CN103020596B - 一种基于块模型的电力生产中异常人体行为识别方法 - Google Patents

Abstract

一种基于块模型的电力生产中异常人体行为识别方法，属于电力安全生产控制方法技术领域。该方法包括基于时域和空域信息的运动前景提取，其分割加速因子为：，牵引力因子为：；潜在阴影的消除；基于尺度不变特征物体识别；基于块的电力生产中异常人体行为识别：外接矩形密度J(简称矩形密度)指的是人体目标占最小外接矩形的比例，当人体正常站立时，J较大；当人体进行大幅度的异常行为，则J较小；定义，J若突然减小，并持续一段时间，人体正执行异常行为；。本发明通过对特定行为，提取特征，对人体异常行为进行识别，从而及时发现异常行为，遏制违章现象，预防事故发生，本发明在现代计算机控制下的电力生产中具有积极重大意义。<!--1-->

Description

一种基于块模型的电力生产中异常人体行为识别方法

技术领域

本发明涉及一种基于块模型的电力生产中异常人体行为识别方法，尤其涉及一种特别针对电力生产中与物体有交互行为的异常人体行为识别方法,属于电力安全生产控制方法技术领域。

背景技术

目前，计算机视觉的应用越来越广泛，行为识别慢慢成为研究的热点。针对目前已有方法，目前比较常用的有基于模板匹配和状态空间法两种。模板匹配法的优点是计算复杂度低，缺点是对持续时间变化与噪声敏感；状态空间法很好的解决了运动持续时间的难题，但是计算复杂度骤然上升。选择一种合适折中的方法，对于特定场合的行为识别显得格外重要。

电力系统安全生产异常行为，也可称之为违章行为，包括不按规定使用安全工具作业，如安全帽的使用，中途脱帽，使用操作杆不带绝缘手套，上班不脱工作服，在变电站及线路通道下等高压带电场所单人搬运或竖立长物，在变电站等高压场所打伞行走等等。针对这些行为，尤其是物体交互行为，本发明提出一种基于块模型的人体行为识别方法。

发明内容

本发明的目的是建立一个电力生产中的异常行为预警系统。通过此异常行为预警系统对特定行为，提取特征，对人体异常行为进行识别，从而及时发现异常行为，遏制违章现象，预防事故发生。

本发明通过以下技术方案来实现：一种联合考虑颜色、人体块特征和物体空间位置特征的基于块模型的电力生产中异常人体行为识别方法，包括以下步骤：

1.基于时域和空域信息的运动前景提取

首先利用RGB颜色差值模型，对图像序列分别进行背景减除法和对称差分法，把两种运算结果的“或”运算作为时域分割提取的结果。三帧平均差分运算的算法是对三帧连续的图像序列作差分，通过这三帧连续图像差值，得出中间帧运动前景的轮廓。实现的方法是中间帧与第一帧作差分得到第一个中间结果，然后用第三帧与中间帧作差分得到第二个中间结果，最后将这两个中间结果图像作“与”运算，得出最终三帧平均差分的结果。把该结果与背景减除法图像进行“或”运算，得到时域前景的结果。

常用的主动轮廓曲线模型不能有效分割非匀质图像，分割速度不能满足实时要求，并且会出现边界空洞，在C-V模型中引入梯度信息的运动前景提取算法，根据梯度信息建立加速因子和边界点牵引力。加速因子显著提高模型的提取速度；边界点牵引力有效地防止目标边界空洞。

基于梯度信息的加速因子：

$g(\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y\left)\right)=e^{c|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)|}$

式中μ₀(x,y)——待处理图像；

G₀——标准差为σ的高斯滤波器；

——图像在高斯滤波后的梯度值；

C——大于零，小于1的常量。

由于图像中相同区域的灰度值理论上视为常数，那么同区域内的像素点的梯度值应为零，曲线演化速度应该较大，所以加速权值赋值为1；相反，边界的梯度幅值较大，对边界像素点的加速权值赋予较大的值，便可以有效加速同类像素点的迭代运算速度。另一方面，不同的环境下对前景的细节要求不尽相同，常量C作用就是控制提取的目标细节程度。如果只提取主体目标，C的值可取得大一点，如0.5～1.0；如果要提取出细节目标，C可取相对小的值如0.1～0.5。

本发明考虑到，引入加速权值后，提取前景的速度加快的同时，也进一步加剧了边界轮廓缺失分割。为了解决加速权值带来的负面问题，本文构思了一个基于梯度信息的活动轮廓曲线演化方向的方法。该方法应该只对与背景差异较小的边界区域有影响，且不管初始闭合曲线在图像任意的位置，该方法都能把活动轮廓曲线牵引演化至区域边界点，避免边界缺失。该方法表达式为：

$F=\&PlusMinus;(e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1)$

式中——图像高斯滤波后的梯度值；

——曲线演化牵引力，对弱边界不为零，即对弱边界有牵引力，强边界则为牵引力为零。

另一方面，活动轮廓曲线起始位置的不同，在图像目标被最终分割时，水平集函数计算结果的符号也不相同，这时候要求牵引力力的作用方向也要不同。在初始活动轮廓曲线只有完全在目标外部时，最终提取的目标像素对应的水平集函数计算结果为负数；曲线初始位置在其他地方时,最终提取时目标像素点的水平集函数值计算结果正数。所以，当初始活动轮廓曲线只包含背景像素点时，

$F=-(e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1)$

其他情况时，

$F=e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1.$

因此，对于多级灰度目标图像，初始闭合活动轮廓曲线在图像中的任意地方，牵制力都可以把活动轮廓曲线引导演化至弱目标边界。

在原有的C-V模型的偏微分方程中，加入加速因子和牵引力因子，如下：

从上式可以看出，加速因子有助于提高图像分割速度，而牵引力提高弱边界的分割程度。

2.潜在阴影的消除

HSV颜色空间是从人视觉角度定义的颜色模型，比RGB颜色空间更适合用于研究阴影。因此，本发明将使用基于HSV颜色空间的阴影模型检测阴影。根据式(3-7)检测像素点是否可能为阴影：

式中I^H(x,y),I^s(x,y),I^V(x,y)——坐标(x,y)处像素点的HSV模型需要检测三个分量；

B^H(x,y),B^s(x,y),B^V(x,y)——坐标(x,y)处背景像素点的HSV模型三个分量；

α_s——0<α_s<1，主要取决于阴影强度，与阴影强度成反比；

β_s——用于减小噪声的影响，使当前帧亮度不能和背景灰度太接近；

τ_s——τ_s<0；

τ_R——由人工经验决定。

若I(x,y)检测为潜在的阴影，则点(x,y)处SP(x,y)取值为1，否则SP(x,y)取值为0。

在阴影模型检测中，检测为前景的图像作为输入，对于公式(3-7)判定结果为1的输入像素值进行更新学习。若待测的阴影像素值值满足高斯阴影模型其中一个分布：

$|I_t-{\mathrm{\&mu;}}_{i,t-1}^s|\&le;D^s*{\mathrm{\&sigma;}}_{i,t-1}^s,i=1,2,...,K,---(3-8)$

则该分布按以下规则更新参数：

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_{i,t}^s=(1-{\mathrm{\&alpha;}}^s){\mathrm{\&omega;}}_{i,t-1}^s+{\mathrm{\&alpha;}}^s\\ {\mathrm{\&mu;}}_{i,t}^s=(1-{\mathrm{\&rho;}}^s){\mathrm{\&mu;}}_{i,t-1}^s+{\mathrm{\&rho;}}^s{I}_t\\ {\left({\mathrm{\&sigma;}}_{i,t}^s\right)}^2=(1-{\mathrm{\&rho;}}^s){\left({\mathrm{\&sigma;}}_{i,t-1}^s\right)}^2+{\mathrm{\&rho;}}^s{(I_t-{\mathrm{\&mu;}}_{i,t}^s)}^2\end{array}\right.---(3-9)$

若输入的阴影像素值没有找到匹配高斯分布，则权值最小的高斯分布将使用新的高斯分布替代，更新后的分布均值为I_t，对最大的标准差和最小的权值进行更新。其余高斯分布的均值和方差都保持不变，而权值进行衰弱：

${\mathrm{\&omega;}}_{i,t}^s=(1-{\mathrm{\&alpha;}}^s){\mathrm{\&omega;}}_{i,t-1}^s---(3-10)$

最后，对所有的高斯阴影分布权值归一化，对各个分布按时间t从大到小排序，若是高斯分布排序后的次序，并且前N个高斯阴影分布满足如下准则，则这N个分布可以视作阴影：

$\underset{k=i_t^s}{\overset{r_N^S}{\&Sigma;}}{\mathrm{\&omega;}}_{k,t}^s\&GreaterEqual;{\mathrm{\&tau;}}^s---(3-11)$

最后计算待测阴影I_t和已有的所有阴影分布均值之差的绝对值都大于本身分布的标准差D_s倍，则I_t被认为是运动目标，否则视为阴影。把阴影与前面提出时空信息提取运动的前景作减除法，得出消除了阴影的运动前景即为运动目标。

3.基于尺度不变特征物体识别

本发明以关键点位置和所在尺度都确定为前提，以关键点为中心，建立边长为r_n＝2n(n＝1,2,3,…)个像素的正方形作为特征描述子，n为特征描述子的序号。由此可知，在n确定前提下，可以得到一组n个同心正方形，其中相邻正方形间的边长差为2个像素。每一个正方形可以构造一个子描述符(即子向量)，这组正方形构造一个金字塔状的特征描述符(即特征向量)。如图4-1所示，黑点表示关键点，相同序号的正方形区域处于金字塔的同一层，顶层外的尺度像素个数相同，比顶层多一周的尺度像素。

按每2π/m弧度一个方向，把关键点的周围划分为m个区域，自金字塔顶部向下统计出每个正方形内m个方向的梯度直方图，形成子向量：

D_n＝(d₁,d₂,...,d_m)(4-1)

式中d_i——正方形区域在方向2iπ/m的梯度模值，其方向排列顺序参照图4-2；

n——为金字塔的层数。

实际上越靠近特征点的像素梯度的应该权值越大，因此采用下面递推公式(4-2)计算每个子向量D_i的m个梯度方向信息

$\left\{\begin{array}{c}{D}_1=R_1=(r_1,r_2,...,r_m)\\ D_i=D_{i-1}+2^{\mathrm{\&eta;}-i}{\mathrm{\&omega;}}_i\end{array}\right.---(4-2)$

式中，D_i——第i个正方形的子向量；

R₁——最内部正方形的梯度向量；

ω_i——D_i-1把其对应正方形外一周像素梯度信息统计后形成的梯度向量；

η——权值，其值为n/2取整，其物理意义是从第η个正方形开始弱化边缘像素梯度信息的影响力。

基于特征向量的匹配就是搜索两幅图像中特征向量最接近的关键点的过程，即判段两个关键点的相似性。向量间的欧氏距离越小，向量越相似。

在求得模板和背景图像中特征点的特征向量后，为了能够快速准确地找到匹配点，提出以下基于子向量的折半筛选法：

(1)假设V_i为模板中的某一特征点向量，V_j(j＝1,2,…,y)为前景中检测到的所有特征点向量，计算V_i和V_j的最底层子向量D_n间的欧式距离；

(2)从y个欧氏距离中找出距离最小的y/2(取整数)个特征点，然后计算V_i和这y/2个特征点V_j(j＝1,2,…,y/2)间向量(D_n,D_n-1)的欧氏距离；

(3)同样以欧氏距离最小找出一半的特征点。并计算它们与Vi间向量(D_n,D_n-1,D_n-2)的欧式距离。

(4)按照这个方法，直到最后只剩下一个特征点时，如果这个特征点向量和模板中的特征向量V_i的欧式距离小于设定的阈值，就认为该特征点和V_i是相匹配的，否则认为前景中不存在与该点相匹配的点。

4.基于块的电力生产中异常人体行为识别

根据本专利研究的异常行为识别需求构思抽象出来的几个基本的几何特征包括：人体质心坐标(C)；最小外接矩形(R)；倾斜角度(α)；质心与特定物体向量(L_c)等。最小外接矩形的各种特征可以从整体描述人体的运动状态，但是容易忽略局部人体特征，因此继续引入细化的外接矩形。把人体轮廓从图像的顶部至底部等分为六个高度相同的外接矩形，这里称作子外接矩形(R_i)。

人体轮廓最小外接矩形计算方法描述：首先找到人体目标轮廓的质心，以它为坐标原点，轮廓逆时针或顺时针旋转α度。计算两种情况的外接矩形面积，取面积较小的为最小外接矩形。

对于最小外接矩形，蕴含的人体运动信息丰富。下面引入与最小外接矩形相关的几个几何特征：最小外接矩形长宽比(简称长宽比P)、外接矩形长宽比变化率及外接矩形紧密度(简称紧密度)。其中，最小外接矩阵长宽比定义为：

$P=\frac{L_{mer}}{W_{mer}}---(5-6)$

式中，L_mer和W_mer——分别为最小外接矩形的长和宽。长宽比也是人体行为的重要特征。

最小外接矩形长宽比变化率：

$\&dtri;p=\frac{P_{current}-P_{former}}{P_{former}}---(5-7)$

外接矩形密度J(简称矩形密度)指的是人体目标占最小外接矩形的比例，当人体正常站立时，J较大；当人体进行大幅度的异常行为，则J较小。我们可以认为，J若突然减小，并持续一段时间，人体正执行异常行为。

$J=\frac{A_{area}}{A_{mer}}---(5-8)$

式中，A_area——人体目标的面积；

A_mer——最小外接矩形的面积。

子外接矩形R_i(i＝1,2,…,6)对应的特征包括宽度W_i(i＝1,2,3,…,6)，W_i变化率为计算方法同可以推断，当人体撑伞时W₁明显异于正常情形，且变化率较小，如此类推，人体撑杆行为也容易判断；当人体脱下工作服时，处于中间位置的子外接矩形将同时变化，且变化率接近。子外接矩形的获取方法和最小外接矩形类似。

工作人员的随身物体可通过前面提出SIFT改进算法识别，在这个前提下，本文计算物体和人体质心的欧氏距离，简称物距(L_c)。对于佩戴安全帽的情况下，L_c大小几乎不变，若安全帽离开头部，L_c马上发生改变，这时可视为发生异常行为。

至此，本专利描述的人体轮廓几何特征包括人体质心(C)、倾斜度(α)、最小外接矩形长宽比(P)及其变化率矩形密度(J)、子外接矩形宽度(W_i)及其变化率和物距(L_c)。

当二值图像的外接矩形密度值(J)突然发生变化，并持续低于某一阈值时，可能发生拳击，踢腿等异常行为，可以作为判断异常行为的依据；当倾斜角度突然超过某一阈值时，可能发生跌倒等行为，可以作为判断异常行为的依据；记录连续N帧的外接矩形长宽比，连续N帧图像的变化超过某一经验阈值时，表明此人正在进行激烈运动，可以作为判断异常行为的依据；当子外接矩形宽度明显大于或小于某一阈值时，可能发生撑伞或撑杆。结合SIFT算法识别工作服和安全帽，当子外接矩形宽度变化率接近时，变化前后工作服识别情况不一致时，可以作为判断异常行为的依据；在安全帽识别的前提下，物距(L_c)的变化可以作为判断异常行为的依据。以上所提及的阈值均通过学习获得。

附图说明

图1为时序前景信息提取示意图。

图2为时域和空域前景信息提取示意图。

图3为拉伸放大的前景计算的SIFT特征点情况示意图。

图4为基于尺度不变特征转换的运动目标特征计算结果示意图。

图5为本发明流程示意图。

具体实施方式

为了加深对本发明的理解，下面将结合实例对本发明作进一步详述，该实施例仅用于本发明，并不构成对本发明保护范围的规定。

本发明针对拳击、摔倒，摘安全帽，撑伞，脱工作服行为定义为单人异常行为并进行分类识别，行走以及其他未定义的行为归类为非异常类。当正常行为识别为异常，异常行为未被识别均视为是误判。

分别收集单人摔倒，步行，拳击，摘帽，撑伞，脱衣服的样本视频若干段；通过前文叙述的基于时空信息运动前景提取方法分别处理各视频，并逐帧保存得到的前景人体目标图像；从收集的图像中任意选取若干摔倒，站立，拳击，摘帽，撑伞，脱衣服的图像作为样本图像；提取样本图像的人体轮廓几何特征计算各异常行为的阈值，把特征数据按软件包要求的格式保存。正常的步行作为正样本，输出结果1；摔倒、拳击及摘帽等异常行为作为负样本，输出为-1；利用svm_train模块训练样本数据，得到基于这4个轮廓特征的分类器；把测试集视频片段转换成相应格式的数据并通过svm_predict模块进行分类预测。

基于人体轮廓几何特征的识别结果

对于以上部分行为中的某一帧时刻的轮廓几何特征计算如下表：

表各种行为的轮廓几何特征

由上表可以看出，摔倒行为倾斜度与其他行为区别较为明显，拳击行为的外接矩形变化率较大，而摘安全帽行为的质心距离变化最明显。

整体来说，本发明设计的方法对于研究的电力生产应用有着良好的识别效果，同时可以看出针对性的对特定行为提取特征有助于提高行为识别率。

本发明针对特定行为，提取特征，对人体异常行为进行识别。

本发明通过对人体异常行为识别，可以在第一时间制止异常行为，遏制违章现象的发生，从而减少安全事故的发生。对在计算机控制下的电力生产具有重大积极意义。

Claims (3)

1.一种基于块模型的电力生产中异常人体行为识别方法，其特征在于，该方法包括步骤：

(1)基于时域和空域信息的运动前景提取

利用RGB颜色差值模型，对图像序列分别进行背景减除法和对称差分法，把两种运算结果的“或”运算作为时域分割提取的结果；三帧平均差分运算的算法是对三帧连续的图像序列作差分，通过这三帧连续图像差值，得出中间帧运动前景的轮廓；实现的方法是中间帧与第一帧作差分得到第一个中间结果，然后用第三帧与中间帧作差分得到第二个中间结果，最后将这两个中间结果图像作“与”运算，得出最终三帧平均差分的结果；把该结果与背景减除法图像进行“或”运算，得到时域前景的结果；

常用的主动轮廓曲线模型不能有效分割非匀质图像，分割速度不能满足实时要求，并且会出现边界空洞，在C-V模型中引入梯度信息的运动前景提取算法，根据梯度信息建立加速因子和边界点牵引力；加速因子显著提高模型的提取速度；边界点牵引力有效地防止目标边界空洞；

基于梯度信息的加速因子：

$g(\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y))=e^{c|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)|}$

式中，μ₀(x,y)——待处理图像；

G₀——标准差为σ的高斯滤波器；

——图像在高斯滤波后的梯度值；

C——大于零，小于1的常量；

由于图像中相同区域的灰度值理论上视为常数，那么同区域内的像素点的梯度值应为零，曲线演化速度应该较大，所以加速权值赋值为1；相反，边界的梯度幅值较大，对边界像素点的加速权值赋予较大的值，便可以有效加速同类像素点的迭代运算速度；另一方面，不同的环境下对前景的细节要求不尽相同，常量C作用就是控制提取的目标细节程度；如果只提取主体目标，C取值大于等于0.5，小于1.0；如果要提取出细节目标，C取值大于等于0.1，小于0.5；

考虑到，引入加速权值后，提取前景的速度加快的同时，也进一步加剧了边界轮廓缺失分割；为了解决加速权值带来的负面问题，提出了一个基于梯度信息的活动轮廓曲线演化方向的牵引力因子，该牵引力因子表达式为：

$F=\&PlusMinus;(e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1)$

式中，——图像高斯滤波后的梯度值；

——曲线演化牵引力，对弱边界不为零，即对弱边界有牵引力，强边界则为牵引力为零；

另一方面，活动轮廓曲线起始位置的不同，在图像目标被最终分割时，水平集函数计算结果的符号也不相同，这时候要求牵引力力的作用方向也要不同；在初始活动轮廓曲线只有完全在目标外部时，最终提取的目标像素对应的水平集函数计算结果为负数；曲线初始位置在其他地方时,最终提取时目标像素点的水平集函数值计算结果正数；所以，当初始活动轮廓曲线只包含背景像素点时，

$F=-(e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1)$

其他情况时，

$F=e^{f\left(\right|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)\left|\right)}-1.$

因此，对于多级灰度目标图像，初始闭合活动轮廓曲线在图像中的任意地方，牵制力都可以把活动轮廓曲线引导演化至弱目标边界；

在原有的C-V模型的偏微分方程中，加入加速因子和牵引力因子，如下：

从上式可以看出，加速因子有助于提高图像分割速度，而牵引力提高弱边界的分割程度；

(2)潜在阴影的消除

使用基于HSV颜色空间的阴影模型检测阴影；根据式(3-7)检测像素点是否可能为阴影：

式中，I^H(x,y),I^s(x,y),I^V(x,y)——坐标(x,y)处像素点的HSV模型需要检测三个分量；

B^H(x,y),B^s(x,y),B^V(x,y)——坐标(x,y)处背景像素点的HSV模型三个分量；

α_s——0<α_s<1，主要取决于阴影强度，与阴影强度成反比；

β_s——用于减小噪声的影响，使当前帧亮度不能和背景灰度太接近；

τ_s——τ_s<0；

τ_R——由人工经验决定；

若I(x,y)检测为潜在的阴影，则点(x,y)处SP(x,y)取值为1，否则SP(x,y)取值为0；

在阴影模型检测中，检测为前景的图像作为输入，对于公式(3-7)判定结果为1的输入像素值进行更新学习；若待测的阴影像素值满足高斯阴影模型其中一个分布：

$|I_t-{\mathrm{\&mu;}}_{i,t-1}^s|\&le;D^s*{\mathrm{\&sigma;}}_{i,t-1}^s,i=1,2,\mathrm{...},K,---\left(3-8\right)$

则该分布按以下规则更新参数：

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_{i,t}^s=(1-{\mathrm{\&alpha;}}^s){\mathrm{\&omega;}}_{i,t-1}^s+{\mathrm{\&alpha;}}^s\\ {\mathrm{\&mu;}}_{i,t}^s=(1-{\mathrm{\&rho;}}^s){\mathrm{\&mu;}}_{i,t-1}^s+{\mathrm{\&rho;}}^s{I}_t\\ {\left({\mathrm{\&sigma;}}_{i,t}^s\right)}^2=(1-{\mathrm{\&rho;}}^s){\left({\mathrm{\&sigma;}}_{i,t-1}^s\right)}^2+{\mathrm{\&rho;}}^s{(I_t-{\mathrm{\&mu;}}_{i,t}^s)}^2\end{array}\right.---\left(3-9\right)$

若输入的阴影像素值没有找到匹配高斯分布，则权值最小的高斯分布将使用新的高斯分布替代，更新后的分布均值为I_t，对最大的标准差和最小的权值进行更新；其余高斯分布的均值和方差都保持不变，而权值进行衰弱：

${\mathrm{\&omega;}}_{i,t}^s=(1-{\mathrm{\&alpha;}}^s){\mathrm{\&omega;}}_{i,t-1}^s---(3-10)$

最后，对所有的高斯阴影分布权值归一化，对各个分布按时间t从大到小排序，若是高斯分布排序后的次序，并且前N个高斯阴影分布满足如下准则，则这N个分布可以视作阴影：

$\underset{k=i_t^s}{\overset{r_N^S}{\&Sigma;}}{\mathrm{\&omega;}}_{k,t}^s\&GreaterEqual;{\mathrm{\&tau;}}^s---\left(3-11\right)$

最后计算待测阴影I_t和已有的所有阴影分布均值之差的绝对值都大于本身分布的标准差D_s倍，则I_t被认为是运动目标，否则视为阴影；把阴影与前面提出时空信息提取运动的前景作减除法，得出消除了阴影的运动前景即为运动目标；

(3)基于尺度不变特征物体识别

以关键点为中心，建立边长为rn＝2n，n＝1,2,3,…个像素的正方形作为特征描述子，n为特征描述子的序号；由此可知，在n确定前提下，可以得到一组n个同心正方形，其中相邻正方形间的边长差为2个像素；每一个正方形可以构造一个子描述符，即子向量，这组正方形构造一个金字塔状的特征描述符，即特征向量；相同序号的正方形区域处于金字塔的同一层，顶层外的尺度像素个数相同，比顶层多一周的尺度像素；

按每2π/m弧度一个方向，把关键点的周围划分为m个区域，自金字塔顶部向下统计出每个正方形内m个方向的梯度直方图，形成子向量：

D_n＝(d₁,d₂,...,d_m)(4-1)

式中，di——正方形区域在方向2iπ/m的梯度模值；

n——为金字塔的层数；

实际上越靠近特征点的像素梯度的应该权值越大，因此采用下面递推公式(4-2)计算每个子向量Di的m个梯度方向信息：

$\left\{\begin{array}{c}{D}_1=R_1=(r_1,r_2,\mathrm{...},r_m)\\ D_i=D_{i-1}+2^{\mathrm{\&eta;}-i}{\mathrm{\&omega;}}_i\end{array}\right.---\left(4-2\right)$

式中，Di——第i个正方形的子向量；

R1——最内部正方形的梯度向量；

ωi——Di-1把其对应正方形外一周像素梯度信息统计后形成的梯度向量；

η——权值，其值为n/2取整，其物理意义是从第η个正方形开始弱化边缘像素梯度信息的影响力；

基于特征向量的匹配就是搜索两幅图像中特征向量最接近的关键点的过程，即判段两个关键点的相似性；向量间的欧氏距离越小，向量越相似；

在求得模板和背景图像中特征点的特征向量后，为了能够快速准确地找到匹配点，提出以下基于子向量的折半筛选法：

(3.1)假设Vi为模板中的某一特征点向量，Vj为前景中检测到的所有特征点向量，计算Vi和Vj的最底层子向量Dn间的欧式距离，j＝1,2,…,y；

(3.2)从y个欧氏距离中找出距离最小的y/2个特征点，y/2取整数，然后计算Vi和这y/2个特征点Vj间向量(Dn,Dn-1)的欧氏距离，j＝1,2,…,y/2；

(3.3)同样以欧氏距离最小找出一半的特征点；并计算它们与Vi间向量(Dn,Dn-1,Dn-2)的欧式距离；

(3.4)按照这个方法，直到最后只剩下一个特征点时，如果这个特征点向量和模板中的特征向量Vi的欧式距离小于设定的阈值，就认为该特征点和Vi是相匹配的，否则认为前景中不存在与该点相匹配的点；

(4)基于块的电力生产中异常人体行为识别

构造基本几何特征：人体质心坐标(C)；最小外接矩形(R)；倾斜角度(α)；质心与特定物体向量(L_c)；最小外接矩形长宽比(P)及其变化率矩形密度(J)、子外接矩形宽度(Wi)及其变化率和物距(Lc)；

最小外接矩形的各种特征可以从整体描述人体的运动状态，但是容易忽略局部人体特征，因此继续引入细化的外接矩形；把人体轮廓从图像的顶部至底部等分为六个高度相同的外接矩形，这里称作子外接矩形(Ri)；

人体轮廓最小外接矩形计算方法描述：首先找到人体目标轮廓的质心，以它为坐标原点，轮廓逆时针或顺时针旋转α度；计算两种情况的外接矩形面积，取面积较小的为最小外接矩形；

对于最小外接矩形，蕴含的人体运动信息丰富；下面引入与最小外接矩形相关的几个几何特征：最小外接矩形长宽比，简称长宽比P、外接矩形长宽比变化率及外接矩形紧密度，简称紧密度；其中，最小外接矩阵长宽比定义为：

$P=\frac{L_{mer}}{W_{mer}}---\left(5-6\right)$

式中，L_mer和W_mer——分别为最小外接矩形的长和宽；长宽比也是人体行为的重要特征；

最小外接矩形长宽比变化率：

$\&dtri;p=\frac{P_{current}-P_{former}}{P_{former}}---\left(5-7\right)$

外接矩形密度J，简称矩形密度，指的是人体目标占最小外接矩形的比例，当人体正常站立时，J较大；当人体进行大幅度的异常行为，则J较小；定义，J若突然减小，并持续一段时间，人体正执行异常行为；

$J=\frac{A_{area}}{A_{mer}}---\left(5-8\right)$

式中，A_area——人体目标的面积；

A_mer——最小外接矩形的面积；

子外接矩形Ri，i＝1,2,…,6，对应的特征包括宽度Wi，i＝1,2,3,…,6，Wi变化率为计算方法同可以推断，当人体撑伞时W1明显异于正常情形，且变化率较小，如此类推，人体撑杆行为也容易判断；当人体脱下工作服时，处于中间位置的子外接矩形将同时变化，且变化率接近；子外接矩形的获取方法和最小外接矩形类似；

工作人员的随身物体可通过前面提出SIFT改进算法识别，在这个前提下，本文计算物体和人体质心的欧氏距离，简称物距(Lc)；对于佩戴安全帽的情况下，Lc大小几乎不变，若安全帽离开头部，Lc马上发生改变，这时可视为发生异常行为；

当二值图像的外接矩形密度值(J)突然发生变化，并持续低于某一阈值时，可能发生拳击，踢腿异常行为，可以作为判断异常行为的依据；当倾斜角度突然超过某一阈值时，可能发生跌倒行为，可以作为判断异常行为的依据；记录连续N帧的外接矩形长宽比，连续N帧图像的变化超过某一经验阈值时，表明此人正在进行激烈运动，可以作为判断异常行为的依据；当子外接矩形宽度明显大于或小于某一阈值时，可能发生撑伞或撑杆；结合SIFT算法识别工作服和安全帽，当子外接矩形宽度变化率接近时，变化前后工作服识别情况不一致时，可以作为判断异常行为的依据；在安全帽识别的前提下，物距(Lc)的变化可以作为判断异常行为的依据。

2.根据权利要求1所述的一种基于块模型的电力生产中异常人体行为识别方法，其特征在于，所述阈值均通过学习获得。

3.一种C-V模型轮廓曲线演化分割方法，其特征在于,该方法分割加速因子为：

$g(\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y\left)\right)=e^{c|\&dtri;G_0\&CenterDot;{\mathrm{\&mu;}}_0(x,y)|},$

式中，μ₀(x,y)——待处理图像；

G₀——标准差为σ的高斯滤波器；

——图像在高斯滤波后的梯度值；

C——大于零，小于1的常量；

牵引力因子为：

式中，——图像高斯滤波后的梯度值；

——曲线演化牵引力，对弱边界不为零，即对弱边界有牵引力，强边界则为牵引力为零。