智慧物业管理系统及其方法与流程

本技术涉及智能管理，且更为具体地，涉及一种智慧物业管理系统及其方法。

背景技术：

1、消防通道在现实生活中发挥着至关重要的作用，是消防人员实施营救和疏散被困人员的重要通道。对于物业公司而言，需要对业主提供消防安全防范服务，对管理区域内的共用消防设施和消防通道、安全出口进行维护管理，及时劝阻和制止占用堵塞消防通道的行为。

2、目前，物业对于消防通道的管理大多采取定期巡检、安装摄像头和依靠住户举报这些方式。但这几种方式都无法非常及时地发现消防通道被占用的情况。火灾的发生往往是无法预料的，一旦出现意外往往会造成巨大的损失。

3、因此，期待一种智慧物业管理系统及其方法，可以对消防通道实时监测，一旦监测到消防通道被占用及时提醒物业人员处理。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智慧物业管理系统及其方法，其通过在消防通道上方部署摄像头以实时获取监控图像，采用基于机器视觉的人工智能监控技术，对所述监控图像进行目标对象的探测来进行感兴趣区域框定，并在进行降噪处理后提取出所述感兴趣区域的全局隐含关联特征信息，以进行消防通道是否存在安全隐患的判断。这样，可以提高消防通道的实时监测效果，及时提醒物业人员处理潜在的安全隐患。

2、相应地，根据本技术的一个方面，提供了一种智慧物业管理系统，其包括：

3、监控模块，用于获取由部署于消防通道上方的摄像头采集的监控图像；

4、图像目标探测模块，用于将所述监控图像通过目标检测网络以得到感兴趣区域；

5、感兴趣区域降噪模块，用于将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域；

6、特征提取模块，用于将所述降噪后感兴趣区域通过使用空间注意力机制的卷积神经网络模型以得到感兴趣区域特征图；

7、特征增强模块，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到分类特征图；

8、优化模块，用于对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图；

9、管理结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示消防通道是否存在安全隐患。

10、在上述智慧物业管理系统中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。

11、在上述智慧物业管理系统中，所述感兴趣区域降噪模块，包括：编码单元，用于将所述感兴趣区域输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述感兴趣区域进行显式空间编码以得到感兴趣区域图像特征；以及，解码单元，用于将所述感兴趣区域图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述感兴趣区域图像特征进行反卷积处理以得到所述降噪后感兴趣区域。

12、在上述智慧物业管理系统中，所述特征提取模块，包括：深度卷积编码单元，用于使用所述卷积神经网络模型的卷积编码部分对所述降噪后感兴趣区域进行深度卷积编码以得到初始卷积特征图；空间注意力单元，用于将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，权重施加单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到感兴趣区域特征图。

13、在上述智慧物业管理系统中，所述特征增强模块，包括：点卷积单元，用于将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，第三融合单元，用于计算所述通道调整全局相似特征图和所述感兴趣区域特征图的按位置加权和以得到所述分类特征图。

14、在上述智慧物业管理系统中，所述优化模块，包括：矩阵分解单元，用于对所述分类特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量；上下文编码单元，用于将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量；转移计算单元，用于计算所述各个局部特征主成分特征向量相对于所述全局局部特征上下文关联特征向量的转移矩阵，并对计算所述各个转移矩阵的全局均值以得到多个转移特征值；激活单元，用于将所述多个转移特征值排列为几何相似度输入向量后通过softmax激活函数以得到几何复杂性约束特征向量；加权单元，用于以所述几何复杂性约束特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到优化分类特征图。

15、在上述智慧物业管理系统中，所述管理结果生成模块，用于：使用所述分类器以如下分类公式对所述优化分类特征图进行处理以获得分类结果；其中，所述分类公式为：

16、softmax{(mc,bc)|project(f)}

17、其中，project(f)表示将所述优化分类特征图投影为向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。

18、根据本技术的另一个方面，提供了一种智慧物业管理方法，其包括：

19、获取由部署于消防通道上方的摄像头采集的监控图像；

20、将所述监控图像通过目标检测网络以得到感兴趣区域；

21、将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域；

22、将所述降噪后感兴趣区域通过使用空间注意力机制的卷积神经网络模型以得到感兴趣区域特征图；

23、将所述感兴趣区域特征图通过非局部神经网络模型以得到分类特征图；

24、对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图；

25、将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示消防通道是否存在安全隐患。

26、在上述智慧物业管理方法中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。

27、在上述智慧物业管理方法中，将所述感兴趣区域通过基于自动编解码器的图像降噪器以得到降噪后感兴趣区域，包括：将所述感兴趣区域输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述感兴趣区域进行显式空间编码以得到感兴趣区域图像特征；以及，将所述感兴趣区域图像特征输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述感兴趣区域图像特征进行反卷积处理以得到所述降噪后感兴趣区域。

28、与现有技术相比，本技术提供的智慧物业管理系统及其方法，其通过在消防通道上方部署摄像头以实时获取监控图像，采用基于机器视觉的人工智能监控技术，对所述监控图像进行目标对象的探测来进行感兴趣区域框定，并在进行降噪处理后提取出所述感兴趣区域的全局隐含关联特征信息，以进行消防通道是否存在安全隐患的判断。这样，可以提高消防通道的实时监测效果，及时提醒物业人员处理潜在的安全隐患。