CN102496030A - 电力监测系统中危险目标的识别方法及装置 - Google Patents

Abstract

本发明提供了一种电力监测系统中危险目标的识别方法及装置，在检测出入侵物的基础上，确定入侵物是否对电力设施造成威胁，及入侵物的危险等级，不仅提高了对危险目标识别的准确性，而且方便了后续对危险目标的排除工作。

Description

电力监测系统中危险目标的识别方法及装置

技术领域

本发明涉及电力领域，尤其涉及电力监测系统中危险目标的识别方法及装置。

背景技术

为了保证电力设施的安全运行，一般都会给一定区域内的电力设施配备监测系统，现有的电力设施监测系统，通常只能识别出某一监测区域中的入侵物，而对于此入侵物是否对电力设施构成确定的威胁，则无法判别，更加无法确定入侵物对电力设施会造成多大的威胁，因而必然给威胁的排除造成困难，例如，对将没有威胁的入侵物体安排排除工作，造成资源的浪费，或者对排除工作准备的不足，造成安全隐患。

发明内容

有鉴于此，本发明提供了一种电力监测系统中危险目标的识别方法及装置，目的在于解决现有的电力设备监测系统不能明确入侵威胁及威胁程度，而给威胁排除造成困难的问题。

一种电力监测系统中危险目标的识别方法，包括：

检测出所述电力监测系统采集到的视频中的入侵物；

利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

如果是，则计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

一种电力监测系统中危险目标的识别装置，包括：

入侵物检测模块，用于检测出所述电力监测系统采集到的视频中的入侵物；

威胁物确定模块，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

危险等级分类模块，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

本发明实施例提供的电力监测系统中危险目标的识别方法及装置，通过使用Haar特征集训练的分类器对检测出的入侵物进行识别，不仅能够识别出确切的入侵物，还能够通过对入侵物尺度大小的计算，确定入侵物的危险等级，为排除危险物提供了准确的参考，方便了排除危险物的操作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种电力监测系统中危险目标的识别方法的流程图；

图2为本发明实施例公开的一种电力监测系统中危险目标的识别装置的结构示意图。

具体实施方式

本发明提供了一种电力监测系统中危险目标的识别方法及装置，使用Haar特征训练的分类器对危险目标进行识别，与现有的电力监测系统相比，不仅能够检测出入侵物，还能够对入侵物的危险等级做出分类。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开的一种电力监测系统中危险目标的识别方法，所述电力监测系统至少包括图像采集单元，图像采集单元用于采集被监测的电力设施预设的范围内的实时视频，所述方法如图1所示，包括步骤：

S101：检测出所述电力监测系统采集到的视频中的入侵物；

电力监测系统的图像采集单元将采集到的电力设施现场的视频传回后，将所述视频包含的图像帧序列进行图像处理的过程，用以检测是否有入侵物。

S102：利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

需要强调的是，本实施例中预先训练的分类器为使用Haar特征集进行训练后的分类器，Haar特征集中的特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。

S103：如果是，则计算所述入侵物的参数并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

所述入侵物的危险等级指的是入侵物对电力设施的危害程度，危害程度越大则危险等级越高，入侵物的参数与危险等级间的对应关系可以根据实际情况预先设定，其中，参数可以为入侵物的尺寸。

本实施例公开的危险目标识别方法，除了能够检测出电力设施附件的入侵物外，还能够明确判断出所述入侵物是否为对电力设备造成威胁，并确定出危险等级，从而能够指导是否需要安排排除，以及怎样排除危险。

进一步地，本实施例中所述检测出所述电力监测系统采集到的视频中的入侵物包括：

获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；

其中，结果相似性指标(Structural Similarity Index Measurement，SSIM)是一种基于颜色空间的衡量两幅图像相似性的指标，两幅图像间的相似性越高，则SSIM值越大，当SSIM值为1时，说明两幅图像完全相同，也就是说，当后一幅图像中包含了前一幅图像中没有的目标时，则认为此目标为入侵物这里，使用SSIM的作用为找出相邻的图像间的不同。

计算所述结构相似性指标对应的图像的直方图；

依据所述直方图，确定阈值；

利用所述阈值对所述结构相似性指标对应的图像进行分割，得到分割后的图像；

图像中结构没有发生明显变化的区域的SSIM值接近或者等于1，而那些结构发生了明显变化的区域的值小于1，因而可以设定某一个阈值来将SSIM结果图二值化，只保留差异部分，而将其他结构没有发生明显变化的部分图像都变化0。

将所述分割后的图像进行先腐蚀后膨胀的数学形态学计算，将计算结果作为新的分割后的图像；

上述为对结构相似性指标对应的图像进行阈值分割的过程，得到的分割后的图像为二值图像，对分割结果进行形态学处理，则是为了去除噪声。

将分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。

所述检测入侵物的方法面对电力设施入侵物的分割，将SSIM指标、阈值分割及投影计算灵活组合，相比于其他目标检测方法，更适用于检测出电力设施附近的入侵物。

进一步地，本实施例所述的预先训练的过程包括：

将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；

例如，能够对电力设施产生威胁的物体包括大型工程车辆，其中分为工程车吊臂张开和吊臂闭合两种情况，可以通过改变一个正样本图像的灰度等参数，生成其它正样本。负样本图像可以是不含有正样本的任何图像，大小只要不小于正样本就可以，本实施例中采用的负样本图片主要是工程车出现的常见场景中的背景图片，例如道路，草坪，建筑物等。由于工程车不属于自然物体，其图片的特点是边缘比较明显，有固定的形状，所以选取负样本时着重选取了其它人造物体，以使分类器可以更好的设定阈值。正负样本的尺寸要合适，一般选择为40*40像素的大小。

分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；

将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；

将所述强分类器级联，以组成所述的分类器。

使用Haar特征值利用Adaboot方法训练分类器常见于人脸识别领域，而由于图像处理与模式识别领域的方法都是面向处理对象的，所以将Haar特征值及Adaboot方法用于分类电力设施的入侵物，必须要根据待分类目标的形状、灰度等特征，并面向此类目标训练分类器。上述训练方法正是将对电力设施有威胁的正样本和对电力设施没有威胁的负样本与Haar特征结合起来，训练处适用于电力设施监测的分类器。

进一步地，本实施例中所述利用预先训练的分类器对所述入侵物进行分类，确定所述入侵物是否对电力设施构成威胁包括：

获取所述入侵物图像的多个相同尺寸的子图像；

这里，可以选择子图像的尺寸与训练分类器的正负样本的尺寸相同。

将所述子图像送入所述分类器，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物对电力设施构成威胁。

其中预设的数量可以为5个，也就是说，当连续5个子图像都被识别为有威胁物体时，则可以确定次入侵物对电力设施造成威胁，即为危险目标。

为了使得识别结果更加精确，可以选取一个尺度因子，例如1.2，在上述对于一帧图像的处理过程结束后，将入侵物的图像乘以尺度因子后重复上述步骤。

上述过程为针对一帧图像进行识别的过程，对于视频中的所有图像帧，可以按照尺度从小到大的顺序依次进行处理。

与上述方式实施例对应的，本发明还公开了一种电力监测系统中危险目标的识别装置，如图2所示，包括：

入侵物检测模块201，用于检测出所述电力监测系统采集到的视频中的入侵物；

威胁物确定模块202，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

危险等级分类模块203，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

进一步地，所述入侵检测模块包括：

图像获取单元，用于获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；

阈值分割单元，用于计算所述结构相似性指标对应的图像的直方图，并依据所述直方图，确定阈值，利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；

进一步地，本实施例所述危险等级分类模块包括：

子图像获取单元，用于获取所述入侵物图像的多个相同尺寸的子图像；

分类器，用于将所述子图像进行分类，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物为有威胁物体；

危险等级确定单元，用于当所述入侵物为有威胁物体时，计算所述物体的尺寸，以确定其危险等级。

本实施例公开的装置，在检测到入侵物的同时，能够明确判断出其对电力设施能够构成威胁，并能通过计算其参数，给出入侵物的危险等级，方便了后续排除入侵物的工作。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电力监测系统中危险目标的识别方法，其特征在于，包括：

检测出所述电力监测系统采集到的视频中的入侵物；

利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

如果是，则计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

2.根据权利要求1所述的方法，其特征在于，所述检测出所述电力监测系统采集到的视频中的入侵物包括：

获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；

计算所述结构相似性指标对应的图像的直方图；

依据所述直方图，确定阈值；

利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；

将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。

3.根据权利要求2所述的方法，其特征在于，在所述得到分割后的图像之后，将所述分割后的图像分别向其所在坐标轴的水平轴和垂直轴做投影之前，还包括：

对所述分割后的图像进行先腐蚀再膨胀的数学形态学计算，将计算结果作为分割后的图像。

4.根据权利要求1所述的方法，其特征在于，所述预先训练的分类器包括：

基于Haar特征基的分类器。

5.根据权利要求1或4所述的方法，其特征在于，所述预先训练的过程包括：

将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；

分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；

将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；

将所述强分类器级联，以组成所述的分类器。

6.根据权利要求1所述的方法，其特征在于，所述利用预先训练的分类器对所述入侵物进行分类，确定所述入侵物是否对电力设施构成威胁包括：

获取所述入侵物图像的多个相同尺寸的子图像；

将所述子图像送入所述分类器，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物对电力设施构成威胁。

7.根据权利要求1所述的方法，其特征在于，所述入侵物的参数包括：

所述入侵物的尺寸。

8.一种电力监测系统中危险目标的识别装置，其特征在于，包括：

入侵物检测模块，用于检测出所述电力监测系统采集到的视频中的入侵物；

威胁物确定模块，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；

危险等级分类模块，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。

9.根据权利要求8所述的装置，其特征在于，所述入侵物检测模块包括：

图像获取单元，用于获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；

阈值分割单元，用于计算所述结构相似性指标对应的图像的直方图，并依据所述直方图，确定阈值，利用所述阈值对所述结构相似性指标对应的图像进行阈值分割，得到分割后的图像；

区域提取单元，用于将所述分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。

10.根据权利要求8所述的装置，其特征在于，所述危险等级分类模块包括：

子图像获取单元，用于获取所述入侵物图像的多个相同尺寸的子图像；

分类器，用于将所述子图像进行分类，当有预设数量的连续的子图像的分类结果均为有威胁物体时，则确定所述入侵物为有威胁物体；

危险等级确定单元，用于当所述入侵物为有威胁物体时，计算所述物体的尺寸，以确定其危险等级。

Images