开云优惠体育网页版入口

专利名称：一种基于空间智能算法的视频监控点位标定方法和系统

专利类型：实用新型专利

专利申请号：CN202411263161.X

专利申请（专利权）人：常州市公安局,常州市公共安全技术创新研究所
权利人地址：江苏省常州市新北区龙锦路1588号

专利发明（设计）人：曹汉卿,王城诚,吴韡,陈静,谈益兴,李沂名,王瑞通,王文彦,易鑫,朱立恒,唐承逊

专利摘要：本申请提供了一种基于空间智能算法的视频监控点位标定方法和系统，涉及图像通信技术领域，该方法包括：划分得到多个栅格块；基于目标视频监控需求得到第一多维信息，第一栅格块具备第一坐标位置的标识；生成初始风险可视图；生成第一选址布设决策；在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；得到第一决策适应度；当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策。通过根据基于实际需求和风险因素分析得到的监控点位选址决策对视频监控点位进行标定，实现对视频监控情况的可视化直观展示，达到了提高监控效率、优化资源分配、增强监控质量的效果。

主权利要求：
1.一种基于空间智能算法的视频监控点位标定方法，其特征在于，包括：对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；
读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；
结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；
生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；
在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；
引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；
当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；
根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定；
其中，包括：
所述第一多维信息包括预定维度的多个维度参数；
利用变异系数算法原理对归一化处理后的所述多个维度参数进行加权计算，得到所述第一风险指数；
其中，所述预定维度至少包括地理环境维度、人流密度维度和历史监控维度；
其中，包括：
分析所述预定摄像头的摄像控制参数得到预定监控画幅；
根据所述预定监控画幅与所述目标区域的目标尺寸范围确定所述预定数量；
其中，包括：
引入所述选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到所述第一决策适应度；
其中，所述第一仿真信息包括所述预定数量的所述预定摄像头的多个仿真监控范围，所述选址布设决策适应度评估函数的表达式如下：；
其中， 是指所述第一选址布设决策 的所述第一决策适应度， 是指所述第一选址布设决策 的第一总仿真覆盖率， 是指所述第一选址布设决策的第一总仿真监控范围， 是指所述预定摄像头的所述多个仿真监控范围中第 个摄像头的第 个仿真监控范围， 是指所述预定数量， 是指所述目标尺寸范围，是指所述第一选址布设决策 的第一总仿真重叠率，为所述第一选址布设决策 中的第 个重叠监控范围，且是指第 个摄像头的仿真监控范围 与第 个摄像头的仿真监控范围 的重叠范围，所述第 个摄像头与所述第 个摄像头为所述第一选址布设决策 中任意两个存在监控重叠的摄像头，是指所述第一选址布设决策 中的仿真监控重叠范围的个数，和 分别是指第一系数和第二系数，且 。
2.根据权利要求1所述一种基于空间智能算法的视频监控点位标定方法，其特征在于，还包括：判断所述第一风险指数是否处于第一预定风险阈值；
若是处于，对所述第一栅格块进行第一风险等级的标记，若是未处于，判断所述第一风险指数是否处于第二预定风险阈值；
或者，若是处于，对所述第一栅格块进行第二风险等级的标记，若是未处于，对所述第一栅格块进行第三风险等级的标记；
分析所述第一仿真信息得到所述第一栅格块的第一栅格块仿真监控范围；
将所述第一栅格块仿真监控范围与所述第一栅格块的第一尺寸范围的第一比值记作所述第一选址布设决策对所述第一栅格块的第一监控指数；
基于所述第一风险等级或所述第二风险等级或所述第三风险等级的标识对所述第一监控指数进行加权，得到第一目标监控指数；
取所述第一目标监控指数的均值作为目标综合监控指数，并以所述目标综合监控指数对所述第一决策适应度进行调整。
3.根据权利要求1所述一种基于空间智能算法的视频监控点位标定方法，其特征在于，还包括：当所述第一决策适应度未达到所述预定适应度限值时，获取禁忌寻优指令；
基于所述禁忌寻优指令调取预定禁忌寻优机制，并根据所述预定禁忌寻优机制进行全局寻优，得到所述目标选址决策。
4.根据权利要求3所述一种基于空间智能算法的视频监控点位标定方法，其特征在于，还包括：根据预定布设控制指标的预定指标阈值构建布设决策空间；
以所述预定数量为布设约束，以所述选址布设决策适应度评估函数为布设评价策略，在所述布设决策空间中进行所述预定摄像头的布设决策寻优，记作所述预定禁忌寻优机制；
其中，所述预定布设控制指标包括布设位置和布设朝向。
5.根据权利要求1所述一种基于空间智能算法的视频监控点位标定方法，其特征在于，还包括：获取现场验证信息，所述现场验证信息是指根据所述目标选址决策进行视频监控点位选址的现场信息；
提取所述现场验证信息中第一摄像头的第一监控图像，并对所述第一摄像头与所述第一监控图像进行验证信息收集，得到第一验证信息；
读取预定验证策略，并基于所述预定验证策略对所述第一验证信息进行分析得到第一实际朝向；
对所述第一实际朝向与所述目标选址决策中所述第一摄像头的第一布设朝向进行对比，得到第一朝向对比结果；
根据所述第一朝向对比结果进行所述目标选址决策的现场执行情况验证。
6.根据权利要求5所述一种基于空间智能算法的视频监控点位标定方法，其特征在于，包括：提取所述第一监控图像中的第一图像。
判断所述第一图像帧是否符合预定帧条件；
若是符合，基于所述预定验证策略对所述第一图像帧进行多维特征收集，得到第一帧特征参数；
引入朝向计算函数对所述第一帧特征参数进行计算分析，得到所述第一实际朝向。
7.一种基于空间智能算法的视频监控点位标定系统，其特征在于，用于实施权利要求1至6中任意一项所述一种基于空间智能算法的视频监控点位标定方法的步骤，所述一种基于空间智能算法的视频监控点位标定系统包括：区域划分模块，所述区域划分模块用于对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；
特征收集模块，所述特征收集模块用于读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；
风险可视化模块，所述风险可视化模块用于结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；
决策获取模块，所述决策获取模块用于生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；
决策仿真模块，所述决策仿真模块用于在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；
适应度评估模块，所述适应度评估模块用于引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；
选址决策模块，所述选址决策模块用于当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；
点位标定模块，所述点位标定模块用于根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。 说明书 : 一种基于空间智能算法的视频监控点位标定方法和系统技术领域[0001] 本申请涉及图像通信技术领域，尤其涉及一种基于空间智能算法的视频监控点位标定方法和系统。背景技术[0002] 随着社会的发展和安全需求的提高，视频监控系统已成为公共安全、城市管理、交通监管等领域的重要组成部分。视频监控系统的有效性和实用性在很大程度上取决于摄像头的选址布设。然而，传统的摄像头选址布设方法往往依赖于人工经验，存在一定的盲目性和局限性，无法充分考虑目标区域的实际需求和风险因素。[0003] 综上所述，现有技术中的摄像头选址布设的智能化程度低，无法全面考虑目标区域的实际需求和风险因素，同时由于现有技术中往往基于主观判断，而缺乏客观的数据支持，进一步无法确保摄像头选址布设方案的最优性，最终导致视频监控效率和效果不佳，同时存在无法对视频监控的实际布设情况进行可视化监测的问题。发明内容[0004] 本申请的目的是提供一种基于空间智能算法的视频监控点位标定方法和系统，用以解决现有技术中的摄像头选址布设存在智能化程度低，无法全面考虑目标区域的实际需求和风险因素，进而无法提供科学、合理的选址布设方案，导致视频监控效率和效果不佳的技术问题，此外，无法对选址情况进行智能化标定，进而未能实现可视化布设监测。[0005] 鉴于上述问题，本申请提供了一种基于空间智能算法的视频监控点位标定方法和系统。[0006] 第一方面，本申请提供了一种基于空间智能算法的视频监控点位标定方法，所述一种基于空间智能算法的视频监控点位标定方法通过一种基于空间智能算法的视频监控点位标定系统实现，其中，所述一种基于空间智能算法的视频监控点位标定方法包括：对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。[0007] 第二方面，本申请还提供了一种基于空间智能算法的视频监控点位标定系统，用于执行如第一方面所述一种基于空间智能算法的视频监控点位标定方法，其中，所述一种基于空间智能算法的视频监控点位标定系统包括：区域划分模块，所述区域划分模块用于对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；特征收集模块，所述特征收集模块用于读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；风险可视化模块，所述风险可视化模块用于结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；决策获取模块，所述决策获取模块用于生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；决策仿真模块，所述决策仿真模块用于在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；适应度评估模块，所述适应度评估模块用于引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；选址决策模块，所述选址决策模块用于当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。[0008] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：[0009] 通过对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。通过根据基于实际需求和风险因素分析得到的监控点位选址决策对视频监控点位进行标定，实现对视频监控情况的可视化直观展示，达到了提高监控效率、优化资源分配、增强监控质量的效果。[0010] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。附图说明[0011] 为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。[0012] 图1为本申请一种基于空间智能算法的视频监控点位标定方法的流程示意图；[0013] 图2为本申请一种基于空间智能算法的视频监控点位标定系统的结构示意图。[0014] 附图标记说明：[0015] 区域划分模块11，特征收集模块12，风险可视化模块13，决策获取模块14，决策仿真模块15，适应度评估模块16，选址决策模块17，点位标定模块18。具体实施方式[0016] 本申请通过提供一种基于空间智能算法的视频监控点位标定方法和系统，解决了现有技术中的摄像头选址布设的智能化程度低，无法全面考虑目标区域的实际需求和风险因素，同时由于现有技术中往往基于主观判断，而缺乏客观的数据支持，进一步无法确保摄像头选址布设方案的最优性，最终导致视频监控效率和效果不佳。通过根据基于实际需求和风险因素分析得到的监控点位选址决策对视频监控点位进行标定，实现对视频监控情况的可视化直观展示，达到了提高监控效率、优化资源分配、增强监控质量的效果。[0017] 下面，将参考附图对本申请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。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。[0018] 实施例一，请参阅附图1，本申请提供了一种基于空间智能算法的视频监控点位标定方法，其中，所述一种基于空间智能算法的视频监控点位标定方法应用于一种基于空间智能算法的视频监控点位标定系统，所述一种基于空间智能算法的视频监控点位标定方法具体包括如下步骤：[0019] 步骤一：对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块。[0020] 具体而言，首先确定需要进行划分的目标区域，这个区域可以根据实际需求和应用场景来设定，比如城市规划、农田管理或环境监测区域。然后采用适当的划分方法，比如基于地理信息系统的网格化技术，将整个目标区域细分为多个栅格块。每个栅格块的大小和形状可以根据具体的需求进行调整，以适应不同的应用场景。接下来，对每个栅格块进行编号或标记，以便于后续的数据分析和处理。此外，还可以在每个栅格块中收集相关的数据，如人口密度、土地使用类型或环境质量指标等，以支持更深入地分析。最后，将所有栅格块的信息整合起来，形成一个完整的目标划分结果，这个结果可以用于各种分析和决策支持。通过将目标区域细分为多个栅格块，不仅提高了区域分析的精确度和效率，还为后续的数据处理和决策提供了结构化的基础。[0021] 步骤二：读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识。[0022] 具体而言，通过针对每个栅格块的具体需求进行定制化的数据收集，可以实现对监控区域的精准分析和优化管理，从而提高视频监控系统的效率和效果。首先，读取并理解目标视频监控需求，这些需求可能包括安全监控、交通流量监测或人群行为分析等。然后，在多个栅格块中选定一个栅格块作为第一栅格块，该栅格块具有特定的第一坐标位置标识，以便于精确定位和分析。接下来，基于目标视频监控需求，对第一栅格块进行多维特征收集。这些特征可能包括地理环境维度、人流密度维度和历史监控维度的特征等，具体取决于监控需求。此外，收集过程还可以包括对环境因素的分析，如光照条件、天气状况等，以确保数据的准确性和完整性。最后，将收集到的多维特征数据整合为第一多维信息，该信息可用于进一步的监控分析和决策支持。[0023] 通过读取目标视频监控需求并对特定栅格块进行多维特征收集，可以获取详细且针对性的监控数据，有助于提高视频监控的效率和效果，特别是在需要对特定区域进行细致监控的应用场景中，如城市安全、交通管理和大型活动监控等。通过这种方式，可以实现对监控区域的精准分析和优化管理，从而提升整体的监控质量和响应速度。[0024] 步骤三：结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图。[0025] 进一步，包括：所述第一多维信息包括预定维度的多个维度参数；利用变异系数算法原理对归一化处理后的所述多个维度参数进行加权计算，得到所述第一风险指数；其中，所述预定维度至少包括地理环境维度、人流密度维度和历史监控维度。[0026] 具体而言，利用从第一多维信息中分析得到的第一风险指数和第一坐标位置，生成目标区域的初始风险可视图。通过将复杂的风险数据转化为直观的视觉表示，使得用户能够快速理解和识别目标区域内的风险分布情况。通过结合风险指数和地理位置信息，能够提供更加精确和实用的风险分析结果，从而辅助进行有效的风险管理。[0027] 具体来说，首先，对第一多维信息进行分析，以确定第一栅格块的风险水平。这可能涉及到对监控数据的深入分析，如异常行为的识别、安全事件的检测等。首先，识别和收集与预定维度相关的多个维度参数。这些维度至少包括地理环境维度、人流密度维度和历史监控维度，每个维度都包含了一系列反映该维度特征的参数。例如，地理环境维度可能包括地形、气候等因素，人流密度维度可能包括人口数量、流动模式等，历史监控维度可能包括过去事件的发生频率和严重性等。然后，对这些维度参数进行归一化处理，以消除量纲和规模的影响，确保在同一尺度上进行比较。接下来，利用变异系数算法原理对这些归一化后的参数进行加权计算。变异系数算法能够考虑各参数的相对变化和重要性，从而更准确地评估风险。此外，在计算过程中，可以根据实际情况调整各参数的权重，以反映不同维度对风险的影响程度。最后，通过加权计算得到第一风险指数，该指数综合了多个维度的信息，能够更全面地反映风险水平。然后，将分析得到的第一风险指数与第一坐标位置相结合，以确保每个风险点都能在目标区域内准确定位。接下来，利用这些信息生成初始风险可视图。这个可视图可能会采用热力图、颜色编码图或其他可视化技术，以直观展示不同区域的风险级别。此外，还可以在可视图中加入其他辅助信息，如人口密度、交通流量等，以提供更全面的风险评估。最后，对生成的初始风险可视图进行审查和调整，确保其准确性和实用性。[0028] 通过变异系数算法原理对多个维度参数进行加权计算，可以得到一个综合考虑了地理环境、人流密度和历史监控等多个因素的第一风险指数。通过结合风险指数和坐标位置信息生成初始风险可视图，可以有效地将复杂的风险数据转化为易于理解的视觉格式。通过提供直观的风险分布视图有助于快速识别高风险区域，从而采取适当的预防措施和应对策略。[0029] 步骤四：生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策。[0030] 步骤五：在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息。[0031] 步骤六：引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度。[0032] 进一步，包括：引入所述选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到所述第一决策适应度；其中，所述第一仿真信息包括所述预定数量的所述预定摄像头的多个仿真监控范围，所述选址布设决策适应度评估函数的表达式如下：；其中， 是指所述第一选址布设决策 的所述第一决策适应度， 是指所述第一选址布设决策 的第一总仿真覆盖率， 是指所述第一选址布设决策 的第一总仿真监控范围， 是指所述预定摄像头的所述多个仿真监控范围中第 个摄像头的第 个仿真监控范围， 是指所述预定数量， 是指所述目标尺寸范围， 是指所述第一选址布设决策 的第一总仿真重叠率， 为所述第一选址布设决策中的第 个重叠监控范围，且 是指第 个摄像头的仿真监控范围与第 个摄像头的仿真监控范围 的重叠范围，所述第 个摄像头与所述第个摄像头为所述第一选址布设决策 中任意两个存在监控重叠的摄像头， 是指所述第一选址布设决策 中的仿真监控重叠范围的个数， 和 分别是指第一系数和第二系数，且。[0033] 具体而言，首先生成一个针对目标区域的摄像头选址布设决策，并通过仿真和评估分析来优化这一决策。通过在目标区域内有效地布设摄像头，以实现对区域的最佳监控覆盖。通过引入选址布设决策适应度评估函数，可以量化评估不同布设方案的效果，从而辅助选择最优的布设策略。[0034] 具体来说，首先生成第一选址布设决策，即在目标区域内布设预定数量的预定摄像头的任意一种选址布设决策。这个决策需要考虑多种因素，如监控需求、预算限制和区域特性等。然后，在初始风险可视图中对第一选址布设决策进行仿真布设，以模拟摄像头在实际环境中的布设效果。接下来，引入选址布设决策适应度评估函数，这个函数能够综合考虑监控范围、风险覆盖等多个因素，对第一仿真信息进行评估分析。此外，评估过程还可以包括对仿真布设的摄像头进行性能测试，如视野范围、图像清晰度等，以确保监控质量。最后通过评估分析得到第一决策适应度，这个适应度值反映了当前布设方案的有效性和可行性。其中，所述第一仿真信息包括所述预定数量的所述预定摄像头的多个仿真监控范围，所述选址布设决策适应度评估函数的表达式如下：；其中， 是指所述第一选址布设决策 的所述第一决策适应度， 是指所述第一选址布设决策 的第一总仿真覆盖率， 是指所述第一选址布设决策 的第一总仿真监控范围， 是指所述预定摄像头的所述多个仿真监控范围中第 个摄像头的第 个仿真监控范围， 是指所述预定数量， 是指所述目标尺寸范围， 是指所述第一选址布设决策 的第一总仿真重叠率， 为所述第一选址布设决策中的第 个重叠监控范围，且 是指第 个摄像头的仿真监控范围与第 个摄像头的仿真监控范围 的重叠范围，所述第 个摄像头与所述第个摄像头为所述第一选址布设决策 中任意两个存在监控重叠的摄像头， 是指所述第一选址布设决策 中的仿真监控重叠范围的个数， 和 分别是指第一系数和第二系数，且。[0035] 通过生成选址布设决策，仿真布设和评估分析，可以有效地优化目标区域内的摄像头布设。通过量化评估不同布设方案的效果，可以更好地理解不同方案的优劣，并选择适应度最高的布设策略，从而实现最佳的监控效果和资源利用。[0036] 步骤七：当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；[0037] 步骤八：根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。[0038] 具体而言，通过评估第一决策适应度，确定是否将其作为目标区域的目标选址决策。当第一决策适应度达到预定的适应度限值时，意味着该布设决策能够满足监控需求并达到预期的效果。[0039] 具体来说，首先，设定一个预定的适应度限值，这个限值是根据监控需求、预算限制和区域特性等因素确定的，用于评估选址布设决策的优劣。然后，计算第一选址布设决策的决策适应度。如果这个适应度达到或超过预定的适应度限值，说明该布设决策是有效的，可以满足监控需求。接下来，将这个第一选址布设决策作为目标区域的目标选址决策。这意味着该决策将被采纳并用于实际的监控点位标定。最后，根据目标选址决策进行视频监控点位的实际选址。示范性的如确定摄像头的具体位置、安装角度和配置参数等。通过评估第一决策适应度并确定是否达到预定适应度限值，可以有效地选择和实施目标区域内的视频监控点位选址，进而根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。通过确保选址决策的科学性和高效性，可以实现对目标区域的优化监控，提高监控系统的性能和效率。[0040] 进一步，包括：分析所述预定摄像头的摄像控制参数得到预定监控画幅；根据所述预定监控画幅与所述目标区域的目标尺寸范围确定所述预定数量。[0041] 具体而言，通过分析预定摄像头的摄像控制参数来确定预定监控画幅，进而根据目标区域的目标尺寸范围来确定所需摄像头的预定数量。这种方法的主要优势在于能够确保监控画幅与目标区域的尺寸相匹配，从而实现对区域的全面覆盖。通过精确计算所需摄像头的数量，可以避免资源浪费，同时确保监控系统的有效性和效率。[0042] 具体来说，首先分析预定摄像头的摄像控制参数，这些参数可能包括摄像头的视野范围、分辨率、变焦能力等。通过这些参数，可以确定每个摄像头能够覆盖的监控画幅大小。然后，根据目标区域的目标尺寸范围，即需要监控的区域大。慈范ㄋ璧募嗫鼗。接下来，比较预定监控画幅与目标尺寸范围，以确定为了全面覆盖目标区域，需要布设的摄像头数量。此外，在确定预定数量的过程中，还需要考虑其他因素，如预算限制、安装条件等，以确保方案的可行性和经济性。最后，通过这些分析确定预定数量，即所需摄像头的数量。通过分析摄像头的摄像控制参数和目标区域的尺寸范围，可以精确确定所需摄像头的数量。通过确保监控画幅与目标区域尺寸相匹配，可以有效地避免监控盲区，提高监控系统的覆盖范围和性能。同时，这种方法还有助于优化资源配置，避免不必要的成本支出。[0043] 进一步，包括：判断所述第一风险指数是否处于第一预定风险阈值；若是处于，对所述第一栅格块进行第一风险等级的标记，若是未处于，判断所述第一风险指数是否处于第二预定风险阈值；若是处于，对所述第一栅格块进行第二风险等级的标记，若是未处于，对所述第一栅格块进行第三风险等级的标记；分析所述第一仿真信息得到所述第一栅格块的第一栅格块仿真监控范围；将所述第一栅格块仿真监控范围与所述第一栅格块的第一尺寸范围的第一比值记作所述第一选址布设决策对所述第一栅格块的第一监控指数；基于所述第一风险等级或所述第二风险等级或所述第三风险等级的标识对所述第一监控指数进行加权，得到第一目标监控指数；取所述第一目标监控指数的均值作为目标综合监控指数，并以所述目标综合监控指数对所述第一决策适应度进行调整。[0044] 具体而言，根据第一风险指数与预定风险阈值的关系对第一栅格块进行风险等级标记，并基于此分析第一栅格块的仿真监控范围，计算第一监控指数。然后，通过对第一监控指数的加权计算，得到目标综合监控指数，并据此调整第一决策适应度，可以更准确地评估和优化监控系统的布设效果，确保高风险区域得到适当的监控覆盖。[0045] 具体来说，首先，判断第一风险指数是否处于第一预定风险阈值。若是，则对第一栅格块进行第一风险等级的标记；若否，则进一步判断第一风险指数是否处于第二预定风险阈值。若是，则对第一栅格块进行第二风险等级的标记；若否，则对第一栅格块进行第三风险等级的标记。接下来，分析第一仿真信息，得到第一栅格块的第一栅格块仿真监控范围。然后，将第一栅格块仿真监控范围与第一栅格块的第一尺寸范围的第一比值计算出来，这个比值即第一监控指数，反映了监控覆盖的效率。此外，基于第一栅格块的风险等级，对第一监控指数进行加权，以反映风险等级对监控需求的影响。最后，计算所有栅格块的第一目标监控指数的均值，得到目标综合监控指数，并据此对第一决策适应度进行调整。[0046] 通过判断风险等级、计算监控指数和调整决策适应度，可以有效地评估和优化监控系统的布设效果。通过提供一个全面且量化的监控评估，有助于更好地理解监控效果，从而采取有效的监控布设策略。[0047] 进一步，包括：当所述第一决策适应度未达到所述预定适应度限值时，获取禁忌寻优指令；基于所述禁忌寻优指令调取预定禁忌寻优机制，并根据所述预定禁忌寻优机制进行全局寻优，得到所述目标选址决策。[0048] 进一步，包括：根据预定布设控制指标的预定指标阈值构建布设决策空间；以所述预定数量为布设约束，以所述选址布设决策适应度评估函数为布设评价策略，在所述布设决策空间中进行所述预定摄像头的布设决策寻优，记作所述预定禁忌寻优机制；其中，所述预定布设控制指标包括布设位置和布设朝向。[0049] 具体而言，当第一决策适应度未达到预定适应度限值时，利用禁忌搜索算法进行全局寻优，以获得更优的监控布设方案。其中，禁忌搜索算法能够有效地避免局部最优解，探索更广阔的解决方案空间，从而提高监控布设的效率和效果。通过构建布设决策空间，并以布设位置和布设朝向等预定布设控制指标为依据，可以确保寻优过程既科学又高效。[0050] 具体来说，首先，当第一决策适应度未达到预定适应度限值时，获取禁忌寻优指令，这表明当前的布设决策并不是最优的，需要进一步优化。然后，基于禁忌寻优指令调取预定禁忌寻优机制。这个机制包括了构建布设决策空间，其中空间由预定布设控制指标的预定指标阈值确定，如布设位置和布设朝向。接下来，在布设决策空间中以预定数量为布设约束，即摄像头的数量限制，利用禁忌搜索算法进行布设决策寻优。禁忌搜索算法通过记忆过去的历史信息，避免重复搜索已知的次优解，从而引导搜索过程朝着更优解的方向进行。此外，算法还能够动态调整禁忌表，以平衡探索与利用的关系，确保全局寻优的进行。最后，通过禁忌搜索算法得到目标选址决策，这个决策能够更好地满足监控需求和预期效果。[0051] 通过获取禁忌寻优指令和调用预定禁忌寻优机制，可以在第一决策适应度未达标时利用禁忌搜索算法进行全局寻优，以获得更优的监控布设方案。这种方法在需要对监控布设进行精细优化的场合特别有用，如城市安全、交通管理和大型活动监控等。通过禁忌搜索算法，可以确保监控系统的布设既科学又高效，从而提高监控覆盖范围和性能。[0052] 进一步，包括：获取现场验证信息，所述现场验证信息是指根据所述目标选址决策进行视频监控点位标定的现场信息；提取所述现场验证信息中第一摄像头的第一监控图像，并对所述第一摄像头与所述第一监控图像进行验证信息收集，得到第一验证信息；读取预定验证策略，并基于所述预定验证策略对所述第一验证信息进行分析得到第一实际朝向；对所述第一实际朝向与所述目标选址决策中所述第一摄像头的第一布设朝向进行对比，得到第一朝向对比结果；根据所述第一朝向对比结果进行所述目标选址决策的现场执行情况验证。[0053] 具体而言，通过获取现场验证信息，对目标选址决策进行验证。这涉及提取监控图像，收集验证信息，并基于预定验证策略进行分析，以确定摄像头的实际朝向。然后，将实际朝向与布设决策中的预期朝向进行对比，以验证目标选址决策的现场执行情况。[0054] 具体来说，首先，获取现场验证信息，这些信息是根据目标选址决策进行视频监控点位标定的现场信息。然后，从现场验证信息中提取第一摄像头的第一监控图像。接下来，对第一摄像头与第一监控图像进行验证信息收集，得到第一验证信息。这部分信息可能包括摄像头的位置、角度、覆盖范围等。然后，读取预定验证策略，这个策略定义了如何分析验证信息以确定摄像头的实际朝向。基于预定验证策略对第一验证信息进行分析，得到第一实际朝向。接下来，将第一实际朝向与目标选址决策中第一摄像头的第一布设朝向进行对比，得到第一朝向对比结果。最后，根据第一朝向对比结果进行目标选址决策的现场执行情况验证。如果实际朝向与预期朝向一致，则说明布设决策执行得当；如果存在差异，则可能需要调整布设策略或重新评估决策。通过获取现场验证信息，提取监控图像，收集验证信息，并基于预定验证策略进行分析，可以有效地验证目标选址决策的现场执行情况。通过验证布设决策的执行情况，可以及时发现和纠正偏差，确保监控系统的性能和效率。[0055] 进一步，包括：提取所述第一监控图像中的第一图像。慌卸纤龅谝煌枷裰∈欠穹显ざㄖ√跫；若是符合，基于所述预定验证策略对所述第一图像帧进行多维特征收集，得到第一帧特征参数；引入朝向计算函数对所述第一帧特征参数进行计算分析，得到所述第一实际朝向。[0056] 具体而言，首先在所述第一摄像头监测到的所述第一监控图像中随机获取一帧监测图像，若随机获取的监测图像符合预定要求，则对其进行标记，并将其记作第一图像帧。示范性的如通过摄像机图像提取单元从摄像机实时或历史视频流媒体中抽取监控片段，形成连续动态画面，检测动态画面中是否存在电线杆、路灯杆、树木主干等物体，如果存在，则提取以上视频监控片段中的最后帧并保存为图片格式，即作为所述第一图像帧。若是不存在，则重新抽取并检测动态画面中是否存在正在移动的运动物体。进一步，提取动态画面中的移动物体，测量物体高度像素值和高宽比，当高度像素值大于监控画面垂直高度像素的25%且高:宽＞2.5:1时进入提取以上视频监控片段中的最后帧并保存为图片格式，记录图片来源摄像机编码、摄像机监控视频片段内附带的最后帧图像时间戳记信息，记录符合条件的静态或移动物体在图像中的坐标，并与图片文件关联。[0057] 进一步，判断所述第一图像帧是否符合预定帧条件。其中，若是所述第一图像帧符合预定帧条件，则基于所述预定验证策略对所述第一图像帧进行多维特征收集，得到第一帧特征参数。接着，引入朝向计算函数对所述第一帧特征参数进行计算分析得到所述第一实际朝向。[0058] 具体来说，所述预定帧条件包括预定帧采集条件和预定帧内容条件。其中，所述预定帧采集条件是指采集对应图像，即此处的所述第一图像帧时的时间和天气条件，所述预定帧内容条件是指采集到的对应图像，即此处的所述第一图像帧中对应物体及其物体阴影情况条件。也就是说，在提取到所述第一图像帧之后，获取所述第一图像帧的采集时间、采集该图像帧时的天气情况、图像帧中物体以及物体阴影情况信息，并判断所述第一图像帧的采集时间、采集该图像帧时的天气情况、图像帧中物体以及阴影情况信息是否符合预定帧条件。示范性的如，通过时间计算单元以不低于20分钟一次的频率获取外部校时系统标准时间，并找到摄像机图像提取单元抽取图片的来源设备，提取摄像机实时时间，与时间校正单元当前时间进行比对，比对差值不超过90秒为合格可按流程进入下一阶段分析，超过90秒为不合格需记录于摄像机图像提取单元，进而将日期转换为儒略日，时间转换为世界时；同时根据当年中国标准历书，计算视太阳时、平太阳时等参数。通过天气状态和图像照度分析单元获取外部实时气象资料，包括日出、日落时间，逐小时阴晴状态、温度、风力和风向、能见度、云量、空气质量、降雨概率，接着通过图像识别方法分析监控视频中是否存在雨、雪、雾等特殊天气，同时识别监控视频中照度条件。最后综合气象信息、实时天气状态、照度状态、日出日落时间、当前时间等要素，综合判别是否适合进行后续分析。若是不适合，则不符合预定帧采集条件，对应的所述第一图像帧不可用于进行摄像布设情况的校验。接下来，对所述第一图像帧进行预定帧内容条件的满足与否判断。示范性的如通过图像内目标要素拾取单元根据“摄像机图像提取单元”提供的符合条件的静态或移动物体在图像中的坐标，定位被计算物体，并检测图像中是否存在临近同类物体干扰，如果存在则定义被计算图像无效。再如，通过目标物体与阴影分割单元自动寻找“摄像机图像提取单元”记录的符合条件物体的阴影特征，并校验该阴影与物体本体的关联逻辑，并对物体与阴影分别进行矩形框体扣取和形状遮罩抠。４媾涠院蟮奈锾迨道胍跤笆道，然后计算被分割物体实例的矩形高度、宽度像素值，计算阴影实例遮罩最远定点间的长度、宽度像素值。接着计算物体高度和阴影长度的比例，当物体高度：阴影长度＞2时，视为阴影可能存在超越图像边界的情况，被计算图像无效；计算物体宽度和阴影宽度的比例，当阴影宽度：物体宽度＞1.5时，视为阴影可能与物体匹配异常，被计算图像无效。[0059] 在所述第一图像帧同时满足预定帧采集条件和预定帧内容条件时，通过太阳方位角和高度角计算单元根据历书计算太阳黄赤交角、太阳视黄经、太阳赤纬角、天顶角等，计算真太阳时修正参数和经度修正参数，并根据优化的太阳方位角计算方法，精确计算指定时刻、指定地点的太阳方位角，最后根据优化的太阳方位角计算方法，精确计算指定时刻、指定地点的太阳高度角。进一步，通过监控摄像机朝向角标定单元计算被计算图像中物体实例与阴影实例的夹角，其中物体实例抽象为取物体矩形框高度中心线，阴影实例抽象为阴影形状遮罩长度顶点连线。接着，根据太阳方位角、图像夹角，根据公式计算监控摄像机朝向角度。即所述第一实际朝向。[0060] 综上所述，本申请所提供的一种基于空间智能算法的视频监控点位标定方法具有如下技术效果：[0061] 通过对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。通过对目标区域的实际需求和风险因素进行综合分析，得到科学、合理的监控点位标定决策，实现了提高监控效率、优化资源分配、增强监控效果的技术目标。[0062] 实施例二，基于与前述实施例中一种基于空间智能算法的视频监控点位标定方法同样的发明构思，本申请还提供了一种基于空间智能算法的视频监控点位标定系统，请参阅附图2，所述一种基于空间智能算法的视频监控点位标定系统包括：[0063] 区域划分模块11，所述区域划分模块11用于对目标区域进行划分得到目标划分结果，所述目标划分结果包括多个栅格块；特征收集模块12，所述特征收集模块12用于读取目标视频监控需求，并基于所述目标视频监控需求对第一栅格块进行多维特征收集，得到第一多维信息，所述第一栅格块是指所述多个栅格块中的任意一个栅格块，且所述第一栅格块具备第一坐标位置的标识；风险可视化模块13，所述风险可视化模块13用于结合分析所述第一多维信息得到的第一风险指数与所述第一坐标位置，生成所述目标区域的初始风险可视图；决策获取模块14，所述决策获取模块14用于生成第一选址布设决策，所述第一选址布设决策是指在所述目标区域中布设预定数量的预定摄像头的任意一种选址布设决策；决策仿真模块15，所述决策仿真模块15用于在所述初始风险可视图中对所述第一选址布设决策进行仿真布设，得到第一仿真信息；适应度评估模块16，所述适应度评估模块16用于引入选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到第一决策适应度；选址决策模块17，所述选址决策模块17用于当所述第一决策适应度达到预定适应度限值时，将所述第一选址布设决策作为所述目标区域的目标选址决策；点位标定模块18，所述点位标定模块18用于根据所述目标选址决策对所述初始风险可视图进行视频监控点位的标定。[0064] 进一步，所述一种基于空间智能算法的视频监控点位标定系统中的所述风险可视化模块13还用于：所述第一多维信息包括预定维度的多个维度参数；利用变异系数算法原理对归一化处理后的所述多个维度参数进行加权计算，得到所述第一风险指数；其中，所述预定维度至少包括地理环境维度、人流密度维度和历史监控维度。[0065] 进一步，所述一种基于空间智能算法的视频监控点位标定系统中的所述决策获取模块14还用于：分析所述预定摄像头的摄像控制参数得到预定监控画幅；根据所述预定监控画幅与所述目标区域的目标尺寸范围确定所述预定数量。[0066] 进一步，所述一种基于空间智能算法的视频监控点位标定系统中的所述适应度评估模块16还用于：引入所述选址布设决策适应度评估函数对所述第一仿真信息进行评估分析，得到所述第一决策适应度；其中，所述第一仿真信息包括所述预定数量的所述预定摄像头的多个仿真监控范围，所述选址布设决策适应度评估函数的表达式如下：；其中， 是指所述第一选址布设决策 的所述第一决策适应度， 是指所述第一选址布设决策 的第一总仿真覆盖率， 是指所述第一选址布设决策 的第一总仿真监控范围， 是指所述预定摄像头的所述多个仿真监控范围中第 个摄像头的第 个仿真监控范围， 是指所述预定数量， 是指所述目标尺寸范围， 是指所述第一选址布设决策 的第一总仿真重叠率， 为所述第一选址布设决策中的第 个重叠监控范围，且 是指第 个摄像头的仿真监控范围与第 个摄像头的仿真监控范围 的重叠范围，所述第 个摄像头与所述第个摄像头为所述第一选址布设决策 中任意两个存在监控重叠的摄像头， 是指所述第一选址布设决策 中的仿真监控重叠范围的个数， 和 分别是指第一系数和第二系数，且。[0067] 进一步，所述一种基于空间智能算法的视频监控点位标定系统还包括适应度调整模块，所述适应度调整模块用于：判断所述第一风险指数是否处于第一预定风险阈值；若是处于，对所述第一栅格块进行第一风险等级的标记，若是未处于，判断所述第一风险指数是否处于第二预定风险阈值；若是处于，对所述第一栅格块进行第二风险等级的标记，若是未处于，对所述第一栅格块进行第三风险等级的标记；分析所述第一仿真信息得到所述第一栅格块的第一栅格块仿真监控范围；将所述第一栅格块仿真监控范围与所述第一栅格块的第一尺寸范围的第一比值记作所述第一选址布设决策对所述第一栅格块的第一监控指数；基于所述第一风险等级或所述第二风险等级或所述第三风险等级的标识对所述第一监控指数进行加权，得到第一目标监控指数；取所述第一目标监控指数的均值作为目标综合监控指数，并以所述目标综合监控指数对所述第一决策适应度进行调整。[0068] 进一步，所述一种基于空间智能算法的视频监控点位标定系统还包括禁忌寻优模块，所述禁忌寻优模块用于：当所述第一决策适应度未达到所述预定适应度限值时，获取禁忌寻优指令；基于所述禁忌寻优指令调取预定禁忌寻优机制，并根据所述预定禁忌寻优机制进行全局寻优，得到所述目标选址决策。[0069] 进一步，所述一种基于空间智能算法的视频监控点位标定系统中的所述禁忌寻优模块还用于：根据预定布设控制指标的预定指标阈值构建布设决策空间；以所述预定数量为布设约束，以所述选址布设决策适应度评估函数为布设评价策略，在所述布设决策空间中进行所述预定摄像头的布设决策寻优，记作所述预定禁忌寻优机制；其中，所述预定布设控制指标包括布设位置和布设朝向。[0070] 进一步，所述一种基于空间智能算法的视频监控点位标定系统还包括现场验证模块，所述现场验证模块用于：获取现场验证信息，所述现场验证信息是指根据所述目标选址决策进行视频监控点位标定的现场信息；提取所述现场验证信息中第一摄像头的第一监控图像，并对所述第一摄像头与所述第一监控图像进行验证信息收集，得到第一验证信息；读取预定验证策略，并基于所述预定验证策略对所述第一验证信息进行分析得到第一实际朝向；对所述第一实际朝向与所述目标选址决策中所述第一摄像头的第一布设朝向进行对比，得到第一朝向对比结果；根据所述第一朝向对比结果进行所述目标选址决策的现场执行情况验证。[0071] 进一步，所述一种基于空间智能算法的视频监控点位标定系统还包括点位标定模块，所述点位标定模块用于提取所述第一监控图像中的第一图像。慌卸纤龅谝煌枷裰∈欠穹显ざㄖ√跫；若是符合，基于所述预定验证策略对所述第一图像帧进行多维特征收集，得到第一帧特征参数；引入朝向计算函数对所述第一帧特征参数进行计算分析，得到所述第一实际朝向。[0072] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于空间智能算法的视频监控点位标定方法和具体实例同样适用于本实施例的一种基于空间智能算法的视频监控点位标定系统，通过前述对一种基于空间智能算法的视频监控点位标定方法的详细描述，本领域技术人员可以清楚知道本实施例中一种基于空间智能算法的视频监控点位标定系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述比较简单，相关之处参见方法部分说明即可。[0073] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。[0074] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

专利地区：江苏

专利申请日期：2024-09-10

专利公开日期：2024-11-29

专利公告号：CN118798439B