本发明涉及监控技术领域，具体涉及一种基于大数据的智能监控系统。
背景技术
随着社会的发展和进步，需要用到监控的地方越来越多，现有的监控系统无法获取监控的位置信息，且无法对大量的监控数据进行实时处理。固有的图像处理一般都是以像素点作为处理的基本单位，一幅128×128的图像，其像素点的个数就达到了16384，这个数值是非常庞大的，这就导致算法时间复杂度非常高。如果将某些满足特定条件的像素点构成一个集合，以这些集合作为处理的基本单位，那么算法所需要的时间将大大缩短。超像素生成就是能够将像素聚集成集合的有效途径。图像超像素是将具有相似属性的像素点聚集成一个区域，代替像素对图像进行表示，图像超像素生成的过程即是依照灰度、纹理、颜色以及形状等特征信息，将相邻的像素点组合在一起，构成一个区域，使得区域内部像素点特征具有一致性，任何两个不同的区域内所包含的像素点具备明显的差异性。
技术实现要素：
针对上述问题，本发明旨在提供一种基于大数据的智能监控系统。
本发明的目的采用以下技术方案来实现：
提供了一种基于大数据的智能监控系统，包括大数据监控子系统、通信子系统、数据处理子系统和监控中心，所述大数据监控子系统用于获取监控图像大数据，所述通信子系统用于将采集的图像大数据发送至数据处理子系统，所述数据处理子系统用于对监控图像大数据进行处理，所述监控中心根据处理后的监控图像进行实时监控；所述大数据监控子系统包括图像采集终端、gps定位模块，所述图像采集终端用于采集监控图像大数据，所述gps定位模块用于确定图像采集终端的位置。
本发明的有益效果为：提供了一种基于大数据的智能监控系统，通过采集监控图像和监控位置，对监控图像大数据进行实时处理，提升了监控水平。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图；
附图标记：
大数据监控子系统1、通信子系统2、数据处理子系统3、监控中心4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于大数据的智能监控系统，包括大数据监控子系统1、通信子系统2、数据处理子系统3和监控中心4，所述大数据监控子系统1用于获取监控图像大数据，所述通信子系统2用于将采集的图像大数据发送至数据处理子系统3，所述数据处理子系统3用于对监控图像大数据进行处理，所述监控中心4根据处理后的监控图像进行实时监控；所述大数据监控子系统1包括图像采集终端、gps定位模块，所述图像采集终端用于采集监控图像大数据，所述gps定位模块用于确定图像采集终端的位置。
本实施例提供了一种基于大数据的智能监控系统，通过采集监控图像和监控位置，对监控图像大数据进行实时处理，提升了监控水平。
优选的，所述数据处理子系统3包括超像素模型建立模块、超像素生成模块、评价模块和图像识别模块，所述超像素模型建立模块用于建立超像素模型，所述超像素生成模块用于根据超像素模型生成图像超像素，所述评价模块用于对所述图像超像素生成结果进行评价，所述图像识别模块基于图像超像素对图像进行识别。
所述超像素模型建立模块用于建立超像素模型，具体为：设输入图像为s，其包含的像素个数为n，对图像进行过分割，得到超像素模型，将其超像素模型表示为：
式中，k表示超像素的个数，sj和si分别表示第j个和第i个超像素，个理想的超像素分割最为重要的性质就是它能很好的贴合图像边缘。
图像过分割作为一种图像分割技术，区别就在于图像过分割是将一幅输入图像分割成更多的尺寸较小的互不重叠的区域，而每一个小的区域，称之为超像素。本优选实施例通过建立超像素模型，减少了图像表示的数量级，进而降低了后续图像处理算法的复杂度，为图像处理算法的实时性提供了可能。
所述超像素生成模块用于根据超像素模型生成图像超像素，具体为：
第一步、给定一幅输入图像，首先放置k个种子像素点，对应k个超像素，对于一个像素点x，计算它到第i个超像素的种子点的第一距离，其中，i＝1,2,…,k，选取距离最小的超像素，将像素点x标记为属于该超像素，对输入图像中的全部像素点进行标记，得到了输入图像的初始超像素分割；
第二步、得到初始超像素分割后，对超像素的种子点进行更新，将初始超像素内的所有像素点的几何中心作为新的种子点，对于一个像素点x，计算它到第i个超像素的种子点的第二距离，其中，i＝1,2,…,k，选取距离最小的超像素，将像素点x标记为属于该超像素，对图像中的全部像素点进行标记，得到了图像的更新超像素分割；
第三步、重复第二步，直到新旧的种子点位置变化小于设定阈值，将生成的超像素作为图像最终的超像素分割。
所述第一距离采用下式确定：
d(x,i)＝b(x,i)+c(x,i)
式中，d(x,i)表示像素点x和第i个超像素的种子点的距离，b(x,i)表示第一距离影响因子，用于表示超像素内部像素点颜色的一致性，c(x,i)表示第二距离影响因子，用于表示超像素内部像素的紧凑程度；
所述第二距离采用下式确定：
d(x,i)＝ρ1×b(x,i)+ρ2×c(x,i)
式中，d(x,i)表示像素点x和第i个超像素的种子点的距离，ρ1、ρ2表示权重系数，其中，
所述第一距离影响因子采用下式确定：
式中，lx、ax、bx分别表示像素点x在cielab颜色空间的l、a、b分量，li、ai、bi分别表示第i个超像素的种子点在cielab颜色空间的l、a、b分量，μ表示所有超像素种子点颜色方差的平均值；
所述第二距离影响因子采用下式确定：
式中，px、qx分别表示像素点x在x-y坐标系中的横、纵坐标值，pi、qi分别表示第i个超像素的种子点在x-y坐标系中的横、纵坐标值；
在超像素生成过程中，一方面，超像素内部的像素点颜色应当一致，另一方面，还需要考虑超像素的紧凑性。本优选实施例在超像素生成过程中，同时考虑了超像素内部一致性和紧凑性，获得了既能较好保持内部一致性又具有高紧凑性的超像素，针对图像内容分布的不均匀性，在超像素数目一定的情况下，本发明通过确定权重系数，使得平坦区域可以采用少量尺寸较大的超像素表示，而细节丰富的区域采用数量相对较多、尺寸较小的超像素进行表示，从而图像就能获得更准确的表达，保持更多的图像信息。
优选的，所述评价模块用于对所述图像超像素生成结果进行评价，具体为：
定义分割评价因子：
式中，f表示分割评价因子，u1表示图像标准分割边界的像素落入超像素边界周围1个像素宽度区域内的比例，k表示超像素的个数，mi表示第i个超像素的面积，li表示第i个超像素的周长；所述分割评价因子越大，表示生成的超像素越能准确表达图像信息；
本优选实施例分割评价因子综合考虑了生成的超像素对图像的边界保持效果和生成的超像素的紧凑性，为后期将超像素作为图像处理基本单位奠定了基础。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。