一种面向监控系统的摄像头物理空间分布测定方法与流程

本发明属于网络安全技术领域，尤其涉及一种面向监控系统的摄像头物理空间分布测定方法。

背景技术：

随着平安城市的启动和建设，我国基本实现了视频监控系统全覆盖。随着摄像头的广泛应用，海量摄像头服务和应用也应运而生，在给人们提供便捷的同时，也给一些不法分子有了可乘之机。摄像头联网、公网开放的特性容易被不法分子利用，不法分子通过网络和云端能够更加轻松地获取摄像头的信息，甚至是控制权限。因此，对摄像头网络进行有效的安全态势感知就显得十分重要。

目前，大多摄像头是处在内网环境中。如果内网摄像头被攻击，说明导致网络攻击的源头就处于内网之中，而内网中的设备处于防火墙或者vpn等技术的防护中，此时，这些技术就会是我们定位攻击源头的阻碍。所以如何从外网对内网摄像头进行安全的态势感知、发现内网摄像头的网络结构就显得十分重要。

在摄像头网络物理空间分布的研究中，最直接的方法是在部署摄像头之前就记录下其所在位置，在数据库中将摄像头id和摄像头所处经纬度建立一一对应关系。这种方法需要人工辅助，开销较大，发生变动时还需人工修改，不够灵活；在依据视频内容分析摄像头网络物理空间分布的研究中，常用方法是获取目标在摄像头视场中进出的位置和时间，最后通过矢量量化算法对生成的组进行筛选，从而判断摄像头之间的位置关系，这种方法计算量大，部分摄像头归属准确率低，且摄像头网络规模较小，其摄像头数量都在5个左右。本文所讨论的内网摄像头网络场景中摄像头数量远远超过这个规模。

综上所述，现有技术存在的问题是：现有的摄像头网络物理空间分布方法计算量大、网络规模较小，对遗漏摄像头未进行很好的归属。

解决上述技术问题的难度：从内网摄像头获取到的视频内容信息不均匀，部分摄像头行人多部分摄像头行人少，如何在有限时间内快速计算出拓扑结构，并对遗漏节点进行准确的归属是我们要解决的问题。

解决上述技术问题的意义：本发明为视频监控系统而设计的方法，弥补了内网探测的空白。目前内网中的设备处于防火墙或者vpn等技术的防护中，现有的摄像头拓补结构构建方法不准确，快速的建立一个准确、庞大的摄像头拓扑结构对定位攻击源头有着重大意义。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种面向监控系统的摄像头物理空间分布测定方法。

本发明是这样实现的，一种面向监控系统的摄像头物理空间分布测定方法，所述面向监控系统的摄像头物理空间分布测定方法包括：

第一步，先对各个不同目标进行识别，当一个目标进入摄像头拍摄区域，就注册in事件，当目标离开摄像头拍摄区域，注册out事件；通过基于滑动窗口的组合计数，获取规定时间内监控范围内所有需要的组合事件；

第二步，使用状态转移的概率矩阵来建模目标在物理空间的移动，计算目标在各个摄像头之间转移的概率，分析摄像头之间的位置关系；

第三步，对内网中摄像头网络进行了初步的测绘，得到一个不完整的拓扑图，有许多剩余的摄像头节点；利用计算分析出的摄像头物理分布和不完整的拓扑，结合视频流的网络信息，完善摄像头网络拓扑。

进一步，所述第一步具体包括：视频事件表示，两个事件的组合表示为i和j分别表示组合开始和结束于编号为i和j的摄像头，ei和ej分别表示摄像头i和j所捕获的事件，使用数学符号事件表示为：

ei＝1,ifeiisaninevent

ei＝0,ifeiisanoutevent；

对于一个目标，一个摄像头接收并获取一个事件之后，当接收到下一个事件时，将两个事件组成一对；单个目标的路径中会有一对或多对事件组合；

根据目标移动的方向，in、out事件在不同的区域中注册，一个目标从左向右移动，首先注册in1事件，然后注册in2事件；两个事件进行组合后，表示为其同种类组合的数量增加；后面两个组合和分别表示为和

2)滑动窗口根据事件的数量有一个预定义的长度n和一个预定的限制时间t，窗口中第一个事件与窗口中的其他n-1个事件配对，之后，窗口被移动，删除旧事件并添加一个新事件，该事件应该是窗口中最近事件的连续事件；如果在时间t内都没有新事件进入，则对于现有窗口中每两个事件进行配对和计数，然后抛弃这个滑动窗口，对于等待时间t之后获取的事件，新建一个窗口重新进行计算；最后对配对出的事件组合进行计数；

滑动窗口的长度n为4，时间t为t1，且t1小于t0；对于从左向右的这个目标，其滑动窗口内事件的增加删除和事件的组合结果如下所示：

...；

对于从右向左的这个目标，其滑动窗口内事件的增加删除和事件的组合结果如下所示：

由于t1小于t0，在t1时间内都没有新事件进入，所以对于第一个窗口中每两个事件进行配对。

进一步，所述第二步具体包括：

1)计算组合数量矩阵；首先计算同类组合的数量

对组合数量进行存储，形成一个组合数量矩阵；

2)计算概率矩阵；

通过组合数量，计算目标在摄像头拍摄范围之间转移的概率；

把目标在摄像头拍摄范围之间转移的概率进行存储，形成一个状态转移的概率矩阵；

每一行的总和都为1；

3)计算摄像头关联度，形成空间拓扑；摄像头i和j的关联度ri,j通过如下公式计算；

其中的代表的是这类组合的权重。

进一步，所述第三步具体包括：

1)子网质心计算，将一子网中所有设备的网络信息数据的均值作为该子网的质心；

2)剩余节点子网归属推测，通过计算摄像头网络信息数据和子网质心网络信息数据的相似度进行归属推测；马氏距离的计算公式如下：

计算摄像头节点与每个子网质点的马氏距离，马氏距离越小，其相似度越高，选择马氏距离最小的，归入该子网。

本发明的另一目的在于提供一种应用所述面向监控系统的摄像头物理空间分布测定方法的城市监控系统。

综上所述，本发明的优点及积极效果为：本发明为视频监控系统而设计的算法，是首次专门针对内网的设备进行拓扑探测，弥补了内网探测的空白。本发明充分利用了视频监控系统的大量行人信息，不影响设备的正常使用，被动收集信息自动探测；与传统设备探测方法相比，拓扑结构更准确，能够对遗漏节点进行很好的的归属，在较短时间内能够达到一个较高的准确度，针对大规模监控系统，计算时间缩短了近10％。

附图说明

图1是本发明实施例提供的面向监控系统的摄像头物理空间分布测定方法流程图。

图2是本发明实施例提供的面向监控系统的摄像头物理空间分布测定方法实现流程图。

图3是本发明实施例提供的摄像头拍摄范围中事件获取示例示意图。

图4是本发明实施例提供的视频拍摄范围内可能出现的路径示意图。

图5是本发明实施例提供的基于滑动窗口的组合计数示例示意图。

图6是本发明实施例提供的摄像头之间的关联度示例示意图。

图7是本发明实施例提供的根据物理分布推理网络空间拓扑示意图。

图8是本发明实施例提供的摄像头物理分布分析所用时间示意图。

图9是本发明实施例提供的准确率随时间变化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有的摄像头网络管理方法存在不能保证存在漏洞的摄像头不会被攻击者入侵的问题；摄像头的拓扑发现对于摄像头安全有着极为重要的意义。本发明提供了一种更适应于监控系统的摄像头物理空间分布计算方法。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的面向监控系统的摄像头物理空间分布测定方法包括以下步骤：

s101：先对各个不同目标进行识别，当一个目标进入摄像头拍摄区域，就注册in事件，当目标离开摄像头拍摄区域，注册out事件；通过基于滑动窗口的组合计数，获取规定时间内监控范围内所有需要的组合事件；

s102：使用状态转移的概率矩阵来建模目标在物理空间的移动，计算目标在各个摄像头之间转移的概率，分析摄像头之间的位置关系；

s103：对内网中摄像头网络进行了初步的测绘，得到一个不完整的拓扑图，有许多剩余的摄像头节点；利用计算分析出的摄像头物理分布和不完整的拓扑，结合视频流的网络信息，完善摄像头网络拓扑。

下面结合附图对本发明的应用原理作进一步的描述。

本发明提供面向监控系统的摄像头物理空间分布测定方法。主要分为三个部分：视频有效事件提取、绘制物理空间拓扑、拓扑推测完善。

1、视频有效事件提取

视频中行人的路径反映了各个摄像头拍摄区域之间的直接关系，但行人的路径十分复杂多变，所以本发明只针对行人进入和走出摄像头拍摄范围进行记录。

1)视频事件表示

本发明先对各个不同目标进行识别，当一个目标进入摄像头拍摄区域，就注册in事件，当目标离开摄像头拍摄区域，就注册out事件。一个目标的路径就是由成对的in、out事件组成。本发明把两个事件的组合表示为i和j分别表示了这个组合开始和结束于编号为i和j的摄像头，而ei和ej分别表示摄像头i和j所捕获的事件(in或者out事件)。使用数学符号事件表示为：

ei＝1,ifeiisaninevent.

ei＝0,ifeiisanoutevent.

具体来说，对于一个目标，一个摄像头接收并获取一个事件之后，当接收到下一个事件时，本发明将这两个事件组成一对。单个目标的路径中会有一对或多对事件组合。通过统计有效组合，来为后面的计算提供数据。

如图3所示，两个有重叠的摄像头拍摄范围中，两个不同方向的目标在行进过程中所产生in、out事件。根据目标移动的方向，in、out事件可以在不同的区域中注册。在图3中，一个目标从左向右移动，首先注册in1事件，然后注册in2事件。两个事件进行组合后，表示为其同种类组合的数量就增加了。同理，后面两个组合和分别表示为和

图4展示了一个目标穿过重叠或孤立的摄像头拍摄区域内可能出现情况的示例。其中包括的情况有一个单独摄像头、拍摄区域部分重叠的两个摄像头、一个摄像头拍摄区域被包含在另一个内部和两个拍摄区域相互独立的摄像头。从图中本发明可以看出所有的组合可以分为以下5类：

类型1：只穿过单个摄像头拍摄区域的一部分，并不是完全穿过摄像头的拍摄区域。对于一个组合其ei和ej相等，而i和j不等。例如图4(b)中的和(c)中的

类型2：完整穿过一个摄像头的拍摄区域。对于一个组合其ei为1，ej为0，而i和j相等。例如图4(a)中的(c)中的(d)中的和

类型3：通过一个重叠的摄像头拍摄区域区域。对于一个组合其ei为1，ej为0，并且i和j不相等。例如图4(b)中的

类型4：走出某个拍摄区域之后又回到之前的拍摄区域。对于一个组合其ei为0，ej为1，并且i和j相等。例如图4(a)中的

类型5：穿过一段拍摄范围之外区域后，到达另一个摄像头拍摄区域。对于一个组合其ei为0，ej为1，而i和j不相等。例如图4(d)中的

如果一个组合无法归为上述5类中的一种，那就说明这个组合是个无效的错误的记录，可以直接删去，避免对后面的分析造成误导。

2)基于滑动窗口进行组合计数

由上述可知，目标的路径是由一个个事件组成。相邻的事件组成组合，每个组合可以代表摄像头之间的位置关系。对于监控系统中大规模的摄像头网络，本发明需要扩大事件组合的范围。本发明用滑动窗口来扩大事件组合的范围。

滑动窗口根据事件的数量有一个预定义的长度n和一个预定的限制时间t，窗口中第一个事件与窗口中的其他n-1个事件配对，之后，窗口被移动，删除旧事件并添加一个新事件，该事件应该是窗口中最近事件的连续事件；如果在时间t内都没有新事件进入，则对于现有窗口中每两个事件进行配对和计数，然后抛弃这个滑动窗口，对于等待时间t之后获取的事件，本发明新建一个窗口重新进行计算。最后对配对出的事件组合进行计数。

如图5所示，一个目标从左向右穿过编号为1、2、3的摄像头；另一个目标从右向左穿过编号为2、3、4的摄像头。其中编号为1、3的摄像头与编号为2的摄像头有重叠部分。而编号为4的摄像头距离其余3个摄像头较远，并且从离开编号为2的摄像头行进到编号为4的摄像头的时间为t0，即走完这段的时间为t0。然后，本发明设定滑动窗口的长度n为4，时间t为t1，且t1小于t0。

对于从左向右的这个目标，其滑动窗口内事件的增加删除和事件的组合结果如下所示：

...；

对于从右向左的这个目标，其滑动窗口内事件的增加删除和事件的组合结果如下所示：

由于t1小于t0，在t1时间内都没有新事件进入，所以对于第一个窗口中每两个事件进行配对。后面接收的事件新开一个窗口。

通过基于滑动窗口的组合计数，本发明即扩大了组合范围，又保证了低相关事件不会被组合在一起。至此，获取了规定时间内监控范围内所有需要的组合事件，为下一步计算目标在摄像头之间的转移概率打下基础。

2、绘制物理空间拓扑

行人目标从一个摄像头拍摄范围转移到另一个摄像头拍摄范围，相当于从一个状态转移到另一个状态。为了分析摄像头的物理空间分布，本发明使用一个状态转移的概率矩阵来建模目标在物理空间的移动，计算目标在各个摄像头之间转移的概率，进而分析摄像头之间的位置关系。

1)计算组合数量矩阵

首先计算同类组合的数量如下所示：

然后，对这些组合数量进行存储，形成一个组合数量矩阵。如下所示：

2)计算概率矩阵

通过组合数量，计算目标在摄像头拍摄范围之间转移的概率，如下所示：

把目标在摄像头拍摄范围之间转移的概率进行存储，形成一个状态转移的概率矩阵，如下所示：

从中可以看出，每一行的总和都为1。各个摄像头与其余摄像头在物理空间分布的远近，可以通过目标在摄像头拍摄范围之间转移的概率进行刻画。

3)计算摄像头关联度，形成空间拓扑；

摄像头i和j的关联度ri,j可以通过如下公式计算：

其中的代表的是这类组合的权重。如前文所述，不同类型组合所描述的目标状态转移不一样，所以不同组合在计算摄像头物理空间分布关联度中的权重也就不一样。

根据摄像头关联度，推测物理空间拓扑结构，关联度越大，物理空间分布越为相近。如果最后的结果不能很好的反应摄像头之间的位置关系，则需要扩大收集信息的收集量，一直到可以有效描述摄像头之间的位置关系为止。

例如，本发明现在有5个摄像头节点，其状态转移的概率矩阵如下所示：

再根据之前的摄像头关联度计算公式，本发明设置c1,1和c0,0为1，c1,0为1.5，c0,1为0.5，计算各个摄像头与其余摄像头的关联度。本发明将这5个摄像头之间的关联度通过一个有向图表示，然后舍去值较小的关联，只留下数值较大的关联。如图6所示。

如图6，编号为1、2和3的摄像头相互关联，而编号为4和5的摄像头相互关联。这说明编号为1、2和3的摄像头在物理空间的位置分布较接近，而编号为4和5的摄像头相互接近。再结合物理分布与网络拓扑的关系，本发明可以去推理这五个摄像头在网络空间中的拓扑图。本发明保留节点较多的连通图，把其中的节点划归为一个确定出的子网中。而剩余连通图中的节点作为待定节点，等待后面进一步完善拓扑时，再对其子网归属进行计算。如图7所示。

3、拓扑推测完善

通过上述计算，本发明对内网中摄像头网络进行了初步的测绘，得到了一个不完整的拓扑图，有许多剩余的摄像头节点。针对剩余摄像头应该定位到哪个已知子网这一问题，提出了一种物理分布与网络信息融合的摄像头网络拓扑推测方法，该方法主要利用计算分析出的摄像头物理分布和不完整的拓扑，结合视频流的网络信息，如时延、跳数，进一步完善摄像头网络拓扑。

1)子网质心计算

所谓子网的“质心”，就是子网中设备网络信息数据的质心。本发明将这一子网中所有设备的网络信息数据的均值作为该子网的质心。

2)剩余节点子网归属推测

通过计算摄像头网络信息数据和子网质心网络信息数据的相似度进行归属推测。计算相似度选择马氏距离(mahalanobisdistance)。马氏距离是一种有效的计算两个未知样本集的相似度的方法，与欧氏距离不同的是它考虑到各种特性之间的联系并且独立于测量尺度。在本发明的网络信息数据向量中，许多信息，如时延、跳数，相互之间都有联系，所以适合用马氏距离来计算网络信息数据之间的相似度。

马氏距离的计算公式如下：

计算摄像头节点与每个子网质点的马氏距离，马氏距离越小，其相似度越高，选择马氏距离最小的，归入该子网。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。