基于地理场景的矿区监控选址模型

李雯静 胡 丹 李 楠

（1.武汉科技大学资源与环境工程学院，湖北武汉430081；2.冶金矿产资源高效利用与造块湖北省重点实验室，湖北武汉430081；3.武汉永业赛博能规划勘测有限公司，湖北武汉430062；4.湖北省测绘成果档案馆（湖北省地理信息数据交换中心），湖北武汉430074）

智慧矿山建设能够促进矿山信息化改造，实现采矿自动化与智能化，保障矿山安全、高效、绿色及可持续生产，实现科学采矿［1-3］。各类自动化、监测和监控系统是智慧矿山建设的重要组成部分，在矿山安全生产管理过程中发挥着重要作用。智慧矿山的研发企业也逐渐从单一设备供应商转变为技术解决方案供应商，开展了更多的跨领域研究。

在视频监控的智能化、高清化发展进程中，基于计算机视觉的视频内容理解技术是研究重点之一［4］，目前已有不少学者对智能视频监控技术进行了研究，其中背景建模、目标检测识别、目标跟踪、行为事件分析等算法已经较为成熟［5-7］，各研究单位也相继开发了通用性较强的智能视频监控系统［8-9］。

除了视频相关算法研究及通用系统开发外，现阶段智能视频监控技术的研究仍处于试验阶段，特别是在监控设备选址、监控画面布局设计等方面涉及较少，在通过视角构造提升源视频数据内容有效性的技术方面的研究深度不足。在智能视频监控系统研究方面，目前监控设备选址技术的研究受到很大关注。研究科学合理的视频监控选址模型，不仅有利于在满足公共安全区域全覆盖需求的同时达到节约社会资源的目的，而且能够提高视频监控源数据质量、减少冗余数据量，从而提高智能监控系统的运算效率。虽然视频监控技术早已在矿业［1］、林业［11］、室内等领域的安防系统和监管系统中得到应用，但是在监控点选取方面，缺乏科学合理的布局。根据智慧矿山现代化开采的需求，智能、合理、自动地选取摄像头的布设点及其监控范围是构建基于地理视频的公共安全监控系统的前提。

由于现代监控设备具有位置固定特性且遵循镜头成像原理，地理视频数据采集依旧依赖于监控设备，其画面质量受监控设备的地理位置、画幅尺寸、帧率、分辨率、仰角等参数影响。因此本研究在监控选址模型中考虑地理场景等语义，将监控对象的特征、行为、事件等语义信息融入到监控画面构造中，这有利于实现监控视频中的事件推理、信息挖掘和关联分析，响应智能视频监控系统的监控目标和需求，从监控设备选址开始为智慧矿山的视频覆盖网络构建服务，通过预设背景、监控对象、报警事件等实现对范围内有计划地监控。

1 视频监控技术路线

监控选址问题在数学上类似于一种集合覆盖类选址问题［11-12］，即在满足所有需求点的服务要求下，选取最少的设施点集合。解决该类问题通常采用基于启发式算法的近似求解算法，如启发式贪心算法［13］、改进式遗传算法［14］、人工蜂群算法［15］、二进制猫群优化算法等。基于几何的监控选址方法常以基本地理数据（如数字高程模型）为数据源，以数字地形分析为基础，结合模拟退火算法、遗传算法［16］等优化算法进行监控点自动选址，不仅能够缩短选址耗时，而且可以实现多个设备点进行联合监控，提升监控画面质量［17-19］。顾及属性的监控选址方法除了要考虑地理环境的特征外，还需要根据监控系统需求和研究专题的特点，对监控区域、监控对象的属性特点进行分析和分类，使选址结果能够满足需求［20-22］。

根据上述分析，目前大多数监控选址研究聚焦于视频监控数据的优化应用上，将高精技术着重投放在监控服务的末端，且研究方法主要结合数学、几何以及属性信息，虽然充分考虑了选址算法、地形特征、监控安装成本以及成像面积等因素，但是在监控服务上游的幅面构造、语义解析等方面的考虑较为缺乏，这也是监控选址研究领域迫切需要深入研究的方向。本研究从GIS视角综合分析了选址需求、监控设备参数、监控对象的位置语义与特征语义，提出了一种基于地理场景的矿区监控选址模型，实现了监控服务范围与二三维地图的有效融合。

本研究提出的基于地理场景的矿区监控选址模型的技术路线如图1所示。首先是模型方法设计，通过对比分析几种典型的地理视频语义模型中的地理实体、地理场景、监控设备和选址原则，从中提取了一组面向矿区监控选址的、可扩充的地理场景分类。接着结合实例研究地理场景相关语义模型，实现矿区监控需求分析以及地理实体、地理场景分类。最后是试验部分，根据监控候选点群以及监控设备的视域生成叠置面片，将其作为参数输入基于监控选址的集合覆盖模型，使用线性规划方法对矿区监控范围的集合覆盖问题进行求解，并将选取结果进行二三维可视化。

2 基于地理场景的矿区监控选址模型

2.1 地理场景相关语义构建

建立地理场景相关语义是为了表示和管理监控选址模型中涉及的对象、事件及关系等语义信息，并为地理视频技术的发展提供语义查询基础。随着视频技术的发展，对有效视频语义模型的需求越来越迫切。为了提取出一组适合矿区监控选址的地理场景语义，本研究选取了几种具有代表性的视频语义模型，从地理场景、地理实体、监控设备、选址原则4个方面进行了简化语义信息提取，如表1所示。

在矿区监控选址的背景下，地理场景（Geo-Scene）通常表示为状态相对不变的对象，其中需要规定静态要素的类别（Geo-Scene.name），并从几何数据中获取各类静态要素的面积（Geo-Scene.area）。地理实体（Geo-Entity）通常表示地理场景内具有改变自身状态的行为能力的对象，其中需要规定动态要素的类别（Geo-Entity.name）、移动速度（Geo-Entity.speed）及其特征（Geo-Entity.features）等语义信息。监控设备（Monitor）是监控选址模型的研究对象之一，本研究主要考虑监控设备的服务半径、帧率、分辨率等信息。选址需求（Demand）则规定了在哪些场景（Demand.scene）中需要被监控的地理实体（Demand.entity）及其特征（Demand.features），以及监控覆盖率。将这4个方面（或者更多）的语义信息构建视图联系起来（图2），进而决定监控设备的选址结果。

2.2 面向监控选址需求的语义分析

在矿区地理要素中，提取出状态相对不变的对象，即为地理场景。这些对象将构成地理视频画面的背景要素，例如道路、草地、林地、建设用地及其地上附属物等多种地理场景。因此需要根据监控选址需求，利用地理场景相关语义对研究区内有效的、会产生影响的地理场景进行分类合并。由于在选择监控设备位置时，建筑是作为视域障碍物存在的地理场景，因此在选址空间中需要先排除建筑物立体空间。考虑到建筑周围是人群活动最为频繁的区域，故取建筑物适当范围缓冲区作为建筑周围的监控热区图层。同时根据监控需求分析得到监控热区分级图，对各类地理场景的监控优先级进行排列，并设置梯度监控覆盖率目标。

2.3 集合覆盖模型的构建和运算

根据监控需求分析，需要在监控候选点群中选出尽量少，但是能满足各类地理场景监控覆盖率的监控组布置点。因此，本研究进行了如下模型参数定义：式中，Z为监控设备布置总数；xi取0或1，当xi=0时，表示i点不被选择安装第一种监控设备，当xi=1时，表示i点被选择安装第一种监控设备；yi、ki等与xi定义类似，表示i点是否被选择安装其他监控设备；aij、bij、cij等系数分别表示i点处安装对应监控设备时视域覆盖的第j（j=1,2,…,M）种地理场景的面积；Sj表示第j种地理场景的最小总覆盖面积。

根据地理场景与候选点群的分布情况，按照一定逻辑顺序将监控选址参数模型输入Lingo软件进行运算得到监控候选点的选取结果，将候选点群的视域图层与地理场景图斑进行叠置分析，判断选取结果是否满足监控覆盖率目标；否则，需进行一轮补充选址。

3 矿区监控选址试验分析

3.1 研究区域分析

作为研究区的某矿区位于长江中下游平原中部，占地约19万m2，区域中央是一处山包，围绕山脚有一条弯曲的道路，道路连接了山包两侧的建筑群，并在两端分叉延伸到建筑内。该区域主要建筑物、构筑物有63栋，建筑占地面积约1万m2。区内整体地势较为平缓，没有很大的高程起伏，植被稀疏低矮，视野开阔，不会对视频监控设备造成遮挡，因此适宜作为监控选址模型应用试验的研究区。

该矿区主要有道路、建筑物和林地；道路狭长弯曲、不规整，交叉较少，主要作为开采设备运送、矿业产品运输及矿山作业人员进出之用；建筑较为低矮，分布具有聚集性，山包西侧建筑群为一处矿业工程项目部，主要建筑有仓库、机房，山包东边是一家硫酸厂，主要建筑有办公楼、硫精矿仓库、泵房、机房、散热塔、转运站、维修间等；林地有零有整，与其他地理场景相互穿插，所占面积最大。

3.2 数据处理及地理场景语义分析

试验数据为包含25个图层的dwg格式图形文件（图3（a）），根据图层名称、内容对该区域的数据进行筛选，将其中具有地理意义的图层转换为shp格式地图，如图3（b）所示。利用地理场景相关语义的构建实现地理场景中道路、草地林地、建筑物及构筑物（SID={x |x=1,2,3}）等3个图层分类输出，如图3（c）所示。由于在选择园区监控设备位置时，建筑是作为障碍物存在的地理场景，因此在选址空间中先排除了建筑物图层（SID=3）。矿区建筑周围是人群活动较为频繁的区域，属于开阔区域，因此提取建筑及构筑物周围20 m缓冲区范围作为建筑周围监控热点图层（SID=4）。

将道路、草地林地、监控热区这3类地理场景按照以下顺序进行监控顺序级别排列：监控热区＞道路＞草地（即SID:4＞1＞2），得到监控热区分级图，如图3（d）所示。

地理场景方面的语义分类结果如表2所示。

3.3 地理实体与监控设备分析

研究区的地理实体一般是指矿业工程人员和各类车辆（如机械车辆、作业车辆、农务设备等），这两类地理实体的详细属性信息如表3所示。

在安装监控设备组方面，考虑到矿山地理条件较为空旷、地势有一定起伏，且没有太多固定的附着物，本研究在绘制地形图时采集了大量高程点、控制点，由于这些测绘控制点视野较为开阔、分布较为均匀、不受道路走向影响，因此将741处测绘控制点作为安装组合监控设备的候选点群（图3（b）中点群）。最终满足监控需求的监控点在监控候选点群中产生。

3.4 选址需求分析

研究区为一处具有普遍性特征的矿区，按照监控重要程度（即：监控热区＞道路＞草地林地）给各类地理场景设置了最低监控覆盖率，并设定了区域内重点监控对象，进而对该区域提出了如表4所示的监控选址需求。

3.5 对草地林地、监控热区进行A型监控设备组选址

在对草地林地、监控热区进行A型监控设备组选址时，首先可以排除候选点群中的20 m缓冲区与草地林地、监控热区没有交集的部分，保留有交集的717处候选点，如图4（a）所示。然后将候选点群及逐个的交集面积输入集合覆盖模型进行运算，得到了56处符合监控需求的选址结果，如图4（b）和表5所示。

3.6 对道路进行B型监控设备组选址

在对道路进行B型监控设备组选址时，首先可以排除候选点群中的12 m缓冲区与道路没有交集的部分，保留有交集的179处候选点，如图5（a）所示。然后将候选点群及逐个的交集面积输入集合覆盖模型进行运算，得到符合监控需求的22处选址结果，如图5（b）和表6所示。

3.7 综合选址结果及可视化

在741处候选点中，选取出56处用于安装A型监控设备组，其服务范围为20 m，监控对象主要为草地林地和监控热区中活动的人员，两类地理场景的覆盖面积分别为6 571.01 m2和30 462.25 m2。

注：加“*”号的候选点需要同时安装A型及B型设备。

注：加“*”号的候选点需要同时安装A型及B型设备。

在741处候选点中，选取出了22处点位用于安装B型监控设备组，其服务范围为12 m，监控对象主要为道路上行驶的车辆，覆盖面积为2 134.26 m2。其中有3处B型监控设备组安装点群与A型点群重合，即表5中序号为31、51、52的点与表6中序号为6、13、14的点，这3处监控点需要同时安装两种监控设备组。

该研究区的地理视频监控设备组选址结果如图6（a）所示，包含高程的选址结果如图6（b）所示。选址后研究区监控覆盖面积统计如表7所示。

3.8 本研究方法与一般选址方法对比分析

本研究方法与一般选址方法均采用了相同的试验数据及可视化方法，主要区别为数据处理流程、语义分析方式和监控选址模型方面，两组试验的流程及数据结果对比如图7所示，两种方法详细对比结果如表8所示。

本研究监控选址方法首先对研究区的原始底图进行处理，实现图层同类合并、语义分类以及数据格式转换。然后通过地理场景相关语义模型，实现对研究区的监控需求分析和地理实体、地理场景、监控设备分类，从特征语义和位置语义方面来描述研究区。最后根据监控候选点群以及监控设备的视域生成叠置面片，将其作为参数输入基于监控选址的集合覆盖模型，并使用线性规划方法对研究区的集合覆盖问题进行求解，并对选取结果进行二三维可视化。

一般选址方法在简单的数据处理后，以总监控面积以及监控缓冲区与底图的叠置面积为参数，输入集合覆盖模型进行运算，得到若干符合条件的监控选址结果，并且每组选址结果的选点分布不均匀、毫无特征，不利于进行监控选址决策。

本研究方法具有一定的前瞻性，能够充分考虑地理视频的成像区域组成，并约束每类地理场景下的监控比例，有利于辅助地理视频监控选址决策。而且该方法具有稳定性，能够克服一般选址方法中选址结果不确定、分布不均匀、无规律等问题。

4 结 论

本研究在监控选址模型中考虑地理场景相关语义，将监控对象的特征、行为、事件等语义信息融入到监控画面的构造中，有利于地理视频的事件推理、信息挖掘和关联分析，响应地理视频监控系统的监控目标和需求。针对矿山安全中地理视频监控选址问题，从地理场景相关语义和集合覆盖模型入手，展开了基于地理场景相关语义的矿区监控选址研究，从选址开始为视频监控系统的整体构建提供服务。

本研究提出的基于地理场景相关语义的监控选址模型能够通过分析监控区域的地理场景，预设监控对象和事件，将监控选址方案置于视频数据采集链的上游，既克服了一般选址方法中选址结果分布不均匀、监控画面内容比例不确定等问题，也在源头为矿区视频监控系统提供高质量的地理视频数据，为将来智能化、无人化矿山的安防建设奠定了基础。而且所提的监控选址方法具有普遍性，地理场景分析、地理实体分析的方法不仅适用于矿区，还能够扩充到其他复杂环境中，并能够在地图上直观显示监控设备点及其监控范围。基于要素分类的园区视频监控点覆盖选址方法能够取代以往的人工筛选方法，提高选址效率和准确性，对于不断变化的监控需求和环境要素能够做出应变。

未来研究应着重于监控选址模型参数固定化、数据处理流程模块化、模型运算过程一体化和结果可视分析精细化这4个方面。文中模型固定参数应为各类地理场景的覆盖率，但是在使用示例数据时，图层同类合并、语义分类都影响了所提的监控选址模型。在后续研究中，应确定地理场景、地理实体、监控设备的标准，让这些因素作为定量存在。在数据获取与处理中，本研究提出了一套数据处理流程，其中包含地图数据格式转换及自动处理的ArcGIS流程模型，在后续研究中可以通过FME实现跨软件平台的流程链接，实现无缝数据处理，提高自动化水平。在集合覆盖模型构建及运算中，本研究将交集图层的属性表导出为表格后输入Lingo计算，在后续研究中可以尝试将该运算过程嵌入空间分析平台。在监控点选取结果可视化中，本研究使用ArcGIS Pro软件实现图层的二三维可视化，在表达方式上较为粗糙，在后续研究中需着重研究三维精细化表达方式。