基于深度学习的紧急警报系统设计建议

⃝⃝可在www.sciencedirect.com上在线获取ScienceDirectICT Express 2（2016）67www.elsevier.com/locate/icte基于深度学习的紧急警报系统Byungseok KangJiao，Hyunseung Choo计算机科学与工程系，成均馆大学，水原，440-746，韩国接收日期：2016年3月1日;接收日期：2016年4月26日;接受日期：2016年5月4日2016年5月21日在线发布摘要紧急警报系统是危机通信链中的一个关键环节，对于在紧急情况下尽量减少损失至关重要。恐怖主义和暴力行为、化学品泄漏、安珀警报、核设施问题、与天气有关的紧急情况、流感大流行以及其他紧急情况都需要政府官员、建筑物管理人员和大学管理人员等负责人能够快速可靠地向公众发布紧急信息本文介绍了一个基于深度学习的应急预警系统的设计建议的系统被认为适合应用于现有的基础设施，如闭路电视和其他监控设备。实验结果表明，在大多数情况下，我们的系统立即检测到紧急情况，如车祸和自然灾害 。 c2016 韩 国 通 信 信 息 科 学 研 究 所 出 版 社 ： Elsevier B.V. 这 是 一 篇 基 于 CC BY-NC-ND 许 可 证 的开放获取文章（ http ：//creativecommons. org/licenses/by-nc-nd/4. 0/）。关键词：紧急报警系统; EAS;深度学习;灾难1. 介绍紧急警报系统（EAS）是美国于1997年11月29日实施然而，近年来，EAS的一些缺点暴露出来。例如，依赖于使用蜂窝电话[1，2]或无线电广播[3]网络的系统通常无法到达位于建筑物内的个人。大学、研究中心、办公大楼、制造工厂和其他场所的许多建筑物的内部通常具有非常差的无线电和蜂窝电话接收，这是由于位于建筑物内的设备引起的干扰，或者由于建筑物结构本身产生的此外，目前的应急系统不容易在正确的时间、正确的地点联系到正确的人。虽然依赖于蜂窝电话服务、文本消息服务和电子邮件服务的服务可以针对特定的个人，但是它们对于特定位置的紧急情况将是无效的，因为这些服务仅能够*通讯作者。电子邮件地址：byungseok@skku.edu（B. Kang），choo@skku.edu（H.Choo）。同行评审由韩国通信信息科学研究所负责。这篇论文已经由教授处理韩东洙以个人为目标，人们通过电话号码或电子邮件地址在个人的基础上选择性地定位，而不管他们的物理位置。警报器[4]可以提供快速警报，但它们可能不会产生预期的结果，因为声音可能无法到达所有位置，并且某些地区的某些人可能会忽略警报器，该警报器没有提供有关紧急情况的具体信息仅依靠移动电话的人将被排除在警告之外。诸如以太网和WiFi之类的网络在紧急情况下容易发生故障，因为潜在的断电可能会关闭网络或一个或多个网络设备，从而导致与整个建筑物或地理区域的通信故障。闭路电视（CCTV），也被称为紧急或犯罪监控系统，涉及使用摄像机在有限的一组监视器上将信号传输到特定地点。它与广播电视的不同之处在于，信号不是公开传输的，尽管它可能采用点对点（P2P）、点对多点或网状无线链路。最近，CCTV技术随着向基于互联网的产品和系统[5，6]以及其他技术发展的转变而得到增强。例如，自动取款机上的闭路电视可以在用户不知情的情况下，在用户通过键盘输入密码时捕获用户的密码。这些设备足够小，不会被注意到，并且被定位成使得它们http://dx.doi.org/10.1016/j.icte.2016.05.0012405-9595/c2016韩国通信信息科学研究所。Elsevier B. V.的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http：//creativecommons.org/licenses/by-nc-nd/4. 0/）。==68B.康，H. Choo / ICT Express 2（2016）67Fig. 1. 基于深度学习的视频分析器可以让其他人监视键盘图像可以无线传输给罪犯。人工智能（AI）领域正处于前所未有的进步时期。深度学习技术[7本文介绍了一种基于使用深度学习技术。所提出的系统的主要优点是它不需要额外的设备或基础设施。我们在CCTV设备内部采用了基于深度学习的实时视频分析模块。我们的系统使用计算机模拟立即检测事故和自然灾害。本文件的其余部分安排如下。我们在第2节中详细介绍了我们提出的紧急警报系统。实验和测量结果见第3节。最后，我们在第4节中总结了本文。2. 拟议的紧急警报系统2.1. 一般特征卷积神经网络[10，11]是分层机器学习模型，能够使用大量数据学习复杂的图像表示。它们受到人类视觉系统的启发，并学习多层转换，从而提取输入的渐进式更复杂的表示。我们的系统使用启发式/基于知识的机器学习技术，其中生成描述符的过程从早期步骤开始，以发现包括在我们的问题域（知识池）中的所有标签。这是通过使用分析器API处理所有可用的视频图像，然后删除重复的标签值来完 成的 。 所 提出 的 分析 器 使 用基 本 的深 度 神 经网 络（DNN）[12]架构进行对象检测和解析，以生成组合模型。该步骤类似于码本或字典生成过程。然后，每个输入图像被编码为概率值的列表，其长度由字典的大小确定该描述符中的第i个值对应于分析器为第i个标签返回的概率，否则为零。 图 1示出了实时视频分析过程的各个步骤。我们的系统具有以下优点：可扩展：DNN [13，12]可扩展到数十亿个参数，使它们能够学习高度复杂的概念和数千个类别。现代硬件和丰富的数据使我们的系统能够训练更大，更强大的网络。快速：经过训练的模型将其知识存储在学习的参数中，使其易于在任何环境中部署不需要存储任何额外的数据来预测新的输入。这意味着我们可以很容易地在嵌入式设备（如CCTV）中使用它们，以便在毫秒内提供响应。灵活：与传统的计算机视觉方法不同[14]，我们的系统使用提供的训练数据学习从输入中提取区分特征，而不是使用手工设计的特征提取器，如SIFT [15]和LBP[16]。这使得这些功能很容易适应任何领域的问题。2.2. 紧急警报我们的EAS能够从CCTV设备中汇总紧急以下是向消防/警察局等紧急服务部门发出紧急情况警报的基本步骤。1.一、CCTV将捕获的视频数据存储在自己的存储设备中。2.分析器模块基于深度学习技术周期性地监视存储的视频数据。3.当系统检测到灾难时，它会直接向消防/警察局发送紧急警报信息。4.消防部门/警察局接收紧急警报消息，并附有其他相关信息，如位置，灾害类型，分析结果和图像数据（可选）。在步骤4中，为了避免网络拥塞，系统可选地发送图像文件。3. 实验结果我们通过开发模拟器来评估我们的系统，并使用两种不同类型的灾难进行实验。第一个是火灾，第二个是车祸。我们通过使用以下系统执行模拟：Intel Core i7- 4810MQ（4 Cores -8 Threads），Nvidia Quadro K4100 M （4GB）GPU和16 GB RAM。使用GPU来训练深度神经网络使我们能够增加运行时间，从3倍快到15倍快[17，18]。我们的模拟器是用Python编程的。模拟器基于泊松过程随机生成紧急情况[19]。 我们在每个测量点模拟两种紧急情况超过100次，同时逐渐增加强度水平（弱、正常、强）和λ值（λ 0. 1、0. 三，零。6）。λ0的值。1和0.6分别表示平均每10秒和5秒发生一次事件（灾害）。图在图2和图3中，用各种颜色指示的线具有不同的含义。每条线都是用我们数据库中的数据绘制的。···B.康，H. Choo / ICT Express 2（2016）67-7069图二、车祸监测结果（有关本图例中颜色的解释，请参阅本文的网络版本图3.第三章。火灾监测结果（有关本图例中颜色的解释，请参阅本文的网络版本表1模拟参数和值。表2实验结果。参数数值事件强度频率Avg. 检测准确度（%）类型的事件火灾车祸时间（ms）事件频率（λ）01，0.3，0.6火弱0.140096.24事件强度弱，正常，强0.341096.89事件持续时间1.50.639096.23模拟时间（min）5正常0.129098.84模拟次数每个点0.332098.300.634097.79强0.126099.45图 2显示分析仪正常检测到车祸0.328099.34在600 ms内。在这个图中，深蓝色的线表示一辆汽车0.627099.42侵入黄线，与一辆行驶在车祸弱0.140091.56反方向。系统产生的灾难0.341089.821.5s后消失。图3显示了火灾情况的监测结果，每条曲线显示了意外情况的级别。在这种情况下，三个或四个因素（线）0.6 390 89.39正常0.1 290 92.100.3 320 91.780.6 340 92.57发生，而准确性是指检测事件的概率。结果表明，该系统可以检测到火灾的情况下，约99%的时间在400毫秒内，这意味着我们的系统可以很容易地检测到火灾情况。然而，在车祸的情况下，我们的系统的检测准确率因此，我们的系统能够比涉及车祸的情况更快地检测到火灾爆发这表明我们的系统需要通过使用启发式过程来积累一定量的知识，以使其能够更准确地检测车祸。4. 结论在本文中，我们提出了一个紧急警报系统，旨在适用于自然灾害检测。亲-Posed系统使用深度学习技术来检测和分析灾难。我们进行了实验测量，以评估我们提出的系统的性能，同时增加灾害强度和事件频率。评估表明，涉及这些实验结果可以应用在实际中，通过调整我们的EAS系统，以真正的CCTV或其他监控设备。虽然我们的计算机模拟只产生了上述两种类型的紧急事件，但在现实环境中，存在着许多不同的紧急情况，不仅是灾难，而且各种类型的犯罪情况。因此，我们计划在未来扩展EAS以侦测犯罪活动，并阐明拟议的基于深度学习的侦测在准确性和侦测延迟方面优于传统监控系统显示火灾情况。强0.126094.56表1和表2列出了实验参数，并重新列出了0.328095.32分别导致火灾和车祸在表2中，术语0.627096.19avg. 检测时间是指事件发生后经过的时间公元前70年康，H. Choo / ICT Express 2（2016）67致谢这项工作得到了韩国科学、信息通信技术和未来规划部、信息和通信技术促进研究所通过G-ITRC计划（IITP-2015-R6812-15-0001）和韩国教育、科学和技术部国家研究基金会通过优先研究中心计划（2010-0020210）的部分支持引用[1] V.H. Soragavi，S.Balundagi，S.Mulla，S.Kumbalavati，Droid警报系统使用3G网络.[2] L.哈里普拉萨河Dhivya，S.阿迪西亚角Kazhipattur，使用android的紧急警报系统，IJREAT Int.J. Res. Eng. Adv. Technol. 1（1）。[3] M.- S. Baek，Y.- H.李，G.金，S.- R. Y-帕克T. Lee，T-DMB紧急广播系统的开发和传统接收机的试验服务，IEEE Trans.Consum.Electron.59（1）（2013）38-44.[4] K. RichardRidderinkhof，B.U. Forstmann，S.A.怀利湾Burle，W.P.van行动控制的神经认知机制：抵抗警报器的呼唤，Wiley Interceptor。科恩牧师Sci. 2（2）（2011）174-192。[5] H. Kruegle，CCTV监控：视频实践和技术，Butterw orth-Heinemann，2011年。[6]D. Choi，N.Baik，夜间低光的CCTV监控技术韩国ITS中心的情况，2013年第20届ITS世界[7] L. Deng，G. 辛顿湾Kingsbury，New types of deep neural networklearningforspeechrecognitionandrelatedapplications ： Anoverview ，in ： 2013 IEEE International Conference on Acoustics ，Speech andSignal Processing ， ICASSP ， IEEE ， 2013 ， pp. 8599-8603。[8] J. Ngiam，A.Coates，A.拉希里湾Prochnow，Q.V. Le，A.Y.吴，关于深度学习的优化方法，见：第28届国际机器学习会议（ICML-11），2011年，第11页。265-272。[9] I. Sutskever，J. Martens，G. Dahl，G. Hinton，关于初始化和动量在深度学习中的重要性，在：第30届国际机器学习会议论文集，ICML-13，2013，pp. 1139-1147.[10] A.克里热夫斯基岛Sutskever，G.E. Hinton，使用深度卷积神经网络的Imagenet分类，在：神经信息处理系统的进展，2012年，pp.1097-1105[11] S. 吉，W. Xu，M.Yang，K.Yu，3D卷积神经网络用于人类动作识别，IEEE Trans. Pattern Anal.马赫内特尔35（1）（2013）221-231。[12] G. 欣 顿湖Deng，D.Yu，G.E.Dahl，A.R. Mohamed，N.Jaitly，A.Senior，V. Vanhoucke，P. Nguyen，T.N. Sainath等人，深度神经网络用于语音识别中的声学建模：四个研究小组的共同观点，IEEE信号处理。Mag.29（6）（2012）82-97.[13] K. Vy，A. 戈沙尔湖 但是，D。序列判别法深度神经网络的训练in：INTERSPEECH，2013，pp. 2345-2349.[14] Y. Shirai，三维计算机视觉，Springer Science&商业媒体，2012年。[15] M. Niemeijer，M.K.Garvin，K.李湾来自Ginnek en，医学博士。Abra` moff，M. Sonka，使用3D SIFT特征点匹配的3D光谱OCT体积配准，见：SPIE医学成像，国际光学与光子学会，2009年，第72591I-72591I。[16] J. Shelton ，G. Dozier，K.Bryant，J.Adams，K.Popplewell，T.阿 贝加兹，K. Purrington，D.L. Woodard，K. Ricanek，基于遗传学的LBP特征提取和面部识别选择，在：第49届年度东南区域会议论文集，ACM，2011年，pp. 197-200[17] A. Kerr ，G. Diamos，S.Yalamanchili，GPU-CPU工作负载建模和系统，在：Proceedings of the 3rd Workshop on General-PurposeComputation on Graphics Processing Units，ACM，2010，pp.31比42[18] M. 阿罗拉，S. Nath，S. Mazumdar，S.B.巴登，D.M. Tullsen，重新定义CPU在CPU-GPU集成时代的作用，IEEE Micro. 32（6）（2012）4-16。[19] W. Fischer，K. Meier-Hellstern，马尔可夫调制泊松过程（MMPP）cookbook，Perform. Eval. 18（2）（1993）149-171。