本發(fā)明屬于治安管理，具體涉及一種用于治安管理的無人機巡邏方法。

背景技術(shù)：

1、隨著無人機技術(shù)的迅速發(fā)展，與安全防范監(jiān)控相關(guān)的無人機技術(shù)也需要隨之更新。在目前的治安管理中，主要依靠監(jiān)控攝像頭全方位覆蓋，結(jié)合人力巡邏，實現(xiàn)對可疑人員聚集等異常行為做出及時出警，但這種傳統(tǒng)的治安管理方式效率不夠高，仍存在許多局限性，具有人力資源的消耗、效率的不足和視野范圍的丟失的問題，因此為解決上述問題提出了一種結(jié)合計算機視覺和機器學習技術(shù)的無人機，不僅可以拓寬治安管理的應(yīng)用場景，也能顯著提高任務(wù)執(zhí)行的效率和準確性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是：旨在提供一種用于治安管理的無人機巡邏方法，用于解決背景技術(shù)中存在的問題。

2、為實現(xiàn)上述技術(shù)目的，本發(fā)明采用的技術(shù)方案如下：

3、一種用于治安管理的無人機巡邏方法，包括以下步驟：

4、步驟1.無人機硬件配置：無人機配備高清攝像頭、紅外攝像頭、全景攝像頭、gps模塊和避障傳感器，確保其能夠在各種環(huán)境下進行自主巡邏和實時監(jiān)控；

5、步驟2.巡邏路徑規(guī)劃：通過gps和地理信息系統(tǒng)(gis)，預先設(shè)定無人機的巡邏路線，無人機不僅可以根據(jù)預設(shè)路徑進行巡邏，并且能夠根據(jù)實時需求進行動態(tài)路徑調(diào)整；

6、步驟3.計算機視覺技術(shù)：通過攝像頭采集的視頻數(shù)據(jù)，利用計算機視覺技術(shù)對畫面進行實時分析，識別異常行為；

7、步驟4.機器學習模型：訓練深度學習模型，對各種類型的異常行為進行識別和分類，模型通過大量訓練數(shù)據(jù)進行優(yōu)化，以提高識別的準確性和響應(yīng)速度；

8、步驟5.自動報警系統(tǒng)：當當無人機檢測到異常行為時，系統(tǒng)會自動觸發(fā)報警，并將相關(guān)視頻和位置信息發(fā)送至后臺管理中心，及時通知相關(guān)人員進行處理；

9、步驟6.數(shù)據(jù)存儲和分析：將巡邏過程中采集的數(shù)據(jù)存儲在云端，以便后續(xù)分析和挖掘，為決策提供支持，這些數(shù)據(jù)也可用于進一步優(yōu)化機器學習模型，提升系統(tǒng)的智能化水平。

10、采用基于種群的元啟發(fā)式算法實現(xiàn)對無人機群的路徑規(guī)劃：

11、步驟1.1：無人機飛行區(qū)域表示，將(x,y,z)作為路徑航點的三維坐標，無人機群的飛行空間表示如下：

12、

13、步驟1.2：障礙模型，對障礙物進行建模，(xk1，yk1，zk1)是半徑為rk1的三維環(huán)境中圓形障礙物的坐標，那么障礙物可以表示為：

14、

15、其中坐標(xk1，yk1，zk1)的計算方法如下：

16、

17、

18、

19、步驟1.3：目標函數(shù)的建模，目標函數(shù)包括確定路徑長度、考慮環(huán)境約束、避免與群中的障礙物和其他無人機發(fā)生碰撞，因此目標函數(shù)可以表示為：

20、f＝fpl+foc+fmc

21、其中fpl為與路徑長度相關(guān)的代價，foc為無人機與障礙物碰撞的代價，fmc為無人機之間的碰撞代價；

22、步驟1.4：改進的正弦余弦算法，基于混沌的候選解初始化；引入非線性遞減步長，改進位置更新策略；在搜索機制中加入收斂因子，加快了搜索的收斂速度。

23、所述步驟3中通過攝像頭對畫面的采集，然后對畫面行為進行實時檢測，識別出異常行為；其框架主要由主模型和輔助ssl模型兩部分組成，主要部分包括一個涉及空間流和時間流的雙流架構(gòu)；

24、步驟3.1：主模型(一個有效的兩流門控網(wǎng)絡(luò))：該主網(wǎng)絡(luò)由三個模塊組成:空間塊、時間塊和合并塊；空間rgb模塊接收作為輸入的連續(xù)幀，這些幀被裁剪以提取感興趣的區(qū)域(roi)，時間塊接收幀序列的光流作為輸入，使用gunnarfarneback算法計算光流；

25、所述步驟3中的roi計算包括：

26、步驟3.11：給定歸一化和去噪的光流幀si，其幅度可以計算為其中si，j表示:第i幀的第j個分量；

27、步驟3.12：每幀幅度之和產(chǎn)生224×224運動強度圖，在其上計算平均值；

28、步驟3.13：將其用作額外濾除噪聲的閾值；

29、步驟3.2：輔助模型(聯(lián)合視頻流架構(gòu)的vicreg)。

30、所述輔助模型包括利用vicreg的基本思想來使用具有不同項的損失函數(shù)，方差正則化項v(z)沿批維計算作為嵌入的標準差，協(xié)方差正則化項c(z)鼓勵網(wǎng)絡(luò)對嵌入的維度進行去相關(guān)化處理，通過最小化不變性項s(z，z′)來減小兩種數(shù)據(jù)模式之間的差異，s(z，z′)是每對嵌入向量之間的均方歐幾里德距離，整體損失函數(shù)l(z，z′)是這些項的加權(quán)平均值：

31、l(z，z′)＝λs(z，z′)+μ[v(z)+v(z′)]+ν[c(z)+c(z′)]

32、其中，λ、μ和ν是超參數(shù)，具體，λ＝μ＝25和v＝1。

33、本發(fā)明可實時檢測和預測大規(guī)模數(shù)據(jù)中的異常行為或事件，并具有自適應(yīng)學習能力，在遇到異常行為或事件立即觸發(fā)警報，這種實時性在預防和應(yīng)對突發(fā)事件方面尤為重要，可幫助安全管理員快速做出反應(yīng)，減少異常行為的發(fā)生或擴大。

技術(shù)特征：

1.一種用于治安管理的無人機巡邏方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種用于治安管理的無人機巡邏方法，其特征在于：采用基于種群的元啟發(fā)式算法實現(xiàn)對無人機群的路徑規(guī)劃：

3.根據(jù)權(quán)利要求2所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述步驟1.3中的目標函數(shù)的建模步驟如下：

4.根據(jù)權(quán)利要求2所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述步驟1.4改進正弦余弦算法步驟如下：

5.根據(jù)權(quán)利要求4所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述步驟1.41中若要實現(xiàn)基于邏輯映射的初始化，步驟如下：

6.根據(jù)權(quán)利要求1所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述步驟3中通過攝像頭對畫面的采集，然后對畫面行為進行實時檢測，識別出異常行為；其框架主要由主模型和輔助ssl模型兩部分組成，主要部分包括一個涉及空間流和時間流的雙流架構(gòu)；

7.根據(jù)權(quán)利要求6所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述步驟3中的roi計算包括：

8.根據(jù)權(quán)利要求6所述的一種用于治安管理的無人機巡邏方法，其特征在于：所述輔助模型包括利用vicreg的基本思想來使用具有不同項的損失函數(shù)，方差正則化項v(z)沿批維計算作為嵌入的標準差，協(xié)方差正則化項c(z)鼓勵網(wǎng)絡(luò)對嵌入的維度進行去相關(guān)化處理，通過最小化不變性項s(z，z′)來減小兩種數(shù)據(jù)模式之間的差異，s(z，z′)是每對嵌入向量之間的均方歐幾里德距離，整體損失函數(shù)l(z，z′)是這些項的加權(quán)平均值：

技術(shù)總結(jié)
本發(fā)明屬于治安管理技術(shù)領(lǐng)域，具體涉及一種用于治安管理的無人機巡邏方法，包括以下步驟：步驟1.無人機硬件配置：步驟2.巡邏路徑規(guī)劃：步驟3.計算機視覺技術(shù)：通過攝像頭采集的視頻數(shù)據(jù)，利用計算機視覺技術(shù)對畫面進行實時分析，識別異常行為；步驟4.機器學習模型：步驟5.自動報警系統(tǒng)：步驟6.數(shù)據(jù)存儲和分析；本發(fā)明可實時檢測和預測大規(guī)模數(shù)據(jù)中的異常行為或事件，并具有自適應(yīng)學習能力，在遇到異常行為或事件立即觸發(fā)警報，這種實時性在預防和應(yīng)對突發(fā)事件方面尤為重要，可幫助安全管理員快速做出反應(yīng)，減少異常行為的發(fā)生或擴大。

技術(shù)研發(fā)人員：陳璟,聶駿榮,雷渠江
受保護的技術(shù)使用者：湖大粵港澳大灣區(qū)創(chuàng)新研究院（廣州增城）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19