CN105894701A - 输电线路防外破大型施工车辆的识别报警方法 - Google Patents

Abstract

本发明公开了一种输电线路防外破大型施工车辆的识别报警方法，该方法基于视频图像处理，检测出大型施工车辆的经过、停留、扬臂情况并进行报警，包括对摄像头获取的当前图像帧进行高斯模糊预处理；使用混合高斯建模的方法进行背景建模和前景识别；使用颜色差法消除运动目标的阴影；根据设定的像素阈值进行目标过滤，过滤后进行角点检测，提取每个前景区域的特征；使用预先训练好的SVM分类器进行车型判断。然后进行大型施工车辆经过报警。本发明能检测各种大型施工车辆的经过、停留、扬臂情况并进行报警；能克服其它基于颜色的方法存在的只能检测特定某种颜色车辆的缺点，达到更好的查全率和查准率。

Description

输电线路防外破大型施工车辆的识别报警方法

技术领域

本发明属于输电线路防外破领域，涉及一种输电线路防外破施工车辆的识别报警方法。

背景技术

基于智能视频分析的输电线路在线监测装置所采用的算法按其是否对检测目标进行识别可以分为两类：一类只检测出入侵目标并进行统一标识，将检测结果提交给用户进行人工分辨决策；另一类首先检测入侵目标，然后采用人工智能、机器学习、模式识别等技术对入侵目标进行识别分类，将分好类的结果提交给用户。第一类方法一般只用于前景运动物体不多的情况，当前景运动物体较多时，其检测出的大量无效目标会将真正有效的目标淹没。而第二类方法对技术要求更高。

第一类算法难点在于运动目标进行检测。运动目标检测按原理划分可以分为三类：光流法、帧间差分法和背景减除法。光流法是基于对光流场的估计进行检测的分割方法景减除法。光流法是基于对光流场的估计进行检测的分割方法，其计算量巨大，算法也十分复杂，实时性差，对输电线路大型机械入侵检测并不适用。帧间差分法使用图像序列间的差分检测来确定运动目标，算法简单容易实现，但当目标运动缓慢或速度很快时，提取的目标不能接近其真实形状。背景减除法是当前主流的运动目标检测算法，它是将视频图像与背景参考图像进行差分，前景点即是运动目标。它处理速度快，对不同场景的适应性很强，能比较准确地提取出目标的真实形状。

第二类算法首先也需要进行运动目标检测，然后对入侵目标进行识别分类，其难点主要在于目标识别，即判断运动目标是否是吊车、水泥泵车等大型施工车辆。文献【输电线路中反大型机械外力破坏的智能预警功能的实现】中使用背景减除法进行背景检测，并使用颜色作为大型机械的图像特征，对它进行建模。根据吊臂区域面积、偏心率和紧密度进行吊臂检测，使用HOUGH变换计算吊臂伸展角度，根据与输电线路间的距离发出警报。文献【输电线路监控系统中运动目标的智能检测与识别】使用基于颜色的特征在前景目标中识别出大型机械，然后定位吊车轮，采用面积、偏心率和紧密度3个指标作为分类器特征向量的输入，来识别吊臂，并进而识别危险行为。这两篇文献中的方法都采用颜色特征进行目标识别，认为吊车的颜色是黄色的。在实际应用中，当出现非黄色的吊车时，其效果就很差。

发明内容

本发明的目的是提供一种输电线路防外破施工车辆的识别报警方法。该方法用于实现在输电线路保护区域内基于视频图像处理识别出大型施工车辆，能检测各种大型施工车辆的经过、停留、扬臂情况并进行报警；采用对颜色不敏感的特征，其能克服其它基于颜色的方法存在的只能检测特定某种颜色车辆的缺点，达到更好的查全率和查准率。

本发明的目的通过以下技术方案实现：

一种输电线路防外破大型施工车辆的识别报警方法，其特征在于：该方法基于视频图像处理，检测出大型施工车辆的经过、停留、扬臂情况并进行报警，包括以下步骤：

(1)对摄像头获取的当前图像帧进行高斯模糊预处理；

(2)使用混合高斯建模的方法进行背景建模和前景识别；

(3)使用颜色差法消除运动目标的阴影；

(4)根据设定的像素阈值进行目标过滤，过滤后进行角点检测，提取每个前景区域的特征；

(5)当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警；

(6)对每个前景区域，使用预先训练好的SVM分类器进行车型判断。如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值、时间戳存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警；

(7)当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警。

所述的对摄像头获取的当前图像帧进行高斯模糊预处理步骤为：

首先将图像从YUV颜色空间转换成RGB颜色空间，进一步将其转换成灰度图，然后选用如下二维高斯函数对其进行模糊：

$G(x,y)=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$

上式中x,y为一个二维向量的两个分量，σ为标准差，取σ＝1.5,并将权值矩阵进行归一化，得模糊权值矩阵为

$\left(\begin{array}{ccc}0.0947416& 0.118318& 0.0947416\\ 0.118318& 0.147761& 0.118318\\ 0.0947416& 0.118318& 0.0947416\end{array}\right)$

所述的使用混合高斯建模的方法进行背景建模和前景识别的步骤为：

31)背景建模：

设定混合高斯模型由5个高斯函数组成，首先模型中每个高斯函数的均值、方差、权值都设置为0，即初始化模型矩阵参数。

采用视频中的30帧用来训练混合高斯模型。对每一个像素而言，建立其混合高斯模型。当第一个像素来，为其设置固定的初始均值，方差，并且每个权值均设置为0.2。

非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯函数的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则认为该点属于该高斯函数。此时用如下方程进行更新：

${\widehat{\mathrm{\π}}}_m\←{\widehat{\mathrm{\π}}}_m+\mathrm{\α}(O_m^{\left(t\right)}-{\widehat{\mathrm{\π}}}_m),$

${\widehat{\stackrel{\→}{\mathrm{\μ}}}}_m\←{\widehat{\stackrel{\→}{\mathrm{\μ}}}}_m+O_m^{\left(t\right)}\left(\frac{a}{{\widehat{\mathrm{\π}}}_m}\right)\stackrel{\→}{{\mathrm{\δ}}_m},$

${\widehat{\mathrm{\σ}}}_m^2\←{\widehat{\mathrm{\σ}}}_m^2+O_m^{\left(t\right)}(\mathrm{\α}/{\widehat{\mathrm{\π}}}_m)({\stackrel{\→}{\mathrm{\δ}}}_m^T{\stackrel{\→}{\mathrm{\δ}}}_m-{\widehat{\mathrm{\σ}}}_m^2),$

其中，为第m个高斯函数的权重，为第m个高斯函数的均值，为第m个高斯函数的方差，为第m个高斯函数的标准差，为t时刻第m个高斯函数的二值权重，其取值为0或1， 为1。

当该像素点值与均值的差不在其3倍的方差内时，取为0。

当到达训练的帧数30后，进行不同像素点混合高斯模型个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使其满足其中

c_f为截断误差，一般设为0.3。

然后将累积权重归一化为1。

32)前景识别：针对复杂动态的图像帧，对每个像素点按上步学习的不同权值的多个高斯分布的叠加来建模，当当前像素点的值与建模的均值偏差在2.5σ内时，则认为该像素属于背景，否则属于前景。

所述的使用颜色差法消除运动目标的阴影的步骤为：。

因被阴影覆盖的像素点亮度更暗一些，但是仍然具有色彩饱和度(H，S分量)，所以，对这样一个阴影点(x，y)，有下式：

SP值为1时表示当前像素为阴影像素，为0时表示不是。上式中0＜＜α，β，τ_H，τ_S＜1，β＝0.94；α＝0.8，τ_H，τ_S均取0.15。I_t(x，y)V是当前图像帧t时刻(x，y)位置的V分量的值，B_t(x，y)V是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的V分量的值；I_t(x，y)H是当前图像帧t时刻(x，y)位置的H分量的值，B_t(x，y)H是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的H分量的值；I_t(x，y)S是当前图像帧t时刻(x，y)位置的S分量的值，B_t(x，y)S是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的S分量的值。FPM^TL是前景图像区域标志位。

所述的根据设定的像素数值进行目标过滤，过滤后进行角点检测，提取特征然后使用预先训练好的分类器进行车型判断的步骤为：

51)目标过滤：根据检测的前景目标图像，测定其像素值，将面积小于400像素的目标全部过滤掉，不作为研究对象。

52)角点检测：采用Harris角点检测方法检测角点，定义角点响应函数R为：R＝λ₁λ₂-k(λ₁+λ₂)²

上式中k＝0.05，λ₁，λ₂分别是平移窗口灰度变化矩阵的两个特征值。对所有像素计算其角点响应函数R，只有当满足R>threshold且R是局部极大值时才认为R是一个角点，此处取threshold的值是角点响应函数R的最大值的0.01。

53)特征提取：对于每一个前景区域，取其角点分布数、角点分布密度、图像面积的三个特征作为此前景区域的特征向量。

所述的当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警步骤为：

61)计算目标区域哈希值：

将与缓存中目标区域位置相同的当前图像帧中该区域缩小尺寸，将图片缩小到8x8的尺寸，总共64个像素，再将8x8的小图片转换成灰度图像，然后计算所有64个像素的灰度平均值，最后将每个像素的灰度值与平均值进行比较，大于或等于平均值记为1，小于平均值记为0，将所有二进制数组合在一起，就构成了一个64位的二进制数，即这张图片的指纹。

62)哈希值比较与停车报警：

将上步得到的哈希值与缓存中存储的哈希值逐一比较。如两值相似或相同，则认为有大型施工车辆停留，进一步判断是否超过时间阈值，如超过，则进行停车报警。两值相似或相同定义为两个64位二进制数有90％以上的值相同，即57位及以上相同。时间阈值设置为30秒。

所述的对每个前景区域，使用预先训练好的SVM分类器进行车型判断。如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警步骤为：

71)车型判断：

对每个前景区域，将前面提取的角点分布数、角点分布密度、图像面积等特征组成一个特征向量V(x1，x2，x3)，输入预先训练好的SVM分类器进行车型判断。

SVM训练时采集大量车辆样本，将大型施工车辆图像对应的类别标签值设为1，非大型施工车辆图像类别标签值设为0，进行参数学习。此处分类器使用的核函数是径向基函数

K(x,y)＝exp(-|x-y|²/d²)

其中，x,y为两个特征向量，d为函数的宽度参数，控制了函数的径向作用范围。

72)车辆经过报警：

如判断为大型施工车辆，则计算当前区域的哈希值，并将此值与缓存中的每个哈希值比较，如两值相似或相同，则认为是同一辆车，将当前区域的位置、大小、哈希值、时间戳更新缓存中对应的记录。如找不到相似或相同的哈希值，则将当前区域的位置、大小、哈希值、时间戳存入缓存。以上两种情况都进行大型施工车辆经过报警。两值相似或相同同样定义为相同的二进制位达到90％以上。

所述的当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警步骤为：

81)扬臂检测：

当车型判断为非大型施工车辆时，根据当前前景区域最小外接可旋转矩形,分析其宽高比,如宽高比小于1则判定此处存在车辆扬臂可能。

82)车体停留检测：

当缓存非空时，将当前前景区域的最小外接可旋转矩形与缓存中每条记录的外接矩形区域进行范围相交判断，如两矩形有交集且缓存中区域在当前区域下方，则认为缓存中区域为车体。

83)扬臂报警

本发明用于实现在输电线路保护区域内识别出大型施工车辆，基于视频图像处理，能检测各种大型施工车辆的经过、停留、扬臂情况并进行报警，判断车体停留时间是否超过阈值，如超过，则进行扬臂报警。另外，由于采用对颜色不敏感的特征，其能克服其它基于颜色的方法存在的只能检测特定某种颜色车辆的缺点，达到更好的查全率和查准率。

附图说明

图1是基于视频图像处理的防外破方法流程图；

具体实施方式

为了更好的理解本发明的技术方案，以下结合附图1对本发明作进一步的描述。附图1描述了一种基于视频图像处理的输电线路防外破大型施工车辆识别报警方法，包括以下步骤：

(1)对摄像头获取的当前图像帧进行高斯模糊预处理；

(2)使用混合高斯建模的方法进行背景建模和前景识别；

(3)使用颜色差法消除运动目标的阴影；

(4)根据设定的像素阈值进行目标过滤，过滤后进行角点检测，提取每个前景区域的特征；

(5)当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警；

(6)对每个前景区域，使用预先训练好的SVM分类器进行车型判断。如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值、时间戳存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警；

(7)当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警。

所述的对摄像头获取的当前图像帧进行高斯模糊预处理步骤为：

首先将图像从YUV颜色空间转换成RGB颜色空间，进一步将其转换成灰度图，然后选用如下二维高斯函数对其进行模糊：

$G(x,y)=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$

上式中x,y为一个二维向量的两个分量，σ为标准差，取σ＝1.5,并将权值矩阵进行归一化，得模糊权值矩阵为

$\left(\begin{array}{ccc}0.0947416& 0.118318& 0.0947416\\ 0.118318& 0.147761& 0.118318\\ 0.0947416& 0.118318& 0.0947416\end{array}\right)$

所述的使用混合高斯建模的方法进行背景建模和前景识别的步骤为：

1)背景建模：

设定混合高斯模型由5个高斯函数组成，首先模型中每个高斯函数的均值、方差、权值都设置为0，即初始化模型矩阵参数。

采用视频中的30帧用来训练混合高斯模型。对每一个像素而言，建立其混合高斯模型。当第一个像素来，为其设置固定的初始均值，方差，并且每个权值均设置为0.2。

非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯函数的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则认为该点属于该高斯函数。此时用如下方程进行更新：

${\widehat{\mathrm{\π}}}_m\←{\widehat{\mathrm{\π}}}_m+\mathrm{\α}(O_m^{\left(t\right)}-{\widehat{\mathrm{\π}}}_m),$

${\widehat{\stackrel{\→}{\mathrm{\μ}}}}_m\←{\widehat{\stackrel{\→}{\mathrm{\μ}}}}_m+O_m^{\left(t\right)}\left(\frac{a}{{\widehat{\mathrm{\π}}}_m}\right)\stackrel{\→}{{\mathrm{\δ}}_m},$

${\widehat{\mathrm{\σ}}}_m^2\←{\widehat{\mathrm{\σ}}}_m^2+O_m^{\left(t\right)}(\mathrm{\α}/{\widehat{\mathrm{\π}}}_m)({\stackrel{\→}{\mathrm{\δ}}}_m^T{\stackrel{\→}{\mathrm{\δ}}}_m-{\widehat{\mathrm{\σ}}}_m^2),$

其中，为第m个高斯函数的权重，为第m个高斯函数的均值，为第m个高斯函数的方差，为第m个高斯函数的标准差，为t时刻第m个高斯函数的二值权重，其取值为0或1， 为1。

当该像素点值与均值的差不在其3倍的方差内时，取为0。

当到达训练的帧数30后，进行不同像素点混合高斯模型个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使其满足其中

c_f为截断误差，一般设为0.3。

然后将累积权重归一化为1。

2)前景识别：针对复杂动态的图像帧，对每个像素点按上步学习的不同权值的多个高斯分布的叠加来建模，当当前像素点的值与建模的均值偏差在2.5σ内时，则认为该像素属于背景，否则属于前景。

所述的使用颜色差法消除运动目标的阴影的步骤为：。

因被阴影覆盖的像素点亮度更暗一些，但是仍然具有色彩饱和度(H，S分量)，所以，对这样一个阴影点(x，y)，有下式：

SP值为1时表示当前像素为阴影像素，为0时表示不是。上式中0＜＜α，β，τ_H，τ_S＜1，β＝0.94；α＝0.8，τ_H，τ_S均取0.15。I_t(x，y)V是当前图像帧t时刻(x，y)位置的V分量的值，B_t(x，y)V是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的V分量的值；I_t(x，y)H是当前图像帧t时刻(x，y)位置的H分量的值，B_t(x，y)H是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的H分量的值；I_t(x，y)S是当前图像帧t时刻(x，y)位置的S分量的值，B_t(x，y)S是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的S分量的值。FPM^TL是前景图像区域标志位。

所述的根据设定的像素数值进行目标过滤，过滤后进行角点检测，提取特征然后使用预先训练好的分类器进行车型判断的步骤为：

1)目标过滤：根据检测的前景目标图像，测定其像素值，将面积小于400像素的目标全部过滤掉，不作为研究对象。

2)角点检测：采用Harris角点检测方法检测角点，定义角点响应函数R为：R＝λ₁λ₂-k(λ₁+λ₂)²

上式中k＝0.05，λ₁，λ₂分别是平移窗口灰度变化矩阵的两个特征值。对所有像素计算其角点响应函数R，只有当满足R>threshold且R是局部极大值时才认为R是一个角点，此处取threshold的值是角点响应函数R的最大值的0.01。

3)特征提取：对于每一个前景区域，取其角点分布数、角点分布密度、图像面积的三个特征作为此前景区域的特征向量。

所述的当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警步骤为：

1)计算目标区域哈希值：

将与缓存中目标区域位置相同的当前图像帧中该区域缩小尺寸，将图片缩小到8x8的尺寸，总共64个像素，再将8x8的小图片转换成灰度图像，然后计算所有64个像素的灰度平均值，最后将每个像素的灰度值与平均值进行比较，大于或等于平均值记为1，小于平均值记为0，将所有二进制数组合在一起，就构成了一个64位的二进制数，即这张图片的指纹。

2)哈希值比较与停车报警：

将上步得到的哈希值与缓存中存储的哈希值逐一比较。如两值相似或相同，则认为有大型施工车辆停留，进一步判断是否超过时间阈值，如超过，则进行停车报警。两值相似或相同定义为两个64位二进制数有90％以上的值相同，即57位及以上相同。时间阈值设置为30秒。

所述的对每个前景区域，使用预先训练好的SVM分类器进行车型判断。如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警步骤为：

1)车型判断：

对每个前景区域，将前面提取的角点分布数、角点分布密度、图像面积等特征组成一个特征向量V(x1，x2，x3)，输入预先训练好的SVM分类器进行车型判断。

SVM训练时采集大量车辆样本，将大型施工车辆图像对应的类别标签值设为1，非大型施工车辆图像类别标签值设为0，进行参数学习。此处分类器使用的核函数是径向基函数

K(x,y)＝exp(-|x-y|²/d²)

其中，x,y为两个特征向量，d为函数的宽度参数，控制了函数的径向作用范围。

2)车辆经过报警：

如判断为大型施工车辆，则计算当前区域的哈希值，并将此值与缓存中的每个哈希值比较，如两值相似或相同，则认为是同一辆车，将当前区域的位置、大小、哈希值、时间戳更新缓存中对应的记录。如找不到相似或相同的哈希值，则将当前区域的位置、大小、哈希值、时间戳存入缓存。以上两种情况都进行大型施工车辆经过报警。两值相似或相同同样定义为相同的二进制位达到90％以上。

所述的当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警步骤为：

1)扬臂检测：

当车型判断为非大型施工车辆时，根据当前前景区域最小外接可旋转矩形,分析其宽高比,如宽高比小于1则判定此处存在车辆扬臂可能。

2)车体停留检测：

当缓存非空时，将当前前景区域的最小外接可旋转矩形与缓存中每条记录的外接矩形区域进行范围相交判断，如两矩形有交集且缓存中区域在当前区域下方，则认为缓存中区域为车体。

3)扬臂报警

判断车体停留时间是否超过阈值，如超过，则进行扬臂报警。

实施实例

对于监控摄像头获取的图像，给出了使用基于视频图像处理的输电线路防外破方法的实例。下面结合本发明的方法详细说明该实例实施的具体步骤，如下：

对于监控摄像头获取的图像，

(1)对监控摄像头获取的当前图像帧进行高斯模糊预处理。

(2)采用混合高斯建模的方法进行背景建模和前景识别，然后对图像进行阴影检测消除。

(3)根据设定的像素数值进行目标过滤，过滤后进行角点检测，得到角点检测结果，提取特征然后使用预先训练好的分类器进行车型判断。

(4)当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，使用感知哈希算法处理图片，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警。

对每个前景区域，使用预先训练好的SVM分类器进行车型判断。如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警，当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是则进行扬臂报警，其它情况均不报警。

Claims (8)

1.一种输电线路防外破大型施工车辆的识别报警方法，其特征在于：该方法基于视频图像处理，检测出大型施工车辆的经过、停留、扬臂情况并进行报警，包括以下步骤：

(1)对摄像头获取的当前图像帧进行高斯模糊预处理；

(2)使用混合高斯建模的方法进行背景建模和前景识别；

(3)使用颜色差法消除运动目标的阴影；

(4)根据设定的像素阈值进行目标过滤，过滤后进行角点检测，提取每个前景区域的特征；

(5)当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警；

(6)对每个前景区域，使用预先训练好的SVM分类器进行车型判断，如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值、时间戳存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警；

(7)当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警。

2.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的对摄像头获取的当前图像帧进行高斯模糊预处理步骤为：

首先将图像从YUV颜色空间转换成RGB颜色空间，进一步将其转换成灰度图，然后选用如下二维高斯函数对其进行模糊：

$G(x,y)=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}$

上式中x,y为一个二维向量的两个分量，σ为标准差，取σ＝1.5,并将权值矩阵进行归一化，得模糊权值矩阵为

$\left(\begin{array}{ccc}0.0947416& 0.118318& 0.0947416\\ 0.118318& 0.147761& 0.118318\\ 0.0947416& 0.118318& 0.0947416\end{array}\right).$

3.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的使用混合高斯建模的方法进行背景建模和前景识别的步骤为：

31)背景建模：

设定混合高斯模型由5个高斯函数组成，首先模型中每个高斯函数的均值、方差、权值都设置为0，即初始化模型矩阵参数；

采用视频中的30帧用来训练混合高斯模型，对每一个像素而言，建立其混合高斯模型，当第一个像素来，为其设置固定的初始均值，方差，并且每个权值均设置为0.2；

非第一帧训练过程中，当后面来的像素值时，与前面已有的高斯函数的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则认为该点属于该高斯函数，此时用如下方程进行更新：

其中，为第m个高斯函数的权重，为第m个高斯函数的均值，为第m个高斯函数的方差，为第m个高斯函数的标准差，为t时刻第m个高斯函数的二值权重，其取值为0或1，为1；

当该像素点值与均值的差不在其3倍的方差内时，取为０；

当到达训练的帧数30后，进行不同像素点混合高斯模型个数自适应的选择，首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面B个高斯，使其满足其中

c_f为截断误差，一般设为0.3；

然后将累积权重归一化为1；

32)前景识别：针对复杂动态的图像帧，对每个像素点按上步学习的不同权值的多个高斯分布的叠加来建模，当当前像素点的值与建模的均值偏差在2.5σ内时，则认为该像素属于背景，否则属于前景。

4.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的使用颜色差法消除运动目标的阴影的步骤为：

因被阴影覆盖的像素点亮度更暗一些，但是仍然具有色彩饱和度(H，S分量)，所以，对这样一个阴影点(x，y)，有下式：

SP值为1时表示当前像素为阴影像素，为0时表示不是；上式中0＜＜α，β，τ_H，τ_s＜1，β＝0.94；α＝0.8，τ_H，τ_s均取0.15，I_t(x，y)V是当前图像帧t时刻(x，y)位置的V分量的值，B_t(x，y)V是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的V分量的值；I_t(x，y)H是当前图像帧t时刻(x，y)位置的H分量的值，B_t(x，y)H是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的H分量的值；I_t(x，y)S是当前图像帧t时刻(x，y)位置的S分量的值，B_t(x，y)S是使用混合高斯建模得到的背景图像在t时刻(x，y)位置的S分量的值，FPM^TL是前景图像区域标志位。

5.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的根据设定的像素数值进行目标过滤，过滤后进行角点检测，提取特征然后使用预先训练好的分类器进行车型判断的步骤为：

51)目标过滤：根据检测的前景目标图像，测定其像素值，将面积小于400像素的目标全部过滤掉，不作为研究对象；

52)角点检测：采用Harris角点检测方法检测角点，定义角点响应函数R为：R＝λ₁λ₂-k(λ₁+λ₂)²

上式中k＝0.05，λ₁，λ₂分别是平移窗口灰度变化矩阵的两个特征值，对所有像素计算其角点响应函数R，只有当满足R>threshold且R是局部极大值时才认为R是一个角点，此处取threshold的值是角点响应函数R的最大值的0.01；

53)特征提取：对于每一个前景区域，取其角点分布数、角点分布密度、图像面积的三个特征作为此前景区域的特征向量。

6.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的当缓存非空时，使用感知哈希算法判断是否有大型施工车辆停留，当有车停留时进一步判断是否超过时间阈值，如超过，则进行停车报警步骤为：

61)计算目标区域哈希值：

将与缓存中目标区域位置相同的当前图像帧中该区域缩小尺寸，将图片缩小到8x8的尺寸，总共64个像素，再将8x8的小图片转换成灰度图像，然后计算所有64个像素的灰度平均值，最后将每个像素的灰度值与平均值进行比较，大于或等于平均值记为1，小于平均值记为0，将所有二进制数组合在一起，就构成了一个64位的二进制数，即这张图片的指纹；

62)哈希值比较与停车报警：

将上步得到的哈希值与缓存中存储的哈希值逐一比较，如两值相似或相同，则认为有大型施工车辆停留，进一步判断是否超过时间阈值，如超过，则进行停车报警，两值相似或相同定义为两个64位二进制数有90％以上的值相同，即57位及以上相同。时间阈值设置为30秒。

7.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的对每个前景区域，使用预先训练好的SVM分类器进行车型判断，如判断为大型施工车辆，则计算当前区域的哈希值，并将当前区域的位置、大小、哈希值存入缓存或更新缓存中相应记录的值，然后进行大型施工车辆经过报警步骤为：

71)车型判断：

对每个前景区域，将前面提取的角点分布数、角点分布密度、图像面积等特征组成一个特征向量V(x1，x2，x3)，输入预先训练好的SVM分类器进行车型判断；

SVM训练时采集大量车辆样本，将大型施工车辆图像对应的类别标签值设为1，非大型施工车辆图像类别标签值设为0，进行参数学习，此处分类器使用的核函数是径向基函数

K(x,y)＝exp(-|x-y|²/d²)

其中，x,y为两个特征向量，d为函数的宽度参数，控制了函数的径向作用范围；

72)车辆经过报警：

如判断为大型施工车辆，则计算当前区域的哈希值，并将此值与缓存中的每个哈希值比较，如两值相似或相同，则认为是同一辆车，将当前区域的位置、大小、哈希值、时间戳更新缓存中对应的记录，如找不到相似或相同的哈希值，则将当前区域的位置、大小、哈希值、时间戳存入缓存，以上两种情况都进行大型施工车辆经过报警，两值相似或相同同样定义为相同的二进制位达到90％以上。

8.根据权利要求1所述的输电线路防外破大型施工车辆的识别报警方法，其特征在于：所述的当车型判断为非大型施工车辆时，则检测是否扬臂，如是扬臂，则检测车体是否停留，如是，则进行扬臂报警，其它情况均不报警步骤为：

81)扬臂检测：

当车型判断为非大型施工车辆时，根据当前前景区域最小外接可旋转矩形,分析其宽高比,如宽高比小于1则判定此处存在车辆扬臂可能；

82)车体停留检测：

当缓存非空时，将当前前景区域的最小外接可旋转矩形与缓存中每条记录的外接矩形区域进行范围相交判断，如两矩形有交集且缓存中区域在当前区域下方，则认为缓存中区域为车体；

73)扬臂报警

判断车体停留时间是否超过阈值，如超过，则进行扬臂报警。