1.一种基于区块链网络的校园安防数据同步系统，其特征在于，包括：

数据提取单元，用于在安全巡检单元中提取校园安防异常图形同步状态数据，将待同步的异常图形发送至云端服务器，所述云端服务器在接收所述待同步数据时，将所述待同步数据进行保存，保存之后生成所述待同步数据的状态信息；

数据判断单元，用于将状态信息在云端服务器完成异常图形的对应关系，所述待同步异常图形由每个安全巡检单元提供相应的异常图形，上传至云端服务器过程中需要判断待同步异常图形与云端服务器的异常图形是否冲突，或者确认相互之间并没有目标数据需要覆盖或者替换；

数据采集单元，用于在校园特定区域设置摄像装置，根据摄像装置采集的坐标位置形成安全巡检单元，在安全巡检单元中根据相关性函数计算，生成异常图形集合；

从校园特定区域设置形成三角形方位的摄像装置，对初始摄像装置设置为坐标(x11,y11)，通过摄像装置获取的图像信息，对图像信息中的异常特征图像进行判断；

设置的其它两个摄像装置方位坐标分别为(x12,y12)，(x13,y13)，通过形成的特定方位的安全巡检单元进行巡查，摄像装置实时巡检监测范围异常状态，从而无死角的进行巡检监测，对监测范围中收集到每个方向的行为形成状态矩阵；对监测范围中每个方向的状态矩阵与设备预存的状态矩阵进行相关性分析，根据校园中物体的位置，形成干扰参数δ，通过对n个安全巡检单元与第s个异常图形的相关性函数计算，得到安全巡检单元中异常图形发生的可能性，获取异常图形通过预存的收集阈值或者神经网络学习方法进行提前预存，从而为后续实时采集的图像进行比对提供素材；

该相关性函数计算为：

其中On为安全巡检单元的特征向量，qn为安全巡检单元的特征阈值，Qs为异常图形的特征向量，os为异常图形的特征阈值，A为正整数， 为安全巡检单元异常图像计算的归一化系数，根据第i个异常状态区域所覆盖的n个安全巡检单元的相关性系数以及第i个异常状态区域所发现的s个异常图形的相关性系数 为异常图形有效性计算； 为安全巡检单元的特征向量和异常图形的特征向量所

产生的整体特征差异曲线，根据相关性函数提取异常图形，形成异常图形集合B；

条件单元，用于对异常图形集合进行条件筛选识别，根据关联性回归模型计算获取目标对象的特征参数，将计算后的特征参数形成巡检特征集安全巡检单元提取异常图形时，所提取的异常图形也会存在于另一安全巡检单元中，这就需要对异常图形进行重复去噪处理，对重复的异常图形进行遍历去噪计算，将异常图形集合B中的图形信息逐个放入筛选的条件概率中；对于集合B中分为在n个安全巡检单元中收集的异常图形集合Bn，以及异常图形集合中j个重复的异常图形Bj，C为异常图形集合B中异常图形的属性条件，满足筛选条件算法 M为正整数异常图形数值，则将Bj放入异常图形的属性条件C中，将Bn作为其父节点；根据匹配筛选算法从而根据异常图形的特征等级获取的筛选结果，异常图形筛选之后为了能够根据安全性判断条件进行安全巡检提供前提；

其中， 表示Bn的所有异常图形的属性条件C的条件概率的乘积，Bn和Bj以及C的联合概率分布为P(Bn,Bj|C)，以及遍历Bn和C得到条件概率分布P(Bn|C)，遍历Bj和C得到条件概率分布P(Bj|C)；

经过条件筛选之后去掉重复的异常图形，在异常图形中需要定位真正的安全风险目标对象，根据安全性信息判定条件进行关联性计算，关联性计算回归模型函数为：

Fn＝In(u)+σ+Jn·ε+Kn·μ

Fn为目标对象关联预测值，ε为目标对象关联预测值Fn和Jn物体跌落输出图形集合的回归系数，μ为目标对象关联预测值Fn和Kn人员聚集输出图形集合的回归系数，σ为分布图形的调节系数，In(u)为场所动态数据判断函数、通过异常图形中获取温度图形监测数据，u为温度图形数量，An为显示温度图形通信反馈超时阈值、bn为通信中断阈值、h为综合判断场所温度图形的应力，λ为判断参数，通过对物体跌落判断模型进行模型计算 由于物

体判断过程中需要对图形x和y方位进行联合处理，对异常图形中相邻像素发生的变化度进行梯度运算，Dx为物体跌落异常图形x方位的梯度值，Dy为物体跌落异常图形y方位的梯度值，cp为第p个疑似跌落图形的基向量参数，dp为第p个疑似跌落图形的基向量，N为正整数的疑似跌落图形；

为物体跌落阈值，通过墙体碎片、高空抛物或者人员跌落进行判断，

通过对人员聚集判断模型进行模型计算Kn＝max{|Gx|+|Gy|,H(x,y),g}，求得异常图形中人员的最大值，Gx为人员聚集异常图形x方位的梯度值，Gy为人员聚集异常图形y方位的梯度值，H(x,y)为位置坐标x，y的人员聚集异常图形的偏移值；

g为人员聚集判断阈值；

筛选单元，用于在巡检特征集中通过巡检轨迹函数进行遍历，从而筛选出校园安防巡检的异常图形；

在巡检特征集中，摄像装置的提取的异常图形轨迹根据经过关联性计算回归模型函数得到：通过巡检轨迹函数对校园中不同区域进行遍历计算，对校园的楼道、走廊、教室、礼堂以及操场进行异常图形筛选，对不同的地点进行筛选之后，获取重点排查的区域，提取异常图形；

巡检轨迹函数为 n≥1，ωn为第n个安全巡检单元

对应的异常图形向量，⊙为ωn和 的哈达玛乘积， 为

巡检异常图形向量，μ为巡检调节参数，||·||代表模长，Lxk为x方位第k个异常图形向量的关联程度值，Lyk为y方位第k个异常图形向量的关联程度值，当fn值越大则表示第n个安全巡检单元所包含的异常图形越多，在该安全巡检单元提供巡检等级，并对该安全巡检单元周围的安全巡检单元查找类似异常图形的轨迹；

数据对应单元，用于将上传的异常图形获取时间以及所在的安全巡检单元地理定位坐标进行数据确认，在正确获取待同步异常图形的数据确认信息时，进行待同步异常图形上传至云端服务器的操作，同步单元，用于开始判断上传是否同步成功，如果没有成功，则重新发送所述待同步异常图形，当重新发送的次数超过预设次数阈值或重新发送时长超过预设时长时，判定待同步异常图形同步失败，将待同步异常图形移除发送缓存，将新的待同步异常图形提取至待发送缓存，将新的待同步异常图形加入发送缓存中并发送至云端服务器；如果同步成功，则将待同步异常图形从发送缓存删除，直至全部待同步异常图形上传至云端服务器。