一种基于非法目标危险评估的智慧城市系统及方法与流程

本发明属于智慧城市技术领域，尤其涉及一种基于非法目标危险评估的智慧城市系统及方法方法。

背景技术：

智慧城市通过物联网基础设施、云计算基础设施、地理空间基础设施等新一代信息技术以及维基、社交网络、fablab、livinglab、综合集成法、网动全媒体融合通信终端等工具和方法的应用，实现全面透彻的感知、宽带泛在的互联、智能融合的应用以及以用户创新、开放创新、大众创新、协同创新为特征的可持续创新。伴随网络帝国的崛起、移动技术的融合发展以及创新的民主化进程，知识社会环境下的智慧城市是继数字城市之后信息化城市发展的高级形态。从技术发展的视角，智慧城市建设要求通过以移动技术为代表的物联网、云计算等新一代信息技术应用实现全面感知、泛在互联、普适计算与融合应用。从社会发展的视角，智慧城市还要求通过维基、社交网络、fablab、livinglab、综合集成法等工具和方法的应用，实现以用户创新、开放创新、大众创新、协同创新为特征的知识社会环境下的可持续创新，强调通过价值创造，以人为本实现经济、社会、环境的全面可持续发展。然而，现有基于非法目标危险评估的智慧城市系统及方法对采集的人脸图像匹配耗费时间长，速度慢；同时，对城市安全状态预测不准确。

综上所述，现有技术存在的问题是：现有基于非法目标危险评估的智慧城市系统及方法对采集的人脸图像匹配耗费时间长，速度慢；同时，对城市安全状态预测不准确。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于非法目标危险评估的智慧城市系统及方法。

本发明是这样实现的，一种基于非法目标危险评估的智慧城市系统包括：

人脸图像采集模块、声音采集模块、主控模块、图像匹配模块、声音识别模块、认证模块、危险判断模块、安全预测模块、显示模块；

人脸图像采集模块，与主控模块连接，用于通过摄像器采集人脸图像数据；

声音采集模块，与主控模块连接，用于通过声音设备采集人声音数据；

主控模块，与人脸图像采集模块、声音采集模块、图像匹配模块、声音识别模块、认证模块、危险判断模块、安全预测模块、显示模块连接，用于通过主控器对采集信息进行处理分析，并控制各个模块正常工作；

图像匹配模块，与主控模块连接，用于通过匹配程序根据采集的人脸图像匹配对应人脸图像库中的图像人物信息；

声音识别模块，与主控模块连接，用于通过声音识别器识别声音信息；

认证模块，与主控模块连接，用于通过认证程序根据匹配结果、识别结果对人物身份信息进行认证；

危险判断模块，与主控模块连接，用于通过危险判断程序根据认证结果对人物的危险性进行判断；

安全预测模块，与主控模块连接，用于通过预测程序对城市安全状态进行预测；

显示模块，与主控模块连接，用于通过显示器显示采集的人脸图像、匹配结果、识别结果、判断结果。

进一步，所述人脸图像采集模块包括：

热噪声分布图像获取单元，用于将摄像头采集的图像中每个像素值的平均值生成一张图像作为摄像单元的热噪声分布图像；

热噪声去除单元，从视频中提取第一图像，将所述第一图像与所述热噪声分布图像做差值去除所述第一图像的热噪声得到第二图像；

直方图处理单元，对所述第二图像进行直方图均衡处理以提升所述第二图像的整体亮度和对比度，得到第三图像；

检测单元，使用人脸检测模型检测所述第三图像中是否有人脸，如果有，则获取人脸位置和人脸的多个特征点位置并根据检测到的人脸位置来确定人脸的人物身份。

进一步，所述声音识别模块包括：

降噪抑制单元，用于通过降噪自动编码器对声音采集模块实时获取的声音信息进行噪声抑制，获得降噪后的声音信息；

转化单元，用于将所述声音信息进行拉普拉斯变换，得到频谱信息h(t,f)，其中t表示时间，f表示频率；

特征提取单元，用于获得所述声音信息的梅尔频谱倒数和线性倒谱系数，得到描述所述声音信息的特征向量；

模型训练单元，利用训练样本构建声音识别模型，所述声音识别模型的训练利用转化模块获得的频谱信息及特征提取模块提取的特征向量，将由所述梅尔频谱倒数和所述线性倒谱系数得到的所述特征向量输入svm层；

结果输出单元，利用训练好的所述声音识别模型对所述声音信息进行识别，并将识别结果输出到主控模块。

进一步，所述认证模块包括：

采集单元，用于收集用户人脸特征数据和用户身份信息，并将人脸特征数据加密后发送给可信区域单元；

可信区域单元，用于生成随机密钥，加密注册人脸模板，将密钥发送给采集模块，将加密模板和用户身份标识发送给存储单元存储；

结果计算单元，用于存储加密后的人脸模板和用户身份标识，计算认证数据，并返回认证结果。

本发明的另一目的在于提供一种基于非法目标危险评估的智慧城市系统的方法，具体包括以下步骤：

步骤一，通过人脸图像采集模块利用摄像器采集人脸图像数据；通过声音采集模块利用声音设备采集人声音数据；

步骤二，主控模块通过图像匹配模块利用匹配程序根据采集的人脸图像匹配对应人脸图像库中的图像人物信息；

步骤三，通过声音识别模块利用声音识别器识别声音信息；

步骤四，通过认证模块利用认证程序根据匹配结果、识别结果对人物身份信息进行认证；

步骤五，通过危险判断模块利用危险判断程序根据认证结果对人物的危险性进行判断；通过安全预测模块利用预测程序对城市安全状态进行预测；

步骤六，通过显示模块利用显示器显示采集的人脸图像、匹配结果、识别结果、判断结果。

进一步，所述图像匹配模块匹配方法如下：

(1)通过匹配程序获取目标人脸图像的目标属性特征；

(2)在图像库中，确定与所述目标属性特征相对应的人脸图像的属性特征；确定所述目标属性特征相对应的优先级；

(3)按照所述优先级的顺序，逐级将所述目标人脸图像与图像库中相对应的人脸图像进行匹配。

进一步，所述在图像库中，确定与所述目标属性特征相对应的人脸图像的属性特征，包括：

将所述图像库输入图像标记模型，以标记所述图像库中的所有人脸图像的属性特征，其中，所述图像标记模型为根据图像样本集训练的模型；

根据所述属性特征将所述图像库中的人脸图像进行分类，并预设各类属性特征的优先级。

进一步，所述在将图像库输入图像标记模型之前，还包括：

确定与所述属性特征相对应的关键字；

根据所述关键字，在网络图像库中获取与所述关键字相对应的图像作为样本图像；

标记所述属性特征至所述样本图像，并存储至所述图像样本集；

根据所述图像样本集，基于设定机器学习算法对所述图像标记模型进行训练。

进一步，所述属性特征包含多个，根据所述属性特征对所述人脸图像进行分类，包括：

(1.1)基于同一属性特征的人脸图像建立子图像库；

(1.2)若存在一人脸图像包含多个属性特征，则将所述一人脸图像存储于多个相对应的子图像库中。

进一步，所述目标属性特征包含多个，按照所述优先级的顺序，逐级将所述目标人脸图像与图像库中相对应的人脸图像进行匹配，包括：

确定所述目标属性特征相对应的各个优先级；

确定第一优先级以及确定与所述第一优先级相对应的第一子图像库；

将目标人脸图像逐一与所述第一子图像库中的人脸图像进行匹配；

若在所述目标属性特征相对应的多个子图像库中，未有人脸图像与所述目标人脸图像相匹配，则将所述目标人脸图像与所述图像库中的人脸图像进行匹配。

进一步，所述安全预测模块预测方法如下：

1)通过预测程序确定城市区域边界并初始化城市地图，按照不同比例尺对城市地图进行切片，得到多级正方形栅格集合，并对各级栅格集合进行编号，其中最小层级栅格集合为a1；

2)对城市区域进行分类，包括行政区域集合c1，开发区域集合c2，公安分局区域集合c3，派出所区域集合c4，并建立步骤1)中各级栅格集合与c1-c4的对应关系；

3)采集a1中每个栅格的地图poi数据、手机信令数据和不安全事件记录数据，建立各级栅格与a1的缩放映射关系，将信息进行逐级合并，得到各级栅格集合的地图poi数据、手机信令数据和不安全事件记录数据；

4)统计a1中每个栅格的活动人口数n1和常驻人口数n2，并计算n1和n2分别与每类不安全事件的相关性，以及每类不安全事件相关性对安全状态的权重，得到a1中每个栅格的区域安全状态指数；

5)计算a1中每个栅格的区域安全状态影响指标集合z，将z作为观测向量，将区域安全状态指数做为状态向量，构建预测模型并训练得到区域安全状态指数预测值和区域安全状态影响指标预测值；

6)根据各级栅格与a1的映射关系计算各栅格集合的区域安全状态指数预测值和区域安全状态影响指标预测值，根据各级栅格集合与c1-c4的对应关系计算c1-c4的区域安全状态指数预测值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。

进一步，所述步骤1)中对各级栅格集合进行编号指的是：

利用墨卡托坐标系进行编号，将各级栅格集合有小到大分别记为a1、a2......an，相邻两级栅格集合中每个较大层级的栅格边长为每个较小层级的栅格边长的二倍。

进一步，所述步骤3)中不安全事件记录数据为区域历史犯罪及意外事故记录次数，并根据不同犯罪及事故类型将不安全事件记为y1，y2，…，ym；

进一步，所述步骤4)包括如下子步骤：

步骤4.1)：统计a1中每个栅格的活动人口数n1和常驻人口数n2；

步骤4.2)：计算n1与y1，y2，…，ym每类事件的相关性，记为k11，k21，…，km1，然后计算n2与y1，y2，…，ym每类事件的相关性，记为k12，k22，…，km2；

步骤4.3)：计算n1对安全状态贡献的权重，wi1＝ki1/(ki1+ki2)，并计算n2对安全状态贡献的权重，wi2＝1-wi1，其中，i为m类事件中的一类且i＝1，...，m；

步骤4.4)：得到a1中每个栅格的区域安全状态指数针对y1，y2，…，ym的安全状态指数x＝yi/(wi1*n1+wi2*n2)。

本发明的优点及积极效果为：本发明通过图像匹配模块获取目标人脸图像的目标属性特征，先对目标人脸图像的特征进行标记，以在图像库中获取与目标属性特征相对应的属性特征，再按照目标属性特征相对应的优先级的顺序，逐级将目标人脸图像与图像库中的人脸图像进行匹配，避免了目标人脸图像与图像库内存储的所有人脸图像进行匹配的过长时间，有效提高了人脸图像匹配的速度；同时，通过安全预测模块针对区域安全状态的体系设计和构建方法展开研究，从区域安全状态的评价模型、解析模型、预测模型三大方向突破关键技术和难点，构建兼顾客观警情指标和主观感知指标的平安城市量化指标，为城市公共安全的维护和违法犯罪防控提供方法、应用和实证依据；大大提高对城市安全的预测。

附图说明

图1是本发明实施例提供的基于非法目标危险评估的智慧城市系统的方法流程图。

图2是本发明实施例提供的基于非法目标危险评估的智慧城市系统结构框图。

图3本发明实施例提供的图像匹配模块匹配方法流程图。

图4是本发明实施例提供的属性特征包含多个，根据所述属性特征对所述人脸图像进行分类方法流程图。

图5是本发明实施例提供的安全预测模块预测方法流程图。

图2中：1、人脸图像采集模块；2、声音采集模块；3、主控模块；4、图像匹配模块；5、声音识别模块；6、认证模块；7、危险判断模块；8、安全预测模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明提供的基于非法目标危险评估的智慧城市系统的方法包括以下步骤：

s101，通过人脸图像采集模块利用摄像器采集人脸图像数据；通过声音采集模块利用声音设备采集人声音数据；

s102，主控模块通过图像匹配模块利用匹配程序根据采集的人脸图像匹配对应人脸图像库中的图像人物信息；

s103，通过声音识别模块利用声音识别器识别声音信息；

s104，通过认证模块利用认证程序根据匹配结果、识别结果对人物身份信息进行认证；

s105，通过危险判断模块利用危险判断程序根据认证结果对人物的危险性进行判断；通过安全预测模块利用预测程序对城市安全状态进行预测；

s106，通过显示模块利用显示器显示采集的人脸图像、匹配结果、识别结果、判断结果。

如图2所示，本发明实施例提供的基于非法目标危险评估的智慧城市系统包括：人脸图像采集模块1、声音采集模块2、主控模块3、图像匹配模块4、声音识别模块5、认证模块6、危险判断模块7、安全预测模块8、显示模块9。

人脸图像采集模块1，与主控模块3连接，用于通过摄像器采集人脸图像数据；

声音采集模块2，与主控模块3连接，用于通过声音设备采集人声音数据；

主控模块3，与人脸图像采集模块1、声音采集模块2、图像匹配模块4、声音识别模块5、认证模块6、危险判断模块7、安全预测模块8、显示模块9连接，用于通过主控器对采集信息进行处理分析，并控制各个模块正常工作；

图像匹配模块4，与主控模块3连接，用于通过匹配程序根据采集的人脸图像匹配对应人脸图像库中的图像人物信息；

声音识别模块5，与主控模块3连接，用于通过声音识别器识别声音信息；

认证模块6，与主控模块3连接，用于通过认证程序根据匹配结果、识别结果对人物身份信息进行认证；

危险判断模块7，与主控模块3连接，用于通过危险判断程序根据认证结果对人物的危险性进行判断；

安全预测模块8，与主控模块3连接，用于通过预测程序对城市安全状态进行预测；

显示模块9，与主控模块3连接，用于通过显示器显示采集的人脸图像、匹配结果、识别结果、判断结果。

本发明实施例提供的人脸图像采集模块包括：

热噪声分布图像获取单元，用于将摄像头采集的图像中每个像素值的平均值生成一张图像作为摄像单元的热噪声分布图像；

热噪声去除单元，从视频中提取第一图像，将所述第一图像与所述热噪声分布图像做差值去除所述第一图像的热噪声得到第二图像；

直方图处理单元，对所述第二图像进行直方图均衡处理以提升所述第二图像的整体亮度和对比度，得到第三图像；

检测单元，使用人脸检测模型检测所述第三图像中是否有人脸，如果有，则获取人脸位置和人脸的多个特征点位置并根据检测到的人脸位置来确定人脸的人物身份。

本发明实施例提供的声音识别模块包括：

降噪抑制单元，用于通过降噪自动编码器对声音采集模块实时获取的声音信息进行噪声抑制，获得降噪后的声音信息；

转化单元，用于将所述声音信息进行拉普拉斯变换，得到频谱信息h(t,f)，其中t表示时间，f表示频率；

特征提取单元，用于获得所述声音信息的梅尔频谱倒数和线性倒谱系数，得到描述所述声音信息的特征向量；

模型训练单元，利用训练样本构建声音识别模型，所述声音识别模型的训练利用转化模块获得的频谱信息及特征提取模块提取的特征向量，将由所述梅尔频谱倒数和所述线性倒谱系数得到的所述特征向量输入svm层；

结果输出单元，利用训练好的所述声音识别模型对所述声音信息进行识别，并将识别结果输出到主控模块。

本发明实施例提供的认证模块包括：

采集单元，用于收集用户人脸特征数据和用户身份信息，并将人脸特征数据加密后发送给可信区域单元；

可信区域单元，用于生成随机密钥，加密注册人脸模板，将密钥发送给采集模块，将加密模板和用户身份标识发送给存储单元存储；

结果计算单元，用于存储加密后的人脸模板和用户身份标识，计算认证数据，并返回认证结果。

如图3所示，本发明提供的图像匹配模块4匹配方法如下：

s201，通过匹配程序获取目标人脸图像的目标属性特征；

s202，在图像库中，确定与所述目标属性特征相对应的人脸图像的属性特征；确定所述目标属性特征相对应的优先级；

s203，按照所述优先级的顺序，逐级将所述目标人脸图像与图像库中相对应的人脸图像进行匹配。

本发明提供的在图像库中，确定与所述目标属性特征相对应的人脸图像的属性特征，包括：

将所述图像库输入图像标记模型，以标记所述图像库中的所有人脸图像的属性特征，其中，所述图像标记模型为根据图像样本集训练的模型；

根据所述属性特征将所述图像库中的人脸图像进行分类，并预设各类属性特征的优先级。

本发明提供的在将图像库输入图像标记模型之前，还包括：

确定与所述属性特征相对应的关键字；

根据所述关键字，在网络图像库中获取与所述关键字相对应的图像作为样本图像；

标记所述属性特征至所述样本图像，并存储至所述图像样本集；

根据所述图像样本集，基于设定机器学习算法对所述图像标记模型进行训练。

如图4所示，本发明提供的属性特征包含多个，根据所述属性特征对所述人脸图像进行分类，包括：

s301，基于同一属性特征的人脸图像建立子图像库；

s302，若存在一人脸图像包含多个属性特征，则将所述一人脸图像存储于多个相对应的子图像库中。

本发明提供的目标属性特征包含多个，按照所述优先级的顺序，逐级将所述目标人脸图像与图像库中相对应的人脸图像进行匹配，包括：

确定所述目标属性特征相对应的各个优先级；

确定第一优先级以及确定与所述第一优先级相对应的第一子图像库；

将目标人脸图像逐一与所述第一子图像库中的人脸图像进行匹配；

若在所述目标属性特征相对应的多个子图像库中，未有人脸图像与所述目标人脸图像相匹配，则将所述目标人脸图像与所述图像库中的人脸图像进行匹配。

如图5所示，本发明提供的安全预测模块8预测方法如下：

s401，通过预测程序确定城市区域边界并初始化城市地图，按照不同比例尺对城市地图进行切片，得到多级正方形栅格集合，并对各级栅格集合进行编号，其中最小层级栅格集合为a1；

s402，对城市区域进行分类，包括行政区域集合c1，开发区域集合c2，公安分局区域集合c3，派出所区域集合c4，并建立步骤1)中各级栅格集合与c1-c4的对应关系；

s403，采集a1中每个栅格的地图poi数据、手机信令数据和不安全事件记录数据，建立各级栅格与a1的缩放映射关系，将信息进行逐级合并，得到各级栅格集合的地图poi数据、手机信令数据和不安全事件记录数据；

s404，统计a1中每个栅格的活动人口数n1和常驻人口数n2，并计算n1和n2分别与每类不安全事件的相关性，以及每类不安全事件相关性对安全状态的权重，得到a1中每个栅格的区域安全状态指数；

s405，计算a1中每个栅格的区域安全状态影响指标集合z，将z作为观测向量，将区域安全状态指数做为状态向量，构建预测模型并训练得到区域安全状态指数预测值和区域安全状态影响指标预测值；

s406，根据各级栅格与a1的映射关系计算各栅格集合的区域安全状态指数预测值和区域安全状态影响指标预测值，根据各级栅格集合与c1-c4的对应关系计算c1-c4的区域安全状态指数预测值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。

本发明提供的步骤s401中对各级栅格集合进行编号指的是：

利用墨卡托坐标系进行编号，将各级栅格集合有小到大分别记为a1、a2......an，相邻两级栅格集合中每个较大层级的栅格边长为每个较小层级的栅格边长的二倍。

本发明提供的步骤s403中不安全事件记录数据为区域历史犯罪及意外事故记录次数，并根据不同犯罪及事故类型将不安全事件记为y1，y2，…，ym；

本发明提供的步骤s404包括如下子步骤：

步骤4.1)：统计a1中每个栅格的活动人口数n1和常驻人口数n2；

步骤4.2)：计算n1与y1，y2，…，ym每类事件的相关性，记为k11，k21，…，km1，然后计算n2与y1，y2，…，ym每类事件的相关性，记为k12，k22，…，km2；

步骤4.3)：计算n1对安全状态贡献的权重，wi1＝ki1/(ki1+ki2)，并计算n2对安全状态贡献的权重，wi2＝1-wi1，其中，i为m类事件中的一类且i＝1，...，m；

步骤4.4)：得到a1中每个栅格的区域安全状态指数针对y1，y2，…，ym的安全状态指数x＝yi/(wi1*n1+wi2*n2)。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。