CN102955940B - 一种输电线路物体检测***及方法 - Google Patents

Abstract

本发明公开了一种输电线路物体检测***，它包括摄像机，摄像机通过RS485与视频服务器连接，视频服务器输出的视频送入图像采集板，图像采集板与上位机连接，上位机与基站连接，上位机与报警器连接，所述图像采集板还与DSP高速压缩电路和存储器连接，图像采集板在接收到上位机发来的控制命令，上传给视频服务器，视频服务器控制摄像机进行拍照，摄像机拍摄的图片经过视频服务器上传给图像采集板，图像采集板中的图像经DSP高速压缩电路将图像压缩与存储器中的基准图进行配准，并公开了一种物体检测方法，利用本发明可以对入侵和异物进行检测，若发现异常物体则进行报警，以便工作人员采取有效的措施避免输电线路事故的发生，并将警报信息逐级上传。

Description

一种输电线路物体检测***及方法

技术领域

本发明涉及一种物体检测***及方法，尤其涉及一种输电线路物体检测***及方法。

背景技术

随着电力建设的迅速发展，电网规模的不断扩大，在复杂地形条件下建设的电网越来越多，输电线路具有分散性大、距离长、难以维护等特点。电力部门目前采用定期人工巡视或直升机巡视等手段，一般巡视周期为一个月，而在巡视期内线路及周边的环境情况是不得而知的，这就为输电线路的安全运行埋下了巨大的隐患。

目前，大多数的远程监控***都仅实现对输电线路的监控，对于入侵检测、异物检测都没有成熟的技术。

发明内容

本发明的目的就是为了解决上述问题，提供一种输电线路物体检测方法，它具有自动识别输电线路旁物体的优点。

为了实现上述目的，本发明采用如下技术方案：

一种输电线路物体检测***，它包括摄像机，摄像机通过RS485与视频服务器连接，视频服务器输出的视频送入图像采集板，图像采集板与上位机连接，上位机与基站连接，上位机与报警器连接，所述图像采集板还与DSP高速压缩电路和存储器连接，图像采集板在接收到上位机发来的控制命令，上传给视频服务器，视频服务器控制摄像机进行拍照，摄像机拍摄的图片经过视频服务器上传给图像采集板，图像采集板中的图像经DSP高速压缩电路将图像压缩与存储器中的基准图进行配准。

一种基于输电线路物体检测***的输电线路物体检测方法，具体步骤为：

步骤一：读取原始背景图像，采用自适应背景混合高斯模型建模法创建初始混合高斯背景模型；

步骤二：捕获视频帧，检测新的像素值与模板匹配情况，若部分匹配则修正高斯参数，若未匹配则建立另一个混合高斯背景模型；

步骤三：建立另一个混合高斯背景模型后，然后返回步骤二；

步骤四：生成背景图像；

步骤五：读取当前视频帧，利用背景差分方法对当前帧中的运动目标进行提取；

步骤六：利用卡尔曼滤波算法，精确提取划定监控区域内的运动目标；

步骤七：然后利用各物体的特征通过支持向量机的方法，建立各物体的模型以识别监控范围内运动物体的种类；

步骤八：若检测出有大型机械的施工活动进入监测区域，则启动报警器报警；当发现有人进入监测范围时，则对人进行进一步的识别、跟踪，依据其在监测范围内的运动时间确定其运动行为，判断是否有私挖光缆的行为，若是则上位机控制报警器报警。

所述步骤一中混合高斯背景模型建模原理为：

设每一个像素的灰度值用K个高斯分布描述，通常K值取3～5，K值的大小取决于计算机内存及对算法的速度要求，K值越大，处理灰度变化的能力越强，相应所需的处理时间也就越长，定义像素点灰度值用变量X_t表示，其概率密度函数用K个三维高斯函数表示：

$P\left(X_t\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\·\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})$

式中ω_i,t为第i个高斯分布在t时刻的权重，且有η(X_t,μ_i，t，∑_i，t)是t时刻的第i个高斯分布，其均值为μ_i，t，协方差为∑_i，t；

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(X_t-{\mathrm{\μ}}_{i,t})}$

式中，i＝1，...，K；n表示X_t的维数，设R、G、B，3个通道相互独立，并有相同的方差，则有 ${\mathrm{\Σ}}_{i,t}={\mathrm{\Σ}}_{i,t}{\mathrm{\σ}}_i^{2}I,$ 表示方差，I表示单位阵。

背景图像生成后，需对当前帧中的运动目标进行提取，背景差分方法，其原理如下：首先设B_k为背景图像，f_k为当前帧图像，差分图像为D_k，则D_k(x，y)＝|f_x(x，y)-B_k-1(x，y)|，（x，y）为像素位置，设R_k为差分后二值图像，对R_k进行连通性分析，当某一连通区域的面积大于一定的阈值，则认为检测的目标出现，并认为这个连通的区域就是检测到的目标图像。

T为设定的二值化阈值。

所述步骤六的具体步骤为：

（6-1）建立卡尔曼滤波器***线性随机微分方程：X(k)=A·X(k-1)+B·U(k)+W(k)，卡尔曼滤波器***的测量值：Z(k)=H·X(k)+V(k)；X(k)是k时刻的***状态，U(k)是k时刻对***的控制量，A和B是***参数，Z(k)是k时刻的测量值，H是测量***的参数，W(k)和V(k)分别表示过程和测量的噪声；

（6-2）假设现在的***状态是k，根据卡尔曼滤波器***线性随机微分方程，利用上一帧状态而预测出现在的帧状态：

X(k|k-1)=A·X(k-1|k-1)+B·U(k)(1)

其中，X(k|k-1)是利用上一帧状态预测的结果，X(k-1|k-1)是上一帧状态最优的结果，U(k)为现在帧状态的控制量，如果没有控制量，它为0；

（6-3）利用公式（2）对X(k|k-1)的协方差进行更新，

P(k|k-1)=A·P(k-1|k-1)·A^T+Q（2），P(k|k-1)是X(k|k-1)

对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A^T表示A的转置矩阵，Q是***过程的协方差；

（6-4）收集现在帧状态的测量值，结合帧状态预测值和测量值，得到现在帧状态的最优化估算值X(k|k)：

X(k|k)=X(k|k-1)+Kg(k)·(Z(k)-H·X(k|k-1))(3)

其中，Kg为卡尔曼增益(KalmanGain)；Kg(k)=P(k|k-1)H^T/(H·P(k|k-1)·H^T+R)(4)；

（6-5）不断更新K状态X(k|k)的协方差：P(k|k)=（I-Kg(k)·H）P(k|k-1)(5)

其中I为1的矩阵，对于单模型单测量，I=1；当***进入k+1状态时，P(k|k)就是式子(2)的P(k|k-1)。

在划定的监控区域内，通过背景建模，差分处理，形态学运算等提取出较为精确地运动目标，然后利用车、人与动物等的特征通过支持向量机的方法，建立车、人与动物模型以识别监控范围内运动物体的种类，检测到的运动前景目标可能包括高大建筑机械、运动人体目标以及野生动物等，一般高大建筑机械的颜色特征比较明显且其面积较大，通过计算前景目标的区域的面积和外接矩形的长宽比等来分别出前景目标。若检测出有大型机械的施工活动进入监测区域，则启动前端告警装置。当发现有人进入监测范围时，则利用以上方法对人进行进一步的识别、跟踪，依据其在监测范围内的运动时间确定其运动行为，看是否有私挖光缆等的行为。

本发明的有益效果：利用本发明可以对入侵和异物进行检测，若发现异常物体则进行报警，以便工作人员采取有效的措施避免输电线路事故的发生。提醒人体目标盗窃国家电力设备属于违法行为，并将警报信息逐级上传。

附图说明

图1为本发明的***框图；

图2为本发明的部分流程图。

其中，1.图像采集板，2.上位机，3.基站，4.摄像机，5.视频服务器，6.DSP高速压缩电路，7.存储器，8.报警器。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1，一种输电线路物体检测***，它包括摄像机4，摄像机4通过RS485与视频服务器5连接，视频服务器5输出的视频送入图像采集板1，图像采集板1与上位机2连接，上位机2与基站3连接，上位机2与报警器8连接，所述图像采集板1还与DSP高速压缩电路6和存储器7连接，图像采集板1在接收到上位机2发来的控制命令，上传给视频服务器5，视频服务器5控制摄像机4进行拍照，摄像机4拍摄的图片经过视频服务器5上传给图像采集板1，图像采集板1中的图像经DSP高速压缩电路6将图像压缩与存储器7中的基准图进行配准。

如图2所示，一种基于输电线路物体检测***的输电线路物体检测方法，具体步骤为：

步骤一：读取原始背景图像，采用自适应背景混合高斯模型建模法创建初始混合高斯背景模型；

步骤二：捕获视频帧，检测新的像素值与模板匹配情况，若部分匹配则修正高斯参数，若未匹配则建立另一个混合高斯背景模型；

步骤三：建立另一个混合高斯背景模型后，然后返回步骤二；

步骤四：生成背景图像；

步骤五：读取当前视频帧，利用背景差分方法对当前帧中的运动目标进行提取；

步骤六：利用卡尔曼滤波算法，精确提取划定监控区域内的运动目标；

步骤七：然后利用各物体的特征通过支持向量机的方法，建立各物体的模型以识别监控范围内运动物体的种类；

步骤八：若检测出有大型机械的施工活动进入监测区域，则启动报警器报警；当发现有人进入监测范围时，则对人进行进一步的识别、跟踪，依据其在监测范围内的运动时间确定其运动行为，判断是否有私挖光缆的行为，若是则上位机控制报警器报警。

所述步骤一中混合高斯背景模型建模原理为：

设每一个像素的灰度值用K个高斯分布描述，通常K值取3～5，K值的大小取决于计算机内存及对算法的速度要求，K值越大，处理灰度变化的能力越强，相应所需的处理时间也就越长，定义像素点灰度值用变量X_t表示，其概率密度函数用K个三维高斯函数表示：

$P\left(X_t\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\·\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})$

式中ω_i,t为第i个高斯分布在t时刻的权重，且有η(X_t,μ_i，t，∑_i，t)是t时刻的第i个高斯分布，其均值为μ_i，t，协方差为∑_i，t；

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(X_t-{\mathrm{\μ}}_{i,t})}$

式中，i=1，...，K；n表示X_t的维数，设R、G、B，3个通道相互独立，并有相同的方差，则有 ${\mathrm{\Σ}}_{i,t}={\mathrm{\Σ}}_{i,t}{\mathrm{\σ}}_i^{2}I,$ 表示方差，I表示单位阵。

背景图像生成后，需对当前帧中的运动目标进行提取，背景差分方法，其原理如下：首先设B_k为背景图像，f_k为当前帧图像，差分图像为D_k，则D_k(x，y)＝|f_x(x，y)-B_k-1(x，y)|，（x,y）为像素位置，设R_k为差分后二值图像，对R_k进行连通性分析，当某一连通区域的面积大于一定的阈值，则认为检测的目标出现，并认为这个连通的区域就是检测到的目标图像。

T为设定的二值化阈值。

所述步骤六的具体步骤为：

（6-1）建立卡尔曼滤波器***线性随机微分方程：X(k)=A·X(k-1)+B·U(k)+W(k)，卡尔曼滤波器***的测量值：Z(k)=H·X(k)+V(k)；X(k)是k时刻的***状态，U(k)是k时刻对***的控制量，A和B是***参数，Z(k)是k时刻的测量值，H是测量***的参数，W(k)和V(k)分别表示过程和测量的噪声；

（6-2）假设现在的***状态是k，根据卡尔曼滤波器***线性随机微分方程，利用上一帧状态而预测出现在的帧状态：

X(k|k-1)=A·X(k-1|k-1)+B·U(k)(1)

其中，X(k|k-1)是利用上一帧状态预测的结果，X(k-1|k-1)是上一帧状态最优的结果，U(k)为现在帧状态的控制量，如果没有控制量，它为0；

（6-3）利用公式（2）对X(k|k-1)的协方差进行更新，

P(k|k-1)=A·P(k-1|k-1)·A^T+Q（2），P(k|k-1)是X(k|k-1)

对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A^T表示A的转置矩阵，Q是***过程的协方差；

（6-4）收集现在帧状态的测量值，结合帧状态预测值和测量值，得到现在帧状态的最优化估算值X(k|k)：

X(k|k)=X(k|k-1)+Kg(k)·(Z(k)-H·X(k|k-1))(3)

其中，Kg为卡尔曼增益(KalmanGain)；Kg(k)=P(k|k-1)H^T/(H·P(k|k-1)·H^T+R)(4)；

（6-5）不断更新K状态X(k|k)的协方差：P(k|k)=（I-Kg(k)·H）P(k|k-1)(5)

其中I为1的矩阵，对于单模型单测量，I=1；当***进入k+1状态时，P(k|k)就是式子(2)的P(k|k-1)。

在划定的监控区域内，通过背景建模，差分处理，形态学运算等提取出较为精确地运动目标，然后利用车、人与动物等的特征通过支持向量机的方法，建立车、人与动物模型以识别监控范围内运动物体的种类，检测到的运动前景目标可能包括高大建筑机械、运动人体目标以及野生动物等，一般高大建筑机械的颜色特征比较明显且其面积较大，通过计算前景目标的区域的面积和外接矩形的长宽比等来分别出前景目标。若检测出有大型机械的施工活动进入监测区域，则启动前端告警装置。当发现有人进入监测范围时，则利用以上方法对人进行进一步的识别、跟踪，依据其在监测范围内的运动时间确定其运动行为，看是否有私挖光缆等的行为。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种输电线路物体检测方法，其特征是，图像采集板在接收到上位机发来的控制命令，上传给视频服务器，视频服务器控制摄像机进行拍照，摄像机拍摄的图片经过视频服务器上传给图像采集板，图像采集板中的图像经DSP高速压缩电路将图像压缩与存储器中的基准图进行配准，具体步骤为：

步骤一：读取原始背景图像，生成背景；

步骤二：读取当前视频帧，利用背景差分方法对当前帧中的运动目标进行提取；

步骤三：利用卡尔曼滤波算法，精确提取划定监控区域内的运动目标；

步骤四：然后利用各物体的特征通过支持向量机的方法，建立各物体的模型以识别监控范围内运动物体的种类；

步骤五：若检测出有大型机械的施工活动进入监测区域，则启动报警器报警；当发现有人进入监测范围时，则对人进行进一步的识别、跟踪，依据其在监测范围内的运动时间确定其运动行为，判断是否有私挖光缆的行为，若是则上位机控制报警器报警；

所述步骤一的具体步骤为：

(1-1)读取原始背景图像，创建初始混合高斯背景模型；

(1-2)捕获视频帧，检测新的像素值与模板匹配情况，若部分匹配则修正高斯参数，若未匹配则建立新模型；

(1-3)求取新的混合高斯背景模型，然后返回步骤(1-2)；

(1-4)生成背景。

2.如权利要求1所述一种输电线路物体检测方法，其特征是，所述步骤三的具体步骤为：

(6-1)建立卡尔曼滤波器***线性随机微分方程：X(k)＝A·X(k-1)+B·U(k)+W(k)，卡尔曼滤波器***的测量值：Z(k)＝H·X(k)+V(k)；X(k)是k时刻的***状态，U(k)是k时刻对***的控制量，A和B是***参数，Z(k)是k时刻的测量值，H是测量***的参数，W(k)和V(k)分别表示过程和测量的噪声；

(6-2)假设现在的***状态是k，根据卡尔曼滤波器***线性随机微分方程，利用上一帧状态而预测出现在的帧状态：

X(k|k-1)＝A·X(k-1|k-1)+B·U(k)(1)

其中，X(k|k-1)是利用上一帧状态预测的结果，X(k-1|k-1)是上一帧状态最优的结果，U(k)为现在帧状态的控制量，如果没有控制量，它为0；

(6-3)利用公式(2)对X(k|k-1)的协方差进行更新，

P(k|k-1)＝A·P(k-1|k-1)·A^T+Q(2)，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A^T表示A的转置矩阵，Q是***过程的协方差；

(6-4)收集现在帧状态的测量值，结合帧状态预测值和测量值，得到现在帧状态的最优化估算值X(k|k)：

X(k|k)＝X(k|k-1)+Kg(k)·(Z(k)-H·X(k|k-1))(3)

其中，Kg为卡尔曼增益(KalmanGain)；Kg(k)＝P(k|k-1)H^T/(H·P(k|k-1)·H^T+R)(4)；

(6-5)不断更新K状态X(k|k)的协方差：P(k|k)＝(I-Kg(k)·H)P(k|k-1)(5)

其中I为1的矩阵，对于单模型单测量，I＝1；当***进入k+1状态时，P(k|k)就是式子(2)的P(k|k-1)。

3.一种采用如权利要求1所述输电线路物体检测方法的***，其特征是，它包括摄像机，摄像机通过RS485与视频服务器连接，视频服务器输出的视频送入图像采集板，图像采集板与上位机连接，上位机与基站连接，上位机与报警器连接，所述图像采集板还与DSP高速压缩电路和存储器连接。