CN107133592A - 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 - Google Patents
电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 Download PDFInfo
- Publication number
- CN107133592A CN107133592A CN201710313154.XA CN201710313154A CN107133592A CN 107133592 A CN107133592 A CN 107133592A CN 201710313154 A CN201710313154 A CN 201710313154A CN 107133592 A CN107133592 A CN 107133592A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- infrared thermal
- thermal imaging
- image
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000001931 thermography Methods 0.000 title claims abstract description 49
- 238000003384 imaging method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 230000005611 electricity Effects 0.000 title claims abstract description 15
- 238000010348 incorporation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,包括以下步骤:步骤S1,获取可见光摄像机拍摄的可见光图像和红外摄像机拍摄的红外热成像图像;并分别作预处理;步骤S2,对可见光图像进行行人检测,获得可见光图像行人检测区域A;步骤S3,对红外热成像图像进行行人检测,获得红外热成像图像行人检测区域B;步骤S4,将可见光图像行人检测区域A与红外热成像图像行人检测区域B进行比较,若重合面积超过一个设定重合面积阈值,则表示检测到行人目标。本发明可较好地排除外在影响因数,能够最大限度地提高检测的准确性和适用性。
Description
技术领域
本发明涉及一种人体目标检测方法,尤其是一种红外热成像及可见光成像技术融合的人体目标检测方法。
背景技术
变电站的视频技术为远程监控变电站的行人可视化提供了技术手段,为变电站调度运行提供了可视化监控及辅助决策依据。随着视频监控的网络化、高清化、智能化技术的不断发展,视频监控技术在电网安全、生产运行中的应用不断深入和广泛,传统方式所采用的视频监控技术为电网设备远程监控提供远程可视化的监控手段,为远程确认变电站中是否有行人、工作人员以及工作人员的状态,提供了可靠和有效的确认手段,为准确做出决策提供了依据,然而,随着该技术的不断深入和推广应用,由于变电站数量众多、若每个变电站中的工作人员作业查看和确认都需要人工进行,其所带来的工作量将特别庞大,且工作效率低下,随着电网技术对电网智能化水平要求的不断提高,如何提高视频监控技术在电网智能化监控技术中的应用,将对电网智能化水平的提升起到促进作用。同时,将为电网设备的智能化监控、智能化巡视提供技术手段。同时,变电站中是否有工作人员以及工作状态和是否佩带安全帽等的图像识别对于电网智能化设备状态巡视、设备告警联动等电网生产运行监控具有重要意义,对电网智能化水平的发展和提高具有一定的促进作用。由于变电站设备场景的复杂性,如果有效实现对变电站隔离开关状态的识别将是该技术的核心研究内容。如何有效实现对变电站中行人的检测是该技术的核心研究内容。
现有的变电站中行人检测方法存一些缺点,若采用常用的模板匹配方法检测时,容易受外界光线及拍摄图像的摄像机转动影像,同时,由于变电站内的类似行人形状的设备数量庞大,设备外观及形状均不一致,且不同厂家的不同型号设备也存在一定的差异,很容易对行人检测产生干扰,因此,采用模板匹配方法时,将会对监控场景有严格的限制,且在广泛适用性和可推广性等方面存在着较多的缺陷。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,通过可见光行人检测与红外热成像行人检测的结果比较提取人体目标,较好地排除外在影响因数,能够最大限度地提高检测的准确性和适用性。本发明采用的技术方案是:
一种电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,包括以下步骤:
步骤S1,获取可见光摄像机拍摄的可见光图像和红外摄像机拍摄的红外热成像图像;并分别作预处理;
步骤S2,对可见光图像进行行人检测,获得可见光图像行人检测区域A;
步骤S3,对红外热成像图像进行行人检测,获得红外热成像图像行人检测区域B;
步骤S4,将可见光图像行人检测区域A与红外热成像图像行人检测区域B进行比较,若重合面积超过一个设定重合面积阈值,则表示检测到行人目标。
进一步地,所述步骤S2具体包括:
S2.1,行人目标样本创建;
S2.2,训练并得到行人检测分类器;
S2.3,使用训练好的行人检测分类器对输入的可见光图像检测行人,得到行人在可见光图像中的区域。
更进一步地,步骤S2.1具体包括:
(a.)样本分为正样本和负样本,正样本为待检测人体目标,负样本为采集到的包含背景的图像,但不包含人体目标特征;调用厂家摄像机SDK,循环抓取图像,分别放到正样本和负样本对应的几个列表中,进行
开状态正样本抓取;
开状态负样本抓取;
闭状态正样本抓取;
闭状态负样本抓取;
(b.)循环遍历开状态和闭状态的正样本列表,使用OpenCV提供的样本描述生产函数opencv_createsample,封装在createsample函数中,生成样本描述集,样本描述集包括:
开状态正样本描述集;
开状态负样本描述集;
闭状态正样本描述集;
闭状态负样本描述集。
更进一步地,步骤S2.2具体包括:
将步骤S2.1中生成的所有样本描述集,分成开状态和闭状态,进行训练,生成样本训练结果,存储在开状态结果数据库和闭状态结果数据库中,该两个开状态结果数据库和闭状态结果数据库即作为两个行人检测分类器,将行人检测分类器放到内存中,供行人检测使用。
更进一步地,步骤S2.2中,训练方法使用OpenCV中的traincascade训练器进行训练,并封装在Train函数中。
更进一步地,步骤S2.3具体包括:
使用训练好的行人检测分类器,调用OpenCV提供的分类监测函数detectMultiScale进行监测,对输入的可见光图像检测行人,检测结果存储在object[]对象中,该对象中保存检测到的每个行人在可见光图像中的区域。
进一步地,所述步骤S3包括:
S3.1,对红外热成像图像进行温度标注,得到标注后的图像;
S3.2,根据温度标注区域,计算相邻区域的温度值的差是否大于某个阈值,如果不大于,则表示该相邻区域属于同一个目标,连通该相邻区域,循环检测,直到把能够连通的区域都连通为止,得到根据温度标注分割后的区域;
S3.3,根据最大类间方差法,对红外热成像图像进行分割;
S3.4,将最大类间方差法分割后的区域与根据温度标注分割后的区域相比较,重合的则保留,没有重合的去除;得到红外热成像图像行人检测区域B。
进一步地,步骤S1中,对可见光图像的预处理包括:可见光图像进行转换灰度图像的处理;然后剪裁图像边缘;
对红外热成像图像的预处理包括剪裁图像边缘。
本发明的优点在于:本发明通过新的算法,提高和解决通过视频分析算法实现对变电站行人目标的识别。该算法易于实现和应用,主要可以应用于电网智能化设备状态巡视、设备告警联动等电网生产运行智能化远程监控中,对电网智能化水平的发展和提高具有一定的促进作用。
附图说明
图1为本发明的算法流程示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
图1所示为电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法的主要流程,该算法包括可见光图像和红外热成像图像的获取及预处理、对可见光图像进行行人检测获得可见光图像行人检测区域A、对红外热成像图像进行行人检测获得红外热成像图像行人检测区域B、以及可见光图像检测结果与红外热成像图像检测结果比较四个过程;在可见光图像检测结果与红外热成像图像检测结果比较这个过程中,将可见光图像行人检测区域A与红外热成像图像行人检测区域B进行比较,若重合面积超过一个设定重合面积阈值80%,则表示检测到行人目标;
本发明采用C/C++语言编程实现本方法;操作系统可基于Windows或Linux的各类操作系统。
S1,首先,是利用可见光摄像机和红外摄像机分别获取可见光图像和红外热成像图像,并分别作预处理;
以可见光摄像机为例,
(1)通过厂家SDK(软件开发工具包)实时获取变电站可见光摄像机的实时视频数据;
(2)在获取到实时视频数据时间间隔5秒后,从实时视频数据中获取一帧图像数据,采用5秒后再截取图像数据的原因主要为:由于变电站与远端之间的网络带宽有限,若获取到视频后直接截图图像,可能会出现图像截取失败或截取的图像存在异常等原因;
(3)在截取完图像后,检查图像是否正常,如果图像存在异常,则重新获取图像,获取图像成功后,保存图像数据为OrgImg;
(4)通常此时获取的图像格式为YUV格式,为了便于后续的图像分析,将该图像进行格式转换,转换为RGB图像格式,转换后的图像数据为OrgImg_RGB[];
(5)后续图像处理主要是根据灰度图像的处理,因此,需要将RGB格式转换为灰度格式,根据RGB转灰度公式:Gray=R*0.299+G*0.587+B*0.114,从而将OrgImg_RGB[]计算得到对应的灰度图像数据:Org_Mat_Gray[];
(6)由于实际图像中左上角或右上角、左下角或右下角通常均包含一些文字信息,避免文字信息对监测的影响,假设图像横坐标为0<x<W1,图像纵坐标为0<y<H1,其中的H1表示图像的高度,W1表示图像的宽度,将图像横坐标截取为W1/8<x<7*W1/8,将图像纵坐标截取为H1/8<y<7*H1/8,得到灰度图像矩阵Mat_Gray[],新的灰度图像的宽度为W2,高度为H2;
红外热成像图像的获取和预处理大致同可见光图像,只是没有图像灰度化步骤;
S2,其次,对可见光图像进行行人检测,获得可见光图像行人检测区域A;
该步骤S2主要包括:S2.1,行人目标样本创建;S2.2,训练并得到行人检测分类器;S2.3,使用训练好的行人检测分类器对输入的可见光图像检测行人,得到行人在可见光图像中的区域。
S2.1,行人目标样本创建;
(a.)样本分为正样本和负样本,正样本为待检测目标,负样本为其他图像,选择采集到的包含背景的图像,但不包含人体目标特征;调用厂家摄像机SDK,循环抓取图像,分别放到正样本和负样本对应的几个列表(listOpenPosSample、listOpenNegSample、listClosePosSample、listCloseNegSample)中,CaptureVideo为厂家摄像机SDK提供的设备对象定义,GetPictureOpenPosSample()、GetPictureOpenNegSample()、GetPictureClosePosSample()、GetPictureCloseNegSample()四个函数分别是采用厂家摄像机SDK进行封装的获取图像的函数,编程语言选用C++,编译环境为windows,并使用厂家提供的摄像机SDK以及OpenCV开源函数库,开状态为正面样本集,闭状态为非正面样本集。
开状态正样本抓取:OpenPosSampleList<OpenPosSample>listOpenPosSample=CaptureVideo.GetPictureOpenPosSample();
开状态负样本抓取:OpenNegSampleList<OpenNegSample>listOpenNegSample=CaptureVideo.GetPictureOpenNegSample();
闭状态正样本抓取:ClosePosSampleList<ClosePosSample>listClosePosSample=CaptureVideo.GetPictureClosePosSample();
闭状态负样本抓取:CloseNegSampleList<CloseNegSample>listCloseNegSample=CaptureVideo.GetPictureCloseNegSample();
(b.)循环遍历开状态和闭状态的正样本列表,使用OpenCV提供的样本描述生产函数opencv_createsample,封装在createsample函数中,生成样本描述集,样本描述集分别存储在OpenPosSampleDesc、OpenNegSampleDesc、ClosePosSampleDesc、CloseNegSampleDesc中;
开状态正样本描述集:OpenPosSampleDesc OpenPosSampleDesc=createsample(listOpenPosSample);
开状态负样本描述集:OpenNegSampleDesc OpenNegSampleDesc=createsample(listOpenNegSample);
闭状态正样本描述集:ClosePosSampleDesc ClosePosSampleDesc=createsample(listClosePosSample);
闭状态负样本描述集:CloseNegSampleDesc CloseNegSampleDesc=createsample(listCloseNegSample);
S2.2,训练并得到行人检测分类器;
将S2.1中生成的所有样本描述集,分成开状态和闭状态,进行训练,生成样本训练结果,存储在数据库OpenResultData、CloseResultData中,训练方法使用OpenCV中的traincascade训练器进行训练,并封装在Train函数中;
开状态结果数据库:OpenResultData OpenResultData=Train(openPosSampleDesc,openNegSampleDesc);
闭状态结果数据库:CloseResultData CloseResultData=Train(closePosSampleDesc,closeNegSampleDesc);
训练结束后,会生成OpenResultData和CloseResultData两个行人检测分类器,将行人检测分类器放到内存中,供行人检测使用。
S2.3,使用训练好的行人检测分类器对输入的可见光图像检测行人,得到行人在可见光图像中的区域;
使用训练好的行人检测分类器,调用OpenCV提供的分类监测函数detectMultiScale进行监测,对输入的可见光图像检测行人,检测结果存储在object[]对象中,该对象中保存检测到的每个行人在可见光图像中的区域,也就是获得可见光图像行人检测区域A;
object[]=detectMultiScale(param1,param2,param3);函数中的param1为输入的被检测的图像,param2表示图像的尺寸减小的比例,使用1.1作为默认值,param3表示每个目标被确定为监测对象至少要被监测到的次数,默认值为2,表示监测到3次才确定为正确的目标。
S3,接着,对红外热成像图像进行行人检测,获得红外热成像图像行人检测区域B;
该步骤S3主要包括:
S3.1,对红外热成像图像进行温度标注,得到标注后的图像;
S3.2,根据温度标注区域,计算相邻区域的温度值的差是否大于某个阈值,如果不大于,则表示该相邻区域属于同一个目标,连通该相邻区域,循环检测,直到把能够连通的区域都连通为止,得到根据温度标注分割后的区域;
S3.3,根据开源OpenCV库提供的最大类间方差法(OSTU),对红外热成像图像进行分割;
S3.4,将最大类间方差法分割后的区域与根据温度标注分割后的区域相比较,重合的说明可能是检测目标则保留,没有重合的去除;得到红外热成像图像行人检测区域B。
最后,S4,将可见光图像行人检测区域A与红外热成像图像行人检测区域B进行比较,若重合面积超过80%,则表示检测到行人目标;否则没有检测到。
Claims (8)
1.一种电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,包括以下步骤:
步骤S1,获取可见光摄像机拍摄的可见光图像和红外摄像机拍摄的红外热成像图像;并分别作预处理;
步骤S2,对可见光图像进行行人检测,获得可见光图像行人检测区域A;
步骤S3,对红外热成像图像进行行人检测,获得红外热成像图像行人检测区域B;
步骤S4,将可见光图像行人检测区域A与红外热成像图像行人检测区域B进行比较,若重合面积超过一个设定重合面积阈值,则表示检测到行人目标。
2.如权利要求1所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
所述步骤S2具体包括:
S2.1,行人目标样本创建;
S2.2,训练并得到行人检测分类器;
S2.3,使用训练好的行人检测分类器对输入的可见光图像检测行人,得到行人在可见光图像中的区域。
3.如权利要求2所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
步骤S2.1具体包括:
(a.)样本分为正样本和负样本,正样本为待检测人体目标,负样本为采集到的包含背景的图像,但不包含人体目标特征;调用厂家摄像机SDK,循环抓取图像,分别放到正样本和负样本对应的几个列表中,进行
开状态正样本抓取;
开状态负样本抓取;
闭状态正样本抓取;
闭状态负样本抓取;
(b.)循环遍历开状态和闭状态的正样本列表,使用OpenCV提供的样本描述生产函数opencv_createsample,封装在createsample函数中,生成样本描述集,样本描述集包括:
开状态正样本描述集;
开状态负样本描述集;
闭状态正样本描述集;
闭状态负样本描述集。
4.如权利要求3所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
步骤S2.2具体包括:
将步骤S2.1 中生成的所有样本描述集,分成开状态和闭状态,进行训练,生成样本训练结果,存储在开状态结果数据库和闭状态结果数据库中,该两个开状态结果数据库和闭状态结果数据库即作为两个行人检测分类器,将行人检测分类器放到内存中,供行人检测使用。
5.如权利要求4所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
步骤S2.2中,训练方法使用OpenCV中的traincascade训练器进行训练,并封装在Train函数中。
6.如权利要求2所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
步骤S2.3具体包括:
使用训练好的行人检测分类器,调用OpenCV提供的分类监测函数detectMultiScale进行监测,对输入的可见光图像检测行人,检测结果存储在object[]对象中,该对象中保存检测到的每个行人在可见光图像中的区域。
7.如权利要求1所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
所述步骤S3包括:
S3.1,对红外热成像图像进行温度标注,得到标注后的图像;
S3.2,根据温度标注区域,计算相邻区域的温度值的差是否大于某个阈值,如果不大于,则表示该相邻区域属于同一个目标,连通该相邻区域,循环检测,直到把能够连通的区域都连通为止,得到根据温度标注分割后的区域;
S3.3,根据最大类间方差法,对红外热成像图像进行分割;
S3.4,将最大类间方差法分割后的区域与根据温度标注分割后的区域相比较,重合的则保留,没有重合的去除;得到红外热成像图像行人检测区域B。
8.如权利要求1所述的电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法,其特征在于,
步骤S1中,对可见光图像的预处理包括:可见光图像进行转换灰度图像的处理;然后剪裁图像边缘;
对红外热成像图像的预处理包括剪裁图像边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710313154.XA CN107133592B (zh) | 2017-05-05 | 2017-05-05 | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710313154.XA CN107133592B (zh) | 2017-05-05 | 2017-05-05 | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133592A true CN107133592A (zh) | 2017-09-05 |
CN107133592B CN107133592B (zh) | 2021-04-02 |
Family
ID=59731463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710313154.XA Active CN107133592B (zh) | 2017-05-05 | 2017-05-05 | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133592B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549874A (zh) * | 2018-04-19 | 2018-09-18 | 广州广电运通金融电子股份有限公司 | 一种目标检测方法、设备及计算机可读存储介质 |
CN109447157A (zh) * | 2018-10-30 | 2019-03-08 | 国网四川省电力公司广元供电公司 | 一款移动型电网作业巡检系统 |
CN111027541A (zh) * | 2019-11-15 | 2020-04-17 | 国网安徽省电力有限公司检修分公司 | 基于可见光和热成像的火焰检测方法、系统及存储介质 |
CN111626125A (zh) * | 2020-04-26 | 2020-09-04 | 浙江大华技术股份有限公司 | 人脸温度检测的方法、系统、装置和计算机设备 |
CN111738132A (zh) * | 2020-06-17 | 2020-10-02 | 银河水滴科技(北京)有限公司 | 人体温度的测量方法、装置、电子设备及可读存储介质 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793562A (zh) * | 2010-01-29 | 2010-08-04 | 中山大学 | 一种红外热图像序列的人脸检测与跟踪的算法 |
US20120183177A1 (en) * | 2011-01-17 | 2012-07-19 | Postech Academy-Industry Foundation | Image surveillance system and method of detecting whether object is left behind or taken away |
CN103530638A (zh) * | 2013-10-29 | 2014-01-22 | 无锡赛思汇智科技有限公司 | 多摄像头下的行人匹配方法 |
US20140307798A1 (en) * | 2011-09-09 | 2014-10-16 | Newsouth Innovations Pty Limited | Method and apparatus for communicating and recovering motion information |
CN105354851A (zh) * | 2015-11-20 | 2016-02-24 | 中国安全生产科学研究院 | 对距离自适应的红外与可见光视频融合方法及融合系统 |
US20160055389A1 (en) * | 2012-06-15 | 2016-02-25 | Canon Kabushiki Kaisha | Video processing apparatus, video processing method, and recording medium |
US20160093061A1 (en) * | 2013-05-03 | 2016-03-31 | Nokia Technologies Oy | Method, apparatus and computer program product for segmentation of objects in images |
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测系统 |
US20170004373A1 (en) * | 2013-11-28 | 2017-01-05 | Sharp Kabushiki Kaisha | Character string recognition device and character string recognition method |
CN106446869A (zh) * | 2016-10-20 | 2017-02-22 | 国家电网公司 | 基于图像智能识别算法的隔离开关状态自动检测方法 |
CN106485245A (zh) * | 2015-08-24 | 2017-03-08 | 南京理工大学 | 一种基于可见光和红外图像的全天候目标实时跟踪方法 |
-
2017
- 2017-05-05 CN CN201710313154.XA patent/CN107133592B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793562A (zh) * | 2010-01-29 | 2010-08-04 | 中山大学 | 一种红外热图像序列的人脸检测与跟踪的算法 |
US20120183177A1 (en) * | 2011-01-17 | 2012-07-19 | Postech Academy-Industry Foundation | Image surveillance system and method of detecting whether object is left behind or taken away |
US20140307798A1 (en) * | 2011-09-09 | 2014-10-16 | Newsouth Innovations Pty Limited | Method and apparatus for communicating and recovering motion information |
US20160055389A1 (en) * | 2012-06-15 | 2016-02-25 | Canon Kabushiki Kaisha | Video processing apparatus, video processing method, and recording medium |
US20160093061A1 (en) * | 2013-05-03 | 2016-03-31 | Nokia Technologies Oy | Method, apparatus and computer program product for segmentation of objects in images |
CN103530638A (zh) * | 2013-10-29 | 2014-01-22 | 无锡赛思汇智科技有限公司 | 多摄像头下的行人匹配方法 |
US20170004373A1 (en) * | 2013-11-28 | 2017-01-05 | Sharp Kabushiki Kaisha | Character string recognition device and character string recognition method |
CN106485245A (zh) * | 2015-08-24 | 2017-03-08 | 南京理工大学 | 一种基于可见光和红外图像的全天候目标实时跟踪方法 |
CN105354851A (zh) * | 2015-11-20 | 2016-02-24 | 中国安全生产科学研究院 | 对距离自适应的红外与可见光视频融合方法及融合系统 |
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测系统 |
CN106446869A (zh) * | 2016-10-20 | 2017-02-22 | 国家电网公司 | 基于图像智能识别算法的隔离开关状态自动检测方法 |
Non-Patent Citations (7)
Title |
---|
I. PAVLIDIS ET AL: "The imaging issue in an automatic face/disguise detection system", 《 PROCEEDINGS IEEE WORKSHOP ON COMPUTER VISION BEYOND THE VISIBLE SPECTRUM: METHODS AND APPLICATIONS》 * |
M. SUGUNA ET AL: "Fault localisation of electrical equipments using thermal imaging technique", 《2016 INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGICAL TRENDS (ICETT)》 * |
SHUNYONG ZHOU ET AL: "Infrared image segmentation based on Otsu and genetic algorithm", 《2011 INTERNATIONAL CONFERENCE ON MULTIMEDIA TECHNOLOGY》 * |
刘从义等: "基于区域目标检侧的红外与可见光图像序列融合", 《计算机工程》 * |
张笙等: "热红外与可见光视频融合的运动目标检测", 《计算机科学》 * |
王淑慧: "基于肤色和人脸信息的不良图像检测系统的研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
赖泽锋: "基于多摄像头协同的多目标跟踪系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549874A (zh) * | 2018-04-19 | 2018-09-18 | 广州广电运通金融电子股份有限公司 | 一种目标检测方法、设备及计算机可读存储介质 |
CN108549874B (zh) * | 2018-04-19 | 2021-11-23 | 广州广电运通金融电子股份有限公司 | 一种目标检测方法、设备及计算机可读存储介质 |
CN109447157A (zh) * | 2018-10-30 | 2019-03-08 | 国网四川省电力公司广元供电公司 | 一款移动型电网作业巡检系统 |
CN111027541A (zh) * | 2019-11-15 | 2020-04-17 | 国网安徽省电力有限公司检修分公司 | 基于可见光和热成像的火焰检测方法、系统及存储介质 |
CN111626125A (zh) * | 2020-04-26 | 2020-09-04 | 浙江大华技术股份有限公司 | 人脸温度检测的方法、系统、装置和计算机设备 |
CN111626125B (zh) * | 2020-04-26 | 2023-04-28 | 浙江大华技术股份有限公司 | 人脸温度检测的方法、系统、装置和计算机设备 |
CN111738132A (zh) * | 2020-06-17 | 2020-10-02 | 银河水滴科技(北京)有限公司 | 人体温度的测量方法、装置、电子设备及可读存储介质 |
CN111738132B (zh) * | 2020-06-17 | 2024-03-05 | 银河水滴科技(北京)有限公司 | 人体温度的测量方法、装置、电子设备及可读存储介质 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112734692B (zh) * | 2020-12-17 | 2023-12-22 | 国网信息通信产业集团有限公司 | 一种变电设备缺陷识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107133592B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133592A (zh) | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN106778609A (zh) | 一种电力施工现场人员制服穿着识别方法 | |
CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
CN106446869A (zh) | 基于图像智能识别算法的隔离开关状态自动检测方法 | |
CN109063764A (zh) | 一种基于机器视觉的隔离开关合闸操作到位的判断方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN113223035B (zh) | 笼养鸡智能巡检系统 | |
CN113553979B (zh) | 一种基于改进yolo v5的安全服检测方法和系统 | |
CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN108222749A (zh) | 一种基于图像分析的智能自动门控制方法 | |
CN109241847A (zh) | 基于视觉图像的油田作业区安全监控系统 | |
CN113012374A (zh) | 智慧园区安防系统及其控制方法 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
CN113239760A (zh) | 一种电网作业现场违章识别系统 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN113239759A (zh) | 一种电网作业现场违章识别方法 | |
CN110033487A (zh) | 基于深度联想感知算法的受遮挡蔬果采收方法 | |
CN106339722A (zh) | 一种线路刀闸状态监测方法及装置 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN109583339A (zh) | 一种基于图像处理的atm视频智能监控方法 | |
CN107016360A (zh) | 电力变电站基于动态特征及区域融合的目标检测方法 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |