一种智能化社区安防报警系统

1.本发明涉及智能安防领域，尤其涉及一种智能化社区安防报警系统。


背景技术：

2.社区安防是指对整个小区进行监控和管理的一种手段和方法。通过在小区内设置视频监控系统实现对小区内的人员活动情况实时监控与管理，并利用计算机技术将图像信号转换为数字信号传输到管理中心或值班室进行存储与分析处理等目的.从而有效防范各种破坏行为的发生；随着信息技术的飞速发展以及人们生活水平的大幅度提高，同时也加快了高科技产品的普及使用，安全防范系统作为现代化管理的有效手段，已从过去单一的安全防范功能发展到今天的集安防、管理、智能化为一体的多功能管理系统，并日益在各行各业的安全防范和现代化管理中发挥出重要的作用。
3.经检索，中国专利号cn113593173a公开了一种基于大数据的社区安防报警系统，该发明虽然提高了报警的准确度，降低了风险的发生，但是模型参数准确性差，管理人员与工作人员风险提前处理的效率低下，容易发生人力资源的浪费；此外，现有的社区安防报警系统冗余内存占用较高，管理平台数据交互效率低下，功能界面响应速度慢，为此，我们提出一种智能化社区安防报警系统。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种智能化社区安防报警系统。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种智能化社区安防报警系统，包括摄像头、影像处理模块、预测分析模块、风险报警模块、定位跟踪模块、管理平台、安防终端、性能优化模块以及日志记录模块；
7.所述摄像头用于实时采集社区内部以及进出人员影像信息；
8.所述影像处理模块用于对采集到的影像信息进行优化分类；
9.所述预测分析模块用于对处理后的影像信息中存在的风险进行检测；
10.所述风险报警模块用于将存在的风险反馈之管理平台以及安防终端；
11.所述定位跟踪模块用于定位风险位置，并实时跟踪该风险位置以及处理信息；
12.所述管理平台用于验证管理人员身份信息，并将社区安防信息实时反馈给管理人员查看，同时依据管理人员操作信息执行相关指令；
13.所述安防终端用于接收风险信息，并提示附近相关工作人员处理；
14.所述性能优化模块用于对管理平台进行内存优化；
15.所述日志记录模块用于定期记录社区安防数据。
16.作为本发明的进一步方案，所述影像处理模块优化分类具体步骤如下：
17.步骤一：影像处理模块逐帧分解摄像头采集的影像信息以获取多组图片数据，之后依据各图片数据显示比列进行分块处理，对分块后的各组图片数据通过傅里叶变换对数
据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；
18.步骤二：将处理后的图像进行非线性变换，对非线性变换得到的结果之和进行加权处理，并获取最终图片数据，选取满足条件的窗口在各组图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，并从灰度共生矩阵中计算相关图像信息中的纹理特征，将得到的各组特征值按数组的形式储存到目标图像相应的像素位置；
19.步骤三：若纹理特征满足预设条件，则判断当前像素区域为目标区域，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并将其标记为0，并依据判断结果将目标与背景区域进行分离以获取目标图像。
20.作为本发明的进一步方案，所述预测分析模块风险检测具体步骤如下：
21.步骤(1)：预测分析模块从风险数据库中抽取多组样本数据，并通过min-max标准化方法对各组样本数据进行归一化预处理，并将处理后的数据整合成样本数据集，之后计算样本数据的标准偏差对样本数据集中的异常数据进行剔除；
22.步骤(2)：将剩余数据导入卷积神经网络中，先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用两组卷积层和一组最大池化层的结构，再在扩展通道中先进行了一次反卷积操作使特征图的维数减半；
23.步骤(3)：拼接对应压缩通道的特征图，重新组成一组两倍维数的特征图，再采用两组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1*1大小的六维卷积层将上一层获取的特征图映射成六维输出特征图；
24.步骤(4)：收集经过前向传播得到的多维输出特征向量，然后逐层更新卷积神经网络中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练并输出预测分析模型；
25.步骤(5)：预测分析模型接收目标图像，并通过卷积、池化以及全连接处理后输出各风险预测曲线，同时将预测概率较高的风险类型反馈至管理平台以及安防终端，并提醒管理人员以及工作人员进行核实处理。
26.作为本发明的进一步方案，步骤(1)所述min-max标准化计算公式具体如下：
[0027][0028]
式中，x
min
代表样本数据的最小值；x
max
代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；
[0029]
步骤(2)所述卷积层具体计算公式如下：
[0030][0031]
式中，代表第l层第k维的输出特征图；代表；以及分别为模型中第l层第k维的权重和偏差；代表第l-1层的输出特征图；relu代表该卷积层激活函数。
[0032]
作为本发明的进一步方案，步骤(4)所述卷积神经网络参数更新具体步骤如下：
[0033]
步骤ⅰ：在卷积神经网络的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该预估模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；
[0034]
步骤ⅱ：当局部误差超出预设阈值后，依据学习规则方程对该预估模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；
[0035]
步骤ⅲ：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，训练测试模型后对测试集进行检测，并统计检测结果的损失值；
[0036]
步骤ⅳ：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，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。
[0037]
作为本发明的进一步方案，所述性能优化模块内存优化具体步骤如下：
[0038]
步骤
①
：性能优化模块为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接；
[0039]
步骤
②
：依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；
[0040]
步骤
③
：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该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，并将压缩块存储至性能优化模块的压缩区域中。
[0041]
相比于现有技术，本发明的有益效果在于：
[0042]
1、本发明通过预测分析模块从风险数据库中抽取多组样本数据，并通过min-max标准化方法对各组样本数据进行归一化预处理，并将处理后的数据整合成样本数据集，之后计算样本数据的标准偏差对样本数据集中的异常数据进行剔除，将剩余数据导入卷积神经网络中，之后通过卷积神经网络处理后输出特征图，收集经过前向传播得到的多维输出特征向量，然后逐层更新卷积神经网络中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练并输出预测分析模型，预测分析模型接收目标图像，并通过卷积、池化以及全连接处理后输出各风险预测曲线，同时将预测概率较高的风险类型反馈至管理平台以及安防终端，并提醒管理人员以及工作人员进行核实处理，实现自动化寻参，能够大幅提高模型参数的准确性，实现风险预测的精确性，有效提高管理人员与工作人员风险提前处理的效率，避免人力资源的浪费。
[0043]
2、本发明通过为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接，依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该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，并将压缩块存储至性能优化模块的压缩区域中，能够提高管理平台数据交互效率，减少冗余内存占用，有效的提高了功能界面的响应速度，提高使用体验。
附图说明
[0044]
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。
[0045]
图1为本发明提出的一种智能化社区安防报警系统的系统框图。
具体实施方式
[0046]
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。
[0047]
实施例1
[0048]
参照图1，一种智能化社区安防报警系统，包括摄像头、影像处理模块、预测分析模块、风险报警模块、定位跟踪模块、管理平台、安防终端、性能优化模块以及日志记录模块。
[0049]
摄像头用于实时采集社区内部以及进出人员影像信息；影像处理模块用于对采集到的影像信息进行优化分类。
[0050]
具体的，影像处理模块逐帧分解摄像头采集的影像信息以获取多组图片数据，之后依据各图片数据显示比列进行分块处理，对分块后的各组图片数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，将处理后的图像进行非线性变换，对非线性变换得到的结果之和进行加权处理，并获取最终图片数据，选取满足条件的窗口在各组图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，并从灰度共生矩阵中计算相关图像信息中的纹理特征，将得到的各组特征值按数组的形式储存到目标图像相应的像素位置，若纹理特征满足预设条件，则判断当前像素区域为目标区域，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并将其标记为0，并依据判断结果将目标与背景区域进行分离以获取目标图像。
[0051]
预测分析模块用于对处理后的影像信息中存在的风险进行检测。
[0052]
具体的，预测分析模块从风险数据库中抽取多组样本数据，并通过min-max标准化方法对各组样本数据进行归一化预处理，并将处理后的数据整合成样本数据集，之后计算样本数据的标准偏差对样本数据集中的异常数据进行剔除，将剩余数据导入卷积神经网络中，先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用两组卷积层和一组最大池化层的结构，再在扩展通道中先进行了一次反卷积操作使特征图的维数减半，拼接对应压缩通道的特征图，重新组成一组两倍维数的特征图，再采用两组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1*1大小的六维卷积层将上一层获取的特征图映射成六维输出特征图，收集经过前向传播得到的多维输出特征向量，然后逐层更新卷积神经网络中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练并输出预测分析模型，预测分析模型接收目标图像，并通过卷积、池化以及全连接处理后输出各风险预测曲线，同时将预测概率较高的风险类型反馈至管理平台以及安防终端，并提醒管理人员以及工作人员进行核实处理，实现自动化寻参，能够大幅提高模型参数的准确性，实现风险预测的精确性，有效提高管理人员与工作人员风险提前处理的效率，避免人力资源的浪费。
[0053]
需要进一步说明的是，min-max标准化计算公式具体如下：
[0054][0055]
式中，x
min
代表样本数据的最小值；x
max
代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；
[0056]
卷积层具体计算公式如下：
[0057][0058]
式中，代表第l层第k维的输出特征图；代表；以及分别为模型中第l层第k维的权重和偏差；代表第l-1层的输出特征图；relu代表该卷积层激活函数。
[0059]
本实施例中，在卷积神经网络的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该预估模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程对该预估模型的权值进行训练以及更新，并依据预设的学习率以及步长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，训练测试模型后对测试集进行检测，并统计检测结果的损失值，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，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。
[0060]
风险报警模块用于将存在的风险反馈之管理平台以及安防终端。
[0061]
实施例2
[0062]
参照图1，一种智能化社区安防报警系统，包括摄像头、影像处理模块、预测分析模块、风险报警模块、定位跟踪模块、管理平台、安防终端、性能优化模块以及日志记录模块。
[0063]
定位跟踪模块用于定位风险位置，并实时跟踪该风险位置以及处理信息；管理平台用于验证管理人员身份信息，并将社区安防信息实时反馈给管理人员查看，同时依据管理人员操作信息执行相关指令。
[0064]
安防终端用于接收风险信息，并提示附近相关工作人员处理；日志记录模块用于定期记录社区安防数据；性能优化模块用于对管理平台进行内存优化。
[0065]
具体的，性能优化模块为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接，依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该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，并将压缩块存储至性能优化模块的压缩区域中，能够提高管理平台数据交互效率，减少冗余内存占用，有效的提高了功能界面的响应速度，提高使用体验。

技术特征：
1.一种智能化社区安防报警系统，其特征在于，包括摄像头、影像处理模块、预测分析模块、风险报警模块、定位跟踪模块、管理平台、安防终端、性能优化模块以及日志记录模块；所述摄像头用于实时采集社区内部以及进出人员影像信息；所述影像处理模块用于对采集到的影像信息进行优化分类；所述预测分析模块用于对处理后的影像信息中存在的风险进行检测；所述风险报警模块用于将存在的风险反馈之管理平台以及安防终端；所述定位跟踪模块用于定位风险位置，并实时跟踪该风险位置以及处理信息；所述管理平台用于验证管理人员身份信息，并将社区安防信息实时反馈给管理人员查看，同时依据管理人员操作信息执行相关指令；所述安防终端用于接收风险信息，并提示附近相关工作人员处理；所述性能优化模块用于对管理平台进行内存优化；所述日志记录模块用于定期记录社区安防数据。2.根据权利要求1所述的一种智能化社区安防报警系统，其特征在于，所述影像处理模块优化分类具体步骤如下：步骤一：影像处理模块逐帧分解摄像头采集的影像信息以获取多组图片数据，之后依据各图片数据显示比列进行分块处理，对分块后的各组图片数据通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；步骤二：将处理后的图像进行非线性变换，对非线性变换得到的结果之和进行加权处理，并获取最终图片数据，选取满足条件的窗口在各组图片数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，并从灰度共生矩阵中计算相关图像信息中的纹理特征，将得到的各组特征值按数组的形式储存到目标图像相应的像素位置；步骤三：若纹理特征满足预设条件，则判断当前像素区域为目标区域，并将其标记为1，若不满足，则判断当前像素区域为背景区域，并将其标记为0，并依据判断结果将目标与背景区域进行分离以获取目标图像。3.根据权利要求2所述的一种智能化社区安防报警系统，其特征在于，所述预测分析模块风险检测具体步骤如下：步骤(1)：预测分析模块从风险数据库中抽取多组样本数据，并通过min-max标准化方法对各组样本数据进行归一化预处理，并将处理后的数据整合成样本数据集，之后计算样本数据的标准偏差对样本数据集中的异常数据进行剔除；步骤(2)：将剩余数据导入卷积神经网络中，先进行一次卷积操作以将输入数据转换为符合要求的特征图，然后再重复采用两组卷积层和一组最大池化层的结构，再在扩展通道中先进行了一次反卷积操作使特征图的维数减半；步骤(3)：拼接对应压缩通道的特征图，重新组成一组两倍维数的特征图，再采用两组卷积层，并重复该结构，然后在最后的输出层，采用一组卷积核为1*1大小的六维卷积层将上一层获取的特征图映射成六维输出特征图；步骤(4)：收集经过前向传播得到的多维输出特征向量，然后逐层更新卷积神经网络中的参数，并计算对应损失值，当损失值达到一定阈值后停止训练并输出预测分析模型；步骤(5)：预测分析模型接收目标图像，并通过卷积、池化以及全连接处理后输出各风
险预测曲线，同时将预测概率较高的风险类型反馈至管理平台以及安防终端，并提醒管理人员以及工作人员进行核实处理。4.根据权利要求3所述的一种智能化社区安防报警系统，其特征在于，步骤(1)所述min-max标准化计算公式具体如下：式中，x
min
代表样本数据的最小值；x
max
代表样本数据的最大值；其中，min-max标准化方法将每个通道的数据范围从区间[0，255]缩小至区间[0，1]；步骤(2)所述卷积层具体计算公式如下：式中，代表第l层第k维的输出特征图；代表；以及分别为模型中第l层第k维的权重和偏差；代表第l-1层的输出特征图；relu代表该卷积层激活函数。5.根据权利要求4所述的一种智能化社区安防报警系统，其特征在于，步骤(4)所述卷积神经网络参数更新具体步骤如下：步骤ⅰ：在卷积神经网络的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该预估模型的输出，再比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；步骤ⅱ：当局部误差超出预设阈值后，依据学习规则方程对该预估模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；步骤ⅲ：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，训练测试模型后对测试集进行检测，并统计检测结果的损失值；步骤ⅳ：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，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。6.根据权利要求1所述的一种智能化社区安防报警系统，其特征在于，所述性能优化模块内存优化具体步骤如下：步骤
①
：性能优化模块为管理平台的各组功能界面生成一个启动链表，并依据lru链表顺序，将各组启动链表按照被访问次数由少到多进行进一步链接；步骤
②
：依据各组功能界面的访问信息实时对各组启动链表中的各组页面进行数据更新，并从lru链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；步骤
③
：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该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，并将压缩块存储至性能优化模块的压缩区域中。

技术总结
本发明公开了一种智能化社区安防报警系统，属于智能安防领域，包括摄像头、影像处理模块、预测分析模块、风险报警模块、定位跟踪模块、管理平台、安防终端、性能优化模块以及日志记录模块，所述摄像头用于实时采集社区内部以及进出人员影像信息；本发明实现自动化寻参，能够大幅提高模型参数的准确性，实现风险预测的精确性，有效提高管理人员与工作人员风险提前处理的效率，避免人力资源的浪费，能够提高管理平台数据交互效率，减少冗余内存占用，有效的提高了功能界面的响应速度，提高使用体验。验。验。


技术研发人员：王媛媛 单晓丽 张帅
受保护的技术使用者：潍坊工程职业学院
技术研发日：2023.06.25
技术公布日：2023/8/16