CN106157574A - 一种水政执法动态监控智能预警的方法 - Google Patents
一种水政执法动态监控智能预警的方法 Download PDFInfo
- Publication number
- CN106157574A CN106157574A CN201610485080.3A CN201610485080A CN106157574A CN 106157574 A CN106157574 A CN 106157574A CN 201610485080 A CN201610485080 A CN 201610485080A CN 106157574 A CN106157574 A CN 106157574A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- warning
- leader
- early warning
- 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
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种水政执法动态监控智能预警的方法,包括:步骤1、通过视频监控平台的SMART功能对监控区域进行手动绘制,并对该绘制的区域进行自动侦测并联动报警和录像,获得SMART预警数据,SMART预警数据包括预警的视频点、预警开始时间、预警结束时间和视频内容;所述的视频监控平台内嵌于水政执法动态监控***中;步骤2、在水政执法动态监控***中配置作为选取有效SMART预警数据的判定规则及其预设参数;步骤3、依据步骤2的判定规则选定有效SMART预警数据,对有效SMART预警数据依次进行统计建模、数据密度分析合并算法处理,产生一条完整的预警信息。本发明提供了有效的、完整的预警数据,使得预警的功能达到灵活配置规则、支持智能分析处理的效果。
Description
技术领域
本发明涉及智能监控预警技术领域,特别涉及一种水政执法动态监控智能预警的方法。
背景技术
目前,水利建设稳步推进,水利工程数量日渐增多,迫切需要实现水政监察执法管理的信息化、网络化、自动化,提高执法的力度和管理的科学性,而水政执法动态监控就是其中非常重要的一部分。
当前,视频监控的Smart功能提供了很多预警的功能,这项技术在许多视频监控领域均有应用,在水政执法动态监控***中也加内嵌了视频监控平台,但仅通过Smart功能实现对违法事件的动态监控,其实用性、准确性、有效性上还存在一些不足,水政执法动态监控涉及到智能预警的关键技术难点是:如何对违法多发区域进行实时监控,发现有船只驻留进行违规采砂或者有车进入进行违规倒土等违法事件,就要进行预警,而对于船只经过、车辆经过等正常事件,就不进行预警。
如图3所示,视频监控平台的Smart功能主要有区域入侵侦测、越界侦测、人脸侦测、音频异常侦测、徘徊检测等功能模块,通过安装在指定位置的摄像头拍摄视频获得数据,启动这些模块,针对各模块对应的帧画面变化的判断方法进行分析,输出预警数据,可实现联动预警,但是Smart功能实现的预警是通过光感应技术判断一帧帧画面的变化来实现,侦测时帧画面变化的最大阈值时间只能设置在10秒以内(阈值时间是指帧画面变化持续时长,比如徘徊检测设置阈值为10秒,说明在这监控区域内要有物体不断徘徊、帧画面变化持续时长达10秒以上,才会产生预警);水政执法动态监控的预警所针对的违法事件所捕捉到的帧画面变化时间远远大于10秒,经过以往执法经验分析,一次违法事件的时间一般在20分钟,那么单纯运用视频监控的Smart功能是无法满足水政执法动态监控的实际需求,需要在Smart功能的基础上提高预警的准确性、完整性,对同一个违法事件的预警只产生一条完整的、有效的预警信息。
发明内容
本发明的目的在于提供一种水政执法动态监控智能预警的方法,以提供有效的、完整的预警数据,使得预警的功能达到灵活配置规则、支持智能分析处理的效果。
为实现上述目的,本发明采用的技术方案为:
一种水政执法动态监控智能预警的方法,包括以下步骤:
步骤1、通过视频监控平台的SMART功能对监控区域进行手动绘制,并对该绘制的区域进行自动侦测并联动报警和录像,获得SMART预警数据,SMART预警数据包括预警的视频点、预警开始时间、预警结束时间和视频内容;所述的视频监控平台内嵌于水政执法动态监控***中;
步骤2、在水政执法动态监控***中配置作为选取有效SMART预警数据的判定规则及其预设参数,判定规则为:在预设时间范围内联动报警次数达到预设次数的预警数据作为有效SMART预警数据,其中预设参数为预设时间范围和预设次数;所述的水政执法动态监控***可从视频监控平台获取SMART预警数据;
步骤3、依据步骤2的判定规则选定有效SMART预警数据,对有效SMART预警数据依次进行统计建模、数据密度分析合并算法处理,产生一条完整的预警信息。
所述预设时间范围为20分钟,预设次数为40次。
所述步骤3中,统计建模、数据密度分析合并算法处理过程具体是:
统计建模:SMART预警数据作为原始数据,利用Statistical Leaders算法对原始数据集进行分组建模,获得代表点leader集、每一leader代表类别内包含的数据点及其个数,建模过程建立了一个从原始预警数据集到代表点集的映射,每个数据点在代表点集中都有唯一一个leader与之相对应,数据点最终的分组归属由对应leader所在分组类别直接决定;每一个leader所在分组类别是唯一的,即每一个leader赋予互不相同的类标号N,对应表示不同类别CN;
分析合并:选择任意一个数据点为入口点,以该入口点为一级圆心点,以预设的时间范围为半径画圆,选取所有的位于圆内的数据点并标记这些数据点为边缘点,选取任意一个边缘点为二级圆心点,采用同样的方法选出预设的时间范围的边缘点,知道所有的边缘点均处理完毕,若还有数据点未被选出,则再次选择另一个数据点为入口点重复上述数据点选取过程,若还有数据点未被选出则标记为噪音点,圆心的和所有边缘点标记为同类别的标准点,以该标准点位判定准则;
然后计算leader之间的欧式距离构建相似性矩阵,选取与每一leader相似性最高的前k个点组成k邻域;将leader的密度信息从大到小排序,以此作为合并时的顺序,按照该合并顺序依次将leader与其k邻域内的点进行统计合并判定,若满足判定准则,则将该点与leader合并,遍历所有的leader后,完成对代表点集的合并;
映射归类:依据leader的类别归属,将与其具有对应关系的数据点进行相同的归类,归类的所有数据点均为完整的预警数据。
本发明的有益效果是:通过基于视频监控平台的SMART功能进行绘制监控区域并进行预警以及对预警数据进行统计建模、数据密度分析合并算法进行加工处理,最后生成有效的、完整的预警数据,使得预警的功能达到灵活配置规则、支持智能分析处理的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一种水政执法动态监控智能预警的方法的流程简图;
图2是分组建模中点归类的示意图;
图3是视频监控平台的SMART功能对监控区域进行手动绘制的示意图;
图4是获取的预警数据图表。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图2所示,本发明的一种水政执法动态监控智能预警的方法,包括以下步骤:
步骤1、通过视频监控平台的SMART功能对监控区域进行绘制,并轨该绘制区域进行自动侦测并联动报警和录像,监控区域的绘制如图3所示,对要监控的区域范围进行手动绘制,绘制好这个区域范围后,视频监控平台会对该区域进行自动侦测及联动报警和录像,获得Smart预警数据,比如利用Smart侦测功能的徘徊侦测的绘制区域对重点监控区域进行绘制,然后选择时间阈值(最大为10秒),监控平台通过光感应技术判断一帧帧画面变化的情况,对于“徘徊”的行为(如监控区域内徘徊时长超过所设置的时间阈值),进行自动侦测并联动报警和录像;预警数据内容如图4所示,主要是包括预警的视频点(即监控地址)、预警开始时间、预警结束时间,还可以联动查看录像内容,但是预警的时间段非常短而且频繁,都是一秒一秒的录像片段;
监控区域绘制的目的是通过所绘制的监控区域所在的摄像头对该区域进行录像、帧画面分析和联动报警;所述的视频监控平台内嵌于水政执法动态监控***中;
步骤2、在水政执法动态监控***中配置作为选取有效SMART预警数据的判定规则及其预设参数,判定规则为:在预设时间范围内联动报警次数达到预设次数的预警数据作为有效SMART预警数据,其中预设参数为预设时间和预设次数;所述的水政执法动态监控***可从视频监控平台获取SMART预警数据;比如这里设置了密度范围eps(即预设时间范围)为20分钟,密度范围内的数据个数minPoints(即预设次数)为40个,可以理解为在时间范围20分钟内,出现至少40次的自动预警(通过步骤1知道Smart侦测时间阈值最大为10秒,所以一次自动预警最大时长10秒),说明这个密度范围的自动预警是有效的预警,反之为无效预警;
步骤3、依据步骤2的判定规则选定有效SMART预警数据,对有效SMART预警数据依次进行统计建模、数据密度分析合并算法处理,通过步骤3来剔除哪些无效预警,给出完整、有效地预警数据。
上述统计建模、数据密度分析合并算法处理过程具体是:
分组建模
利用Statistical Leaders算法对原始数据集进行分组建模,获得代表点(leader)集、每一leader代表类别内包含的数据点及其个数。如图2所示,代表点获取规则是,先把一条条的预警数据当做一个个数据点,然后把有些是连续的数据点组合成一个大的数据点,连续的数据点定义就是两条预警数据的开始时间间隔非常短,比如1-2秒以内,时间间隔自行定义,这样的两个数据点就可以合并为一个大的数据点,最后新组合后的一个个数据点看做是一个个代表点leader,一个leader可能代表一个原始数据点,也可能代表多个连续的原始数据点的组合点,建模过程建立了一个从原始数据集到代表点集的映射,每个数据点在代表点集中都有唯一一个leader与之相对应,数据点最终的分组归属由对应leader所在分组类别直接决定。每一个leader所在分组类别是唯一的,即每一个leader赋予互不相同的类标号N,对应表示不同类别CN。
分析合并
首先,数据点的合并是由一个特定的统计合并判定准则来决定的,这个判断准则的算法有两个重要的参数设定,一个是密度范围eps,一个是密度范围内的数据个数minPoints,参照图3解释这个算法:图上一堆点,其中标出ABCN四个点,首先随机选择到A点为实施算法的入口点,我们设定eps范围为图中的圆的半径,minPoints为3(算法中eps和minPoints在具体项目应用中是通过规则来配置)。这样我们根据A为中心,半径为eps的范围,找到了周围的点,这些点个数是大于等于minPoints的,所以他们成为一个簇,并都标记为边缘点,A标记为中心点,用红色表示。然后在标记的边缘点中选取一个再次画半径为eps的圆,如果该圆内的Points个数超过minPoints,则该点也标记为中心点,把新入的标为边缘点再次递归该算法。这样下去就标记完了以A为起始的一个聚类,为图中红色的中心点和黄色的边缘点。直到所有边缘点处理完毕,如果还有Points未处理,再次新产生一个类别来重新启动这个算法过程。所有数据都跑过一遍后,如果有点既不是边缘点也不是中心点的点,就标记为噪音;如果有点是边缘点或者是中心点,就标记为满足判定准则的点。
然后有了判定准则后,通过计算leader之间的欧式距离构建相似性矩阵,选取与每一leader相似性最高的前k个点组成k邻域;然后,将leader的密度信息从大到小排序,以此作为合并时的顺序。这里将每一leader的k邻域中所有leader代表类别内包含数据点的总个数作为其密度信息,数据点个数越多,密度越大。按照该合并顺序依次将leader与其k邻域内的点进行统计合并判定,若满足判定准则,则将该点与leader合并。遍历所有的leader,最终完成对代表点集的合并。在这一阶段,基于密度的合并顺序保证了在任意两个不同的分组进行合并判定时,其自身已经完成了所有可能的合并。
映射归类
由于代表点集与原始数据集之间建立了映射,在完成对代表点集的分组合并后,依据leader的类别归属(每一个leader赋予互不相同的类标号N,对应表示不同类别CN),将与其具有对应关系的数据点进行相同的归类,即实现了对整个数据集的归类。最后完成对整个数据的归类的所有数据点都是有效、完整的数据,无效的数据已经在判定规则的判断中置为噪音数据,剔除掉。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (3)
1.一种水政执法动态监控智能预警的方法,其特征在于,包括以下步骤:
步骤1、通过视频监控平台的SMART功能对监控区域进行手动绘制,并对该绘制的区域进行自动侦测并联动报警和录像,获得SMART预警数据,SMART预警数据包括预警的视频点、预警开始时间、预警结束时间和视频内容;所述的视频监控平台内嵌于水政执法动态监控***中;
步骤2、在水政执法动态监控***中配置作为选取有效SMART预警数据的判定规则及其预设参数,判定规则为:在预设时间范围内联动报警次数达到预设次数的预警数据作为有效SMART预警数据,其中预设参数为预设时间范围和预设次数;所述的水政执法动态监控***可从视频监控平台获取SMART预警数据;
步骤3、依据步骤2的判定规则选定有效SMART预警数据,对有效SMART预警数据依次进行统计建模、数据密度分析合并算法处理,产生一条完整的预警信息。
2.如权利要求1所述的一种水政执法动态监控智能预警的方法,其特征在于:所述预设时间范围为20分钟,预设次数为40次。
3.如权利要求1所述的一种水政执法动态监控智能预警的方法,其特征在于:所述步骤3中,统计建模、数据密度分析合并算法处理过程具体是:
统计建模:SMART预警数据作为原始数据,利用Statistical Leaders算法对原始数据集进行分组建模,获得代表点leader集、每一leader代表类别内包含的数据点及其个数,建模过程建立了一个从原始预警数据集到代表点集的映射,每个数据点在代表点集中都有唯一一个leader与之相对应,数据点最终的分组归属由对应leader所在分组类别直接决定;每一个leader所在分组类别是唯一的,即每一个leader赋予互不相同的类标号N,对应表示不同类别CN;
分析合并:选择任意一个数据点为入口点,以该入口点为一级圆心点,以预设的时间范围为半径画圆,选取所有的位于圆内的数据点并标记这些数据点为边缘点,选取任意一个边缘点为二级圆心点,采用同样的方法选出预设的时间范围的边缘点,知道所有的边缘点均处理完毕,若还有数据点未被选出,则再次选择另一个数据点为入口点重复上述数据点选取过程,若还有数据点未被选出则标记为噪音点,圆心的和所有边缘点标记为同类别的标准点,以该标准点位判定准则;
然后计算leader之间的欧式距离构建相似性矩阵,选取与每一leader相似性最高的前k个点组成k邻域;将leader的密度信息从大到小排序,以此作为合并时的顺序,按照该合并顺序依次将leader与其k邻域内的点进行统计合并判定,若满足判定准则,则将该点与leader合并,遍历所有的leader后,完成对代表点集的合并;
映射归类:依据leader的类别归属,将与其具有对应关系的数据点进行相同的归类,归类的所有数据点均为完整的预警数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610485080.3A CN106157574B (zh) | 2016-06-28 | 2016-06-28 | 一种水政执法动态监控智能预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610485080.3A CN106157574B (zh) | 2016-06-28 | 2016-06-28 | 一种水政执法动态监控智能预警的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157574A true CN106157574A (zh) | 2016-11-23 |
CN106157574B CN106157574B (zh) | 2018-12-18 |
Family
ID=57350072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610485080.3A Active CN106157574B (zh) | 2016-06-28 | 2016-06-28 | 一种水政执法动态监控智能预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157574B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274723A (zh) * | 2017-05-25 | 2017-10-20 | 江苏大学 | 一种基于视觉处理的水面船只识别及预警的实现方法 |
CN108566534A (zh) * | 2018-04-23 | 2018-09-21 | Oppo广东移动通信有限公司 | 基于视频监控的报警方法、装置、终端及存储介质 |
WO2018233003A1 (zh) * | 2017-06-19 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种智慧城市的停车管理方法及*** |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
CN113112869A (zh) * | 2021-04-08 | 2021-07-13 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
CN113436436A (zh) * | 2021-05-20 | 2021-09-24 | 鄂尔多斯市龙腾捷通科技有限公司 | 一种用于交通违法数据处理的智能ai*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101448145A (zh) * | 2008-12-26 | 2009-06-03 | 北京中星微电子有限公司 | Ip摄像机和视频监控***及ip摄像机的信号处理方法 |
CN102074056A (zh) * | 2010-04-09 | 2011-05-25 | 张宏鑫 | 网络智能防盗门 |
CN102202211A (zh) * | 2010-03-23 | 2011-09-28 | 武汉天华科技发展有限公司 | 基于物联网技术的智能安防平台 |
CN204906519U (zh) * | 2015-08-19 | 2015-12-23 | 李峻 | 智慧型摄像机 |
-
2016
- 2016-06-28 CN CN201610485080.3A patent/CN106157574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101448145A (zh) * | 2008-12-26 | 2009-06-03 | 北京中星微电子有限公司 | Ip摄像机和视频监控***及ip摄像机的信号处理方法 |
CN102202211A (zh) * | 2010-03-23 | 2011-09-28 | 武汉天华科技发展有限公司 | 基于物联网技术的智能安防平台 |
CN102074056A (zh) * | 2010-04-09 | 2011-05-25 | 张宏鑫 | 网络智能防盗门 |
CN204906519U (zh) * | 2015-08-19 | 2015-12-23 | 李峻 | 智慧型摄像机 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274723A (zh) * | 2017-05-25 | 2017-10-20 | 江苏大学 | 一种基于视觉处理的水面船只识别及预警的实现方法 |
WO2018233003A1 (zh) * | 2017-06-19 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种智慧城市的停车管理方法及*** |
CN108566534A (zh) * | 2018-04-23 | 2018-09-21 | Oppo广东移动通信有限公司 | 基于视频监控的报警方法、装置、终端及存储介质 |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
CN111310736B (zh) * | 2020-03-26 | 2023-06-13 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
CN113112869A (zh) * | 2021-04-08 | 2021-07-13 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
CN113112869B (zh) * | 2021-04-08 | 2022-09-02 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
CN113436436A (zh) * | 2021-05-20 | 2021-09-24 | 鄂尔多斯市龙腾捷通科技有限公司 | 一种用于交通违法数据处理的智能ai*** |
Also Published As
Publication number | Publication date |
---|---|
CN106157574B (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157574A (zh) | 一种水政执法动态监控智能预警的方法 | |
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置 | |
CN110689054B (zh) | 一种工人违规行为监测方法 | |
CN108009473B (zh) | 基于目标行为属性视频结构化处理方法、***及存储装置 | |
Zhang et al. | Automated detection of grade-crossing-trespassing near misses based on computer vision analysis of surveillance video data | |
CN108062349A (zh) | 基于视频结构化数据及深度学习的视频监控方法和*** | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN109409337B (zh) | 基于卷积神经网络的渣土车特征识别方法 | |
CN106485951A (zh) | 异常驾驶员分类和报告 | |
CN106205143A (zh) | 智能卡口联网*** | |
CN105894539A (zh) | 基于视频识别和侦测运动轨迹的预防盗窃方法和*** | |
CN105070053A (zh) | 一种识别车辆违规运动模式的智能交通监控摄像机 | |
CN106251635A (zh) | 一种套牌嫌疑车牌号的识别方法及*** | |
CN111783530A (zh) | 一种在限制区域内监控及鉴别行为的安全***及方法 | |
CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
CN106934378A (zh) | 一种基于视频深度学习的汽车远光灯识别***及方法 | |
CN105741598A (zh) | 嫌疑车辆落脚点分析处理方法及其装置 | |
CN103605992A (zh) | 一种电力内外网交互中的敏感图像识别方法 | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及*** | |
CN112669598A (zh) | 一种基于车流量的智慧交通管理*** | |
Pozueco et al. | Analysis of driving patterns and on-board feedback-based training for proactive road safety monitoring | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
Karim et al. | An attention-guided multistream feature fusion network for early localization of risky traffic agents in driving videos | |
CN104282147A (zh) | 一种智能车辆监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |