CN104899895B - 一种输电线路通道烟火视频移动目标轨迹复杂度检测方法 - Google Patents

Abstract

一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，以运动目标的知心运动轨迹复杂度作为烟火运动的特征之一，通过背景差法得到前景图像，经过二值化处理之后得到的差分图像，二值化差分图像的像素值只包含“0”和“1”两个值，将像素值为“1”的所有像素行坐标和列坐标分别求取平均值得到移动目标质心当前帧所在坐标值，并经过多帧图像坐标值计算，得到移动目标质心的运动曲线。该方法采用基于图像的火灾探测技术，实现对烟火的判断与检测，并确保检测结果较低的误报率和漏报率，摄像头采集到的图像信号经过采集卡转换为数字信号后传入计算机。

Description

一种输电线路通道烟火视频移动目标轨迹复杂度检测方法

技术领域

本发明一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，涉及输电线路安全监测领域。

背景技术

电力设施外力破坏是指包含盗窃、交通事故、建筑施工等的人为破坏。统计发现大量的外力破坏是由于疏忽大意、蓄意而造成的。在电力设施外力破坏的事例中，输电线路是遭受外力破坏最频繁、最严重的电力设施。输电线路走廊内经常出现由焚烧垃圾或者秸秆而产生的火焰和烟尘，因此，通道内烟火成为造成输电线路外力破坏及威胁输电线路安全运行的主要因素。

传感器，微电子和信息技术的进步使火灾检测与人工智能、信号处理技术结合更为紧密，许多基于物理的新型火灾探测技术和概念开始出现。针对大范围广视野的火灾监测预警技术,目前主要运用图像识别的火灾探测技术。该技术可以检测火焰和烟雾，并且有效减少误报率和漏报率，实现对重要运行区域的安全监控和保障。摄像头采集的图像信号经过采集卡转换为数字信号后传入计算机，计算机后台对火灾的火焰烟雾多个图像特征通过运用计算机视觉和模式识别等理论进行分析和处理，最终判别是否报警。然而输电线路运行环境复杂，图像背景变化大，输电线路巡检背景包括山林、河流、农田、道路、雨雪等，背景外观也会随着四季的更迭而改变，这使得识别目标提取十分困难；烟火视频检测技术中，特别是对远距离大范围户外烟火视频检测技术没有充分考虑树荫、云影移动对烟火检测结果的影响，检测结果存在一定的误报或者漏报的情况；基于卫星遥感和粒子成像技术的烟火检测成本较高，在输电线路通道烟火检测实际运用受到很大限制。图像处理算法方面，日本学者Nobuyuki等人提出的分型编码的烟雾检测算法使用到映射计算，缺乏实时性，算法较为耗时；B UgurToreyin使用了基于小波变换的方法来检测视频烟雾，在摄像机静止的情况下，背景在烟雾中变得模糊，图像中高频能量变低，然而该算法对背景图像的边缘和纹理有较高要求，通用性受到影响；Xueming Shu等提出基于光散射***、烟雾通道***、粒子成像***，通过获得烟雾的粒子形状来检测烟雾，但需要通过硬件实现，成本较高；KhananianA等结合神经网络和遥感图像来检测森林大火产生的烟雾，需要卫星遥感的支持，同样缺乏经济性。因此在现有研究基础上，需要探索出一种适用性、通用性及经济性更强的图像处理算法及火灾监测预警技术来解决这些问题。

发明内容

针对以上问题，本发明提出一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，该方法采用基于图像的火灾探测技术，图像处理方面采用对图像序列的平均灰度、时间序列复杂度、运动目标移动轨迹复杂度、运动目标轮廓变异系数和前景灰度等多特征融合处理方法，实现对烟火的判断与检测，并确保检测结果较低的误报率和漏报率，摄像头采集到的图像信号经过采集卡转换为数字信号后传入计算机，后台程序对数字信号中包含的多个图像特征进行分析和处理，并以此判断是否需要报警。

本发明采取的技术方案为：

一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，以运动目标的直线运动轨迹复杂度作为烟火运动的特征之一，通过背景差法得到前景图像，经过二值化处理之后得到的差分图像，二值化差分图像的像素值只包含“0”和“1”两个值，将像素值为“1”的所有像素行坐标和列坐标分别求取平均值得到移动目标质心当前帧所在坐标值，并经过多帧图像坐标值计算，得到移动目标质心的运动曲线。

通过计算移动目标的形变系数和等效直径便能来衡量运动目标轮廓特点,并在连续动态图像中计算其轮廓变异系数；烟火运动的图像轮廓在烟火升腾的过程中会不断的变化，可通过计算轮廓的等效直径和和移动目标的形状参数，通过移动目标的形状参数和等效直径的变化剧烈程度，来衡量移动目标是刚性的还是柔性的。

将与前景图像灰度相关的二阶统计参数作为前景图像灰度统计的数据，通过绘制出的烟火原图、前景图像，以及烟火前景图像序列的二阶统计曲线，并对比车辆、行人、树荫等移动图像序列的二阶统计曲线，达到烟火识别与监测的目的。

本发明一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，技术效果如下：

1)、多特征数据融合技术，提高烟火识别的准确性。

2)、采用移动目标质心运动曲线利亚普诺夫指数算法跟踪运动目标轨迹，更好的排除云层、树叶及阳光角度强度等干扰因素。

3)、采用重标极差(R/S)分析法进行计算平均灰度时间序列熵简化无偏计算量的计算过程。

附图说明

图1为本发明多特征融合烟火视频检测原理图。

图2(a)为本发明行人、车辆和烟火采集现场实验图。

图2(b)为本发明树荫、云影和烟火采集现场实验图。

具体实施方式

输电线路走廊火灾具有一定季节特点，早期的有效预警和干预可以大大降低酿成事故的风险。在视频检测过程中存在诸如云层、树叶及阳光角度强度等干扰因素，分析各种干扰因素的静态特点和动态特征，本发明一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，提出了采用图像序列的平均灰度时间序列复杂度、运动目标移动轨迹复杂度、运动目标轮廓变异系数和前景灰度等多特征融合方法实现烟火预警。其原理如图1所示，采集现场如图2所示。

一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，监测目标在运动过程中，不同的运动目标其运动轨迹不同，车辆和行人在视场范围内主要以近似直线的形式运动，树荫摇晃主要表现为往复运动，但是烟火的图像质心运动轨迹受干扰因素很多，运动轨迹非常复杂，本专利以运动目标的直线运动轨迹复杂度作为烟火运动的特征之一，通过背景差法得到前景图像，经过二值化处理之后得到的差分图像，二值化差分图像的像素值只包含“0”和“1”两个值，将像素值为“1”的所有像素行坐标和列坐标分别求取平均值得到移动目标质心当前帧所在坐标值，并经过多帧图像坐标值计算，得到移动目标质心的运动曲线。运动目标跟踪及轨迹采用移动目标质心运动曲线利亚普诺夫指数计算方法，计算步骤包括：

(1)对移动目标质心运动曲线进行相空间重构，对于N点质心运动标量时间序列可以使用Takens嵌入定理去重构相空间Rm：

X_i＝(x(t_i)，x(t_i+p·Δt)，，x(t_i+(m-l)p·Δt))i＝1，2，3，…，M；

x(t_r)＝v(t₀+(r-1)·Δt)r＝1，2，…N-1.

其中，Xi是重构相空间Rm中M点重构轨迹中的第i个点，而M＝N-(m-1)p，m是嵌入维，τ＝p·Δt是时间延迟,τw＝(m-1)τ是时间窗，其中Δt为采样周期，τw＝(m-1)τ；

(2)计算最大利亚普诺夫指数λ1：经过相空间重构之后为了能在扩散的最大方向上计算λ1(i)：

上式包括两个附加条件：

(i)

(ii)

最后，可得

从而得到移动目标图像质心运动曲线的最大利亚普诺夫指数。

轮廓变异系数是区分监测目标的重要依据，图像轮廓变异系数也是烟火视频特征之一。本发明通过计算移动目标的形变系数和等效直径便能来衡量运动目标轮廓特点,并在连续动态图像中计算其轮廓变异系数。烟火运动的图像轮廓在烟火升腾的过程中会不断的变化，可通过下式来计算轮廓的等效直径和和移动目标的形状参数：

其中在公式中，Db表示运动目标等效直径，ρ_b表示所述移动目标的形状参数，Lb表示运动目标轮廓边长，Ab是运动目标的面积。

通过移动目标的形状参数和等效直径的变化剧烈程度来衡量移动目标是刚性的还是柔性的。

监测运动目标的前景图像灰度分布依据不同的物体表现出不同的特征,故对移动目标的前景图像灰度进行信息统计是监测与识别移动目标的一个重要步骤。本专利将与前景图像灰度相关的二阶统计参数作为前景图像灰度统计的数据，通过绘制出的烟火原图、前景图像，以及烟火前景图像序列的二阶统计曲线，并对比车辆、行人、树荫等移动图像序列的二阶统计曲线，达到烟火识别与监测的目的。设SAR图像是一个随机过程，主要用到的二维统计参量如下：

(1)直方图。对于一幅灰度图像，设(i,j)处的图像原点的二维灰度值为g(i,j)和gc(i,j)，则图像灰度联合分布的密度为：P(a,b)＝P{g(i,j)＝a,gc(i,j)＝b}，其中a和b是0到L-1之间的灰度等级。

(2)自相关。可表示为：

(3)能量。可表示为：

(4)协方差。可表示为：

(5)惯性矩。可表示为：

(6)熵。可表示为：

在公式(1)～(6)中，其中a和b是0到L-1之间的灰度等级。L表示图像的灰度

等级，以及表示平均灰度等级。

上面灰度特征的特征量也适用于子图像。

平均灰度时间序列熵采用重标极差(R/S)分析法进行计算，通过重标极差(R/S)分析方法建立赫斯特指数H',作为判断时间序列数据遵从随机游走还是有偏的随机游走过程的指标，设Xi＝X₁,…Xn为一时间序列的n个连续值，取对数并进行一次差分后的数据划分为长度为H的相邻的子区间A，即A*H＝n；则每个子区间的均值为：

Xm＝(X₁+…+Xn)/H；

标准差为：

均值的累积横距(XKA)为：

组内极差为：

R_h＝max(Xr,A)-min(Xr,A)

赫斯特指数H'为：

Hurst推出的关系为：

R_h/S_h＝c*n^H'

其中：c为常数，n为观察值的个数，H'为赫斯特指数。

本发明的烟火识别采用多特征数据融合技术，数据融合是多生物特征身份识别最重要的一步，特征层融合的身份识别技术要求对从不同传感器中提取的特征向量进行关联.传感器输出数据类型往往相差甚大,因而对不同类型的数据进行非线性关联并形成一个融合矢量比较困难。神经网络可以实现特殊的非线形变换,把输入空间变换到隐含层所张成的空间,可使在此空间中其后的分类问题变得比较容易。这种变换把特殊的特征提取准则最大化,可以看作一种特殊的特征提取器。本专利的数据融合是将来自多个传感器或多源的信息进行综合、相关、过滤等处理。在目标红外特性较弱，背景噪声比较复杂的情况下会产生不精确、不完整的目标信息，单独采用某一种特征进行关联，通常会产生较大的误差。因此需要采用多特征融合的方式对候选目标的各关联度进行综合考虑，得到候选目标的综合关联度，以提高关联的准确性和稳定性。为消除参与融合的特征在数值上的非均衡性，先对各种特征进行归一化处理，目标相关特征灰度为255，目标面积为50，对于质心偏差，归一化公式为：

W和H分别为图像的长和宽，T_x和T_y是前一帧判断出的真实目标位置。

归一化处理后需确定权重因子，确定依据为各个特征值的可靠程序。因为目标面积对噪声点而言始终较大，图像中某些噪声会重复出现在一些位置，此时分配给目标面积的权系数应该稍大一些。权系数应该满足：

通过多特征数据融合技术对图像序列的平均灰度、时间序列复杂度、运动目标移动轨迹复杂度、运动目标轮廓变异系数和前景灰度等进行综合处理，可在需要实时处理视频信息得到预警结果时进一步实现复杂背景和摄像头本身晃动造成的运动误差补偿，提高运动物体监测与识别的精确性。

Claims (1)

1.一种输电线路通道烟火视频移动目标轨迹复杂度检测方法，其特征在于，以运动目标的质心运动轨迹复杂度作为烟火运动的特征之一，通过背景差法得到前景图像，经过二值化处理之后得到的差分图像，二值化差分图像的像素值只包含“0”和“1”两个值，将像素值为“1”的所有像素行坐标和列坐标分别求取平均值得到移动目标质心当前帧所在坐标值，并经过多帧图像坐标值计算，得到移动目标质心的运动曲线；

通过计算移动目标的形变系数和等效直径便能来衡量运动目标轮廓特点，并在连续动态图像中计算其轮廓变异系数；烟火运动的图像轮廓在烟火升腾的过程中会不断的变化，可通过计算轮廓的等效直径和移动目标的形状参数，通过移动目标的形状参数和等效直径的变化剧烈程度，来衡量移动目标是刚性的还是柔性的；

将与前景图像灰度相关的二阶统计参数作为前景图像灰度统计的数据，通过绘制出的烟火原图、前景图像，以及烟火前景图像序列的二阶统计曲线，并对比车辆、行人、树荫等移动图像序列的二阶统计曲线，达到烟火识别与监测的目的；

移动目标质心的运动曲线计算步骤包括：

步骤1：对移动目标质心运动曲线进行相空间重构，对于N点质心运动标量时间序列可以使用Takens嵌入定理去重构相空间Rm，

X_i＝(x(t_i)，x(t_i+p·Δt)，…，x(t_i+(m-1)p·Δt))i＝1，2，3，…，M；

x(t_r)＝v(t₀+(r-1)·Δt)r＝1，2，…N-1；

其中，X_i是重构相空间Rm中M点重构轨迹中的第i个点，而M＝N-(m-1)p，m是嵌入维，p·Δt是时间延迟，τw＝(m-1)τ是时间窗，其中Δt为采样周期，τw＝(m-1)τ；

步骤2：计算最大利亚普诺夫指数λ_l：经过相空间重构之后为了能在扩散的最大方向上计算λ_l(i)：

上式包括两个附加条件：

(i)

(ii)

最后，可得：

从而得到移动目标图像质心运动曲线的最大利亚普诺夫指数；

所述移动目标的形状参数和等效直径计算如下：

其中在公式中，D_b表示运动目标等效直径，ρ_b表示所述移动目标的形状参数，L_b表示运动目标轮廓边长，A_b是运动目标的面积；

移动图像序列的二阶统计曲线计算方法如下：

(1)直方图：对于一幅灰度图像，设(I,j)处的图像原点的二维灰度值为g(I,j)和g’(I,j)，则图像灰度联合分布的密度为：P(a,b)＝P_R{g(I,j)＝a,g’(I,j)＝b}；

(2)自相关:表示为：

(3)能量：表示为：

(4)协方差：表示为：

(5)惯性矩：表示为：

(6)熵：表示为：

在公式(1)～(6)中，其中a和b是0到L-1之间的灰度等级，L表示图像的灰度等级，以及表示平均灰度等级；

上面灰度特征的特征量也适用于子图像；

平均灰度时间序列熵采用重标极差(R/S)分析法进行计算，通过重标极差(R/S)分析方法建立赫斯特指数H',作为判断时间序列数据遵从随机游走还是有偏的随机游走过程的指标，设X_i＝X₁,…Xn为一时间序列的n个连续值，取对数并进行一次差分后的数据划分为长度为H的相邻的子区间A，即A*H＝n；则每个子区间的均值为：

Xm＝(X₁+…+X_H)/H；

标准差为：

均值的累积横距(XKA)为：

组内极差为：

R_h＝max(Xr,A)-min(Xr,A)

赫斯特指数H'为：

Hurst推出的关系为：

R_h/S_h＝c*n^H'

其中：c为常数，n为观察值的个数，H'为赫斯特指数。