本发明属于图像处理，具体涉及一种基于多摄像头数据融合的牛群密度异常预警方法。
背景技术：
1、多摄像头数据融合技术是一种将多个摄像头的图像或视频进行对齐、提取、推理，利用多路视觉源的互补性，实现对同一目标或场景的跨视角合成与增强。在肉牛养殖领域，由于育牛场密度普遍高，肉牛活动范围大，传统的监控方式不能及时监测到密度变化情况，容易导致疾病传播风险上升，踩踏与拥堵事故；另一方面，现有方案技术在牛群密度变化和风险事件之间缺少关系建模，未能对风险事件提前预警。
2、基于上述考虑，本发明提出的基于多摄像头数据融合的牛群密度异常预警方法，利用多摄像头数据融合技术为育牛场建立二维坐标系，划分网格统计网格内肉牛密度，形成映射关系并引入模型验证，对风险概率设置阈值并提前生成预警信号，从而能够有效地规避上述问题。
技术实现思路
1、本发明提供一种基于多摄像头数据融合的牛群密度异常预警方法，目的以解决肉牛育牛场中牛群密度异常，疾病传播风险上升，发生踩踏与拥堵事故的问题。
2、本发明为解决上述技术问题，提供一种基于多摄像头数据融合的牛群密度异常预警方法：多摄像头数据融合，建立牛群运动模型；场区空间网格化，计算网格密度并提取特征；引入风险映射模型，建立牛群密度到风险概率映射关系；提前生成预警，闭环反馈与模型优化。
3、作为一种优选的实施方式，所述的多摄像头数据融合的具体步骤为：将多个摄像头进行静态标定，固定摄像头位置，将静止的标定板放置于摄像头不同角度位置进行拍摄，提取拍摄图像中的像素坐标，输入标定算法中求解，标定算法公式:
4、
5、其中(u，v)表示像素坐标，(i，j)为全局坐标，r和t表示旋转和水平参数，fr表示水平焦距，ft表示垂直焦距，(cx，cy)表示主点坐标，s表示像素坐标系斜率值，在网络交换机和摄像头上启用ptp协议。
6、作为一种优选的实施方式，所述的建立牛群运动模型的具体步骤为：选取场区角点为原点，建立全局坐标系，将摄像头观测到的像素坐标，还原为相机坐标系下的归一坐标，再通过旋转和水平参数以及像素坐标系斜率值，将相机坐标转换到同一全局坐标系下的参考坐标；对连续帧之间位置变化的肉牛引入速度(vx,vy)和加速度(ax,ay)运动参数，形成状态向量s(t)＝[x,y,vx,vy,ax,ay],每300ms记录肉牛的状态向量，形成按时间排列的状态序列s(t0),s(t1)....s(tn)，其中s(t)表示当前t时刻的状态向量，生成不同肉牛的状态序列，比较肉牛特征相似度，并结合空间距离，将同一肉牛的多摄像头拍摄进行匹配，形成该肉牛的全局轨迹。
7、作为一种优选的实施方式，所述的场区空间网格化的具体步骤为：在全局坐标系划分网格，是以原点为起始点，各方向以1.5m为单位长度，形成1.5m*1.5m的网格；在全局坐标系下，将肉牛的外廓投影按矩形取值，对于跨域网格单元的肉牛，根据肉牛在不同网格的投影面积占比，分别统计到不同网格；通过网格面积与肉牛头数计算每个网格的密度，网格内密度计算公式为：网格内密度其中ρ表示网格密度，count表示肉牛个数；根据网格密度划分等级，当ρ≤0.28头/m2时，属于安全级别，当0.28<ρ≤0.46头/m2时，属于轻度拥挤级别，当0.46<ρ≤0.69头/m2时，属于中度拥挤级别，当ρ>0.69头/m2时，属于重度拥挤级别；对网格密度情况提取特征，利用特征值公式其中lquality表示网格的特征值大小，ρhigh表示不安全的网格密度，大于0.46为不安全，t表示时间，δρ表示网格密度变化幅度，每120s计算一次所有网格的特征值大小，按数值排列，选取其中前20％为特征网格。
8、作为一种优选的实施方式，所述的引入风险映射模型的具体步骤为：选取逻辑回归模型作为风险概率映射模型，利用逻辑回归模型中权重系数的计算方式，对风险概率的影响情况进行量化，透明分析与验证模型决策逻辑，通过向量内积计算和对数几率映射，对育牛场这种大规模网格化场景推理。
9、作为一种优选的实施方式，所述的建立牛群密度到风险概率映射关系的具体步骤为：对上述步骤中排序前20％的特征网格持续关注，将所有满足条件的网格编号写入同一张特征网格表中，并赋予唯一的标识符，在之后5min内发生踩踏、群体骚动等风险事件，则记录风险事件发生的时刻，并将风险事件涉及的网格数据标记为正例，用数值1表示，反之则标记为负例，用数值0表示；选取标记数值为1的网格，提取出网格内所有肉牛个体的全局轨迹，分析风险事件发生前后肉牛个体的状态向量数值的变化情况；在发生风险事件的网格中，提取每帧图像，分别识别网格内出现的每头肉牛，把风险事件发生前后50s作为对比空间，将不同时段数据中同一头肉牛的状态向量作比较，清晰观察在风险事件发生前后哪一帧时，肉牛的运动参数有明显的变化趋势，并且与风险事件发生时的网格密度影响联系；将速度和加速度运动参数与网格密度特征值结合作为样本数据，与标记数值label∈{0，1}结合，形成特征向量f(o)＝[vx,vy,ax,ay,label,lquality,ρ]，o表示当前时刻，将特征向量f(o)与权重参数w＝[w1,w2,w3,w4,w5,w6,w7]计算，其中w1,w2,w3,w4,w5,w6,w7分别表示对应特征向量中的权重，计算得出线性得分：
10、z(o)＝[vx,vy,ax,ay,label,lquality,ρ][vx,vy,ax,ay,label,lquality,ρ]t，
11、作为输入激活概率函数，概率函数公式为其中prisk表示风险发生概率，通过对数几率映射得出风险发生的概率值；设置风险发生概率值的判定范围，当prisk<0.2时，认定为低概率级别，当0.2≤prisk<0.5时，认定为中等概率级别，当prisk≥0.5时，认定为高概率级别。
12、作为一种优选的实施方式，所述的提前生成预警的具体步骤为：将prisk≥0.2的认为是需人工处理的，通过智慧大屏供工作人员实时查看网格的风险概率情况，并用红色标记高概率级别的网格，用橙色标记中等概率级别网格，用黄色标记低概率级别网格；记录预警事件写入数据库，在移动终端设置反馈功能，现场人员根据处置情况更新状态，完成预警闭环。
13、作为一种优选的实施方式，所述的闭环反馈与模型优化的具体步骤为：部署自动化日志抓取，将数据库中的预警信息，与现场人员反馈的处置情况结合，对风险映射模型给出的风险概率打分，计算风险命中率，统计育牛场内误报或漏报情况，迭代优化模型。
14、本发明的有益效果是：
15、1.融合多摄像头数据，通过高精度标定与时钟同步，将牛群像素信息转换为统一坐标系，覆盖场区无死角，实现牛群密度变化的实时监测。
16、2.引入风险映射模型，将网格密度特征映射为风险概率，实现定量化联系，提前对风险事件预警，降低育牛场风险事件发生率，提升肉牛出栏产量。
1.一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：
2.根据权利要求1所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的多摄像头数据融合的具体步骤为：将多个摄像头进行静态标定，固定摄像头位置，将静止的标定板放置于摄像头不同角度位置进行拍摄，提取拍摄图像中的像素坐标，输入标定算法中求解，标定算法公式:
3.根据权利要求2所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的建立牛群运动模型的具体步骤还包括有：对连续帧之间位置变化的肉牛引入速度(vx,vy)和加速度(ax,ay)运动参数，形成状态向量s(t)＝[x,y,vx,vy,ax,ay],每300ms记录肉牛的状态向量，形成按时间排列的状态序列s(t0),s(t1)....s(tn)，其中s(t)表示当前t时刻的状态向量，生成不同肉牛的状态序列，比较肉牛特征相似度，并结合空间距离，将同一肉牛的多摄像头拍摄进行匹配，形成该肉牛的全局轨迹。
4.根据权利要求1所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的场区空间网格化的具体步骤为：在全局坐标系中划分网格，以原点为起始点，各方向以1.5m为单位长度，形成1.5m*1.5m的网格；在全局坐标系下，将肉牛的外廓投影按矩形取值，对于跨域网格单元的肉牛，根据肉牛在不同网格的投影面积占比，分别统计到不同网格；
5.根据权利要求4所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的计算网格密度并提取特征的具体步骤还包括有：根据网格密度划分等级，当ρ≤0.28头/m2时，属于安全级别，当0.28<ρ≤0.46头/m2时，属于轻度拥挤级别，当0.46<ρ≤0.69头/m2时，属于中度拥挤级别，当ρ>0.69头/m2时，属于重度拥挤级别；对网格密度情况提取特征，利用特征值公式其中lquality表示网格的特征值大小，ρhigh表示不安全的网格密度，大于0.46为不安全，t表示时间，δρ表示网格密度变化幅度，每120s计算一次所有网格的特征值大小，按数值排列，选取其中前20％为特征网格。
6.根据权利要求1所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的引入风险映射模型的具体步骤为：选取逻辑回归模型作为风险概率映射模型，利用逻辑回归模型中权重系数的计算方式，对风险概率的影响情况进行量化，透明分析与验证模型决策逻辑，通过向量内积计算和对数几率映射，推理育牛场大规模网格化场景；
7.根据权利要求6所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的建立牛群密度到风险概率映射关系的具体步骤还包括有：在发生风险事件的网格中，提取每帧图像，分别识别网格内出现的每头肉牛，把风险事件发生前后50s作为对比空间，将数据中同一头肉牛的状态向量做比较，记录风险事件发生时间戳，观察肉牛运动参数的变化趋势。
8.根据权利要求6所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的建立牛群密度到风险概率映射关系的具体步骤还包括有：将速度和加速度运动参数与网格密度特征值结合作为样本数据，与标记数值label∈{0，1}结合，形成特征向量f(o)＝[vx,vy,ax,ay,label,lquality,ρ]，o表示当前时刻，将特征向量f(o)与权重参数w＝[w1,w2,w3,w4,w5,w6,w7]计算，其中w1,w2,w3,w4,w5,w6,w7分别表示对应特征向量中的权重，计算得出线性得分：
9.根据权利要求1所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的提前生成预警的具体步骤为：将prisk≥0.2的认为是需人工处理的，通过智慧大屏供工作人员实时查看网格的风险概率情况，并用红色标记高概率级别的网格，用橙色标记中等概率级别网格，用黄色标记低概率级别网格；记录预警事件写入数据库，在移动终端设置反馈功能，现场人员根据处置情况更新状态，完成预警闭环。
10.根据权利要求1所述的一种基于多摄像头数据融合的牛群密度异常预警方法，其特征在于：所述的闭环反馈与模型优化的具体步骤为：部署自动化日志抓取，将数据库中的预警信息，与现场人员反馈的处置情况结合，对风险映射模型给出的风险概率打分，计算风险命中率，统计育牛场内误报或漏报情况，迭代优化模型。