[发明专利]一种基于人工智能以及物联网的校园安全监测系统

权利要求书

1.一种基于人工智能以及物联网的校园安全监测系统，其特征在于，包括终端设备、校园登记模块、采集处理模块、特征匹配模块、对比分析模块、云服务器、行为预测模块、告警反馈模块以及连接优化模块；

其中，所述终端设备用于各管理人员以及安保人员实时查看监测数据；

所述校园登记模块用于校内人员登记个人信息，并对收集的各组信息进行分类存储；

所述采集处理模块用于采集各进出校园人员的影像信息，并进行图像优化；

所述特征匹配模块用于收集各校内人员体貌特征，并进行匹配；

所述对比分析模块用于接收采集处理模块处理的图像信息并与各校内人员体貌特征进行比对分析；

所述云服务器用于接收并存储监控信息；

所述行为预测模块用于对比对结果不一致的人物进行监控跟踪，并实时进行级联分析；

所述告警反馈模块用于对行为异常的人物进行反馈，同时将该人物影像信息同步至各管理人员以及安保人员的终端设备中；

所述连接优化模块用于对各组终端设备连接性能进行优化。。

2.根据权利要求1所述的一种基于人工智能以及物联网的校园安全监测系统，其特征在于，所述终端设备具体包括智能手机以及电脑，所述校内人员具体包括教师、学生、学校行政，学校后勤以及学校安保人员。

3.根据权利要求1所述的一种基于人工智能以及物联网的校园安全监测系统，其特征在于，所述采集处理模块图像优化具体步骤如下：

步骤一：对各校园进出人员影像信息进行逐帧处理以获得相对应人物图片，并依据获取的各组人物图片的显示比例来确定分块数量，并对各组人物图片进行分块处理；

步骤二：将分块处理后的人物图片通过傅里叶正变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的人物图片中的高频成分进行分析提取，并对其进行滤波处理减少噪声，再通过傅里叶反变换将其转换至图像空间。

4.根据权利要求3所述的一种基于人工智能以及物联网的校园安全监测系统，其特征在于，所述行为预测模块级联分析具体步骤如下：

步骤(1)：行为预测模块构建检测神经网络，并自行寻找该检测神经网络最优参数，之后对采集到的各组人物图片按照不同分辨率进行缩放，并依据缩放完成的人物图片构建图像金字塔；

步骤(2)：依据各组人物图片的不同尺寸构建图片数据集，再通过图像金字塔对其进行尺度归一化处理，并提取各人物图片的特征信息送入双向特征金字塔，进行特征融合，再将输出结果进行分类回归以获取检测框；

步骤(3)：对人物图片中检测框信息进行收集，并生成对应检测框坐标以对相关人物图片进行扩大化剪裁，再过滤掉各组人物图片中属于背景的简单负样本，并收集人物在当前的运动状态；

步骤(4)：对实际视频帧的间隔时间进行计算，并记录计算出的实际视频帧的间隔时间，再通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取人物的运动状态，之后通过运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，再依据人物当前运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计；

步骤(5)：将各组人物的估计结果分为测试集以及训练集，并对训练集进行标准化处理以获取训练样本，再将训练样本输送到检测神经网络中，设置模型具体参数，采用长期迭代法训练该检测神经网络，并将测试集输入到训练好的检测神经网络中，并对存在异常行为的人物进行标记。

5.根据权利要求4所述的一种基于人工智能以及物联网的校园安全监测系统，其特征在于，所述检测神经网络自行寻参具体步骤如下：

步骤Ⅰ：从云服务器中提取过往监控数据，之后从多组监控数据中选择一组监控数据作为验证数据，并使用剩下的监控数据拟合一组测试模型，再用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算；

步骤Ⅱ：初始化参数范围，同时列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差；

步骤Ⅲ：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为最优参数输出。