基于物联网的智能安防系统的制作方法

本发明涉及智能安防，具体为基于物联网的智能安防系统。

背景技术：

1、随着社会不断发展，公共场所的安全性日益成为人们极为关注的焦点。公共场所的安全往往是以人工监控与巡查为主，而在现有技术中，传统监控系统存在一系列制约，尤其在面对复杂监控场景时效果不佳。其安全监控方式容易导致监控盲区和重叠区域，显著降低监控系统的灵活性和适应性。这种限制阻碍了监控系统在动态环境下的精准应用。并且其响应速度受限于人工介入，很难在异常事件发生后迅速做出反应，导致安全事故的延误和无法及时应对紧急情况。

2、此外，当前一些针对公共场合异常行为监控的系统在异常行为识别方面容易存在不准确的问题，其难以准确捕捉人群的复杂运动模式和密集度分布，从而导致误报和漏报的情况较为普遍。而且，此种监控系统通常仅专注于视频数据而忽略了音频等多模态数据的综合利用。这限制了系统对异常行为全面判定的能力，无法提供更为精确的安全评估。因此，设计针对异常行为响应及时且准确的基于物联网的智能安防系统是很有必要的。

技术实现思路

1、本发明的目的在于提供基于物联网的智能安防系统，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：基于物联网的智能安防系统，该系统的运行方法包括以下步骤：

3、步骤一：通过对目标区域进行区块划分实现分区监控；

4、步骤二：通过语音数据进行辅助判断，实现异常行为识别；

5、步骤三：对异常事件进行评级，并生成相应的警报；

6、步骤四：通过提交事件标签，实现快速响应。

7、根据上述技术方案，所述通过对目标区域进行区块划分实现分区监控的步骤，包括：

8、在目标监测区域内布置摄像装置，每个摄像头具备独立的标签和位置信息，此标签可以通过无线通信模块与系统建立连接，摄像装置的位置信息包括经度、纬度坐标，以及相对于其他摄像头的方位关系，其次，针对监测区域，采用自适应算法对整个区域进行划分为不同的区块，基于区域内的地形、人流密集度以及其他环境因素，自动判定最佳的区块划分方式，在划分好的区块内，摄像头的监测参数将根据实时环境变化进行动态调整，包括但不限于监测范围、分辨率、帧率参数，对于高人流密集度的区域，监测参数调整为更高的帧率和更广的监测范围，通过使用定位标签和自适应算法，监测模块可以实现对整个区域的智能管理，有效应对不同监测场景的要求。

9、根据上述技术方案，所述通过语音数据进行辅助判断，实现异常行为识别的步骤，包括：

10、使用机器学习算法从监控数据中提取特征，识别人群的运动模式、密度分布和异常行为；

11、利用计算机视觉技术提取视频特征，与音频特征进行时间对齐，最后融合为一个特征向量。

12、根据上述技术方案，所述使用机器学习算法从监控数据中提取特征，识别人群的运动模式、密度分布和异常行为的步骤，包括：

13、使用已标注的异常行为数据集，数据集涵盖各种异常行为的样本，如人群聚集和突然移动，随后，通过卷积神经网络模型进行训练，模型能够学习到与异常行为相关的特征，当机器学习模型训练完成后，将其应用于实时视频数据上，随后，在监测场景中是否存在异常行为时，系统使用训练好的模型进行实时分析，模型对视频帧进行检测，寻找与已学习的异常行为相匹配的特征，当检测到可能的异常行为时，系统会记录相关信息，包括发生异常的具体时间戳和位置数据，此外，在监测区域内部署麦克风阵列或音频传感器，采集区域内的语音数据，然后，对两种数据源的时间戳信息进行标定，通过在数据采集设备上统一设置时间戳标准，实现视频数据中的时间戳与音频数据中的时间戳相互匹配。

14、根据上述技术方案，所述利用计算机视觉技术提取视频特征，与音频特征进行时间对齐，最后融合为一个特征向量的步骤，包括：

15、进行多模态特征融合，使用计算机视觉技术，从实时视频数据中提取人群密集度和移动速度特征，对于视频数据，使用行人检测算法计算每帧中的人数，并通过光流法估计人的移动速度，对于音频特征，则利用傅里叶变换计算音频频谱，从实时音频数据中提取声音强度和频率特征，在特征提取后，通过时间对齐的方式，确保视频和音频特征在时间上保持一致，随后，将这些特征组合成一个融合特征向量，即：f融合(t)＝α*f视频(t)+β*f音频(t)，其中，α和β是权重系数，在特征融合后，选择多模态卷积神经网络接收融合后的特征向量作为输入，随后使用带有标注的异常行为数据集进行训练，通过最小化损失函数，优化网络参数，最后进行模型输出，模型的输出可表示为：输出(t)＝δ(w*f融合(t)+b)，其中，δ是激活函数，w是权重矩阵，b是偏置项，最后，设定一个阈值，超过该阈值则判定为异常行为，阈值的选择通过在验证集上调优得到，在实时监测中，系统根据综合分析模型的输出判断当前是否存在潜在的异常行为。

16、根据上述技术方案，所述对异常事件进行评级，并生成相应的警报的步骤，包括：

17、当系统检测到异常行为时，需要对异常行为进行特征提取，系统从检测到的异常行为中提取关键特征，包括但不限于异常行为的持续时间、涉及的人数、行为的空间分布，同时，获取当时的天气状况、活动类型，然后，对比历史数据，系统将当前异常行为的特征与过去记录的历史数据进行对比，判断是否存在相似的异常行为先例，接下来，基于规则-based建立评估模型，通过定义评估指标，如严重性、紧急性、危害程度，以自动化地对异常行为进行严重程度划分，根据评估结果，系统生成相应级别的警报，并将信息通知给相关的安保人员、管理人员或相关部门，通过评估和级别划分机制使得系统能够更加准确地应对各类潜在风险和异常行为，确保及时而有效的安全响应。

18、根据上述技术方案，所述通过提交事件标签，实现快速响应的步骤，包括：

19、通过定位标签或其他定位技术，系统提取异常事件发生的确切地点信息，然后，利用实时定位服务确保安保人员能够准确获取事件发生地点的坐标信息，而在室内发生异常事件时，采用室内定位技术，如wi-fi室内定位或蓝牙定位，此外，系统整合通知和调度模块，通过自动通知模块，事件发生时能够自动触发通知到附近执勤的安保人员，安保人员使用基于移动设备的应用程序，通过该应用程序接收到事件等级和位置信息，移动端设备不仅提供了即时通信的手段，还集成了导航功能，帮助安保人员迅速到达事件发生地点，通过本步骤，系统能够在事件发生后，快速、准确地将事件等级和位置信息传达给附近执勤的安保人员。

20、根据上述技术方案，所述该系统包括：

21、区块划分与摄像装置部署模块，用于实现目标监测区域的智能划分和摄像装置的布置，以优化监控覆盖和动态参数调整；

22、异常行为识别与多模态特征融合模块，用于通过机器学习算法识别异常行为，并将视频和音频数据的多模态特征融合，提供更全面的异常行为判定依据；

23、异常事件评级与快速响应模块，用于通过深度学习模型评估异常行为严重程度，并生成相应级别的警报，实现快速响应和事件等级提交，提高安防系统的响应效率。

24、根据上述技术方案，所述区块划分与摄像装置部署模块包括：

25、区块划分模块，用于对目标监测区域进行区块划分，使用自适应算法考虑地形、人流密集度因素，实现最佳的区块划分方式；

26、摄像装置布置与标签连接模块，用于在划分好的区块内部署摄像装置，并为每个摄像头设置独立的标签和位置信息；

27、动态监测参数调整模块，用于负责动态调整摄像头的监测参数，包括监测范围、分辨率、帧率。

28、根据上述技术方案，所述异常行为识别与多模态特征融合模块包括：

29、机器学习算法应用模块，用于系统利用机器学习算法从监控数据中提取特征，识别人群的运动模式、密度分布和异常行为，为后续的异常行为判定提供数据支持；

30、视频与音频数据时间同步模块，用于通过在监测区域内部署麦克风阵列或音频传感器，收集语音数据；

31、多模态特征融合模块，用于使用计算机视觉技术从实时视频数据中提取人群密集度和移动速度，同时利用音频数据提取声音强度和频率特征，通过时间对齐，将两者特征融合成一个综合特征向量。

32、与现有技术相比，本发明所达到的有益效果是：本发明，首先通过对目标区域进行区块划分，布置摄像装置实现分区监控，利用自适应算法调整监测参数，其次，通过机器学习算法识别异常行为，结合视频和音频数据进行多模态特征融合，随后，通过深度学习模型对异常行为进行评估，划分不同级别的紧急性，生成相应警报，最后，通过提交事件标签实现快速响应，确保安保人员迅速处理事件，整个流程提高了系统对潜在风险的准确响应和安防效率。