基于视频身份识别的动态定位调度方法及系统与流程

[0001]
本发明涉及调度技术，尤其涉及一种基于视频身份识别的动态定位调度方法及系统。


背景技术：

[0002]
传统程控调度台系统中所有功能均依赖于调度交换机，而程控交换机受限于技术体制，具有业务功能单一、系统扩展困难、难以快速部署等明显缺陷，难以支撑“主动安全、智能协控、全面均衡、整体优秀”的新型调度体系。基于ip技术打造的ip智能调度台系统，实现了调度语音流、视频流、数据流的融合以及调度指挥联系的自动化、智能化。并通过数字中继与现有调度交换网、行政交换网互联，实现与调度交换网双向互通、行政交换网单项互通(即行政交换网用户不能主动呼叫调度台系统用户)，并成功与调度操作票系统、调控运行助手、语音识别引擎等系统实现集成对接。
[0003]
虽然目前调度台整体功能建设完成，然而对应的应用服务仍然比较缺乏，如何合理的将高清音视频以及现场数据流进行融合，实现更为复杂的服务功能仍然有待开发。现有的调度系统对于音视频信号的利用仍然停留在视频通话等基础服务上，大量视频监控以及相关领域的成熟方案有待借鉴。而另一方面，现有的ip调度台对于相关人员的呼叫仍然通过固定的调度设备进行，虽然对于特定调度台的呼叫实现了自动转发，但是对于特定人员的呼叫仍然灵活性差，执行效率低。


技术实现要素：

[0004]
发明目的：本发明针对现有技术存在的问题，提供一种可以动态定位工作人员并实现自动呼叫的基于视频身份识别的动态定位调度方法及系统。
[0005]
技术方案：本发明所述的基于视频身份识别的动态定位调度方法包括：
[0006]
(1)通过视频监控设备实时采集调度系统现场的视频流信息，并上传至云存储服务器中，其中，视频监控设备布置于调度系统现场各个位置以能够获取现场中每个位置的监控视频；
[0007]
(2)当调度系统中的工作人员在一个工作周期中首次进入现场时，采集工作人员的外观图像，作为该工作人员当前工作周期的标准特征模板；
[0008]
(3)从云存储服务器中获取视频流信息，并切片形成若干图像帧，将图像帧和所有工作人员当前当前工作周期的标准特征模板分别输入身份识别模型的两个输入端，得到每个图像帧中工作人员的身份识别结果；其中，所述身份识别模型具体为训练好的具有两个输入端的孪生卷积网络；
[0009]
(4)根据图像帧和识别到的对应工作人员，按照采集图像帧的视频监控设备将对应工作人员映射到全局地图上，并按照全局地图获取离工作人员最近的调度台，与对应工作人员建立人员-调度台对应关系表，实现所有工作人员的定位；
[0010]
(5)当需要呼叫工作人员时，查找人员-调度台对应关系表，得到工作人员对应的
调度台，并自动转发呼叫至该调度台。
[0011]
进一步的，该方法还包括：
[0012]
(6)根据每个工作人员的权限和业务范围，判断人员-调度台对应关系表中工作员人员的定位是否属于规定的合法范围，若不属于，则将告警信号发至该工作人员的管理人员终端。
[0013]
进一步的，所述身份识别模型的训练方法包括：
[0014]
建立孪生卷积网络，所述孪生卷积网络包括两个相同结构的resnet卷积网络，每个resnet卷积网络包括依次连接的卷积层、归一化层和降采样层，全局池化层连接两个降采样层的输出，所有层之间以relu激活函数相连接，两个resnet卷积网络的参数共享；
[0015]
建立网络训练损失函数为：
[0016][0017]
其中v为监督信息，x
c
,y
c
分别为两个resnet卷积网络的输出，神经网络模型用f(x
c
,y
c
)表示神经网络模型函数，t表示该批次训练样本个数；
[0018]
获取已有的工作人员在现场的视频监控流信息，并切片形成若干图像帧，将图像帧输入一个resnet卷积网络，将已有的工作人员进入现场采集的外观图片输入另一个resnet卷积网络，采用反向传播以及梯度下降方法进行网络训练，最终得到训练好的孪生卷积网络，作为身份识别模型。
[0019]
本发明所述的基于视频身份识别的动态定位调度系统包括：
[0020]
云存储服务器，用于存储通过视频监控设备实时采集调的度系统现场的视频流信息，其中，视频监控设备布置于调度系统现场各个位置以能够获取现场中每个位置的监控视频；
[0021]
图像采集器，用于当调度系统中的工作人员在一个工作周期中首次进入现场时，采集工作人员的外观图像，作为该工作人员当前工作周期的标准特征模板；
[0022]
身份识别模块，用于从云存储服务器中获取视频流信息，并切片形成若干图像帧，将图像帧和所有工作人员当前当前工作周期的标准特征模板分别输入身份识别模型的两个输入端，得到每个图像帧中工作人员的身份识别结果；其中，所述身份识别模型具体为训练好的具有两个输入端的孪生卷积网络；
[0023]
定位模块，用于根据图像帧和识别到的对应工作人员，按照采集图像帧的视频监控设备将对应工作人员映射到全局地图上，并按照全局地图获取离工作人员最近的调度台，与对应工作人员建立人员-调度台对应关系表，实现所有工作人员的定位；
[0024]
呼叫模块，用于当需要呼叫工作人员时，查找人员-调度台对应关系表，得到工作人员对应的调度台，并自动转发呼叫至该调度台。
[0025]
进一步的，还包括：
[0026]
定位合法判断模块，用于根据每个工作人员的权限和业务范围，判断人员-调度台对应关系表中工作员人员的定位是否属于规定的合法范围，若不属于，则将告警信号发至该工作人员的管理人员终端。
[0027]
进一步的，所述身份识别模型的训练方法包括：
[0028]
建立孪生卷积网络，所述孪生卷积网络包括两个相同结构的resnet卷积网络，每
个resnet卷积网络包括依次连接的卷积层、归一化层和降采样层，全局池化层连接两个降采样层的输出，所有层之间以relu激活函数相连接，两个resnet卷积网络的参数共享；
[0029]
建立网络训练损失函数为：
[0030][0031]
其中v为监督信息，x
c
,y
c
分别为两个resnet卷积网络的输出，神经网络模型用f(x
c
,y
c
)表示神经网络模型函数，t表示该批次训练样本个数；
[0032]
获取已有的工作人员在现场的视频监控流信息，并切片形成若干图像帧，将图像帧输入一个resnet卷积网络，将已有的工作人员进入现场采集的外观图片输入另一个resnet卷积网络，采用反向传播以及梯度下降方法进行网络训练，最终得到训练好的孪生卷积网络，作为身份识别模型。
[0033]
有益效果：本发明与现有技术相比，其显著优点是：本发明通过图像特征进行身份识别，通过调度设备的关系进行位置映射，并将定位结果进行分发，可以实现工作人员动态定位，呼叫工作人员也更高效。
附图说明
[0034]
图1是本发明提供的基于视频身份识别的动态定位调度系统的结构图。
具体实施方式
[0035]
本实施例提供了一种基于视频身份识别的动态定位调度方法，如图1所示，包括：
[0036]
(1)通过视频监控设备实时采集调度系统现场的视频流信息，并上传至云存储服务器中，其中，视频监控设备布置于调度系统现场各个位置以能够获取现场中每个位置的监控视频；
[0037]
(2)当调度系统中的工作人员在一个工作周期中首次进入现场时，采集工作人员的外观图像，作为该工作人员当前工作周期的标准特征模板；
[0038]
(3)从云存储服务器中获取视频流信息，并切片形成若干图像帧，将图像帧和所有工作人员当前当前工作周期的标准特征模板分别输入身份识别模型的两个输入端，得到每个图像帧中工作人员的身份识别结果；其中，所述身份识别模型具体为训练好的具有两个输入端的孪生卷积网络；
[0039]
(4)根据图像帧和识别到的对应工作人员，按照采集图像帧的视频监控设备将对应工作人员映射到全局地图上，并按照全局地图获取离工作人员最近的调度台，与对应工作人员建立人员-调度台对应关系表，实现所有工作人员的定位；
[0040]
(5)当需要呼叫工作人员时，查找人员-调度台对应关系表，得到工作人员对应的调度台，并自动转发呼叫至该调度台；
[0041]
(6)根据每个工作人员的权限和业务范围，判断人员-调度台对应关系表中工作员人员的定位是否属于规定的合法范围，若不属于，则将告警信号发至该工作人员的管理人员终端。
[0042]
其中，所述身份识别模型的训练方法包括：
[0043]
建立孪生卷积网络，所述孪生卷积网络包括两个相同结构的resnet卷积网络，每
个resnet卷积网络包括依次连接的卷积层、归一化层和降采样层，全局池化层连接两个降采样层的输出，所有层之间以relu激活函数相连接，两个resnet卷积网络的参数共享；
[0044]
建立网络训练损失函数为：
[0045][0046]
其中v为监督信息，x
c
,y
c
分别为两个resnet卷积网络的输出，神经网络模型用f(x
c
,y
c
)表示神经网络模型函数，t表示该批次训练样本个数；
[0047]
获取已有的工作人员在现场的视频监控流信息，并切片形成若干图像帧，将图像帧输入一个resnet卷积网络，将已有的工作人员进入现场采集的外观图片输入另一个resnet卷积网络，采用反向传播以及梯度下降方法进行网络训练，最终得到训练好的孪生卷积网络，作为身份识别模型。
[0048]
本实施例还提供了一种，基于视频身份识别的动态定位调度系统，包括：
[0049]
云存储服务器，用于存储通过视频监控设备实时采集调的度系统现场的视频流信息，其中，视频监控设备布置于调度系统现场各个位置以能够获取现场中每个位置的监控视频；
[0050]
图像采集器，用于当调度系统中的工作人员在一个工作周期中首次进入现场时，采集工作人员的外观图像，作为该工作人员当前工作周期的标准特征模板；
[0051]
身份识别模块，用于从云存储服务器中获取视频流信息，并切片形成若干图像帧，将图像帧和所有工作人员当前当前工作周期的标准特征模板分别输入身份识别模型的两个输入端，得到每个图像帧中工作人员的身份识别结果；其中，所述身份识别模型具体为训练好的具有两个输入端的孪生卷积网络；
[0052]
定位模块，用于根据图像帧和识别到的对应工作人员，按照采集图像帧的视频监控设备将对应工作人员映射到全局地图上，并按照全局地图获取离工作人员最近的调度台，与对应工作人员建立人员-调度台对应关系表，实现所有工作人员的定位；
[0053]
呼叫模块，用于当需要呼叫工作人员时，查找人员-调度台对应关系表，得到工作人员对应的调度台，并自动转发呼叫至该调度台；
[0054]
定位合法判断模块，用于根据每个工作人员的权限和业务范围，判断人员-调度台对应关系表中工作员人员的定位是否属于规定的合法范围，若不属于，则将告警信号发至该工作人员的管理人员终端。
[0055]
其中，所述身份识别模型的训练方法包括：
[0056]
建立孪生卷积网络，所述孪生卷积网络包括两个相同结构的resnet卷积网络，每个resnet卷积网络包括依次连接的卷积层、归一化层和降采样层，全局池化层连接两个降采样层的输出，所有层之间以relu激活函数相连接，两个resnet卷积网络的参数共享；
[0057]
建立网络训练损失函数为：
[0058][0059]
其中v为监督信息，x
c
,y
c
分别为两个resnet卷积网络的输出，神经网络模型用f(x
c
,y
c
)表示神经网络模型函数，t表示该批次训练样本个数；
[0060]
获取已有的工作人员在现场的视频监控流信息，并切片形成若干图像帧，将图像
帧输入一个resnet卷积网络，将已有的工作人员进入现场采集的外观图片输入另一个resnet卷积网络，采用反向传播以及梯度下降方法进行网络训练，最终得到训练好的孪生卷积网络，作为身份识别模型。
[0061]
以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。