• / 26
  • 下載費用:30 金幣  

監控裝置預置位設置、切換方法及系統.pdf

摘要
申請專利號:

CN201510323629.4

申請日:

2015.06.12

公開號:

CN106303403A

公開日:

2017.01.04

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):H04N 7/18申請日:20150612|||公開
IPC分類號: H04N7/18; G06T7/20 主分類號: H04N7/18
申請人: 中國人民公安大學
發明人: 張鴻洲; 杜治國; 李培岳; 高潔; 羅萬杰; 趙興濤; 蘇紅; 向穎
地址: 100038 北京市西城區木樨地南里1號
優先權:
專利代理機構: 北京三聚陽光知識產權代理有限公司 11250 代理人: 李敏
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510323629.4

授權公告號:

||||||

法律狀態公告日:

2019.03.12|||2017.02.01|||2017.01.04

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提供了一種監控裝置預置位設置、切換方法及系統,其中監控裝置預置位設置方法及系統首先獲取監控裝置在多組預置位下的多個監控圖像及每個監控圖像的監視風險熵,再按照監視風險熵由大到小的順序對每個監控圖像進行排位,將排位最靠前的一個或多個監控圖像對應的一組或多組預置位設置為優選預置位。本發明所述監控裝置預置位設置方法及系統通過對每個監控圖像進行自動分析獲取其對應的監視風險熵,并選取監視風險熵數值最大時的監控圖像對應的預置位作為監控裝置的優選預置位,能夠確保獲取到最好的監控效果,設置合理,克服了現有技術中由于操作人員經驗不足使得預置位設置不合理的缺陷。

權利要求書

1.一種監控裝置預置位設置方法,其特征在于,包括:
獲取監控裝置在多組預置位下的多個監控圖像及每個監控圖像的監視
風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不安全事件或關
注事件的風險或信息的掌握程度;
按照監視風險熵由大到小的順序對每個監控圖像進行排位,將排位最靠
前的一個或多個監控圖像對應的一組或多組預置位設置為優選預置位。
2.一種監控裝置預置位設置方法,其特征在于,包括:
獲取監控裝置處于最大視角位置時的廣角監控圖像;
將廣角監控圖像劃分為多個子監控圖像;
選取其中一個子監控圖像作為基準監控圖像并獲取其監視風險熵,所述
監視風險熵用于表示監控裝置對所監控場景中不安全事件或關注事件的風
險或信息的掌握程度;
將與基準監控圖像相鄰的一個子監控圖像并入基準監控圖像并獲取合
并后的監控圖像的監視風險熵;
若合并后的監控圖像的監視風險熵小于或等于基準監控圖像的監視風
險熵,則將基準監控圖像作為一個合并后的監控圖像且不再并入新的子監控
圖像;
若合并后的監控圖像的監視風險熵大于基準監控圖像的監視風險熵,則
將該合并后的監控圖像作為新的基準監控圖像,將其監視風險熵作為新的基
準監控圖像的監視風險熵,并返回至所述將與基準監控圖像相鄰的一個子監
控圖像并入基準監控圖像并獲取合并后的監控圖像的監視風險熵的步驟;
按照監視風險熵由大到小的順序對每個合并后的監控圖像進行排位,獲
取排位最靠前的一個或多個合并后的監控圖像所對應的一組或多組預置位,
將其設置為優選預置位。
3.根據權利要求1或2所述的監控裝置預置位設置方法,其特征在于,
獲取監視風險熵的步驟包括:
識別監控圖像中的運動目標、固定目標和/或重點監控區域;
獲取運動目標的運動信息并對所述運動信息進行統計,獲取運動信息統
計結果,所述統計結果包括運動目標的數目、時間和空間分布密度、運動速
度的大小、方向和軌跡、進出場景或者在場景中停留的位置和時長以及與運
動狀態相關的時間中的至少一個;
獲取固定目標和/或重點監控區域在監控圖像中的覆蓋程度,及固定目
標和/或重點監控區域隨時間或空間變化的固有風險;
獲取監控圖像的視覺信息質量與監控要求之間的符合度關系;
根據所述覆蓋程度以及所述固有風險獲取監控裝置對固定目標和/或重
點控制區域監視的第一監視風險熵;
根據所述運動信息統計結果獲取運動目標引入的安全風險以及運動目
標與固定目標和/或重點監控區域之間的耦合風險,據此獲取監控裝置對運
動目標進行監視的第二監視風險熵;
根據所述符合度關系獲取與監控裝置視覺信息采集質量相關的第三監
視風險熵;
將所述第一監視風險熵、所述第二監視風險熵以及所述第三監視風險熵
加權得到監視風險熵。
4.根據權利要求3所述的監控裝置預置位設置方法,其特征在于,所述
根據所述覆蓋程度以及所述固有風險獲取監控裝置對固定目標和/或重點控
制區域監視的第一監視風險熵的步驟中,通過如下公式計算第一監視風險
熵:
<mrow> <msub> <mi>S</mi> <mn>1</mn> </msub> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>
其中,

<mrow> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <msub> <mi>Tw</mi> <mi>j</mi> </msub> <mo>&CenterDot;</mo> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mfrac> <msub> <mi>A</mi> <mi>in</mi> </msub> <msub> <mi>A</mi> <mi>total</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>重點控制區域
Tsi是第i個固定目標在發生危險時的危害程度,Twj是第j個重點控制
區域在發生危險時的危害程度,Pi是第i個固定目標不安全事件發生的概率,
Pj是第j個重點控制區域不安全事件發生的概率,且Tsi、Twj、Pi、Pj均隨時
間或空間變化,Ain為重點控制區域在監控圖像中的覆蓋面積,Atotal為監控圖
像的總面積,S1,i是第i個固定目標的監視風險熵,S1,j是第j個重點控制區
域的監視風險熵,S1是所有固定目標和/或重點控制區域的監視風險熵之和。
5.根據權利要求3或4所述的監控裝置預置位設置方法,其特征在于,
所述根據所述運動信息統計結果獲取運動目標引入的安全風險以及運動目
標與固定目標和/或重點監控區域之間的耦合風險,據此獲取監控裝置對運
動目標進行監視的第二監視風險熵的步驟中,通過如下公式計算第二監視風
險熵:
S2=(β1SM+β2SMS)
β1β2分別代表權重,SM是與運動目標自身相關的監視風險熵,SMS是運
動目標對固定目標和/或重點監視區域產生威脅的監視風險熵;
其中,
SM=-TMlg(p|pM)=-TM(lgp+lgpM)

SMS=-TSlg(p|PMS)

TM由運動目標引入的安全風險確定,TS由固定目標和/或重點監視區域
隨時間或空間變化的固有風險確定,p為運動目標出現在監控圖像中的概
率,PM為運動目標不安全事件的發生概率,PMS為運動目標與固定目標和/或重
點監控區域耦合事件的發生概率;ρ為運動目標在時間和空間分布密度,n
為運動目標的數目,為運動目標的運動速度矢量,t為運動目標的時間屬
性,Δt為運動目標在場景中停留的時長,為運動目標與固定目標和/或重
點監控區域之間的相對位置。
6.根據權利要求3-5任一所述的監控裝置預置位設置方法,其特征在
于,所述根據監控圖像的視覺信息質量與監控要求之間的符合度關系獲取與
監控裝置視覺信息采集質量相關的第三監視風險熵的步驟中,通過如下公式
計算第三監視風險熵:
<mrow> <msub> <mi>S</mi> <mi>VQ</mi> </msub> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>lg</mi> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>+</mo> <mi>lgp</mi> <mo>)</mo> </mrow> </mrow>
其中,θk代表視覺信息質量與監控要求之間的符合度關系中的第k個視
覺信息采集質量指標的主觀或客觀滿意度,ωk代表權重。
7.一種通過權利要求1-6任一所述的監控裝置預置位設置方法獲取的
監控裝置預置位間的切換方法,其特征在于,包括:
根據運動目標的時間和空間的統計特性與優選預置位所對應的監控圖
像之間在時間和空間上的關聯,設定優選預置位之間的切換時間和順序。
8.一種監控裝置預置位設置系統,其特征在于,包括:
監控單元(11),用于獲取監控裝置在多組預置位下的多個監控圖像及
每個監控圖像的監視風險熵,所述監視風險熵用于表示監控裝置對所監控場
景中不安全事件或關注事件的風險或信息的掌握程度;
預置位選取單元(12),用于按照監視風險熵由大到小的順序對每個監
控圖像進行排位,將排位最靠前的一個或多個監控圖像對應的一組或多組預
置位設置為優選預置位。
9.一種監控裝置預置位設置系統,其特征在于,包括:
廣角監控圖像獲取單元(21),用于獲取監控裝置處于最大視角位置時
的廣角監控圖像;
劃分單元(22),用于將廣角監控圖像劃分為多個子監控圖像;
基準選取單元(23),用于選取其中一個子監控圖像作為基準監控圖像
并獲取其監視風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不
安全事件或關注事件的風險或信息的掌握程度;
合并單元(24),用于將與基準監控圖像相鄰的一個子監控圖像并入基
準監控圖像并獲取合并后的監控圖像的監視風險熵;
第一處理單元(25),用于在合并后的監控圖像的監視風險熵小于或等
于基準監控圖像的監視風險熵時,將基準監控圖像作為一個合并后的監控圖
像且不再并入新的子監控圖像;
第二處理單元(26),用于在合并后的監控圖像的監視風險熵大于基準
監控圖像的監視風險熵時,將該合并后的監控圖像作為新的基準監控圖像,
將其監視風險熵作為新的基準監控圖像的監視風險熵,并激活所述合并單元
(24);
選取單元(27),用于按照監視風險熵由大到小的順序對每個合并后的
監控圖像進行排位,獲取排位最靠前的一個或多個合并后的監控圖像所對應
的一組或多組預置位,將其設置為優選預置位。
10.根據權利要求8或9所述的監控裝置預置位設置系統,其特征在于,
所述監控單元(11)、所述基準選取單元(23)以及所述合并單元(24)中
均包括監視風險熵獲取子單元(3),其進一步包括:
識別器(31),用于識別監控圖像中的運動目標、固定目標和/或重點監
控區域;
統計器(32),用于獲取運動目標的運動信息并對所述運動信息進行統
計,獲取運動信息統計結果,所述統計結果包括運動目標的數目、時間和空
間分布密度、運動速度的大小、方向和軌跡、進出場景或者在場景中停留的
位置和時長以及與運動狀態相關的時間中的至少一個;
第一獲取器(33),用于獲取固定目標和/或重點監控區域在監控圖像中
的覆蓋程度,及固定目標和/或重點監控區域隨時間或空間變化的固有風險;
第二獲取器(34),用于獲取監控圖像的視覺信息質量與監控要求之間
的符合度關系;
第一監視風險熵獲取器(35),用于根據所述覆蓋程度以及所述固有風
險獲取監控裝置對固定目標和/或重點控制區域監視的第一監視風險熵;
第二監視風險熵獲取器(36),用于根據所述運動信息統計結果獲取運
動目標引入的安全風險以及運動目標與固定目標和/或重點監控區域之間的
耦合風險,據此獲取監控裝置對運動目標進行監視的第二監視風險熵;
第三監視風險熵獲取器(37),用于根據所述符合度關系獲取與監控裝
置視覺信息采集質量相關的第三監視風險熵;
監視風險熵獲取器(38),用于將所述第一監視風險熵、所述第二監視
風險熵以及所述第三監視風險熵加權得到監視風險熵。

說明書

監控裝置預置位設置、切換方法及系統

技術領域

本發明涉及安防技術領域,具體地說涉及一種監控裝置預置位設置、切
換方法及系統。

背景技術

攝像機的視角位置通常稱為預置位,主要由以下參數確定:攝像機鏡頭
的焦距f,攝像機光軸延長線在水平面內的投影與水平面內的參考方向所成
的夾角θ,攝像機光軸延長線與垂直方向相夾而成的俯仰角度Ф。θ、Ф的
定義分別參照圖1和圖2。每一組確定的(f、θ、Ф)即為一個攝像機的
預置位,一個給定的監視區域所對應的預置位(f、θ、Ф)是確定的,預
置位的計算可參照通用的幾何光學的計算方法。

目前,視頻監控系統主要采用兩大類型監控攝像機,分別為固定視角的
攝像機和視角可控制攝像機。

固定視角的攝像機一般俗稱為“槍機”,這種攝像機的安裝方位角是固
定的,通常采用定焦鏡頭,因此,槍機安裝后的預置位是固定的,其視角或
者視場范圍也是固定的,監控范圍有限且不靈活。在實際視頻監控系統運行
的過程中,固定視角的攝像機的預置位主要由人工根據監控經驗設置。

視角可控制攝像機俗稱“球機”,安裝于可控云臺或者與云臺為一體化
設計,且鏡頭焦距可調,可以根據監控的需要通過后臺實現轉動、變焦等功
能,從而改變監控視場范圍,可以有效地解決“槍機”監控范圍有限且不靈
活的問題。在實際視頻監控系統運行中,視角可控制攝像機的預置位有如下
幾種設置、切換方法:一是人工根據監控經驗,提前設置預置位及預置位間
的切換方式,但是實際場景中人員及車輛的情況是千變萬化的,人流、車流
及安全事件的發生具有時變性,預先設置好的預置位及預置位間的切換方式
很難對如此快速變化的場景進行有效監控;二是根據臨時需要,人工手動調
整攝像機位置與監控角度,如長時間不操作后,將自動恢復到原先設置的某
一個預置位;三是不設置任何預置位,全部依賴人工手動調整監控位置。但
因為第二種和第三種方式,主要靠人工進行調整,但是前端攝像機的數量遠
遠大于操作人員的數量,很難實現對每一視角可控攝像機都采用人工調整。

實際應用中,因為監控畫面的視場范圍與視覺質量之間存在一定的矛
盾,視場范圍越寬泛,獲得的整體場景情況信息越多,但獲取的具體目標的
細節信息就越少,視覺質量也就越差;反之若獲取的目標細節信息較多(視
覺質量高)時又不能掌控宏觀信息,視場范圍越狹窄,獲得的整體場景情況
信息就越少。因此,預置位的設置對操作人員的經驗有很高的要求,而現有
技術中,無論是固定視角的攝像機還是視角可控制攝像機,其預置位均由人
工根據監控經驗來設置,有可能因為操作人員經驗不足使得預置位設置不合
理,導致監控效果不理想。

發明內容

為此,本發明所要解決的技術問題在于現有技術中有可能因為操作人員
經驗不足使得預置位設置不合理,導致監控效果不理想。

為解決上述技術問題,本發明的技術方案如下:

本發明提供了一種監控裝置預置位設置方法,包括:

獲取監控裝置在多組預置位下的多個監控圖像及每個監控圖像的監視
風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不安全事件或關
注事件的風險或信息的掌握程度;

按照監視風險熵由大到小的順序對每個監控圖像進行排位,將排位最靠
前的一個或多個監控圖像對應的一組或多組預置位設置為優選預置位。

本發明所述監控裝置預置位設置方法,包括:

獲取監控裝置處于最大視角位置時的廣角監控圖像;

將廣角監控圖像劃分為多個子監控圖像;

選取其中一個子監控圖像作為基準監控圖像并獲取其監視風險熵,所述
監視風險熵用于表示監控裝置對所監控場景中不安全事件或關注事件的風
險或信息的掌握程度;

將與基準監控圖像相鄰的一個子監控圖像并入基準監控圖像并獲取合
并后的監控圖像的監視風險熵;

若合并后的監控圖像的監視風險熵小于或等于基準監控圖像的監視風
險熵,則將基準監控圖像作為一個合并后的監控圖像且不再并入新的子監控
圖像;

若合并后的監控圖像的監視風險熵大于基準監控圖像的監視風險熵,則
將該合并后的監控圖像作為新的基準監控圖像,將其監視風險熵作為新的基
準監控圖像的監視風險熵,并返回至所述將與基準監控圖像相鄰的一個子監
控圖像并入基準監控圖像并獲取合并后的監控圖像的監視風險熵的步驟;

按照監視風險熵由大到小的順序對每個合并后的監控圖像進行排位,獲
取排位最靠前的一個或多個合并后的監控圖像所對應的一組或多組預置位,
將其設置為優選預置位。

本發明所述的監控裝置預置位設置方法,獲取監視風險熵的步驟包括:

識別監控圖像中的運動目標、固定目標和/或重點監控區域;

獲取運動目標的運動信息并對所述運動信息進行統計,獲取運動信息統
計結果,所述統計結果包括運動目標的數目、時間和空間分布密度、運動速
度的大小、方向和軌跡、進出場景或者在場景中停留的位置和時長以及與運
動狀態相關的時間中的至少一個;

獲取固定目標和/或重點監控區域在監控圖像中的覆蓋程度,及固定目
標和/或重點監控區域隨時間或空間變化的固有風險;

獲取監控圖像的視覺信息質量與監控要求之間的符合度關系;

根據所述覆蓋程度以及所述固有風險獲取監控裝置對固定目標和/或重
點控制區域監視的第一監視風險熵;

根據所述運動信息統計結果獲取運動目標引入的安全風險以及運動目
標與固定目標和/或重點監控區域之間的耦合風險,據此獲取監控裝置對運
動目標進行監視的第二監視風險熵;

根據所述符合度關系獲取與監控裝置視覺信息采集質量相關的第三監
視風險熵;

將所述第一監視風險熵、所述第二監視風險熵以及所述第三監視風險熵
加權得到監視風險熵。

本發明所述的監控裝置預置位設置方法,所述根據所述覆蓋程度以及所
述固有風險獲取監控裝置對固定目標和/或重點控制區域監視的第一監視風
險熵的步驟中,通過如下公式計算第一監視風險熵:

<mrow> <msub> <mi>S</mi> <mn>1</mn> </msub> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>

其中,


<mrow> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <mi>T</mi> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>&CenterDot;</mo> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mfrac> <msub> <mi>A</mi> <mi>in</mi> </msub> <msub> <mi>A</mi> <mi>total</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>重點控制區域

Tsi是第i個固定目標在發生危險時的危害程度,Twj是第j個重點控制
區域在發生危險時的危害程度,Pi是第i個固定目標不安全事件發生的概率,
Pj是第j個重點控制區域不安全事件發生的概率,且Tsi、Twj、Pi、Pj均隨時
間或空間變化,Ain為重點控制區域在監控圖像中的覆蓋面積,Atotal為監控圖
像的總面積,S1,i是第i個固定目標的監視風險熵,S1,j是第j個重點控制區
域的監視風險熵,S1是所有固定目標和/或重點控制區域的監視風險熵之和。

本發明所述的監控裝置預置位設置方法,所述根據所述運動信息統計結
果獲取運動目標引入的安全風險以及運動目標與固定目標和/或重點監控區
域之間的耦合風險,據此獲取監控裝置對運動目標進行監視的第二監視風險
熵的步驟中,通過如下公式計算第二監視風險熵:

S2=(β1SM+β2SMS)

β1β2分別代表權重,SM是與運動目標自身相關的監視風險熵,SMS是運
動目標對固定目標和/或重點監視區域產生威脅的監視風險熵;

其中,

SM=-TMlg(p|pM)=-TM(lgp+lgpM)


SMS=-TSlg(p|PMS)


TM由運動目標引入的安全風險確定,TS由固定目標和/或重點監視區域
隨時間或空間變化的固有風險確定,p為運動目標出現在監控圖像中的概
率,PM為運動目標不安全事件的發生概率,PMS為運動目標與固定目標和/或重
點監控區域耦合事件的發生概率;ρ為運動目標在時間和空間分布密度,n
為運動目標的數目,為運動目標的運動速度矢量,t為運動目標的時間屬
性,Δt為運動目標在場景中停留的時長,為運動目標與固定目標和/或重
點監控區域之間的相對位置。

本發明所述的監控裝置預置位設置方法,所述根據監控圖像的視覺信息
質量與監控要求之間的符合度關系獲取與監控裝置視覺信息采集質量相關
的第三監視風險熵的步驟中,通過如下公式計算第三監視風險熵:

<mrow> <msub> <mi>S</mi> <mi>VQ</mi> </msub> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>lg</mi> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>+</mo> <mi>lgp</mi> <mo>)</mo> </mrow> </mrow>

其中,θk代表視覺信息質量與監控要求之間的符合度關系中的第k個視
覺信息采集質量指標的主觀或客觀滿意度,ωk代表權重。

本發明還提供了一種通過上述監控裝置預置位設置方法獲取的監控裝
置預置位間的切換方法,包括:

根據運動目標的時間和空間的統計特性與優選預置位所對應的監控圖
像之間在時間和空間上的關聯,設定優選預置位之間的切換時間和順序。

本發明還提供了一種監控裝置預置位設置系統,包括:

監控單元,用于獲取監控裝置在多組預置位下的多個監控圖像及每個監
控圖像的監視風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不
安全事件或關注事件的風險或信息的掌握程度;

預置位選取單元,用于按照監視風險熵由大到小的順序對每個監控圖像
進行排位,將排位最靠前的一個或多個監控圖像對應的一組或多組預置位設
置為優選預置位。

本發明所述監控裝置預置位設置系統,包括:

廣角監控圖像獲取單元,用于獲取監控裝置處于最大視角位置時的廣角
監控圖像;

劃分單元,用于將廣角監控圖像劃分為多個子監控圖像;

基準選取單元,用于選取其中一個子監控圖像作為基準監控圖像并獲取
其監視風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不安全事
件或關注事件的風險或信息的掌握程度;

合并單元,用于將與基準監控圖像相鄰的一個子監控圖像并入基準監控
圖像并獲取合并后的監控圖像的監視風險熵;

第一處理單元,用于在合并后的監控圖像的監視風險熵小于或等于基準
監控圖像的監視風險熵時,將基準監控圖像作為一個合并后的監控圖像且不
再并入新的子監控圖像;

第二處理單元,用于在合并后的監控圖像的監視風險熵大于基準監控圖
像的監視風險熵時,將該合并后的監控圖像作為新的基準監控圖像,將其監
視風險熵作為新的基準監控圖像的監視風險熵,并激活所述合并單元;

選取單元,用于按照監視風險熵由大到小的順序對每個合并后的監控圖
像進行排位,獲取排位最靠前的一個或多個合并后的監控圖像所對應的一組
或多組預置位,將其設置為優選預置位。

本發明所述的監控裝置預置位設置系統,所述監控單元、所述基準選取
單元以及所述合并單元中均包括監視風險熵獲取子單元,其進一步包括:

識別器,用于識別監控圖像中的運動目標、固定目標和/或重點監控區
域;

統計器,用于獲取運動目標的運動信息并對所述運動信息進行統計,獲
取運動信息統計結果,所述統計結果包括運動目標的數目、時間和空間分布
密度、運動速度的大小、方向和軌跡、進出場景或者在場景中停留的位置和
時長以及與運動狀態相關的時間中的至少一個;

第一獲取器,用于獲取固定目標和/或重點監控區域在監控圖像中的覆
蓋程度,及固定目標和/或重點監控區域隨時間或空間變化的固有風險;

第二獲取器,用于獲取監控圖像的視覺信息質量與監控要求之間的符合
度關系;

第一監視風險熵獲取器,用于根據所述覆蓋程度以及所述固有風險獲取
監控裝置對固定目標和/或重點控制區域監視的第一監視風險熵;

第二監視風險熵獲取器,用于根據所述運動信息統計結果獲取運動目標
引入的安全風險以及運動目標與固定目標和/或重點監控區域之間的耦合風
險,據此獲取監控裝置對運動目標進行監視的第二監視風險熵;

第三監視風險熵獲取器,用于根據所述符合度關系獲取與監控裝置視覺
信息采集質量相關的第三監視風險熵;

監視風險熵獲取器,用于將所述第一監視風險熵、所述第二監視風險熵
以及所述第三監視風險熵加權得到監視風險熵。

本發明的上述技術方案相比現有技術具有以下優點:

(1)本發明提供了一種監控裝置預置位設置方法及系統,首先獲取監
控裝置在多組預置位下的多個監控圖像及每個監控圖像的監視風險熵,再按
照監視風險熵由大到小的順序對每個監控圖像進行排位,將排位最靠前的一
個或多個監控圖像對應的一組或多組預置位設置為優選預置位。因為所述監
視風險熵用于表示監控裝置對所監控場景中不安全事件或關注事件的風險
或信息的掌握程度,因此監控圖像的監視風險熵越大,對監控場景中不安全
事件或關注事件的風險或信息的掌握程度就越深入,監控效果也就越好。本
發明所述監控裝置預置位設置方法及系統通過對每個監控圖像進行自動分
析獲取其對應的監視風險熵,并選取監視風險熵數值最大時的監控圖像對應
的預置位作為監控裝置的優選預置位,能夠確保獲取到最好的監控效果,設
置合理,克服了現有技術中由于操作人員經驗不足使得預置位設置不合理的
缺陷。

(2)本發明還提供了另外一種監控裝置預置位設置方法及系統,先獲
取監控裝置處于最大視角位置時的廣角監控圖像,再將廣角監控圖像劃分為
多個子監控圖像,之后選取其中一個子監控圖像作為基準監控圖像,并以基
準監控圖像為中心,按照由近及遠的順序依次并入相鄰或鄰近位置的子監控
圖像,直至合并后的監控圖像的監視風險熵達到最大值。因為監控裝置獲取
的監控圖像的監視風險熵越大,監控效果就越理想,因此監視風險熵最大的
合并后的監控圖像所對應的預置位,是監控效果最好,設置最合理的預置位。
本發明所述監控裝置預置位設置方法及系統通過對每個合并后的監控圖像
進行自動分析獲取其對應的監視風險熵,并選取監視風險熵數值最大時的合
并后的監控圖像對應的預置位作為監控裝置的優選預置位,能夠確保獲取到
最好的監控效果,設置合理,克服了現有技術中由于操作人員經驗不足使得
預置位設置不合理的缺陷。另,通過判斷合并后的監控圖像的監視風險熵是
否增加就可以確定監控效果最佳的監控圖像并據此計算出監控效果最優的
預置位了,無需再逐個遍歷監控裝置的預置位以尋找最優的預置位,縮短了
驗證調試時間。

(3)本發明所述監控裝置預置位設置方法及系統,根據與運動目標自
身引入的安全風險有關的第一監視風險熵、與固定目標和/或重點監控區域
在監控圖像中的覆蓋程度及固定目標和/或重點控制區域的固有風險有關的
第二監視風險熵、與監控圖像的視覺信息質量與監控要求之間的符合度有關
的第三監視風險熵之間的加權得到監視風險熵,其中第一監視風險熵和第二
監視風險熵涉及監控圖像對風險點的空間覆蓋,第三監視風險熵涉及能否取
得高質量的視覺信息,而兩者之間是一對矛盾的需求,本發明所述監控裝置
預置位設置方法及系統通過第一監視風險熵、第二監視風險熵、第三監視風
險熵之間的加權來獲取監視風險熵,因此監視風險熵最大時,說明該監視風
險熵所對應的監控圖像能夠覆蓋監控場景中的風險點,并且也具有較高質量
的視覺信息,也即監控圖像在這兩方面的綜合效果達到最優,兼顧了視場范
圍和視覺質量。

(4)本發明還提供了一種上述預置位之間的切換方法及系統,根據運
動目標的時間和空間的統計特性與優選預置位所對應的監控圖像之間在時
間和空間上的關聯,設定優選預置位之間的切換時間和順序。因此,本發明
所述預置位之間的切換方法及系統,其預置位切換時的巡航路徑并非固定
的,而是根據運動目標在時間和空間上的變化特性進行實時自動調整,方便
靈活,能夠對快速變化的場景進行有效監控,達到最好的監控捕獲效果。

附圖說明

為了使本發明的內容更容易被清楚的理解,下面根據本發明的具體實施
例并結合附圖,對本發明作進一步詳細的說明,其中

圖1是本發明背景技術部分所述預置位中攝像機光軸延長線與垂直方
向相夾而成的俯仰角度Ф的示意圖;

圖2是本發明背景技術部分所述攝像機光軸延長線在水平面內的投影
與水平面內的參考方向所成的夾角θ;

圖3是本發明實施例1所述監控裝置預置位設置方法的流程圖;

圖4是本發明實施例2所述監控裝置預置位設置方法的流程圖;

圖5是本發明所述監控裝置預置位設置方法中獲取監視風險熵的流程
圖;

圖6是本發明實施例1所述監控裝置預置位設置系統的結構框圖;

圖7是本發明實施例2所述監控裝置預置位設置系統的結構框圖;

圖8是本發明所述監控裝置預置位設置系統中監視風險熵獲取子單元
的結構框圖。

圖中附圖標記表示為:11-監控單元,12-預置位選取單元,21-廣角監
控圖像獲取單元,22-劃分單元,23-基準選取單元,24-合并單元,25-第一
處理單元,26-第二處理單元,27-選取單元,3-監視風險熵獲取子單元,31-
識別器,32-統計器,33-第一獲取器,34-第二獲取器,35-第一監視風險熵
獲取器,36-第二監視風險熵獲取器,37-第三監視風險熵獲取器,38-監視
風險熵獲取器。

具體實施方式

實施例1

本實施例提供了一種監控裝置預置位設置方法,如圖3所示,包括:

S11.獲取監控裝置在多組預置位下的多個監控圖像及每個監控圖像的
監視風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不安全事件
或關注事件的風險或信息的掌握程度。

S12.按照監視風險熵由大到小的順序對每個監控圖像進行排位,將排位
最靠前的一個或多個監控圖像對應的一組或多組預置位設置為優選預置位。

具體地,步驟S11、S12中所述監控裝置可以為固定視角的攝像機,也
可以為視角可控制攝像機,當監控裝置為固定視角的攝像機(槍機)時,因
為其安裝后位置不能調整,因此只選取監控圖像在監視風險熵最大時的預置
位作為優選預置位就可以了,能夠確保獲取到較好的監控效果;當監控裝置
為視角可控制攝像機(球機)時,因為實際場景中人員及車輛的情況是千變
萬化的,人流、車流及安全事件的發生具有時變性,因此不同時段內的最優
預置位有可能會有所不同,通過選取排位最靠前的幾組預置位作為優選預置
位,為后期根據實際監控需求切換至最適合當時情況的預置位奠定了基礎,
能夠確保獲取到最優的監控圖像,對場景進行有效的監控。

另,因為監控裝置可以設置成多種視角位置(預置位),在具體應用中,
為了驗證各個預置位的監控效果,如果條件允許,需要盡可能多的遍歷監控
裝置的多組不同的預置位,從中選取出監視風險熵最大的監控圖像對應的預
置位,能夠使監控裝置及時監控獲取到監控場景中不安全事件或關注事件的
風險或信息。

因為所述監視風險熵用于表示監控裝置對所監控場景中不安全事件或
關注事件的風險或信息的掌握程度,因此監控圖像的監視風險熵越大,對監
控場景中不安全事件或關注事件的風險或信息的掌握程度就越深入,監控效
果也就越好。本實施例所述監控裝置預置位設置方法通過對每個監控圖像進
行自動分析獲取其對應的監視風險熵,并選取監視風險熵數值最大時的監控
圖像對應的預置位作為監控裝置的優選預置位,能夠確保獲取到最好的監控
效果,設置合理,克服了現有技術中由于操作人員經驗不足使得預置位設置
不合理的缺陷。

優選地,如圖5所示,獲取監視風險熵的步驟可以包括:

S31.識別監控圖像中的運動目標、固定目標和/或重點監控區域。

S32.獲取運動目標的運動信息并對所述運動信息進行統計,獲取運動信
息統計結果,所述統計結果包括運動目標的數目、時間和空間分布密度、運
動速度的大小、方向和軌跡、進出場景或者在場景中停留的位置和時長以及
與運動狀態相關的時間中的至少一個。

S33.獲取固定目標和/或重點監控區域在監控圖像中的覆蓋程度,及固
定目標和/或重點監控區域隨時間或空間變化的固有風險。

S34.獲取監控圖像的視覺信息質量與監控要求之間的符合度關系。

S35.根據所述覆蓋程度以及所述固有風險獲取監控裝置對固定目標和/
或重點控制區域監視的第一監視風險熵。

S36.根據所述運動信息統計結果獲取運動目標引入的安全風險以及運
動目標與固定目標和/或重點監控區域之間的耦合風險,據此獲取監控裝置
對運動目標進行監視的第二監視風險熵。

S37.根據所述符合度關系獲取與監控裝置視覺信息采集質量相關的第
三監視風險熵。

S38.將所述第一監視風險熵、所述第二監視風險熵以及所述第三監視風
險熵加權得到監視風險熵。

具體地,步驟S31中,對于運動目標、固定目標和/或重點控制區域的
識別,可以選用現有技術中的任何一種識別方法來實現。運動目標即為監控
場景中運動的目標,在一個監控場景中有多種運動目標,可以根據監控任務
選取需要監控的運動目標,比如監控任務是監察是否發生打架、斗毆等暴力
事件,則運動目標確定為人,如果監控任務主要是看是否有交通違章,可以
將運動目標確定為機動車輛等;固定目標和/或重點控制區域是根據監控任
務設置的,比如監控場景內有危險物品,比如加油站、汽油桶、存儲危險品
的倉庫等,或者監控場景內有人流密集區域,比如電梯口、商城入口等,可
以將其設置為固定目標或者將其周圍的區域劃定為重點控制區域,進行重點
監控。一個監控場景中的固定目標和重點監控區域可以有多個,可以既設定
固定目標又設定重點監控區域,也可以只設定其中之一,具體根據監控需求
來設定。選定的每個固定目標和重點監控區域的類別、安防級別或與潛在安
全風險關聯的重要程度可以參照安全監控要求或相關操作標準、規范來設
定,符合監控場景以及監控任務的實際情況和需求。

步驟S32中,識別出監控圖像中的運動目標后,就能獲取運動目標的運
動軌跡,也即運動目標隨時間和空間變化的運動信息,比如運動目標什么時
間出現在了什么位置,通過監控圖像就可以識別獲取,通過對運動信息進行
統計,就可以獲取到運動信息統計結果,包括運動目標的數目、時間和空間
分布密度、運動速度的大小、方向和軌跡、進出場景或者在場景中停留的位
置和時長以及與運動狀態相關的時間等,可以根據實際監控需求確定具體統
計運動目標的哪些運動信息。可以只統計一種運動信息也可以統計多種運動
信息,為后期計算與運動目標引入的安全風險及其與固定目標和/或重點監
控區域之間的耦合風險監視風險熵奠定了基礎。

步驟S33中,通過識別監控圖像中的固定目標和重點監控區域,自然就
能獲取固定目標和/或重點控制區域在監控圖像中的覆蓋程度,當然其覆蓋
程度越高,監控效果肯定越理想。關于固定目標和/或重點監控區域隨時間
或/空間變化的固有風險,可以根據固定目標和/或重點監控區域的類別、安
防級別或與潛在安全風險關聯來設定,比如固定目標是一個汽油桶的時候,
其潛在安全風險就比較高,可以設定較大的固有風險值,并且汽油桶越靠近
人員密集區,其固有風險值就越高,且因為汽油桶在高溫情況下更容易發生
危險,因此隨著時間的變化,越臨近午時,溫度越高,其固有風險值也會相
應增加。當然有的固定目標和/或重點監控區域的固有風險也可能不會隨空
間或時間的變化而變化,比如,在一個出入口控制系統中,關鍵位置的出入
控制裝置(如門鎖)若損毀則會造成安全事故(并有一定量的可計算風險),
但通常不考慮控制裝置的隨時間老化問題,其固有風險是一個以損毀概率為
基礎的常量。通過獲取固定目標和/或重點監控區域在監控圖像中的覆蓋程
度及其隨時間或空間變化的固有風險,為后期確定固定目標和/或重點監控
區域的監視風險奠定了基礎。

步驟S34中,監控圖像的視覺信息質量與監控要求之間的符合度關系可
以使用完成一種監控任務的所需的圖像區域或目標的圖像質量的主觀或客
觀評價指標與實際監控圖像的質量評價指標間的差異來表示。完成一種監控
任務的所需的圖像區域或目標的圖像質量的主觀或客觀評價指標可以參照
安全監控要求或相關操作標準來設定,例如在人員監控的場合中,如果希望
識別人的身份,則會對人臉部分的像素數、人臉的角度等評價指標提出要求,
如果希望區別人和車,則會對像素數、顏色失真度、對比度、清晰度等評價
指標提出要求。盡管這些指標越高越能符合要求(這時往往對應與較小的視
場范圍),但是在一些場合中,這些指標也不能過高,例如如果人臉區域在
畫面中所占的像素數過大,可能造成自動人臉檢測算法的失敗,因此具體的
評價指標需要參照安全監控要求或相關操作標準來設定。通過對實際獲取的
監控圖像按照上述安全監控要求或相關操作標準來評價分析,就可以獲取到
實際監控圖像的質量評價指標,因此,所需的圖像區域或目標的圖像質量的
主觀或客觀評價指標與實際監控圖像的質量評價指標間的差異性越小,視覺
信息質量與監控要求之間符合度越高,監控效果越理想,反之符合度越低,
圖像質量越差。能夠對監控裝置獲取的監控圖像的視覺質量進行復合監控要
求的客觀評價,為后期獲取與視覺信息采集質量相關的監視風險奠定了基
礎。

步驟S35中,覆蓋程度越高、固有風險越大,則第一監視風險熵也就越
大,監控圖像的視場范圍就越寬廣。

優選地,可以通過如下公式計算第一監視風險熵:

<mrow> <msub> <mi>S</mi> <mn>1</mn> </msub> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>

其中,


<mrow> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <mi>T</mi> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>&CenterDot;</mo> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mfrac> <msub> <mi>A</mi> <mi>in</mi> </msub> <msub> <mi>A</mi> <mi>total</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>重點控制區域

Tsi是第i個固定目標在發生危險時的危害程度,Twj是第j個重點控制
區域在發生危險時的危害程度,Pi是第i個固定目標不安全事件發生的概率,
Pj是第j個重點控制區域不安全事件發生的概率,且Tsi、Twj、Pi、Pj均隨時
間或空間變化,Ain為重點控制區域在監控圖像中的覆蓋面積,Atotal為監控圖
像的總面積,S1,i是第i個固定目標的監視風險熵,S1,j是第j個重點控制區
域的監視風險熵,S1是所有固定目標和/或重點控制區域的監視風險熵之和。

具體地,因為一個監控場景中有可能根據監控任務或要求,設定了多個
固定目標和/或重點監控區域,因此整個監控場景中的第一風險熵應該為所
有的固定目標和/或重點控制區域的監視風險熵之和。Tsi和Twj是根據每個
固定目標和/或重點控制區域的類別和特性來確定的,比如汽油桶(固定目
標)在發生危險時的危害程度就比大,另外汽油桶所處的位置以及監控時的
時間也會影響其發生危險時的危害程度,因此Tsi隨時間或空間變化而變化
的,并且發生不安全事件的概率Pi也會隨時間和空間的變化而變化,比如早
晚高峰,人多車多發生不安全事件的概率就會比較高,凌晨監控場景中運動
目標較少,發生不安全事件的概率就會比較低,具體根據監控場景的類別和
監控的需求來設置上述參數的變化規律。當監控圖像中能監控到固定目標
時,因為能時刻通過監控圖像看到固定目標,一旦有危險,可以及時獲取危
險信息,則此種情況固定目標的監視風險熵為0,而對于一個監控圖像,有
可能并不能顯示所有要監控的固定目標,即有的固定目標有可能并不在監控
圖像中,既然監控不到,則自然就存在監控風險了,則其監視風險與發生危
險時的危害程度Tsi以及不安全事件發生的概率Pi的變化規律一致,隨著其
增大而增大,減小而減小。另,重點控制區域的覆蓋程度越高,也即Ain與
Atotal的比值越高,發生危險時的危害程度Twj越高,則該重點監控區域的監
視風險熵也越高,符合實際的監控情況,能夠得到符合實際情況的第一監視
風險熵。

步驟S36中,運動目標引入的安全風險越大,與固定目標和/或重點監
控區域的耦合風險越大,第二監視風險熵也就越大。運動目標引入的安全風
險與運動信息統計結果相關聯,比如運動目標的數目越多,分布密度越大、
運動速度越大,其自身引入的風險越高;運動目標與固定目標和/或重點監
控區域之間的耦合風險與運動目標與固定目標和/或重點控制區域的位置關
系以及其對固定目標和/或重點控制區域潛在的破壞及發生的概率或與固定
目標發生不安全時間對監控場景中的其它目標的傷害及發生的概率有關,運
動目標的位置離固定目標和/或重點控制區域越近、分布密度越大、速度越
大、停留時長越長等,通常其耦合風險越高。例如一個運載放射物質的車輛
(運動目標),會對監控場景中的物品、動物植物(固定目標)產生傷害,
這種傷害與停留時間以及車輛的速度(與發生交通事故的概率有關)等因素
有關,隨著停留時間或者速度的增加,運載放射物的車輛與固定目標之間的
耦合風險會越來越大;再如:人員在監控場景中停留的時間越長、人員密度
越大,對公共財物(包括重點目標)的損害幾率也就越大,人員(運動目標)
與監控環境中的固定目標或重點監控區域間的耦合風險也就越大。

優選地,可以通過如下公式計算第二監視風險熵:

S2=(β1SM+β2SMS)

β1β2分別代表權重,可以根據監控場景的類別和監控任務的需求而設
定。SM是與運動目標自身相關的監視風險熵,SMS是運動目標對固定目標和/
或重點監視區域產生威脅的監視風險熵;

其中,

SM=-TMlg(p|pM)=-TM(lgp+lgpM)


SMS=-TSlg(p|PMS)


TM由運動目標引入的安全風險確定,TS由固定目標和/或重點監視區域
隨時間或空間變化的固有風險確定,p為運動目標出現在監控圖像中的概
率,PM為運動目標不安全事件的發生概率,PMS為運動目標與固定目標和/或重
點監控區域耦合事件的發生概率;ρ為運動目標在時間和空間分布密度,n
為運動目標的數目,為運動目標的運動速度矢量,t為運動目標的時間屬
性,Δt為運動目標在場景中停留的時長,為運動目標與固定目標和/或重
點監控區域之間的相對位置。

具體地,上述參數均可以通過運動信息統計結果來獲取。運動目標不安
全事件的發生概率PM至少與運動目標在時間和空間分布密度ρ、運動目標的
數目n、運動目標的運動速度矢量、運動目標的時間屬性t、運動目標在
場景中停留的時長Δt中的一個有關;運動目標與固定目標和/或重點監控區
域耦合事件的發生概率PMS至少與運動目標在時間和空間分布密度ρ、運動
目標的數目n、運動目標的運動速度矢量、運動目標的平均速度矢量、運
動目標出現或消失的時刻、運動目標在場景中停留的時長Δt以及平均停留時
長、運動目標與固定目標和/或重點監控區域之間的相對位置中的一個有
關。本實施例全面考慮了運動目標自身引入的安全風險以及運動目標與周邊
環境的耦合風險,能夠真實反映監控裝置對運動目標的監視風險,及時發現
運動目標自身或與固定目標發生的不安全事件,確保了監控的效果。

步驟S37中,視覺信息采集質量越高,第三監視風險熵就越大。優選地,
可以通過如下公式計算第三監視風險熵:

<mrow> <msub> <mi>S</mi> <mi>VQ</mi> </msub> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>lg</mi> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>+</mo> <mi>lgp</mi> <mo>)</mo> </mrow> </mrow>

其中,θk代表視覺信息質量與監控要求之間的符合度關系中的第k個視
覺信息采集質量指標的主觀或客觀滿意度,ωk代表權重。

具體地,θk根據某一指標的監控要求來分析獲取的監控圖像,判定視覺
信息質量與監控要求之間的符合度,符合度越高,該指標下的θk的值就越大,
(θk|p)表示目標出現的條件下獲得視覺信息的概率;對于運動目標的出現概
率p用目標在場景中出現的概率代替;若視頻監控對場景中的特定部分的視
覺信息質量有要求,則概率p用特定部分畫面中的面積與總的場景面積之比
代替;若對整個監視畫面有質量要求則p=1;ωk的值根據監控任務的需求確
定,如果更需要有較好的視覺信息采集質量,則ωk的取值可以大一些。將
每個指標下的監視風險熵求和,就可以獲取到第三監視風險熵了,能夠準確
反映監控裝置獲取的監控圖像的視覺信息采集質量。

步驟S38中,將第一監視風險熵、第二監視風險熵、第三監視風險熵加
權就可以獲取到反映監控圖像的監視風險的監視風險熵。優選地,可以通過
如下公式來計算監視風險熵:

S=λ1S1+λ2S2+λ3SVQ

其中,λ1、λ2、λ3分別代表權重系數,可以根據監控任務對視場范圍
和圖像質量的需求來設置不同的值,如果更側重于獲得大的視場范圍,則
λ1、λ2可以設置較大一些的值,如果更側重于獲取較高的視頻監控質量,
則λ3可以設置一些較大的值。為獲取到符合監控需求的監控效果較好的監控
圖像所對應的預置位奠定了基礎。

本實施例所述監控裝置預置位設置方法,根據與運動目標自身引入的安
全風險有關的第一監視風險熵、與固定目標和/或重點監控區域在監控圖像
中的覆蓋程度及固定目標和/或重點控制區域的固有風險有關的第二監視風
險熵、與監控圖像的視覺信息質量與監控要求之間的符合度有關的第三監視
風險熵之間的加權得到監視風險熵,其中第一監視風險熵和第二監視風險熵
涉及監控圖像對風險點的空間覆蓋,第三監視風險熵涉及能否取得高質量的
視覺信息,而兩者之間是一對矛盾的需求,本實施例所述監控裝置預置位設
置方法通過第一監視風險熵、第二監視風險熵、第三監視風險熵之間的加權
來獲取監視風險熵,因此監視風險熵最大時,說明該監視風險熵所對應的監
控圖像能夠覆蓋監控場景中的風險點,并且也具有較高質量的視覺信息,也
即監控圖像在這兩方面的綜合效果達到最優,兼顧了視場范圍和視覺質量。

實施例2

實施例1中,為了能夠選取出較好的預置位,需要調整監控裝置的視角
范圍,遍歷監控裝置的每一個預置位,因此前期測試的周期比較長,為了進
一步縮短測試周期,在實施例1的基礎上,本實施例所述監控裝置預置位設
置方法對實施例1進行了進一步的優化,如圖4所示,包括:

S21.獲取監控裝置處于最大視角位置時的廣角監控圖像。

S22.將廣角監控圖像劃分為多個子監控圖像。

S23.選取其中一個子監控圖像作為基準監控圖像并獲取其監視風險熵,
所述監視風險熵用于表示監控裝置對所監控場景中不安全事件或關注事件
的風險或信息的掌握程度。

S24.將與基準監控圖像相鄰的一個子監控圖像并入基準監控圖像并獲
取合并后的監控圖像的監視風險熵。

S25.若合并后的監控圖像的監視風險熵小于或等于基準監控圖像的監
視風險熵,則將基準監控圖像作為一個合并后的監控圖像且不再并入新的子
監控圖像。

S26.若合并后的監控圖像的監視風險熵大于基準監控圖像的監視風險
熵,則將該合并后的監控圖像作為新的基準監控圖像,將其監視風險熵作為
新的基準監控圖像的監視風險熵,并返回至所述將與基準監控圖像相鄰的一
個子監控圖像并入基準監控圖像并獲取合并后的監控圖像的監視風險熵的
步驟。

S27.按照監視風險熵由大到小的順序對每個合并后的監控圖像進行排
位,獲取排位最靠前的一個或多個合并后的監控圖像所對應的一組或多組預
置位,將其設置為優選預置位。

具體地,本實施例所述監控裝置預置位設置方法,先獲取監控裝置處于
最大視角位置時的廣角監控圖像,再將廣角監控圖像劃分為多個子監控圖
像,之后選取其中一個子監控圖像作為基準監控圖像,并以基準監控圖像為
中心,按照由近及遠的順序依次并入相鄰或鄰近位置的子監控圖像,直至合
并后的監控圖像的監視風險熵達到最大值。因為監控裝置獲取的監控圖像的
監視風險熵越大,監控效果就越理想,因此監視風險熵最大的合并后的監控
圖像所對應的預置位,是監控效果最好,設置最合理的預置位。通過對每個
合并后的監控圖像進行自動分析獲取其對應的監視風險熵,并選取監視風險
熵數值最大時的合并后的監控圖像對應的預置位作為監控裝置的優選預置
位,能夠確保獲取到最好的監控效果,設置合理,克服了現有技術中由于操
作人員經驗不足使得預置位設置不合理的缺陷。另,通過判斷合并后的監控
圖像的監視風險熵是否增加就可以確定監控效果最佳的監控圖像并據此計
算出監控效果最優的預置位了,無需再逐個遍歷監控裝置的預置位以尋找最
優的預置位,縮短了驗證調試時間。

實施例3

本實施例提供了一種通過實施例1和實施例2所述的監控裝置預置位設
置方法獲取的監控裝置預置位間的切換方法,包括:

根據運動目標的時間和空間的統計特性與優選預置位所對應的監控圖
像之間在時間和空間上的關聯,設定優選預置位之間的切換時間和順序。

具體地,本實施例所述預置位之間的切換方法,其預置位切換時的巡航
路徑并非固定的,而是根據運動目標在時間和空間上的變化特性進行實時自
動調整,方便靈活,能夠對快速變化的場景進行有效監控,達到最好的監控
捕獲效果。

實施例4

本實施例提供了一種監控裝置預置位設置系統,如圖6所示,包括:監
控單元11和預置位選取單元12,其中監控單元11,用于獲取監控裝置在多
組預置位下的多個監控圖像及每個監控圖像的監視風險熵,所述監視風險熵
用于表示監控裝置對所監控場景中不安全事件或關注事件的風險或信息的
掌握程度;預置位選取單元12,用于按照監視風險熵由大到小的順序對每
個監控圖像進行排位,將排位最靠前的一個或多個監控圖像對應的一組或多
組預置位設置為優選預置位。

因為所述監視風險熵用于表示監控裝置對所監控場景中不安全事件或
關注事件的風險或信息的掌握程度,因此監控圖像的監視風險熵越大,對監
控場景中不安全事件或關注事件的風險或信息的掌握程度就越深入,監控效
果也就越好。本實施例所述監控裝置預置位設置系統通過監控單元11對每
個監控圖像進行自動分析獲取其對應的監視風險熵,并通過選取單元12選
取監視風險熵數值最大時的監控圖像對應的預置位作為監控裝置的優選預
置位,能夠確保獲取到最好的監控效果,設置合理,克服了現有技術中由于
操作人員經驗不足使得預置位設置不合理的缺陷。

優選地,所述監控單元11可以包括監視風險熵獲取子單元3,如圖8
所示,其進一步包括:

識別器31,用于識別監控圖像中的運動目標、固定目標和/或重點監控
區域。

統計器32,用于獲取運動目標的運動信息并對所述運動信息進行統計,
獲取運動信息統計結果,所述統計結果包括運動目標的數目、時間和空間分
布密度、運動速度的大小、方向和軌跡、進出場景或者在場景中停留的位置
和時長以及與運動狀態相關的時間中的至少一個。

第一獲取器33,用于獲取固定目標和/或重點監控區域在監控圖像中的
覆蓋程度,及固定目標和/或重點監控區域隨時間或空間變化的固有風險。

第二獲取器34,用于獲取監控圖像的視覺信息質量與監控要求之間的
符合度關系。

第一監視風險熵獲取器35,用于根據所述覆蓋程度以及所述固有風險
獲取監控裝置對固定目標和/或重點控制區域監視的第一監視風險熵。

優選地,所述第一監視風險熵獲取器35中,可以通過如下公式計算第
一監視風險熵:

<mrow> <msub> <mi>S</mi> <mn>1</mn> </msub> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </munder> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>

其中,


<mrow> <msub> <mi>S</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <mi>T</mi> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>&CenterDot;</mo> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mi>j</mi> </msub> <mfrac> <msub> <mi>A</mi> <mi>in</mi> </msub> <msub> <mi>A</mi> <mi>total</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>重點控制區域

Tsi是第i個固定目標在發生危險時的危害程度,Twj是第j個重點控制
區域在發生危險時的危害程度,Pi是第i個固定目標不安全事件發生的概率,
Pj是第j個重點控制區域不安全事件發生的概率,且Tsi、Twj、Pi、Pj均隨時
間或空間變化,Ain為重點控制區域在監控圖像中的覆蓋面積,Atotal為監控圖
像的總面積,S1,i是第i個固定目標的監視風險熵,S1,j是第j個重點控制區
域的監視風險熵,S1是所有固定目標和/或重點控制區域的監視風險熵之和。

第二監視風險熵獲取器36,用于根據所述運動信息統計結果獲取運動
目標引入的安全風險以及運動目標與固定目標和/或重點監控區域之間的耦
合風險,據此獲取監控裝置對運動目標進行監視的第二監視風險熵。

優選地,所述第二監視風險熵獲取器36中,可以通過如下公式計算第
二監視風險熵:

S2=(β1SM+β2SMS)

β1β2分別代表權重,SM是與運動目標自身相關的監視風險熵,SMS是運
動目標對固定目標和/或重點監視區域產生威脅的監視風險熵;

其中,

SM=-TMlg(p|pM)=-TM(lgp+lgpM)


SMS=-TSlg(p|PMS)


TM由運動目標引入的安全風險確定,TS由固定目標和/或重點監視區域
隨時間或空間變化的固有風險確定,p為運動目標出現在監控圖像中的概
率,PM為運動目標不安全事件的發生概率,PMS為運動目標與固定目標和/或重
點監控區域耦合事件的發生概率;ρ為運動目標在時間和空間分布密度,n
為運動目標的數目,為運動目標的運動速度矢量,t為運動目標的時間屬
性,Δt為運動目標在場景中停留的時長,為運動目標與固定目標和/或重
點監控區域之間的相對位置。

第三監視風險熵獲取器37,用于根據所述符合度關系獲取與監控裝置
視覺信息采集質量相關的第三監視風險熵。

優選地,所述第三監視風險熵獲取器37中,可以通過如下公式計算第
三監視風險熵:

<mrow> <msub> <mi>S</mi> <mi>VQ</mi> </msub> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mi>lg</mi> <mrow> <mo>(</mo> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munder> <mi>&Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>lg</mi> <msub> <mi>&theta;</mi> <mi>k</mi> </msub> <mo>+</mo> <mi>lgp</mi> <mo>)</mo> </mrow> </mrow>

其中,θk代表視覺信息質量與監控要求之間的符合度關系中的第k個視
覺信息采集質量指標的主觀或客觀滿意度,ωk代表權重。

監視風險熵獲取器38,用于將所述第一監視風險熵、所述第二監視風
險熵以及所述第三監視風險熵加權得到監視風險熵。

本實施例所述監控裝置預置位設置系統,根據與運動目標自身引入的安
全風險有關的第一監視風險熵、與固定目標和/或重點監控區域在監控圖像
中的覆蓋程度及固定目標和/或重點控制區域的固有風險有關的第二監視風
險熵、與監控圖像的視覺信息質量與監控要求之間的符合度有關的第三監視
風險熵之間的加權得到監視風險熵,其中第一監視風險熵和第二監視風險熵
涉及監控圖像對風險點的空間覆蓋,第三監視風險熵涉及能否取得高質量的
視覺信息,而兩者之間是一對矛盾的需求,本實施例所述監控裝置預置位設
置系統通過第一監視風險熵、第二監視風險熵、第三監視風險熵之間的加權
來獲取監視風險熵,因此監視風險熵最大時,說明該監視風險熵所對應的監
控圖像能夠覆蓋監控場景中的風險點,并且也具有較高質量的視覺信息,也
即監控圖像在這兩方面的綜合效果達到最優,兼顧了視場范圍和視覺質量。

實施例5

本實施例所述監控裝置預置位設置系統是對實施例4的進一步改進,如
圖7所示,包括:

廣角監控圖像獲取單元21,用于獲取監控裝置處于最大視角位置時的
廣角監控圖像。

劃分單元22,用于將廣角監控圖像劃分為多個子監控圖像。

基準選取單元23,用于選取其中一個子監控圖像作為基準監控圖像并
獲取其監視風險熵,所述監視風險熵用于表示監控裝置對所監控場景中不安
全事件或關注事件的風險或信息的掌握程度。

合并單元24,用于將與基準監控圖像相鄰的一個子監控圖像并入基準
監控圖像并獲取合并后的監控圖像的監視風險熵。

第一處理單元25,用于在合并后的監控圖像的監視風險熵小于或等于
基準監控圖像的監視風險熵時,將基準監控圖像作為一個合并后的監控圖像
且不再并入新的子監控圖像。

第二處理單元26,用于在合并后的監控圖像的監視風險熵大于基準監
控圖像的監視風險熵時,將該合并后的監控圖像作為新的基準監控圖像,將
其監視風險熵作為新的基準監控圖像的監視風險熵,并激活所述合并單元
24。

選取單元27,用于按照監視風險熵由大到小的順序對每個合并后的監
控圖像進行排位,獲取排位最靠前的一個或多個合并后的監控圖像所對應的
一組或多組預置位,將其設置為優選預置位。

具體地,本實施例所述監控裝置預置位設置系統,先獲取監控裝置處于
最大視角位置時的廣角監控圖像,再將廣角監控圖像劃分為多個子監控圖
像,之后選取其中一個子監控圖像作為基準監控圖像,并以基準監控圖像為
中心,按照由近及遠的順序依次并入相鄰或鄰近位置的子監控圖像,直至合
并后的監控圖像的監視風險熵達到最大值。因為監控裝置獲取的監控圖像的
監視風險熵越大,監控效果就越理想,因此監視風險熵最大的合并后的監控
圖像所對應的預置位,是監控效果最好,設置最合理的預置位。通過對每個
合并后的監控圖像進行自動分析獲取其對應的監視風險熵,并選取監視風險
熵數值最大時的合并后的監控圖像對應的預置位作為監控裝置的優選預置
位,能夠確保獲取到最好的監控效果,設置合理,克服了現有技術中由于操
作人員經驗不足使得預置位設置不合理的缺陷。另,通過判斷合并后的監控
圖像的監視風險熵是否增加就可以確定監控效果最佳的監控圖像并據此計
算出監控效果最優的預置位了,無需再逐個遍歷監控裝置的預置位以尋找最
優的預置位,縮短了驗證調試時間。

實施例6

本實施例提供了一種通過實施例4和實施例5所述的監控裝置預置位設
置系統獲取的監控裝置預置位間的切換系統,包括:

切換單元,用于根據運動目標的時間和空間的統計特性與優選預置位所
對應的監控圖像之間在時間和空間上的關聯,設定優選預置位之間的切換時
間和順序。

具體地,本實施例所述預置位之間的切換系統,其預置位切換時的巡航
路徑并非固定的,而是根據運動目標在時間和空間上的變化特性進行實時自
動調整,方便靈活,能夠對快速變化的場景進行有效監控,達到最好的監控
捕獲效果。

本領域內的技術人員應明白,本發明的實施例可提供為方法、系統、或
計算機程序產品。因此,本發明可采用完全硬件實施例、完全軟件實施例、
或結合軟件和硬件方面的實施例的形式。而且,本發明可采用在一個或多個
其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤
存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。

本發明是參照根據本發明實施例的方法、設備(系統)、和計算機程序
產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程
圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流
程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算
機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器,使
得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實
現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定
的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理
設備以特定方式工作的計算機可讀存儲器中,使得存儲在該計算機可讀存儲
器中的指令產生包括指令裝置的制造品,該指令裝置實現在流程圖一個流程
或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上,
使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現
的處理,從而在計算機或其他可編程設備上執行的指令提供用于實現在流程
圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的
步驟。

盡管已描述了本發明的優選實施例,但本領域內的技術人員一旦得知了
基本創造性概念,則可對這些實施例作出另外的變更和修改。所以,所附權
利要求意欲解釋為包括優選實施例以及落入本發明范圍的所有變更和修改。

關 鍵 詞:
監控 裝置 預置 設置 切換 方法 系統
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:監控裝置預置位設置、切換方法及系統.pdf
鏈接地址:http://www.rgyfuv.icu/p-6100508.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图