[0001] 本发明属于自动控制技术领域，具体涉及一种考虑局部社区中行人和野生动物轨迹的路灯管理方法、系统及其装置。

[0002] 随着环境的改善，野生动物或者是被居民饲养或抛弃的宠物经常会出现一些大型居民区、公园或工业园区中。当行人和某些野生动物(如野猪)相遇时，动物可能会对行人的生命安全造成直接威胁，尤其是在动物感到威胁或受到惊吓时。如果某个地区的动物出没数量较多，甚至会影响居民的正常活动。特别是在傍晚或夜间，野生动物(如鹿、野猪等)在人类的社区中突然出现时，可能会与行人或交通工具碰撞，对居民的生命财产安全造成威胁。某些动物(如流浪狗或母豹等)在保护自身领地或幼崽时，可能对行人发动攻击，造成伤害。行人在经过有野生动物活动的区域时，接触到动物的粪便或被叮咬，都可能增加感染疾病(如狂犬病等)的风险。对野生动物的存在感到忧虑或厌恶可能导致行人在外活动时的紧张情绪，降低生活质量。

[0003] 针对野生动物与人的遭遇问题，如果能够及时预测具有攻击性的动物的活动轨迹、时间和频率，并向用户进行风险告知，将能够让用户有足够的反应时间规避威胁。然而，现有技术缺乏能够有效跟踪或预测野生动物运动轨迹的技术方案。此外，在夜间时段，路边的路灯通常较为昏暗，此时行人的可视范围有限，这可能导致行人无法及时发现远处的野生动物，缩短行人与野生动物遭遇时的反应时间。

[0054] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步地详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0055] 实施例1

[0056] 针对野生动物可能会在夜间进入人类社区，进而对社区居民的生命财产安全造成危害的情况，本实施例提供一种考虑局部社区中行人和野生动物轨迹的路灯管理方法。本实施例提供技术方案的思路是：通过安装在路灯上的接近雷达(活体存在感应雷达)、红外光栅和目标跟踪雷达，实现对社区内的动物或行人进行识别，并跟踪行人的运动轨迹。利用实时检测到的数据，一方面可以预测行人的运动方向，并提前“点亮”行人前进道路上的路灯。这既保障路灯的照明功能又能够在必要时降低路灯照明功率，实现节能减排。另一方面可以根据野生动物出没轨迹的历史数据以及当前的出现位置预测野生动物未来的运动轨迹，进而在行人和野生动物可能相遇时，提前点亮前方的路灯，进而实现安全预警。

[0057] 在本实施例的方案中，社区内采用的路灯具有熄灭、低功耗和点亮三种工作模式。其中，在预设的白天时段，路灯处于熄灭模式。在预设的夜间繁忙时段，路灯处于点亮模式。
在预设的夜间空闲时段，路灯在初始状态下处于低功耗模式，并根据指令切换为点亮模式。
其中，低功耗模式和点亮模式均具有照明效果，区别在于低功耗模式下的路灯的亮度较为昏暗，而点亮模式下的路灯的功率较高，也更加明亮。本实施例在夜间行人较少时将路灯切换为低功耗模式，然后在行人出现，或行人与动物之间存在相遇的安全风险时将对应位置的路灯切换至点亮模式，以达到节约能源的效果。

[0058] 具体地，如图1所示，本实施例提供的考虑局部社区中行人和野生动物轨迹的路灯管理方法包括如下步骤：

[0059] S1：根据社区内的道路的空间分布建立一个地理图像；并以每个路灯为节点，路灯间的连线为边，创建一个表征社区内动物运动路径的连通图G。

[0060] 在本实施例的方案中，建立的地理图像主要用于实现对用户的运动轨迹进行预测。通常来说，用户在社区内部只会沿着道路以及是空旷的广场或草坪运动。因此，只需要结合行人实时的运动信息，以及包含道路、建筑物以及地形等要素的地理图像信息，即可实现对行人的运动轨迹进行预测。

[0061] 不同于行人，野生动物在运动时并不会沿着既有的道路运动，它们经常会穿过绿篱或围栏等，因此行人的运动轨迹预测方法不适用于野生动物。在本实施例的方案中，考虑到虽然野生动物不会循着道路运动，但是其在社区内出没的轨迹却仍然存在统计特征，比如大部分动物在一个区域出现时，大多会沿着固定的一条或几条路线出没。因此，本实施例建立以路灯为节点的连通图，并结合野生动物出没轨迹的历史数据对连通图进行赋权，将其转换为有向图，进而通过有向图来表征野生动物在社区内出没的统计特征；最终利用有向图来辅助完成野生动物运动轨迹的预测。

[0062] 图2为一个典型社区内部的连通图，图中的圆点即为连通图中的各个节点，节点之间的连线为连通图的边。在本实施例中，根据社区内部各个路灯的空间位置建立的连通图的数据格式为：G＝(V，E)。其中，V为各个路灯对应的节点vi的集合，i＝1…n，n表示社区内路灯的数量。E为节点间边的集合，任意节点vi和vj之间的边记为eij，j＝1…n。

[0063] S2：通过安装在路灯上的接近雷达实时探测社区内出现的活体目标。

[0064] 在本实施例中，接近雷达可以用于探测安装位置附近是否存在活体目标，本实施例在社区内的每个路灯上均安装了一个接近雷达。各个接近雷达的探测范围基本覆盖了社区内的所有位置。在其它实施例中，为了进一步扩大接近雷达的探测范围，消除死角，也可以在其他野生动物出现频率较高且未设置路灯的区域安装接近雷达。

[0065] S3：当任意接近雷达检测到活体目标的距离小于预设的阈值时，通过对应路灯上的红外光栅分辨活体生物的类型。

[0066] 如图3所示，本实施例中的红外光栅中包括沿竖直方向均匀排列在路灯灯杆上不同高度处多个感应点；红外光栅根据感应信号沿竖直方向的空间分布判断接近的活体目标的类型。例如，在典型的方案中，可以在对应人体身高的高度范围内设置5个以上的传感器。对于大部分的行人来说，其通常可以触发其中的全部或部分红外感应点。而对于大部分野生动物来说，其仅可以触发其中位于较低位置的一个或若干个感应点。服务器根据每个接近的目标触发的红外光栅中感应信号的数量和/或高度信息即可分辨出活体生物的类型。

[0067] 基于分辨出的目标物的类型，本实施例做出如下决策：

[0068] (1)若活体生物为人，则开启对应路灯上的目标跟踪雷达。通过目标跟踪雷达检测目标人物在地理图像上的空间位置，并结合行人的空间位置变化确定行人的运动方向和运动速度。

[0069] 在本实施例方案的实际应用过程中，可以采用最小二乘法根据行人运动中采集到的各个空间位置点，线性拟合出行人的运动路径并计算运动速度；过程如下：

[0070] 服务器端构建以正北方为Y轴，正东方为X轴，以(0，0)为原点的网格图(注：雷达最大监测半径为d，将设定时间t内的坐标点标记出来，将所得坐标点、方向频度带入得到如下矩阵模型：

[0071] y＝θ0+θ1x1+θ2x2

[0072] 其中，y表示追踪目标纵坐标，ω0为函数截距，x1为当前横坐标，x2为方向频度，如果现行进方向与当前位置高频度方向重合，则给出x2使得y2与最近的y1、y3差距相。θ1和θ2为待测回归系数。在得到多组y0后，将其表示成如下的矩阵：

[0073]

[0074] 其中，表示y的预测值；θ为待估计的系数，X表示坐标矩阵。

[0075] 将θ0加上一个1的列矩阵后表示为如下的矩阵形式：

[0076]

[0077] 通过残差平方和SSE(Sum ofSquares for Error)计算出最小二乘估计值θ，计算公式如下：

[0078]

[0079] 其中，ε表示残差。

[0080] 进一步将残差平方和公式表示为如下的矩阵形式：

[0081] SSE＝(y‑Xθ)T(y‑Xθ)

[0082] 求出SSE的最小值，即对θ求偏导后的一阶导数为0，求最小估计值：

[0083] θ＝(XTX)‑1XTY

[0084] 其中，Y表示坐标矩阵，利用矩阵求导规则可得：

[0085]

[0086]

[0087] 取求导为0的θ值：

[0088]

[0089] 可得最小估计值θ：

[0090] θ＝(XTX)‑1XTY

[0091] 后解析直接带入 求得线性相关函数D(x)，D(x)函数斜率即目标行进方向A。与记录位置坐标点最初值与最终值的连线斜率比较，若差异较大则使用D(x)斜率。

[0092] 与此同时，借用matlab中的polyfit(x,y,n)等函数进行线性拟合，可以得到F(x)。再根据时间可求得活体速度，对L进行线性积分：

[0093] L＝μLF(x)ds

[0094] 得到路程L，L/t可得一速度值V，将此速度与雷达本身检测到的速度值相比较，若误差较大则向服务器预警需要故障排查，否则返回计算值。最终拟合出的函数即为活物运动路径，据此可以得到速度V和路径L。

[0095] 根据行人的运动方向和运动速度预测行人未来时刻的运动轨迹，进而提前点亮行人前进方向上的路灯，并对行人经过后的路灯按照预设的时长延迟恢复为低功耗状态。

[0096] (2)若活体生物为野生动物，则记录野生动物在各个路灯对应的节点出现的时间和顺序，按顺序连接各个节点得到一条野生动物出没轨迹。

[0097] 根据社区内的野生动物出没轨迹的历史数据将连通图G转化为有向图G′。根据新增野生动物出没轨迹更新有向图G′的边权重，并记录有向图中每条边上野生动物的平均速度。其中，边权重用于表征野生动物的出现概率。

[0098] 如图4所示，本实施例根据社区内野生动物出没轨迹的历史数据将连通图G转化为有向图G′的过程如下：

[0099] (ⅰ)将野生动物出没轨迹中从在先时刻的节点到在后时刻的节点的连线方向作为动物在两节间的运动方向。

[0100] (ⅱ)根据野生动物出没轨迹的历史数据，统计野生动物在连通图G中任意两节点间指定方向上的出现次数。

[0101] (ⅲ)根据出现次数计算野生动物在任意两节点间指定方向上的出现概率Pij，并将出现概率Pij作为有向图G′中对应边的边权重；

[0102]

[0103] 上式中，Ni表示历史数据中出现的野生动物从节点vi出发到达任意邻居节点的次数；Nij表示历史数据中出现的野生动物从节点vi和出发到达邻居节点vj的次数。

[0104] (ⅳ)将从指定节点出发的最大边权重的方向作为当前节点的高频方向，记录每个节点的高频方向。

[0105] (ⅴ)根据野生动物出没轨迹的历史数据计算野生动物通过任意两节点的平均用时，再结合节点间距离计算野生动物经过任意边的平均速度。

[0106] S4：在社区内存在行人时，若任意节点监测到野生动物出现，则根据有向图G′预测野生动物的运动轨迹；然后判断动物与行人的是否会相遇，并点亮野生动物与行人可能相遇的位置处的路灯以实现预警。

[0107] 在本实施例中，如图5所示，根据有向图G′预测野生动物的运动轨迹的方法如下：

[0108] S041：将野生动物首次被检测到的位置作为运动轨迹的初始位置。

[0109] S042，以初始位置为起点，将有向图中当前节点的高频方向作为运动方向，经过高频方向上的边的平均速度作为野生动物的运动速度，预测出得到野生到达下一节点的位置以及时间。

[0110] S043，将每次预测出的下一节点为起点，重复步骤S042确定野生动物在当前节点的运动方向和运动速度，得到当前路径的终点。

[0111] S044：在预测出的下一节点为有向图边缘的节点时，将从初始位置依次到达预测出的所有节点的连线作为预测出的野生动物的运动轨迹。

[0112] 在本实施例的方案中，如图6所示，判断行人和野生动物是否会相遇的方法如下：

[0113] 首先，分析预测出的行人和野生动物的运动轨迹的空间特征，计算二者之间的最接近位置是否小于预设安全空间距离：是则认为二者可能相遇，否则认为二者不会相遇。

[0114] 其次，当行人和野生动物可能相遇时，继续分析预测出的行人和野生动物的运动轨迹的时间特征，判断二者之间小于安全距离的对应路程区间在时域上是否重合：是则认为二者会相遇，否则认为二者不会相遇。

[0115] 在本实施例进一步优化的方案中，社区内还设有多个摄像头，当社区内存在行人时，服务器会根据检测到的行人的空间位置、运动方向和运动速度对摄像头的云台进行调整，以实现对目标人物进行实时跟踪。本实施例中的摄像头用于在社区内的行人出现时，记录行人的视频画面，以便为可能造成的损失留下影像证据。

[0116] 在其他实施例中，技术人员还可以将采集到的野生动物出没轨迹的历史数据集按照出现时间划分为多个不同时段的数据集，并根据不同时段的数据集分别建立对应的有向图G′。然后再结合对应时段的有向图G′预测行人与野生动物是否会相遇。

[0117] 例如，技术人员将野生动物出没轨迹按照06:00‑20:00、20:00‑24:00、24:00‑06:00划分为三类，然后分别建立三个时段对应的有向图。由于不同时段出现的野生动物的类型和运动路线可能存在差异，因此三个时段的有向图中同一节点对应的高频方向和野生动物的运动速度都可能存在差异。在此基础上，当在指定时段内再次检测到野生动物出现时，则可以查询对应时段的有向图，并根据该有向图预测野生动物在未来时刻的运动轨迹。与之前的方案相比，优化后的有向图对野生动物运动轨迹的预测结果更加精准。

[0118] 此外，本实施例的方案还可以记录每条野生动物的运动轨迹的体型数据，然后针对不同体型的野生动物分别建立对应的有向图。在后续应用过程中，当社区内出现新增的野生动物时，根据该野生动物的体型，查询对应的有向图，并预测该野生动物在未来时刻的运动轨迹。

[0119] 实施例2

[0120] 在实施例1方案的基础上，本实施例提供一种路灯管理系统，其用于采用如实施例1中的考虑局部社区中行人和野生动物轨迹的路灯管理方法，实现对社区内部的各个路灯的工作模式进行自适应调整。其中，如图7所示，路灯管理系统中包括：多个接近雷达、多个红外光栅、多个目标跟踪雷达，至少一个影像采集设备以及一个后台服务器。

[0121] 其中，接近雷达分别安装在社区内的各个路灯上，并用于对路灯周围的活体目标进行探测。红外光栅分别安装在社区内的各个路灯上，并用于对接近雷达探测到的活体目标的类型进行分辨。目标跟踪雷达安装在社区内的路灯上，并用于对红外光栅分辨出的行人进行位置跟踪。影像采集设备包括摄像头以及云台，影像采集设备用于获取社区中出现的行人的实时影像数据。

[0122] 后台服务器与各个接近雷达、红外光栅、目标跟踪雷达、影像采集设备以及社区内的各个路灯的控制器电连接。后台服务器接收各类检测装置的信号，并根据接收到的信号对路灯的工作状态进行动态调整，具体包括：(1)获取接近雷达实时的检测信号，判断社区内是否出现活体目标。(2)再出现活体目标时开启红外光栅，根据红外光栅的检测信号，分辨出现的活体目标的类型。(3)在分辨出活体目标为行人时，开启目标跟踪雷达和影像采集设备，追踪社区内的行人并预测其运动轨迹与运动速度；以及将行人路径上的路灯切换至点亮模式。(4)记录野生动物在各个路灯对应的节点出现的时间和顺序，按顺序连接各个节点得到一条野生动物出没轨迹。(5)根据新增的野生动物出没轨迹对社区内的有向图G′进行动态更新。(6)结合有向图G′预测社区内出现的野生动物的运动轨迹和运动速度。(7)根据行人的运动轨迹和野生动物的运动轨迹判断二者是否会相遇，是则点亮对应位置处的路灯。

[0123] 在实际应用中，本实施例提供的路灯管理系统不仅可以对路灯的运行状态进行自主调控，还可以向用户主动发送野生动物的预警信息。例如，用户可以通过登录相应的app获得后台服务器推送的自身的实时位置进而实现导航，也可以及时获取野生动物出没的预警信息。

[0124] 实施例3

[0125] 在实施例1和2的基础上，本实施例进一步提供一种路灯管理装置，其包括存储器、处理器，以及存储在存储器内并在处理器中运行的计算机程序。处理器执行计算机程序时，采用如实施例1中的考虑局部社区中行人和野生动物轨迹的路灯管理方法，实现根据社区内的行人和野生动物的轨迹，对社区内部的各个路灯的工作模式进行自适应调整。其中，本实施例中的路灯管理装置即为实施例2提供的路灯管理系统中的后台服务器，[0126] 本实施例提供的路灯管理装置本质上就是用于实现实施例1中方案的计算机设备。该计算机设备可以采用能够执行程序的智能终端、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。

[0127] 本实施例中的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器和处理器。其中，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。

[0128] 处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、图像处理器GPU(Graphics Processing Unit)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。

[0129] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。