CN106412501B - 一种视频的施工安全行为智能监控系统及其监控方法 - Google Patents
一种视频的施工安全行为智能监控系统及其监控方法 Download PDFInfo
- Publication number
- CN106412501B CN106412501B CN201610834456.7A CN201610834456A CN106412501B CN 106412501 B CN106412501 B CN 106412501B CN 201610834456 A CN201610834456 A CN 201610834456A CN 106412501 B CN106412501 B CN 106412501B
- Authority
- CN
- China
- Prior art keywords
- video
- moment
- moving target
- function
- target
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于视频捕捉的工人安全行为监控系统,该监控系统包括视频采集装置、数据传输装置、视频处理器和显示装置。基于该系统的监控方法为:由视频采集装置在施工现场采集工人日常工作行为,并将视频信号转化数字信号;数据传输装置将数字信号由视频采集装置传输至视频处理器;视频处理器与工人安全行为规则相链接,其中规则以施工行为的相关国家规范为基础建立;视频处理器获得视频信号后,视频处理器接收采集到的视频,运行程序,形成施工人员行为视频与工人安全行为规则叠加的视频,将其输入到显示设备中;设定危险区域;根据显示设备提供的叠加视频,智能判定施工人员行为是否符合规范要求,并做出报警。
Description
技术领域
本发明涉及工人安全行为监控技术,具体涉及一种基于视频的施工安全行为智能监控系统及其监控方法。
背景技术
视频监控技术以及识别系统是指能够接收采集自远程现场的数字视频信号,实时传送到监控中心,在监控中心对现场进行远程监视,控制远程摄像机动作,并能够根据需要对采集到的数字视频图像进行分析、处理和识别。与传统监控施工现场的方法相比,数字视频监控以及识别系统的优点是安全、方便,可以长时监控,不受气候条件影响和适用于各种大型、复杂的施工环境,是加速发展工程建设的有效手段。
工程建设的施工环境复杂,施工安全至关重要,施工过程中的施工行为符合国家规定、满足安全要求、规范施工,是顺利、安全、优质完成建设工程推进任务的最基本要求。仅仅就地铁建设而言,截至2014年,包括住建部、交通部、铁路总公司在内的九个国家行政机关共出台了35部地下工程施工相关法律法规以及施工标准,其中直接对施工行为作出严格规范的共有11部。国家规范对所有工程建设的施工安全要求都有严格规定。实际工程施工过程中,项目管理人员采用传统的现场监督方式对施工现场安全进行监督。由于受到管理人员个人经验以及施工场地环境复杂多变等因素的影响,传统监督方式无法实现对施工现场安全进行实时监督并有可能出现监督盲点。由于管理人员个人的主观性,没有采用统一的行为判别标准,常常出现检查结束后,施工现场依然存在大量安全隐患。另外,现场对施工工作监督完成后,需要进行信息的整理和分类,使得管理人员后续工作繁重,而且不利用企业信息化管理水平的提高。使用传统的施工安全监督方法,只有在管理人员公正无私,且对施工安全监督经验丰富,施工现场环境较为简单的情况下,才可能做到消除施工现场安全隐患。采用本视频监控系统,通过将现场施工人员运动轨迹图像与基于国家相关规范的危险区域相叠加,能够实现整个施工现场的危险区域的智能监控。
综上所述,开发危险区域智能监控,且实现简单成本低的实时监督技术相当必要。
发明内容
本发明的旨在提供一种能够低成本的实现地铁施工行为实时、长时间的监督的监控系统及监控方法。
为了实现上述目的,本发明提供了一种基于视频的工人安全行为监控系统,包括:视频采集装置、视频处理器、行为规则存储器和显示装置;视频处理器分别连接视频采集装置的输出端、行为规则存储器的输出端、显示装置的输入端;
视频采集装置用于采集施工场地内的视频信息,并将采集到的视频信息传输给视频处理器;
行为规则存储器用于存储预设的施工场地内的危险区域;
视频处理器用于对接收到的视频信息进行处理,通过提取和识别视频信息中的运动目标,与行为规则存储器中预设储存的危险区域进行对比,并根据运动目标到危险区域边缘的距离做出相应的危险警报,实时将集成了危险警报和运动目标图像的视频信息输送给显示装置;
显示装置用于显示视频处理器传输的集成了危险警报和运动目标图像的视频信息。
进一步地,危险区域周围设有至少一层周边警示区。
进一步地,视频处理器包括运动目标提取模块,运动目标提取模块用于在每获得一个视频帧,就对该视频帧内的每个像素点的值与K个高斯成分的函数模型进行匹配,当匹配上时,采用下面公式更新函数参数,未匹配上的函数参数保持不变:
其中,α为图像帧的更新速率,
ρ为混合高斯模型的更新速率,
ωi,t和ωi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的权值,
σ2 i,t和σ2 i,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的方差,
μi,t和μi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的均值,
t时刻与t-1时刻之间的时间差值由图像帧的更新速率α决定,
G为高斯分量的概率密度函数,
Mi,t为1时表示当前像素点与K个高斯成分的函数模型中的某个函数匹配上,为0表示不匹配;
运动目标提取模块还用于在更新完上述函数参数后,对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的更值从而提取出运动目标。
进一步地,视频处理器还包括运动目标跟踪模块,运动目标跟踪模块用于在获取目标提取模块得出的目标位置参数的更值之后,根据最小预测矩阵求解得到位置参数变化的最小预测矩阵A,
A=YHT(HHT)-1 (8)
其中,
为第n帧图像上目标位置参数的更值,
Hu是图像的灰度几何不变矩,
θ是图像的方向梯度统计归一化的直方图,
V是堆积选取目标全区域的像素点灰度值构成的行向量;
运动目标跟踪模块通过求解位置参数变化的最小预测矩阵A,对运动目标进行连续跟踪。
为了实现上述目的,本发明还提供了一种基于上述监控系统的监控方法,包括以下步骤:
(1)设置施工现场的危险区域,存入行为规则存储器;
(2)在施工现场安置视频采集装置的摄像头,以采集施工场地的视频信息;
(3)视频处理器接收并处理上述视频信息,当有运动目标闯入视频监控区域时,视频处理器从上述视频信息中提取出运动目标,与步骤(1)设置的危险区域进行对比,根据运动目标到危险区域边缘的距离做出相应的危险警报,并实时将集成了危险警报和施工行为的视频信息输送给显示装置。
为了实现上述目的,本发明还提供了一种基于上述监控系统的监控方法,其特征在于,步骤(3)中,提取运动目标的方法如下:
每获得一个视频帧,就对该视频帧内的每个像素点的值与K个高斯成分的函数模型进行匹配,当匹配上时,采用下面公式更新函数参数,未匹配上的函数参数保持不变:
其中,α为图像帧的更新速率,
ρ为混合高斯模型的更新速率,
ωi,t和ωi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的权值,
σ2 i,t和σ2 i,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的方差,
μi,t和μi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的均值,
t时刻与t-1时刻之间的时间差值由图像帧的更新速率α决定,
G为高斯分量的概率密度函数,
Mi,t为1时表示当前像素点与K个高斯成分的函数模型中的某个函数匹配上,为0表示不匹配;
在更新完函数参数后,对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的更值从而提取出运动目标。
进一步地,危险区域周围设有至少一层周边警示区,视频处理器检测到运动目标处于周边警示区内时,触发危险警报以及轨迹追踪,并根据运动目标的轨迹计算出到危险区域边缘的距离,步骤(3)处理判断过程如下:
(3.1)接收视频采集装置提供的视频数据,利用混合高斯背景模型提取运动目标;
(3.2)基于自适应线性预测的实时跟踪方法计算运动目标的位置信息,并根据目标物体与待匹配区域之间的匹配度进行计算实现对运动目标的连续跟踪;
(3.3)根据运动目标的轨迹计算出到危险区域边缘的距离。
进一步地,运动目标的连续跟踪方法为,求解得到位置参数变化的最小预测矩阵A如下:
A=YHT(HHT)-1 (8)
其中,
为第n帧图像上目标位置参数的更值,
Hu是图像的灰度几何不变矩,
θ是图像的方向梯度统计归一化的直方图,
V是堆积选取目标全区域的像素点灰度值构成的行向量。
进一步地,危险区域周围设有至少一层周边警示区,步骤(3)中,视频处理器检测到运动目标处于周边警示区内时,触发危险警报,所处周边警示区不同,对应发出的警示信息不同,以提示运动目标到危险区域边缘的距离。
本发明的监控系统及监控方法采用图像目标检测和跟踪的方法进行施工现场危险区域智能监控,具有如下优点:
(1)监督方便:传统的施工现场危险区域监督方法可归结为人工现场监督,该方法需要项目管理人员到施工现场进行监督。然而工现场环境较为复杂,人员流动性较大,人工现场监督实现困难。基于视频捕捉的施工现场危险区域智能监控系统,只需完成视频监控设备设置后,项目管理人员无需再次到施工现场,便可进行自动监控,进而简化施工人员安全监控过程。
(2)实时监督:通过基于视频捕捉的施工现场危险区域智能监控系统,能够实现复杂施工环境下的实时监督,监控范围覆盖整个施工场地的危险区域,从而及时发现施工人员靠近危险区域并发出警报提醒。
(3)监控范围较大:相比传统的人工现场肉眼监督,本系统能够采用摄像头代替人眼,可以布置在管理人员不便到达或肉眼不便观测的位置。
(4)智能判断:该监控系统将图像目标检测与跟踪该监控系统将图像目标检测与跟踪技术应用于对施工现场的监控,实现了系统自主判断的智能监控。
(5)长时监控:比较传统的人工现场监督方法,基于视频捕捉的施工现场危险区域智能监控系统能够实现低成本的长时监控,保证监控时间的连续性和有效性。
附图说明
图1是本发明所述的一种基于视频捕捉的施工现场危险区域智能监控系统的基本功能结构图;
图2是本发明第一实施例实施流程图;
图3是本发明危险区域设置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面结合具体实施例来对本发明进行进一步的说明。
如图1所示,本发明实施所需的基本单元包图像采集装置、数据传输设备、图像处理系统和显示装置,各单元围绕施工场地中施工人员运动轨迹以及基于施工行为相关的国家规范设定的施工现场危险区域和周边警示区这两大对象运行。
图像采集装置由第三代网络摄像头构成,用于采集包含施工场地布置和施工人员工作活动的图像信息,并将采集到的信息经过数据传输设备转换后传输给给图像处理系统。使用过程中,可以利用摄像头的预装程序任意改变网络摄像头的拍摄角度和距离,但施工现场的危险区域场景要确保完全被摄像头完全拍摄到。
数据传输装置用于转换图像信号,通过数据转换器将图像模拟信号转换为数字信号,通过POE模块、交换机、电缆和光缆实现数据安全、有效地传递。
图像处理系统用于对接收到的视频图像信息进行处理,通过捕捉图像信息中周边警示区像素值的变化程度,判定施工人员是否进入周边警示区,当确定施工人员进入周边警示区时,则立即报警,并启动运动轨迹跟踪程序,根据运动轨迹靠近危险区域的不同程度发送不同的报警信息,形成报警信号与所获得的施工人员运动轨迹图像相叠加的视频信息,并将其输入到显示设备中
图像处理系统的实现流程图如图2所示,下面详细说明其过程:
(1)接收图像采集装置提供的图像数据,计算机利用混合高斯背景模型提取运动目标,同时完成对图像的预处理工作,包括目标阴影抑制等;
(2)基于自适应线性预测的实时跟踪方法计算目标的位置信息,并根据目标物体与待匹配区域之间的匹配度计算实现对运动目标的连续跟踪;
显示装置由计算机显示器构成,用于显示叠加了安全警报和施工人员运动轨迹的图像信息。
如图3所示,下面列举实例对本发明进行详细的说明。
(1)整理相关国家规范
整理住建部、交通部、铁路总公司等在内的九个国家行政机关共出台的35部地下工程施工相关法律法规以及施工标准,包括直接对施工行为作出严格规范的11部法律法规。筛选其中关于现场施工安全行为规范的条款,建立数据库。
(2)危险区域设定
根据施工安全行为数据库,预先设定施工的不安全区域。同时设置多个摄像头遍历,保证对整个施工场地的危险区域监控。
(3)图像处理过程
由于施工场地光照条件的变化会导致噪声出现,因此通过建立混合高斯背景模型提取运动目标。设场景中的每个像素值都由K个高斯成分组成的混合成分来表示,在t时刻,观察到当前像素值的概率为:
式中Xt是t时刻该点的像素值,K是混合高斯模型的个数,ωi,t是t时刻混合高斯模型中第i个模型的权值,满足0≤ωi,t≤1且η(Xt,μi,t,Σi,t)是t时刻第i个高斯分布的密度函数,其定义如下:
式中n为Xt的维数,也是颜色通道数,就RGB颜色空间而言,可以视为相互独立;μi,t是t时刻第i个高斯模型的均值向量,Σi,t为模型的协方差矩阵。
根据上述施工场地光照条件的变化以及施工人员进入和离开监控区域的图像像素变化规律以及高斯函数的特性,采用前N帧图像的像素点的均值对背景模型进行初始化。
随着场景的不断变化,每个像素的混合高斯模型都会不断地被学习更新。将模型中的每个高斯分布按照权值与标准差的比值即ω/σ由大到小排序,检验新获取的图像帧的像素与混合高斯模型中的K个高斯分布是否匹配。若满足下式,就认为相匹配。
|X-μ|<δ·σ2 (3)
其中δ为匹配阀值,δ=2.5。
模型更新的对象主要是函数的均值μ、方差σ2和权值ω。每当计算机获得一个视频帧的时候,就对该视频帧内的每个像素点的值与K个高斯成分的函数模型进行匹配。如果像素值与函数均值的差在一定的范围内,则匹配上,否则未被匹配上。当匹配上时,采用下面公式更新函数参数,未匹配上的函数参数保持不变。
其中,α为图像帧的更新速率,ρ为混合高斯模型的更新速率,ωi,t和ωi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的权值,σ2 i,t和σ2 i,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的方差,μi,t和μi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的均值,t时刻与t-1时刻之间的时间差值由图像帧的更新速率α决定,G为高斯分量的概率密度函数。Mi,t为1时表示当前像素点与某个函数匹配上,为0表示不匹配。
在更新完函数参数后,对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的更值从而提取出运动目标。
在利用混合高斯模型提取出运动目标之后,基于自适应线性预测的实时跟踪方法对目标进行跟踪。
其中,是目标位置参数的更值,It和It-1分别为目标在当前时间点t时刻及其前一时间点t-1时刻的像素值,A是线性预测矩阵。
假设表示目标位置的各个时刻的变化。假设视频帧的目标的灰度数据集为V={v1,v2,…vn},将目标区域的目标进行归一化为30×60的图像块并对该图像块以15×15个像素点特征计算单元块,每一个目标块将用一个表示为含有21个特征的块表示,每一个目标块包括:7个图像灰度几何不变矩Hμ,4个方向梯度统计归一化值θ和10个块内像素点的灰度值V,表示为F={Hu,θ,V},特征矩阵为其中Hu={hu1,hu2,…hu7},Hu是图像的灰度几何不变矩,θ={θ1,θ2,θ3,θ4},θ是图像的方向梯度统计归一化的直方图,V是堆积选取10个块内目标全区域的像素点灰度值构成的行向量(即取n=10)。则公式(5)可以表示为
Y=AH (6)
跟踪问题可以转换为最小预测矩阵的求解问题:
其中为t时刻目标物体的位置参数,为t时刻目标物体的特征块,最小预测矩阵求解的问题最终解的形式可以表示为:
A=YHT(HHT)-1 (8)
通过(8)式求出的线性预测矩阵即为运动目标的位置。
图像处理系统根据上述算法完成对施工场地内运动目标的提取和跟踪。
(4)危险行为的识别和智能监控
预先设定的周边警示区的视频图像中的每个像素点在没有运动物体存在的情况下,其图像的每个像素值变化平滑且稳定在一个小区间内。在系统中当目标进入预先设定的周边警示区内时,其内的图像像素值发生较为剧烈的变化。视频监控系统可以利用颜色差分直方图的图像序列目标检测方法,将周边警示区的图像进行分块,利用颜色直方图作差,差值突变的则可判定为有运动目标进入周边警示区,视频监控系统将会输出进入周边警示区报警信号,包括声音、红色警示等,并启动运动轨迹跟踪程序,根据运动轨迹靠近危险区域的不同程度发送不同的报警信息,形成报警信号与所获得的的施工人员运动轨迹图像相叠加的视频信息,并将其输入到显示设备中,实现对施工现场危险区域的智能监控。
为了进一步的加强安全管理,可以对危险区域进行如下设置:在危险区域周围,依照管理经验或现场情况,设置周边警示区。将视频处理器的报警机制和目标提取机制设置为仅在周边警示区和危险区域范围内触发。如此设置有两个好处,一是可以在施工人员进入危险区域之前就报警,更容易避免危险发生;二是降低视频处理器的CPU负载,延长使用寿命,当周边警示区和危险区域都没有检测到剧烈像素扰动,表示没人靠近危险区域,此时不需要去提取其他区域的图像进行计算,可以大大降低CPU的工作负担。
在其他实施例中,如图3所示,还可以设置多层周边警示区,周边警示区的宽度可以不等,例如宽1~5m。此时视频处理器只需要在提取出运动目标以后,读取运动目标所在周边警示区预存的距离信息,即可大致判断运动目标与危险区域之间的距离,虽然不如直接由视频处理器计算图像中运动目标与危险区域边缘像素点之间的距离精确,但是可以大大降低视频处理器的CPU工作负担。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于视频的工人安全行为监控系统,其特征在于,包括:视频采集装置、视频处理器、行为规则存储器和显示装置;
视频处理器分别连接视频采集装置的输出端、行为规则存储器的输出端、显示装置的输入端;
视频采集装置用于采集施工场地内的视频信息,并将采集到的视频信息传输给视频处理器;
行为规则存储器用于存储预设的施工场地内的危险区域;
危险区域周围设有至少一层周边警示区;
视频处理器用于对接收到的视频信息进行处理,通过提取和识别视频信息中的运动目标,与行为规则存储器中预设储存的危险区域进行对比,并根据运动目标到危险区域边缘的距离做出相应的危险警报,实时将集成了危险警报和运动目标图像的视频信息输送给显示装置;
显示装置用于显示视频处理器传输的集成了危险警报和运动目标图像的视频信息;
视频处理器包括运动目标提取模块和运动目标跟踪模块,运动目标提取模块用于对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的改变值从而提取出运动目标;运动目标跟踪模块用于在获取运动目标提取模块得出的目标位置参数的改变值之后,根据最小预测矩阵求解得到位置参数变化的最小预测矩阵A,
A=YHT(HHT)-1 (8)
其中,
为第n帧图像上目标位置参数的改变值,
Hu是图像的灰度几何不变矩,
θ是图像的方向梯度统计归一化的直方图,
V是堆积选取目标全区域的像素点灰度值构成的行向量;
运动目标跟踪模块通过求解位置参数变化的最小预测矩阵A,对运动目标进行连续跟踪。
2.根据权利要求1所述的基于视频的工人安全行为监控系统,其特征在于,运动目标提取模块用于在每获得一个视频帧,就对该视频帧内的每个像素点的值与K个高斯成分的函数模型进行匹配,当匹配上时,采用下面公式更新函数参数,未匹配上的函数参数保持不变:
其中,α为图像帧的更新速率,
ρ为混合高斯模型的更新速率,
ωi,t和ωi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的权值,
σ2 i,t和σ2 i,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的方差,
μi,t和μi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的均值,
t时刻与t-1时刻之间的时间差值由图像帧的更新速率α决定,
G为高斯分量的概率密度函数,
Mi,t为1时表示当前像素点与K个高斯成分的函数模型中的某个函数匹配上,为0表示不匹配;
运动目标提取模块还用于在更新完上述函数参数后,对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的改变值从而提取出运动目标。
3.一种基于权利要求1所述的工人安全行为监控系统的监控方法,其特征在于,包括以下步骤:
(1)设置施工现场的危险区域,存入行为规则存储器;
(2)在施工现场安置视频采集装置的摄像头,以采集施工场地的视频信息;
(3)视频处理器接收并处理上述视频信息,当有运动目标闯入视频监控区域时,视频处理器从上述视频信息中提取出运动目标,与步骤(1)设置的危险区域进行对比,根据运动目标到危险区域边缘的距离做出相应的危险警报,并实时将集成了危险警报和施工行为的视频信息输送给显示装置。
4.根据权利要求3所述的监控方法,其特征在于,步骤(3)中,提取运动目标的方法如下:
每获得一个视频帧,就对该视频帧内的每个像素点的值与K个高斯成分的函数模型进行匹配,当匹配上时,采用下面公式更新函数参数,未匹配上的函数参数保持不变:
其中,α为图像帧的更新速率,
ρ为混合高斯模型的更新速率,
ωi,t和ωi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的权值,
σ2 i,t和σ2 i,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的方差,
μi,t和μi,t-1分别为当前时间点t时刻及其前一时间点t-1时刻混合高斯模型中第i个模型的均值,
t时刻与t-1时刻之间的时间差值由图像帧的更新速率α决定,
G为高斯分量的概率密度函数,
Mi,t为1时表示当前像素点与K个高斯成分的函数模型中的某个函数匹配上,为0表示不匹配;
在更新完函数参数后,对每一个视频帧空间位置的函数集按照函数的当前权值由大到小排列,即为目标位置参数的改变值从而提取出运动目标。
5.根据权利要求3或4所述的监控方法,其特征在于,危险区域周围设有至少一层周边警示区,视频处理器检测到运动目标处于周边警示区内时,触发危险警报以及轨迹追踪,并根据运动目标的轨迹计算出到危险区域边缘的距离,步骤(3)处理判断过程如下:
(3.1)接收视频采集装置提供的视频数据,利用混合高斯背景模型提取运动目标;
(3.2)基于自适应线性预测的实时跟踪方法计算运动目标的位置信息,并根据目标物体与待匹配区域之间的匹配度进行计算实现对运动目标的连续跟踪;
(3.3)根据运动目标的轨迹计算出到危险区域边缘的距离。
6.根据权利要求5所述的监控方法,其特征在于,运动目标的连续跟踪方法为,根据最小预测矩阵求解得到位置参数变化的最小预测矩阵A如下:
A=YHT(HHT)-1 (8)
其中,
为第n帧图像上目标位置参数的改变值,
Hu是图像的灰度几何不变矩,
θ是图像的方向梯度统计归一化的直方图,
V是堆积选取目标全区域的像素点灰度值构成的行向量。
7.根据权利要求3或4所述的监控方法,其特征在于,危险区域周围设有至少一层周边警示区,步骤(3)中,视频处理器检测到运动目标处于周边警示区内时,触发危险警报,所处周边警示区不同,对应发出的警示信息不同,以提示运动目标到危险区域边缘的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834456.7A CN106412501B (zh) | 2016-09-20 | 2016-09-20 | 一种视频的施工安全行为智能监控系统及其监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834456.7A CN106412501B (zh) | 2016-09-20 | 2016-09-20 | 一种视频的施工安全行为智能监控系统及其监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106412501A CN106412501A (zh) | 2017-02-15 |
CN106412501B true CN106412501B (zh) | 2019-07-23 |
Family
ID=57997222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610834456.7A Active CN106412501B (zh) | 2016-09-20 | 2016-09-20 | 一种视频的施工安全行为智能监控系统及其监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106412501B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106986272B (zh) * | 2017-02-24 | 2018-05-22 | 北京航天自动控制研究所 | 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统 |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及系统 |
CN108040229A (zh) * | 2017-12-18 | 2018-05-15 | 鹤山市喜悦新天地投资管理有限公司 | 智能小区电脑监控管理系统 |
CN109274931B (zh) * | 2018-08-01 | 2021-04-06 | 深圳云天励飞技术有限公司 | 基于图像的工地安全监控方法、装置及设备 |
CN109445315A (zh) * | 2018-08-21 | 2019-03-08 | 成都理工大学 | 高电压试验大厅安全保护装置及安全控制方法 |
CN109167963A (zh) * | 2018-09-28 | 2019-01-08 | 广东马上到网络科技有限公司 | 一种公共文明的监控方法及系统 |
CN110070026B (zh) * | 2019-04-17 | 2021-01-29 | 中国科学院自动化研究所 | 基于模式识别的视频图像危险态势感知方法、系统、装置 |
CN110348348B (zh) * | 2019-06-30 | 2021-08-31 | 华中科技大学 | 一种参建人员进场身份快速识别方法及预警系统 |
CN110288268B (zh) * | 2019-07-03 | 2020-06-02 | 交通运输部科学研究院 | 一种施工安全风险与隐患一体化监测系统以及监测方法 |
CN110428906A (zh) * | 2019-07-30 | 2019-11-08 | 北京明略软件系统有限公司 | 信息上报方法及装置 |
ES2938497R1 (es) * | 2019-08-02 | 2023-04-18 | Global Engineers Tech Pte Ltd | Metodo y sistema de gestion de una grua y/o de una obra de construccion |
GB2592035A (en) * | 2020-02-13 | 2021-08-18 | Univ Cranfield | Object location status monitoring apparatus and method |
CN111325170A (zh) * | 2020-02-27 | 2020-06-23 | 清华大学 | 基于前置动作的施工现场危险行为实时识别装置与方法 |
CN111784967B (zh) * | 2020-07-23 | 2021-07-16 | 南通市达欣工程股份有限公司 | 一种基于bim的建筑施工安全预警防护系统 |
CN112200043B (zh) * | 2020-09-30 | 2022-04-19 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别系统及方法 |
CN112565675B (zh) * | 2020-10-21 | 2023-05-05 | 深圳供电局有限公司 | 一种基于视频监控的变电站工作人员异常行为识别系统 |
CN113382213B (zh) * | 2021-08-13 | 2021-11-02 | 北京伟杰东博信息科技有限公司 | 一种视频监控系统及其监控方法 |
CN113673485B (zh) * | 2021-10-11 | 2021-12-31 | 常州市建筑科学研究院集团股份有限公司 | 基于机器视觉的静压桩施工远程监控方法 |
CN114241717A (zh) * | 2021-12-17 | 2022-03-25 | 广州西麦科技股份有限公司 | 一种防触电安全预警方法及系统 |
CN114460889A (zh) * | 2022-01-07 | 2022-05-10 | 深圳比特耐特信息技术股份有限公司 | 一种基于安防监控的数据采集及传输系统 |
CN115103133A (zh) * | 2022-06-10 | 2022-09-23 | 慧之安信息技术股份有限公司 | 基于边缘计算的安全施工的部署方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN104680555A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于视频监控的越界检测方法及越界监控系统 |
CN104978751A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 基于摄像头角度的越界检测方法 |
CN105575027A (zh) * | 2014-10-09 | 2016-05-11 | 北京君正集成电路股份有限公司 | 一种入侵与周界防范方法及装置 |
-
2016
- 2016-09-20 CN CN201610834456.7A patent/CN106412501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1984236A (zh) * | 2005-12-14 | 2007-06-20 | 浙江工业大学 | 一种交通流信息视频检测中的特征采集方法 |
CN105575027A (zh) * | 2014-10-09 | 2016-05-11 | 北京君正集成电路股份有限公司 | 一种入侵与周界防范方法及装置 |
CN104680555A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于视频监控的越界检测方法及越界监控系统 |
CN104978751A (zh) * | 2015-06-16 | 2015-10-14 | 电子科技大学 | 基于摄像头角度的越界检测方法 |
Non-Patent Citations (1)
Title |
---|
基于模板匹配与线性预测的目标跟踪算法;闫增成 等;《吉林大学学报( 信息科学版)》;20150930;第33卷(第5期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106412501A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106412501B (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN110428522A (zh) | 一种智慧新城的智能安防系统 | |
CN111310947A (zh) | 基于5g的建筑设施运维方法、设备、存储介质及系统 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN101167086A (zh) | 用于安全应用的人体检测和跟踪 | |
CN110674761B (zh) | 一种区域行为预警方法及系统 | |
WO2021082112A1 (zh) | 神经网络训练、骨骼图构建、异常行为监控方法和系统 | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN113223046B (zh) | 一种监狱人员行为识别的方法和系统 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
CN111488803A (zh) | 一种融合目标检测和目标跟踪的机场目标行为理解系统 | |
CN115002150A (zh) | 一种智慧社区智能化疫情管控系统及方法 | |
CN115604424A (zh) | 一种物资仓储安防管理系统 | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN110738691A (zh) | 基于在线智能视觉网络的行李跟踪系统 | |
CN116563797A (zh) | 一种用于智慧校园的监控管理系统 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN106128105B (zh) | 一种交通路口行人行为监测系统 | |
CN113095160A (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
CN107590936A (zh) | 一种基于视频监控的仓库报警系统 | |
CN116993265A (zh) | 一种基于物联网的智能仓储安全管理系统 | |
CN116524540A (zh) | 一种基于二部图的煤矿井下人数统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |