[发明专利]基于区块链网络的校园安全巡检系统

权利要求书

1.一种基于区块链网络的校园安全巡检系统，其特征在于，包括：

异常图形生成单元，用于在校园特定区域设置摄像装置，根据摄像装置采集的坐标位置形成安全巡检单元，在安全巡检单元中根据相关性函数计算，生成异常图形集合；

条件筛选单元，用于对异常图形集合进行条件筛选识别，根据关联性回归模型计算获取目标对象的特征参数。

2.根据权利要求1所述的基于区块链网络的校园安全巡检系统，其特征在于，所述异常图形生成单元包括：

从校园特定区域设置形成三角形方位的摄像装置，对初始摄像装置设置为坐标(x₁₁,y₁₁)，通过摄像装置获取的图像信息，对图像信息中的异常特征图像进行判断；

设置的其它两个摄像装置方位坐标分别为(x₁₂,y₁₂)，(x₁₃,y₁₃)，通过形成的特定方位的安全巡检单元进行巡查，对监测范围中收集到每个方向的行为形成状态矩阵；对监测范围中每个方向的状态矩阵与设备预存的状态矩阵进行相关性分析，根据校园中物体的位置，形成干扰参数δ，通过对n个安全巡检单元与第s个异常图形的相关性函数计算，得到安全巡检单元中异常图形发生的可能性，

该相关性函数计算为：

其中O_n为安全巡检单元的特征向量，q_n为安全巡检单元的特征阈值，Q_s为异常图形的特征向量，o_s为异常图形的特征阈值，A为正整数，为安全巡检单元异常图像计算的归一化系数，根据第i个异常状态区域所覆盖的n个安全巡检单元的相关性系数以及第i个异常状态区域所发现的s个异常图形的相关性系数根据相关性函数的计算，为异常图形有效性计算；为安全巡检单元的特征向量和异常图形的特征向量所产生的整体特征差异曲线。

3.根据权利要求1所述的基于区块链网络的校园安全巡检系统，其特征在于，所述条件筛选单元包括：

安全巡检单元提取异常图形时，所提取的异常图形也会存在于另一安全巡检单元中，这就需要对异常图形进行重复去噪处理，对重复的异常图形进行遍历去噪计算，将异常图形集合B中的图形信息逐个放入筛选的条件概率中；对于集合B中分为在n个安全巡检单元中收集的异常图形集合B_n，以及异常图形集合中j个重复的异常图形B_j，C为异常图形集合B中异常图形的属性条件，满足筛选条件算法M为正整数异常图形数值，

其中，表示B_n的所有异常图形的属性条件C的条件概率的乘积，B_n和B_j以及C的联合概率分布为P(B_n,B_j|C)，以及遍历B_n和C得到条件概率分布P(B_n|C)，遍历B_j和C得到条件概率分布P(B_j|C)。

4.根据权利要求1所述的基于区块链网络的校园安全巡检系统，其特征在于，所述条件筛选单元包括：

经过条件筛选之后去掉重复的异常图形，在异常图形中需要定位真正的安全风险目标对象，根据安全性信息判定条件进行关联性计算，

关联性计算回归模型函数为：

F_n＝I_n(u)+σ+J_n·ε+K_n·μ

F_n为目标对象关联预测值，ε为目标对象关联预测值F_n和J_n物体跌落输出图形集合的回归系数，μ为目标对象关联预测值F_n和K_n人员聚集输出图形集合的回归系数，σ为分布图形的调节系数，

I_n(u)为场所动态数据判断函数、通过异常图形中获取温度图形监测数据，u为温度图形数量，A_n为显示温度图形通信反馈超时阈值、b_n为通信中断阈值、h为综合判断场所温度图形的应力，λ为判断参数，

通过对物体跌落判断模型进行模型计算由于物体判断过程中需要对图形x和y方位进行联合处理，对异常图形中相邻像素发生的变化度进行梯度运算，D_x为物体跌落异常图形x方位的梯度值，D_y为物体跌落异常图形y方位的梯度值，c_p为第p个疑似跌落图形的基向量参数，d_p为第p个疑似跌落图形的基向量，N为正整数的疑似跌落图形；为物体跌落阈值，

通过对人员聚集判断模型进行模型计算K_n＝max{|G_x|+|G_y|,H_(x,y),g}，求得异常图形中人员的最大值，G_x为人员聚集异常图形x方位的梯度值，G_y为人员聚集异常图形y方位的梯度值，H_(x,y)为位置坐标x，y的人员聚集异常图形的偏移值；g为人员聚集判断阈值。