校园无人巡逻机器人远程智能控制系统及方法

技术领域

本申请涉及远程智能控制领域，且更为具体地，涉及一种校园无人巡逻机器人远程智能控制系统及方法。

背景技术

校园安防系统是一个综合性的安全保障体系，旨在保护师生、财产和校园环境。它包括门禁控制、视频监控、报警系统、巡逻和应急响应等多种措施。通过整合这些技术和措施，校园安防系统可以有效预防和应对安全威胁，为校园提供安全、稳定的学习和工作环境。

传统的安防方法主要依赖于人工巡逻和固定摄像头监控相结合，但这种方式存在一些问题。人工巡逻受限于人力和体力，巡逻路线、时间、频率和密度无法完全满足需求。此外，人员在夜间或恶劣天气下可能出现疲劳和怠工现象。同时，人工巡逻无法实时传回现场信息，给突发事件的指挥决策带来不便。固定摄像头监控需要大量设备和线路改造，增加成本，而且无法实现全面覆盖，存在监测盲区。这种传统方法已经无法满足日益复杂的安防需求，需要更智能、高效的解决方案来提升城市安全管理水平。

因此，期望一种校园无人巡逻机器人远程智能控制系统及方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种校园无人巡逻机器人远程智能控制系统及方法，其首先获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据，然后利用深度学习技术，对二者进行特征提取和关联分析，最后通过分类器得到分类结果，以判断是否发出校园安防安全风险预警，进而实现智能化的校园安防监测，提高安全性和响应速度，保障校园师生的安全，同时降低成本和提升管理效率。

根据本申请的一个方面，提供了一种校园无人巡逻机器人远程智能控制系统，其包括：

无人巡逻机器人数据获取模块，用于获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据；

无人巡逻机器人数据提取模块，用于从所述由无人巡逻机器人内置的摄像头采集的校园环境图像和所述由无人巡逻机器人内置的传感器采集的校园环境音频数据中提取校园环境安防全局特征向量和校园环境音频特征向量；

校园安防安全风险预警生成判断模块，用于基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警；

其中，所述校园安防安全风险预警生成判断模块，包括：

校园环境安防数据乘性干扰校正单元，用于对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量；

安全风险预警生成单元，用于将所述校园环境安防关联特征向量通过分类器以得到分类结果，所述分类结果用于判断是否发出校园安防安全风险预警；

其中，所述校园环境安防数据乘性干扰校正单元，包括：

将所述校园环境安防全局特征向量和所述校园环境音频特征向量通过预分类器以得到第一预分类类别概率特征向量和第二预分类类别概率特征向量；

基于所述第一预分类类别概率特征向量和所述第二预分类类别概率特征向量，确定第一干扰系数向量和第二干扰系数向量；

基于所述第一干扰系数向量和所述第二干扰系数向量，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行校正以得到校正后校园环境安防全局特征向量和校正后校园环境音频特征向量；以及融合所述校正后校园环境安防全局特征向量和所述校正后校园环境音频特征向量以得到所述校园环境安防关联特征向量。

根据本申请的另一方面，提供了一种校园无人巡逻机器人远程智能控制方法，其包括：

获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据；

从所述由无人巡逻机器人内置的摄像头采集的校园环境图像和所述由无人巡逻机器人内置的传感器采集的校园环境音频数据中提取校园环境安防全局特征向量和校园环境音频特征向量；

基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警；

其中，基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警，包括：

对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量；

将所述校园环境安防关联特征向量通过分类器以得到分类结果，所述分类结果用于判断是否发出校园安防安全风险预警；

其中，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量，包括：

将所述校园环境安防全局特征向量和所述校园环境音频特征向量通过预分类器以得到第一预分类类别概率特征向量和第二预分类类别概率特征向量；

基于所述第一预分类类别概率特征向量和所述第二预分类类别概率特征向量，确定第一干扰系数向量和第二干扰系数向量；

基于所述第一干扰系数向量和所述第二干扰系数向量，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行校正以得到校正后校园环境安防全局特征向量和校正后校园环境音频特征向量；以及融合所述校正后校园环境安防全局特征向量和所述校正后校园环境音频特征向量以得到所述校园环境安防关联特征向量。

与现有技术相比，本申请提供的一种校园无人巡逻机器人远程智能控制系统及方法，其首先获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据，然后利用深度学习技术，对二者进行特征提取和关联分析，最后通过分类器得到分类结果，以判断是否发出校园安防安全风险预警，进而实现智能化的校园安防监测，提高安全性和响应速度，保障校园师生的安全，同时降低成本和提升管理效率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的校园无人巡逻机器人远程智能控制系统的框图。

图2为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中无人巡逻机器人数据提取模块的框图。

图3为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园环境图像特征提取单元的框图。

图4为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园环境安防特征编码子单元的框图。

图5为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园安防安全风险预警生成判断模块的框图。

图6为根据本申请实施例的校园无人巡逻机器人远程智能控制方法的流程图。

图7为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性系统

图1为根据本申请实施例的校园无人巡逻机器人远程智能控制系统的框图。如图1所示，根据本申请实施例的校园无人巡逻机器人远程智能控制系统100，包括：无人巡逻机器人数据获取模块110，用于获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据；无人巡逻机器人数据提取模块120，用于从所述由无人巡逻机器人内置的摄像头采集的校园环境图像和所述由无人巡逻机器人内置的传感器采集的校园环境音频数据中提取校园环境安防全局特征向量和校园环境音频特征向量；校园安防安全风险预警生成判断模块130，用于基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警。

在上述校园无人巡逻机器人远程智能控制系统100中，所述无人巡逻机器人数据获取模块110，用于获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据。应可以理解，校园巡逻是指校园安保人员定期或不定期在校园内进行巡查、监控和警戒，以维护校园内的秩序和安全。巡逻范围通常包括校园各个区域，如教学楼、宿舍区、操场等，旨在防范各类安全事件，保障师生员工的人身和财产安全。通过巡逻，安保人员可以及时发现异常情况、处理突发事件，提高校园安全意识，加强安全防范措施，确保校园内的安全稳定和秩序井然。然而，传统的安防方法受限于人力和体力，无法满足对巡逻路线、时间、频率和密度的高效管理需求。此外，人员在夜间或恶劣天气下容易出现疲劳和怠工现象，影响安全监控效果。人工巡逻还无法实时传回现场信息，给突发事件的指挥决策带来不便和延迟。而即使使用固定摄像头监控，也需要大量设备和线路改造，增加维护成本，而且无法实现全面覆盖，容易产生监测盲区，影响安全监控的全面性和准确性。这种传统方法在面对日益复杂的安防需求时已显不足，因此，本申请的申请人通过结合深度学习技术和无人巡逻机器人，对是否发出校园安防安全风险预警进行判断。其中，获取无人巡逻机器人内置摄像头采集的校园环境图像和传感器采集的校园环境音频数据对于校园无人巡逻机器人远程智能控制系统至关重要。这些数据源提供了系统所需的实时环境信息，帮助系统对校园安全状况进行全面监测和分析。其中，摄像头采集的图像数据是系统的主要视觉输入，能够提供校园各个区域的实时视觉信息。通过分析这些图像数据，系统可以检测校园内的人员活动、车辆行驶情况、物品摆放位置等，从而实时了解校园内的情况。这对于发现异常行为、潜在安全隐患或突发事件具有重要意义，有助于系统及时采取相应措施，确保校园安全。而传感器采集的音频数据提供了校园环境的声音信息。这些数据可以用于监测校园内的声音变化，例如突发的喧哗声、警报声或异常声音。通过分析音频数据，系统可以及时发现可能存在的问题，如斗殴、非法入侵或其他紧急情况，从而加强校园安全防范措施。获取摄像头采集的图像和传感器采集的音频数据为校园无人巡逻机器人远程智能控制系统提供了全面的感知能力。这些数据的实时分析和处理可以帮助系统快速响应各种安全挑战，提高校园安全管理的效率和准确性。通过有效利用这些数据源，系统可以实现对校园环境的全面监控，及时发现潜在风险并采取必要的预防和处理措施，从而保障校园师生员工的安全和福祉。

在上述校园无人巡逻机器人远程智能控制系统100中，所述无人巡逻机器人数据提取模块120，用于从所述由无人巡逻机器人内置的摄像头采集的校园环境图像和所述由无人巡逻机器人内置的传感器采集的校园环境音频数据中提取校园环境安防全局特征向量和校园环境音频特征向量。应可以理解，校园环境安防全局特征向量是从摄像头采集的图像数据中提取的关键特征。通过对图像数据进行处理和分析，系统可以提取出反映校园安全状态的重要特征，如人员活动模式、异常物体检测、区域热度分布等。而校园环境音频特征向量则是从传感器采集的音频数据中提取的关键特征。音频数据可以反映出校园内的声音环境，如突发事件的声响、异常声音的出现等。通过对音频数据进行分析和处理，系统可以提取出与安全相关的特征向量，如声音频率、声音强度、声音模式等。这些特征向量有助于系统判断校园内是否存在异常情况，如爆炸声、尖叫声、争吵声等，从而及时发出安全预警并采取必要的措施。综合利用摄像头图像数据和传感器音频数据提取的特征向量，校园无人巡逻机器人远程智能控制系统能够全面感知校园环境的安全状态，及时发现潜在的安全风险，并有效应对各类安全挑战，从而确保校园内师生员工的安全和安宁。

图2为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中无人巡逻机器人数据提取模块的框图。如图2所示，在本申请一个具体的实施例中，所述无人巡逻机器人数据提取模块120，包括：校园环境图像特征提取单元121，用于对所述由无人巡逻机器人内置的摄像头采集的校园环境图像进行特征提取以得到所述校园环境安防全局特征向量；校园环境音频特征提取单元122，用于对所述由无人巡逻机器人内置的传感器采集的校园环境音频数据进行特征提取以得到所述校园环境音频特征向量。应可以理解，图像特征提取是通过对摄像头采集的图像数据进行处理和分析，从中提取出具有代表性和区分度的特征信息。这些特征可能包括颜色、纹理、形状、边缘等视觉属性，以及人员活动模式、物体位置分布等场景信息。得到的校园环境安防全局特征向量的提取可以帮助系统快速识别出校园内的关键信息和异常情况。这种全局特征向量的提取不仅提高了系统的实时监测能力，还为校园安全管理提供了更深入的洞察和预警机制。

进一步地，对无人巡逻机器人内置的传感器采集的校园环境音频数据进行特征提取以得到校园环境音频特征向量是为了从声音信号中提取有意义的特征信息，帮助系统更全面地监测和分析校园安全状况。其中，音频特征提取是通过对传感器采集的音频数据进行预处理和分析，从中提取出反映声音特征的关键信息。这些特征可能包括声音频率、声音强度、声音持续时间、声音模式等声学属性，以及特定事件的声音特征，如爆炸声、尖叫声、争吵声等。这些特征向量能够帮助系统快速定位潜在的安全风险点，如事故发生地点、异常行为等，从而实现对校园安全状况的实时监测和预警。

图3为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园环境图像特征提取单元的框图。如图3所示，在本申请一个具体的实施例中，所述校园环境图像特征提取单元121，包括：校园环境安防卷积子单元1211，用于将所述由无人巡逻机器人内置的摄像头采集的校园环境图像通过校园环境安防卷积神经网络以得到初始校园环境安防特征图；校园环境安防特征编码子单元1212，用于对所述初始校园环境安防特征图进行特征编码以得到所述校园环境安防全局特征向量。应可以理解，校园环境安防卷积神经网络是一种专门设计用于处理图像数据的深度学习模型，能够自动学习图像中的特征信息并进行高效的特征提取。通过将摄像头采集的校园环境图像输入到神经网络中，网络将逐层提取图像的局部特征，然后将这些特征组合起来形成更高级的抽象特征，最终生成初始校园环境安防特征图。具体地，使用所述校园环境安防卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、基于局部特征矩阵的均值池化处理和非线性激活处理以由所述校园环境安防卷积神经网络的最后一层输出所述初始校园环境安防特征图，其中，所述校园环境安防卷积神经网络的输入为所述由无人巡逻机器人内置的摄像头采集的校园环境图像。

进一步地，特征编码是将初始校园环境安防特征图中的丰富信息进行抽象和压缩的过程。通过采用各种特征编码技术，如自编码器、稀疏编码等，系统可以将图像中的复杂特征转换为更具代表性和高效表达的特征表示形式。这样做有助于减少数据的维度、去除冗余信息，提高特征的鲁棒性和可区分性。

图4为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园环境安防特征编码子单元的框图。如图4所示，在本申请一个具体的实施例中，所述校园环境安防特征编码子单元1212，包括：校园环境安防目标检测二级子单元1212-1，用于将所述初始校园环境安防特征图通过校园环境安防目标检测网络以得到校园环境安防感兴趣区域；感兴趣区域掩码设置二级子单元1212-2，用于设置所述校园环境安防感兴趣区域的掩码以得到校园环境安防掩码特征图；安防掩码空间注意力二级子单元1212-3，用于将所述校园环境安防掩码特征图通过校园环境安防掩码空间注意力机制模块以得到校园环境安防注意力特征图；安防注意力特征聚合二级子单元1212-4，用于对所述校园环境安防注意力特征图进行特征聚合以得到所述校园环境安防全局特征向量。应可以理解，校园环境安防目标检测网络是一种专门设计用于从图像中检测和识别目标的深度学习模型，能够自动识别图像中的不同类别的对象，并给出它们的位置信息。通过将初始校园环境安防特征图输入到目标检测网络中，网络可以对图像进行全局扫描，找出其中存在的安全目标或感兴趣区域，如人员、车辆、异常物体等。校园环境安防感兴趣区域是通过目标检测网络识别和定位出来的具有安全关注价值的区域。通过目标检测网络的处理，系统能够准确地标定出图像中的目标位置和边界框，同时识别目标的类别信息，从而实现对校园内各种安全事件和情况的有效监测和分析。这些感兴趣区域可以帮助系统快速定位潜在的安全风险，提供重要的参考信息供安全人员进行进一步处理和决策。具体地，所述校园环境安防目标检测网络为FastR-CNN、Faster R-CNN或RetinaNet。更为具体地，使用所述校园环境安防目标检测网络以如下目标检测公式对所述初始校园环境安防特征图进行处理以得到所述校园环境安防感兴趣区域；

其中，所述目标检测公式为：

其中，

进一步地，校园环境安防感兴趣区域的掩码是一种二值化的图像掩码，用于指示图像中哪些区域是系统关注的安全重点区域。通过在目标检测结果的基础上生成感兴趣区域的掩码，系统可以将注意力集中在这些区域上，忽略其他无关区域，从而提高系统处理图像的效率和准确性。校园环境安防掩码特征图是通过将原始图像与感兴趣区域的掩码进行加权处理得到的新的特征图。在这一步骤中，系统将原始图像中的特征信息与感兴趣区域的掩码进行逐像素相乘，突出这些区域的特征，抑制其他区域的干扰，从而生成一个强调关键区域的特征图。具体地，所述掩码的尺寸和形状与感兴趣区域的尺寸和形状相一致。

更进一步地，校园环境安防掩码空间注意力机制模块是一种专门设计用于处理掩码特征图的模块，旨在通过学习感兴趣区域之间的空间关系和重要性，实现对这些区域的精细调控和加权。通过引入注意力机制，系统可以根据不同区域的重要性和相关性，自适应地调整特征图中各个位置的权重，使关注点更加集中在安全关键区域上。校园环境安防注意力特征图是通过校园环境安防掩码特征图经过注意力机制模块处理后得到的新特征图。在这一步骤中，系统利用掩码空间注意力机制模块对掩码特征图进行加权处理，突出感兴趣区域的特征表示，强化这些区域的表征能力，同时抑制无关区域的干扰，从而提高系统对安全关键区域的关注度和识别能力。具体地，使用所述校园环境安防掩码空间注意力机制模块的卷积编码部分对所述校园环境安防掩码特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述校园环境安防掩码空间注意力机制模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述校园环境安防注意力特征图。更为具体地，对所述初始卷积特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；使用所述空间注意力特征图的卷积层对所述通道特征矩阵进行卷积编码以得到空间注意力图。

特别地，对校园环境安防注意力特征图进行特征聚合以获取校园环境安防全局特征向量的过程旨在将局部关注区域的特征信息整合起来，以获得对整个校园环境安全状态更全面准确的表示。通过特征聚合，系统能够综合考虑各个关键区域的重要特征，从而更好地理解和描述整体安全情况，进一步提高安全监测和识别的效果和性能。通过对校园环境安防注意力特征图进行特征聚合，系统能够更全面地考虑并利用各个关键区域的信息，从而更准确地反映整体安全情况。

在本申请一个具体的实施例中，所述安防注意力特征聚合二级子单元1212-4，包括：将所述初始校园环境安防特征图和所述校园环境安防注意力特征图进行点乘以得到校园环境安防全局特征图；将所述校园环境安防全局特征图进行池化以得到所述校园环境安防全局特征向量。应可以理解，初始校园环境安防特征图包含了对整个校园环境的原始特征表示，反映了全局信息的特征模式。这些特征图提供了对整体安全情况的初步描述，但可能缺乏对关键区域的重点关注和强调。而校园环境安防注意力特征图经过空间注意力机制处理，突出了安全关键区域的特征信息，强化了这些区域的表示能力。这些特征图更加注重局部关注区域的特征表征，能够更好地捕捉关键区域的细节特征。通过将初始校园环境安防特征图和校园环境安防注意力特征图进行点乘操作，系统实现了全局信息和局部关注信息的有效融合。点乘操作能够将两者的特征信息进行逐元素相乘，从而加强关键区域的特征表示，突出安全关键信息，同时抑制无关信息的干扰，生成更具有全局特征和局部关注特征的综合特征图。

进一步地，池化操作是一种常用的特征压缩方法，通过对特征图中的特征进行聚合和提取，将特征图的尺寸减小，同时保留重要信息。在校园环境安防全局特征图上应用池化操作，可以将复杂的特征表示简化为更具代表性的全局特征向量，从而更好地捕捉整体安全状态的关键特征。

在本申请一个具体的实施例中，所述校园环境音频特征提取单元122，包括：对所述由无人巡逻机器人内置的传感器采集的校园环境音频数据进行音频矢量化以得到校园环境音频向量；将所述校园环境音频向量通过校园环境音频深度神经网络以得到所述校园环境音频特征向量。应可以理解，无人巡逻机器人携带的传感器能够实时采集校园环境中的音频数据，这些数据包含了各种环境声音的波形和频谱信息。然而，原始的音频数据通常十分庞大且复杂，不利于直接处理和分析。音频矢量化是通过一系列信号处理和特征提取技术，将音频数据转换为一个维度较低但保留了关键信息的向量表示。这种转换过程可以包括对音频数据进行时频分析、特征提取（如梅尔频率倒谱系数MFCC）、噪声消除、语音识别等步骤，从而提取出音频数据中的重要特征。通过对校园环境音频数据进行矢量化，可以实现对声音信息的数字化表示，方便计算机进行处理和分析。

进一步地，校园环境音频向量是通过音频数据矢量化处理得到的紧凑表示形式，包含了音频数据中的关键特征信息。这些特征向量可能包含音频的频谱、时域特征、声学特征等，是对原始音频信息的抽象和提炼。校园环境音频深度神经网络是一种通过多层神经元组成的网络结构，具有强大的学习能力和特征提取能力。通过将校园环境音频向量输入深度神经网络中，网络可以自动学习和提取音频数据中的复杂特征，逐渐形成更加高级和抽象的表示，从而得到更具有区分性和表征能力的校园环境音频特征向量。具体地，使用所述校园环境音频深度神经网络的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述校园环境音频深度神经网络的第一层的输入为所述校园环境音频向量，所述校园环境音频深度神经网络的最后一层的输出为所述校园环境音频特征向量。

在上述校园无人巡逻机器人远程智能控制系统100中，所述校园安防安全风险预警生成判断模块130，用于基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警。应可以理解，校园环境安防全局特征向量包含了各种环境因素的综合信息，如视频监控数据、传感器数据、人员流动信息等。这些全局特征向量可以反映出校园整体的安全状态和风险情况，为安全预警提供了重要依据。而校园环境音频特征向量则提供了关于校园环境中声音信息的特征表示，包括各种环境声音的频谱、时域特征等。通过分析音频特征向量，可以检测到一些特定的声音模式或异常声音，从而识别潜在的安全风险事件。综合考虑校园环境安防全局特征向量和校园环境音频特征向量，可以建立一个综合的安全评估模型。

图5为根据本申请实施例的校园无人巡逻机器人远程智能控制系统中校园安防安全风险预警生成判断模块的框图。如图5所示，在本申请一个具体的实施例中，所述校园安防安全风险预警生成判断模块130，包括：校园环境安防数据乘性干扰校正单元131，用于对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量；安全风险预警生成单元132，用于将所述校园环境安防关联特征向量通过分类器以得到分类结果，所述分类结果用于判断是否发出校园安防安全风险预警。应可以理解，在本申请技术方案中，考虑到校园环境安防全局特征向量来自摄像头采集的图像数据处理过程，而校园环境音频特征向量来自传感器采集的音频数据处理过程。这两种数据样本的数据分布和特征表示方式可能存在较大差异，导致从中提取的特征向量在性质上有所不同。而由于校园环境安防全局特征向量和校园环境音频特征向量分别来自不同的数据样本，它们可能具有不同的特征维度和表示方式。导致在融合所述校园环境安防全局特征向量和所述校园环境音频特征向量以得到校园环境安防关联特征向量的过程中，会出现类别不平衡，也就是模型偏向于数量较多的类别，而忽略数量较少的类别，这会导致模型在未见过的数据上的泛化能力下降，进而影响其通过分类器得到的分类结果的精准度。同时，来自不同数据源的数据样本量级可能存在差异。例如，摄像头采集的图像数据可能是连续的流数据，而传感器采集的音频数据可能是离散的事件记录。这种样本量级的不均衡会导致在特征融合过程中某些类别的特征量过多或过少，从而引发类别不平衡问题。为了解决这个技术问题，在本申请技术方案中，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量。

具体的，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以得到校园环境安防关联特征向量，包括：

将所述校园环境安防全局特征向量和所述校园环境音频特征向量通过预分类器以得到第一预分类类别概率特征向量和第二预分类类别概率特征向量；基于所述第一预分类类别概率特征向量和所述第二预分类类别概率特征向量，确定第一干扰系数向量和第二干扰系数向量；基于所述第一干扰系数向量和所述第二干扰系数向量，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行校正以得到校正后校园环境安防全局特征向量和校正后校园环境音频特征向量；以及，融合所述校正后校园环境安防全局特征向量和所述校正后校园环境音频特征向量以得到所述校园环境安防关联特征向量。

其中，基于所述第一干扰系数向量和所述第二干扰系数向量，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行校正以得到校正后校园环境安防全局特征向量和校正后校园环境音频特征向量，包括：创建第一DAO接口，所述第一DAO接口用于定义校正特征向量所需的方法；创建实现所述第一DAO的第一类，所述第一类用于实现所述校正特征向量的具体逻辑；在Spring配置文件中配置数据库；配置所述第一类为一个Spring Bean以使得所述第一类能够被Spring容器管理；注入所述第一DAO接口，并调用所述第一DAO接口中的校正特征向量所需的方法；以及，将所述第一干扰系数向量、所述第二干扰系数向量、所述校园环境安防全局特征向量和所述校园环境音频特征向量传入所述第一DAO接口以进行特征向量校正操作以得到所述校正后校园环境安防全局特征向量和所述校正后校园环境音频特征向量。

特别地，使用Spring DAO机制可以提高代码的模块化程度、可维护性和可测试性。其中，基于所述第一干扰系数向量和所述第二干扰系数向量，对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行校正以得到校正后校园环境安防全局特征向量和校正后校园环境音频特征向量的部分步骤化如下。

//创速DA0接口

public interface FeaturevectordAo {

void correctFeaturevector (vector featurevector1, vectorfeaturevector2, vector interferencevector);

//创建DAO实现类

public class FeaturevectorDAOImpl implements FeaturevectorDAo {

//实现校正特征向量的方法

@Override

public void correctFeaturevector(vector featurevector1, vectorfeaturevector2, vector interferencevector)

//根据干扰系数特征向量对特征向量送行校正操作

//这里可以实现乘性干扰校正的具体逻辑

//例如，遍历特征向量和干扰系数向量，对特征向量进行相应的调整

}

}

//在需要校正特征向量的地方注入DAO并调用方法

public class FeaturevectorProcessor {

@Autowired

private FeaturevectordAO featurevectorDAO;

public void processFeaturevectors (vector featurevectori, vectorfeaturevector2, vector interferencevector)；

}

}

这里，通过对所述校园环境安防全局特征向量和所述校园环境音频特征向量进行基于类别概率值的乘性干扰校正以平衡不同类别的所述校园环境安防全局特征向量和所述校园环境音频特征向量的影响，也就是，对于数量较少的类别，其概率值较低，因此干扰系数较大。当将干扰系数乘以特征向量时，会放大该类别的特征值。这有助于模型在分类过程中更加重视数量较少的类别。对于数量较多的类别，其概率值较高，因此干扰系数较小。当将干扰系数乘以特征向量时，会缩小该类别的特征值。这有助于模型在分类过程中减少对数量较多类别的依赖。通过这种方式，乘性干扰校正可以平衡不同类别的影响，提高特征空间的可分离性，并增强校园环境安防关联特征向量的鲁棒性，从而提高分类模型的性能。

进一步地，分类器的作用在于根据已有的标记数据对输入的特征向量进行分类，将其划分到不同的类别中。通过训练分类器，使其能够学习和理解不同特征向量之间的关系，从而能够对新的特征向量进行分类预测。将校园环境安防关联特征向量输入分类器，可以根据其学习到的规律和模式，对当前的安全状态进行评估和分类。分类结果用于判断是否发出校园安防安全风险预警，是基于分类器对输入特征向量的分析和判断结果。当分类器将输入的特征向量划分为表示安全风险的类别时，系统可以自动触发预警机制，通知相关人员并采取必要的安全措施。通过这种方式，可以实现对潜在安全风险的及时识别和应对，保障校园师生员工的安全和利益。

综上，本申请实施例首先获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据，然后利用深度学习技术，对二者进行特征提取和关联分析，最后通过分类器得到分类结果，以判断是否发出校园安防安全风险预警，进而实现智能化的校园安防监测，提高安全性和响应速度，保障校园师生的安全，同时降低成本和提升管理效率。

如上所述，根据本申请实施例的所述校园无人巡逻机器人远程智能控制系统100可以实现在各种终端设备中，例如部署有校园无人巡逻机器人远程智能控制算法的服务器等。在一个示例中，根据校园无人巡逻机器人远程智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该校园无人巡逻机器人远程智能控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该校园无人巡逻机器人远程智能控制系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该校园无人巡逻机器人远程智能控制系统100与该终端设备也可以是分立的设备，并且校园无人巡逻机器人远程智能控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图6为根据本申请实施例的校园无人巡逻机器人远程智能控制方法的流程图。如图6所示，根据本申请实施例的校园无人巡逻机器人远程智能控制方法，其包括：S110，获取由无人巡逻机器人内置的摄像头采集的校园环境图像和由无人巡逻机器人内置的传感器采集的校园环境音频数据；S120，从所述由无人巡逻机器人内置的摄像头采集的校园环境图像和所述由无人巡逻机器人内置的传感器采集的校园环境音频数据中提取校园环境安防全局特征向量和校园环境音频特征向量；S130，基于所述校园环境安防全局特征向量和所述校园环境音频特征向量，判断是否发出校园安防安全风险预警。

这里，本领域技术人员可以理解，上述校园无人巡逻机器人远程智能控制方法中的各个步骤的具体操作已经在上面参考图1至图5的校园无人巡逻机器人远程智能控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图7来描述根据本申请实施例的电子设备。

图7是本发明实施例的电子设备的结构框图。

如图7所示，电子设备包括：处理器和存储器。其中，处理器和存储器相连，如通过总线相连。可选地，电子设备还可以包括收发器。需要说明的是，实际应用中收发器不限于一个，该电子设备的结构并不构成对本发明实施例的限定。

处理器可以是CPU（CentralProcessingUnit，中央处理器），通用处理器，DSP（DigitalSignalProcessor，数据信号处理器），ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路），FPGA（FieldProgrammableGateArray，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框、模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线可包括一通路，在上述组件之间传送信息。总线可以是PCI（PeripheralComponentInterconnect，外设部件互连标准）总线或EISA（ExtendedIndustryStandardArchitecture，扩展工业标准结构）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器用于存储与本发明上述实施例的校园无人巡逻机器人远程智能控制方法对应的计算机程序，该计算机程序由处理器来控制执行。处理器用于执行存储器中存储的计算机程序，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。