一种基于物联网的社区防盗系统的制作方法

本发明物联网技术应用领域，具体涉及一种基于物联网的社区防盗系统。

背景技术：

随着城市商品房和网络交流服务的发展，人与人之间的交流越来越少，以至于出现“同住一幢楼邻居之间互不认识”的情况，邻里之间的互漠不关心容易衍生入室盗窃事件的发生。因此设计一种新型的社区防盗系统来防止盗窃时间的发生是必要的。

技术实现要素：

针对上述问题，本发明旨在提供一种基于物联网的社区防盗系统。

本发明的目的采用以下技术方案来实现：

一种基于物联网的社区防盗系统，包括设置在防盗门和/或防盗窗上的监控终端节点和防盗监控器，还包括与防盗监控器远程连接的监视终端，所述监控终端节点与所述防盗监控器相连接；所述防盗监控器包括音频识别器、压力传感器、限位开关、报警装置和摄像头。

本发明的有益效果为：通过设置监控终端节点和防盗监控器，可以自动监测到防盗门和/或防盗窗上的钥匙孔处的音频信号、压力，以及防盗门和/或防盗窗上是否被非正常开启，综合多方面信息，及时对可能出现的入室盗窃行为作出判断，并将监控信息传输至该用户的监视终端，监控准确率高，及时迅速，可大大地提高住宅的安全性，减少入室盗窃带来的损失。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是本发明的物品检测器的结构连接示意图。

附图标记：

监控终端节点1、防盗监控器2、监视终端3、无线通讯装置4、物品检测器5、报警器6、扫描模块11、图像处理模块12、背景消减模块13、人体区域检测模块14、隐匿物品检测模块15。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1、图2，本实施例的一种基于物联网的社区防盗系统，包括设置在防盗门和/或防盗窗上的监控终端节点1和防盗监控器2，还包括与防盗监控器2远程连接的监视终端3，所述监控终端节点1与所述防盗监控器2相连接；所述防盗监控器2包括音频识别器、压力传感器、限位开关、报警装置和摄像头。

优选的，所述监视终端3通过无线通讯装置4与防盗监控器2远程连接，所述无线通讯装置4接收防盗监控器2的监控信息并将监控信息传送至监视终端3。

优选的，所述监视终端3为手机监视终端。

本发明上述实施例通过设置监控终端节点1和防盗监控器2，可以自动监测到防盗门和/或防盗窗上的钥匙孔处的音频信号、压力，以及防盗门和/或防盗窗上是否被非正常开启，综合多方面信息，及时对可能出现的入室盗窃行为作出判断，并将监控信息传输至该用户的监视终端3，监控准确率高，及时迅速，可大大地提高住宅的安全性，减少入室盗窃带来的损失。

优选的，所述社区防盗系统还包括用于检测防盗门和/或防盗窗外徘徊的人员身上的隐匿物品的物品检测器5，所述物品检测器5通过无线通讯装置4与监视终端3远程连接，所述社区防盗系统还包括用于在物品检测器5检测到所述徘徊的人员身上藏有危险的隐匿物品时进行报警的报警器6；所述物品检测器5包括：

(1)扫描模块11，用于对被检人员进行毫米波扫描获得原始被动毫米波图像；

(2)图像处理模块12，用于对所述原始被动毫米波图像进行处理获得目标图像；

(3)人体区域检测模块14：基于所述目标图像，通过对人体是否存在的预判断，进行人体区域检测，获取人体区域；

(4)隐匿物品检测模块15：在所述人体区域内，采用Canny边缘算子和置信区间结合的混合分割的方法，对隐匿物品进行检测，并对检测到的隐匿物品区域进行标记；

(5)隐匿物品识别模块，用于对隐匿物品进行识别。

本优选实施例设计了物品检测器5的模块架构，实现了物品检测器5对隐匿物品的检测。

优选地，所述图像处理模块12包括：

(1)二值化单元，用于对所述原始被动毫米波图像进行二值化获得二值化图像,包括：将所述原始被动毫米波图像进行平滑区P₁、过渡区P₂和边缘区P₃的区域划分,其采用平方奇异值作为区域能量的衡量，并定义区域划分公式为：

其中，v(i)为原始被动毫米波图像中像素点i处的观测值，Q(i)为对应原始被动毫米波图像中像素点i处的平方奇异值，为平方奇异值的均值；

对于平滑区P₁，设定阈值T₁，T₁为平滑区P₁所有像素灰度值的平均值，将平滑区P₁的每个像素灰度值与阈值T₁进行比较，若大于T₁，则取值为255，否则取值为0；对于过渡区P₂和边缘区P₃，过渡区P₂和边缘区P₃中每个像素点i为中心的(2a+1)x(2a+1)窗口，a∈[1，3]，各像素点阈值T₂(i)定义为该像素窗口内最大灰度值与最小灰度值和的一半，将过渡区P₂和边缘区P₃的每个像素灰度值和相应阈值T₂(i)比较，若大于T₂(i)，则取值为255，否则取值为0；

(2)预处理单元，用于对二值化图像进行稳像以及去噪处理以获得初步去噪图像，包括：

a、图像稳像子单元，用于消除人在运动时造成的图像抖动，包括：

(1)对被检对象进行毫米波扫描时，选定第一帧图像作为参考帧，将参考帧划分为互不重叠三个区域1、2、3，K表示图像宽度，G表示图像高度，从图像左上开始按照顺时针方向依次为区域1、2、3，区域1、2的大小为0.5K×0.5G，区域3的大小为K×0.5G；

(2)在下一帧扫描到的图像中心位置选定区域A₀，A₀的大小选定为0.5K×0.5G，按照step1的方法将A₀划分为三个图像子块A₁、A₂、A₃，A₁和A₂用于估算垂直方向上的局部运动向量，A₃用于估算水平方向上的局部运动向量，令A₁、A₂、A₃分别在1、2、3三个区域内搜寻最佳匹配，从而估计出图像序列的全局运动矢量，然后进行反向运动补偿，消除图像模糊；

b、分区去噪子单元，用于对平滑区P₁、过渡区P₂和边缘区P₃分别进行去噪处理，设平滑区P₁、过渡区P₂和边缘区P₃的去噪估计分别为G₁(i)、G₂(i)和G₃(i)，各区域的去噪估计的计算公式分别为：

式中，N₁为平滑区的像素总数量，V(j)为平滑区P₁在点j处的灰度值，s₁v(i)为通过均值滤波器处理后提取出的像素点i处的平滑区均值，s₁v(j)为通过均值滤波器处理后提取出的像素点j处的平滑区均值；v(j)表示边缘区P₃中所有的像素点，为归一化常数，d为边缘区P₃中像素点i和像素点j的环形特征向量的高斯加权欧氏距离，γ为高斯核函数的标准差，μ为边缘区P₃中噪声的标准差，且

c、再次去噪子单元，连接分区去噪子单元，用于采用基于分裂Bregman迭代的全变分去噪算法对由分区去噪子单元处理后的被动毫米波图像进行进一步去噪，从而进一步去除被动毫米波图像中的高斯白噪声。

本优选实施例设置图像稳像子单元，能够消除人在运动时造成的图像抖动；二值化单元中，采用全局阈值二值化和局部阈值二值化结合的方法，在保证速度的前提下取得了良好的效果；被动毫米波图像由少量近似分块平滑的图像块组成，包含有大量的冗余信息，根据这一特点，设置预处理单元，采用奇异值分解将被动毫米波图像划分为平滑区、过渡区和边缘区，并根据这三类区域各自的特征设置分区去噪子单元，用于对平滑区、过渡区和边缘区分别进行去噪处理，与目前较为主流的集中图像去噪算法相比，能够获得较高的BRISQUE，提高了计算的速度，且能够明显抑制扫描线噪声以及高斯白噪声的影响；采用再次去噪子单元，结合分区去噪子单元，进一步去除被动毫米波图像中的高斯白噪声，提高去噪效果。

优选的，所述隐匿物品检测模块15在进行混合分割时，选用合适的阈值T_y对所述目标图像进行阈值处理，所述置信区间表示隐匿物品边缘分布的灰度范围，其中包含目标图像所有边缘的全局置信区间为[int((V_l+V_h)/2),V_h],其中int()为取整算子，V_l为整个目标图像的边缘点的最小灰度值的下界，V_h为整个目标图像的边缘点的最大灰度值的上界；计算每一个隐匿物品的置信区间时，使用从V_l+1开始逐点增加的阈值T_g对目标图像进行分割，直至阈值T_g＝V_h-1时停止分割，当前景中出现了一个新的独立区域时，定义对应位置有另一个隐匿物品，隐匿物品的置信区间定义为：P_z＝[(T_g+V_h)/2,V_h]，采用边缘算子提取隐匿物品的置信区间中的边缘曲线，定义边缘曲线内所包含的区域为P_c，最终得到的隐匿物品的精确分割区域P_y为：

式中，为由较小的阈值T_y＝(T_g+V_h)/2对目标图像进行分割得到的区域。

本优选实施例采用Canny边缘算子和置信区间结合的混合分割的方法实现了对隐匿物品的分割，提高了分割的速度和精度。

优选地，所述人体区域检测模块14能够对人体隐私部位进行屏蔽，具体包括：

(1)通过脸部识别对人员的性别进行判断，根据性别不同确定不同的隐私部位，划定隐私区域；

(2)对确定的隐私区域进行模糊处理，图像模糊采用如下方法：

对于隐私区域任一点(x,y),采用函数确定(x,y)的5×5邻域点的取值权重，对该点进行邻域加权平均，得到该点的模糊值，从而达到模糊效果。

本优选实施例使得检测更加人性化。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。