[发明专利]基于机器学习算法的城市风险监控网络系统和方法

权利要求书

1.一种基于机器学习算法的城市风险监控网络系统，其特征在于，包括：前端监控设备、数据传输装置、数据处理装置、后端显示装置以及储存装置，其中：

所述前端监控设备，用于获取监控视频对应的RGB色系图片；

所述数据传输装置，用于将所述RGB色系图片传输给所述数据处理装置；

所述数据处理装置，用于通过高斯混合模型对不同角度的所述RGB色系图片的每个像素点所呈现的颜色进行重新刻画，得到重新刻画的图像序列，并从所述重新刻画的图像序列中提取出目标帧；

所述后端显示装置，用于显示所述目标帧；

所述储存装置，用于记录所述前端监控设备和所述数据处理装置生成的所有图像数据。

2.根据权利要求1所述的基于机器学习算法的城市风险监控网络系统，其特征在于，所述数据处理装置，具体用于：

分帧存储所述RGB色系图片；

通过机器学习算法比对所述RGB色系图片，得到多个前端监控设备拍摄的不同角度的所述RGB色系图片；

通过K个高斯混合模型分别描述不同角度的所述RGB色系图片的背景像素分布规律，其中，K为大于1的自然数；

将不同角度的所述RGB色系图片的每个像素点所呈现的颜色用R、G、B三个高斯分布的叠加组合来刻画，得到重新刻画的图像序列；

对所述重新刻画的图像序列中的图像帧进行背景模型的选择和前景提取，得到目标帧。

3.根据权利要求2所述的基于机器学习算法的城市风险监控网络系统，其特征在于，通过机器学习算法比对所述RGB色系图片，得到多个前端监控设备拍摄的不同角度的所述RGB色系图片，包括：

根据机器学习算法构建用于对所述RGB色系图片进行相似整合处理的学习模型，所述学习模型包括：自回归滑动平均模型、神经网络模型、随机森林模型、决策树模型。

4.根据权利要求1所述的基于机器学习算法的城市风险监控网络系统，其特征在于，所述前端监控设备包括：摄像机、探测镜头、红外灯和固定支架，所述探测镜头设置在所述摄像机的前端，用于获取图片或视频信息；所述红外灯设置在所述摄像机的内侧；所述固定支架设置在所述摄像机的外侧，用于固定所述摄像机的机身。

5.根据权利要求1所述的基于机器学习算法的城市风险监控网络系统，其特征在于，所述数据传输装置包括：视频线、电源线和控制线。

6.根据权利要求1所述的基于机器学习算法的城市风险监控网络系统，其特征在于，所述后端显示装置包括：电连接的视频分配器、数据安全监视器和显示器。

7.根据权利要求1所述的基于机器学习算法的城市风险监控网络系统，其特征在于，所述储存装置包括：储存硬盘或云端储存系统。

8.一种基于机器学习算法的城市风险监控方法，其特征在于，应用于权利要求1-7中任一项所述的基于机器学习算法的城市风险监控网络系统中，所述方法包括：

步骤1：获取监控视频对应的RGB色系图片；

步骤2：通过高斯混合模型对不同角度的所述RGB色系图片的每个像素点所呈现的颜色进行重新刻画，得到重新刻画的图像序列，并从所述重新刻画的图像序列中提取出目标帧；

步骤3：显示所述目标帧。

9.根据权利要求8所述的基于机器学习算法的城市风险监控方法，其特征在于，所述步骤2包括：

分帧存储所述RGB色系图片；

通过机器学习算法比对所述RGB色系图片，得到多个前端监控设备拍摄的不同角度的所述RGB色系图片；

通过K个高斯混合模型分别描述不同角度的所述RGB色系图片的背景像素分布规律，其中，K为大于1的自然数；

将不同角度的所述RGB色系图片的每个像素点所呈现的颜色用R、G、B三个高斯分布的叠加组合来刻画，得到重新刻画的图像序列；

对所述重新刻画的图像序列中的图像帧进行背景模型的选择和前景提取，得到目标帧。