CN103945197A - 基于视频运动检测技术的电力设施防外破预警方案 - Google Patents

Abstract

本发明涉及一种基于视频运动检测技术的电力设施防外破预警方案，其方案是将摄像头所检测的视频按照一帧帧图像读取后，根据时间设置相应的阈值体系后对视频一系列的帧图像处理提取出电力设施的整体轮廓和整个视频图像上的虚拟线圈，然后确定检测区域，然后在所有检测区域内采用混合高斯分布背景模型来进行背景提取和更新，再通过背景消减法得到检测区域的前景，将检测区域的前景的像素数据与阈值体系的相应检测阈值进行比较，若前景像素数据超出了阈值范围则发出预警信号，从而实时地进行背景更新和前景的检测，确保视频检测的实时性和持续性。

Description

基于视频运动检测技术的电力设施防外破预警方案

技术领域

本发明属于数字图像处理领域，特别涉及电力设施的防外破预警方面的数字图像处理。

背景技术

随着国民经济的发展，电力的供应在社会的生产生活中占据着越来越重要的地位，而如何保障远距离高压输电线路等电力设施的安全稳定运行是亟需解决的课题。数字图像处理等计算机技术的快速发展使得有关高压输电线路的安全监控技术的研究与开发出现新的思路。其中基于视频的运动检测技术作为计算机视觉应用的分支，是一种通过视频摄像机和电脑模仿人眼的功能将视频图像和电脑化模式识别结合起来的技术，日益成为各类监控***中最具优势、最有发展潜力的检测方法。而将视频检测技术应用到电力设施（如高压输电线路）的监控防护中，形成基于视频运动检测的高压输电线路监控预警***，已经成为了电力设施监控领域研究的主流与前沿，引起了业界的高度关注。

然而有关该类***的研究与开发还远未成熟，目前已见诸报道的少量此类***也存在如下问题：（1）很多***不具有智能化检测算法，因而无法自动化识别目标，只能在有人值守的情况下才能实时监测预警，从而产生极高的人力成本；（2）少数***具有智能化检测算法，但是视频检测不是由现场***完成，而是通过无线通信传输到远程控制中心完成，鉴于无线通信环境的低可靠性难以保证对突发情况及时响应，且一旦控制中心无法运行，整个***就将瘫痪；（3）极少数成型***也未能解决在复杂场景、遮挡场景、黑夜场景等特殊情况下目标检测问题，无法实现误检率和漏检率的联合最优化。这些问题都阻碍着该类***的大规模商用。

发明内容

本发明要解决的技术问题是提供一种可实现实时预警、实用性较好、实时性较高且准确性较高的基于视频运动检测技术的电力设施防外破预警方案。

实现本发明目的的技术方案是提供一种基于视频运动检测技术的电力设施防外破预警方案，包括如下几个步骤：

①读取图像，将摄像头所检测的视频按照一帧帧图像读取到内存中并记录该图像的像素灰度值数据；

②根据时间设置相应的阈值体系，时间为早上8点到下午5点之间确定为白昼模式、晚上8点到凌晨5点确定为黑夜模式，而对于其它时间即模糊时间区域，采用Bayes定理进行决策分类，黑夜和白昼模式采用相应的不同阈值体系；

③通过图像边缘检测算法对步骤①得到的视频一系列的帧图像处理来提取出电力设施的整体轮廓；

④在步骤②得到的阈值体系下，根据步骤③得到的电力设施轮廓生成整个视频图像的从内到外的3至8个虚拟线圈；

⑤根据步骤③得到的电力设施轮廓和步骤④得到的虚拟线圈确定检测区域，检测区域为电力设施轮廓以外、位于最内的虚拟线圈以内的区域以及所有相邻的两个虚拟线圈之间的区域；

⑥在步骤⑤得到的所有检测区域内采用混合高斯分布背景模型来进行背景提取和更新；采用一个多重自适应的混合高斯模型并根据高斯分布的持续性和变化性来检测出背景点和前景点；背景的更新是通过引入更新率                                               更新各高斯分布的权重来实现的；基于混合高斯分布背景模型的背景提取和更新的原理和处理方法如下：

设用来描述每个象素点颜色分布的高斯分布共有K个；在时刻，某象素点第i个高斯分布的概率密度函数为： 

（3）

其中，表示时刻象素点的RGB强度值组成的颜色向量；、分别为时刻第个高斯分布的均值向量，协方差矩阵；

各高斯分布分别具有不同的权值和优先级，它们按照优先级从高到低进行排序；满足公式的前b个高斯分布被认为是背景分布，而其它高斯分布则认为前景分布，上式中，T为阈值，T的取值决定了背景分布的个数；在检测前景点时，按照优先级次序将与各高斯分布逐一匹配，若没有表示背景分布的高斯分布与匹配，则判定该点为前景点，否则为背景点；

若检测时没有找到任何高斯分布与匹配，则将优先级最小的一个高斯分布去除，并根据引入一个新的高斯分布，并赋予较小的权值和较大的方差，若第k个高斯分布与匹配，则对第i个高斯分布的权值更新如下：

     （4）

其中，为更新率，当i=k时， ，否则，；

⑦通过背景消减法得到检测区域的前景，通过对一帧帧的检测区域的图像像素数据和实时更新的检测区域中的背景像素数据做差值运算，即可得到所检测区域的前景；

⑧将步骤⑦得出的检测区域的前景的像素数据与步骤②得到的阈值体系即黑夜或白昼模式下的检测阈值集进行比较，若前景像素数据超出了阈值范围则进入步骤⑨，否则继续不断循环步骤⑥至⑧，实时地进行背景更新和前景的检测，同时相隔一定时间后执行步骤②再次检测现在的模式为白昼模式还是黑夜模式并更新相应的阈值体系；

⑨若前景像素数据超出了阈值范围，则认为有运动物体靠近电力设施，此时立即通过预警***及时发出预警信号。

进一步的，其中步骤①是在VC++ 6.0平台上对视频的一帧帧bmp格式的图像文件顺序地进行读取到内存中并记录该图像的像素灰度值数据。

进一步的，其中步骤③中，Bayes函数为：

       （1）

表示要加以判别的2个模式类别即白昼模式和黑夜模式，表示特征向量、即当前帧图像平均灰度值；表示2个模式出现的先验概率，随季节、周围环境的不同而变化，可由历史数据统计得到；分别表示白昼模式、黑夜模式下平均灰度值为的条件概率，由经验获得；判别公式为：

         若      （2）

则判为白昼模式；否则，判为黑夜模式；则该判断方法可表示为：

式中为当前时间，通过确定黑夜或白昼模式后设置相应的阈值体系。

进一步的，其中步骤③中，图像边缘检测算法采用边缘算子法、曲线拟合法、模板匹配法或门限化法之一。

进一步的，其中步骤④中，确定电力设施轮廓后，在电力设施轮廓周围通过基于统计几何学的虚拟线圈生成方法生成整个视频图像的从内到外的3至8个虚拟线圈：设摄像头与高压线路之间的距离为、俯仰角为、方位角为；图像上线路某点切向量定义为以摄像头近端为起点沿着线路的方向指向该点的向量，表示为；图像上线路某点法向量定义为以该点出发沿着线路垂线的方向的向量，表示为；通过统计学理论建立法向量和切向量的几何函数关系：；

在实际***中，距离、俯仰角、方位角参数可通过现场调试获得；通过可视化界面利用手动的方式可准确地获得输电线路各点的坐标；在此基础上，利用上述几何函数关系即可获得整个线路的虚拟线圈。

进一步的，步骤⑧中，相隔40至90分钟后执行步骤②再次检测现在的模式为白昼模式还是黑夜模式并更新相应的阈值体系。

本发明具有积极的效果：（1）本发明的基于视频运动检测技术的电力设施防外破预警方案根据数据的不同层面和不同的视频检测区域相应地建立阈值参数体系，以供联合决策使用从而提高视频检测的精确性和适用性，并考虑到本方案实施环境中黑夜和白昼模式图像像素差别很大，这直接影响到相应的检测阈值参数。因此本方案采用贝叶斯决策理论来辨别黑夜模式和白昼模式，同时根据不同的模式来设置不同的阈值体系，由这些实时更新的阈值参数体系来联合决策，这样能够更大程度上提高预警的准确性、适用性和稳定性。

（2）本发明的基于视频运动检测技术的电力设施防外破预警方案运用视频运动检测处理技术来检测电力设施周围的交通状态，能够全天候（黑夜和白昼两种模式下）对那些可能破坏电力设施的运动物体能够自动地进行提前预警，实时性较高。

（3）本发明的基于视频运动检测技术的电力设施防外破预警方案混合高斯分布背景模型进行图像背景的提取与更新，采用背景消减法进行运动物体的检测，能够很好地适应外界环境的变化，保证了视频检测的快速性和实时性。

（4）本发明的基于视频运动检测技术的电力设施防外破预警方案简单而且易于实现，具有较好的应用前景。

附图说明

图1为输电线路的虚拟线圈示意图。

具体实施方式

（实施例1）

本实施例的基于视频运动检测技术的电力设施防外破预警方案包括如下步骤：

①读取图像，将摄像头所检测的视频按照一帧帧图像读取到内存中并记录该图像的像素灰度值数据；本实施例是在VC++ 6.0平台上对视频的一帧帧bmp格式的图像文件顺序地进行读取到内存中并记录该图像的像素灰度值数据。

②根据时间设置相应的阈值体系，时间为早上8点到下午5点之间确定为白昼模式、晚上8点到凌晨5点确定为黑夜模式，而对于其它时间即模糊时间区域，由于亮度逐渐变化且跳跃性强，情况较复杂，采用Bayes定理进行决策分类，Bayes函数为：

       （1）

表示要加以判别的2个模式类别即白昼模式和黑夜模式，表示特征向量（当前帧图像平均灰度值）。表示2个模式出现的先验概率，随季节、周围环境的不同而变化，可由历史数据统计得到；分别表示白昼模式、黑夜模式下平均灰度值为的条件概率，由经验获得。判别公式为：

         若      （2）

则判为白昼模式；否则，判为黑夜模式。则该判断方法可表示为：

式中为当前时间，通过确定黑夜或白昼模式后设置相应的不同阈值体系。

③通过图像边缘检测算法对步骤①得到的视频一系列的帧图像处理来提取出电力设施的整体轮廓；图像边缘检测算法可采用例如边缘算子法、曲线拟合法、模板匹配法、门限化法等。

④在步骤②得到的阈值体系下，根据步骤③得到的电力设施轮廓，在电力设施轮廓周围通过基于统计几何学的虚拟线圈生成方法生成整个视频图像的从内到外的3至8个虚拟线圈：见图1，设摄像头与高压线路之间的距离为、俯仰角为、方位角为。图像上线路某点切向量定义为以摄像头近端为起点沿着线路的方向指向该点的向量，表示为。图像上线路某点法向量定义为以该点出发沿着线路垂线的方向的向量，表示为。通过统计学理论建立法向量和切向量的几何函数关系：。

在实际***中，距离、俯仰角、方位角参数可通过现场调试获得。而且，还通过可视化界面利用手动的方式准确地获得输电线路各点的坐标。在此基础上，利用上述几何函数关系即可获得整个线路的虚拟线圈。

⑤根据步骤③得到的电力设施轮廓和步骤④得到的虚拟线圈确定检测区域，检测区域为电力设施轮廓以外、位于最内的虚拟线圈以内的区域以及所有相邻的两个虚拟线圈之间的区域。

⑥在步骤⑤得到的所有检测区域内采用混合高斯分布背景模型来进行背景提取和更新。视频图像背景的提取很大程度上决定了图像检测的准确度，而基于不同背景模型的背景提取算法也优劣不同。本方案采用混合高斯分布背景模型，即采用一个多重自适应的混合高斯模型并根据高斯分布的持续性和变化性来检测出背景点和前景点。背景的更新是通过引入更新率更新各高斯分布的权重来实现的。基于混合高斯分布背景模型的背景提取和更新的原理和处理方法如下：

设用来描述每个象素点颜色分布的高斯分布共有K个。在时刻，某象素点第i个高斯分布的概率密度函数为： 

（3）

其中，表示时刻象素点的RGB强度值组成的颜色向量；、分别为时刻第个高斯分布的均值向量，协方差矩阵。

各高斯分布分别具有不同的权值和优先级，它们按照优先级从高到低进行排序。满足公式（T为阈值，T的取值决定了背景分布的个数）的前b个高斯分布被认为是背景分布，而其它高斯分布则认为前景分布。在检测前景点时，按照优先级次序将与各高斯分布逐一匹配，若没有表示背景分布的高斯分布与匹配，则判定该点为前景点，否则为背景点。

若检测时没有找到任何高斯分布与匹配，则将优先级最小的一个高斯分布去除，并根据引入一个新的高斯分布，并赋予较小的权值和较大的方差，若第k个高斯分布与匹配，则对第i个高斯分布的权值更新如下：

     （4）

其中，为更新率，当i=k时， ，否则，。

⑦通过背景消减法得到检测区域的前景。背景消减法是一种利用当前帧图像与背景图像对应象素点的灰度差值来检测运动物体的技术：如果当前图像的象素点和背景图像的象素点灰度值差别很大，就认为此象素点有运动物体；相反，如果当前图像的象素点和背景图像的象素点灰度值差别较小，在一定的阈值范围内，就认为此象素点为背景象素点。则通过对一帧帧的检测区域的图像像素数据和实时更新的检测区域中的背景像素数据做差值运算，即可得到所检测区域的前景。

⑧将步骤⑦得出的检测区域的前景的像素数据与步骤②得到的阈值体系即黑夜或白昼模式下的检测阈值集进行比较，由于黑夜和白昼模式图像像素差别很大，这直接影响到相应的检测阈值参数，若前景像素数据超出了阈值范围则进入步骤⑨，否则继续不断循环步骤⑥至⑧，实时地进行背景更新和前景的检测，同时相隔一定时间后执行步骤②再次检测现在的模式为白昼模式还是黑夜模式并更新相应的阈值体系，通常间隔时间为40分钟至90分钟，确保视频检测的实时性和持续性。

⑨若前景像素数据超出了阈值范围，则认为有运动物体靠近电力设施，此时立即通过预警***及时发出预警信号。

Claims (6)

1.一种基于视频运动检测技术的电力设施防外破预警方案，其特征在于包括如下几个步骤：

①读取图像，将摄像头所检测的视频按照一帧帧图像读取到内存中并记录该图像的像素灰度值数据；

②根据时间设置相应的阈值体系，时间为早上8点到下午5点之间确定为白昼模式、晚上8点到凌晨5点确定为黑夜模式，而对于其它时间即模糊时间区域，采用Bayes定理进行决策分类，黑夜和白昼模式采用相应的不同阈值体系；

③通过图像边缘检测算法对步骤①得到的视频一系列的帧图像处理来提取出电力设施的整体轮廓；

④在步骤②得到的阈值体系下，根据步骤③得到的电力设施轮廓生成整个视频图像的从内到外的3至8个虚拟线圈；

⑤根据步骤③得到的电力设施轮廓和步骤④得到的虚拟线圈确定检测区域，检测区域为电力设施轮廓以外、位于最内的虚拟线圈以内的区域以及所有相邻的两个虚拟线圈之间的区域；

⑥在步骤⑤得到的所有检测区域内采用混合高斯分布背景模型来进行背景提取和更新；采用一个多重自适应的混合高斯模型并根据高斯分布的持续性和变化性来检测出背景点和前景点；背景的更新是通过引入更新率                                               更新各高斯分布的权重来实现的；基于混合高斯分布背景模型的背景提取和更新的原理和处理方法如下：

设用来描述每个象素点颜色分布的高斯分布共有K个；在时刻，某象素点第i个高斯分布的概率密度函数为： 

（3）

其中，表示时刻象素点的RGB强度值组成的颜色向量；、分别为时刻第个高斯分布的均值向量，协方差矩阵；

各高斯分布分别具有不同的权值和优先级，它们按照优先级从高到低进行排序；满足公式的前b个高斯分布被认为是背景分布，而其它高斯分布则认为前景分布，上式中，T为阈值，T的取值决定了背景分布的个数；在检测前景点时，按照优先级次序将与各高斯分布逐一匹配，若没有表示背景分布的高斯分布与匹配，则判定该点为前景点，否则为背景点；

若检测时没有找到任何高斯分布与匹配，则将优先级最小的一个高斯分布去除，并根据引入一个新的高斯分布，并赋予较小的权值和较大的方差，若第k个高斯分布与匹配，则对第i个高斯分布的权值更新如下：

     （4）

其中，为更新率，当i=k时，，否则，；

⑦通过背景消减法得到检测区域的前景，通过对一帧帧的检测区域的图像像素数据和实时更新的检测区域中的背景像素数据做差值运算，即可得到所检测区域的前景；

⑧将步骤⑦得出的检测区域的前景的像素数据与步骤②得到的阈值体系即黑夜或白昼模式下的检测阈值集进行比较，若前景像素数据超出了阈值范围则进入步骤⑨，否则继续不断循环步骤⑥至⑧，实时地进行背景更新和前景的检测，同时相隔一定时间后执行步骤②再次检测现在的模式为白昼模式还是黑夜模式并更新相应的阈值体系；

⑨若前景像素数据超出了阈值范围，则认为有运动物体靠近电力设施，此时立即通过预警***及时发出预警信号。

2.根据权利要求1所述的基于视频运动检测技术的电力设施防外破预警方案，其特征在于：其中步骤①是在VC++ 6.0平台上对视频的一帧帧bmp格式的图像文件顺序地进行读取到内存中并记录该图像的像素灰度值数据。

3.根据权利要求1所述的基于视频运动检测技术的电力设施防外破预警方案，其特征在于：其中步骤③中，Bayes函数为：

       （1）

表示要加以判别的2个模式类别即白昼模式和黑夜模式，表示特征向量、即当前帧图像平均灰度值；表示2个模式出现的先验概率，随季节、周围环境的不同而变化，可由历史数据统计得到；分别表示白昼模式、黑夜模式下平均灰度值为的条件概率，由经验获得；判别公式为：

         若      （2）

则判为白昼模式；否则，判为黑夜模式；则该判断方法可表示为：

式中为当前时间，通过确定黑夜或白昼模式后设置相应的阈值体系。

4.根据权利要求1所述的基于视频运动检测技术的电力设施防外破预警方案，其特征在于：其中步骤③中，图像边缘检测算法采用边缘算子法、曲线拟合法、模板匹配法或门限化法之一。

5.根据权利要求1所述的基于视频运动检测技术的电力设施防外破预警方案，其特征在于：其中步骤④中，确定电力设施轮廓后，在电力设施轮廓周围通过基于统计几何学的虚拟线圈生成方法生成整个视频图像的从内到外的3至8个虚拟线圈：设摄像头与高压线路之间的距离为、俯仰角为、方位角为；图像上线路某点切向量定义为以摄像头近端为起点沿着线路的方向指向该点的向量，表示为；图像上线路某点法向量定义为以该点出发沿着线路垂线的方向的向量，表示为；通过统计学理论建立法向量和切向量的几何函数关系：；

在实际***中，距离、俯仰角、方位角参数可通过现场调试获得；通过可视化界面利用手动的方式可准确地获得输电线路各点的坐标；在此基础上，利用上述几何函数关系即可获得整个线路的虚拟线圈。

6.根据权利要求1所述的基于视频运动检测技术的电力设施防外破预警方案，其特征在于：步骤⑧中，相隔40至90分钟后执行步骤②再次检测现在的模式为白昼模式还是黑夜模式并更新相应的阈值体系。