CN111524158A - 水利工程复杂场景下的前景目标检测方法 - Google Patents
水利工程复杂场景下的前景目标检测方法 Download PDFInfo
- Publication number
- CN111524158A CN111524158A CN202010385782.0A CN202010385782A CN111524158A CN 111524158 A CN111524158 A CN 111524158A CN 202010385782 A CN202010385782 A CN 202010385782A CN 111524158 A CN111524158 A CN 111524158A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- gaussian
- processing
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水利工程复杂场景下的前景目标检测方法，S1，划定监测区域与图像降噪预处理；S2，图像背景建模与图形学运算处理；S3，采用累计的前景图像。本发明优点体现在以下方面：1、相较于传统人工巡查与单纯的视频监控，该方法能够有效的利用大量的监控设备与监控视频图像，降低了人工成本，提高了整体水利工程现场安全防护自动化水平。2、通过采用累计的前景图像，从一定程度上减少了环境噪声对前景目标检测结果的影响，减少了误报，提高了检测效率。
Description
技术领域
本发明涉及水利工程检测方法，尤其是涉及水利工程复杂场景下的前景目标检测方法。
背景技术
传统对水利工程现场的督查主要以人工为主，由于现场情况多变，使得巡查人工成本投入较大，且人工巡查费时费力容易出现疏漏，不能有效的对险情演变信息进行监控，工程安全预警工作存在严重的滞后与隐患。目前，部分地区采用了视频监控设备实现对水利工程实时监控和远程控制，以此来降低人工巡查成本，但没有对视频监控数据进行定量分析，只是进行简单的人工视频监控，这不仅浪费了视频数据资源，同样存在不能有效的对险情演变信息进行监控。
在数字图像领域的概念中，图像可以分为背景区域和前景区域（运动区域），前景区域中可能包含大量的有用信息，比如山体崩塌、大堤垮坝、人员入侵等。因此，如何利用计算机视觉技术与数字图像处理技术，通过对水利工程现场视频的实时分析，检测当前被监测区域内物体运动状态，以判断当前被监测区域是否存在异常情况，是本领域技术人员研究的课题，但目前未见诸有关报道。
发明内容
本发明目的在于提供一种水利工程复杂场景下的前景目标检测方法。
为实现上述目的，本发明采取下述技术方案：
本发明所述水利工程复杂场景下的前景目标检测方法，包括下述步骤：
S1，划定监测区域与图像降噪预处理：
S11，获取所述划定监测区域的视频流第一帧图像，在所述第一帧图像上以鼠标点击的方式划定多边形区域，以所述多边形区域的外接矩形区域为监测区域；
S12，为了降低图像传输中噪声的干扰，采用高斯滤波对视频流进行降噪处理，高斯滤波核元素采用3×3矩形，方差σ=0.1，均值μ=0；
S2，图像背景建模与图形学运算处理：
S21，图像背景建模：采用混合高斯模型进行背景建模，混合高斯模型检测的基本原理是：首先定义K个单高斯模型，在检测过程中，将待测像素依次带入K个单高斯分布中，若其中有一个满足高斯分布，认定该像素为背景像素；反之，认定为前景像素；
上式中，
为多个单高斯分布的加权组合，K为高斯模型的数量，
为在t时刻第k个高斯模型的权值；
为在t时刻第K个高斯分布的概率密度函数，
为t时刻第k个高斯分布概率密度函数的均值与方差；将建立好的背景模型应用于后续视频流图像，对比计算得到前景二值图像，图像中像素值为255的视为前景像素，像素值为0的视为背景像素；
S22，图形学运算处理：在实际应用环境中，混合高斯背景模型的前景区域往往不是完整连续的，经常会呈“碎片”形式出现，本发明采用闭运算对所述前景二值图像进行图形学运算处理，具体方法为：先对图像进行膨胀运算，膨胀算子为矩形3×3，然后再进行腐蚀运算，腐蚀算子为矩形3×3；在进行过图形学运算处理后，得到完整的前景区域；
S3，采用累计的前景图像：
S31，由于水利工程现场环境中的噪声具有随机性，即每次噪声出现位置都是随机且离散的，而真实的所述前景区域位置相对集中且连续；根据这种特点，采用将前景图像进行累加处理：将每帧的所述前景二值图像前景像素的值设为1，以30帧为一个处理周期，将一个所述处理周期内的处理后的前景二值图像相加，对相加后的前景二值图像进行阈值化计算，大于所述阈值t的像素设为255，否则设为0，得到累加前景二值图像；
S32，闭运算去噪：对所述累加前景二值图像进行闭运算去噪处理，去除零星的图像噪点，处理方式为先进行腐蚀运算，腐蚀算子为矩形3×3，然后再进行膨胀运算，膨胀算子为3×3，得到最终的前景检测结果图像。
S21中的K值设定为15，S31中的阈值t设定为3。
本发明优点体现在以下方面：
1、相较于传统人工巡查与单纯的视频监控，该技术能够有效的利用大量的监控设备视频资源，提高了整体水利工程现场安全防护自动化水平。
2、采用混合高斯背景建模，设备算力要求低,兼备一定的抗噪能力，具有较好的实时性与实用性。
3、通过使用累计的前景图像，从一定程度上减少了环境噪声对前景目标检测结果的影响，减少了误报，提高了模型前景检测效率。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
如图1所示，本发明所述水利工程复杂场景下的前景目标检测方法，包括下述步骤：
S1，划定监测区域与图像降噪预处理：
S11，获取所述划定监测区域的视频流第一帧图像，在所述第一帧图像上以鼠标点击的方式划定多边形区域，以所述多边形区域的外接矩形区域为监测区域；
S12，为了降低图像传输中噪声的干扰，采用高斯滤波对视频流进行降噪处理，高斯滤波核元素采用3×3矩形，方差σ=0.1，均值μ=0；
S2，图像背景建模与图形学运算处理：
S21，图像背景建模：采用混合高斯模型进行背景建模，混合高斯模型检测的基本原理是：首先定义K个单高斯模型，在检测过程中，将待测像素依次带入K个单高斯分布中，若其中有一个满足高斯分布，认定该像素为背景像素；反之，认定为前景像素；
上式中，
为多个单高斯分布的加权组合,K为高斯模型的数量，K值设定为15，
为在t时刻第k个高斯模型的权值；
为在t时刻第K个高斯分布的概率密度函数，
为t时刻第k个高斯分布概率密度函数的均值与方差；将建立好的背景模型应用于后续视频流图像，对比计算得到前景二值图像，图像中像素值为255的视为前景像素，像素值为0的视为背景像素；
S22，图形学运算处理：在实际应用环境中，混合高斯背景模型的前景区域往往不是完整连续的，经常会呈“碎片”形式出现，这里采用闭运算对所述前景二值图像进行图形学运算处理，具体方法为：先对图像进行膨胀运算，膨胀算子为矩形3×3，然后再进行腐蚀运算，腐蚀算子为矩形3×3；在进行过图形学运算处理后，得到完整的前景区域；
S3，采用累计的前景图像：
S31，由于水利工程现场环境中的噪声具有随机性，即每次噪声出现位置都是随机且离散的，而真实的所述前景区域位置相对集中且连续；根据这种特点，采用将前景图像进行累加处理：将每帧的所述前景二值图像前景像素的值设为1，以30帧为一个处理周期，将一个所述处理周期内的处理后的前景二值图像相加，对相加后的前景二值图像进行阈值化计算，阈值t设定为3，大于所述阈值t的像素设为255，否则设为0，得到累加前景二值图像；
S32，闭运算去噪：对所述累加前景二值图像进行闭运算去噪处理，去除零星的图像噪点，处理方式为先进行腐蚀运算，腐蚀算子为矩形3×3，然后再进行膨胀运算，膨胀算子为3×3，得到最终的前景检测结果图像。
Claims (2)
1.一种水利工程复杂场景下的前景目标检测方法，其特征在于：包括下述步骤：
S1，划定监测区域与图像降噪预处理：
S11，获取所述划定监测区域的视频流第一帧图像，在所述第一帧图像上以鼠标点击的方式划定多边形区域，以所述多边形区域的外接矩形区域为监测区域；
S12，为了降低图像传输中噪声的干扰，采用高斯滤波对所述视频流进行降噪处理，高斯滤波核元素采用3×3矩形，方差σ=0.1，均值μ=0；
S2，图像背景建模与图形学运算处理：
S21，图像背景建模：采用混合高斯模型进行背景建模，混合高斯模型检测的基本原理是：首先定义K个单高斯模型，在检测过程中，将待测像素依次带入K个单高斯分布中，若其中有一个满足高斯分布，认定该像素为背景像素；反之，认定为前景像素；
上式中，
为多个单高斯分布的加权组合，K为高斯模型的数量，
为在t时刻第k个高斯模型的权值；
为在t时刻第K个高斯分布的概率密度函数，
为t时刻第k个高斯分布概率密度函数的均值与方差；将建立好的背景模型应用于后续视频流图像，对比计算得到前景二值图像，图像中像素值为255的视为前景像素，像素值为0的视为背景像素；
S22，图形学运算处理：采用闭运算对所述前景二值图像进行图形学运算处理，具体方法为：先对图像进行膨胀运算，膨胀算子为矩形3×3，然后再进行腐蚀运算，腐蚀算子为矩形3×3；在进行过图形学运算处理后，得到完整的前景区域；
S3，采用累计的前景图像：
S31，采用将前景图像进行累加处理：将每帧的所述前景二值图像前景像素的值设为1，以30帧为一个处理周期，将一个所述处理周期内的处理后的前景二值图像相加，对相加后的前景二值图像进行阈值化计算，大于所述阈值t的像素设为255，否则设为0，得到累加前景二值图像；
S32，闭运算去噪：对所述累加前景二值图像进行闭运算去噪处理，去除零星的图像噪点，处理方式为先进行腐蚀运算，腐蚀算子为矩形3×3，然后再进行膨胀运算，膨胀算子为3×3，得到最终的前景检测结果图像。
2.根据权利要求1所述水利工程复杂场景下的前景目标检测方法，其特征在于：S21中的K值设定为15，S31中的阈值t设定为3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010385782.0A CN111524158B (zh) | 2020-05-09 | 2020-05-09 | 水利工程复杂场景下的前景目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010385782.0A CN111524158B (zh) | 2020-05-09 | 2020-05-09 | 水利工程复杂场景下的前景目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111524158A true CN111524158A (zh) | 2020-08-11 |
| CN111524158B CN111524158B (zh) | 2023-03-24 |
Family
ID=71905418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010385782.0A Active CN111524158B (zh) | 2020-05-09 | 2020-05-09 | 水利工程复杂场景下的前景目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111524158B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255250A (zh) * | 2021-12-28 | 2022-03-29 | 黄河勘测规划设计研究院有限公司 | 基于深度学习的河防工程边坡坍塌检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090309966A1 (en) * | 2008-06-16 | 2009-12-17 | Chao-Ho Chen | Method of detecting moving objects |
| US20150092982A1 (en) * | 2013-09-30 | 2015-04-02 | Samsung Electronics Co., Ltd. | Image processing apparatus and control method thereof |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、*** |
| CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
| CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
| WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
| CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
| CN109635720A (zh) * | 2018-12-10 | 2019-04-16 | 江南大学 | 基于视频主动监控的非法占道实时检测方法 |
| CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
-
2020
- 2020-05-09 CN CN202010385782.0A patent/CN111524158B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090309966A1 (en) * | 2008-06-16 | 2009-12-17 | Chao-Ho Chen | Method of detecting moving objects |
| US20150092982A1 (en) * | 2013-09-30 | 2015-04-02 | Samsung Electronics Co., Ltd. | Image processing apparatus and control method thereof |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、*** |
| WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
| CN107452005A (zh) * | 2017-08-10 | 2017-12-08 | 中国矿业大学(北京) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
| CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
| CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
| CN109635720A (zh) * | 2018-12-10 | 2019-04-16 | 江南大学 | 基于视频主动监控的非法占道实时检测方法 |
| CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 范雯杰等: "一种改进的基于背景差算法的运动车辆检测方法", 《成都信息工程学院学报》 * |
| 赵宏伟等: "一种实用的运动目标检测和跟踪算法", 《吉林大学学报(工学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255250A (zh) * | 2021-12-28 | 2022-03-29 | 黄河勘测规划设计研究院有限公司 | 基于深度学习的河防工程边坡坍塌检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111524158B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104866827B (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
| CN113239822A (zh) | 基于时空双流卷积神经网络的危险行为检测方法及*** | |
| CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
| CN103150736A (zh) | 一种基于视频监控的摄像机移动检测方法 | |
| CN115527158A (zh) | 一种基于视频监控的人员异常行为检测方法及装置 | |
| CN111524158B (zh) | 水利工程复杂场景下的前景目标检测方法 | |
| CN111860143A (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
| CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
| Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
| CN105187821A (zh) | 一种视频质量智能诊断分析*** | |
| Jianfeng et al. | IMPLEMENTATION OF THE DUAL-BODY INTELLIGENT INSPECTION ROBOT IN SUBSTATION BASED ON DATA MINING ALGORITHM. | |
| Sun et al. | A real-time video surveillance and state detection approach for elevator cabs | |
| CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及*** | |
| CN111881863B (zh) | 一种区域群体异常行为检测方法 | |
| CN105590329B (zh) | 一种油气田视频监控中运动目标的智能检测算法 | |
| CN109034123B (zh) | 一种基于瞬时能量的突发人群异常检测方法 | |
| CN116707143B (zh) | 一种基于三维视觉信息处理的电网智能视频监控管理*** | |
| Gao et al. | Identification of risk behavior in power working scenarios based on deep learning | |
| Merugu et al. | Multiple CCTV IoT environment-object tracking | |
| CN115601707B (zh) | 电力***输电线路在线监测方法和*** | |
| Jiyuan et al. | Research of Abnormal Target Detection Algorithm in Intelligent Surveillance System | |
| Yu et al. | Algorithm of Detecting Abnormal Behavior Based on Optical Flow Method | |
| Hua et al. | A Multilevel Fire Detection Platform Based on Multi-Source Heterogeneous Information Fusion | |
| Qin et al. | Research on Smart Safety Electronic Fence Technology Based on Image Processing | |
| Del Hoyo et al. | Autonomous monitoring system for the detection of disrupting power cables on distribution networks using computer vision techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |