一种基于人工智能以及物联网的校园安全监测系统

技术领域

本发明涉及智能监测领域，尤其涉及一种基于人工智能以及物联网的校园安全监测系统。

背景技术

校园是学生大量聚集的场所，学生大量聚集可能会产出摩擦，经常会出现学生打架斗殴、追逐争抢等危险行为以致学生受伤，这样类似的校园安全问题频发，严重影响到学校正常的教育教学秩序和学生的健康发展，因此对校园的安全监测显得至关重要，为了减少学生危险行为的发生，需要对校园各角落进行巡查，传统的人工巡查，效率低且易出现漏查现象同时浪费大量人力，为了减轻巡查管理压力，目前的校园安全巡查采用视频监控技术，在校园各个角度安装监控探头，通过在总监控中心查看校园各个角落的监控情况，来减少学生危险行为的发生，随着社会经济及科技的迅速发展，学生在学校学习与生活的多样化，校园已逐步形成一个生态圈，高校安全监测工作中依然存在着种种难点。

经检索，中国专利号CN108242035A公开了一种基于大数据的校园安全监测方法及系统，该发明虽然提高了校园的安全性，提高了学校的管理效率，但是需要手动设置参数，不方便操作，同时进出校人员行为监测准确性低；此外，现有的校园安全监测系统中终端设备连接速度较慢，数据传输的稳定性差，为此，我们提出一种基于人工智能以及物联网的校园安全监测系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于人工智能以及物联网的校园安全监测系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于人工智能以及物联网的校园安全监测系统，包括终端设备、校园登记模块、采集处理模块、特征匹配模块、对比分析模块、云服务器、行为预测模块、告警反馈模块以及连接优化模块；

其中，所述终端设备用于各管理人员以及安保人员实时查看监测数据；

所述校园登记模块用于校内人员登记个人信息，并对收集的各组信息进行分类存储；

所述采集处理模块用于采集各进出校园人员的影像信息，并进行图像优化；

所述特征匹配模块用于收集各校内人员体貌特征，并进行匹配；

所述对比分析模块用于接收采集处理模块处理的图像信息并与各校内人员体貌特征进行比对分析；

所述云服务器用于接收并存储监控信息；

所述行为预测模块用于对比对结果不一致的人物进行监控跟踪，并实时进行级联分析；

所述告警反馈模块用于对行为异常的人物进行反馈，同时将该人物影像信息同步至各管理人员以及安保人员的终端设备中；

所述连接优化模块用于对各组终端设备连接性能进行优化。

作为本发明的进一步方案，所述终端设备具体包括智能手机以及电脑，所述校内人员具体包括教师、学生、学校行政，学校后勤以及学校安保人员。

作为本发明的进一步方案，所述采集处理模块图像优化具体步骤如下：

步骤一：对各校园进出人员影像信息进行逐帧处理以获得相对应人物图片，并依据获取的各组人物图片的显示比例来确定分块数量，并对各组人物图片进行分块处理；

步骤二：将分块处理后的人物图片通过傅里叶正变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的人物图片中的高频成分进行分析提取，并对其进行滤波处理减少噪声，再通过傅里叶反变换将其转换至图像空间。

作为本发明的进一步方案，所述行为预测模块级联分析具体步骤如下：

步骤(1)：行为预测模块构建检测神经网络，并自行寻找该检测神经网络最优参数，之后对采集到的各组人物图片按照不同分辨率进行缩放，并依据缩放完成的人物图片构建图像金字塔；

步骤(2)：依据各组人物图片的不同尺寸构建图片数据集，再通过图像金字塔对其进行尺度归一化处理，并提取各人物图片的特征信息送入双向特征金字塔，进行特征融合，再将输出结果进行分类回归以获取检测框；

步骤(3)：对人物图片中检测框信息进行收集，并生成对应检测框坐标以对相关人物图片进行扩大化剪裁，再过滤掉各组人物图片中属于背景的简单负样本，并收集人物在当前的运动状态；

步骤(4)：对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，再通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取人物的运动状态，之后通过运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，再依据人物当前运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计；

步骤(5)：将各组人物的估计结果分为测试集以及训练集，并对训练集进行标准化处理以获取训练样本，再将训练样本输送到检测神经网络中，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的检测神经网络中，并对存在异常行为的人物进行标记。

作为本发明的进一步方案，所述检测神经网络自行寻参具体步骤如下：

步骤Ⅰ：从云服务器中提取过往监控数据，之后从多组监控数据中选择一组监控数据作为验证数据，并使用剩下的监控数据拟合一组测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算；

步骤Ⅱ：初始化参数范围，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差；

步骤Ⅲ：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为最优参数输出。

作为本发明的进一步方案，步骤Ⅰ中所述均方根误差具体计算公式如下：

其中，E(y

作为本发明的进一步方案，所述连接优化模块性能优化具体步骤如下：

步骤①：连接优化模块检测校园物联网连接的各组终端设备信息，并按照当日连接次数由少到多对各组启动链表头部进行进一步链接；

步骤②：在终端设备启动之前清除所有更新页表项的访问位，再检测终端设备启动期间是否访问某个监测数据，若在启动期间访问某个监测数据，则将该数据页面添加到相应启动链表中，检测完成后对启动链表中的各组页面进行数据更新；

步骤③：连接优化模块从LRU链表的头部依次选择最不活跃的终端设备收集受害页面，回收足够多的受害页面时，页面选择过程将停止，再将选择的受害页面合并为一个块并进行标记，再唤醒一个压缩驱动程序解析被标记的块获得属于该块的物理页；

步骤④：将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块中。

相比于现有技术，本发明的有益效果在于：

1、本发明设置有行为预测模块，通过行为预测模块构建检测神经网络，并接收云服务器存储的监控数据以自行寻找该检测神经网络最优参数，之后对各组处理后的影像信息中的各人物进行扩大化裁剪，并收集人物在当前的运动状态，对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，再通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取人物的运动状态，之后对各跟踪目标在下一视频帧中的运动状态进行估计，之后将各组人物的估计结果分为测试集以及训练集，并对训练集进行标准化处理以获取训练样本，再将训练样本输送到检测神经网络中，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的检测神经网络中，并对存在异常行为的人物进行标记，有效地提高了进出校人员行为监测准确性，同时无需手动设置参数，方便非专业人员操作。

2、本发明通过连接优化模块检测校园物联网连接的各组终端设备信息，并按照当日连接次数由少到多对各组启动链表头部进行进一步链接，在终端设备启动之前清除所有更新页表项的访问位，再检测终端设备启动期间是否访问某个监测数据，若在启动期间访问某个监测数据，则将该数据页面添加到相应启动链表中，检测完成后对启动链表中的各组页面进行数据更新，连接优化模块从LRU链表的头部依次选择最不活跃的终端设备收集受害页面，回收足够多的受害页面时，页面选择过程将停止，再将选择的受害页面合并为一个块并进行标记，再唤醒一个压缩驱动程序解析被标记的块获得属于该块的物理页，最后将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块中，能够实现内存的大粒度压缩，提高压缩效率，节省压缩时间，有效地提高了终端设备连接速度，保证数据传输的稳定性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种基于人工智能以及物联网的校园安全监测系统的系统框图。

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。

实施例1

参照图1，一种基于人工智能以及物联网的校园安全监测系统，包括终端设备、校园登记模块、采集处理模块、特征匹配模块、对比分析模块、云服务器、行为预测模块、告警反馈模块以及连接优化模块。

终端设备用于各管理人员以及安保人员实时查看监测数据，校园登记模块用于校内人员登记个人信息，并对收集的各组信息进行分类存储。

本实施例中，终端设备具体包括智能手机以及电脑，校内人员具体包括教师、学生、学校行政，学校后勤以及学校安保人员。

采集处理模块用于采集各进出校园人员的影像信息，并进行图像优化。

具体的，对各校园进出人员影像信息进行逐帧处理以获得相对应人物图片，并依据获取的各组人物图片的显示比例来确定分块数量，并对各组人物图片进行分块处理，再将分块处理后的人物图片通过傅里叶正变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的人物图片中的高频成分进行分析提取，并对其进行滤波处理减少噪声，再通过傅里叶反变换将其转换至图像空间。

特征匹配模块用于收集各校内人员体貌特征，并进行匹配，对比分析模块用于接收采集处理模块处理的图像信息并与各校内人员体貌特征进行比对分析，云服务器用于接收并存储监控信息。

行为预测模块用于对比对结果不一致的人物进行监控跟踪，并实时进行级联分析。

具体的，行为预测模块构建检测神经网络，并自行寻找该检测神经网络最优参数，之后对采集到的各组人物图片按照不同分辨率进行缩放，并依据缩放完成的人物图片构建图像金字塔，依据各组人物图片的不同尺寸构建图片数据集，再通过图像金字塔对其进行尺度归一化处理，并提取各人物图片的特征信息送入双向特征金字塔，进行特征融合，再将输出结果进行分类回归以获取检测框，对人物图片中检测框信息进行收集，并生成对应检测框坐标以对相关人物图片进行扩大化剪裁，再过滤掉各组人物图片中属于背景的简单负样本，并收集人物在当前的运动状态，对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，再通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取人物的运动状态，之后通过运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，再依据人物当前运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计，之后将各组人物的估计结果分为测试集以及训练集，并对训练集进行标准化处理以获取训练样本，再将训练样本输送到检测神经网络中，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的检测神经网络中，并对存在异常行为的人物进行标记。

需要进一步说明的是，从云服务器中提取过往监控数据，之后从多组监控数据中选择一组监控数据作为验证数据，并使用剩下的监控数据拟合一组测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算，初始化参数范围，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差，然后将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为最优参数输出。

本实施例中，均方根误差具体计算公式如下：

其中，E(y

实施例2

参照图1，一种基于人工智能以及物联网的校园安全监测系统，包括终端设备、校园登记模块、采集处理模块、特征匹配模块、对比分析模块、云服务器、行为预测模块、告警反馈模块以及连接优化模块。

告警反馈模块用于对行为异常的人物进行反馈，同时将该人物影像信息同步至各管理人员以及安保人员的终端设备中，连接优化模块用于对各组终端设备连接性能进行优化。

具体的，连接优化模块检测校园物联网连接的各组终端设备信息，并按照当日连接次数由少到多对各组启动链表头部进行进一步链接，在终端设备启动之前清除所有更新页表项的访问位，再检测终端设备启动期间是否访问某个监测数据，若在启动期间访问某个监测数据，则将该数据页面添加到相应启动链表中，检测完成后对启动链表中的各组页面进行数据更新，连接优化模块从LRU链表的头部依次选择最不活跃的终端设备收集受害页面，回收足够多的受害页面时，页面选择过程将停止，再将选择的受害页面合并为一个块并进行标记，再唤醒一个压缩驱动程序解析被标记的块获得属于该块的物理页，最后将物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块中。