准确标记运动目标，则通过已知一组轮廓点坐标和轮廓点的数量、分别标定为xk,yk、k∈[1，n]，利用计算轮廓的最小外接矩形来生成边界框的计算公式为且WBbox＝xmax-xmin、HBbox＝ymax-ymin，以及Bbox＝[xmin,ymin,WBbox,HBbox]，式中，xmin,ymin、xmax,ymax分别表示为边界框的左上角坐标和边界框的右下角坐标，WBbox表示为边界框的宽度，HBbox表示为边界框的高度，Bbox表示为根据一个轮廓点坐标xmin,ymin和计算出的宽度与高度WBbox,HBbox来生出一个边界框；S4、使用神经网络算法，通过对位置坐标信息的历史数据进行学习和训练，建立起正常行为模型，并根据训练后模型对新输入的数据进行异常行为检测和判断；所述正常行为模型的建立步骤如下：从原始图像数据oid，并经过归一化处理后的归一化图像数据oid3中排除特征图像数据Gx0,y0，用于收集足够量的正常行为下的位置坐标数据作为历史数据，进行正常行为模型的学习和训练；构建一个能够捕捉时间序列数据中的长期依赖关系的长短期记忆网络LSTM模型，通过输入层、若干个LSTM层、全连接层和输出层来输出预测，以建立起正常行为模型；定义均方差损失函数来衡量模型预测与真实数据之间的差异，并使用Adam优化器，通过调整LSTM模型的权重，以最小化损失函数；使用交叉验证法评估LSTM模型的泛化能力，并基于训练数据上的性能，为LSTM模型的输出设定一个正常行为阈值、标定为Th6，用于区分正常行为和异常行为；S5、使用区域检测算法对运动目标进行入侵判断，并使用实时数据流分析技术计算与正常行为模型相差的异常分数，用异常分数与正常行为阈值进行入侵行为的运动目标，则根据双重检测运动目标的结果触发警报采取应对措施；所述区域检测算法对运动目标进行入侵判断的逻辑步骤如下：A1、首先采用黑屏掩蔽法，先建立一幅与应急管理区域内监控场景全区域图像大小相同的图像，并将图像的对应像素点的像素值均设置为0，即RGB＝0,0,0，用于对监控场景中的全区域进行全区域掩蔽处理；A2、对应急管理区域内的掩蔽区域和警戒区域进行分类标记并获取警戒区域状态的敏感参数，其中，警戒区域是应急管理区域内预先定义的特定区域；掩蔽区域是应急管理区域内采集的图像画面中被故意遮盖或模糊处理的面貌部分；A3、以运动目标所在区域空间位置状态的敏感参数作为目标入侵的判断依据；所述异常分数的获取步骤如下：根据运动目标的位置坐标预测信息xk+1,yk+1，基于马氏距离算法计算P_值作为转换为异常分数，则异常分数的计算公式为且式中，表示为马氏距离，表示为运动目标的位置坐标xk+1,yk+1的特征向量，表示为正常行为模型中特征的均值向量，T表示为转置，表示为马氏距离的协方差矩阵，P_表示为异常分数，表示为自由度为K的卡方分布的累积分布函数，χ表示为卡方统计量，K表示为自由度；利用LSTM模型建立的正常行为模型中的正常行为阈值Th6，与异常分数进行比较判断，当P_＜Th6时，则判断目标行为处于异常行为模式，当P_≥Th6时，则判断目标行为处于正常行为模式；结合警戒区域状态的敏感参数和异常分数对运动目标在应急管理区域内处于入侵状态时，则触发应急管理区域内的声光警报、系统应用推送的可视化警报信息和公共广播入侵内容警报，并采取安保人员现场检查、入口和出口的关闭或人员疏散、联动警方协助或远程调控的应对措施；S6、采用数据融合技术对多元化数据源的信息进行融合处理，得到更加全面和准确的检测结果，并通过在线学习机制定期和动态地更新检测规则和模型，以适应新的威胁和变化的环境。

全文数据：

权利要求：

百度查询： 苏州远罗软件科技有限公司 一种应急管理区域入侵检测方法