本發(fā)明涉及視頻監(jiān)控安全控制，更具體地說，本發(fā)明涉及基于物聯(lián)網(wǎng)的視頻監(jiān)控安全控制系統(tǒng)及方法。

背景技術：

1、物聯(lián)網(wǎng)(i?ot)作為一種通過網(wǎng)絡連接物理設備以實現(xiàn)數(shù)據(jù)交換的技術，近年來發(fā)展迅速，廣泛應用于智能城市、交通管理和環(huán)境監(jiān)測等領域，通過將傳感器、設備、通信技術整合，物聯(lián)網(wǎng)使設備間能夠實時共享數(shù)據(jù)，提供更全面的感知和控制能力。視頻監(jiān)控技術作為安全管理的重要手段，也在不斷演進，將傳感器與攝像頭整合進監(jiān)控系統(tǒng)成為可能，物聯(lián)網(wǎng)允許通過傳感器網(wǎng)絡實時監(jiān)測環(huán)境數(shù)據(jù)，如溫度、濕度、煙霧、人流等，并將這些數(shù)據(jù)與視頻數(shù)據(jù)相結合，提供更全面的環(huán)境感知能力。

2、現(xiàn)有技術存在的不足：在安防監(jiān)控中，傳感器和攝像頭各自獨立工作，環(huán)境數(shù)據(jù)(如溫度、濕度、人流密度)與視頻監(jiān)控數(shù)據(jù)無法有效結合，導致系統(tǒng)無法及時識別如火災或人群聚集等潛在風險。例如，人流密集的區(qū)域可能未被標記為高風險，進而影響視頻監(jiān)控的實時響應，同時，資源調(diào)度效率低下也導致攝像頭監(jiān)控資源無法根據(jù)風險變化進行動態(tài)調(diào)整，攝像頭容易長時間高資源占用的監(jiān)控低風險區(qū)域，而對高風險區(qū)域的監(jiān)控資源不足，容易增加區(qū)域安全隱患。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，本發(fā)明提供基于物聯(lián)網(wǎng)的視頻監(jiān)控安全控制系統(tǒng)及方法，以解決上述背景技術中視頻監(jiān)控控制效率低的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、基于物聯(lián)網(wǎng)的視頻監(jiān)控安全控制方法，包括如下步驟：

4、對多源傳感器數(shù)據(jù)進行采集，通過物聯(lián)網(wǎng)傳感器網(wǎng)絡對數(shù)據(jù)進行傳輸，使用時鐘同步協(xié)議對數(shù)據(jù)進行時間同步，并對采集的數(shù)據(jù)進行預處理；

5、對預處理后的數(shù)據(jù)進行關聯(lián)分析，提取采集數(shù)據(jù)中歷史信息和場景模式，確定各區(qū)域的風險等級，根據(jù)各區(qū)域的風險等級確定區(qū)域資源調(diào)度的優(yōu)先級，并使用貝葉斯網(wǎng)絡模擬不同區(qū)域的場景變化；

6、根據(jù)實時區(qū)域風險評估與優(yōu)先級分配的結果，對不同區(qū)域使用協(xié)同優(yōu)化算法動態(tài)調(diào)度攝像頭資源，并優(yōu)先分配高風險區(qū)域的監(jiān)控資源。

7、在一個優(yōu)選的實施方式中，傳感器包括環(huán)境傳感器、人流檢測器、噪聲傳感器、紅外傳感器、煙霧報警器、攝像頭；

8、環(huán)境傳感器采集環(huán)境數(shù)據(jù)，人流檢測器、噪聲傳感器、紅外傳感器、煙霧報警器采集數(shù)據(jù)作為傳感器數(shù)據(jù)，攝像頭采集數(shù)據(jù)作為視頻數(shù)據(jù)；

9、使用通過卡爾曼濾波對環(huán)境數(shù)據(jù)、傳感器數(shù)據(jù)進行去噪處理，使用孤立森林算法對數(shù)據(jù)進行異常值檢測，對視頻數(shù)據(jù)使用非局部均值算法進行去噪；

10、使用z-score標準化對環(huán)境數(shù)據(jù)、傳感器數(shù)據(jù)進行標準化處理；

11、使用動態(tài)時間規(guī)整算法對環(huán)境數(shù)據(jù)、傳感器數(shù)據(jù)、視頻數(shù)據(jù)進行時間對齊。

12、在一個優(yōu)選的實施方式中，對預處理后的數(shù)據(jù)進行關聯(lián)分析，具體過程如下：

13、將各類采集數(shù)據(jù)整合為特征矩陣，列代表數(shù)據(jù)或特征維度；

14、使用貝葉斯網(wǎng)絡進行條件概率計算，推斷出特定特征的發(fā)生概率；

15、使用pca對特征矩陣進行降維處理，識別出主成分，并計算不同數(shù)據(jù)特征之間的相關系數(shù)或互信息量，量化各個數(shù)據(jù)之間的關聯(lián)度；

16、根據(jù)關聯(lián)分析的結果，并結合貝葉斯網(wǎng)絡推斷和pca提取的主成分，創(chuàng)建多維度的場景模式。

17、在一個優(yōu)選的實施方式中，提取采集數(shù)據(jù)中歷史信息和場景模式，確定各區(qū)域的風險等級，根據(jù)各區(qū)域的風險等級確定區(qū)域資源調(diào)度的優(yōu)先級，并使用貝葉斯網(wǎng)絡模擬不同區(qū)域的場景變化，具體過程如下：

18、歷史信息數(shù)據(jù)集的構建涉及從多個數(shù)據(jù)源中提取不同維度的信息，并構建聯(lián)合數(shù)據(jù)集；

19、在聯(lián)合數(shù)據(jù)集上，使用關聯(lián)規(guī)則挖掘算法識別高頻發(fā)生的場景模式；

20、計算每個事件組合的支持度與置信度，定義為某項事件組合出現(xiàn)的頻率；

21、使用時序模式挖掘識別出事件在時間維度上的重復模式；

22、在識別出歷史高風險區(qū)域和場景模式后，通過貝葉斯網(wǎng)絡對不同風險因素進行因果推理和建模，將不同的風險因素構建成因果關系圖，模擬不同區(qū)域內(nèi)傳感器值下的場景變化。

23、在一個優(yōu)選的實施方式中，使用時序模式挖掘識別出事件在時間維度上的重復模式，具體過程如下：

24、進行滑動窗口構建，將歷史時間的序列數(shù)據(jù)以滑動窗口方式劃分為多個子序列；

25、在每個子序列上，使用自回歸模型對事件發(fā)生的時序特征進行建模；

26、使用聚類分析對歷史數(shù)據(jù)進行區(qū)域劃分，并采用k-means聚類算法將不同區(qū)域的數(shù)據(jù)進行聚合，并將高風險區(qū)域識別為聚類中心；

27、選擇聚類中心，歐氏距離度量每個數(shù)據(jù)點到聚類中心的距離；

28、根據(jù)數(shù)據(jù)點與聚類中心的距離，將數(shù)據(jù)點分配到最近的聚類中心，并重新計算聚類中心，直到聚類結果收斂；

29、通過聚類分析識別出具有相似風險模式的區(qū)域，并將高風險區(qū)域標記為資源調(diào)度的優(yōu)先區(qū)域。

30、在一個優(yōu)選的實施方式中，根據(jù)實時區(qū)域風險評估與優(yōu)先級分配的結果，對不同區(qū)域使用協(xié)同優(yōu)化算法動態(tài)調(diào)度攝像頭資源，并優(yōu)先分配高風險區(qū)域的監(jiān)控資源，具體過程如下：

31、進行監(jiān)控區(qū)域的任務優(yōu)先級分析，監(jiān)控區(qū)域的任務優(yōu)先級通過風險等級、事件緊急度、攝像頭狀態(tài)確定；

32、風險等級表示區(qū)域的當前安全風險，事件緊急度為當前任務的緊急性評估，攝像頭狀態(tài)是監(jiān)控設備的當前狀態(tài)，包括可用資源、帶寬、功耗；

33、事件緊急度根據(jù)運動檢測和行為異常檢測進行計算得到當前事件與歷史相似事件的匹配度；

34、根據(jù)任務優(yōu)先級、攝像頭資源狀態(tài)、環(huán)境限制判斷各個攝像頭的當前狀態(tài)，并確定是否需要調(diào)整工作模式，任務優(yōu)先級為當前區(qū)域的監(jiān)控需求的事件緊急度，攝像頭資源狀態(tài)包括當前攝像頭的功耗、帶寬、網(wǎng)絡傳輸狀況，環(huán)境限制包括網(wǎng)絡帶寬、能耗限制；

35、根據(jù)確定的任務優(yōu)先級和攝像頭工作模式，對區(qū)域內(nèi)攝像頭進行協(xié)調(diào)管理。

36、在一個優(yōu)選的實施方式中，根據(jù)確定的任務優(yōu)先級和攝像頭工作模式，對區(qū)域內(nèi)攝像頭進行協(xié)調(diào)管理，具體步驟如下：

37、獲取覆蓋區(qū)域的攝像頭重疊度，當攝像頭重疊度高于設定閾值時，則進行協(xié)同調(diào)度；

38、確定協(xié)同調(diào)度的攝像頭后，計算攝像頭之間的協(xié)同效應，協(xié)同效應計算根據(jù)攝像頭的空間位置、任務優(yōu)先級以及當前工作模式進行量化；

39、通過攝像頭之間的空間距離和覆蓋半徑計算協(xié)同效應；

40、當攝像頭之間存在協(xié)同效應時，通過協(xié)同資源分配進行資源調(diào)度與攝像頭之間的角度、焦距和旋轉速度的控制調(diào)度。

41、基于物聯(lián)網(wǎng)的視頻監(jiān)控安全控制系統(tǒng)，用于實現(xiàn)上述基于物聯(lián)網(wǎng)的視頻監(jiān)控安全控制方法，包括：

42、數(shù)據(jù)處理模塊，用于對多源傳感器數(shù)據(jù)進行采集，通過物聯(lián)網(wǎng)傳感器網(wǎng)絡對數(shù)據(jù)進行傳輸，使用時鐘同步協(xié)議對數(shù)據(jù)進行時間同步，并對采集的數(shù)據(jù)進行預處理；

43、場景需求分析模塊，用于對預處理后的數(shù)據(jù)進行關聯(lián)分析，提取采集數(shù)據(jù)中歷史信息和場景模式，確定各區(qū)域的風險等級，根據(jù)各區(qū)域的風險等級確定區(qū)域資源調(diào)度的優(yōu)先級，并使用貝葉斯網(wǎng)絡模擬不同區(qū)域的場景變化；

44、監(jiān)控控制模塊，用于根據(jù)實時區(qū)域風險評估與優(yōu)先級分配的結果，對不同區(qū)域使用協(xié)同優(yōu)化算法動態(tài)調(diào)度攝像頭資源，并優(yōu)先分配高風險區(qū)域的監(jiān)控資源。

45、本發(fā)明的技術效果和優(yōu)點：

46、本發(fā)明的技術效果在于通過物聯(lián)網(wǎng)傳感器網(wǎng)絡采集多源數(shù)據(jù)，結合時鐘同步協(xié)議，確保數(shù)據(jù)的時序一致性，并對傳感器和攝像頭采集的數(shù)據(jù)進行預處理，在數(shù)據(jù)預處理過程中，通過去噪、異常值檢測等技術確保數(shù)據(jù)的準確性與完整性，隨后，利用貝葉斯網(wǎng)絡和主成分分析對多源數(shù)據(jù)進行關聯(lián)分析，從歷史數(shù)據(jù)中提取場景模式，并根據(jù)不同環(huán)境條件下的風險等級動態(tài)調(diào)整資源調(diào)度策略，增強了系統(tǒng)對風險事件的早期預警能力，還能針對不同區(qū)域的特定環(huán)境變化進行智能化監(jiān)控調(diào)度，提升監(jiān)控的精度與時效性；

47、此外，通過協(xié)同優(yōu)化算法對攝像頭資源進行動態(tài)調(diào)度，基于實時區(qū)域風險評估與優(yōu)先級分配的結果，系統(tǒng)能夠智能識別高風險區(qū)域并優(yōu)先分配監(jiān)控資源，避免低風險區(qū)域資源的過度消耗，同時，在多個攝像頭覆蓋的情況下，減少冗余監(jiān)控和資源浪費，提升監(jiān)控的覆蓋率和資源利用效率，提高了視頻監(jiān)控的應急響應能力和風險預判精度，使得視頻監(jiān)控能夠有效應對復雜環(huán)境中的多種安全威脅。