基于多元空間信息技術集成的警員保護系統

苗常啟 周興旺 張瀚文 張 磊 王金鑫

(鄭州大學 地球科學與技術學院, 河南 鄭州 450001)

0 引言

隨著我國社會經濟的快速發展,社會環境與矛盾也日益復雜,刑事案件中的惡性襲警事件頻繁發生。據統計,2010—2015年,我國公安機關因公犧牲的民警有2 567人,負傷25 340人,其中,暴力襲警引起的傷亡人數占總數的42.8%[1]。2016年,全國因公犧牲民警362人、受傷民警4 913人[2]。2018年7月25日至8月6日,在不到半個月的時間內,全國發生多起持刀襲警、暴力抗法、咬傷民警等襲警辱警事件10余起,造成3名民警輔警犧牲、數名民警輔警受重傷或輕傷[3]。警務人員被突然襲擊時,因防護系統問題、增援不及時或不能及時得到具體位置,最終釀成悲劇的例子數不勝數。衛星定位是當代空間科技的制高點。2020年7月底,我國北斗衛星導航系統(BeiDou Navigation Satellite System,BDS)正式開通,面向全球提供定位導航授時、全球短報文通信、國際搜救、星基增強、地基增強、精密單點定位和區域短報文通信七種服務。慣性導航系統(Inertial Navigation System,INS)是通過測量速度和加速度等參數,并對測得參數進行積分運算,實時獲取物體的位置和速度信息。慣性導航系統通常內置在待測物體中,通過自身傳感器獲得待測信息,不依賴于衛星等外部條件,對外界變化不敏感[4]。與此同時,我國也在快速發展具有專業性強、靈敏度高、響應速度快等特點的生物傳感器,并加速推進其在醫學領域的應用[5]。深度學習(Deep Learning)是建立在計算機神經網絡理論和機器學習理論上的系統科學, 它使用建立在復雜的機器結構上的多處理層, 結合非線性轉換方法算法, 對高層復雜數據模型進行抽象[6]。在北斗衛星導航系統、慣性導航系統、傳感器技術、深度學習和地理信息系統(Geographic Information System,GIS)等技術的有機結合下,研究開發自動化、智能化的執法人員保護系統已迫在眉睫。本系統致力于建成一個警員之間相互聯系的防護系統,解決警員之間增援遲緩問題。在一人被襲擊時,其他聯動警員能夠第一時間發現險情,并趕赴現場進行支援,從而有效保障警員的安全。

1 系統總體框架與運行機制

1.1 系統總體構架

系統以手機和警員警靴為載體,結合衛星定位、網絡通信、GIS等技術,形成了一套有機的警員保護機制。該系統可分為以下幾部分:警員警靴、手機端應用程序(Application,APP)、數據庫和控制中心。警靴負責警員身體指標的采集及與警員手機的連接;APP負責對警員警靴發送的身體指標進行綜合處理、向其他警員和控制中心傳送信息以及路線的規劃和可視化;數據庫主要用于存儲系統所用的空間信息和屬性信息;控制中心則對警員進行整體的部署調度。系統總體構架如圖1所示。

圖1 系統總體構架圖

1.2 系統運行機制

系統運行路線分為三部分,分別為預警階段、警報處理階段以及事后處理階段。

1.2.1預警階段

警靴通過北斗芯片自動定位,向控制中心發送實時位置信息,并通過藍牙模塊,將所測得的警員身體相關參數發送給自身的手機,由手機對所接受到的信息做出以下處理:

(1)主動判斷

警員判斷自身處于危險狀態,做出特定動作,觸發交互模塊。手機接收到模塊狀態變化信號后,立即向控制中心報警,并向其他警員發送求助信息。

(2)水平儀自動判斷

警員受到襲擊倒地時,則利用警靴中的水平儀觸發警報。此時數字水平儀所測得的參數將超過手機設定的度數范圍(時長3 s左右),使手機向周圍關聯警員和控制中心發出求救信號。

(3)專家系統自動判斷

手機端未接收到警員做出主動動作的信號,且未觸發水平儀警報時,則通過對警員的身體指標進行判斷。若通過處理警員的心率、血壓、血氧等綜合信息發現警員處于危險狀態,則在手機端進行報警。

1.2.2警報處理階段

當警員遇險且系統處于報警狀態時,其他警員根據控制中心的調度安排,快速抵達事發地點進行救援。此時警員的手機為可視化的工具,即在手機端APP中,顯示抵達危險警員所在地的最佳路線。

1.2.3事后處理階段

數據庫存儲報警時警員的位置信息和身體狀態信息。險情解除后,對是否誤報進行評價。并運用報警過程中警員的身體體征,對警員個人報警算法參數進行優化,由此減少誤報概率,提高報警精度,形成“私人訂制”系統。系統技術路線圖如圖2所示。

圖2 系統技術路線圖

2 系統功能模塊設計

2.1 警員警靴設計

警靴由微控制單元(Micro Control Unit,MCU)、心率傳感器、體溫傳感器、血壓傳感器、數字水平儀、藍牙模塊、互聯網模塊、電池模塊、電路模塊等組成。警員警靴構成如圖3所示。

圖3 警靴構成圖

警靴芯片采用MT2503芯片[7],該系列芯片是一個高度集成且面積極小的SiP(System in Package)。它具備Bluetooth 3.0、2 G基帶、且支持雙星系統[7]。將該模塊用于警靴的設計,可同時支持藍牙3.0和互聯網模塊,為警靴功能的高效實現提供了便利。處理器為ARM7EJ-STM核心,具有內嵌內存,常用于穿戴設備、物流和行動追蹤設備等方面。

心率傳感器是監測個人心率的傳感器。測量心率的方法采用光電容積脈搏波描記法(Photo Plethysmo Graphy,PPG)。這是一種將光照進皮膚來測量因血液流動而產生的光散射的方法,也是市面上大部分可穿戴設備使用的測量心率的方法。當血流動力發生改變時(如心率或血容積發生變化),進入人體的光會發生可預見的散射,通過測量穿透血液的不同光線的衰減程度,再利用血氧(HbO2)和血紅蛋白(Hb)對紅光和紅外光的吸收率各不相同的特征,可以算出他們在血液中的含量,并以此來測量脈搏特征[8]。這種探測方法操作簡單、性能穩定且適應性強,但消耗能量較多,且測量結果和實際值有一定誤差[9]。

數字水平儀是基于傳感器、數字信號處理、MCU技術的儀器,是當前傾角測試儀器數字化發展的方向,能夠測量儀器測量面與水平面的傾角,并以數字信號的方式傳遞給微控制單元。該模塊可采用分辨率高、能耗低的ADXL345三軸加速度傳感器[10]模塊。

全球導航衛星系統(Global Navigation Satellite System,GNSS)輔助慣性導航系統,是解決室內導航和GNSS信號弱的情況下精確導航問題的較為成熟的系統。慣性導航可采用運動跟蹤模塊制造商Xsens公司推出的MTi-680G模塊。其集成內部實時動態(Real-Time Kinematic,RTK)功能可將標準商用GNSS接收機中的最大定位誤差從1 m降低到0.02 m,具有厘米級精確定位功能,包含RTK GNSS接收器以及同步的三維姿態和航向輸出[4]。

藍牙模塊采用JDY-30模塊,該模塊基于藍牙3.0協議標準,其傳輸通信頻率為2.4 GHz,采用無線通信方式,廣泛應用于電子設備之間的短距離、高速數據傳輸,同時具有傳輸穩定,能耗低的優點[11]。

2G模塊選擇較多,例如可靠性高、穩定性和接口通用性強的中興MG2639模塊[12]。該模塊支持全球移動通信系統/通用無線分組業務+全球定位系統+北斗功能,且支持短信、數據、電話本等功能,被廣泛應用于數據傳輸、安防監控、醫療監護等領域。

交互模塊為按鍵控制的獨立電路。即微控制單元中獨立的控制分支,當按下按鍵時,促使手機端向外傳輸特定信息進行報警。

2.2 手機端功能設計

手機具有強大的計算能力,在手機端完成警員身體指標的接收和處理是很好的選擇。除去登錄、修改密碼、修改個人信息等基本操作之外,手機端主要完成以下功能。

2.2.1信息處理功能

在警員有危險時,手機將對警靴發送的信息進行處理,并傳輸信號給附近的警員和控制中心,且在控制中心的系統將該警員標記為報警狀態,以供人員安排調度。

2.2.2取消求救功能

在危險情況解除后,或者系統誤報危險情況時,警員可通過手機端APP進行操作,解除報警狀態,停止心率血壓信息的儲存,轉為正常監測狀態。

2.2.3可視化功能

附近警員接到遇險警員的警報信息后,手機端APP會對遇險警員的附近警員在地圖上安排路線,并提供導航,以便其快速抵達現場。同時手機端還可以可顯示警員自身以及其他關聯警員的身體狀況和警報情況。

2.2.4私人定制功能

警員在APP中有屬于個人的賬號信息。在系統處于警報狀態時,APP會記錄并儲存報警過程中心率、血壓等各項參數,在報警解除后,各項數據與個人賬號綁定,存入數據庫,通過人工智能深度學習算法,自動調整個人警報參數范圍,從而達到警員個人定制身體參數范圍需求。

2.3 數據庫設計

存儲和管理空間數據是GIS的核心任務之一[13]。本系統采用關系數據庫及空間數據引擎存儲管理空間信息和屬性信息。空間數據包含地圖背景數據、警員的實時位置信息和一段時間尺度內警員遇險的位置信息;屬性信息則包含警員的姓名、性別、年齡以及身體的各項指標。

2.4 控制中心設計

控制中心處于本系統的核心位置,位于警局的指揮中心。可顯示各個警員的實時位置,并對他們進行調度指揮。當某個警員發出警報信息后,控制中心會自動將該警員的圖層改為特殊標記,將其和其他警員區分開,并做出適當的調度決定。控制中心可實時操作數據庫中的信息,通過一段時間的實際應用,對警員安全事故多發區進行等級劃分,進而有效預防警員安全事故。

3 系統關鍵技術

3.1 位置信息獲取及警靴建模

北斗警靴采用北斗芯片進行定位。北斗衛星導航系統進行定位,可用精度10 m,測速精度0.2 m/s,授時精度10 nm/s,足以滿足該系統的需求。當警員處于室內或GNSS信號弱時,采用BDS和INS來完成準確的定位。慣性導航系統不僅可對BDS的定位精度進行提升,且可在短時間BDS信號中斷期間,提供精確的定位。

警靴建模示意圖如圖4所示。警靴中的單片機集成模塊包含MT2503芯片、ARM7EJ-STM核心、三軸加速度傳感器ADXL345模塊、2G通信模塊以及慣性導航模塊。ADXL345模塊位于鞋底,能夠測量不到1.0度的角度變化,警員正常水平站立時,該模塊與水平地面平行,所測度數為0度。藍牙以及電池模塊,亦位于鞋底。心率血氧傳感器、血壓傳感器和體溫傳感器位于腳踝或腳面與身體密切接觸處,以便測得較為準確的身體指標。交互模塊位于鞋子后跟上方,該位置日常生活不易觸及,在緊急且有反映時間的情況下,可通過觸發此按鍵進行警報。

圖4 警靴建模示意圖

3.2 數據存儲與處理

數據的存儲采用關系型數據庫。隨著系統運營時間的增加,數據庫中存儲的數據規模也越開越大,這對服務器硬件的要求就更加嚴格,一旦服務器設備無法承受數據庫的工作,將可能導致整個系統癱瘓。因此，服務器建議采用支持系統多、存儲穩定性良好的MySQL數據庫服務器,從而達到滿足長期運行且讀寫操作不易出現錯誤的目的。

警員的實時位置和身體體征信息數據通過藍牙傳輸到手機端,經由手機接收并解譯,對不同情況下的數據進行分類和存儲。手機端得到警靴所傳輸的數據后(包含心率、數字水平儀度數、身體溫度、血氧含量、特殊警報等),通過預先設計的算法,實現上述三種情況的求救。

3.3 專家系統和參數的自我更新

專家系統是系統是否準確報警的關鍵之一。警員受到襲擊(未倒地),且未使用觸發交互模塊時,手機端可通過對心率、血壓、體溫、血氧的監測,判斷是否發出求救信號。

該算法對警員當前處于危險的狀況進行預測,分為三步。第一步,利用深度神經網絡(Deep Neural Networks,DNN)對警員身體指標信息總數聚集進行訓練得到權重參數W1;第二步,利用DNN對警員個人數據集進行訓練得到權重參數W2;第三步,從總數據集和個人數據集中各選取n條數據組成數據集,利用前兩步訓練得到的權重參數W1和W2,分別計算出警員目前處于危險的概率X1和X2,并組成新矩陣[X1,X2],同時把2n條數據的危險狀況作為訓練集,利用logistic模型進行訓練得出權重參數W3。當手機端得到警員的身體特征數據時,分別利用權重W1和W2計算出兩個警員處于危險狀態的概率數據,帶入W3權重參數中,輸出警員此時處于危險的概率y,判斷警員狀態。該算法利用了個人數據集對訓練結果進行糾正,在理想狀態下,系統經過一段時間的監測,可自動將參數調整至合適范圍,相當于為每一位警員量身定做一套個人系統。算法流程如圖5所示。

圖5 深度學習算法流程圖

3.4 手機端軌跡分析及可視化

軌跡分析和路徑可視化是找到遇險警員運行軌跡和到達遇險警員位置的關鍵部分。GIS的核心功能就是空間分析,利用GIS配合遇險警員的位置信息進行時空位置分析,找到其位置,并規劃出周圍警員到達遇險警員的路徑,是本系統中GIS的核心作用。手機端APP可調用百度地圖的應用程序接口,進行地圖顯示,并運用GIS進行路徑規劃。在本系統的地圖中,可加入警員可翻越的矮墻等數據,并對其進行可視化,方便周圍警員通過更短的路徑到達遇險警員的所在地,進而節省時間。

4 結束語

本文設計了一個基于北斗、慣性導航、傳感器技術、深度學習、GIS和具有可穿戴終端的警員聯動保護系統。該系統通過對警員的各項身體指標進行監測,建立一個個性化的生理指標體系,并通過深度學習建立判斷警員是否受到襲擊的模型,進而實現了警員安全的智能保障。在終端警靴部分,通過北斗獲取警員位置,通過傳感器獲取警員的身體體征和運動狀態,通過藍牙和2G模塊實現數據傳輸,并結合手機端APP進行報警;在數據處理部分,本系統對每次事故參數進行記錄,并運用深度學習算法自動矯正系統中的相關參數,最終可實現量身定制;GIS在系統中被用于進行可視化和路徑規劃;而控制中心則可基于提供的決策級數據進行總體指揮。本文設計的警靴具有不易損壞,且空間充足的特點,為各項儀器提供了較為穩定的環境和充足的空間。本設計對廣大執法人員的實時安全監控與管理具有重要的實用價值。

在本系統中存在的問題:第三種警報方式所涉及的專家系統精度有待提升。此處利用深度學習算法,對警員的體征數據進行處理,判斷其所處狀態,以達到警報目的。但目前對人體腳部體征測量的生物傳感器的精度有待提高;同時若要達利用警員體征數據進行準確警報的效果,系統需要對警員個人體征數據進行一段時間的監測,不能達到“即用即準確的效果”。