一种用于电力监控的行人越界标监测方法技术

本发明专利技术涉及一种用于电力监控的行人越界标监测方法，技术方案是，通过将运动信息融入到行人检测中完成运动目标的行人识别，通过对目标行人的跟踪并提取视频序列中的警戒线，完成行人越界的检测，适合应用在实际的电力行业现场环境中，能够针对电力视频监控的场景中的行人进行识别并跟踪，同时能够对越界行为进行检测并报警，准确率达到92％以上，且实时性满足现场需求，解决了本领域技术人员人员一直渴望解决但是又难以解决的问题，为火电厂的安全、稳定运行提供了有力保障。

【技术实现步骤摘要】
一种用于电力监控的行人越界标监测方法
本专利技术涉及视频监测
，特别是一种用于电力监控的行人越界标监测方法。
技术介绍
在火力发电行业中，需要对一些特殊区域进行监控，防止行人误入危险区域造成严重的后果。因此需要一种高效准确的方法来实现对行人误入危险区域进行警告。目前的运动目标检测方法往往仅对运动目标进行检测而没有对运动目标是否为行人进行识别或者直接对全视频帧进行行人检测，算法检测实时性较低。运动检测方法主要有有帧间差分法、混合高斯背景建模法以及均值背景建模法。帧间差分法是将视频序列中相邻帧或者相近帧之间进行差分，进而得出视频序列中的运动目标。混合高斯背景建模法作为一种应用较多的运动目标检测算法，通过统计差分来区分视频序列中的运动目标和背景，均值背景建模法是取视频序列中无运动目标的一段视频序列进行加权平均，进而得出该视频序列场景中的背景，从而对后续视频序列中的运动目标进行检测。目前，行人识别方法大都是直接针对视频进行行人识别，然而视频中大部分背景是不需要进行识别的，因此难以满足电力监控的需求，其改进和创新势在必行。
技术实现思路
针对上述情况，为克服现有技术之缺陷，本专利技术之目的就是提供一种用于电力监控的行人越界标监测方法，可以将运动信息融入到行人识别中，以提高运动运动行人目标识别的快速性和准确性，满足电力系统越界监控的需求。本专利技术解决的技术方案是：一种用于电力监控的行人越界标监测方法，包括以下步骤：步骤1：视频采集读取监控摄像头所拍摄的视频数据，并将视频数据转化成为图像数据，同时将彩色图像转化为灰色图像，完成视频的采集；步骤2：运动目标提取(1)读取视频序列的前60帧图像，将前60帧的灰度图像进行加权取均后得到取均后的灰色图像，采用Vibe运动背景建模法对该灰色图像中的每一个像素点建立样本集，该像素点周围点的像素值为采样值：其中，Bn为采集N帧图像所建立的平均背景图像，N为进行平均的帧数，为包含当前帧在内的视频集所保存的连续N帧图像；显然N值越大，Bn越接近实际场景中的背景图像，但是随着N值的增大，背景建模时间也会变长，因此，综合考虑建模准确和效率等因素，本方法选择N＝60来完成视频场景中的背景建模；(2)读取视频序列后续视频帧，将后续视频帧中的某一个像素点的像素值与样本集中的采样值进行对比，若两个像素值之间的距离小于设定的距离R则认为两点相近；同理，将该像素点的像素值与样本集中所有的样本值求取距离，则可得到像素点与样本集相似的个数，若个数大于设定的阈值，则判定该像素点为背景，从而完成运动目标的提取；将Vibe算法中原有的计算距离的模型替换为圆锥模型，同时引入自适应阈值的方法，使Vibe算法能够适应复杂的背景变化，其具体方法如下：首先对当前视频帧样本集灰度进行取均，计算公式为：式中：f(vi)为样本点灰度值，n为样本集中样本点的个数，V为样本集的平均值；计算样本集的标准差：根据计算的标准差的大小来调整阈值R的大小，其公式如下：R＝σ×γ式中：R为需要调整Vibe算法的自适应阈值，σ为当前视频帧的标准差，γ为振幅乘数因子；(3)对提取出来的运动目标进行阴影消除；步骤3：进行运动区域行人识别；步骤4：行人跟踪对步骤3检测出来的行人进行跟踪，采用卡尔曼滤波和匈牙利算法结合来完成行人的跟踪，卡尔曼滤波可以通过行人当前的时刻的位置来对行人下一时刻的位置进行估计，将估计出来的位置再通过匈牙利算法的方法完成最优匹配，从而完成行人跟踪；步骤5：行人越界检测首先将视频序列中的直线提取出来，通过颜色空间将黄色的警戒线提取出来，提取出警戒线区域后，将直线绘制到视频序列的后续帧中，采用Hough变换完成直线的提取，并将直线绘制到后续的视频序列中，作为行人越界检测的基本线；采用单向检测的方式实现行人的越界检测，通过将行人的运动信息融入到行人越界检测的算法中用以判断行人的运动方向，当行人为闯入危险区域的时候系统判断行人出现越界行为，进而完成报警。优选的，所述步骤3运动区域行人识别的具体方法为：采用识别速度较快且识别率较高的YOLO神经网络算法实现对运动区域的行人进行识别，从而实现将运动信息融入到行人识别中；YOLO网络结构由卷积层和全连接层构成，卷积称对图像的语义信息进行提取，全连接层输出预测的范围框的中心点的坐标，YOLO网络结构通过叠加1*1卷积层来实现跨通道整合信息，降低维度且提升网络泛化能力，YOLO算法流程如下：(1)读取频频中运动区域图像，并将图像归一化为固定大小；(2)YOLO模型将输入的视频划分成S×S网格，假设待检测的目标的中心坐标全部落到S×S网格内，此网格负责检测目标；(3)每个网格单元预测B个边界框，且预测每个边界框含有所属类的概率以及疑似目标的置信度；(4)进行类别置信度评分，设置最佳阈值判定参数，消除疑似目标概率过低的边界窗口；(5)采用非极大值抑制法，消除疑似目标冗余的窗口；(6)输出识别目标框及类别。本专利技术方法通过将运动信息融入到行人检测中完成运动目标的行人识别，通过对目标行人的跟踪并提取视频序列中的警戒线，完成行人越界的检测，与现有技术相比，本专利技术具有以下优点：(1)通过对Vibe算法的改进，通过设定自适应算法，让自适应阈值R能够根据视频序列中的环境的改变，从而自动的对R值的大小进行一定程度的调整，使运动目标能够在随着场景的变化检测的更加准确，使提取到的运动目标更加的完善，以便在后续的视频序列中完成行人的检测和跟踪；(2)将Vibe提取到的运动信息和YOLO神经网络检测算法进行融合，YOLO模型是将检测结果作为回归问题，实现了端到端的的训练和学习目标检测过程，排除了无关背景的干扰，加快了行人检测的速度，同时排除了在后续行为检测中由非行人行为误报警的现象进行了排除，提高了检测速度；(3)通过将行人的运动方向信息融入到行人越界检测行为中，排除了重复报警现象的产生；(4)在火力发电行业中，需要对一些特殊区域进行监控，防止行人误入危险区域造成严重的后果，本申请提出了一套适用于电力行业的越界检测方法，适合应用在实际的电力行业现场环境中，能够针对电力视频监控的场景中的行人进行识别并跟踪，同时能够对越界行为进行检测并报警，准确率达到92％以上，且实时性满足现场需求，解决了本领域技术人员人员一直渴望解决但是又难以解决的问题，为火电厂的安全、稳定运行提供了有力保障。附图说明图1为Vibe运动背景建模法背景模型的原理图。图2为本法行人跟踪流程框式图。图3为本专利技术方法流程框式图。具体实施方式以下结合附图对本专利技术的具体实施方式作进一步详细说明。由图1给出，本专利技术一种用于电力监控的行人越界标监测方法，包括以下步骤：步骤1：视频采集读取监控摄像头所拍摄的视频数据，并将视频数本文档来自技高网...

【技术保护点】
1.一种用于电力监控的行人越界标监测方法，其特征在于，包括以下步骤：/n步骤1：视频采集/n读取监控摄像头所拍摄的视频数据，并将视频数据转化成为图像数据，同时将彩色图像转化为灰色图像，完成视频的采集；/n步骤2：运动目标提取/n(1)读取视频序列的前60帧图像，将前60帧的灰度图像进行加权取均后得到取均后的灰色图像，采用Vibe运动背景建模法对该灰色图像中的每一个像素点建立样本集，该像素点周围点的像素值为采样值：/n

【技术特征摘要】
1.一种用于电力监控的行人越界标监测方法，其特征在于，包括以下步骤：
步骤1：视频采集
读取监控摄像头所拍摄的视频数据，并将视频数据转化成为图像数据，同时将彩色图像转化为灰色图像，完成视频的采集；
步骤2：运动目标提取
(1)读取视频序列的前60帧图像，将前60帧的灰度图像进行加权取均后得到取均后的灰色图像，采用Vibe运动背景建模法对该灰色图像中的每一个像素点建立样本集，该像素点周围点的像素值为采样值：



其中，Bn为采集N帧图像所建立的平均背景图像，N为进行平均的帧数，为包含当前帧在内的视频集所保存的连续N帧图像；显然N值越大，Bn越接近实际场景中的背景图像，但是随着N值的增大，背景建模时间也会变长，因此，综合考虑建模准确和效率等因素，本方法选择N＝60来完成视频场景中的背景建模；
(2)读取视频序列后续视频帧，将后续视频帧中的某一个像素点的像素值与样本集中的采样值进行对比，若两个像素值之间的距离小于设定的距离R则认为两点相近；同理，将该像素点的像素值与样本集中所有的样本值求取距离，则可得到像素点与样本集相似的个数，若个数大于设定的阈值，则判定该像素点为背景，从而完成运动目标的提取；
将Vibe算法中原有的计算距离的模型替换为圆锥模型，同时引入自适应阈值的方法，使Vibe算法能够适应复杂的背景变化，其具体方法如下：首先对当前视频帧样本集灰度进行取均，计算公式为：



式中：f(vi)为样本点灰度值，n为样本集中样本点的个数，V为样本集的平均值；
计算样本集的标准差：



根据计算的标准差的大小来调整阈值R的大小，其公式如下：
R＝σ×γ
式中：R为需要调整Vibe算法的自适应阈值，σ为当前视频帧的标准差，γ为振幅乘数因子；
(3)对提取出来的运动目标进行阴影消除；
步骤3：进行运动区域行人识别；
步骤4：行人跟踪
对步骤3检测出来的行人进行跟踪，采用卡尔曼滤波和匈牙利算法结合来完成行人的跟踪，卡尔曼滤波可以通过行人当前的时刻的位置来对行人下一时刻的位置进行估计，将估计出来的位置再通过匈牙利算法的方法完成最优匹配，从而完成行人跟踪；
步骤5：行人越界检测
首先将视频序列中的直线提取出来，通过颜色空间将黄色的警戒线提取出来，提取出警戒线区域后，将直线绘制到视频序列的后续帧中，采用Hough变换完成直线的提取，并将直线绘制到后续的视频序列中，作为行人越界检测的基本线；采用单向检测的方式实现行人的越界检测，通过将行人的运动信息融入到行人越界检测的算法中用以判断行人的运动方向，当行人为闯入危险区域的时候系统判断行人出现越界行为，进而完成报警。


2.根据权利要求1所述的用于电力监控的行人越界标监测方法，其特征在于，所述步骤2中振幅乘数因子γ的取值为0.5，自适应阈值R的设定值为20-50。


3.根据权利要求1所述的用于电力监控的行人越界标监测方法，其特征在于，所述步骤2中对提取出来的运动目标进行阴影消除的具体方法为：
通过将HSV颜色空间和LBP纹理特征方法的融合来消除阴影，首先利用运动目标和阴影的色度差异，由HSV颜色空间初步判断阴影区域，同时由于阴影产生前后，产生阴影的区域纹理特征基本不变，因此对阴影区域进一步提取纹理特征，进一步判断该区域是否为阴影，从而进行阴影消除；
HSV颜色空间可根据下式来完成阴影的检测：



式中：Sk(x,y)为阴影区域，和为前景和背景像素点的亮度值，α和β为阴影亮度的阈值，和为前景和背景像素点的饱和度值，TS为阴影的饱和度的阈值，和前景和背景像素点的色调，TH为阴影色调的阈值；
同时，将CLBP算法和HSV颜色空间融合对阴影进行消除，CLBP算法是LBP算法的改进型，其公式如下式表示：



式中：P为相邻像素的个数，R为邻域的半径；gp为相邻像素点的灰度值，gc为该像素点的灰度值，N′为窗口数；

其中，gN‘为整幅图像的灰度平均值，gn为某像素点的灰度值；
Dp＝gp-gc；其中，Dp为相邻像素点与当前像素点灰度值的差值；

其中，Dc为当前像素点与所有相邻像素点灰度值差值的平均值；

为传统的LBP算子，描述局部窗口的灰度差异；为局部窗口内灰度差异特征，为中心像素点的灰度差异，S(x′)为判别函数，当自变量x′＞0时，取值为1...

【专利技术属性】
技术研发人员：江鹏宇，杨亚飞，周旭战，袁世通，韩威，范晓鹏，刘云飞，马仁婷，秦铭阳，张璜，杨宏佳，
申请(专利权)人：中国大唐集团科学技术研究院有限公司中南电力试验研究院，大唐三门峡电力有限责任公司，
类型：发明
国别省市：河南;41