智慧公园安防监控系统研究

张 宇

(1.中煤科工集团重庆研究院有限公司，重庆 400039;2.中煤科工集团重庆智慧城市科技研究院有限公司，重庆 401121)

0 引言

随着人民生活水平的不断提高以及居住环境的日益改善，市民开始更多倾向于城市公园出游。公园周边交通状况逐渐恶劣以及游园人数超过公园接待能力，严重影响公园的公共安全。因此，智慧公园的安防监控系统需要通过科学的手段来分析园区及周边的人流、人群的聚集程度，从而判断可能出现的大面积人员拥挤并提出预警，以最大程度减少安全风险出现的可能性。

本文主要研究内容包括：通过对人员出入口、园区重点区域感知网和数据分析，准确把握园区内人流、重点区域态势；研究园区人员聚集趋势预警和预测模型库，对景区内人员危险聚集进行有效预判。

1 系统架构

智慧公园安防监控系统主要有感知层、服务层和应用层三层架构，以及安全保障体系、标准管理体系两方面的支撑[1]。

①感知层。通过建立智能化的各类传感设备，实现对人(流量、危险闯入、聚集程度)、车(公园入园要道、园区车流量、车辆违停、交通事故)、危险源(水情、化粪池、下水道等)的全面感知和智能控制。

②核心服务层。服务层涵盖数据采集、协议解析、存储计算、数据治理、挖掘分析、共享交换等业务内容。向下接入感知层的传感数据，向上支撑智慧公园分析应用，保障智慧公园平台的运行。

③智慧应用层。通过工程师站与数据的交互，实现系统的统一管理、统一指挥。利用二维、三维地理信息和虚拟现实技术，将各系统的信息直观、清晰地呈现；结合遥感(remote sensing,RS)技术，实现实时监测、远程控制；通过分析，以图表方式对关键指标进行关联展示，辅助管理层决策。

④园区安全及保障体系。园区安全主要通过控制各种角色的活动，从政策、制度、规范、流程以及记录等方面作出规定，包括物理安全、网络安全、主机安全、应用安全和数据安全及备份恢复5个方面。

⑤园区标准及管理体系。建立智慧公园的数据标准、技术标准、业务规范、管理规范。数据标准包括采集标准、访问标准、质量标准和管理标准；技术标准包括感知设备标准、管控平台标准、接口标准；业务规范包括业务流程规范、业务分类规范、业务内控规范；管理规范包括系统运维管理、信息资源共享交换管理、系统评价管理等内容。

智慧公园安防监控系统架构如图1所示。

图1 系统架构图

fig.1 System architecture

2 系统功能

智慧公园安防监控系统的建设，可实现以下功能。

①公园人流量监测：实现对全园区人数、热门景点人数监测和预测，以及园区热力图显示。

②公园车流量监测：实现对公园周边主要道路的车流量监测和预测。

③人员聚集地监测：实现对园区重点区域的人员聚集程度监测和预警。

④危险源监测：实现对园区危险区域(如化粪池、下水道等)的气体监测。

⑤人、车诱导：实现对园区的交通疏导。

⑥防火监测：实现对园区的电力电缆、重要设备、林木等的防火监测。

⑦区域越限监测：实现对园区危险区域的越限监测。

⑧手机APP：通过手机APP实现对园区信息的发布。

3 关键技术解决方法

3.1 手机基站即时到达定位技术

手机基站即时到达定位(time of arrival，TOA)技术的基本原理，是通过检测电波从手机终端传播到多个基站的时间，确定手机终端的位置。其定位精度受到基站数量以及时间同步的影响[2]。

通过测得电波到达时间Ti(i=1,2,…,n)，由Ti×C得到移动设备与某个信号发射器之间的距离。然后，根据几何知识建立方程组，并求解得到移动设备的位置范围[3]。最后，根据移动设备的数量和位置，确定园区的总人数以及人员分布情况。

TOA定位原理如图2所示。

图2 TOA定位原理图

3.2 纹理分析法

在公园的人员易聚集地点安装高清摄像头，对聚集地点的视频图像进行采集，并提取场景的前景特征点数。利用特征点数进行人群密度初判：若密度较低，采用图形分析法统计人数；若密度较高，则采用纹理分析法[4]。

纹理分析法主要步骤如图3所示。

图3 纹理分析法主要步骤图

灰度共生矩阵M(i，j，d，θ)的定义为：在某个方向θ上，相邻一定间隔d的两个像素点的灰度值分别为i和j，统计灰度值分别为i和j的像素点对同时出现的频率，即某个方向上像素灰度值由i变化到j的联合分布情况。不同的(d，θ)对应不同的灰度共生矩阵。因此，必须将(d，θ)控制在某个范围内。θ通常取值为0°、45°、90°、135°。d通常取值为1[5]。根据这4个方向产生灰度共生矩阵。

从视频图像的灰度共生矩阵(gray level co-occurrence,GLCM)能提取14个代表纹理的参数。但这14个特征中仅有4个参数是不相关的[1]，选用能量二阶距(angular second moment,ASM)、熵(entropy,ENT)这两个参数表示图像中的人群分布情况。

①ASM：ASM是灰度共生矩阵所有元素平方之和，它反映了图像灰度分布均匀程度和纹理粗细程度。当纹理粗时，ASM值大；当纹理细时，ASM值小。

(1)

②ENT：ENT用来表达图像中信息量的多少。若图像中没有任何纹理，则灰度共生矩阵几乎为零矩阵，ENT也接近于零；若图像中充满纹理，ENT值会较大。因此，人群密度越高时ENT值越大，反之ENT值小。

(2)

根据式(2)分析可知，对于人群较为密集的人群图像，ASM值均呈现较小的趋势，而ENT值则呈现较大的趋势。将人群密集度分为少、中少、中多、多、密集5个程度，分别根据灰度共生矩阵得到标准的ASM值和ENT值，与现场实际的ASM值和ENT值进行对比，即可得到人群聚集的程度。

在Matlab软件中，首先通过“graycomatrix”命令得到两张图在d为1，θ为0°、45°、90°、135°这4个灰度的共生矩阵；然后，根据式(1)、式(2)计算出这4个灰度共生矩阵的ASM值和ENT值。

区域特征值如表1所示。

表1 区域特征值

通过表1可以看出，人员密集区域能量ASM<0.01，ENT>3；人员稀少区域能量ASM>0.1，ENT<1.5。因此，从整体上来说，不同人员聚集度的ASM值和ENT值相差较大。这就说明，可以通过这两个值的比较来区分人员聚集程度。

3.3 柯布-道格拉斯效用函数

用于园区人数预测的柯布-道格拉斯效用函数的基本形式为：

Y=A(t)L∂Kβeε

(3)

式中：Y为园区总人数；L为影响要素；K为预测准确度；eε为随机误差项；∂、β分别为影响要素和预测准确度的预测弹性[6]。

对该模型作对数变换，得到对参数而言的对数线性函数模型：

lnY=lnA+∂lnL+βlnK+ε

(4)

结合园区总人数因素分析，可以建立如下关于园区总人数模型：

lnY=lnA+C1lnx1+C2lnx2+C3lnx3+ε

(5)

式中：x1为园区单位时间温度；x2为园区单位时间光照度；x3为预测准确率，将影响要素都作为某段时间内平均值，以避免可能产生的变量之间的共线性；ε为模型的随机误差项，描述除解释变量以外的因素对总人数的干扰，包含园区突然举办大型活动等难以具体量化的因素的影响；Y为当天总人流量。

任选一个公园11天内的游览总人数及其影响因素作为样本，样本数据如表2所示。

表2 样本数据

根据样本数据对建立的公园人流量模型进行分析。令W=ln(Y)、W1=ln(x1)、W2=ln(x2)、W3=ln(x3)、C=ln(A)为常数。由此可以得到以下模型：

W=C+C1W1+C2W2+C3W3+ε

(6)

式中：ε为随机误差项；C、C1、C2、C3为待估计参数，其意义是Wi(i=1、2、3)的估计弹性。

①使用EVIEWS软件”datay,x1,x2,x3”命令建立(y，x1，x2，x3)4个数组。

②使用“generate series”命令产生W=log(Y)、W1=log(x1)、W2=log(x2)、W3=log(x3)。

③建立如下方程：

W=C+C1W1+C2W2+C3W3+ε

(7)

对该方程进行回归估计“LSWCW1W2W3”,再换算成方程的表达式“View Representations”。

得到回归方程：W=-4.833 908 808 7-0.107 526 748 231W1+1.076 675 066 55W2+0.269 588 888 4W3。

则Ln(Y)=-4.833 91-0.107 53×ln(X1)+1.076 68×ln(X2)+0.269 59×ln(X3)。

通过显著性检验，得出Y=0.007 96(0.898 05X1)×(2.934 92X2)×(1.309 43X3)作为下一个单位时间的人数预测。

4 结束语

通过公园安防监控系统的建设，可满足公园全面感知信息数据的获取，构建较为完善的预警与辅助决策功能。通过智能服务平台，可实现智慧公园管理。安防监控系统在公园的日常监控和风险预警工作中广泛应用，具备提供视频监控、区域报警、人流监测、车流监测、交通引导、流量预测、风险评估等核心能力，有很高的实际应用价值。