本發(fā)明屬于地理信息科學領域，具體涉及一種基于空間差分進化的感知攝像頭智能布控方法及裝置。

背景技術：

1、隨著信息技術，網(wǎng)絡技術的迅速發(fā)展，監(jiān)控系統(tǒng)在不再單單在通信、交通、安全等行業(yè)應用，它在逐步向其他行業(yè)，公眾方向發(fā)展，在現(xiàn)代智慧城市的建設中占據(jù)著越來越重要的地位。社會治安狀況的日趨復雜，公共安全問題不斷凸顯，城市犯罪突出，手段不斷更新、升級。這些都迫切要求加快發(fā)展以主動預防為主的視頻監(jiān)控系統(tǒng)。因此攝像頭合理的布局和安裝位置是我們需要優(yōu)先考慮的問題。傳統(tǒng)的攝像頭安裝過程通常為經(jīng)驗人員憑經(jīng)驗選定，導致會出現(xiàn)諸多問題，如存在監(jiān)控死角、攝像頭覆蓋范圍重合度過大等。

2、在有限的可用資源下，我們總希望獲取最大范圍的實際監(jiān)控有效區(qū)域，即使用固定數(shù)目的攝像頭對目標區(qū)域的實現(xiàn)最大比例的覆蓋，使利用率最高，避免造成資源的浪費。傳統(tǒng)的視頻監(jiān)控安裝方法雖然有一定的合理性，但對可能產(chǎn)生的監(jiān)控死角和覆蓋范圍的重疊等問題都不是量化分析的。而且可選取的點位較多，如果將監(jiān)控安裝好后再根據(jù)效果進行調整費時費力，是很不現(xiàn)實的，因此這大大降低了攝像頭的利用率。

3、視頻傳感器部署優(yōu)化問題大多是為了用最少的視頻傳感器滿足最大覆蓋率的要求。以往的研究路線主要可以分為離散化和連續(xù)化兩種。離散化，顧名思義，就是將需要攝像頭覆蓋的目標區(qū)域離散化，變成目標點集，并且攝像頭可安放的位置也是候選點的點集，然后分析這些目標點是否在這些攝像頭的覆蓋范圍內(nèi)，將目標點與候選點聯(lián)系，最后進行組合優(yōu)化，選出最佳的組合，以達到對目標區(qū)域最大的覆蓋率的要求。主要的離散化相關研究有angella等研究者在三維的場景中利用投票策略進行優(yōu)化，conci以及zhao等研究者在二維場景下利用二進制整數(shù)規(guī)劃算法對攝像頭位置的規(guī)劃問題進行優(yōu)化，gupta等研究者則使用的是帶有精英策略的非支配排序遺傳算法，mini等研究者使用人工蜂群算法和粒子群優(yōu)化來解決傳感器部署問題，然后用啟發(fā)式方法進行調度。其中對于攝像頭的感知模型一般都是扇形的。bairagi等研究員設計了一種基于ii的非支配排序啟發(fā)式遺傳算法解決部署在2d目標區(qū)域上的3d視頻傳感器節(jié)點的能耗最小化和覆蓋面積最大化的問題。

4、連續(xù)化主要是將需要攝像頭覆蓋的區(qū)域和可以安置的攝像頭的候選位置視為連續(xù)空間，通過優(yōu)化方法調整視頻傳感器的參數(shù)。其中ma研究者在三維空間內(nèi)，使用模擬退火算法在連續(xù)化的情況下進行部署優(yōu)化；bouyagoub等研究者也是在二維虛擬空間內(nèi)使用爬山算法對該問題進行處理。

5、張亞南則對目前常見的一些常見阻擋視線的障礙物進行了總結，用網(wǎng)格來表示這些障礙物，使用的算法是a*搜索算法，求解攝像頭的部署優(yōu)化問題。ugur等研究者對區(qū)域中的關鍵點進行判斷，將攝像頭的部署優(yōu)化問題歸為01的優(yōu)化問題，其中忽略了很多重要的需要考慮的實際要素，類似這種的處理方式顯然是不夠貼合實際的。zhong等人相較于上述提到的方法使用的數(shù)據(jù)模型也更為真實，房屋等都使用的是3d模型數(shù)據(jù)。而且在成像模型方面也不是單純的使用2d的扇形或圓形，而是截頭棱錐，同時也考慮了包括建筑、景觀等5個影響因子。但對于候選點的篩選方式卻沒有使用智能算法，而是較為傳統(tǒng)的窮舉法，這種方法的弊端也很明顯，如果在候選點的個數(shù)比較多組合較多的情況下，這種窮舉法是不夠實用的。

6、攝像頭的布控問題本質就是想要盡可能的減少未被監(jiān)控到的區(qū)域，除了合理布控外還可以通過其余方式來補足死角，milosavljevic等研究員使用增強現(xiàn)實(ar)與技術的三維(3d)地理信息系統(tǒng)(gis)和視頻監(jiān)控系統(tǒng)的集成。

7、綜上所述，從以上分析可以看出，攝像頭的布控規(guī)劃問題研究已受到相關領域的重視，相關理論和方法研究也已經(jīng)有了相應的進展，但仍然存在一些不可忽視的問題。例如，在近年相關的國內(nèi)外的研究中，大部分的研究者多還是重點研究攝像頭的參數(shù)這類因素，對多個攝像頭之間的聯(lián)合作業(yè)的問題關注不夠，并且對實際的攝像頭與地理場景耦合和實際地理環(huán)境下的應用的研究也不夠。實際的地理數(shù)據(jù)經(jīng)常被簡單的視為二維的幾何場景，基本沒有基于真實的三維場景，模擬的障礙物也都是以較為簡單的方形來模擬建筑物?？傮w而言還是需要更進一步的發(fā)展，現(xiàn)階段的研究還是缺乏應用的具體性和實際性的。

技術實現(xiàn)思路

1、根據(jù)現(xiàn)有技術的不足，本發(fā)明的目的是提供一種基于空間差分進化的感知攝像頭智能布控方法及裝置，基于實際場景，對地面固定間隔選取采樣點，采用空間差分進化算法在可安裝攝像頭的候選點中計算攝像頭數(shù)量固定的情況下能實現(xiàn)最大監(jiān)控覆蓋范圍的攝像頭分布點位組合。

2、為了解決上述技術問題，本發(fā)明采用的技術方案為：

3、一種基于空間差分進化的感知攝像頭智能布控方法，包括：

4、對研究區(qū)域創(chuàng)建場景圖層；

5、基于場景圖層根據(jù)預設密度生成不處于障礙物上的地面目標點；

6、對研究區(qū)域選取攝像頭的候選點；

7、構造所有候選點到所有地面目標點的視線；

8、對視線進行通視分析以獲取初選可視點；

9、基于攝像頭的可視距離和視角從初選可視點中篩選出終選可視點作為可見地面目標點；

10、設定攝像頭布控數(shù)量，基于可見地面目標點在所有候選點采用空間自適應差分進化算法選取最佳組合，將最佳組合作為研究區(qū)域的攝像頭布控方案。

11、進一步地，根據(jù)預設密度生成不處于障礙物上的地面目標點的方法具體為：

12、在場景圖層上根據(jù)預設密度生成二維數(shù)據(jù)點，將二維數(shù)據(jù)點依據(jù)研究區(qū)域的數(shù)字表面模型的地面數(shù)據(jù)升維至三維數(shù)據(jù)點，根據(jù)高程值的大小剔除掉因為升維而處在障礙物上的三維數(shù)據(jù)點，保留需要觀測處于地面的三維數(shù)據(jù)點作為地面目標點。

13、進一步地，對所有候選點采用空間自適應差分進化算法選取最佳組合的方法具體為：

14、構建包括若干染色體的布控種群，染色體由所有候選點編碼而成；

15、建立適應度函數(shù)以獲取染色體的適應度函數(shù)值；

16、通過變異操作和/或交叉選擇對染色體進行更新并迭代布控種群；

17、基于適應度函數(shù)值選取最優(yōu)染色體。

18、進一步地，建立適應度函數(shù)的方法為：

19、獲取地面目標點覆蓋度coverage，計算公式為：

20、

21、|c|＝m

22、其中，wi是第i個可見地面目標點所對應的權重，m為所有的可見地面目標點的總數(shù)量，是第個地面目標點所對應的權重，n為所有的地面目標點所對應的總數(shù)量，c是所有所選攝像頭的可見地面目標點做并集得到的集合，p1，p2，p3…pm為所有的可見地面目標點，是第個攝像頭對應的可見地面目標點的集合，q為攝像頭的總數(shù)量；

23、獲取地面目標點覆蓋重復度計算公式為：

24、

25、其中，d集合為所有重復在兩個或多個攝像頭中的可見地面目標點集合，|d|為d集合中的元素個數(shù)，為第k個重復在兩個或多個攝像頭中的可見地面目標點，用于判斷重復在兩個或多個攝像頭中的可見地面目標點是否出現(xiàn)在中，如果出現(xiàn)則為1，否則為0；

26、獲取地面目標點覆蓋重復度的標準差，計算公式為：

27、

28、獲取重復覆蓋的地面目標點的最大夾角平均值oritation，計算公式為：

29、

30、其中，θr是重復覆蓋同一個可見地面目標點的任意兩個攝像頭之間的平面夾角角度，并要保證夾角取值范圍在[0°，180°]，xlat、xlon為x點的經(jīng)緯度轉弧度的坐標，ylat、ylon為y點的經(jīng)緯度轉弧度的坐標，zlat、zlon為z點的經(jīng)緯度轉弧度的坐標，y點為地面目標點，z點與x點為同時覆蓋y點的兩個攝像頭的位置坐標，max(θr)函數(shù)為取所有夾角中的最大值；

31、基于地面目標點覆蓋度、地面目標點覆蓋重復度、地面目標點覆蓋重復度的標準差、重復覆蓋的地面目標點的最大夾角平均值，獲取適應度函數(shù)，計算公式為：

32、

33、其中，k1，k2分別是coverage和的權值，k3，k4分別是(1-oritation)和σ的權值。

34、進一步地，通過變異操作對染色體進行更新的方法具體為：

35、變異操作采用空間自適應差分進化，公式如下：

36、

37、其中，vl是第l個變異個體，chmbest是當前種群最優(yōu)解，chmbest2是當前種群次優(yōu)解，r1和r2是種群規(guī)模中的兩個互異的隨機整數(shù)，chmr1表示r1對應的隨機個體，chmr2表示r2對應的隨機個體，randp[0,1]表示第p輪變異操作取的隨機實數(shù)，curround是目前的迭代代數(shù)，rm，rm2為期望選取該項的起始概率，rn，rn2為期望選取的最優(yōu)概率為收縮參數(shù)，⊙表示對于元素相乘，chmfar是遠端項。

38、進一步地，通過交叉操作對染色體進行更新的方法具體為：

39、借鑒和聲搜索算法引入隨機擾動的自適應的交叉操作，公式如下：

40、

41、其中，j為一定長度的基因片段，dim為緯度，即需要尋找的解的個數(shù)，np為種群大小，為第個交叉產(chǎn)生的新個體的基因片段，是當前種群個體的基因片段，為第個變異個體的基因片段，rand(j)為隨機獲取的基因片段，mr為保留概率，cr為交叉概率，表示第輪交叉操作取的隨機實數(shù)；

42、rand(j)中每個基因的計算公式為：

43、ran＝randint[2，l-1]；

44、其中，randj(t)表示rand(j)中的第t個基因位，chmj(t)表示當前種群個體的基因片段中的第t個基因位，randint[0,1]表示取0或1的隨機數(shù)，randint[2，l-1]表示取2到l-1中的隨機數(shù)

45、通過自適應的調節(jié)方式進行調節(jié)參數(shù)，具體公式如下：

46、

47、其中，mrs(n)、crs(n)表示第s個個體在第n代的保留概率和交叉概率，ωs＝(favg-fs)/favg，α，β分別為保留概率和交叉概率的調節(jié)區(qū)間，favg為目前種群的平均適應度值，fs為當前第s個個體的適應度值，第n代的mr1(n)和cr1(n)根據(jù)logistic函數(shù)獲取。

48、一種基于空間差分進化的感知攝像頭智能布控裝置，包括：

49、場景圖層創(chuàng)建模塊，用于對研究區(qū)域創(chuàng)建場景圖層；

50、地面目標點獲取模塊，用于基于場景圖層根據(jù)預設密度生成不處于障礙物上的地面目標點；

51、候選點獲取模塊，用于對研究區(qū)域選取攝像頭的候選點；

52、視線構造模塊，用于構造所有候選點到所有地面目標點的視線；

53、初選可視點獲取模塊，用于對視線進行通視分析以獲取初選可視點；

54、終選可視點獲取模塊，用于基于攝像頭的可視距離和視角從初選可視點中篩選出終選可視點作為可見地面目標點；

55、攝像頭布控方案獲取模塊，用于設定攝像頭布控數(shù)量，基于可見地面目標點在所有候選點采用空間自適應差分進化算法選取最佳組合，將最佳組合作為研究區(qū)域的攝像頭布控方案。

56、一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的基于空間差分進化的感知攝像頭智能布控方法。

57、一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于空間差分進化的感知攝像頭智能布控方法。

58、一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于空間差分進化的感知攝像頭智能布控方法。

59、與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點和有益效果：

60、本發(fā)明提供的基于空間差分進化的感知攝像頭智能布控方法，基于研究區(qū)域場景，綜合考慮監(jiān)控盲區(qū)、障礙物遮擋、視線輻射范圍、覆蓋重疊度、有效監(jiān)控區(qū)域等各種限制因素，并結合攝像頭的具體參數(shù)特性，基于攝像頭的可視距離和視角從初選可視點中篩選出終選可視點作為可見地面目標點，設定攝像頭布控數(shù)量，基于可見地面目標點在所有候選點采用空間自適應差分進化算法選取最佳組合。相較于傳統(tǒng)的經(jīng)驗方法，本實施例可以在千萬級的候選點組合中選出相對最優(yōu)的組合，并且不易陷入局部最優(yōu)，為個各個區(qū)域的治理、發(fā)展和應急等提供可靠保證。