基于环境自适应和小样本学习的电力场景视频检测方法技术

一种基于环境自适应和小样本学习的电力场景视频检测方法包括，运动检测：采用改进的广义高斯混合模型对监控视频进行环境自适应的运动检测，将检测到的运动目标用候选框标记出来；根据候选框进行相应的图像内容裁剪；将裁剪得到的“特写”图像作为下一环节目标检测的输入；接收目标检测的结果，进行可视化标示或警报；目标检测：对YOLOv3模型进行针对性调整；将所述“特写”图像输入改进后的YOLOv3模型进行目标检测，通过判断该对象是否为动物，来判定是否发生了动物入侵。本发明专利技术具有良好的实时性，准确性和鲁棒性，既可满足变电站动物入侵检测的实际需求，也进一步丰富了相关领域的研究。

Video detection method of power scene based on adaptive environment and small sample learning

【技术实现步骤摘要】
基于环境自适应和小样本学习的电力场景视频检测方法
本专利技术公开一种基于环境自适应和小样本学习的电力场景视频检测方法，属于电力环境智能识别的

技术介绍
随着社会的发展，我国对电能的需求日益增大，促使电力设备的数量不断增长，因此加强对电力场景的安全监控，是保障电力安全稳定运行的主要预防措施。早期电力行业中的视频监控主要起到记录的作用，一般都是事故发生后再进行处理。近几年，电力行业的改革一直在推进，其中电力场景监控视频的检测技术也获得了较快的发展。以计算机视觉和深度学习为基础的视频检测方法，能从电力场景监控视频中智能分辨、识别和提取出异常信息，从而更及时地发现安全隐患，更科学地统筹管理。电力行业中不同专业对于视频监控的检测有着不同的需求，如发电厂、变电站、输电线路、电力营业厅等，因为应用环境和业务性质不同，各专业对视频监控的检测具体要求也不同。以变电站的动物入侵检测为例，在实际生活中，常规的变电站等均缺乏人工值守，并且离人类居住区存在一定距离。由于其周围环境适宜，也成为了动物栖息的理想场所。作为小样本的动物进入电力场景时，例如蛇鼠等动物进入主控室和高压室，会造成短路、设备绝缘破坏等电力事故。现阶段，变电站应对动物入侵的主要防范措施是施工封锁和设置挡板。由于防范任务的长期性、特殊性和复杂性，使得动物入侵造成的变电站跳闸短路等事故依然时有发生。因此，为了有效地提高防范力度以营造更加安全的变电站工作环境，构建动物入侵检测模型对其进行实时监测是十分必要的。目前，常用的运动检测方法有以下几种：帧差法、光流法、背景差法和高斯混合模型(GMM)等，这些方法通常用来解决光照条件稳定且图像噪声微小环境下的运动检测问题。相较于上述应用环境，变电站监控环境更为复杂，其原因如下：1)由于变电站监控摄像头在室内和室外均有分布，使得监控视频光照条件不稳定；2)照明灯的开关和工作人员便携式照明设备的使用等行为造成监控视频画面的突变；3)室外环境中太阳光照的渐变，会引起监控视频内物体影子的渐变。所以，现有方法均不适用于变电站环境，致使变电站监控视频的运动检测十分具有挑战性。中国专利文献CN110084166A公开一种基于深度学习的变电站烟火智能识别监测方法，通过针对变电站实际场景进行视频识别模型和图像识别模型的改进优化，紧接着融合两种改进之后的模型框架，尽可能多地避免二者的劣势，发挥出二者各自的优势，设计一种更加合理灵活的检测方法：平时利用图像识别模型进行监控。但是该文献中的识别监测方法难应用至环境条件多变的变电站领域以检测活体动物的入侵行为。在变电站目标检测方面，由于入侵动物种类繁多，且动物在监控画面中不清晰或者占比太小，使其难以被识别，严重影响检测效率。另外，现有动物入侵的图片和视频数据相当稀缺，致使变电站动物目标检测相比于一般的目标检测任务面临更多的挑战。由于变电站动物入侵场景的特殊性和复杂性，且相关的研究也少之又少，致使变电站运动检测和目标检测面临诸多困难。
技术实现思路
针对现有技术的不足，本专利技术公开一种基于环境自适应和小样本学习的电力场景视频检测方法。本专利技术旨在对复杂多变的变电站环境下各种动物的入侵进行实时检测。此外，本专利技术具有良好的实时性，准确性和鲁棒性，既可满足变电站动物入侵检测的实际需求，也进一步丰富了相关领域的研究。专业术语解释：运动检测：在视频图像序列中检测出发生空间位置变化的区域，并将运动目标从图像背景中提取出来。目标检测：在数字图像中定位出感兴趣的目标物体的位置，并预测其类别信息。小样本学习：机器学习模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习。特征融合：在基于深度学习的目标检测模型中，浅层的特征图中往往包含一些低级的特征，比如：物体的颜色和轮廓等；而深层的特征图则包含更加复杂的特征，如：建筑、车辆等语义信息。特征融合指将不同层次的特征图信息进行融合，来提高目标检测的精度。环境自适应：当检测环境发生变化时，运动检测模型能够自动地调整相关参数来适应新的检测环境，以达到最好的检测效果。实时性：在规定时间内，系统的响应速度达到实时效果。本专利技术的技术方案如下：基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，包括：1)运动检测：采用改进的广义高斯混合模型(GGMM)对监控视频进行环境自适应的运动检测，将检测到的运动目标用候选框标记出来；同时，根据候选框进行相应的图像内容裁剪；然后，将裁剪得到的“特写”图像作为下一环节目标检测的输入；最后，接收目标检测的结果，进行可视化标示或警报。2)目标检测：首先，对YOLOv3模型进行针对性调整；然后，将所述“特写”图像输入改进后的YOLOv3模型进行目标检测，通过判断该对象是否为动物，来判定是否发生了动物入侵。根据本专利技术优选的，所述步骤1)中改进的广义高斯混合模型为：其中，所述广义高斯混合模型简介：一维广义高斯分布(GGD)的概率密度函数(PDF)为：其中：Γ()是Gamma函数，参数μ,δ2,λ分别为GGD的均值、方差和形状参数。形状参数越小，GGD密度函数衰减越快，形状越尖锐，拖尾越长。正因为形状参数的影响，使得GGD比GMM能更充分地描述样本。使用三维GGD模型，对彩色图像的RGB三个通道分别进行建模，对于三维特征向量X＝(x1,x2,x3)∈R3，其GGD分布定义如下：其中μ＝(μ1,μ2,μ3)，δ＝(δ1,δ2,δ3)，λ＝(λ1,λ2,λ3)分别为GGD的均值、方差和形状参数，λl≥1(l＝1,2,3)，λ决定了每一维GGD的PDF形状；GGMM是由M个GGD混合组成的，其PDF为：其中pj为第j个GGD的权重，满足参数Θ＝(ε1,ε2,ε3,ε4)，表示M个GGD的全部参数，其中ε1＝(μ1,μ2,...,μM),ε2＝(δ1,δ2,...,δM),ε3＝(λ1,λ2,...,λM),ε4＝(p1,p2,...,pM)；p(x|μj,δj,λj)为第j个GGD的PDF。本设计的优点在于：由于运动检测任务的数据大都处于多维空间中，所以需要构建多维GGD模型，进一步，为了保持每个维度的形状特性，本专利技术假设形状参数是相互独立的。根据本专利技术优选的，所述参数Θ的估计方法包括：为了实现运动检测的环境自适应性，采用迭代公式在线估计每个像素点的值，利用n时刻上估计的参数与n+1时刻的输入，计算n+1时刻的参数，过程如下：其中：βn是学习速率，决定了背景更新的快慢；θj的更新代表了参数μj,δj,λj的更新。根据本专利技术优选的，在GGD模型数量M为固定数量模型：3-5个中的任意一个数量。如果模型数量不固定，会增加每个像素点的计算复杂性，故采用固定数量的模型。根据本专利技术优选的，其中，所得到的运动检测目标就是每个运本文档来自技高网...

【技术保护点】
1.一种基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，包括：/n1)运动检测：/n采用改进的广义高斯混合模型对监控视频进行环境自适应的运动检测，将检测到的运动目标用候选框标记出来；/n同时，根据候选框进行相应的图像内容裁剪；/n然后，将裁剪得到的“特写”图像作为下一环节目标检测的输入；/n最后，接收目标检测的结果，进行可视化标示或警报；/n2)目标检测：/n首先，对YOLOv3模型进行针对性调整；/n然后，将所述“特写”图像输入改进后的YOLOv3模型进行目标检测，通过判断该对象是否为动物，来判定是否发生了动物入侵。/n

【技术特征摘要】
1.一种基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，包括：
1)运动检测：
采用改进的广义高斯混合模型对监控视频进行环境自适应的运动检测，将检测到的运动目标用候选框标记出来；
同时，根据候选框进行相应的图像内容裁剪；
然后，将裁剪得到的“特写”图像作为下一环节目标检测的输入；
最后，接收目标检测的结果，进行可视化标示或警报；
2)目标检测：
首先，对YOLOv3模型进行针对性调整；
然后，将所述“特写”图像输入改进后的YOLOv3模型进行目标检测，通过判断该对象是否为动物，来判定是否发生了动物入侵。


2.根据权利要求1所述的一种基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，使用三维GGD模型，对彩色图像的RGB三个通道分别进行建模，对于三维特征向量X＝(x1,x2,x3)∈R3，其GGD分布定义如下：






其中μ＝(μ1,μ2,μ3)，δ＝(δ1,δ2,δ3)，λ＝(λ1,λ2,λ3)分别为GGD的均值、方差和形状参数，λl≥1(l＝1,2,3)；
GGMM是由M个GGD混合组成的，其PDF为：



其中pj为第j个GGD的权重，满足参数Θ＝(ε1,ε2,ε3,ε4)，表示M个GGD的全部参数，其中ε1＝(μ1,μ2,...,μM),ε2＝(δ1,δ2,...,δM),ε3＝(λ1,λ2,...,λM),ε4＝(p1,p2,...,pM)；p(x|μj,δj,λj)为第j个GGD的PDF。


3.根据权利要求2所述的一种基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，所述参数Θ的估计方法包括：
采用迭代公式在线估计每个像素点的值，利用n时刻上估计的参数与n+1时刻的输入，计算n+1时刻的参数，过程如下：






其中：βn是学习速率，决定了背景更新的快慢；θj的更新代表了参数μj,δj,λj的更新。


4.根据权利要求2所述的一种基于环境自适应和小样本学习的电力场景视频检测方法，其特征在于，在GGD模型数量M为固定数量模型：3-5个中的任意一个数量。


5.根据权利要求1所述的一种基于环境自适应和小样本学习的电...

【专利技术属性】
技术研发人员：聂礼强，郑晓云，战新刚，姚一杨，刘晓川，刘萌，
申请(专利权)人：山东大学，国网浙江省电力有限公司衢州供电公司，智洋创新科技股份有限公司，国网浙江省电力有限公司，
类型：发明
国别省市：山东;37