一种学校监控设备的控制方法技术

本发明专利技术涉及属于监控设备控制技术领域，具体公开了一种学校监控设备的控制方法，包括：在校园布置监控设备网络，监控设备上连接有一体感设备和一亮度传感器。监控设备获取多张预定行为图像，建立行为图像指令样本库。建立支持向量机，利用粒子群算法优化支持向量机的网络参数。将标记的行为图像样本分为训练集和测试集，然后对支持向量机进行训练。由体感设备采集多个行为动作，建立动作指令数据库。根据亮度传感器的亮度，根据体感设备或支持向量机获取的预定行为或预定行为图像调取对应的操作指令操控监控设备。使得维护人员对校园网进行维护时，无需与监控室的操作员联络即可对校园监控网进行操作，从而完成维护作业。

A control method of school monitoring equipment

【技术实现步骤摘要】
一种学校监控设备的控制方法
本专利技术属于监控设备控制
，特别涉及用于一种学校监控设备的控制方法。
技术介绍
在校园内，因学校人员密集，且学校内具有较多的教学设备、老师学生的私有物品，因此每年都会发生较多的盗窃行为，同时会发生打架斗殴等现象，因此在校园内安装了监控设备，监控设备实时录取学校的环境录像，可对上述行为进行回查。在校园内安装监控设备给校园的盗窃、打架斗殴等事件提供了较好的视频证据，但校园一般面积都很大，而监控室离每个摄像头的距离又较远，当需要对校园监控网进行检查维护时，如需要暂时关掉监控设备，开启监控设备等操作时，则需要监控室进行配合，若维修人员通过通话机与监控人员进行通信的信号较差时，则不能很好的配合，会给维护工作带来不便。
技术实现思路
本专利技术的目的在于提供一种学校监控设备的控制方法，从而克服当需要对校园监控网进行检查维护需要监控室进行配合时，维修人员通过通话机与监控人员进行通信的信号较差时不能很好的配合的缺陷。为实现上述目的，本专利技术提供了用于一种学校监控设备的控制方法，包括：S1，在校园布置监控设备网络，所述监控设备上连接有一体感设备和一亮度传感器；S2，监控设备获取多张预定行为图像，将每张预定行为对应一个具体的监控设备的操作指令，同时对多张所述行为图像的行为特征进行标记，形成行为图像指令样本库；S3，建立支持向量机，利用粒子群算法优化所述支持向量机的网络参数，以形成网络参数最优的支持向量机；S4，将标记的行为图像样本分为训练集和测试集，将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试，获取能够预测行为的支持向量机；S5，由体感设备采集多个行为动作，并将每个行为动作对应一个具体的监控设备的操作指令，将多个行为动作和对应的操作指令集成以形成动作指令数据库；S6，由亮度传感器实时获取亮度值，当亮度值低于预设值时则关闭支持向量机预测，打开所述体感设备，由所述体感设备实时采集行为动作，以根据行为动作调取对应的操作指令以操控所述监控设备；当亮度值高于预设值时则关闭体感设备，打开支持向量机预测，由监控设备实时获取行为图像，采用能够预测行为的支持向量机对连续帧监控图像进行行为预测，若预测到预定行为图像，则调取对应的操作指令以操控所述监控设备。优选的，上述技术方案中，步骤S2具体包括：S201，设置所述支持向量机的参数：惩罚参数C，RBF核参数δ，损失函数ε参数；其中，惩罚参数C范围为[1，100]，RBF核参数δ的范围为[0.1，100]，损失函数ε参数范围为[0.001，1]；S202，初始化粒子群的相关参数：设定种群数量，最大迭代次数，学习因子及惯性权重，并随机赋予每个粒子的初始位置和速度；S203，确定适应度评估函数，根据适应度函数评价每个粒子的适应度；S204，将各个粒子的适应度的极值存在pbest中，将所有的最优个体的适应度存在全局极值gbest中；S205，对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度，如果粒子适应度优于pbest，将pbest设置为新位置；vk+1＝wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk)(1)xk+1＝xk+vk+1(2)式中：vk与xk当前粒子的速度向量与位置；vk+1与xk+1更新后的粒子的速度向量与位置；pbestk表示粒子当前最优解位置，gbestk表示整个种群的最优解位置；w为惯性权重,w＝0.8；c1和c2为学习因子；r1和r2为0到1之间的均匀分布的随机数；S206，检验是否达到迭代次数或最小误差要求，如果是则停止迭代，并保存粒子群的整体最优位置值，否则转至S203继续计算；S207，输出gbest，得到支持向量机的参数以建立最优的非线性所述支持向量机。优选的，上述技术方案中，所述监控设备包括：外壳、摄像机、反光板、光源、控制器、清扫棉刷、第一电机、定时器、第二电机及罩体，所述外壳呈六面柱体状，六面柱体状的外壳的每个柱面均设有一个摄像机，所述摄像机的摄像头延伸出每个柱面，每个摄像机的上方设有反光板，所述反光板与所述摄像机之间设有光源，所述清扫棉刷的一端铰接于所述摄像机的一侧，所述罩体的一端铰接于所述清扫棉刷的一侧，所述第一电机用于带动所述罩体罩于所述清扫棉刷上，所述第二电机用于带动清扫棉刷往所述摄像机的摄像头表面来回摆动，其中，所述定时器、摄像机、光源、第一电机及第二电机分别与所述控制器连接。优选的，上述技术方案中，所述监控设备的光源初始状态不亮，当所述支持向量机预测到预定行为图像时，则打开所述光源，由所述监控设备利用能够预测预定行为的支持向量机再次预测之后采集的图像，此时若再次预测为预定行为图像则调取相应的操作指令，若不是，则不调取相应的操作指令。优选的，上述技术方案中，所述行为动作包括举双手、抬左手及踢右脚、抬右手及踢左脚。优选的，上述技术方案中，多张预定行为图像包括举双手图像、抬左手及踢右脚图像、抬右手及踢左脚图像。与现有的技术相比，本专利技术具有如下有益效果：本专利技术的学校监控设备的控制方法，利用体感设备抓取预定动作或利用支持向量机抓取预定动作的图像，转化为控制监控设备的操作指令，使得维护人员对校园网进行维护时，无需与监控室的操作员联络即可对校园监控网进行操作，从而完成维护作业。附图说明图1是本专利技术学校监控设备的控制方法的流程图。图2是本专利技术PSO优化算法流程图。图3是本专利技术监控设备的俯视图。图4是本专利技术监控设备的主视图。具体实施方式下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。如图1所示，该实施例中的学校监控设备的控制方法，包括：S1，在校园布置监控设备网络，每台监控设备上连接有一体感设备和一亮度传感器。具体的，即在校园的各个角落均安装监控设备，并将监控设备连接到服务器，从而形成监控网络。S2，监控设备获取多张预定行为图像，将每张预定行为对应一个具体的监控设备的操作指令，同时对多张行为图像的行为特征进行标记，即特征提取，形成行为图像指令样本库。多张预定行为图像包括举双手图像、抬左手及踢右脚图像、抬右手及踢左脚图像等，如举双手图像为关闭监控设备指令，抬左手及踢右脚图像为开启监控设备指令，抬右手及踢左脚图像为试运行10分钟关闭指令。S3，建立支持向量机，利用粒子群算法优化支持向量机的网络参数，以形成网络参数最优的支持向量机。设预定行为图像的输入为目标参量为x，输出为y(预定行为特征)，显然y＝f(x)为非线性关系，将预定行为图像x作为粒子群PSO-SVM支持向量机模型的输入样本，经粒子群PSO-SVM支持向量机模型处理后输出预定行为特征y。S4，将标记的行为图像样本分为训练集和测试集，随机抽取样本数据的前90本文档来自技高网...

【技术保护点】
1.一种学校监控设备的控制方法，其特征在于，包括：/nS1，在校园布置监控设备网络，所述监控设备上连接有一体感设备和一亮度传感器；/nS2，监控设备获取多张预定行为图像，将每张预定行为对应一个具体的监控设备的操作指令，同时对多张所述行为图像的行为特征进行标记，形成行为图像指令样本库；/nS3，建立支持向量机，利用粒子群算法优化所述支持向量机的网络参数，以形成网络参数最优的支持向量机；/nS4，将标记的行为图像样本分为训练集和测试集，将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试，获取能够预测行为的支持向量机；/nS5，由体感设备采集多个行为动作，并将每个行为动作对应一个具体的监控设备的操作指令，将多个行为动作和对应的操作指令集成以形成动作指令数据库；/nS6，由亮度传感器实时获取亮度值，当亮度值低于预设值时则关闭支持向量机预测，打开所述体感设备，由所述体感设备实时采集行为动作，以根据行为动作调取对应的操作指令以操控所述监控设备；/n当亮度值高于预设值时则关闭体感设备，打开支持向量机预测，由监控设备实时获取行为图像，采用能够预测行为的支持向量机对连续帧监控图像进行行为预测，若预测到预定行为图像，则调取对应的操作指令以操控所述监控设备。/n...

【技术特征摘要】
1.一种学校监控设备的控制方法，其特征在于，包括：
S1，在校园布置监控设备网络，所述监控设备上连接有一体感设备和一亮度传感器；
S2，监控设备获取多张预定行为图像，将每张预定行为对应一个具体的监控设备的操作指令，同时对多张所述行为图像的行为特征进行标记，形成行为图像指令样本库；
S3，建立支持向量机，利用粒子群算法优化所述支持向量机的网络参数，以形成网络参数最优的支持向量机；
S4，将标记的行为图像样本分为训练集和测试集，将训练集输入网络参数最优的支持向量机训练行为特征数据,利用测试集对训练后的支持向量机进行测试，获取能够预测行为的支持向量机；
S5，由体感设备采集多个行为动作，并将每个行为动作对应一个具体的监控设备的操作指令，将多个行为动作和对应的操作指令集成以形成动作指令数据库；
S6，由亮度传感器实时获取亮度值，当亮度值低于预设值时则关闭支持向量机预测，打开所述体感设备，由所述体感设备实时采集行为动作，以根据行为动作调取对应的操作指令以操控所述监控设备；
当亮度值高于预设值时则关闭体感设备，打开支持向量机预测，由监控设备实时获取行为图像，采用能够预测行为的支持向量机对连续帧监控图像进行行为预测，若预测到预定行为图像，则调取对应的操作指令以操控所述监控设备。


2.根据权利要求1所述的地下室防盗监控设备的控制方法，其特征在于，步骤S2具体包括：
S201，设置所述支持向量机的参数：惩罚参数C，RBF核参数δ，损失函数ε参数；其中，惩罚参数C范围为[1，100]，RBF核参数δ的范围为[0.1，100]，损失函数ε参数范围为[0.001，1]；
S202，初始化粒子群的相关参数：设定种群数量，最大迭代次数，学习因子及惯性权重，并随机赋予每个粒子的初始位置和速度；
S203，确定适应度评估函数，根据适应度函数评价每个粒子的适应度；
S204，将各个粒子的适应度的极值存在pbest中，将所有的最优个体的适应度存在全局极值gbest中；
S205，对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度，如果粒子适应度优于pbest，将pbe...

【专利技术属性】
技术研发人员：陈非儿，徐波，彭东亚，梁红，樊慧珍，荣彩，叶权锋，郭瑞超，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45