本發(fā)明涉及視頻監(jiān)測預(yù)警，特別涉及一種基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法及裝置。

背景技術(shù)：

1、隨著智能監(jiān)控技術(shù)的快速發(fā)展，基于視頻監(jiān)測的智能預(yù)警系統(tǒng)在城市管理、電力巡檢、安防監(jiān)測等領(lǐng)域得到了廣泛應(yīng)用。傳統(tǒng)的視頻監(jiān)控系統(tǒng)主要依賴固定電源供電，并通過定期巡檢或遠(yuǎn)程控制實(shí)現(xiàn)設(shè)備狀態(tài)管理。然而，在某些特殊應(yīng)用場景下，如偏遠(yuǎn)地區(qū)、電力設(shè)施監(jiān)測、森林防火等，傳統(tǒng)供電模式難以滿足長時間自主運(yùn)行的需求，因此，自取電技術(shù)逐漸成為解決監(jiān)控設(shè)備供電問題的重要手段。

2、ct（電流互感器）自取電技術(shù)利用輸電線路中的電磁感應(yīng)原理為監(jiān)控設(shè)備供電，使其能夠在無外部電源接入的情況下實(shí)現(xiàn)長期穩(wěn)定運(yùn)行。然而，受限于電網(wǎng)負(fù)載波動、環(huán)境因素影響及設(shè)備自身功耗特性，ct自取電視頻監(jiān)控設(shè)備的供電能力存在一定的不確定性，可能導(dǎo)致設(shè)備運(yùn)行狀態(tài)波動，進(jìn)而影響監(jiān)控任務(wù)的執(zhí)行質(zhì)量。如何在有限電能供應(yīng)的條件下，合理分配視頻監(jiān)控任務(wù)，確保監(jiān)測質(zhì)量與預(yù)警可靠性，成為當(dāng)前智能監(jiān)控系統(tǒng)優(yōu)化的重要研究方向。

3、現(xiàn)有技術(shù)中，部分智能監(jiān)控系統(tǒng)已具備基本的任務(wù)管理與異常檢測功能，但通常缺乏對環(huán)境因素及電量狀態(tài)的綜合感知，無法根據(jù)監(jiān)控設(shè)備的剩余電量動態(tài)調(diào)整任務(wù)分配，導(dǎo)致部分設(shè)備因電量不足而無法執(zhí)行高能耗任務(wù)，或在任務(wù)執(zhí)行過程中出現(xiàn)監(jiān)測盲區(qū)，降低了監(jiān)控覆蓋率和預(yù)警準(zhǔn)確性。此外，傳統(tǒng)的異常檢測方法多基于固定閾值判斷或簡單的模式匹配，未充分結(jié)合監(jiān)控任務(wù)特征與環(huán)境變化因素，容易出現(xiàn)誤報(bào)或漏報(bào)情況，影響異常事件的精準(zhǔn)識別與快速響應(yīng)。

4、針對上述問題，亟需一種基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法及裝置，通過智能化的任務(wù)識別與分配策略，提高視頻監(jiān)控系統(tǒng)的能源利用效率，增強(qiáng)對異常事件的識別能力，并實(shí)現(xiàn)高效、精準(zhǔn)的監(jiān)測預(yù)警。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述至少一個技術(shù)問題，本發(fā)明提出了一種基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法及裝置。

2、本發(fā)明第一方面提供了一種基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法，包括：

3、獲取目標(biāo)區(qū)域中每個ct自取電視頻監(jiān)控的歷史工作數(shù)據(jù)，基于隱馬爾可夫模型對所述歷史工作數(shù)據(jù)進(jìn)行分析，構(gòu)建視頻監(jiān)控的工作任務(wù)識別模型；

4、根據(jù)所述工作任務(wù)識別模型對預(yù)設(shè)時間段內(nèi)每個視頻監(jiān)控進(jìn)行工作任務(wù)識別，獲取預(yù)設(shè)時間段內(nèi)視頻監(jiān)控的電量變化數(shù)據(jù)，并對視頻監(jiān)控每個工作任務(wù)下的工作質(zhì)量進(jìn)行評估，構(gòu)建工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣；

5、根據(jù)所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣對每個視頻監(jiān)控進(jìn)行集群劃分，確定每個監(jiān)控集群的監(jiān)控任務(wù)，得到監(jiān)控任務(wù)分配方案；

6、根據(jù)所述監(jiān)控任務(wù)分配方案獲取目標(biāo)區(qū)域的視頻監(jiān)控?cái)?shù)據(jù)，根據(jù)所述視頻監(jiān)控?cái)?shù)據(jù)進(jìn)行異常事件識別，根據(jù)異常事件識別結(jié)果進(jìn)行監(jiān)測預(yù)警操作。

7、本方案中，所述獲取目標(biāo)區(qū)域中每個ct自取電視頻監(jiān)控的歷史工作數(shù)據(jù)，基于隱馬爾可夫模型對所述歷史工作數(shù)據(jù)進(jìn)行分析，構(gòu)建視頻監(jiān)控的工作任務(wù)識別模型，具體為：

8、獲取目標(biāo)區(qū)域中每個ct自取電視頻監(jiān)控的歷史工作數(shù)據(jù)，所述歷史工作數(shù)據(jù)包含視頻監(jiān)控運(yùn)行期間的工作電流和電壓數(shù)據(jù)、處理器負(fù)載狀態(tài)、攝像頭運(yùn)動軌跡參數(shù)及對應(yīng)時刻標(biāo)注的工作任務(wù)標(biāo)簽，所述工作任務(wù)標(biāo)簽包括目標(biāo)追蹤、異常檢測；

9、對所述歷史工作數(shù)據(jù)進(jìn)行時間戳對齊和缺失值插補(bǔ)預(yù)處理，采用滑動窗口分割為連續(xù)時隙片段后，對工作電流和電壓數(shù)據(jù)、處理器負(fù)載狀態(tài)、攝像頭運(yùn)動軌跡參數(shù)進(jìn)行歸一化處理，生成隱馬爾可夫模型輸入數(shù)據(jù)類型的觀測序列；

10、定義隱馬爾可夫模型的隱藏狀態(tài)集合為所述工作任務(wù)標(biāo)簽中標(biāo)注的各類工作任務(wù)類型，將所述觀測序列作為隱馬爾可夫模型的觀測狀態(tài)和隱藏狀態(tài)集合導(dǎo)入隱馬爾可夫模型中；

11、通過前向-后向算法計(jì)算隱馬爾可夫模型的初始狀態(tài)轉(zhuǎn)移概率矩陣和觀測概率矩陣，利用帶標(biāo)注的工作任務(wù)標(biāo)簽對每個時隙片段的真實(shí)隱藏狀態(tài)進(jìn)行監(jiān)督式約束，采用帶標(biāo)簽修正的baum-welch算法迭代優(yōu)化狀態(tài)轉(zhuǎn)移概率和觀測概率的分布參數(shù)；

12、當(dāng)模型生成的隱藏狀態(tài)序列與實(shí)際標(biāo)注工作任務(wù)序列的路徑匹配率連續(xù)三次迭代提升幅度小于預(yù)設(shè)閾值時終止訓(xùn)練，輸出融合視頻監(jiān)控工作數(shù)據(jù)特征與工作任務(wù)關(guān)聯(lián)規(guī)則的工作任務(wù)識別模型。

13、本方案中，所述根據(jù)所述工作任務(wù)識別模型對預(yù)設(shè)時間段內(nèi)每個視頻監(jiān)控進(jìn)行工作任務(wù)識別，獲取預(yù)設(shè)時間段內(nèi)視頻監(jiān)控的電量變化數(shù)據(jù)，并對視頻監(jiān)控每個工作任務(wù)下的工作質(zhì)量進(jìn)行評估，構(gòu)建工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣，具體為：

14、獲取預(yù)設(shè)時間內(nèi)每個視頻監(jiān)控的實(shí)時工作數(shù)據(jù)，將所述實(shí)時工作數(shù)據(jù)導(dǎo)入所述工作任務(wù)識別模型中，確定在預(yù)設(shè)時間段內(nèi)每個視頻監(jiān)控的工作任務(wù)變化數(shù)據(jù)，所述工作任務(wù)變化數(shù)據(jù)包括工作任務(wù)名稱和每個工作任務(wù)的持續(xù)時長；

15、獲取預(yù)設(shè)時間段內(nèi)每個視頻監(jiān)控的電量變化數(shù)據(jù)和在不同工作任務(wù)下的目標(biāo)識別情況數(shù)據(jù)，所述電量變化數(shù)據(jù)包括充放電量數(shù)據(jù)，所述目標(biāo)識別情況數(shù)據(jù)包括對應(yīng)工作任務(wù)下的目標(biāo)檢測框選數(shù)據(jù)或異常檢測結(jié)果數(shù)據(jù)；

16、根據(jù)所述目標(biāo)識別情況數(shù)據(jù)確定在預(yù)設(shè)時間段內(nèi)監(jiān)控視頻每個視頻幀下的目標(biāo)識別情況數(shù)據(jù)，根據(jù)每個視頻幀下的目標(biāo)識別情況數(shù)據(jù)確定目標(biāo)檢測框的移動軌跡；

17、對于目標(biāo)追蹤工作任務(wù)，根據(jù)所述移動軌跡判斷目標(biāo)框選準(zhǔn)確性和追蹤軌跡連續(xù)性，并根據(jù)異常檢測結(jié)果數(shù)據(jù)確定預(yù)設(shè)時間段內(nèi)異常檢測工作任務(wù)的異常檢測準(zhǔn)確性；

18、根據(jù)所述目標(biāo)框選準(zhǔn)確性、追蹤軌跡連續(xù)性、異常檢測準(zhǔn)確性確定視頻監(jiān)控各工作任務(wù)的工作質(zhì)量；

19、將預(yù)設(shè)時間段內(nèi)的工作任務(wù)變化、電量變化數(shù)據(jù)、工作質(zhì)量進(jìn)行時間序列對齊操作，構(gòu)建工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣。

20、本方案中，所述根據(jù)所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣對每個視頻監(jiān)控進(jìn)行集群劃分，確定每個監(jiān)控集群的監(jiān)控任務(wù)，得到監(jiān)控任務(wù)分配方案，具體為：

21、根據(jù)所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣確定不同電量對各工作任務(wù)的工作質(zhì)量的影響，得到影響數(shù)據(jù)，所述影響數(shù)據(jù)包括各電量閾值區(qū)間與對應(yīng)工作質(zhì)量達(dá)標(biāo)率的映射關(guān)系；

22、實(shí)時監(jiān)測每個視頻監(jiān)控的當(dāng)前剩余電量，根據(jù)當(dāng)前剩余電量匹配所述影響數(shù)據(jù)中對應(yīng)電量閾值區(qū)間允許執(zhí)行的工作任務(wù)集合，構(gòu)建每個視頻監(jiān)控的候選任務(wù)池；

23、獲取當(dāng)前時刻目標(biāo)區(qū)域的環(huán)境感知數(shù)據(jù)，當(dāng)檢測到移動目標(biāo)時觸發(fā)目標(biāo)追蹤模式，計(jì)算各視頻監(jiān)控?cái)z像頭與目標(biāo)運(yùn)動軌跡的方位夾角，根據(jù)所述影響數(shù)據(jù)確定當(dāng)前剩余電量對目標(biāo)追蹤任務(wù)的質(zhì)量影響系數(shù)；

24、根據(jù)所述方位夾角和質(zhì)量影響系數(shù)生成方位匹配度與電量保障度的綜合評分結(jié)果，得到每個視頻監(jiān)控的適用度得分；

25、將適用度得分低于預(yù)設(shè)閾值的視頻監(jiān)控從目標(biāo)追蹤集群中剔除，根據(jù)得分排序?qū)⑶皀個視頻監(jiān)控動態(tài)分配至目標(biāo)追蹤集群，其余監(jiān)控劃歸異常檢測集群；

26、當(dāng)任一視頻監(jiān)控的剩余電量下降至第一臨界閾值時，根據(jù)所述影響數(shù)據(jù)確定該剩余電量下質(zhì)量達(dá)標(biāo)率最高的工作任務(wù)類型，將所述視頻監(jiān)控重新分配至對應(yīng)任務(wù)集群，得到監(jiān)控任務(wù)分配方案；

27、持續(xù)采集各集群任務(wù)執(zhí)行期間的電量消耗速率與工作質(zhì)量達(dá)標(biāo)率，當(dāng)檢測到某集群平均質(zhì)量達(dá)標(biāo)率低于第二臨界閾值時，重新計(jì)算區(qū)域內(nèi)所有監(jiān)控的適用度得分并調(diào)整監(jiān)控任務(wù)分配方案，直至集群任務(wù)質(zhì)量恢復(fù)至安全閾值范圍內(nèi)。

28、本方案中，所述根據(jù)所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣確定不同電量對各工作任務(wù)的工作質(zhì)量的影響，得到影響數(shù)據(jù)，具體為：

29、基于所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣提取各視頻監(jiān)控在歷史運(yùn)行期間不同電量狀態(tài)下執(zhí)行各工作任務(wù)的工作質(zhì)量數(shù)據(jù)，通過滑動時間窗將連續(xù)時間序列的電量數(shù)據(jù)劃分為電量變化片段，對每個片段內(nèi)的電量值進(jìn)行聚類分析，劃分出表征電量水平的多個電量閾值區(qū)間；

30、針對每個工作任務(wù)類型，統(tǒng)計(jì)各電量閾值區(qū)間內(nèi)工作質(zhì)量達(dá)標(biāo)的樣本數(shù)量占該區(qū)間總樣本量的比例，生成電量閾值區(qū)間與質(zhì)量達(dá)標(biāo)率的初始映射關(guān)系；

31、采用概率密度估計(jì)方法對每個電量閾值區(qū)間內(nèi)的質(zhì)量達(dá)標(biāo)率進(jìn)行概率分布擬合，根據(jù)所述概率分布計(jì)算不同電量區(qū)間之間工作質(zhì)量分布的顯著性差異程度，若相鄰電量區(qū)間的工作質(zhì)量分布差異未達(dá)到預(yù)設(shè)顯著性水平，則對電量閾值區(qū)間進(jìn)行合并；

32、基于合并后的電量閾值區(qū)間重新計(jì)算各區(qū)間內(nèi)工作質(zhì)量達(dá)標(biāo)率的均值與方差，剔除方差超過穩(wěn)定性閾值的異常區(qū)間，保留滿足置信度條件的電量閾值區(qū)間及其對應(yīng)質(zhì)量達(dá)標(biāo)率；

33、將最終劃分的電量閾值區(qū)間與質(zhì)量達(dá)標(biāo)率建立動態(tài)匹配關(guān)系，生成預(yù)設(shè)電量閾值區(qū)間與工作質(zhì)量達(dá)標(biāo)率的映射表作為影響數(shù)據(jù)。

34、本方案中，所述根據(jù)所述監(jiān)控任務(wù)分配方案獲取目標(biāo)區(qū)域的視頻監(jiān)控?cái)?shù)據(jù)，根據(jù)所述視頻監(jiān)控?cái)?shù)據(jù)進(jìn)行異常事件識別，根據(jù)異常事件識別結(jié)果進(jìn)行監(jiān)測預(yù)警操作，具體為：

35、基于所述監(jiān)控任務(wù)分配方案中劃分的監(jiān)控集群任務(wù)類型，動態(tài)調(diào)度各集群內(nèi)的視頻監(jiān)控設(shè)備采集目標(biāo)區(qū)域的實(shí)時視頻流數(shù)據(jù)，并將所述視頻流數(shù)據(jù)輸入預(yù)置的異常事件識別模型，其中所述異常事件識別模型根據(jù)歷史異常事件樣本訓(xùn)練生成，其輸入特征包括視頻幀內(nèi)的動態(tài)目標(biāo)特征、環(huán)境變化模式及目標(biāo)運(yùn)動軌跡的時空關(guān)聯(lián)性；

36、通過所述異常事件識別模型對視頻流數(shù)據(jù)進(jìn)行特征匹配，當(dāng)檢測到視頻幀序列中連續(xù)出現(xiàn)與預(yù)置異常特征庫中匹配度超過閾值的異常模式時，提取異常事件的時間窗口、空間分布及特征強(qiáng)度，生成異常事件判定結(jié)果；

37、根據(jù)所述判定結(jié)果，若異常事件特征強(qiáng)度低于第一風(fēng)險閾值，則標(biāo)記為潛在異常事件并調(diào)整對應(yīng)監(jiān)控集群的采集幀率及目標(biāo)追蹤參數(shù)以持續(xù)驗(yàn)證異常特征；

38、若特征強(qiáng)度超過第一風(fēng)險閾值，則根據(jù)異常事件類型生成報(bào)警信號，同步將異常事件的時間窗口數(shù)據(jù)、空間坐標(biāo)及增強(qiáng)后的視頻片段上傳至云端平臺，并激活目標(biāo)區(qū)域內(nèi)聲光報(bào)警裝置的定向警示功能；

39、在報(bào)警信號持續(xù)期間，實(shí)時監(jiān)測異常事件的空間擴(kuò)散趨勢及特征強(qiáng)度變化，若擴(kuò)散趨勢超出預(yù)設(shè)安全范圍或特征強(qiáng)度達(dá)到第二風(fēng)險閾值，則根據(jù)異常事件類型和異常事件位置確定應(yīng)急資源調(diào)度路徑。

40、本發(fā)明第二方面還提供了一種基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警裝置，該系統(tǒng)包括：存儲器、處理器，所述存儲器中包括基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法程序，所述基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法程序被所述處理器執(zhí)行時，實(shí)現(xiàn)如下步驟：

41、獲取目標(biāo)區(qū)域中每個ct自取電視頻監(jiān)控的歷史工作數(shù)據(jù)，基于隱馬爾可夫模型對所述歷史工作數(shù)據(jù)進(jìn)行分析，構(gòu)建視頻監(jiān)控的工作任務(wù)識別模型；

42、根據(jù)所述工作任務(wù)識別模型對預(yù)設(shè)時間段內(nèi)每個視頻監(jiān)控進(jìn)行工作任務(wù)識別，獲取預(yù)設(shè)時間段內(nèi)視頻監(jiān)控的電量變化數(shù)據(jù)，并對視頻監(jiān)控每個工作任務(wù)下的工作質(zhì)量進(jìn)行評估，構(gòu)建工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣；

43、根據(jù)所述工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣對每個視頻監(jiān)控進(jìn)行集群劃分，確定每個監(jiān)控集群的監(jiān)控任務(wù)，得到監(jiān)控任務(wù)分配方案；

44、根據(jù)所述監(jiān)控任務(wù)分配方案獲取目標(biāo)區(qū)域的視頻監(jiān)控?cái)?shù)據(jù)，根據(jù)所述視頻監(jiān)控?cái)?shù)據(jù)進(jìn)行異常事件識別，根據(jù)異常事件識別結(jié)果進(jìn)行監(jiān)測預(yù)警操作。

45、本發(fā)明公開了基于環(huán)境感知的ct自取電視頻監(jiān)測預(yù)警方法及裝置。該方法通過獲取目標(biāo)區(qū)域內(nèi)ct自取電視頻監(jiān)控的歷史工作數(shù)據(jù)，基于隱馬爾可夫模型構(gòu)建工作任務(wù)識別模型；利用該模型識別預(yù)設(shè)時間段內(nèi)的工作任務(wù)，分析電量變化并評估工作質(zhì)量，構(gòu)建工作任務(wù)-電量-質(zhì)量數(shù)據(jù)矩陣；基于該矩陣進(jìn)行集群劃分，確定監(jiān)控任務(wù)分配方案；依據(jù)方案獲取視頻監(jiān)控?cái)?shù)據(jù)，識別異常事件，并進(jìn)行監(jiān)測預(yù)警。本發(fā)明優(yōu)化視頻監(jiān)控任務(wù)分配，提高監(jiān)測效率及預(yù)警準(zhǔn)確性，適用于智能監(jiān)控及電力管理領(lǐng)域。