CN107680115A - 一种变电站智能系统中运动目标检测系统 - Google Patents
一种变电站智能系统中运动目标检测系统 Download PDFInfo
- Publication number
- CN107680115A CN107680115A CN201710900905.8A CN201710900905A CN107680115A CN 107680115 A CN107680115 A CN 107680115A CN 201710900905 A CN201710900905 A CN 201710900905A CN 107680115 A CN107680115 A CN 107680115A
- Authority
- CN
- China
- Prior art keywords
- image
- video image
- background
- value
- video
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种变电站智能系统中运动目标检测系统，包括图像采集模块、图像处理模块、图像智能分析模块和远程监控中心，所述图像采集模块用于获取变电站内的视频图像，所述图像处理模块用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中运动目标，所述远程监控中心用于实时显示检测到的运动目标。本发明的有益效果为：提供一种变电站智能系统中运动目标检测系统，通过变电站内各个方位视频图像进行采集和处理，实现了所述视频图像中运动目标的有效检测。
Description
技术领域
本发明创造涉及图像处理技术领域，具体涉及一种变电站智能系统中运动目标检测系统。
背景技术
变电站无人值班是当今电网调度自动化发展的趋势，至今，变电站综合自动化系统已经实现了“遥测、遥信、遥控、遥调”的四遥功能，但是仅依赖这四遥不能完全满足变电站无人值班的安全要求。随着智能视频监控系统的快速发展和应用，智能视频监控系统逐渐被应用到变电站综合自动化系统中，使得“遥视”成为传统四遥的有力补充和变电站安全运行的必要设施，真正实现变电站的无人值班运行。
本发明提供一种变电站智能系统中运动目标检测系统，主要研究了智能视频监控系统中运动目标检测的关键技术，为了实现对视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进OTSU方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。
发明内容
针对上述问题，本发明旨在提供一种变电站智能系统中运动目标检测系统。
本发明创造的目的通过以下技术方案实现：
一种变电站智能系统中运动目标检测系统，包括图像采集模块、图像处理模块、图像智能分析模块和远程监控中心，所述图像采集模块用于获取变电站内的视频图像，所述图像处理模块用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中运动目标，所述远程监控中心用于实时显示检测到的运动目标。
本发明创造的有益效果：提供一种变电站智能系统中运动目标检测系统，通过变电站内各个方位视频图像进行采集和处理，实现了所述视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进OTSU方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
图2是本发明图像智能分析模块的结构示意图。
附图标记：
图像采集模块1；图像处理模块2；图像智能分析模块3；远程监控中心4；背景检测单元31；前景检测单元32；运动阴影检测单元33。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1和图2，本实施例的一种变电站智能系统中运动目标检测系统，包括图像采集模块1、图像处理模块2、图像智能分析模块3和远程监控中心4，所述图像采集模块1用于获取变电站内的视频图像，所述图像处理模块2用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块3用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中运动目标，所述远程监控中心4用于实时显示检测到的运动目标。
优选地，所述图像采集模块1由多个摄像机组成并安装在变电站围墙上。
本优选实施例提供一种变电站智能系统中运动目标检测系统，通过变电站内各个方位视频图像进行采集和处理，实现了所述视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进OTSU方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。
优选地，所述图像智能分析模块3包括如下单元：
背景检测单元31，用于对所述视频图像进行背景建模，并通过更新各个参数来实现背景模型的更新；
前景检测单元32，利用背景差分信息进行前景检测，从而分割出所述视频图像的背景区域和前景区域；
运动阴影检测单元33，用于检测和去除所述前景区域中的运动阴影，从而获得图像中的运动目标。
优选地，所述背景检测单元31采用聚类技术对所述视频图像进行背景建模并对其进行更新，具体包括：；
a.在采用聚类技术对所述视频图像进行背景建模的过程中，采用一种改进的有效性指标Vn来确定最佳聚类个数，具体为：
式中，uij表示样本xj属于第i类的隶属度，且有uij∈[0,1]， vi和vj分别表示第i类和第j类的聚类中心值，n表示数据集合中样本的个数，k表示分类个数，表示聚类中心的平均值；
b.在背景建模完成后，通过更新各个参数来实现背景模型的自适应更新，定义It(x,y)是像素(x,y)在第t帧的灰度值，vi(x,y)是第i个聚类的中心值，则像素值It(x,y)与聚类中心值vi(x,y)的距离d(It,vi)是：
d(It,vi)＝dmin(It(x,y),vi(x,y)) (i＝1,2,…,k)
定义聚类阈值θ，当d(It,vi)＞θ，重新创建新的分类vk+1(x,y)，并设置相关参数为：
vk+1(x,y)＝It(x,y)
Nk+1(x,y)＝1
k＝k+1
式中，Nk+1(x,y)表示第k+1个聚类中包含的元素个数，k为聚类的个数，ωi为第i个聚类的权重，Ni(x,y)为第i个聚类中的元素个数，vk+1(x,y)为第k+1个聚类的中心值；
当d（It,vi)≤θ时，则将该元素归入第i个聚类，并更新参数：
Ni(x,y)＝Ni(x,y)+1
式中，vi(x,y)为第i个聚类的中心值，Ni(x,y)为第i个聚类中的元素个数，It(x,y)为像素(x,y)在第t帧的灰度值，Ti为第i聚类中心的更新时间差，ωi为第i聚类的权重。
本优选实施例对现有聚类有效性指标进行了深入研究的基础上，提出的新指标正确有效，不管是对于类间有重叠的数据集还是无重叠的数据集，都能够做出正确的判定，具有理论和实用价值；提出一种基于改进的FCM聚类的背景模型的自适应更新方法，在聚类的权重值进行更新的过程中，不仅考虑个聚类包含的元素个数对权重值的影响，还考虑了聚类更新时间对聚类权重值的影响。
优选地，所述前景检测单元32用于分割出所述视频图像中的背景区域和前景区域，其采用一种改进的阈值选取方法，具体为：
定义视频图像中各像素灰度值取值范围是[1,L]，灰度值为i的像素出现的概率为pi，按灰度值h将像素分为两类，即背景部分C0＝{1,…,h}和前景部分C1＝{h+1,…,L},则阈值选择函数f(h)为：
式中，ω0(h)是视频图像中背景区域的像素出现的概率，且ω1(h)是视频图像中前景区域像素出现的概率，且μ0(h)是视频图像中背景区域像素灰度值的均值，且μ1(h)是视频图像中前景区域像素灰度值的均值，且 是视频图像中背景区域像素灰度值的方差，且 是视频图像中前景区域像素灰度值的方差，且μ(h)是视频图像中所有像素灰度值的均值，且
则最佳阈值Tbest为：
式中，f(h)是视频图像的阈值选择函数，L是视频图像中的灰度值取值的最大值。
本优选实施例根据视频监控图像的特点，在阈值函数的计算过程中，引入了类内的内聚性，将它作为选择阈值的一个参考因素，从而改进阈值选择函数，使得计算得到的阈值更加的接近于理想阈值。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种变电站智能系统中运动目标检测系统，其特征是，包括图像采集模块、图像处理模块、图像智能分析模块和远程监控中心，所述图像采集模块用于获取变电站内的视频图像，所述图像处理模块用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中的运动目标，所述远程监控中心用于实时显示检测到的运动目标。
2.根据权利要求1所述的一种变电站智能系统中运动目标检测系统，其特征是，所述图像采集模块由多个摄像机组成并安装在变电站围墙上。
3.根据权利要求2所述的一种变电站智能系统中运动目标检测系统，其特征是，所述图像智能分析模块包括如下单元：
背景检测单元，用于对所述视频图像进行背景建模，并通过更新各个参数来实现背景模型更新；
前景检测单元，利用背景差分信息进行前景检测，从而分割出图像中的背景区域和前景区域；
运动阴影检测单元，用于检测和去除所述前景区域中的运动阴影，从而获得图像中的运动目标。
4.根据权利要求3所述的一种变电站智能系统中运动目标检测系统，其特征是，所述背景检测单元，采用聚类技术对所述视频图像进行背景建模并对其进行更新，具体包括：
a.在采用聚类技术对所述视频图像进行背景建模的过程中，采用一种改进的有效性指标Vn来确定最佳聚类个数，具体为：
<mrow>
<msub>
<mi>V</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>m</mi>
</msup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<munder>
<mi>min</mi>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
</mrow>
</mfrac>
</mrow>
式中，uij表示样本xj属于第i类的隶属度，且有uij∈[0,1]， vi和vj分别表示第i类和第j类的聚类中心值，n表示数据集合中样本的个数，k表示分类个数，表示聚类中心的平均值，m表示模糊权重指数；
b.在背景建模完成后，通过更新各个参数来实现背景模型的自适应更新，定义It(x,y)是像素(x,y)在第t帧的灰度值，vi(x,y)是第i个聚类的中心值，则像素值It(x,y)与聚类中心值vi(x,y)的距离d(It,vi)是：
d(It,vi)＝dmin(It(x,y),vi(x,y))(i＝1,2,…,k)
定义聚类阈值θ，当d(It,vi)>θ时，重新创建新的分类vk+1(x,y)，并设置相关参数为：
vk+1(x,y)＝It(x,y)
Nk+1(x,y)＝1
<mrow>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
k＝k+1
式中，Nk+1(x,y)表示第k+1个聚类中包含的元素个数，k为聚类的个数，ωi为第i个聚类的权重，Ni(x,y)为第i个聚类中的元素个数，vk+1(x,y)为第k+1个聚类的中心值；
当d(It,vi)≤θ时，则将该元素归入第i个聚类中，并更新参数：
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
Ni(x,y)＝Ni(x,y)+1
<mrow>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
式中，vi(x,y)为第i个聚类的中心值，Ni(x,y)为第i个聚类中的元素个数，It(x,y)为像素(x,y)在第t帧的灰度值，Ti为第i聚类中心的更新时间差，ωi为第i聚类的权重。
5.根据权利要求3所述的一种变电站智能系统中运动目标检测系统，其特征是，所述前景检测单元用于分割出所述视频图像中的背景区域和前景区域，其采用一种改进的阈值选取方法，具体为：
定义视频图像中各像素灰度值取值范围是[1,L]，灰度值为i的像素出现的概率为pi，按灰度值h将像素分为两类，即背景部分C0＝{1,…,h}和前景部分C1＝{h+1,…,L},则阈值选择函数f(h)为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中，ω0(h)是视频图像中背景区域的像素出现的概率，且ω1(h)是视频图像中前景区域像素出现的概率，且μ0(h)是视频图像中背景区域像素灰度值的均值，且μ1(h)是视频图像中前景区域像素灰度值的均值，且 是视频图像中背景区域像素灰度值的方差，且 是视频图像中前景区域像素灰度值的方差，且μ(h)是视频图像中所有像素灰度值的均值，且
则最佳阈值Tbest为：
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>h</mi>
<mo>&le;</mo>
<mi>L</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，f(h)是视频图像的阈值选择函数，L是视频图像中的灰度值取值的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710900905.8A CN107680115A (zh) | 2017-09-28 | 2017-09-28 | 一种变电站智能系统中运动目标检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710900905.8A CN107680115A (zh) | 2017-09-28 | 2017-09-28 | 一种变电站智能系统中运动目标检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107680115A true CN107680115A (zh) | 2018-02-09 |
Family
ID=61139227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710900905.8A Pending CN107680115A (zh) | 2017-09-28 | 2017-09-28 | 一种变电站智能系统中运动目标检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107680115A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130129144A1 (en) * | 2011-11-23 | 2013-05-23 | Seoul National University Industry Foundation | Apparatus and method for detecting object using ptz camera |
| CN104184997A (zh) * | 2014-09-16 | 2014-12-03 | 哈尔滨恒誉名翔科技有限公司 | 监控视频快速回放技术 |
| CN105427344A (zh) * | 2015-11-18 | 2016-03-23 | 江苏省电力公司检修分公司 | 一种变电站智能系统中运动目标检测方法 |
-
2017
- 2017-09-28 CN CN201710900905.8A patent/CN107680115A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130129144A1 (en) * | 2011-11-23 | 2013-05-23 | Seoul National University Industry Foundation | Apparatus and method for detecting object using ptz camera |
| CN104184997A (zh) * | 2014-09-16 | 2014-12-03 | 哈尔滨恒誉名翔科技有限公司 | 监控视频快速回放技术 |
| CN105427344A (zh) * | 2015-11-18 | 2016-03-23 | 江苏省电力公司检修分公司 | 一种变电站智能系统中运动目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张谢华: "煤矿智能视频监控系统关键技术的研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
| CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
| CN105701467B (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN109935080B (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
| CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
| 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 | |
| CN108804992B (zh) | 一种基于深度学习的人群统计方法 | |
| CN104156729B (zh) | 一种教室人数统计方法 | |
| CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
| CN115761316B (zh) | 基于yolo自动识别的水电站平板闸门启闭方法 | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
| CN104573713A (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
| CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN112616023A (zh) | 复杂环境下的多摄像机视频目标追踪方法 | |
| CN104159088A (zh) | 一种远程智能车辆监控系统及方法 | |
| CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
| WO2019088333A1 (ko) | 깊이 맵 정보 기반의 인체 행위 인지 방법 및 그 장치 | |
| CN112733770A (zh) | 一种区域入侵监测方法和装置 | |
| CN105447463A (zh) | 变电站基于人体特征识别的跨摄像机自动跟踪系统 | |
| CN103425958A (zh) | 一种视频中不动物检测的方法 | |
| CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180209 |