CN116193274A - 一种多摄像头安全控制方法和*** - Google Patents
一种多摄像头安全控制方法和*** Download PDFInfo
- Publication number
- CN116193274A CN116193274A CN202310464615.9A CN202310464615A CN116193274A CN 116193274 A CN116193274 A CN 116193274A CN 202310464615 A CN202310464615 A CN 202310464615A CN 116193274 A CN116193274 A CN 116193274A
- Authority
- CN
- China
- Prior art keywords
- difference
- safety control
- acquisition
- image data
- acquisition device
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种多摄像头安全控制方法和***,所述方法包括:步骤S1:在安全控制区域内布设众多个采集装置;步骤S2:从众多个采集装置中确定第一数量C个采集装置作为第一输入矩阵的数据来源;步骤S3:基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源;步骤S4:基于每个采集装置连续采集的图像数据,确定第一输入矩阵中每个元素的元素值;步骤S5:将第一输入矩阵输入安全控制模型中以得到安全控制结果。本发明在现有的软硬件资源条件下,提高摄像头所采集到信息的利用能力,减少人工对安全控制效率产生的不可控影响,从而提高安全控制效率和可扩展性。
Description
技术领域
本发明属于智能安全控制技术领域,尤其涉及一种多摄像头安全控制方法和***。
背景技术
智能电网以双向数字科技创建的输电网络,用来传送电力。它可以侦测电力供应者的电力供应状况。其是建立在集成的、高速双向通信网络的基础上,通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持***技术的应用,实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。随着电网规模的不断扩大,电网监视及运行维护工作量日益增大,远程进行变电站一次设备的运行状态监控、实时视频监控的技术也日趋普及。
目前,呈现出了三个现象;第一,目前电网主要通过能量管理***、自动发电控制、自动电压和无功功率控制、广域动态测量***、实时仿真计算以及广域控制***等手段监控电力***的运行状态和故障过程。但是,随着时代进步和科技的发展,这些手段已经跟不上电网规模的发展速度,在控制方式,安全控制手段,安全控制策略,安全控制效果方面都呈现出一些缺陷。第二,人工智能技术正在飞速发展,其从诞生以来,理论和技术日益成熟,应用领域也不断扩大,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作,基于摄像头的监控装置就是常见的人工智能用产品之一。第三,摄像头这样的基本安全控制硬件设备的价格已经相当便宜了,如何引入人工智能技术对这些设备采集到的信息进行有效利用也很重要。
传统的视频监控***并不具备自主分析的能力,需要采用一些深度学***。安全监控,一般采用的均为简单的视频监控加视频存储的方式:这种监控方式,明显存在效率低下,安全性不高,操作性不强等缺陷。然后,当摄像头以及传感器发生故障时,需要复杂的通信过程来通知有关人员进行现场维护。最后,传统的视频监控***并不具备自主分析的能力,软硬件资源对分析能力的支撑有限;值的引起重视的是:传统的分析方式不能够有效和充分的利用到可以获取到的监控信息从而进行安全控制,需要结合人工智能技术对传统的安全控制方法进行提高和改进。
因此,如何在现有的软硬件资源条件下,提高自主分析能力,提高摄像头所采集到图像信息的利用能力,减少人工对安全控制效率产生的不可控影响,从而提高电网等***的安全控制效率以及可扩展性,是急待解决的问题。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种多摄像头安全控制方法和***,所述方法包含:
步骤S1:在安全控制区域内布设众多个采集装置;采集装置连续采集和所述采集装置对应区域范围内的图像数据;
步骤S2:从众多个采集装置中确定第一数量C个采集装置作为第一输入矩阵的数据来源;其中:所述第一输入矩阵是安全控制模型的输入;
所述步骤S2具体包括如下步骤:
步骤S21:从众多个采集装置中,以目标位置为中心,以第一长度为半径范围筛选得到多个采集装置;
优选的:所述第一长度是预设值;当筛选得到的采集装置数量不足C个时,可以用复制采集装置的采集数据、填充默认采集数据等方式来兼容后续处理;
步骤S22:从所述多个采集装置中获取一个未处理采集装置最近的T+1个时间间隔所采集的图像数据;
步骤S23:确定两个相邻图像数据之间的差异矩阵,从而得到T个差异矩阵;
步骤S24:计算每个差异矩阵的差异熵;所述差异熵用于量化的反映相邻图像数据之间的差异大小;
所述计算每个差异矩阵的差异熵,具体为:采用下式计算每个差异矩阵的差异熵/>;其中:/>是第t差异矩阵的差异熵,/>;/>是第t差异矩阵中的第/>元素值;TR=[/>是和采集装置对应的差异模板矩阵;/>是临时元素;
步骤S26:确定是否所有采集装置均处理完毕,如果是,则进入下一步骤,否则返回步骤S22;
步骤S27:获取最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;具体为:计算每个差异熵向量的模值,选取模值最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;
步骤S3:基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源,使得第一输入矩阵中的每个元素的数据来源于所述C个采集装置中的一个;
步骤S4:基于每个采集装置连续采集的图像数据,确定第一输入矩阵中每个元素的元素值;
步骤S5:将第一输入矩阵输入安全控制模型中以得到安全控制结果。
进一步的,C等于4或9。
进一步的,所述采集装置是图像采集装置;所述图像采集装置包括摄像头、处理单元和存储单元。
进一步的,所述安全控制模型是人工智能模型。
进一步的,所述安全控制结果包含安全控制策略的标识信息。
一种多摄像头安全控制***,所述***包含:众多个采集装置、控制服务器和预警单元;
所述采集装置包括摄像头、处理单元和存储单元;处理单元用于实时将所采集到的图像数据发送给控制服务器;
控制服务器用接收所述众多个采集装置发送的图像数据,并基于单源智能模型和安全控制模型以及所接收的图像数据执行所述多摄像头安全控制方法;其中:单源智能模型用于基于图像数据或者最小差异图像数据得到和单独的采集装置对应的安全控制分类结果;所述安全控制模型用于基于安全控制分类结果得到基于多个采集装置的安全控制结果;
预警单元用于接收安全控制模型输出的安全控制结果,发出和所述安全控制结果对应的预警信息。
进一步的,所述存储单元至少能够存储T+1组图像数据;其中:T是预设值。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的多摄像头安全控制方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的多摄像头安全控制方法。
一种执行设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的多摄像头安全控制方法。
本发明的有益效果包括:
(1)基于多摄像头的布置,广泛的获取所有可用信息,将利用复杂数据的一层安全控制模型拆分为利用简单数据的二层模型,也就是安全控制模型和单源智能模型,降低了模型的复杂度,在有限的硬件计算资源条件下能够充分利用大量采集装置获取到的信息,使得对大量的、多维数据的利用成为可能;
(2)通过改变输入数据来源和数据位置之间的固有关联关系,使得不论目标位置和采集装置之间的关系如何,都能够以相同的数据供给逻辑提供给模型以进行人工智能处理,从而大大提高了数据利用灵活性;
(3)基于差异熵矩阵的元素值分布情况分析,能够在考虑时序变化的基础上二维度的量化比较图像数据的变化情况,从而快速的从多个采集装置中选择数据最有效的采集装置的图像数据作为后续分析的数据来源,大大的提高了安全控制效率和准确度;
(4)在做安全控制时,不仅考虑多采集装置得到的空间维度信息,还充分利用每个采集装置带来的时序维度信息,在得到最终决策结果作运算数据的减少和必要部分的增强,从提高数据利用的有效性和层次性;进一步的,充分利用针对同一场景的图像数据可能发生周期性或者微震荡改变的特点得到最小差异图像数据,从而大大减少输入数据的数据量的同时,提高了训练和模型计算效率。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的多摄像头安全控制方法示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定通过
如附图1所示,本发明提出一种多摄像头安全控制方法,所述方法包括如下步骤:
步骤S1:在安全控制区域内布设众多个采集装置;采集装置连续采集和所述采集装置对应区域范围内的图像数据;
在安全控制区域内布设众多个采集装置,一种方式就是大量的采集装置,例如:众摄像头布局,从而形成对目标位置的重复覆盖;目标位置是安全控制区域内当前的关注焦点;当然,因为安全控制区域很大,所以,所布设的众多个采集装置中的很多是不能覆盖到目标位置的;可以看到,摄像头这样的采集装置的价格不断在下降,也就支持了后续对众摄像头信息的利用,这样的情况和人工智能技术的结合会很显然的提高效率和准确性;也就是说,对于同一个目标位置来说,可能存在多个采集装置能够采集到可用信息,有其是在室外环境下,在环境条件允许的情况下,随着采集装置性能的提高,对同一个目标位置的重复覆盖次数会很多;
优选的:目标位置是固定或移动的;
优选的:每个采集装置有其对应区域范围,在布设时将采集装置调整到最佳角度以对该对应区域范围内进行数据采集;也就是说采集装置的对应区域范围和其采集能力、安装方式,环境条件相关;当然可以辅助设置声音采集、电压采集、电流采集等装置,进行辅助安全控制;
优选的:所述采集装置是图像采集装置;所述图像采集装置包括摄像头、处理单元和存储单元;
优选的:所述图像采集装置包括网络高速球、网络中速球和网络固定摄像机等中的一个或其组合;
步骤S2:从众多个采集装置中确定第一数量C个采集装置作为第一输入矩阵的数据来源;其中:所述第一输入矩阵是安全控制模型的输入;
优选的:C等于4或者9;
所述步骤S2具体包括如下步骤:
步骤S21:从众多个采集装置中,以目标位置为中心,以第一长度为半径范围筛选得到多个采集装置;
优选的:所述第一长度是预设值;当筛选得到的采集装置数量不足C个时,可以用复制采集装置的采集数据、填充默认采集数据等方式来兼容后续处理;
步骤S22:从所述多个采集装置中获取一个未处理采集装置最近的T+1个时间间隔所采集的图像数据;其中:所述T是预设值;例如:T=4、8、24、128等;
可替换的:T=3、7、23、127;
步骤S23:确定两个相邻图像数据之间的差异矩阵,从而得到T个差异矩阵;例如:将相邻图像数据对应像素差值的绝对值作为差异矩阵中对应元素的元素值;
优选的:所述元素值为灰度值、梯度值等;
步骤S24:计算每个差异矩阵的差异熵;所述差异熵用于量化的反映相邻图像数据之间的差异大小;
所述计算每个差异矩阵的差异熵,具体为:采用下式计算每个差异矩阵的差异熵/>;其中:/>是第t差异矩阵的差异熵,/>;/>是第t差异矩阵中的第/>元素值;TR=[/>是和采集装置对应的差异模板矩阵;/>是临时元素;
其中:差异模板矩阵TR是针对每个采集装置所预设的;是调节系数;对于每个不同的采集装置来说其所处的环境条件是不同的,在做差异量化计算时对差异本身再做一次个性差异化提高一致性,根据环境条件的不同针对不同的采集装置设置不同的差异模板矩阵;
步骤S26:确定是否所有采集装置均处理完毕,如果是,则进入下一步骤,否则返回步骤S22;
步骤S27:获取最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;具体为:计算每个差异熵向量的模值,选取模值最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;
其中:第一输入矩阵中元素的最大数量是第一数量C个;
可替换:所述步骤S27具体包括如下步骤:
步骤S271:将所有差异熵向量构成差异熵矩阵;使得每个差异熵向量构成差异熵矩阵的一个行;
步骤S272:确定差异熵矩阵中最大的count个元素值;设置count的初始值等于C;
步骤S273:确定所述最大的count个元素值所分布的行及其行数LN;当所述行数LN等于C时,将所述最大的count个元素值所分布的行所对应的采集装置为作为第一输入矩阵的数据来源;并结束步骤S27;否则进入下一步骤;
步骤S274:递增count值;设置count=count+1;返回步骤S272;
本发明基于差异熵矩阵的元素值分布情况分析,能够在考虑时序变化的基础上二维度的量化比较图像数据的变化情况,能够快速的从多个采集装置中选择数据最有效的采集装置的数据图像作为后续分析的数据来源,大大的提高了安全控制效率和准确度;而且比较的方式很简单,不需要进行卷积等复杂的图像处理方式,数据处理效率高适合在前期数据预处理时灵活使用;
步骤S3:基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源,使得第一输入矩阵中的每个元素的数据来源于所述C个采集装置中的一个;
优选的:所述目标位置是目标对象所处的位置;目标对象是人、物等;例如:更换后的设备、维修人员等;
所述基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源:具体为:确定目标位置和采集装置之间的直线距离,将所述直线距离按照从小到大的顺序排序后和第一输入矩阵中的固定顺序排列的元素位置关联;设置所述直线距离对应采集装置作为所述关联的元素位置的数据来源;例如:将直线距离排序第5位的直线距离对应采集装置所采集的图像数据作为固定顺序排列第5个矩阵元素位置的数据来源;其中:所述固定顺序是在安全控制模型的训练和使用过程中保持不变的元素位置;固定顺序可以直接按照先行后列的顺序排列;或者任意指定的矩阵元素位置即可,只要在整个的训练和使用过程中保持不变即可;
可替换的:所述基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源:具体为:确定目标位置和采集装置之间的第一直线距离L1;确定图像中的焦点位置;确定焦点位置和采集装置之间的第二直线距离LF;基于所述第一直线距离和第二直线距离计算每个采集装置和目标位置之间的相对距离L;将所述相对距离按照从小到大的顺序排序后和第一输入矩阵中的固定顺序排列的元素位置关联;设置所述相对距离对应采集装置作为所述关联的元素位置的数据来源;
优选的:所述基于所述第一直线距离和第二直线距离计算每个采集装置和目标位置之间的相对距离L;具体为:采用下式计算相对距离L;
本发明通过改变输入数据来源和数据位置之间的关联关系而替代为具有特定内在含义的顺序和数据来源之间的关系,使得不论目标位置和采集装置之间的关系如何,都能够以相同的数据逻辑提供给模型以进行人工智能处理,从而大大提高了安全控制模型的训练效率;
步骤S4:基于每个采集装置连续采集的图像数据,确定第一输入矩阵中每个元素的元素值;具体为:针对每个采集装置,依次将其连续采集到的T+1图像数据输入到单源智能模型中,以得到对应单个采集装置的T+1组单独图像数据的T+1个安全控制分类结果;基于所述T+1个安全控制分类结果得到针对单独采集装置的1个安全控制分类结果;将所述1个安全控制分类结果的数据值作为第一输入矩阵中和所述采集装置对应元素位置的元素值;
优选的:提前训练所述单源智能模型,当训练误差小于预设误差阈值时,则确定所述单源智能模型达到训练目标;单源智能模型是所有采集装置适用的,因此可以简单的获取样本数据进行大量的训练和验证;
优选的:所述单源智能模型是决策网络模型、神经网络模型、卷积神经网络模型、后反馈神经网络模型、多层神经网络模型等;
优选的:所述安全控制分类结果表明了安全控制的类别或分类结果是预设分类结果的概率值;
可替换的:所述步骤S4具体包括如下步骤:
步骤S41:从第一输入矩阵的C个数据来源中获取一个未处理采集装置;
步骤S42:针对最近的按照采集时间顺序排列的T+1组图像数据,计算每组图像数据和其相邻图像数据之间的差异以得到最小差异图像数据;
所述步骤S42具体包括如下步骤:
步骤S422:从第k组到第k-T组之间的所有图像数据中寻找和所述第k组图像数据最相似的图像数据;也就是说,从当前的第k组图像数据往前数T组图像数据中的所有图像数据中寻找;此时,需要缓冲2T+2组图像数据;
优选的:所述最相似的图像数据,具体为:对应位置像素值相同的像素数量最多的两组图像数据为最相似的图像数据;当然可以采用任何其他简单的图像相似确定方式;
步骤S423:计算所述第k组图像数据和最相似的图像数据之间的差异以得到最小差异图像数据;计算差异的方式可以直接选择将像素值相减的方式;
可替换的:计算每两个紧相邻图像数据之间的差异矩阵作为最小差异图像数据,从而得到T个差异矩阵;这里可以直接采用步骤S23中得到的计算结果;这里的差异矩阵是相同的;当然,如果差异计算方式不同,差异矩阵可能也就是不同的;
步骤S424:判断最近的T+1组图像数据是否均处理完,如果否,则返回步骤S421
步骤S43:将T+1个图像数据的最小差异图像的图像数据分别输入到单源智能模型中,以得到对应单个采集装置的T+1个安全控制分类结果;
步骤S44:基于所述T+1个安全控制分类结果得到针对单独采集装置的1个安全控制分类结果;将所述1个安全控制分类结果的数据值作为第一输入矩阵中和所述采集装置对应元素位置的元素值;
所述基于所述T+1个安全控制分类结果得到针对单独采集装置的1个安全控制分类结果,具体为:将T+1个安全控制分类结果进行“与”操作后得到1个安全控制分类结果;
可替换的:所述基于所述T+1个安全控制分类结果得到针对单独采集装置的1个安全控制分类结果,具体为:将T+1个安全控制分类结果进行“乘”操作后得到1个安全控制分类结果;
此时,如果步骤S42中采用差异矩阵的方式,则只有T个最小差异图像数据及其对应的T个安全分类结果;可以采用类似的方式针对该T个安全分类结果得到1个安全分类结果;
本发明在做安全控制时,不仅考虑多采集装置得到的空间维度信息,还充分利用每个采集装置带来的时序维度信息,在得到最终决策结果作运算数据的减少和必要部分增强,从提高数据利用的有效性和层次性;进一步的,充分利用针对同一场景的图像数据可能发生周期性或者微震荡改变的特点得到最小差异图像数据,从而大大减少输入数据的数据量的同时,提高了训练和模型计算效率;
步骤S5:将第一输入矩阵输入安全控制模型中以得到安全控制结果;
优选的:所述安全控制结果是分类结果;例如:分类结果包括:安全、进入预警、预警、警报、紧急等;又例如:安全、不安全;
优选的:所述安全控制模型是人工智能模型;
优选的:所述安全控制模型是卷积神经网络模型;
优选的:所述安全控制模型是自监督学习网络模型,包括:在线编码器、栋梁编码器和损失计算模型;
优选的:所述安全控制模型是多层神经网络模型;提前训练所述安全控制模型,当训练误差小于预设误差阈值时,则确定所述多层神经网络模型为达到训练目标;
优选的:所述安全控制结果是枚举值、二值、向量、位于0到1之间的概率值等中的一个;
优选的:所述安全控制结果包含安全控制策略的标识信息;预警单元基于所述标识信息索引到对应的安全控制策略以进行安全控制;
本发明将利用复杂数据的一层安全控制模型拆分为利用简单数据的二层安全控制模型,也就是安全控制模型和单源智能模型,降低了模型的复杂度,使得在有限的硬件资源条件下对多维数据的利用成为可能;
基于相同的发明构思,本发明提供一种多摄像头安全控制***;所述***包括:众多个采集装置、控制服务器和预警单元;
所述采集装置包括摄像头、处理单元和存储单元;所述存储单元至少能够存储T+1组图像数据;处理单元用于实时将所采集到的图像数据发送给控制服务器;
控制服务器用接收多个采集装置发送的图像数据,并基于单源智能模型和安全控制模型以及所接收的图像数据执行上述多摄像头安全控制方法;其中:单源智能模型用于基于图像数据或者最小差异图像数据得到和单独的采集装置对应的安全控制分类结果;所述安全控制模型用于基于安全控制分类结果得到基于多个采集装置的安全控制结果;
预警单元用于接收安全控制模型输出的安全控制结果,发出和所述安全控制结果对应的预警信息;
术语“采集装置”、“数据处理***”、“预警单元”包涵用于处理数据的所有种类的装置、设备和机器,举例包括可编程处理器、计算机、片上***、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件,所述装置还可以包括代码,创建用于所述计算机程序的执行环境,例如,构成处理器固件、协议栈、数据库管理***、操作***、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施,诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件***中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种多摄像头安全控制方法,其特征在于,包括:
步骤S1:在安全控制区域内布设众多个采集装置;采集装置连续采集和所述采集装置对应区域范围内的图像数据;
步骤S2:从众多个采集装置中确定第一数量C个采集装置作为第一输入矩阵的数据来源;其中:所述第一输入矩阵是安全控制模型的输入;
所述步骤S2具体包括如下步骤:
步骤S21:从众多个采集装置中,以目标位置为中心,以第一长度为半径范围筛选得到多个采集装置;
步骤S22:从所述多个采集装置中获取一个未处理采集装置最近的T+1个时间间隔所采集的图像数据;
步骤S23:确定两个相邻图像数据之间的差异矩阵,从而得到T个差异矩阵;
步骤S24:计算每个差异矩阵的差异熵;所述差异熵用于量化的反映相邻图像数据之间的差异大小;
所述计算每个差异矩阵的差异熵,具体为:采用下式计算每个差异矩阵的差异熵;其中:/>是第t差异矩阵的差异熵,/>;/>是第t差异矩阵中的第/>元素值;TR=[/>是和采集装置对应的差异模板矩阵;/>是临时元素;
步骤S26:确定是否所有采集装置均处理完毕,如果是,则进入下一步骤,否则返回步骤S22;
步骤S27:获取最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;具体为:计算每个差异熵向量的模值,选取模值最大的C个差异熵向量所对应的C个采集装置作为第一输入矩阵的数据来源;
步骤S3:基于目标位置和采集装置之间的位置关系设置第一输入矩阵中每个元素的数据来源,使得第一输入矩阵中的每个元素的数据来源于所述C个采集装置中的一个;
步骤S4:基于每个采集装置连续采集的图像数据,确定第一输入矩阵中每个元素的元素值;
步骤S5:将第一输入矩阵输入安全控制模型中以得到安全控制结果。
2.根据权利要求1所述的多摄像头安全控制方法,其特征在于,所述第一长度是预设值;当筛选得到的采集装置数量不足C个时,用复制采集装置的采集数据、填充默认采集数据的方式来兼容后续处理。
3.根据权利要求1所述的多摄像头安全控制方法,其特征在于,C等于4或9。
4.根据权利要求3所述的多摄像头安全控制方法,其特征在于,所述采集装置是图像采集装置;所述图像采集装置包括摄像头、处理单元和存储单元。
5.根据权利要求4所述的多摄像头安全控制方法,其特征在于,所述安全控制模型是人工智能模型。
6.根据权利要求5所述的多摄像头安全控制方法,其特征在于,所述安全控制结果包含安全控制策略的标识信息。
7.一种多摄像头安全控制***,其特征在于,所述***包含:众多个采集装置、控制服务器和预警单元;
所述采集装置包括摄像头、处理单元和存储单元;处理单元用于实时将所采集到的图像数据发送给控制服务器;
控制服务器用接收所述众多个采集装置发送的图像数据,并基于单源智能模型和安全控制模型以及所接收的图像数据执行权利要求1-6中任一项所述方法;其中:单源智能模型用于基于图像数据或者最小差异图像数据得到和单独的采集装置对应的安全控制分类结果;所述安全控制模型用于基于安全控制分类结果得到基于多个采集装置的安全控制结果;
预警单元用于接收安全控制模型输出的安全控制结果,发出和所述安全控制结果对应的预警信息。
8.根据权利要求7所述的多摄像头安全控制***,其特征在于,所述存储单元至少能够存储T+1组图像数据;其中:T是预设值。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-6中任一项所述的多摄像头安全控制方法。
10.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-6中任一项所述的多摄像头安全控制方法。
11.一种执行设备,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的多摄像头安全控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464615.9A CN116193274B (zh) | 2023-04-27 | 2023-04-27 | 一种多摄像头安全控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464615.9A CN116193274B (zh) | 2023-04-27 | 2023-04-27 | 一种多摄像头安全控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116193274A true CN116193274A (zh) | 2023-05-30 |
CN116193274B CN116193274B (zh) | 2023-07-07 |
Family
ID=86440706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310464615.9A Active CN116193274B (zh) | 2023-04-27 | 2023-04-27 | 一种多摄像头安全控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116193274B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN106228143A (zh) * | 2016-08-02 | 2016-12-14 | 王国兴 | 一种教学视频与摄像头视频运动对比评分的方法 |
WO2017193372A1 (zh) * | 2016-05-13 | 2017-11-16 | 深圳市赛亿科技开发有限公司 | 一种实现全景图像拼接的方法及*** |
CN108121970A (zh) * | 2017-12-25 | 2018-06-05 | 武汉大学 | 一种基于差异矩阵和矩阵度量的行人重识别方法 |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN114429596A (zh) * | 2020-10-29 | 2022-05-03 | 航天信息股份有限公司 | 一种流量统计方法、装置、电子设备及存储介质 |
US20230097584A1 (en) * | 2021-09-27 | 2023-03-30 | Ford Global Technologies, Llc | Object pose estimation |
-
2023
- 2023-04-27 CN CN202310464615.9A patent/CN116193274B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
WO2017193372A1 (zh) * | 2016-05-13 | 2017-11-16 | 深圳市赛亿科技开发有限公司 | 一种实现全景图像拼接的方法及*** |
CN106228143A (zh) * | 2016-08-02 | 2016-12-14 | 王国兴 | 一种教学视频与摄像头视频运动对比评分的方法 |
CN108121970A (zh) * | 2017-12-25 | 2018-06-05 | 武汉大学 | 一种基于差异矩阵和矩阵度量的行人重识别方法 |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN114429596A (zh) * | 2020-10-29 | 2022-05-03 | 航天信息股份有限公司 | 一种流量统计方法、装置、电子设备及存储介质 |
US20230097584A1 (en) * | 2021-09-27 | 2023-03-30 | Ford Global Technologies, Llc | Object pose estimation |
Non-Patent Citations (2)
Title |
---|
杨凯;刘彬;崔中伟;谢斌;: "基于多源数据分析的TEDS故障识别技术研究", 铁路计算机应用, no. 04 * |
陈莹;许潇月;: "基于双向参考集矩阵度量学习的行人再识别", 电子与信息学报, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116193274B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183788B (zh) | 一种域自适应设备运检***和方法 | |
CN112733824B (zh) | 基于视频图像智能前端的变电设备缺陷诊断方法和*** | |
Liu et al. | Research and application of artificial intelligence service platform for the power field | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、***及其存储介质 | |
Wang et al. | Bed: A real-time object detection system for edge devices | |
CN117217280A (zh) | 神经网络模型优化方法、装置及计算设备 | |
CN110942097A (zh) | 基于单像素探测器的免成像分类方法和*** | |
CN116193274B (zh) | 一种多摄像头安全控制方法和*** | |
CN116432736A (zh) | 神经网络模型优化方法、装置及计算设备 | |
CN117833468A (zh) | 一种运行中配电环网柜断路器单元传控部件检修方法 | |
CN115409217B (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
Upadhyay et al. | Big Data Framework with Machine Learning for D and D Applications-19108 | |
Wang et al. | Optimized lightweight CA-transformer: Using transformer for fine-grained visual categorization | |
EP4199498A1 (en) | Site model updating method and system | |
Li et al. | Automated deep learning system for power line inspection image analysis and processing: Architecture and design issues | |
CN113706390A (zh) | 图像转换模型训练方法和图像转换方法、设备及介质 | |
Zhang et al. | Research on multi-source data fusion technology under power cloud platform | |
CN111860286A (zh) | 基于混合策略的暴力行为检测方法及***、存储介质 | |
CN116543135B (zh) | 一种基于复杂场景图像数据采集方法和*** | |
CN117934451B (zh) | 应用于光伏电站的无人机巡检方法及*** | |
Zheng et al. | Research on optimization of agricultural machinery fault monitoring system based on artificial neural network algorithm. | |
Zhang et al. | Vulcan: Automatic Query Planning for Live {ML} Analytics | |
CN113515655B (zh) | 一种基于图像分类的故障识别方法及装置 | |
Xie et al. | Visual Intelligent Monitoring Technology of Data Center Based on SSD Algorithm | |
CN118075314B (zh) | 发电企业智能治安安全监控方法及*** |
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 |