空港监管用机坪车辆危险接近安全事件识别系统及其方法技术方案

本发明专利技术涉及一种空港监管用机坪车辆危险接近安全事件识别系统及其方法，属于机场安全防范领域；包括视频流接入模块，用于摄像头视频数据实时接入处理；接口处理模块，用于接入生产类和安全类系统数据；算法处理模块，用于识别摄像头实时视频流中的飞行器和车辆数据；前端推送模块，用于将安全事件的处理结果推送给前端应用显示。本发明专利技术的优点是：通过机场大量安装摄像头，实时采集摄像头视频流信息，通过采用深度学习卷积神经网络算法技术，识别摄像头视频流中车辆、飞行器等信息，通过计算识别目标信息距离判断是否存在危险接近安全风险。本发明专利技术的优点：该发明专利技术将显著改善人工巡检存在的安全风险漏项问题，显著提升机场安全管理水平。理水平。理水平。

【技术实现步骤摘要】
空港监管用机坪车辆危险接近安全事件识别系统及其方法


[0001]本专利技术涉及一种基于视频分析的空港监管用机坪车辆危险接近安全事件识别系统及其识别方法，属于机场安全防范领域。

技术介绍

[0002]车辆危险接近作为机场安全风险等级较高的安全事件，在当前大部分机场主要依赖于人工巡检，效率低下且存在明显安全风险漏项，部分机场为车辆安装GPS定位设施，依赖于车辆位置信息进行危险接近判断依据，但GPS车载设备成本较高，安装范围有限，车辆经纬度定位存在飘点、跳点现象，存在一定识别误差，在实际应用中，作为车辆危险接近的判断依据不够全面，经常会出现误判断问题，很难进行完全认定的违章处罚依据。

技术实现思路

[0003]为克服现有技术的缺陷，本专利技术提供一种基于空港监管用机坪车辆危险接近安全事件识别系统及其方法，本专利技术的技术方案是：
[0004]一种空港监管用机坪车辆危险接近安全事件识别系统，包括视频流接入模块，用于摄像头视频数据实时接入处理；
[0005]接口处理模块，用于接入生产类和安全类系统数据；
[0006]算法处理模块，用于识别摄像头实时视频流中的飞行器和车辆数据，综合识别到的目标数据进行判断，识别出可能存在的车辆危险接近安全事件；
[0007]前端推送模块，用于将安全事件的处理结果推送给前端应用显示。
[0008]所述的算法处理模块使用深度学习卷积神经网络算法，结构如下：input
→
[conv
→
relu]*n
→
[pool]*m
→
[fc
→
relu]*k；
[0009]其中，input表示输入层，将图像进行处理之后输入卷积神经网络，conv表示卷积层，用来提取图像中的特征，relu表示卷积层的激活函数，n表示存在n个卷积层，pool表示池化层，用来对特征图进行降维，压缩参数的数量，提高模型泛化的能力，防止过拟合，m表示存在m个池化层，fc表示全连接层，把卷积层、激活层以及池化层提取到的特征综合起来，relu表示全连接层的激活函数，k表示存在k层全连接层；
[0010]所述的卷积神经网络算法核心为Loss函数，通过Loss函数进行相应正向传播和反向传播，训练相应的卷积神经网络，匹配真实场景。
[0011]所述的算法处理模块在识别到具体飞行器、车辆目标信息后，将识别到的飞行器、车辆像素点集存放在待计算列表，采用遍历的方式，两两目标物进行遍历比较，将每一个目标物点集取出，计算几何中心，当前点集为矩形点集，假设目标物坐标为：{(x1,y1),(x2,y2),(x3,y3),(x4,y4)}，则目标物中心点坐标p为：
[0012]假设摄像头识别矩形区域顺时针排列四个顶点像素坐标为：{(mx1,my1),(mx2,my2),(mx3,my3),(mx4,my4)}，对应的经纬度坐标为：{(pmx1,pmy1),(pmx2,pmy2),(pmx3,
pmy3),(pmx4,pmy4)}，则X轴转换参数XC为：Y轴转换参数YC为：
[0013]假设两比较目标物中心点像素坐标分别为(px1,py1)、(px2,py2)，则两目标中心点真实距离L为：
[0014][0015]通过判断距离信息是否低于系统设定距离来进行预警，如果两比较目标物分别为飞行器和飞行器，则距离参数为PC；如果两比较目标物分别为飞行器和车辆，则距离参数为PCC；如果两比较目标物分别为车辆和车辆，则距离参数为CC；真实判断距离与两比较目标物相对位置有关，则分别判断距离为和
[0016]在实际判断中，通过实时对比两目标物中心点真实距离是否小于判断距离，如果小于判断距离，则产生安全风险事件，进行相关预警。
[0017]一种基于空港监管用机坪车辆危险接近安全事件识别方法，包括以下步骤：
[0018]S1、将摄像头视频数据实时接入处理；
[0019]S2、接入生产类和安全类系统数据；
[0020]S3、识别摄像头实时视频流中的飞行器和车辆数据，综合识别到的目标数据进行判断，识别出可能存在的车辆危险接近安全事件；
[0021]S4、将安全事件的处理结果推送给前端应用显示。
[0022]本专利技术的优点是：通过机场大量安装摄像头，实时采集摄像头视频流信息，通过采用深度学习卷积神经网络算法技术，识别摄像头视频流中车辆、飞行器等信息，通过计算识别目标信息距离判断是否存在危险接近安全风险。该专利技术将显著改善人工巡检存在的安全风险漏项问题，作为GPS车载终端判定方法的有力补充，显著提升机场安全管理水平。
附图说明
[0023]图1是本专利技术的空港监管用机坪车辆危险接近安全事件识别系统结构框图。
具体实施方式
[0024]下面结合具体实施例来进一步描述本专利技术，本专利技术的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本专利技术的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本专利技术的精神和范围下可以对本专利技术技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本专利技术的保护范围内。
[0025]参见图1，本专利技术涉及一种空港监管用机坪车辆危险接近安全事件识别系统，包括视频流接入模块1，将机坪上的摄像头实时码流数据接入到本模块，进行视频转码处理，并将相关视频推送到算法处理模块，供识别使用；
[0026]接口处理模块2，接入机场生产类和安全类不同关联系统，用以更好地提供现场情况信息，供算法处理模块进行更加全面的逻辑判断；
[0027]算法处理模块3，用于识别摄像头实时视频流中的飞行器和车辆数据，综合识别到的目标数据进行判断，识别出可能存在的车辆危险接近安全事件；
[0028]前端推送模块4，用于将安全事件的处理结果推送给前端应用显示。
[0029]在所述的算法处理模块3使用深度学习卷积神经网络算法，input
→
[conv
→
relu]*n
→
[pool]*m
→
[fc
→
relu]*k，input表示输入层，将图像进行处理之后输入卷积神经网络，conv表示卷积层，用来提取图像中的特征，relu表示卷积层的激活函数，n表示存在n个卷积层，pool表示池化层，用来对特征图进行降维，压缩参数的数量，提高模型泛化的能力，防止过拟合，m表示存在m个池化层，fc表示全连接层，把卷积层、激活层以及池化层提取到的特征综合起来，relu表示全连接层的激活函数，k表示存在k层全连接层。
[0030]在所述的算法处理模块3在识别到具体飞行器、车辆目标信息后，将识别到的飞行器、车辆像素点集存放在待计算列表，两两目标物进行遍历比较，计算每个目标物几何中心，假设目标物坐标为：{(x1,y1),(x2,y2),(x3,y3),(x4,y4)}，则目标物中心点坐标p为：
[0031]假设摄像头识别矩形区域顺时针排列四个顶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空港监管用机坪车辆危险接近安全事件识别系统，其特征在于，包括视频流接入模块，用于摄像头视频数据实时接入处理；接口处理模块，用于接入生产类和安全类系统数据；算法处理模块，用于识别摄像头实时视频流中的飞行器和车辆数据，综合识别到的目标数据进行判断，识别出可能存在的车辆危险接近安全事件；前端推送模块，用于将安全事件的处理结果推送给前端应用显示。2.根据权利要求1所述的一种空港监管用机坪车辆危险接近安全事件识别系统，其特征在于，所述的算法处理模块使用深度学习卷积神经网络算法，结构如下：input
→
[conv
→
relu]*n
→
[pool]*m
→
[fc
→
relu]*k；其中，其中input表示输入层，将图像进行处理之后输入卷积神经网络，conv表示卷积层，用来提取图像中的特征，relu表示卷积层的激活函数，pool表示池化层，用来对特征图进行降维，压缩参数的数量，提高模型泛化的能力，防止过拟合，fc表示全连接层，把卷积层、激活层以及池化层提取到的特征综合起来，relu表示全连接层的激活函数；所述的卷积神经网络算法核心为Loss函数，通过Loss函数进行相应正向传播和反向传播，训练相应的卷积神经网络，匹配真实场景。3.根据权利要求2所述的空港监管用机坪车辆危险接近安全事件识别系统，其特征在于，所述的算法处理模块在识别到具体飞行器、车辆目标信息后，将识别到的飞行器、车辆像素点集存放在待计算列表，采...

【专利技术属性】
技术研发人员：陈翰，丁继存，曹伟，李坤，李志，苏以通，薛玲祥，张新华，陈晓，宋正敏，刘晓疆，
申请(专利权)人：青岛民航凯亚系统集成有限公司，
类型：发明
国别省市：