CN105469038A - 一种用于电力开闭所的安全帽视频检测方法 - Google Patents

Abstract

本发明涉及一种用于电力开闭所的安全帽视频检测方法，实时分析监控视频，对进入电力开闭所的监控范围内的运动目标进行识别，然后定位运动目标的头部，再对头部颜色及大小进行判断，如果头部的大小与颜色与预设的规则对应，则判定为安全帽。本发明最大的特点是运动性及环境的多变性。安全帽的识别首先需要对移动物体进行判断，然后定位移动物体的头部，在对头部颜色及大小进行分析判断，再通过比较判断是否为安全帽。目前计算机的处理能力已经成指数级的飞跃，借助智能视频分析服务器对实时监控视频的图像分析，能有效的识别出出入人员的安全帽佩戴及红马甲等，进而排除干扰物及环境噪点，从而高效正确的分析出人员的著装规范。

Description

一种用于电力开闭所的安全帽视频检测方法

技术领域

本发明涉及视频识别技术，更具体地说，涉及一种用于电力开闭所的安全帽视频检测方法。

背景技术

电力开闭所指用于接受电力并分配电力的供配电设施，目前10kv开闭所多为无人值班，采用传统视频监控的方式来规范工作人员的各种行为，比如，在进入开闭所中佩戴安全帽是安全规范的硬性要求。而传统视频监控只被用于事后查询，无法起到预防与规范的作用。

发明内容

本发明的目的在于克服现有技术的不足，提供一种准确有效的用于电力开闭所的安全帽视频检测方法。

本发明的技术方案如下：

一种用于电力开闭所的安全帽视频检测方法，实时分析监控视频，对进入电力开闭所的监控范围内的运动目标进行识别，然后定位运动目标的头部，再对头部颜色及大小进行判断，如果头部的大小与颜色与预设的规则对应，则判定为安全帽。

作为优选，通过背景减除法将当前每一帧图像与预设或者实时获取的背景图像相减，若当前帧图像与背景图像在同位置的像素之间的差值大于预设阈值，则判定该位置的像素属于运动目标。

作为优选，将实时的监控视频中每一帧图像与背景图像相减，得到运动目标的大小、形状、实时的运动轨迹。

作为优选，进行运动目标识别前，先进行背景学习，并建立背景模型；然后从监控视频的序列图像中提取运动区域，识别运动目标。

作为优选，不采用监控视频启动时的原始图像用于背景模型的初始化。

作为优选，对背景模型进行实时更新。

作为优选，更新背景模型，具体为：利用多帧的累计效应，通过设置增益因子，调节帧间的信号差，然后累加在背景图像中；

增益因子的计算公式如下：

$\stackrel{\‾}{\mathrm{\Φ}}(i+1)=\stackrel{\‾}{\mathrm{\Φ}}\left(i\right)+k(i+1)\[\stackrel{\‾}{\mathrm{\Φ}}(i+1)-\stackrel{\‾}{\mathrm{\Φ}}\left(i\right)\];$

$k(i+1)=\frac{1}{B(i+1)};$

B(i+1)＝αB(i)+1；

其中，α是渐消因子，用于决定增益因子k(i+1)的大小，α∈(0,1)；是当前背景的估计，是前一帧背景的估计，对应的B(i+1)和B(i)是当前帧图像和前一帧图像。

作为优选，根据环境因素的变化造成背景图像的影响对背景模型进行更新。

作为优选，环境因素包括云、光影、雨雪、波浪。

作为优选，当拾取的头部大小与定位得到的头部的重复比例达到预设的阀值，而且头部的颜色符合规则，则判定为安全帽。

本发明的有益效果如下：

本发明所述的用于电力开闭所的安全帽视频检测方法，提供一种安全帽视频分析算法，是基于背景减除方法衍生出的高级算法。区别于普通图像识别，其最大的特点是运动性及环境的多变性。安全帽的识别是在移动视频分析的基础上对颜色位置更为具体的一种识别方式，首先它需要对移动物体进行判断，然后定位移动物体的头部，在对头部颜色及大小进行分析判断，再通过比较判断是否为安全帽。目前计算机的处理能力已经成指数级的飞跃，借助智能视频分析服务器对实时监控视频的图像分析，能有效的识别出出入人员的安全帽佩戴及红马甲等，进而排除干扰物及环境噪点，从而高效正确的分析出人员的著装规范。

附图说明

图1是本发明的实施示意图；

图中，左半部分为监控视频，并绘出监控区域与敏感区域；右半部分为分析效果，示出头部定位与颜色识别效果。

具体实施方式

以下结合附图及实施例对本发明进行进一步的详细说明。

本发明为了解决现有技术的视频监控无法故事预防或实时自动监控的不足，提供一种用于电力开闭所的安全帽视频检测方法，实时分析监控视频，对进入电力开闭所的监控范围内的运动目标进行识别，然后定位运动目标的头部，再对头部颜色及大小进行判断，如果头部的大小与颜色与预设的规则对应，则判定为安全帽，实施结果如图1所示。

所述的方法基于背景减除方法衍生，区别于普通图像识别，其最大的特点是运动性及环境的多变性。安全帽的识别是在移动视频分析的基础上对颜色位置更为具体的一种识别方式，首先它需要对移动物体进行判断，然后定位移动物体的头部，在对头部颜色及大小进行分析判断，再通过比较判断是否为安全帽。

本发明利用当前图像和背景图像的差分，并通过抗干扰算法来检测出运动目标，可以提供完整的运动目标特征数据，具有良好的精确度、灵敏度和性能表现。

本发明中，首先进行背景学习，学习时间根据背景复杂程度有所不同，在学习期间中自动建立背景模型。之后进入“分析”状态，如果前景出现移动物体，并在设置的敏感区域内，且目标物体大小满足预设的规则，则对该目标进行跟踪，并根据预先的设置的规则进行安全帽检测识别。本发明还可以用于入侵、遗留、徘徊等情况的监控，在跟踪目标过程中，几种决策算法同时分析数据，从而增加了检测的可靠性和降低了误报率，使得本发明可以在各种不同的复杂环境下正常工作。

以运动中的物体检测算法为例，首先运动检测的目的是从监控视频的序列图像中提取运动目标。运动目标所涉及的区域的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要，因为后期处理过程仅仅考虑图像中对应于运动区域的像素。通过背景减除法将当前每一帧图像与预设或者实时获取的背景图像相减，若当前帧图像与背景图像在同位置的像素之间的差值大于预设阈值，则判定该位置的像素属于运动目标。将实时的监控视频中每一帧图像与背景图像相减，得到运动目标的大小、形状、实时的运动轨迹等信息。如以下公式所示：

$D(x,y)=\left\{\begin{array}{cc}1,& |f_k(x,y)-f_{k-1}(x,y)|\&GreaterEqual;T\\ 0,& |f_k(x,y)-f_{k-1}(x,y)|<T\end{array}\right\};$

其中，对k及k-1帧的图像进行平滑处理，然后帧差法进行相减，T为阀值通过现场环境及经验进行调节，当T过大可能产生空洞，过小则图像噪点过多。

背景的建模是背景减除法的技术关键，进行运动目标识别前，先进行背景学习，并建立背景模型；然后从监控视频的序列图像中提取运动区域，识别运动目标。在初始化时，本发明自动适应环境来建模，根据背景实际的“复杂程度”选取一定的学习时间。一般在背景模型建模完成后，随着环境因素的变化，背景会有一些改变。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动目标的检测具有相当的困难。本发明具有“背景自维护”能力，即本发明根据环境因素的变化造成背景图像的影响对背景模型进行更新。将一些后来融入背景的物体，如云、光影、雨雪、波浪等自动加为背景。

由于外界的环境因素是不断变化的，比如从早晨到傍晚，光线会由弱变强，又由强变弱；或者突然阴天，突然放晴，光线都会发生强弱变化，还有雨雪等自然现象，在进行背景建模时都应当考虑在内，不应当把空中的雨滴或是雪花当作运动目标处理。这些情况下若不能实时更新背景图像，就等于加进了人为噪声，检测效果会越来越差，进入恶性循环。

本发明采用了实时控制机制来实现背景图像的不断更新，即在视频中没有运动目标时系统所做的工作除了保持对视频的监视外，就是不断地进行背景更新，对背景模型进行实时更新。这样就保证了背景图像能随着自然界光线的变化而变化。

背景减除法采用的是当前帧与背景帧的差分，这样可以进一步得到运动目标的位置信息，以便确定目标的运动方向，并且为下一步的辨识工作提供可靠的数据信息。则背景帧的选择是一个关键问题，每一路视频都要有一个没有目标的原始图像性质的背景图像，此背景图像相对稳定。由于电力开闭所平常的环境就是无运动物体，所以特别适用背景减除法。

而如果背景初始化稍微有些复杂的情况，则不采用监控视频启动时的原始图像用于背景模型的初始化。因为原始图像为监控视频启动时第一次采集的图像，不能保证图像中没有运动目标。如果有运动目标存在，则会做出相反的判断，把没有目标的地方误认为有目标出现，相反，有目标的地方则认为是背景了。因此作为背景的图像，要求其中不允许有运动目标出现。

在背景相对复杂的情况下，如有树枝摆动，或是背景中的相对不动的物体的微小移动，还有比如天空中雨点或是雪花的影响，都会影响到背景的更新，如果背景更新不当，就等于人为加入干扰噪声，对运动目标的检测就难以正确实现。实际场景中的背景很复杂，存在各种各样的干扰，且背景是随时间不断变化的。本发明通过抗干扰算法则能处理这些干扰和变化。

更新背景模型，重建背景时，利用多帧的累计效应，通过设置增益因子，调节帧间的信号差，然后累加在背景图像中；通过调节增益因子的大小，可以获得最佳的背景图像。

增益因子的计算公式如下：

$\stackrel{\&OverBar;}{\mathrm{\&Phi;}}(i+1)=\stackrel{\&OverBar;}{\mathrm{\&Phi;}}\left(i\right)+k(i+1)\&lsqb;\stackrel{\&OverBar;}{\mathrm{\&Phi;}}(i+1)-\stackrel{\&OverBar;}{\mathrm{\&Phi;}}\left(i\right)\&rsqb;;$

$k(i+1)=\frac{1}{B(i+1)};$

B(i+1)＝αB(i)+1；

其中，α是渐消因子，用于决定增益因子k(i+1)的大小，α∈(0,1)；是当前背景的估计，是前一帧背景的估计，对应的B(i+1)和B(i)是当前帧图像和前一帧图像。

重建的背景能够满足下列情况：

(1)能适应背景随时间的缓慢变化，如在一天中不同时间的光照变化；

(2)能适应背景物体的变化，如场景中移入新的物体，背景中的物体移出场景等变化；

(3)背景模型能描述背景中的一些较大扰动，如树叶晃动、显示器屏幕闪烁等；

(4)能检测出光照的突然变化，并能在尽量短的时间内适应这种变化。

最后，经过颜色识别和头部识别，即可完成一次的识别过程。目前国家电网公司主要以蓝色及红色安全帽为主，因此颜色的识别并无难度。而头部的识别可根据场景的比例定义，如安全帽占人物比率的20％等，定义三角形区域用以识别头部。当拾取的头部大小与定位得到的头部的重复比例达到预设的阀值，而且头部的颜色符合规则，则判定为安全帽。

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (10)

1.一种用于电力开闭所的安全帽视频检测方法，其特征在于，实时分析监控视频，对进入电力开闭所的监控范围内的运动目标进行识别，然后定位运动目标的头部，再对头部颜色及大小进行判断，如果头部的大小与颜色与预设的规则对应，则判定为安全帽。

2.根据权利要求1所述的用于电力开闭所的安全帽视频检测方法，其特征在于，通过背景减除法将当前每一帧图像与预设或者实时获取的背景图像相减，若当前帧图像与背景图像在同位置的像素之间的差值大于预设阈值，则判定该位置的像素属于运动目标。

3.根据权利要求2所述的用于电力开闭所的安全帽视频检测方法，其特征在于，将实时的监控视频中每一帧图像与背景图像相减，得到运动目标的大小、形状、实时的运动轨迹。

4.根据权利要求1所述的用于电力开闭所的安全帽视频检测方法，其特征在于，进行运动目标识别前，先进行背景学习，并建立背景模型；然后从监控视频的序列图像中提取运动区域，识别运动目标。

5.根据权利要求4所述的用于电力开闭所的安全帽视频检测方法，其特征在于，不采用监控视频启动时的原始图像用于背景模型的初始化。

6.根据权利要求4所述的用于电力开闭所的安全帽视频检测方法，其特征在于，对背景模型进行实时更新。

7.根据权利要求6所述的用于电力开闭所的安全帽视频检测方法，其特征在于，更新背景模型，具体为：利用多帧的累计效应，通过设置增益因子，调节帧间的信号差，然后累加在背景图像中；

增益因子的计算公式如下：

$\stackrel{\&OverBar;}{\mathrm{\&Phi;}}(i+1)=\stackrel{\&OverBar;}{\mathrm{\&Phi;}}\left(i\right)+k(i+1)\&lsqb;\stackrel{\&OverBar;}{\mathrm{\&Phi;}}(i+1)-\stackrel{\&OverBar;}{\mathrm{\&Phi;}}\left(i\right)\&rsqb;;$

$k(i+1)=\frac{1}{B(i+1)};$

B(i+1)＝αB(i)+1；

其中，α是渐消因子，用于决定增益因子k(i+1)的大小，α∈(0,1)；是当前背景的估计，是前一帧背景的估计，对应的B(i+1)和B(i)是当前帧图像和前一帧图像。

8.根据权利要求6所述的用于电力开闭所的安全帽视频检测方法，其特征在于，根据环境因素的变化造成背景图像的影响对背景模型进行更新。

9.根据权利要求8所述的用于电力开闭所的安全帽视频检测方法，其特征在于，环境因素包括云、光影、雨雪、波浪。

10.根据权利要求1所述的用于电力开闭所的安全帽视频检测方法，其特征在于，当拾取的头部大小与定位得到的头部的重复比例达到预设的阀值，而且头部的颜色符合规则，则判定为安全帽。