城市智能管理系统的制作方法

1.本发明涉及城市智慧管理技术领域，尤其涉及城市智能管理系统。


背景技术：

2.智能城市建设是一个系统工程。在智能城市体系中，首先城市管理智能化，由智能城市管理系统辅助管理城市，其次是包括智能交通、智能电力、智能建筑、智能安全等基础设施智能化，也包括智能医疗、智能家庭、智能教育等社会智能化和智能企业、智能银行、智能商店的生产智能化，从而全面提升城市生产、管理、运行的现代化水平；它是信息经济与知识经济的融合体，信息经济的电脑网络提供了建设智能城市的基础条件，而知识经济的人脑智慧则将人类智慧变为城市发展的动能，有力的促进科学技术的进步和人类社会的文明。
3.经检索，中国专利公开号cn107481527a公开了智能城市管理系统，该发明虽然通过快速计算分析处理，对网内人员、设备和基础设施实施，特别是交通、环境、公共安全等进行的实时管理和控制，但是对交通信号控制的准确性差，同时需要人工维护车流，居民出行时间大大增加；此外，现有的城市智能管理系统无法进行充分的跨设备匹配，容易出现目标漏检的情况，不方便使用，增加分析难度，为此，我们提出城市智能管理系统。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的城市智能管理系统。
5.为了实现上述目的，本发明采用了如下技术方案：城市智能管理系统，包括云控平台、影像采集模块、图像处理模块、路网管控模块、级联跟踪模块、定位模块、告警反馈模块以及日志检测模块；云控平台用于验证管理人员信息，并依据管理人员操作指令进行相应的数据展示以及功能控制；所述影像采集模块用于采集城市各道路影像信息；所述图像处理模块用于优化分割采集到的影像信息；所述路网管控模块用于对各路口进行车流控制；所述级联跟踪模块用于监测各路口违法情况，并对违法人员进行分析跟踪；所述定位模块用于接收跟踪信息并对违法人员所在位置进行实时定位；所述告警反馈模块用于向相关部门负责人员发出违法告警信息，并实时反馈违法人员位置信息；所述日志检测模块用于对云控平台日志数据进行风险监测。
6.作为本发明的进一步方案，所述图像处理模块优化分割具体步骤如下：步骤（1）：图像处理模块对各组影像数据进行逐帧提取，以获取道路图片，之后依据各道路图片显示比列进行分块处理，之后对分块后的各组道路图片通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；
步骤（2）：分别计算各道路图片的灰度值的平均值，之后将分块后各道路图片中每组像素的灰度值与计算出的均值进行比较，并将所有灰度值大于均值的像素构成分割目标，将所有灰度值小于均值的像素构成分割图像的背景，再将分割目标与背景分析。
7.作为本发明的进一步方案，步骤（1）所述傅里叶变换具体变换公式如下：（1）（2）其中，u，v均为频率变量，x，y为该道路图片各像素点坐标，n为采样频率，公式（1）为傅里叶正变换，公式（2）为傅里叶反变换。
8.作为本发明的进一步方案，所述路网管控模块车流控制具体步骤如下：步骤一：云控平台接收道路影像信息，同时依据接收的数据计算相位绿灯时间内车辆的位置和速度信息，并针对不同路段流构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集；步骤二：路网管控模块依据每个实时的时间间隔内道路影像信息更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向以确定拥堵区域，再根据每个路段的不同流向的拥堵指数及上下游关系，确定拥堵区域边界及区域内拥堵截流点和疏解点；步骤三：构建城市路网地图，并对道路缺失信息进行填补，依据上下游影像采集模块之间的时空关联关系生成高维张量输入变量，并通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值；步骤四：路网管控模块依据影像信息获取车辆排队长度、饱和度以及车队队尾的轨迹数据，同时判断排队长度是否超过路段长度、饱和度是否过饱以及车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，若是，则存在排队溢出现象，转向相位（车辆的行驶方向信息，如由东往西、由北往东、由南往西等）取最大绿灯时长，反之，则不改变相位。
9.作为本发明的进一步方案，所述级联跟踪模块具体分析跟踪具体步骤如下：步骤ⅰ：级联跟踪模块对各影像信息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跟踪目标的运动状态；步骤ⅱ：为跟踪目标分配一个唯一的编号，之后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，并收集跟踪目标在当前视频帧中的运动状态，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ⅲ：对各影像信息进行特征提取，再将提取出的特征进行融合并对融合结果进行分类回归，输出检测框以及类别，对影像信息中目标检测框信息进行收集，并生成对应检测框坐标；步骤ⅳ：依据检测框对相关影像信息进行扩大化剪裁，通过rpn过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪
图片中生产相应数量的锚框并对这些锚框进行分类和回归，再次通过扩大化剪裁提取各组图片中的目标信息，之后依据估计结果以及目标信息进行跨设备匹配处理。
10.作为本发明的进一步方案，步骤ⅰ所述间隔时间具体计算公式如下：（3）（4）式中，代表两组视频帧之间的间隔时间，s；代表下采样得到的视频帧与原始视频流中的之间的延迟时间，s；代表跟踪算法处理视频帧的消耗时间，s，t代表当前视频帧时间，s；步骤ⅱ所述运动状态具体定义形式如下：（5）式中，代表跟踪目标的运动状态，x,y,w,h代表跟踪目标边界包围框的中心点坐标和宽高，代表相对应的跟踪目标速度值。
11.作为本发明的进一步方案，日志检测模块所述风险监测具体步骤如下：步骤
①
：日志检测模块在不同的系统的管理平台部署相关的日志采集插件或者通过syslog服务器获取不同系统的管理平台中所记录的日志数据，并筛选出满足工作人员预设条件的日志信息，然后将剩余日志数据处理为统一格式的日志信息；步骤
②
：将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关工作人员，并中断相关操作进程，同时将相关设备的ip地址以及使用人员信息进行记录反馈。
12.相比于现有技术，本发明的有益效果在于：1、本发明通过接收的数据计算相位绿灯时间内车辆的位置和速度信息，并针对不同路段流构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集，路网管控模块依据每个实时的时间间隔内道路影像信息更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向以确定拥堵区域，并确定拥堵区域边界及区域内拥堵截流点和疏解点，构建城市路网地图以生成的交通流量预测值，之后路网管控模块依据影像信息获取车辆排队长度、饱和度以及车队队尾的轨迹数据，同时判断排队长度是否超过路段长度、饱和度是否过饱以及车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，并依据判断结果调整交通灯状态，能够实时收集并预测各时段车流量信息进行，保证交通信号控制的准确性，无需人工维护车流，有利于节省居民出行时间。
13.2、该城市智能管理系统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跟踪目标的运动状态，之后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，并收集跟踪目标在当前视频帧中的运动状态，同时对各跟踪目标在下一视频帧中的运动状态进行估计，对各影像信息特征进行融合并对融合结果
进行分类回归以输出检测框，再通过目标检测框对相关影像信息进行扩大化剪裁，通过rpn过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，再次通过扩大化剪裁提取各组图片中的目标信息，之后依据估计结果以及目标信息进行跨设备匹配处理，能够进行充分的跨设备匹配，避免出现漏检情况，大幅提高目标检测的准确性，方便使用，同时降低目标分析难度，提高工作效率。
附图说明
14.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
15.图1为本发明提出的城市智能管理系统的系统框图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
17.实施例1参照图1，城市智能管理系统，包括云控平台、影像采集模块、图像处理模块、路网管控模块、级联跟踪模块、定位模块、告警反馈模块以及日志检测模块。
18.云控平台用于验证管理人员信息，并依据管理人员操作指令进行相应的数据展示以及功能控制；影像采集模块用于采集城市各道路影像信息；图像处理模块用于优化分割采集到的影像信息。
19.具体的，图像处理模块对各组影像数据进行逐帧提取，以获取道路图片，之后依据各道路图片显示比列进行分块处理，之后对分块后的各组道路图片通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，再分别计算各道路图片的灰度值的平均值，之后将分块后各道路图片中每组像素的灰度值与计算出的均值进行比较，并将所有灰度值大于均值的像素构成分割目标，将所有灰度值小于均值的像素构成分割图像的背景，再将分割目标与背景分析。
20.需要进一步说明的是，傅里叶变换具体变换公式如下：（1）（2）其中，u，v均为频率变量，x，y为该道路图片各像素点坐标，公式（1）为傅里叶正变换，公式（2）为傅里叶反变换。
21.路网管控模块用于对各路口进行车流控制。
22.具体的，云控平台接收道路影像信息，同时依据接收的数据计算相位绿灯时间内车辆的位置和速度信息，并针对不同路段流构建不同拥堵指数路段流向在不同分组标签下
拥堵指数数据集，路网管控模块依据每个实时的时间间隔内道路影像信息更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向以确定拥堵区域，再根据每个路段的不同流向的拥堵指数及上下游关系，确定拥堵区域边界及区域内拥堵截流点和疏解点，构建城市路网地图，并对道路缺失信息进行填补，依据上下游影像采集模块之间的时空关联关系生成高维张量输入变量，并通过递归神经网络和注意力网络对高维张量输入变量进行时间序列训练，记录生成的交通流量预测值，路网管控模块依据影像信息获取车辆排队长度、饱和度以及车队队尾的轨迹数据，同时判断排队长度是否超过路段长度、饱和度是否过饱以及车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，若是，则存在排队溢出现象，转向相位取最大绿灯时长，反之，则不改变相位。
23.实施例2参照图1，城市智能管理系统，包括云控平台、影像采集模块、图像处理模块、路网管控模块、级联跟踪模块、定位模块、告警反馈模块以及日志检测模块。
24.定位模块用于接收跟踪信息并对违法人员所在位置进行实时定位；告警反馈模块用于向相关部门负责人员发出违法告警信息，并实时反馈违法人员位置信息。
25.级联跟踪模块用于监测各路口违法情况，并对违法人员进行分析跟踪。
26.具体的，级联跟踪模块对各影像信息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跟踪目标的运动状态，为跟踪目标分配一个唯一的编号，之后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，并收集跟踪目标在当前视频帧中的运动状态，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，对各影像信息进行特征提取，再将提取出的特征进行融合并对融合结果进行分类回归，输出检测框以及类别，对影像信息中目标检测框信息进行收集，并生成对应检测框坐标，再对相关影像信息进行扩大化剪裁，通过rpn过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，再次通过扩大化剪裁提取各组图片中的目标信息，之后依据估计结果以及目标信息进行跨设备匹配处理。
27.具体的，间隔时间具体计算公式如下：（3）（4）式中，代表两组视频帧之间的间隔时间，代表下采样得到的视频帧与原始视频流中的之间的延迟时间，代表跟踪算法处理视频帧的消耗时间；运动状态具体定义形式如下：（5）式中，代表跟踪目标的运动状态，代表跟踪目标边界包围框的中心点
坐标和宽高，代表相对应的跟踪目标速度值。
28.日志检测模块用于对云控平台日志数据进行风险监测。
29.具体的，日志检测模块在不同的系统的管理平台部署相关的日志采集插件或者通过syslog服务器获取不同系统的管理平台中所记录的日志数据，并筛选出满足工作人员预设条件的日志信息，然后将剩余日志数据处理为统一格式的日志信息，将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关工作人员，并中断相关操作进程，同时将相关设备的ip地址以及使用人员信息进行记录反馈。

技术特征：
1.城市智能管理系统，其特征在于，包括云控平台、影像采集模块、图像处理模块、路网管控模块、级联跟踪模块、定位模块、告警反馈模块以及日志检测模块；云控平台用于验证管理人员信息，并依据管理人员操作指令进行相应的数据展示以及功能控制；所述影像采集模块用于采集城市各道路影像信息；所述图像处理模块用于优化分割采集到的影像信息；所述路网管控模块用于对各路口进行车流控制；所述级联跟踪模块用于监测各路口违法情况，并对违法人员进行分析跟踪；所述定位模块用于接收跟踪信息并对违法人员所在位置进行实时定位；所述告警反馈模块用于向相关部门负责人员发出违法告警信息，并实时反馈违法人员位置信息；所述日志检测模块用于对云控平台日志数据进行风险监测。2.根据权利要求1所述的城市智能管理系统，其特征在于，所述图像处理模块优化分割具体步骤如下：步骤（1）：图像处理模块对各组影像数据进行逐帧提取，以获取道路图片，之后依据各道路图片显示比列进行分块处理，之后对分块后的各组道路图片通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理；步骤（2）：分别计算各道路图片的灰度值的平均值，之后将分块后各道路图片中每组像素的灰度值与计算出的均值进行比较，并将所有灰度值大于均值的像素构成分割目标，将所有灰度值小于均值的像素构成分割图像的背景，再将分割目标与背景分析。3.根据权利要求2所述的城市智能管理系统，其特征在于，步骤（1）所述傅里叶变换具体变换公式如下：（1）（2）其中，u，v均为频率变量，x，y为该道路图片各像素点坐标，n为采样频率，公式（1）为傅里叶正变换，公式（2）为傅里叶反变换。4.根据权利要求2所述的城市智能管理系统，其特征在于，所述路网管控模块车流控制具体步骤如下：步骤一：云控平台接收道路影像信息，同时依据接收的数据计算相位绿灯时间内车辆的位置和速度信息，并针对不同路段流构建不同拥堵指数路段流向在不同分组标签下拥堵指数数据集；步骤二：路网管控模块依据每个实时的时间间隔内道路影像信息更新拥堵指数，筛选出严重拥堵和一般拥堵的路段流向以确定拥堵区域，再根据每个路段的不同流向的拥堵指数及上下游关系，确定拥堵区域边界及区域内拥堵截流点和疏解点；步骤三：构建城市路网地图，并对道路缺失信息进行填补，依据上下游影像采集模块之间的时空关联关系生成高维张量输入变量，并通过递归神经网络和注意力网络对高维张量
输入变量进行时间序列训练，记录生成的交通流量预测值；步骤四：路网管控模块依据影像信息获取车辆排队长度、饱和度以及车队队尾的轨迹数据，同时判断排队长度是否超过路段长度、饱和度是否过饱以及车队队尾的车辆是否位于路段之外且在相位绿灯时长内速度为零，若是，则存在排队溢出现象，转向相位取最大绿灯时长，反之，则不改变相位。5.根据权利要求1所述的城市智能管理系统，其特征在于，所述级联跟踪模块具体分析跟踪具体步骤如下：步骤ⅰ：级联跟踪模块对各影像信息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跟踪目标的运动状态；步骤ⅱ：为跟踪目标分配一个唯一的编号，之后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，并收集跟踪目标在当前视频帧中的运动状态，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ⅲ：对各影像信息进行特征提取，再将提取出的特征进行融合并对融合结果进行分类回归，输出检测框以及类别，对影像信息中目标检测框信息进行收集，并生成对应检测框坐标；步骤ⅳ：依据检测框对相关影像信息进行扩大化剪裁，通过rpn过滤掉各组裁剪图片中属于背景的简单负样本，挑选出可能含有目标的区域进行分类和回归，之后在各裁剪图片中生产相应数量的锚框并对这些锚框进行分类和回归，再次通过扩大化剪裁提取各组图片中的目标信息，之后依据估计结果以及目标信息进行跨设备匹配处理。6.根据权利要求5所述的城市智能管理系统，其特征在于，步骤ⅰ所述间隔时间具体计算公式如下：（3）（4）式中，代表两组视频帧之间的间隔时间，s；代表下采样得到的视频帧与原始视频流中的之间的延迟时间，s；代表跟踪算法处理视频帧的消耗时间，s，t代表当前视频帧时间，s；步骤ⅱ所述运动状态具体定义形式如下：（5）式中，代表跟踪目标的运动状态，x,y,w,h代表跟踪目标边界包围框的中心点坐标和宽高，代表相对应的跟踪目标速度值。7.根据权利要求1所述的城市智能管理系统，其特征在于，日志检测模块所述风险监测具体步骤如下：步骤
①
：日志检测模块在不同的系统的管理平台部署相关的日志采集插件或者通过
syslog服务器获取不同系统的管理平台中所记录的日志数据，并筛选出满足工作人员预设条件的日志信息，然后将剩余日志数据处理为统一格式的日志信息；步骤
②
：将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关工作人员，并中断相关操作进程，同时将相关设备的ip地址以及使用人员信息进行记录反馈。

技术总结
本发明公开了城市智能管理系统，属于城市智慧管理技术领域，包括云控平台、影像采集模块、图像处理模块、路网管控模块、级联跟踪模块、定位模块、告警反馈模块以及日志检测模块，云控平台用于验证管理人员信息，并依据管理人员操作指令进行相应的数据展示以及功能控制；本发明能够实时收集并预测各时段车流量信息进行，保证交通信号控制的准确性，无需人工维护车流，有利于节省居民出行时间，能够进行充分的跨设备匹配，避免出现漏检情况，大幅提高目标检测的准确性，方便使用，同时降低目标分析难度，提高工作效率。提高工作效率。提高工作效率。


技术研发人员：包安良 高见 李潇 王进 陈亚玲 张灏晖
受保护的技术使用者：成都市青羊大数据有限责任公司
技术研发日：2023.05.05
技术公布日：2023/5/30