一种基于智慧城市的远程应急管理控制方法技术

本发明专利技术属于远程应急管理技术领域，公开了一种基于智慧城市的远程应急管理控制方法，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，对监控视频中的潜在城市应急事件进行识别；确定应急事件疏散场地选址备选点；计算道路通行长度，并以规划路网为对象构建面向疏散分析的路网模型；规划区域应急疏散场地确定与布局优化。本发明专利技术利用计算机自动、智能分析的方法能够有效理解监控场景中可能的应急性事件并做出及时响应。本发明专利技术在对应急事件应急疏散场所覆盖范围的确定中，避免现在大量研究中以容量无限制为假设的不科学模型，保证每个应急疏散场所在其覆盖范围内都能做到容量不超限。

A remote emergency management control method based on Intelligent City

The invention belongs to the technical field of remote emergency management, discloses a smart city emergency management remote control method based on the use of surveillance cameras distributed, real-time monitoring of video signals through the communication network transmission to the monitoring center, to identify potential city emergency events in video surveillance; determine the emergency evacuation site location alternative points Road traffic; calculation of length, and road network planning as the object oriented network model analysis of evacuation; evacuation site determination and optimization of the layout of regional emergency planning. The invention uses computer automatic and intelligent analysis methods to effectively understand the possible acute events in the monitoring scene and respond in time. In the determination of the coverage area for emergency evacuation places, the invention avoids the large number of unscientific models assuming that the capacity is unlimited, and ensures that the capacity of each emergency evacuation place can not exceed the limit within its coverage.

【技术实现步骤摘要】
一种基于智慧城市的远程应急管理控制方法
本专利技术属于远程应急管理
，尤其涉及一种基于智慧城市的远程应急管理控制方法。
技术介绍
城市应急联动管理就是综合各种城市应急服务资源，统一指挥、联合行动，为市民提供相应的紧急救援服务，为城市的公共安全提供强有力的保障。在发达国家的许多城市中，城市应急联动系统已经变成人民日常生活中一个不可或缺的组成部分，甚至成为显示城市管理水平的标志性工程。然而，利用人工分析城市监控视频耗时费力且效果不佳。当城市中监控区域分布面积增大，监控区域种类增多时，人工分析更难以从数量巨大、地点众多、时间极长的监控视频中准确、及时、高效地识别其中发生的应急性事件。同时如果应急事件发现，疏散容易出现拥挤，疏散场所选择不合理。综上所述，现有技术存在的问题是：利用人工分析城市监控视频耗时费力且效果不佳。当城市中监控区域分布面积增大，监控区域种类增多时，人工分析更难以从数量巨大、地点众多、时间极长的监控视频中准确、及时、高效地识别其中发生的应急性事件。同时如果应急事件发现，疏散容易出现拥挤，疏散场所选择不合理。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于智慧城市的远程应急管理控制方法。本专利技术是这样实现的，一种基于智慧城市的远程应急管理控制方法包括以下步骤：第一步，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；所述监控摄像头图像去除反射方法包括以下步骤：步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行(m>1)倍的降采样处理；步骤三，对图像序列{I1,I2,I3,I4,I5}进行Canny边缘检测，并提取图像序列的边缘；步骤四，根据检测出来的图像边缘像素点集，选取I3边缘上像素点{xI＝(xi,yi)}为中心像素块，对图像{I1,I2,I4,I5}的相应行进行逐像素匹配，采用置信传播方法，分别计算参考图像I3与{I1,I2,I4,I5}归一化互相关极小值，得到四个对应边缘像素的稀疏矩阵值Vj(x)，计算公式为：通过计算每幅相邻图像与参考图像的稀疏矩阵值Vj(x)；步骤五，对所述稀疏运动场V3(x)进行拟合，采用RANSAC算法，基于背景层IB和反射层IR相对于相机位置的不同，导致背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)具有不同的取值范围，对图像的稀疏矩阵V(x)进行RANSAC拟合，得到IB的稀疏运动场VB(x)，再对V(x)-VB(x)再次RANSAC拟合，得到反射层的稀疏运动场VR(x)，得出分离后的背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)；参数设置如下：迭代次数K：1000-2000次，偏差t：5-10，判决阈值th：5-9；步骤六，建立前馈神经网络，采用基于BP算法的神经网络训练样本数据集，取两层隐层数，每层神经元均采用Sigmoid传输函数，将上述分层后的像素点[xiyj]及其相应VB(x)和VR(x)作为样本数据点训练神经网络，输入输出之间关系对照如下：反复训练神经网络，使得其中Vij为神经网络的计算输出的运动场值，为实际期望输出的运动场值，W,V为每层的加权向量，训练完成后，利用该网络对其他像素点泛化，得到背景层图像的稠密运动场FB(x,y)和反射层稠密运动场FR(x,y)；步骤七，对所述稠密运动场分别进行自适应中值滤波，用像素点邻域中灰度级的中值Medmed来替代该像素的值，计算公式为：步骤八，判断迭代次数k是否为1，当m＝1时，将所述中值滤波后的两层图像的稠密运动场分别进行m倍的上采样，恢复到原图像序列的大小，当m>1，跳过上采样步骤，转到步骤九；步骤九，基于所述两层图像的稠密运动场对原参考图像对应的像素点进行坐标配准，将配准后的图像灰度化，并对每个像素点进行计算，选取灰度值最小的点所在的配准图像对应位置的RGB值作为该点的新像素值，分别恢复出初始分离后的背景层图像IB和反射层图像IR；步骤十，根据初始分离后的背景层图像IB和反射层图像IR，优化迭代min(I3-IB-IR)，依据IB+IR与I3的NCC值作相应的正确的处理，通过计算式I3-IB-IR和设定阈值，提炼背景层图像IB和反射层图像IR中正确的像素点，转至步骤五，继续后续步骤，如果NCCk＞NCCk-1，继续后续步骤，每进行一次迭代，计算IB+IR与I3的NCC值，如果NCCk＞NCCk-1，说明重建图像精度增加，继续迭代，否则，停止迭代，结束程序；所述图像识别算法包括抗RSD攻击盲检测数字指纹方法，具体步骤如下：指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结合“平行四边形法则”确定近似网格平行四边形，最后通过边延拓近似网格平行四边形进行最大限度延拓，为攻击类型判断和参数计算提供精确的平行四边形；数字指纹提取的图像校正，根据所得到的RSD攻击参数，对掩蔽图像进行校正，具体分为：如果α≠0，则将掩蔽图像逆时针旋转α角；如果那么将掩蔽图像水平扭曲角，且令如果则将掩蔽图像以为比例系数进行横向缩放；而如果则将掩蔽图像以为比例系数进行纵向缩放；图像同步定位以及指纹提取和恢复，某个嵌入块为B＝(Iij)8×8，F＝(Fuv)8×8为B的DCT系数，其中Iij为DCT嵌入块B的第i行j列个像素值，Fuv为DCT系数矩阵中的第u行v列个像素值，设在嵌入块嵌入n比特的指纹数据，待嵌入的指纹比特分别记为wi(i＝1,2,…,n)，选取的嵌入位置为uvi(i＝1,2,…,n)；第二步，根据监控视频的拍摄时间以及拍摄地理信息，利用监控对象的解析信息，对监控视频中的潜在城市应急事件进行识别；所述监控视频水印的嵌入具体包括：步骤一，对原始彩色图像按照颜色通道进行分离；对原彩色图像像按照RGB颜色通道分离三张灰度图像，分别记为R通道、G通道和B通道；步骤二，载体图像预处理；步骤三，计算每张灰度图的预测误差组，对每张灰度图采用菱形预测方案获取阴影点的预测值，跟原始像素值相减，获得阴影点的预测误差序列(eR1,eR2,...,eRN)，(eG1,eG2,...,eGN)，(eB1,eB2,...,eBN)，将三张灰度图像阴影点的预测误差组成预测误差组en＝(eRn,eGn,eBn)；步骤四，选择用于嵌入水印的预本文档来自技高网...

【技术保护点】
一种基于智慧城市的远程应急管理控制方法，其特征在于，所述基于智慧城市的远程应急管理控制方法包括以下步骤：第一步，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；所述监控摄像头图像去除反射方法包括以下步骤：步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行

【技术特征摘要】
1.一种基于智慧城市的远程应急管理控制方法，其特征在于，所述基于智慧城市的远程应急管理控制方法包括以下步骤：第一步，利用分布式布置的监控摄像头，实时获取监控视频信号，通过通信网络传输至监控中心，利用图像识别算法对监控视频进行解析，以获取监控对象的解析信息；所述监控摄像头图像去除反射方法包括以下步骤：步骤一，相机平行移动连续拍摄多帧图像序列{I1,I2,I3,I4,I5}，选取其中一幅图像I3为参考帧；步骤二，对所述序列图像{I1,I2,I3,I4,I5}进行倍的降采样处理；步骤三，对图像序列{I1,I2,I3,I4,I5}进行Canny边缘检测，并提取图像序列的边缘；步骤四，根据检测出来的图像边缘像素点集，选取I3边缘上像素点{xI＝(xi,yi)}为中心像素块，对图像{I1,I2,I4,I5}的相应行进行逐像素匹配，采用置信传播方法，分别计算参考图像I3与{I1,I2,I4,I5}归一化互相关极小值，得到四个对应边缘像素的稀疏矩阵值Vj(x)，计算公式为：通过计算每幅相邻图像与参考图像的稀疏矩阵值Vj(x)；步骤五，对所述稀疏运动场V3(x)进行拟合，采用RANSAC算法，基于背景层IB和反射层IR相对于相机位置的不同，导致背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)具有不同的取值范围，对图像的稀疏矩阵V(x)进行RANSAC拟合，得到IB的稀疏运动场VB(x)，再对V(x)-VB(x)再次RANSAC拟合，得到反射层的稀疏运动场VR(x)，得出分离后的背景层稀疏运动场VB(x)和反射层稀疏运动场VR(x)；参数设置如下：迭代次数K：1000-2000次，偏差t：5-10，判决阈值th：5-9；步骤六，建立前馈神经网络，采用基于BP算法的神经网络训练样本数据集，取两层隐层数，每层神经元均采用Sigmoid传输函数，将上述分层后的像素点[xiyj]及其相应VB(x)和VR(x)作为样本数据点训练神经网络，输入输出之间关系对照如下：反复训练神经网络，使得其中Vij为神经网络的计算输出的运动场值，为实际期望输出的运动场值，W,V为每层的加权向量，训练完成后，利用该网络对其他像素点泛化，得到背景层图像的稠密运动场FB(x,y)和反射层稠密运动场FR(x,y)；步骤七，对所述稠密运动场分别进行自适应中值滤波，用像素点邻域中灰度级的中值Medmed来替代该像素的值，计算公式为：步骤八，判断迭代次数k是否为1，当m＝1时，将所述中值滤波后的两层图像的稠密运动场分别进行m倍的上采样，恢复到原图像序列的大小，当m>1，跳过上采样步骤，转到步骤九；步骤九，基于所述两层图像的稠密运动场对原参考图像对应的像素点进行坐标配准，将配准后的图像灰度化，并对每个像素点进行计算，选取灰度值最小的点所在的配准图像对应位置的RGB值作为该点的新像素值，分别恢复出初始分离后的背景层图像IB和反射层图像IR；步骤十，根据初始分离后的背景层图像IB和反射层图像IR，优化迭代min(I3-IB-IR)，依据IB+IR与I3的NCC值作相应的正确的处理，通过计算式I3-IB-IR和设定阈值，提炼背景层图像IB和反射层图像IR中正确的像素点，转至步骤五，继续后续步骤，如果NCCk＞NCCk-1，继续后续步骤，每进行一次迭代，计算IB+IR与I3的NCC值，如果NCCk＞NCCk-1，说明重建图像精度增加，继续迭代，否则，停止迭代，结束程序；所述图像识别算法包括抗RSD攻击盲检测数字指纹方法，具体步骤如下：指纹数据帧的生成；利用分组移位置乱算法对指纹信息进行加密；采用帧编码技术处理指纹信息，获得指纹数据帧；在DCT域嵌入指纹数据帧，对载体图像进行分片，在每个完整分片中分别嵌入指纹数据帧，形成指纹数据帧的多个冗余版本；首先将载体图像分成大小为S×S的分片，其中S＝2k；然后按一定规则在每个分片中选择m个8×8像素块作为嵌入块；最后在嵌入块中分别嵌入指纹数据帧中的n个比特的数据；如果指纹数据帧的二进制长度为L，则应满足L＝m×n；在空域构造具有固定间距、固定差分值的差分特征点网格；在已经嵌有数字指纹的载体图像中，以某像素点(i0,j0)为起点，按照行距和列距均为D的方式在图像中嵌入差分特征点，从而在整个图像中形成了一个矩形网格；RSD攻击参数的获取；首先获取空域上的疑似网格点，然后通过设置种子点、候选点的方式结...

【专利技术属性】
技术研发人员：黄佳祯，徐姣姣，项勇，崔雁，杨熙汉，张志盈，赖慧，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51