一种智慧校园安全监控预测管理系统

技术领域

本发明涉及智慧校园监控技术领域，尤其涉及一种智慧校园安全监控预测管理系统。

背景技术

智慧校园指的是以物联网为基础的智慧化的校园工作、学习、安全、管理和生活一体化环境，这个一体化环境以各种应用服务系统为载体，将教学、科研、管理和校园生活进行充分融合。

而校园安全与每个师生、家长和社会都有着密切关系，良好的校园安全对每个学生及家庭都有着非常重要的安全保障作用，随着校园人员管理的自由度越来越高，学生出入校门的限制越来越少，也增加了安全隐患，在校园内学生作为出入口进行管制的系统，受到了越来越多的重视。而校园又是人口较为集中的地区虽然现在很多学校在校园内安装了不少视频监控装置，但仅通过保安人工进行监控，但是存在人员交班的时候导致遗漏的情况，仍然不利于安全事故的防范，不便于学校及家长对学生的情况进行及时的了解，并且在一些突发情况时不便于对学生进行管控，而且过多的监控设备容易导致学生和教务人员失去隐私，而监控设备存在死角又容易导致监控不到位；

针对上述的技术缺陷，现提出一种解决方案。

发明内容

本发明的目的在于：通过离校预测单元和留校预测单元分时段在学习时段和非学习时段，对学生异常离校和异常滞留的情况进行判断，将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断学习时段或者非学习时段内的异常人员动作，通过分时段实现分区监控，既避免了监控死角，同时最大程度保护师生隐私。

为了实现上述目的，本发明采用了如下技术方案：一种智慧校园安全监控预测管理系统，包括摄像头标记单元、监控模式切换单元、离校预测单元、留校预测单元和异常通知单元；

摄像头标记单元对校园内分布的摄像头标记为N，并根据摄像头分布位置划分为户外摄像头和室内摄像头，将户外摄像头标记为N1，将室内摄像头标记为N2；

监控模式切换单元录入学校的学习时段，生成离校监控模式和留校监控模式，在离校监控模式下室外有人员流动属于异常情况，在留校监控模式下室内有人员滞留属于异常情况，根据学习时段切换离校监控模式和留校监控模式，针对性分析户外摄像头和室内摄像头获取的图像信息；

离校预测单元在学生的学习时段内通过户外摄像头获取图像信息，对图像信息进行预判断，将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断学习时段内的异常人员动作；

留校预测单元在学校的非学习时段内通过室内摄像头获取图像信息，对图像信息进行预判断，同样将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断非学习时段内的异常人员动作；

异常通知单元获取离校预测单元的异常判断通知，将异常信息发生至学生家长和教师端；获取留校预测单元的异常判断通知，将异常信息发生至教师端和校园保卫处。

进一步的，户外摄像头分布在校园内的建筑物以外的区域，包括操场、校门口和校园道路，室内摄像头分布在校园内的建筑物内，包括教室、器材室、教师办公室和图书馆。

进一步的，离校监控模式下户外摄像头的图像信息优先发送至离校预测单元，通过离校预测单元对图像信息进行处理，同时室内摄像头处于休眠状态，保证学生和教务人员的隐私，留校监控模式下室内摄像头的图像信息优先发送至留校预测单元，通过留校预测单元对图像信息进行处理，同时户外摄像头同样处于工作状态，便于判断非学习时间段校内人员的异常滞留。

进一步的，判断学习时段内的异常人员动作的具体方法如下：

S1、基于卷积神经网络将带有人像特征的图像信息筛选出来，并标记为异常图像；

S2、对异常图像内的人像特征进行人脸识别，获取独立人像特征的个数R，对独立人像特征的个数分类判断如下：

当R＞H1时，其中H1为大于0的自然数，该异常图像标记为一类情况，一类情况表示在学习时段内，出现学生异常离校情况；

当H2＞R≥H1,其中H2为大于0的自然数，该异常图像标记为二类情况，二类情况表示在学习时段内，出现学生结伴异常离校情况；

当H3＞R≥H2,其中H3为大于0的自然数，该异常图像标记为三类情况，三类情况表示在学习时段内，出现学生集群异常离校情况；

S3、针对一类情况和三类情况，将判断结果发生至异常通知单元，进而将异常信息发送至学生家长和教师端，进行情况确认；

S4、针对二类情况进一步识别异常图像内的动作特征，实现异常情况预判。

进一步的，判断非学习时段内的异常人员动作的具体方法如下：

Sa、同样基于卷积神经网络将带有人像特征的图像信息筛选出来，并标记为异常图像；

Sb、对异常图像内的人像特征进行人脸识别，获取独立人像特征的个数R，对独立人像特征的个数分类判断如下：

当R＞H1时，其中H1为大于0的自然数，该异常图像标记为一类情况，一类情况表示在非学习时段内，出现学生异常留校情况；

当H2＞R≥H1,其中H2为大于0的自然数，该异常图像标记为二类情况，二类情况表示在非学习时段内，出现学生结伴异常留校情况；

当H3＞R≥H2,其中H3为大于0的自然数，该异常图像标记为三类情况，三类情况表示在非学习时段内，出现学生集群异常留校情况；

Sc、针对一类情况和三类情况，将判断结果发生至异常通知单元，进而将异常信息发送至学生家长和教师端，进行情况确认；

Sd、针对二类情况进一步识别异常图像内的动作特征，实现异常情况预判。

进一步的，基于卷积神经网络将带有人像特征的图像信息筛选的具体方法如下：

SⅠ、构建卷积神经网络模型：从户外摄像头N1或者室内摄像头N2中获取图像数据，集中读取数据并将其存储在内存或硬盘中，数据集合中包含用于训练的训练数据和用于测试的测试数据；

SⅡ、将数据集合中的训练数据和测试数据转换为三维的张量形式，表示多通道图像；

SⅢ、数据归一化：采用均值去标准差发对图像数进行归一化操作，使其数值在0到1之间或-1到1之间；

SⅣ、对归一化处理后的图像数据进行对比度调整处理，然后加强图像亮度，得到大量的训练数据，同时使得训练数据具有多样性，提高了模型的泛化能力，将图像数据按照8:1:1的比例划分划分为训练集、验证集和测试集三个部分，其中训练集用于训练楼型，验证集用于调整超参数和防止过度拟合，测试集用于评估模型的性能和泛化能力；

SⅤ、修改卷积神经网络的最后一个全连接层，保持输入不变，将输出设置为带有人像特征的特征数据，对最后一层进行权重初始化，使用梯度下降算法进行学习，重新训练整个网络，得到动作特征识别模型；

SⅥ、获取户外摄像头N1或者室内摄像头N2的实时图像信息作为测试集，评估模型效果，输出带有人像特征的图像信息。

进一步的，针对二类情况进一步识别异常图像内的动作特征的具体方法如下：

S①、将带有人像特征的图像信息进行人体特征分离处理，通过卷积层和池化层提取图像中每一人物的独立特征数值集合，建立基准坐标系；

S②、在基准坐标系上标注人物的关键节点坐标M(xa,xb)，其中关键节点包括颈部关节点、双肘关节点、双肩关节点、髋关节点、双膝关节点和双踝关节点，连接人体关节点形成人体姿态简化模型；

S③、以关节节点坐标M(xa,ya)为圆心，以半径为r计算姿态对比区域的面积S,并得到姿态对比区域的四个边界点坐标分别为A(xa-r,ya)、B(xa,ya+r)、C(xa+r,ya)和D(xa,ya-r)；

S④、计算两个相邻的姿态对比区域之间的公共弦的长度d，

当d＜d0，表示相邻的两个人物之间姿态不重合，相邻的两个人物无肢体解除，图像信息内的各人物之间处于安全状态；

当d＞d0，表示相邻的两个人物之间姿态相互重合，相邻的两个人物存在肢体接触，图像信息内的各人物之间处于活跃状态；

S⑤、基于获取状态的图像判断，以t0为时间周期，获取图像信息，并计算图像信息内的公共弦长度数值集合，采用SPSS计算公共弦的长度变化率，得到

当ω＜ω0表示t0时间内，各人物之间存在低频肢体接触，预测各人物之间肢体冲突可能性低，属于正常的肢体交流；

当ωm＜ω≤ω0表示t0时间内，各人物之间存在低频肢体接触，预测各人物之间肢体冲突可能性高，向异常通知单元发出异常判断通知；

当ω≥ωm表示t0时间内，各人物之间存在高频肢体接触，预测各人物之间存在肢体冲突可能极大，向异常通知单元发出异常判断通知。

进一步的，异常通知单元获取离校预测单元的异常判断通知时，优先将异常信息发生至学生家长和教师端，获取学生家长和教师端的反馈后，将异常信息发送至校园保卫处，通知校园保卫处采取预警措施；获取留校预测单元的异常判断通知时，优先将异常信息发生至教师端和校园保卫处，获取教师端和校园保卫处的处理反馈后，处理结果发送至学生家长。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、该智慧校园安全监控预测管理系统，通过离校预测单元和留校预测单元分时段在学习时段和非学习时段，对学生异常离校和异常滞留的情况进行判断，将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断学习时段或者非学习时段内的异常人员动作，通过分时段实现分区监控，既避免了监控死角，同时最大程度保护师生隐私。

2、该智慧校园安全监控预测管理系统，通过离校预测单元判断出学生存在异常出校的情况下，优先告知学生家长和教师端，在通过学生家长或者教师端确认异常的前提下，将异常信息发送至学校保卫处，通过学校保卫处的保安人员采取适当的措施阻止学生离校，在保证学生隐私的前提下，避免出现意外情况。

3、该智慧校园安全监控预测管理系统，通过留校预测单元判断出学生存在异常滞留的情况下，优先告知教师端和学校保卫处，采取就近就急原则，对异常滞留情况作出快速响应，同时在教室端和校园保卫处进行妥善处理后，将处理结果发送至学生家长，在保证处理效率的前提下，确保学生家长获得知情权，同时避免学生家长过度紧张。

附图说明

图1示出了本发明的系统流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例：

如图1所示，一种智慧校园安全监控预测管理系统，包括摄像头标记单元、监控模式切换单元、离校预测单元、留校预测单元和异常通知单元；

工作原理如下：

步骤一、摄像头标记单元对校园内分布的摄像头标记为N，并根据摄像头分布位置划分为户外摄像头和室内摄像头，将户外摄像头标记为N1，将室内摄像头标记为N2；

户外摄像头分布在校园内的建筑物以外的区域，包括操场、校门口和校园道路，室内摄像头分布在校园内的建筑物内，包括教室、器材室、教师办公室和图书馆。

步骤二、监控模式切换单元录入学校的学习时段，生成离校监控模式和留校监控模式，在离校监控模式下室外有人员流动属于异常情况，在留校监控模式下室内有人员滞留属于异常情况，根据学习时段切换离校监控模式和留校监控模式，针对性分析户外摄像头和室内摄像头获取的图像信息；

离校监控模式下户外摄像头的图像信息优先发送至离校预测单元，通过离校预测单元对图像信息进行处理，同时室内摄像头处于休眠状态，保证学生和教务人员的隐私，留校监控模式下室内摄像头的图像信息优先发送至留校预测单元，通过留校预测单元对图像信息进行处理，同时户外摄像头同样处于工作状态，便于判断非学习时间段校内人员的异常滞留。

步骤三、离校预测单元在学生的学习时段内通过户外摄像头获取图像信息，对图像信息进行预判断，将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断学习时段内的异常人员动作；

判断学习时段内的异常人员动作的具体方法如下：

S1、基于卷积神经网络将带有人像特征的图像信息筛选出来，并标记为异常图像；

S2、对异常图像内的人像特征进行人脸识别，获取独立人像特征的个数R，对独立人像特征的个数分类判断如下：

当R＞H1时，其中H1为大于0的自然数，该异常图像标记为一类情况，一类情况表示在学习时段内，出现学生异常离校情况；

当H2＞R≥H1,其中H2为大于0的自然数，该异常图像标记为二类情况，二类情况表示在学习时段内，出现学生结伴异常离校情况；

当H3＞R≥H2,其中H3为大于0的自然数，该异常图像标记为三类情况，三类情况表示在学习时段内，出现学生集群异常离校情况；

S3、针对一类情况和三类情况，将判断结果发生至异常通知单元，进而将异常信息发送至学生家长和教师端，进行情况确认；

S4、针对二类情况进一步识别异常图像内的动作特征，实现异常情况预判。

步骤四、留校预测单元在学校的非学习时段内通过室内摄像头获取图像信息，对图像信息进行预判断，同样将提取到人像特征的图像信息标记为异常图像，进一步对人像特征的动作特征进行分析，判断非学习时段内的异常人员动作；

判断非学习时段内的异常人员动作的具体方法如下：

Sa、同样基于卷积神经网络将带有人像特征的图像信息筛选出来，并标记为异常图像；

Sb、对异常图像内的人像特征进行人脸识别，获取独立人像特征的个数R，对独立人像特征的个数分类判断如下：

当R＞H1时，其中H1为大于0的自然数，该异常图像标记为一类情况，一类情况表示在非学习时段内，出现学生异常留校情况；

当H2＞R≥H1,其中H2为大于0的自然数，该异常图像标记为二类情况，二类情况表示在非学习时段内，出现学生结伴异常留校情况；

当H3＞R≥H2,其中H3为大于0的自然数，该异常图像标记为三类情况，三类情况表示在非学习时段内，出现学生集群异常留校情况；

Sc、针对一类情况和三类情况，将判断结果发生至异常通知单元，进而将异常信息发送至学生家长和教师端，进行情况确认；

Sd、针对二类情况进一步识别异常图像内的动作特征，实现异常情况预判。

基于卷积神经网络将带有人像特征的图像信息筛选的具体方法如下：

SⅠ、构建卷积神经网络模型：从户外摄像头N1或者室内摄像头N2中获取图像数据，集中读取数据并将其存储在内存或硬盘中，数据集合中包含用于训练的训练数据和用于测试的测试数据；

SⅡ、将数据集合中的训练数据和测试数据转换为三维的张量形式，表示多通道图像；

SⅢ、数据归一化：采用均值去标准差发对图像数进行归一化操作，使其数值在0到1之间或-1到1之间；

SⅣ、对归一化处理后的图像数据进行对比度调整处理，然后加强图像亮度，得到大量的训练数据，同时使得训练数据具有多样性，提高了模型的泛化能力，将图像数据按照8:1:1的比例划分划分为训练集、验证集和测试集三个部分，其中训练集用于训练楼型，验证集用于调整超参数和防止过度拟合，测试集用于评估模型的性能和泛化能力；

SⅤ、修改卷积神经网络的最后一个全连接层，保持输入不变，将输出设置为带有人像特征的特征数据，对最后一层进行权重初始化，使用梯度下降算法进行学习，重新训练整个网络，得到动作特征识别模型；

SⅥ、获取户外摄像头N1或者室内摄像头N2的实时图像信息作为测试集，评估模型效果，输出带有人像特征的图像信息。

针对二类情况进一步识别异常图像内的动作特征的具体方法如下：

S①、将带有人像特征的图像信息进行人体特征分离处理，通过卷积层和池化层提取图像中每一人物的独立特征数值集合，建立基准坐标系；

S②、在基准坐标系上标注人物的关键节点坐标M(xa,xb)，其中关键节点包括颈部关节点、双肘关节点、双肩关节点、髋关节点、双膝关节点和双踝关节点，连接人体关节点形成人体姿态简化模型；

S③、以关节节点坐标M(xa,ya)为圆心，以半径为r计算姿态对比区域的面积S,并得到姿态对比区域的四个边界点坐标分别为A(xa-r,ya)、B(xa,ya+r)、C(xa+r,ya)和D(xa,ya-r)；

S④、计算两个相邻的姿态对比区域之间的公共弦的长度d，

当d＜d0，表示相邻的两个人物之间姿态不重合，相邻的两个人物无肢体解除，图像信息内的各人物之间处于安全状态；

当d＞d0，表示相邻的两个人物之间姿态相互重合，相邻的两个人物存在肢体接触，图像信息内的各人物之间处于活跃状态；

S⑤、基于获取状态的图像判断，以t0为时间周期，获取图像信息，并计算图像信息内的公共弦长度数值集合，采用SPSS计算公共弦的长度变化率，得到

当ω＜ω0表示t0时间内，各人物之间存在低频肢体接触，预测各人物之间肢体冲突可能性低，属于正常的肢体交流；

当ωm＜ω≤ω0表示t0时间内，各人物之间存在低频肢体接触，预测各人物之间肢体冲突可能性高，向异常通知单元发出异常判断通知；

当ω≥ωm表示t0时间内，各人物之间存在高频肢体接触，预测各人物之间存在肢体冲突可能极大，向异常通知单元发出异常判断通知。

步骤五、异常通知单元获取离校预测单元的异常判断通知，将异常信息发生至学生家长和教师端；获取留校预测单元的异常判断通知，将异常信息发生至教师端和校园保卫处。

异常通知单元获取离校预测单元的异常判断通知时，优先将异常信息发生至学生家长和教师端，获取学生家长和教师端的反馈后，将异常信息发送至校园保卫处，通知校园保卫处采取预警措施，离校预测单元判断出学生存在异常出校的情况下，优先告知学生家长和教师端，在通过学生家长或者教师端确认异常的前提下，将异常信息发送至学校保卫处，通过学校保卫处的保安人员采取适当的措施阻止学生离校，在保证学生隐私的前提下，避免出现意外情况；

获取留校预测单元的异常判断通知时，优先将异常信息发生至教师端和校园保卫处，获取教师端和校园保卫处的处理反馈后，处理结果发送至学生家长；留校预测单元判断出学生存在异常滞留的情况下，优先告知教师端和学校保卫处，采取就近就急原则，对异常滞留情况作出快速响应，同时在教室端和校园保卫处进行妥善处理后，将处理结果发送至学生家长，在保证处理效率的前提下，确保学生家长获得知情权，同时避免学生家长过度紧张。

区间、阈值的大小的设定是为了便于比较，关于阈值的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据设定基数数量；只要不影响参数与量化后数值的比例关系即可。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置；

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现；这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件；专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围；

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和系统，可以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，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其他的形式；

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中；

所述功能如果以软件功能模块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介质中；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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质；

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。