经由分布式视觉输入的地震检测和响应的制作方法

经由分布式视觉输入的地震检测和响应


背景技术：
技术领域
1.本公开总地涉及地震检测系统和方法，并且更具体地，涉及测量地震震级和烈度的系统和方法。
2.相关技术的描述
3.地震(eq)在地球周围袭击，造成数千的死亡并且损失数十亿的损害(例如印尼(2004)：222.7万、87.1亿或日本(2011)：1.5万、3600亿)。eq的特征在于位置(震中)、深度以及由震级(通过里氏量表)和烈度(例如通过修正麦氏量表)表示的其严重性。震级是释放的地震能量，并且通过成本密集型地震仪的密集网络来记录。烈度是观察到的对地球表面的影响，范围从感知到的震动到建筑物的结构损害。烈度是灾难响应的真正感兴趣的特征，因为震级与eq效应无关。烈度测量基于任意分级并通过eq之后很长时间发出的问卷进行评估。实时烈度测量能够实现预先警报消息，并确定疏散和救援任务。专家认为，以当前方法和技术，地震的准确预测实际上是不可能的。对于震级，地震警报系统(earthquake ing system，ews)提供及时检测以在数秒内发出警报。


技术实现要素：

4.根据各种实施例，提供了一种非暂时性计算机可读存储介质、计算机实现的方法和计算机程序产品，其在地震期间识别与云接口连接的多个相机上的异常晃动。通过网络从多个相机中的每一个接收位置的视觉输入。对于来自多个相机的每个视觉输入，通过从定义视觉输入的像素的速度矢量中减去多个相机的速度矢量来执行相机相对于视觉输入的晃动之间的耦合校正，以提供经处理的输入。基于经处理的输入来确定在经处理的输入中识别的晃动是否高于预定阈值，从而检测一个或多个异常。根据该一个或多个异常，基于在该多个相机中的每个相机的该经处理的输入中识别的该晃动来推断地震的位置、震级或深度中的至少一个。
5.在一个实施例中，基于在多个相机中的每个相机的经处理的输入中识别的该晃动来确定地震的烈度。
6.在一个实施例中，对位置、震级或深度中的至少一个的该推断包括提取和聚集应用到视觉输入中的每个像素位置的预定最大像素值之间的相位延迟与跨视觉输入的整体的像素位置的最大值的幅度中的至少一个的局部近似。
7.在一个实施例中，通过经处理的输入的一个或多个逐像素变化来测量晃动。
8.在一个实施例中，对于来自多个相机的至少一个视觉输入，执行视觉输入的至少一个图像中的每个逐像素变化随时间的谱分析。确定视觉输入的至少一个图像的谱分解。
9.在一个实施例中，基于来自多个相机的视觉输入，训练人工智能(ai)模型以检测地震的参数。将经训练的ai模型应用于来自单独位置处的不同组的多个相机的视觉输入。
10.在一个实施例中，在完成所识别的地震之后，将所识别的地震的震级、位置或深度
中的至少一个的指示符存储在预定存储器中。
11.在一个实施例中，经由外部地震传感器数据来细化多个相机的校准。
12.本文描述的技术可以以多种方式实现。下面参考以下附图提供示例实施方式。
附图说明
13.附图是说明性实施例。它们没有示出所有实施例。另外或替代地，可使用其它实施例。可以省略可能是明显的或不必要的细节以节省空间或用于更有效的说明。一些实施例可以用附加的组件或步骤和/或不用所示出的所有组件或步骤来实施。当相同的数字出现在不同的附图中时，它指的是相同或相似的组件或步骤。
14.图1示出了与说明性实施例一致的、向地面发射地震波并导致结构晃动的地震的位置。
15.图2是与说明性实施例一致的、经由分布式视觉输入的地震检测和响应系统的简化过程流程图。
16.图3是与说明性实施例一致的、用于经由分布式视觉输入的地震检测和响应系统的图2的过程流程图的详细版本。
17.图4是与说明性实施例一致的、地震之前的条件的框图以及经由分布式视觉输入的地震检测和响应系统的图形说明性特征图。
18.图5是与说明性实施例一致的、在地震期间监视位置并识别异常晃动的概念框图。
19.图6是与说明性实施例一致的、在地震发生期间校正图像中的逐像素变化的概念框图。
20.图7是与说明性实施例一致的、经由地震反演推断地震的震级、位置和深度的概念框图。
21.图8是与说明性实施例一致的、在地震期间对地震的烈度的评估的概念框图。
22.图9是与说明性实施例一致的、提供地震期间的地震烈度的评估的概念框图。
23.图10是与说明性实施例一致的、经由外部地震传感器数据和地震烈度的附加评估的多个相机的校准的细化的概念框图。
24.图11是可用于实现可托管地震检测引擎的特别配置的计算设备的计算机硬件平台的功能框图图示。
25.图12描绘了与说明性实施例一致的云计算环境。
26.图13描述了与说明性实施例一致的抽象模型层。
具体实施方式
27.概述
28.在以下详细描述中，通过示例阐述了许多具体细节以便提供对相关教导的透彻理解。然而，显而易见，可在没有这些细节的情况下实践本教导。在其它实例中，已在相对较高级别上描述众所周知的方法、过程、组件和/或电路，而没有细节，以便避免不必要地混淆本教导的方面。
29.在地震之前，位于特定区域或位置上以用于监视或气象观测的多个因特网协议(ip)相机提供经由因特网在线传送或传送到专用网络的视频流和坐标。来自这些相机的片
段通常免费提供给公众。本文的教导从这样的相机采集信息并且提供对一个或多个位置处的地震活动的有意义的洞察。
30.在一个方面中，在地震期间，经由与云或专用网络接口连接而跨提供位置的分布式视觉输入的多个因特网协议(ip)相机来辨识所捕获场景的异常晃动，从而定义用于地震检测的系统的至少一部分。
31.各种实施例包括执行以下的步骤或用于执行或实施以下的指令：通过在多个相机中的至少一个上出现的至少一个图像的逐像素变化来测量位置的晃动。根据由所述多个相机中的所述至少一个的晃动引起的逐像素变化来校正所述至少一个图像中的自然对象或人造对象或自然对象与人造对象的逐像素变化的耦合。可以推断地震的震级、位置或深度中的至少一个。然后可以提供地震烈度的评估。
32.在一个实施例中，执行至少一个图像中的逐像素变化随时间的谱分析以产生谱分解。可以按照相位延迟、频移和幅度将逐像素变化随时间的谱分析解耦成表示至少一个图像中的场景的第一组和表示多个相机中的至少一个的第二组。注意，在本公开中，观察者也表示相机。
33.在一个实施例中，提取并聚集相位延迟、频移和幅度的局部近似，以推断地震的震级或烈度中的至少一个。相位延迟、频移和幅度的局部近似被认为是在相机的位置处产生的地震的局部影响，如由位于一组或多个相机中间的中心的服务器计算的。可以推断地震的位置和深度。
34.从各种相机(x)的输入推断eq(y)的特性是在观察x和y时具有不可观察的函数f的监督回归问题。然而，由于ip相机是类似的，因此重新校准中央服务器上的模型。中央服务器具有模型(f_estimate)，该模型理想地将视觉输入与eq事件相关联，即f_estimate(x)＝y_estimate。
35.在eq已经出现(x和y可用)之后，源自地震网络的y几乎完美地推断eq位置等(概括为y)，可以评估模型误差(y_estimate-y)。服务器(例如，在服务器上运行的地震分析引擎)可以将模型重新校准到f_estimate_new，使得f_estimate_new(x)更接近地等于y。
36.在地震之后，地震的震级、位置或深度中的至少一个的指示符以及地震烈度的评估可被存储在适当的存储器中。此外，可以细化系统校准。例如，中央服务器可以经由外部地震传感器数据和对地震烈度的附加评估来细化学习到的eq推断模型。此外，可以在ip相机稀疏地占据区域的位置部署更多的ip相机，使得现有模型缺少来自ip相机的预先存在的网络的输入。
37.在每个eq(和一些非eq“事件”)之后，附加训练数据的记录，并且根据新的可用数据重新训练预先存在的ai。这改变了ai的参数值(“重新校准”它们)。然而，模型架构、其输入和代码保持相同。此外，它可以自动地周期性地发生。
38.如上所述，在地震之前，多个ip相机位于特定区域或位置上，以进行监视或气象观测。视频流和坐标经由因特网在线传送或传送到专用网络。利用来自多个ip相机的视频流来促进本公开的各种实施例。
39.根据这里讨论的构思，利用地震学和烈度指示符，其在地震发生之前已经存在。在地震期间，ip相机提供的图像可以解耦，并且生成计算机视觉算法。来自专用地震传感网络的信号由人工智能(ai)网络处理，该人工智能网络转换并改进地震烈度测量的麦氏量表的
启发式。
40.ai模型可以被训练或扩展到新的闭路电视(cctv)，以便将检测能力从预先存在的cctv转移到新的cctv。在一个实施例中，单个相机变黑可能不提供关于地震检测的足够信息，因为它可能发生故障、被卸载等。然而，多个相机变黑(例如，在城市中)，而该位置周围的其他相机正在察觉eq事件，可以指示eq发生，这可能导致城市中的断电(从而关闭许多相机)。在一个实施例中，即使信号丢失(如果其在时间和空间上紧密相关，并且其他运行的相机拾取晃动)也指示eq。
41.相机的晃动，就像其视图中的任何对象一样，可能稍微偏离地震的整体频率。算法经由深度学习系统识别异常晃动和晃动的震级。在一个实施例中，使用相机之间的三角测量来识别晃动量。三角测量由ai系统隐式地学习。ai系统能够在一个系统中关联来自不同地理位置的输入。
42.例如，考虑通过ai(例如，通过深度神经网络(dnn))将ip相机图像的序列映射到嵌入矢量。这个可以包括几百个浮点数的嵌入矢量是视频中正在进行的事情的非线性、低维、存储表示。这些嵌入矢量(加上纬度/经度)被合并在一起作为到实际eq检测中的联合(后续)输入。
43.然而，由于这种ai系统是“端到端”学习的，因此嵌入学习和实际eq检测被联合合并在一个ai系统中。因此，在一个实施例中，没有使用显式三角测量算法。系统自己从嵌入矢量以及纬度和经度中学习。当推断出该近似位置处的eq事件时，该模型将自动地使来自同一附近的ip相机输入相关。
44.地震网络提供了由y表示的eq特性(震级等)的地面实况。作为示例，假设在地震期间视频片段具有1分钟的持续时间。在时间t＝30秒时推断位置，矢量值y /-10秒经由谱分解将值、震级、位置连在一起。叠加第二视频以确定x波浪号(x～)。注意，x是内源模型输入，即视频输入x是原始视频输入。x～是通过计算沿着视频图像的谱分解而导出的输入。因此，这仅仅是添加特征以允许ai更准确和更快地识别eq。因此，如本文所用，变量x被理解为整个输入：原始的加导出的特征，即x：＝(x，x～)。
45.从各种相机的输入(x)推断eq(y)的特性是在观察x和y时具有不可观察的函数f的监督回归问题。然而，由于ip相机是相同的，因此重新校准中央服务器上的模型。中央服务器具有模型(f_estimate)，该模型理想地将视觉输入与eq事件相关联，即f_estimate(x)＝y_estimate。在eq已经出现(x和y可用)之后，源自地震网络的y几乎完美地推断eq位置等(概括为y)，可以评估模型误差(y_estimate-y)。然后，服务器可以将模型重新校准到f_estimate_new，使得f_estimate_new(x)更接近地等于y。一个相机的图像中的晃动可以简单地是eq的强度/位置的噪声估计器。
46.虽然地震传感器被良好地校准，但是它们昂贵、定位稀疏并且需要附加知识(例如，关于周围的地质性质)。在这点上，ip相机不仅是地震活动的噪声估计器，而且是高度局部的，因为现在提供了视图帧之外的知识。此外，ip相机非常普遍。利用的相机越多，ai可用的输入就越多，ai自动学习以从分布式视觉输入推断eq特性。
47.如本文所使用的，谱合成是指应用于相机图像以增强输入信号的简单化的谱激发的固定变换。没有明确的物理公式被嵌入。在一个实施例中，ai模型不执行诸如地震反演之类的物理操纵。
48.在一个实施例中，ai模型将eq检测作为具有(例如，增强的)视频输入(x)和eq特征(y)的端到端回归问题来对待。如本文定义的耦合校正/异常检测是指现代ai的内部工作，未明确定义/模块化ai的组件，其中“x”是内源模型输入，即视频输入，并且“y”是外源输出(作为地面实况给出)，即地震的特性(纬度、经度、深度、震级和烈度)。简而言之，在一个实施例中，y是5维矢量。
49.在一个实施例中，y由地震传感器网络估计，这可能花费几分钟。当eq开始时，y不可用，因为地震传感器仍在进行地震反演以获得y。然而，ai地震分析引擎可以从视频输入计算y(eq的特性)可能是什么的猜测，并且如果认为超过了预定(震级)阈值则提供警报。
50.在一个实施例中，地震分析引擎经由卷积神经网络应用深度学习以滤除晃动，从而使得y能够校准其自身。相机具有一个特定的晃动模式。虽然通过示例的方式使用卷积神经网络，但是本文的教导不限于此。
51.自校准仅仅指模型重新训练步骤，因为eq的地面实况y在数小时/天之后使用并且与来自eq模型的y_estimate进行比较，即，它指对具有一个新观测的数据(即，最后观测的eq的x和y)应用随机梯度下降(sgd)。
52.图1示出了地震eq的位置10，该地震eq向地表面15发射地震波sw1...swn，在该地表面上定位有第一结构21和第二结构22。
53.ip相机20安装在第二结构22上，位于地面20上方的高度h处，在地震(eq)期间，ip相机20在双箭头a-a的方向上垂直振动，而第一结构21在双箭头a
′‑a′
的方向上垂直振动，从而产生由ip相机20捕获的失真图像。
54.作为耦合校正和地震分析引擎的应用的非常简化的说明，ip相机20传送的失真图像经由地震分析引擎应用的算法进行耦合校正，这将在后面更详细地讨论。ip相机20具有包括第一结构21的视场25。在地震eq期间，第一结构21具有在箭头a
′‑a′
的方向上的速度矢量vs，而ip相机20具有在箭头a-a的方向上的速度矢量vc。因此，通过从结构速度矢量vs中减去相机速度矢量vc来应用耦合校正，其中建立了诸如位置10处的地面15的参考平面。由于地震eq施加的力的不同，由ip相机20捕获的图像中的每个像素通常将具有其自己的独特的速度矢量。角速度以及水平和倾斜振荡的差异也将影响图像和耦合校正要求。这种考虑可以通过深度学习和卷积神经网络或具有附加谱分解应用的替代技术来解决。谱分解是地震分析领域中已知的技术，尤其是用于油田钻井。因此，如本领域技术人员将根据本公开理解处理，在此在附图中没有更详细地以图形方式示出该过程。
55.图2是根据本公开的实施例的、经由分布式视觉输入的地震检测和响应系统100的简化过程流程图。
56.图3是与说明性实施例一致的经由分布式视觉输入的地震检测和响应系统的处理流程图。多个ip相机20a
…
20n预先放置在地震发生之前和本发明实施例安装之前用于监测地震发生的位置。然而，多个ip相机20a
…
20n可与地震分析引擎/服务器110(见图2)的安装同时或在其之后定位，该地震分析引擎/服务器专用于查看用于监测地震发生的位置。事实上，地震分析引擎/服务器110相对于与外部软件和硬件的互连的定位的这种定时适用于各种功能，例如地震警报系统、灾难响应管理和图2及图3中所示的地震网络。
57.多个ip相机20a
…
20n与因特网、云102以及附加地或可选地与专用网络104通信。ip相机20a
…
20n传送图像数据40a
…
40n到因特网云102或到专用网络104。因特网云102或
专用网络104传送对应位置和视频流40a
′…
40n
′
到地震分析引擎110。在各种实施例中，地震分析引擎110可以是在专用服务器和/或云上运行的软件包。地震分析引擎110执行位置和视频流40a
′…
40n
′
的耦合校正以产生对应位置的经处理的视频流42a
…
42n，并将对应位置的经处理的视频流42a
…
42n转换为对应的数字指示符或度量44a
…
44n，用于每个对应相机和位置的视频流。
58.耦合校正44是指人工智能(ai)算法(最显著但不排他地涉及卷积神经网络)为图像识别任务(例如，对象识别、分割等)滤除各种类型的图像扰动(例如，晃动、改变的视角等)的能力。在从分布式视觉输入推断地震特性的监督学习问题中，例如，在模型训练过程期间进行卷积调整以有效地滤除这样的干扰，学习较低维嵌入矢量，该矢量对于诸如相机晃动的图像干扰近似不变。由于因特网协议(ip)相机(通常牢固地)附着在建筑物的外部或内部，所以在地震事件期间，它们的晃动的幅度在时间上相当恒定，而图像中的(未附着的)具有各种重量、鲁棒性、坚固性的对象不同程度地晃动，各种ai算法发现自动地将相机本身的晃动与地震对图像中的对象的影响解耦是容易的。然而，应当注意，该耦合校正不是精确的，即，不是图像中的每个对象的移动都是完全可跟踪的。然而，这无论如何不是该系统的目标或功能，因为它接收n个相机输入以仅推断若干主要地震特征。对于这个任务，(近似)耦合校正足以从分布式视觉输入可靠地推断地震事件。
59.如上面关于图1所示，应用耦合校正44来校正多个相机20、20a
…
20n和正由多个相机成像的场景的耦合，以更准确地评估地震能量。通过从定义视觉输入的像素的速度矢量中减去相机的速度矢量vc来应用耦合校正44。应用诸如卷积神经网络和谱分解之类的应用来执行耦合校正。谱分解涉及对给定视频流的像素随时间的变化的谱分析。像素的谱的解耦按照相位延迟、频移和幅度分成两个单独的组来执行：正由观察者(即，相机)成像的场景和相机本身。
60.这里对谱的每次引用仅指输入视频(图像)的一组提议的固定变换，以增强随后与其一起摄取的ai的视觉输入，并因此表示如本公开中所应用的逐像素变化。
61.经处理的视频流42a
…
42n和度量44a
…
44n然后由地震分析引擎110进行异常检测46。如果检测到一个或多个异常，则地震分析引擎110执行地震检测120和数据存储130的功能，并且地震分析引擎110内部地进入地震发生操作模式。地震检测系统120然后经由地震分析引擎110对震级、位置和深度以及烈度测量124执行地震反演122，以评估地震eq的严重性和由地震eq引起的损害的烈度。
62.重要的是认识到，如本文描述的地震检测和响应系统100包括实际上是其功能由地震分析引擎110执行的子系统的特征。为此，作为示例，地震检测系统120被称为系统，但是实际上，可以被认为是相对于整个地震检测和响应系统100的子系统。其它功能，例如，地震反演122和烈度测量124也可以被认为是地震检测和响应系统100的子系统。
63.地震反演122和烈度测量124分析结果都被转发到地震预先警报或响应系统140、响应管理系统150和现有地震网络160。视频流126和地震指示值128也从数据存储130转发到地震预先警报或响应系统140、响应管理系统150以及现有地震网络160。
64.在地震之后，现有地震网络160将地震分析48转发到地震分析引擎110以用于重新校准处理170，其又将重新校准的分析50转发到地震检测系统120和异常检测46以校正即将发生的余震和未来的地震发生。
65.示例架构
66.图4-10是与说明性实施例一致的、经由分布式视觉输入的地震检测和响应系统100的地震之前、期间和之后的条件的组合方法框图。更具体地，图4是根据本公开的实施例的在致动经由分布式视觉输入的地震检测和响应系统100之前的地震之前的状况的组合方法框图。其中，在地震eq之前，多个ip相机20a
…
20n位于特定区域或位置l以用于监视或气象观测并传送图像数据40a
…
40n到因特网云102或到专用网络104。视频流和相机位置的坐标42a
…
42n经由因特网102在线传送或通过专用网络传送，通常对公众没有直接的费用。本公开的各种实施例通过来自多个ip相机20a
…
20n的位置的视频流42a
…
42n来促进。各种预先存在的相机的位置接近经由分布式视觉输入的地震检测系统100的可能跨度。出于实际目的，当地震eq的位置出现在这种ip相机网络内(不远在ip相机20a
…
20n的网络之外)时，可以推断该地震eq。区域被ip相机填充得越密集，地震事件的推断特性将越可靠。无论如何，对于区域中的相机的数量或相机密度，没有要求的阈值，以促进经由分布式输入的有用的地震检测。因此，预先训练的eq检测系统(来自地球上的一个区域)可以用于从世界另一侧的单个ip相机推断地震事件——尽管这远不是理想的，因为地震特性将仅被粗略估计。
67.此外，不涉及固定的空间分辨率。ip相机系统可以跨越城市、州/省、整个国家或全球。图4和图5构成了已由地震检测系统120检测到地震事件eq的ip相机的子集。所示的图像显示在相同的附近区域的受损区域(尽管来自每个ip的输入被eq检测系统120考虑到)。
68.以与图4类似的方式，图5示出地震eq的发生，其中地震分析引擎110识别提供位置l的分布式视觉输入的多个相机20a
…
20n的异常晃动。视频流42a0...42n0表示在时间t0的位置l处的视觉输入，而视频流42a1...42n1表示在时间t1的位置l处的视觉输入。
69.图6是与说明性实施例一致的、在地震发生期间校正图像中的逐像素变化的概念框图。例如，在地震eq发生期间，地震分析引擎110根据由多个相机20a
…
20n中的至少一个相机的晃动引起的逐像素变化来校正至少一个图像42a1...42n1中的自然对象或人工对象或自然对象和人工对象两者的逐像素变化的耦合(标记44)以产生指示符44a...44n，其作为图像46a...46n被传送到异常检测46。
70.现在参考图7，其是与说明性实施例一致的、经由地震反演推断地震eq的震级、位置和深度的概念框图。在一个实施例中，关于异常检测46，由地震分析引擎110执行的耦合校正44还可以包括按照相位延迟、频移和幅度将逐像素变化随时间的谱分析解耦成表示至少一个图像40a
…
40n中的场景的第一组和表示多个相机20a
…
20n中的至少一个的第二组。
71.随时间的谱分析的解耦是指转移学习，即，在使一组ip相机20a
…
20n具有学习的ai并且将学习的ai应用于新的一组ip相机(即，在世界的完全不同的区域中)之后。来自第一区域(具有第一“组”相机)的模型可以在新区域(其具有第二“组”ip相机)中使用。然而，模型被重新训练(即，在eq事件发生之后)。
72.这里定义的相位延迟(以秒为单位)是最大像素值(应用于预定义视频中的每个像素位置)之间的时间延迟。这里定义的幅度是跨输入视频的整体的像素位置的最大值。
73.在一个实施例中，关于异常检测46，地震分析引擎110还可包括提取和聚合相位延迟、频移和幅度的局部近似以至少推断地震eq的震级122和烈度124。进一步关于异常检测46，地震分析引擎110还可包括推断地震eq的位置和深度122。异常检测46，正如解耦校正44，通过模型隐式学习。以与在地震事件的情况下分布式视觉输入x和x～被用于学习地震
特性y相同的方式，模型将通过总是通过视觉输入x和x～的对y(震级0、深度0、任意纬度、经度)的估计来推断地震的不存在。因此，异常检测46仅指相应特征的不正常值的存在。与地震传感器相反，不存在所涉及的特征(速度矢量等)的物理导出，因为来自ip相机20a
…
20n的视觉输入结合它们的位置被端到端地学习以推断地震的存在/不存在。
74.图9是与说明性实施例一致的、在地震(eq)之后的地震烈度的评估的概念框图。例如，在地震eq之后，地震分析引擎110将指示符122存储为地震eq的震级、位置或深度以及地震烈度评估124中的至少一个的地震指示值128和关键视频流126(参见图2和图3)。
75.图10是与说明性实施例一致的、经由外部地震传感器数据和地震烈度的附加评估的多个相机20a
…
20n的校准(参见图2和3的重新校准处理170和重新校准分析50)的细化的概念框图。例如，在地震之后，地震分析引擎110将ai模型架构和视觉输入维持在固定状态。然而，地震分析引擎110然后通过重新训练步骤，即重新校准处理170，来使得ai模型参数被重新评估。在那里，视觉输入和地震事件特性的先前历史记录现在被添加新的视觉输入和地震特性对。这个ai模型重新训练步骤可以周期性地进行，并且以固定的周期性(例如，每天、每周、每月)自动触发。历史记录不仅包括地震事件，而且包括非地震事件(具有震级值0、烈度值0和任意纬度/经度)，使得地震检测系统120能够针对各种类型的分布式视觉输入在地震和非地震事件之间进行区分。
76.示例计算机平台
77.如上所述，在地震期间，与识别多个因特网协议(ip)相机上的异常晃动有关的功能可以利用经由无线或有线通信连接以进行数据通信的一个或多个计算设备来执行，其中所述多个ip相机经由与云或专用网络的接口连接来提供位置的分布式视觉输入，如图1-10所示。图11是可以与诸如联网ip相机、云等各种联网组件通信的计算机硬件平台的功能框图图示。具体地，图11示出了网络或主机计算机平台1100，其可以用于实现诸如图2的地震分析引擎110的服务器。
78.计算机平台1100可以包括中央处理单元(cpu)1104、硬盘驱动器(hdd)1106、随机存取存储器(ram)和/或只读存储器(rom)1108、键盘1110、鼠标1112、显示器1114以及通信接口1116，它们连接到系统总线1102。
79.在一个实施例中，hdd 1106具有包括存储程序的能力，该程序可以以本文描述的方式执行诸如地震分析引擎1140的各种过程。地震分析引擎1140可具有被配置成执行不同功能的各种模块。例如，可以有耦合校正模块1142，其被应用来从定义由相机显示的图像的视觉输入的像素的速度矢量中减去相机的速度矢量。耦合校正可以经由由耦合校正模块1142执行的卷积神经网络和谱分解来执行。
80.可以有视频处理和指示符模块1144，其处理已经经过耦合校正的视频流，并且将经耦合校正的视频流转换为在视频流中的每个单独图像的位置和时间处发生的移动的指示符。
81.可以有异常检测模块1146，其分析经处理的视频流和指示符以确定已经由相机成像的一个或多个结构的异常移动的发生。然后，模块1146将这种异常运动识别为异常。
82.可以有地震检测模块1148，其处理从异常检测模块接收的一个或多个异常，并且执行地震反演和烈度评估。
83.可以有地震反演和烈度评估模块1150，其计算地震的震级、位置和深度并执行烈
度评估。然后，将该信息传输到地震预先警报系统并用于灾害响应管理。
84.可以有数据存储模块1152，其存储由异常检测模块1146识别并从其接收的异常。
85.可以有关键视频流和地震指示值模块1154，其从数据存储模块1152接收较高优先级的视频流和地震指示值，然后将视频流和指示值传输到地震预先警报系统并用于灾害响应管理。
86.可以存在现有地震网络模块1156，其从地震反演和烈度评估模块1150以及从关键视频流和地震指示值模块1154接收数据，关键视频流和地震指示值模块1154可以转发数据用于在地震之后重新校准。
87.可以有重新校准模块1158，其重新校准来自地震反演和烈度评估模块1150以及来自关键视频流和地震指示值模块1154的数据，并且其然后将结果转发到异常检测模块1146和地震检测模块1148以改进即将发生的余震和未来地震的准确度。
88.示例云平台
89.如上所述，与经由分布式视觉输入的地震检测和响应有关的功能可以包括云102或网络104(参见图2)。应当理解，尽管本公开包括关于云计算的详细描述，但是本文所陈述的教导的实施方式不限于云计算环境。而是，本公开的实施例能够结合现在已知或以后开发的任何其他类型的计算环境来实现。
90.云计算是一种服务递送模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储装置、应用、虚拟机和服务)的共享池的方便的按需网络访问，可配置计算资源可以以最小的管理工作或与服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
91.特性如下：
92.按需自助服务：云消费者可以单方面地自动地根据需要提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者进行人工交互。
93.广泛的网络接入：能力在网络上可用，并且通过促进由异构的薄或厚客户端平台(例如，移动电话、膝上型计算机和pda)的使用的标准机制来访问。
94.资源池化：提供者的计算资源被池化以使用多租户模型来服务多个消费者，其中不同的物理和虚拟资源根据需求被动态地分配和重新分配。存在位置无关的意义，因为消费者通常不控制或不知道所提供的资源的确切位置，但是能够在较高抽象级别(例如国家、州或数据中心)指定位置。
95.快速弹性：在一些情况下，可以快速且弹性地提供快速向外扩展的能力和快速向内扩展的能力。对于消费者，可用于提供的能力通常看起来不受限制，并且可以在任何时间以任何数量购买。
96.测量服务：云系统通过利用在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某一抽象级别的计量能力来自动地控制和优化资源使用。可以监视、控制和报告资源使用，从而为所利用服务的提供者和消费者两者提供透明性。
97.服务模型如下：
98.软件即服务(saas)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用。应用程序可通过诸如web浏览器(例如，基于web的电子邮件)等瘦客户机界面从各种客户机设备访问。消费者不管理或控制包括网络、服务器、操作系统、存储、或甚至个别应用
能力的底层云基础结构，可能的例外是有限的用户专用应用配置设置。
99.平台即服务(paas)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该消费者创建或获取的应用是使用由提供者支持的编程语言和工具创建的。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但具有对部署的应用和可能的应用托管环境配置的控制。
100.基础设施即服务(iaas)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其它基本计算资源，所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，但具有对操作系统、存储、部署的应用的控制，以及可能对选择的联网组件(例如，主机防火墙)的有限控制。
101.部署模型如下：
102.私有云：云基础设施仅为组织操作。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
103.社区云：云基础设施由若干组织共享，并且支持具有共享关注(例如，任务、安全要求、策略和合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。
104.公有云：云基础设施可用于一般公众或大型工业群体，并且由销售云服务的组织拥有。
105.混合云：云基础设施是两个或更多云(私有、共同体或公共)的组合，所述云保持唯一实体，但是通过使数据和应用能够移植的标准化或私有技术(例如，用于云之间的负载平衡的云突发)绑定在一起。
106.云计算环境是面向服务的，其焦点在于无状态、低耦合、模块性和语义互操作性。在云计算的核心是包括互连节点的网络的基础设施。
107.现在参考图12，描绘了说明性云计算环境1200。如图所示，云计算环境1200包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点1210，所述本地计算设备例如个人数字助理(pda)或蜂窝电话1254a、台式计算机1254b、膝上型计算机1254c和/或汽车计算机系统1254n。节点1210可彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、公共云或混合云或其组合。这允许云计算环境1250提供基础设施、平台和/或软件作为服务，云消费者不需要为其维护本地计算设备上的资源。应当理解，图12中所示的计算设备1254a-n的类型仅旨在说明，并且计算节点1210和云计算环境1250可以通过任何类型的网络和/或网络可寻址连接(例如，使用web浏览器)与任何类型的计算机化设备通信。
108.现在参考图13，示出了由云计算环境1250(图12)提供的一组功能抽象层。应当预先理解，图13中所示的组件、层和功能仅旨在说明，并且本公开的实施例不限于此。如所描绘的，提供了以下层和相应的功能：
109.硬件和软件层1360包括硬件和软件组件。硬件组件的示例包括：主机1361；基于risc(精简指令集计算机)架构的服务器1362；服务器1363；刀片服务器1364；存储设备1365；以及网络和联网组件1366。在一些实施例中，软件组件包括网络应用服务器软件1367和数据库软件1368。
110.虚拟化层1370提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务
器1371；虚拟存储1372；虚拟网络1373，包括虚拟专用网络；虚拟应用和操作系统1374；和虚拟客户机1375。
111.在一个示例中，管理层1380可以提供下面描述的功能。资源供应1381提供对被用来执行云计算环境内的任务的计算资源和其他资源的动态采购。计量和定价1382提供了在云计算环境中利用资源时的成本跟踪，以及用于消耗这些资源的账单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户1383为消费者和系统管理员提供对云计算环境的访问。服务级别管理1384提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(sla)计划和履行1385提供对云计算资源的预安排和采购，其中根据sla预期未来需求。
112.工作负载层1390提供云计算环境可被用于的功能的示例。可以从该层提供的工作负载和功能的示例包括：绘图和导航1391；软件开发和生命周期管理1392；虚拟教室教育传送1393；数据分析处理1394；交易处理1395；以及地震分析引擎1396，如本文所讨论的。
113.发明概述
114.已经出于说明的目的呈现了本教导的各种实施例的描述，但是不旨在是穷举的或限于所公开的实施例。在不背离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域的普通技术人员将是显而易见的。选择本文所使用的术语以最好地解释实施例的原理、实际应用或对市场上存在的技术的技术改进，或使本领域的其他普通技术人员能够理解本文所公开的实施例。
115.虽然上文已描述了被认为是最佳状态的内容和/或其它示例，但应理解，可在其中作出各种修改，且本文所公开的主题可以各种形式和示例来实施，且所述教导可应用于许多应用中，本文仅描述了其中的一些应用。所附权利要求旨在要求保护落入本教导的真实范围内的任何和所有应用、修改和变化。
116.在此讨论的组件、步骤、特征、目的、益处和优点仅仅是说明性的。它们中的任何一个，或者与它们相关的讨论都不是要限制保护范围。虽然本文已经讨论了各种优点，但是将理解，并非所有实施例都必须包括所有优点。除非另有说明，否则本说明书中，包括所附权利要求中阐述的所有测量值、值、额定值、位置、大小、尺寸和其它规格是近似的，而不是精确的。它们旨在具有与它们相关的功能以及它们所属领域的惯例一致的合理范围。
117.也考虑了许多其它实施例。这些包括具有更少、附加和/或不同组件、步骤、特征、目的、益处和优点的实施例。这些还包括其中以不同方式布置和/或排序的组件和/或步骤的实施例。
118.本文参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的调用流程图和/或框图来描述本公开的方面。将理解，流程图和/或框图的每个步骤以及调用流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。
119.这些计算机可读程序指令可以被提供给计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现调用流程处理和/或框图的一个或多个框中指定的功能/动作的部件。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现调用流程和/或框图的一个或多个框中指定的功能/动作的各
方面的指令。
120.计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而在计算机、其他可编程装置或其他设备上执行的指令实现调用流程过程和/或框图的一个或多个框中指定的功能/动作。
121.附图中的流程图和框图示出了根据本公开的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。在这点上，调用流程过程或框图中的每个框可以表示指令的模块、段或部分，该指令包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或调用流程图示的每个框以及框图和/或调用流程图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。
122.虽然已经结合示例性实施例描述了前述内容，但是应当理解，术语“示例性”仅意味着作为示例，而不是最佳或最优的。除了上文刚刚陈述的，无论是否在权利要求中陈述，已陈述或说明的内容都不打算或不应解释为导致任何组件、步骤、特征、对象、益处、优点或等效物专用于公众。
123.应当理解，除非在此另外阐述了特定的含义，否则在此使用的术语和表达具有与关于它们相应的各自的调查和研究领域的这些术语和表达一致的普通含义。诸如第一和第二等的关系术语可仅用于将一个实体或动作与另一个区分，而不必要求或暗示这些实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或其任何其它变化形式旨在涵盖非排他性的包括，使得包括一系列元素的过程、方法、物品或装置不仅包括那些元素，而且可以包括未明确列出的或对于这样的过程、方法、物品或装置是固有的其它元素。在没有进一步约束的情况下，前面有“一”或“一个”的元件不排除在包括该元件的过程、方法、物品或装置中存在附加的相同元件。
124.提供本公开的摘要以允许读者快速确定本技术公开的本质。应当理解，它不是用于解释或限制权利要求的范围或含义。另外，在前述详细描述中，可以看出，为了使本公开流畅，在各种实施例中将各种特征分组在一起。这种公开方法不应被解释为反映了所要求保护的实施例具有比每个权利要求中明确记载的特征更多的特征的意图。相反，如所附权利要求所反映的，发明主题在于少于单个公开的实施例的所有特征。因此，以下权利要求由此被并入具体实施方式中，其中每个权利要求独立地作为单独要求保护的主题。