一种安全展示的智能安防系统的制作方法

本发明涉及智能安防领域，具体涉及一种安全展示的智能安防系统。

背景技术：

1、随着信息技术的迅猛发展和智能化应用的广泛推广，智能安防系统已成为现代社会中不可或缺的重要组成部分。智能安防系统通过集成视频监控、入侵检测、门禁控制、报警联动等多种技术手段，实现了对重要场所、关键区域和敏感信息的全方位、全天候的安全保护。然而，传统的安防系统往往存在信息孤岛、功能分散、操作复杂等问题，无法满足现代安全管理的需求。

2、现有技术中，还没有一种以安全展示为核心，将各种安防设备、传感器、监控摄像头等硬件资源进行有效整合，并通过大数据、云计算、人工智能等先进技术，实现安全信息的实时采集、传输、处理和分析。通过对安全数据的深入挖掘和智能分析，系统能够自动识别潜在的安全风险，并采取相应的防范措施，提高安全防范的及时性和准确性的安全展示的智能安防系统。

技术实现思路

1、本发明的目的在于提供一种安全展示的智能安防系统：至少解决现有方案中对安防系统中所采集的视频不能够自动识别潜在的安全风险而导致安全防范及时性低和准确性低的问题。

2、本发明的目的可以通过以下技术方案实现：

3、一种安全展示的智能安防系统，系统包括数据采集模块、数据分类模块、关联性分析模块、风险评估模块、存储模块；

4、数据采集模块用于获取各个安全展示节点的视频数据；

5、数据分类模块用于通过随机森林分类算法对视频数据进行cu分割与目标cu选取，基于目标cu完成视频数据分类；

6、关联性分析模块用于对分类后的各个安全展示节点的视频数据进行异常事件的空间相关性分析，得到相关性结果，并将相关性结果发送至风险评估模块；

7、风险评估模块用于接收相关性结果并对对完成分类的视频数据进行安防风险评估，得到安防风险评估指数，基于安防风险评估指数来确定完成分类的视频数据对应的安防风险等级，并将安防风险等级发送至存储模块；

8、存储模块用于接收风险评估模块发送的安防风险等级并完成存储。

9、进一步地，数据分类模块用于通过随机森林分类算法对视频数据进行cu分割与目标cu选取，基于目标cu完成视频数据分类具体包括以下过程：

10、对视频数据进行图像特征选取：

11、步骤一：计算均方误差mse，其中，mse是定义图像的纹理特征：

12、确定选定像素点与周围像素点之间的差值mdp，该差值mdp的计算过程如下：

13、

14、其中，p(x，1)为选定像素点的坐标，p(x，y+1)、p(x+1，y)、p(x，y-1)、|p(x-1，y)为选定像素点对应周围像素点坐标，|p(x，y+1)-p(x，y)|、|p(x+1，y)-p(x，y)|、|p(x，y-1)-p(x，y)|、|p(x-1，y)-p(x，y)|均表示两像素点的距离；

15、mse定义图像的纹理特征：

16、

17、其中，w表示cu的宽，h表示cu的高，meanmdp表示mdp的均值；

18、步骤二：获取横向的梯度变化gh和纵向的梯度变化gv，其中，h、v分别表示横向和纵向两个维度；

19、计算横纵两个梯度的特征值gt：

20、

21、其中，gt(x，y)＝p*st，t∈{h，v}，p为选定像素点和对应周围像素点坐标的所有x轴坐标数值和y轴坐标数值之和，st代表横向或纵向对应方向的scharr算子；

22、步骤三：基于均方误差mse和特征值gt对图像特征进行选取：计算均方误差mse和特征值gt的和值，若和值超过预设阈值，则将对应的图像特征进行选定；

23、基于选定的图像特征确定适合的分割方法，实现cu的快速分割与目标cu选取；

24、基于目标cu完成视频数据分类。

25、进一步地，基于选定的图像特征确定适合的分割方法，实现cu的快速分割与目标cu选取具体包括以下过程：

26、将编码树单元视为四叉树的根，并使用四叉树结构将其初始分成子单元；

27、对四叉树的每个叶节点采用多类型树结构进行进一步分割：对于四叉树嵌套多类型树编码树结构中的每个cu节点，生成split_cu_flag指令来指示是否需要进一步划分，判断当前的cu节点是否为qt数据结构的cu节点，若是，则采用mtt分割模式，若否，则采用qt分割模式。

28、进一步地，基于目标cu完成视频数据分类具体包括以下过程：

29、获取训练集和测试集：选择部分视频数据，提取其中的若干帧，并按照一定比例区分出两个集合；

30、得到k颗独立不相干的决策树：采用bootstrap法对训练集进行重采样，生成k个独立的训练样本集，每个训练样本集对应生成一颗决策树；

31、开始建立决策树：从根节点出发，递归地遍历树中的每个非叶子节点，在每个节点处，计算每个特征的基尼系数，得到最佳的分裂特征，并使用这个基尼值作为划分阈值将数据集分成左右两个子集，直到不满足最少样本条件不可再分，训练k颗完整生长而不剪枝的决策树；

32、将目标cu代入决策树完成视频数据分类。

33、进一步地，关联性分析模块用于对分类后的各个安全展示节点的视频数据进行异常事件的空间相关性分析，得到相关性结果，并将相关性结果发送至风险评估模块具体包括以下过程：

34、采用莫兰统计计算各个安全展示节点的莫兰值i：

35、

36、其中，n表示安全展示节点，zi是第i个安全展示节点的视频数据异常事件的发生的次数与所有安全展示节点的异常事件平均次数的偏差；ωi，j是第i个安全展示节点与第j个安全展示节点之间的路径权值，s0是所有路径权值之和。

37、进一步地，系统工作流程还包括计算得到相关性分数zi：

38、

39、其中，表示期望，v[i]＝e[i2]-e[i]2，表示方差；

40、计算第i个安全展示节点与第j个安全展示节点之间的qi：

41、

42、其中，zij表示第第j个安全展示节点的相关性系数；

43、将qi记为相关性结果。

44、进一步地，风险评估模块用于接收相关性结果并对完成分类的视频数据进行安防风险评估，得到安防风险评估指数，基于安防风险评估指数来确定完成分类的视频数据对应的安防风险等级具体包括以下过程：

45、获取各个安全展示节点的视频数据中风险类别视频的个数a以及风险类别对应的权重b；

46、计算单个安全展示节点的风险值risk：

47、

48、其中，θ为比例参数，β为单个安全展示节点的视频数据中非风险类别视频个数；

49、根据相关性结果计算安防风险评估指数riskall：

50、riskall＝risk+γqi

51、其中，γ为比例系数；

52、根据安防风险评估指数riskall确定风险等级：当riskall大于等于60时，记为一级风险，当riskall大于等于40且小于60时，记为二级风险，当riskall大于等于20且小于40时，记为三级风险，当riskall小于20时，记为四级风险。

53、进一步地，存储模块用于接收风险评估模块发送的安防风险等级并完成存储包括：依据风险等级确定各个安全展示节点的视频数据保存日期。

54、进一步地，在获取各个安全展示节点的视频数据之前，系统对视频数据进行预处理。

55、相比于现有方案，本发明实现的有益效果：

56、一方面，本发明通过随机森林分类算法对视频数据进行cu分割与目标cu选取，基于目标cu完成视频数据分类，能够高效地识别出具有风险隐患的安全展示节点视频，提高视频数据分类效率。

57、另一方面，本发明通过对分类后的各个安全展示节点的视频数据进行异常事件的空间相关性分析，得到相关性结果，对相关性结果并对完成分类的视频数据进行安防风险评估，得到安防风险评估指数，基于安防风险评估指数来确定完成分类的视频数据对应的安防风险等级，能够实时了解安防系统的运行状态、安全事件的分布和趋势，进而做出科学决策。