基于视频监控和DS证据理论融合的公共安全事件检测方法

技术领域

本发明属于公共安全技术领域，具体涉及一种公共安全事件检测方法。

背景技术

在治理公共安全事件的过程中，安全事件的检测环节是第一步也是十分重要的一步。如果不能及时、准确地检测出将要发生或已经发生的公共安全事件，将会对人们的生命安全和财产安全造成极大的损害。现有的基于视频网络的安全事件检测中，传统的基于摄像头的公共安全事件自动检测往往需要将多个摄像头采集的视频图像传输到中央视频服务器，在中央服务器中对各路数据进行计算处理，分析出当前是否有安全事件发生。

此类模型主要存在以下问题：

(1)整体系统采用集中式架构，对中央服务器的硬件要求高，需要具备极高的存储能力和计算能力来存储和分析大量传感器传输的数据，整体系统的成本和能耗高。

(2)集中式架构的传感器覆盖面积小，无法对数量较多的传感器数据进行处理。

(3)模型往往采用神经网络等模型对数据进行处理，此类模型训练周期长，并且需要数据标注、数据清洗等大量的附加工作。

(4)目前传感器发展越来越智能化，价格也越来越低，许多智能传感器均集成了计算模块，可以实时输出经过计算分析的数据。传统的事件决策模型选择在中央服务器对数据进行计算分析，无法充分利用传感器的智能计算功能。

发明内容

为了克服现有技术的不足，本发明提供了一种基于视频监控和DS证据理论融合的公共安全事件检测方法，将复杂数据的分析计算前置，由智能传感器或计算平台完成，再将各传感器的计算结果进行DS证据理论合成，分析得出最终的安全事件信息。本发明能够实现对传感器资源的充分利用以及公共安全事件及时、准确、高效的检测。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：对可能发生的公共安全事件进行分析，得到安全事件类型及致险因子；

步骤2：视频监控网络中发生的公共安全事件包括火灾、人员过度聚集、人员入侵、交通事故；通过摄像头得到与公共安全事件相关的信息包括人员数量、人员行为、场景声音、场景温度；

步骤3：分别采集视频监控网络中每个孤立的摄像头的视频、音频、温度信号；

步骤4：对每一个摄像头准备与其功能对应的计算平台，计算平台具有对摄像头原始数据的计算、分析和处理能力；

步骤5：将每个摄像头采集到的视频、音频、温度信号接入分布式计算平台，在计算平台中各信号进行数据格式调整、脏数据去除预处理操作；

步骤6：根据可能发生的公共安全事件，设定各致险因子条件概率值的识别框架Θ表示如下：

Θ＝{ρ1,ρ2,ρ3,...,ρr}

其中r为大于零的整数，ρ1,ρ2,ρ3,...,ρr为可能发生的公共安全事件；

步骤7：建立Θ的幂集，记为2Θ；幂集2Θ包括识别框架Θ的所有子集；

步骤8：建立映射关系m:2Θ→[0,1]；m表示基本概率赋值；该映射关系满足如下条件：

其中，ρ表示识别框架的任一子集，此时，m(ρ)即为ρ的基本概率赋值；

步骤9：在每个计算平台中，对于接受到的经过预处理的信号，通过设置阈值的方式或根据经验给出公共安全事件在某种致险因子下的发生概率，最终得到公共安全事件在多个维度的概率信息；

步骤10：将步骤9生成的概率信息作为公共安全事件每个判断维度的基本概率赋值BPA；

步骤11：利用步骤11中生成的BPA函数，利用DS证据理论融合规则，对同一种公共安全事件多个维度的BPA函数进行融合，得到融合结果BPA；

融合的公式为：

其中，ρ

步骤12：根据多种信号的融合结果，对当前可能发生的公共安全事件进行判断，给出发生的公共安全事件类型及其置信度。

优选地，所述安全事件类型包括火灾、交通事故、人员入侵。

优选地，所述步骤4的计算平台具有人员检测、行为分析、人员密度检测、火焰检测功能。

本发明的有益效果如下：

通过本发明可以有效的检测到视频监控网络中发生的一些列突发安全事件，在实际实验中，对火灾、人员入侵的检测效果准确可靠。

附图说明

图1为本发明方法架构图。

图2为本发明在视频监控网络中实际应用的架构图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

为解决现有技术的问题，本发明提出了一种基于DS证据理论融合和视频图像的公共安全事件决策模型，模型框架如图1所示，包括如下步骤：

(1)首先对可能发生的公共安全事件进行分析，分析得到安全事件基本类型以及主要致险因子。

(2)进一步，对于视频监控网络中，可能发生的公共安全事件包括火灾、人员过度聚集、人员入侵、交通事故等；通过摄像头可以得到的与安全事件相关的信息主要包括人员数量、人员行为、场景声音、场景温度等。

(3)对于视频监控系统中每个孤立的摄像头，分别采集其视频、音频、温度等信号；

(4)对于每一个摄像头，准备与其功能对应的计算平台，计算平台中包含了对原始数据的计算、分析、处理能力，如人员检测、行为分析、人员密度检测、火焰检测等功能；

(5)将每个摄像头的信号接入分布式计算平台，在计算平台中首先对信号进行数据清洗和预处理，去除脏数据以及对信号进行格式转换。

(6)在分布式计算平台中，通过设置阈值的方式或根据经验给出公共安全事件在某种致险因子下的发生概率。

(7)建立识别框架识别Θ＝{ρ1,ρ2,ρ3,...,ρr}，其中r为大于零的整数，ρ1,ρ2,ρ3,...,ρr为可能发生的公共安全事件；

(8)接下来建立Θ的幂集，记为2Θ；幂集2Θ包括识别框架Θ的所有子集；

(9)建立映射关系m:2Θ→[0,1]；m表示基本概率赋值；该映射关系满足如下条件；

其中，ρ表示识别框架的任一子集，此时，m(ρ)即为ρ的基本概率赋值；

(10)将(6)中生成的概率信息作为公共安全事件每个判断维度的基本概率赋值BPA。

(11)利用(10)中生成的BPA函数，利用经典的DS证据理论融合规则，对同一种公共安全事件多个维度的BPA函数进行融合，得到融合结果BPA。

(12)对基本概率赋值进行信息融合的公式为：

(13)

(14)根据多种信号的融合结果，对当前可能发生的公共安全事件进行判断，给出发生的公共安全事件类型及其置信度。

实施例：

如图2所示，以火灾检测为例，给出基于DS证据理论融合和视频图像的公共安全事件检测方法的具体步骤。

(1)以海康威视摄像头集群为例，构建面向火灾检测的公共安全事件检测框架；

(2)建立面向火灾事件的识别框架Θ＝{阴燃火、明火、熄灭}；

(3)接下来建立Θ的幂集，记为2Θ；幂集2Θ包括识别框架Θ的所有子集；

(4)建立映射关系m:2Θ→[0,1]；m表示基本概率赋值；该映射关系满足如下条件；

其中，ρ表示识别框架的任一子集，此时，m(ρ)即为ρ的基本概率赋值；

(5)建立摄像头可检测出的火灾成因的致险因子，包括温度、烟雾、火焰以及光线强度。

(6)通过海康威视智能摄像头采集每个区域的视频信号，通过摄像头内置的计算模块，对原始的视频信号进行分析处理，得出当前环境中的温度、烟雾、火焰等具体信息。调用SDK使用摄像头内置的计算模块对原始信号进行初步的数据预处理，得到进一步的信号数据。

(7)在第三方计算平台中调用智能摄像头的SDK，获得上述温度、烟雾、火焰信息，对数据进行初步的预处理，对脏数据、差异过大的数据进行去除，得到经过预处理的致险因子数据。

(8)在算法平台中，根据(7)给出三种致险因子数据，通过设置阈值的方式，得到对应的公共安全事件发生的概率，即每个致险因子的BPA函数。

(9)对每个致险因子生成的BPA函数以经典DS证据理论融合算法进行融合，融合过程如下所示：

(10)根据融合结果，得到关于火灾事件识别框架中各个事件的概率，从而分析得出当前是否发生火灾以及发生何种程度的火灾。