CN109460719A - 一种电力作业安全识别方法 - Google Patents

一种电力作业安全识别方法 Download PDF

Info

Publication number
CN109460719A
CN109460719A CN201811244593.0A CN201811244593A CN109460719A CN 109460719 A CN109460719 A CN 109460719A CN 201811244593 A CN201811244593 A CN 201811244593A CN 109460719 A CN109460719 A CN 109460719A
Authority
CN
China
Prior art keywords
image
lbp
target image
operating personnel
foreground
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
Application number
CN201811244593.0A
Other languages
English (en)
Inventor
彭倍
葛森
陈益
杨枭
郑翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SICHUAN ARTIGENT ROBOTICS EQUIPMENT Co Ltd
Original Assignee
SICHUAN ARTIGENT ROBOTICS EQUIPMENT Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SICHUAN ARTIGENT ROBOTICS EQUIPMENT Co Ltd filed Critical SICHUAN ARTIGENT ROBOTICS EQUIPMENT Co Ltd
Priority to CN201811244593.0A priority Critical patent/CN109460719A/zh
Publication of CN109460719A publication Critical patent/CN109460719A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Abstract

本发明公开了一种电力作业安全识别方法,应用于电力巡检机器人，包括以下步骤：获取监测区域的目标图像；提取目标图像中的SIFT特征，通过特征匹配识别和图像差分识别目标图像的前景和背景，获取目标图像的前景图像；获取前景图像的HOG特征和LBP特征，通过HOG特征和LBP特征融合，进行作业人员检测；通过MeanShift算法进行人员目标跟踪；通过卷积神经网络进行人员行为识别，判断作业人员行为是否非法；本发明通过HOG特征提取和LBP特征提取的串联融合，有效提高了设备及作业人员的状态识别精度，通过图像采集进行设备和作业人员的状态识别、判断，有效提高了电力生产过程的安全监督效率，降低了安全监督成本。

Description

一种电力作业安全识别方法
技术领域
本发明涉及电力安监识别技术领域，尤其是涉及一种电力作业安全识别方法。
背景技术
电力行业与人们的生活以及企业的生产息息相关，电力设备的正常工作时确保正常供电的必要条件，所以对电力作业的安全监督十分重要，通过安监来掌握线路和电力设备的运行状况、周围环境的变化等等，发现电力作业过程的隐患以及电力设备安全的隐患，及时消除隐患。
传统的电力安监主要依靠人工在现场完成，在电力安监中劳动力耗费大，人工巡检容易出现巡检不到位、巡检不完善等情况，导致工作效率低下。
而传统的单一图像识别，特征提取算法无法满足电力安监作业中的识别精度和速度需求。
发明内容
为了解决上述问题，本发明提出了一种电力作业安全监督机器人安全作业识别方法，通过多种特征提取融合实现安全监督的异常判断。
为了实现上述目的，本发明采用如下技术方案：
具体的，一种电力作业安全识别方法,应用于电力巡检机器人，其特征在于，所述方法包括以下步骤：
S1.获取监测区域的目标图像；
S2.提取所述目标图像中的SIFT特征，通过特征匹配识别和图像差分识别目标图像的前景和背景，获取目标图像的前景图像；
S3.获取前景图像的HOG特征和LBP特征，通过HOG特征和LBP特征融合，进行作业人员检测；
S4.通过MeanShift算法进行人员目标跟踪；
S5.通过卷积神经网络进行人员行为识别，判断作业人员行为是否非法。
进一步的，所述步骤S2还包括：
S21.利用混合高斯模型对第一帧目标图像进行建模，得到初始化的混合高斯背景模型；
S22.通过SIFT算法提取背景的特征点，建立特征点的KD-TREE，通过两点间的欧式距离获取相邻两帧图像中的对应点；
S23.通过RANSAC算法剔除步骤S22选定的误匹配点对；
S24.通过图像差分识别目标图像的前景和背景，获取目标图像的前景图像区域；
S25.进行阴影和鬼影去除。
进一步的，所述步骤S3包括以下步骤：
S31.对所述前景图像分别进行HOG特征提取和LBP特征提取；
S32.将提取到的HOG特征和LBP特征进行串联融合；
S33.将融合后的特征数据送入分类器；
S34.通过分类器进行作业人员检测。
进一步的，所述HOG特征提取包括以下步骤：
S311.将所述图像数据分割为多个连通单元；
S312.获取各单元中像素点的梯度直方图；
S313.将所述梯度直方图的向量串联构成特征算子。
进一步的，所述步骤S32具体为：通过HOG特征提取获取各单元像素点的梯度直方图，依次进行梯度计算，三线插值和梯度积分；通过LBP特征提取并进行LBP计算和LBP积分；将梯度积分与LBP积分进行串联融合，完成特征融合。
进一步的，所述分类器为SVM分类器。
进一步的，所述步骤S4还包括，以已获取到人员目标的前景图像为输入，对当前帧，通过加权核函数的颜色直方图对目标建模，通过相似度度量函数计算下一帧中人员目标模型与设定的候选模型的相似度，直至满足收敛条件时确定目标在当前帧的位置；不断重复上述过程，直到MeanShifts算法无法确定下一帧作业人员目标的活动区域为止，得到的作业人员完整的活动轨迹图，完成一次定位跟踪。
进一步的，所述步骤S5包括：
S51.建立卷积神经网络模型；
S52.以OPENPOSE开源项目获取的人体位姿数据为训练样本，导入训练样本调节卷积神经网络模型参数，得到高准确率的模型；
S53.以通过作业人员检测的目标图像作为输入，通过神经网络模型判断作业人员操作是否规范。
与现有技术相比，本发明的有益效果在于：
通过对采集的目标帧图像进行背景前景分离，人员检测，人员跟踪及姿态识别，实现了电力设备和作业人员的安全自动监督，通过HOG特征提取和LBP特征提取的串联融合，有效提高了设备及作业人员的状态识别精度，通过图像采集进行设备和作业人员的状态识别、判断，有效提高了电力生产过程的安全监督效率，降低了安全监督成本。
附图说明
图1为本发明的一种电力作业安全识别方法流程图；
图2为本发明的特征融合流程图；
图3为本发明的HOG特征提取流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，或可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，一种电力作业安全识别方法,应用于电力巡检机器人，用于对电力设备和作业人员进行安全监测，其特征在于，所述方法包括以下步骤：
S1.获取监测区域的目标图像；
S2.提取所述目标图像中的SIFT特征，通过特征匹配识别和图像差分识别目标图像的前景和背景，获取目标图像的前景图像；
S3.获取前景图像的HOG特征和LBP特征，通过HOG特征和LBP特征融合，进行作业人员检测；
S4.通过MeanShift算法进行人员目标跟踪；
S5.通过卷积神经网络进行人员行为识别，判断作业人员行为是否非法。
进一步的，所述步骤S2还包括：
S21.利用混合高斯模型对第一帧目标图像进行建模，得到初始化的混合高斯背景模型；
S22.通过SIFT算法提取背景的特征点，建立特征点的KD-TREE，通过两点间的欧式距离获取相邻两帧图像中的对应点；
S23.通过RANSAC算法剔除步骤S22选定的误匹配点对；
S24.通过图像差分识别目标图像的前景和背景，获取目标图像的前景图像区域；
S25.进行阴影和鬼影去除。
由于机器人的运动，导致采集图像的背景也在实时发生变化。传统的背景差检测方法
已经不适合用来检测运动目标。必须对运动背景进行补偿，再补偿后的视频图像进行处理。背景运动估计是整个目标检测系统的重点，背景运动矢量的准确与否，将直接影响到后面的目标定位工作，利用SIFT算法提取鲁棒的特征点(每个特征点用一个特征矢量表示)对图像的旋转、尺幅缩放、亮度变换等都保持不变的特点，采用基于SIFT特征匹配，在摄像机运动情况下，可以很好的检测出前景目标。
步骤S24具体实施过程为：得到背景图像后，将预处理后的一帧图像作为当前帧图像和背景图像进行相减，当像素点差值大于阈值时，则将该像素点设为前景像素点，否则设为背景像素点，得到前景检测图，采集图像中的所有前景像素点构成前景图像，利用形态学滤波方法，对前景检测图进行离散前景图像的滤除，如果滤除后，还有前景图像，则滤除后的前景图像为前景目标，前景目标所在区域为目标区域；如果滤除后，没有前景图像，则对下一帧预处理后的采集视频图像进行前景检测，直到获得前景目标；
在前景检测中当前帧图像和背景图像进行相减前，需要对当前帧图像做出相应处理，判断当前帧图像是否是因人为光照而作业人员检测错误的图像帧，具体步骤如下：
计算出当前帧视频采集图像所有像素点的均值；
计算出背景图像所有像素点的方差；
计算所有像素点的均值和所有像素点的方差的差值，如果差值大于阈值，表示当前帧图像由于光照的影响不可用，选择下一帧预处理后的图像，重复上述步骤直到差值不大于阈值为止，阈值的选取可根据已有的图像，根据经验值进行确定。
如图2所示，所述步骤S3包括以下步骤：
S31.对所述前景图像分别进行HOG特征提取和LBP特征提取；
S32.将提取到的HOG特征和LBP特征进行串联融合；
S33.将融合后的特征数据送入分类器；
S34.通过分类器进行作业人员检测。
如图3所示，所述HOG特征提取包括以下步骤：
S311.将所述图像数据分割为多个连通单元；
S312.获取各单元中像素点的梯度直方图；
S313.将所述梯度直方图的向量串联构成特征算子。
HOG(Histogram of Oriented Gradient，梯度方向直方图)特征对于人体目标的外形特点，在计算机中是以矩阵的形式呈现的，该方法的核心思想是获取图像中物体局部表象和形状的梯度方向特征信息保存在矩阵中，是非常有效的单个人员检测特征。与其他特征描述算子相比，HOG特征对光线明暗和物体形变上有一定的优势，因而特别适合用于人员检测。
在HOG特征提取时，将输入图像进行伽马校正和梯度计算，把图像分成一个个小的cell连通单元区域，然后采集各个cell单元中像素点的梯度方向直方图，对重叠的block区域局部对比度进行归一化处理，再把得到的方向直方图向量串联起来构成描述行人特征算子，在执行这些操作时，对重叠的block区域局部对比度采取了归一化处理，不仅加快了提取的速度，而且进一步弱化了光照和阴影的影响。
进一步的，所述步骤S32具体为：通过HOG特征提取获取各单元像素点的梯度直方图，依次进行梯度计算，三线插值和梯度积分；通过LBP特征提取并进行LBP计算和LBP积分；将梯度积分与LBP积分进行串联融合，完成特征融合。
LBP(Local Binary Pattern，局部二值模式)特征最早是作为一种有效的纹理描述算子提出的，具有灰度、尺度和旋转不变性等特点，当图像的灰度均匀变化，但是LBP特征却相对不变，所以对光照和复杂背景具有很好的鲁棒性，将HOG与LBP特征采用串联融合的方式，然后进行行人检测，有效克服了目前在实际应用中任何一种单一的特征和方法在精度和速度上都有所欠缺的缺陷。
进一步的，所述分类器为SVM分类器，采用基于统计学习的人员检测方法，首先把含有识别目标和不含有识别目标的图片所组成的训练样本集进行特征提取，再使用分类算法对这些特征进行统计学习后得到分类器，然后对输入图像进行滑动窗口扫描，用训练好的分类器进行判别后可确认是否包含目标。基于统计学习的人员检测方法通过特征提取和分类学习，把图像中的抽象复杂的高维信息转化为适合计算机处理的低维信息，能更好地解决人员遮挡和环境背景复杂等难题。
进一步的，所述步骤S4还包括，以已获取到人员目标的前景图像为输入，对当前帧，通过加权核函数的颜色直方图对目标建模，通过相似度度量函数计算下一帧中人员目标模型与设定的候选模型的相似度，直至满足收敛条件时确定目标在当前帧的位置；不断重复上述过程，直到MeanShifts算法无法确定下一帧作业人员目标的活动区域为止，得到的作业人员完整的活动轨迹图，完成一次定位跟踪。
在配变试验开始后，还需判断警戒围栏内是否有人员进入，确定运动轨迹后，将运动轨迹与预设的入侵规则进行比较，对其是否跨越了警戒线或者警戒区域进行判断，一旦发现有满足预设警戒信息，并用告警框标示出跨越警戒线或者闯入警戒区域的目标，同时在监控画面内画出运动目标运动轨迹，输出警报信息。
具体实施中，当目标快速运动或帧间搜索范围较小时，MeanShift算法将不能保证对目标进行正确跟踪，甚至产生错误跟踪，此外，MeanShift算法利用目标的直方图信息对目标进行建模，根据颜色的相似度来度量目标间的相似性，而没有利用目标的空间位置和运动速度信息，因而在使用基于颜色分布的MeanShift算法的过程中，可结合Kalman滤波器加入对目标的位置的预测，保证跟踪效果的稳定性和鲁棒性，具体为：在初始化目标在当前帧的中心位置时，先通过Kalman滤波器对目标进行预测，将预测结果代替原釆用MeanShift初始化的目标中心位置，这样成功将目标的空间运动信息融入MeanShift跟踪算法中，有效提高了跟踪算法的稳定性和鲁棒性。
进一步的，所述步骤S5包括：
S51.建立卷积神经网络模型；
S52.以OPENPOSE开源项目获取的人体位姿数据为训练样本，导入训练样本调节卷积神经网络模型参数，得到高准确率的模型；
S53.以通过作业人员检测的目标图像，即以已经判断为合格作业人员的目标图像作为神经网络模型的输入，通过神经网络模型，通过作业人员的姿态，判断作业人员操作是否规范。
本实施例还包括确定目标完成定位后，对电力设备的烟雾识别，烟雾因其视觉模糊特性、半透明性和微粒特性，及其扩散运动特性，使其在颜色空间、不规则运动、主运动方向等方面独具特征。另外，由于用视频图像处理的方法处理烟雾图片，对视频图片的变换又使烟雾在像素域和变换域里有一些不同于其他运动目标的特征，所以可以将烟雾的特征根据其运动行为的不同分为静态特征和动态特征，
烟雾静态特征——暗通道特征，在绝大数非天空的局部区域中，某些像素总会有至少一个颜色通道的像素值很低，称为暗像素，通过统计，发现通常烟雾的三个颜色通道的灰度值大致相同，在80～220，视频烟雾的动态特征，主要是因为烟雾随空气流动而运动的特征。
烟雾检测过程，首先利用分块帧组差分法进行动区域的检测，之后，对当前帧进行暗通道检测并进行分块操作，将得到的上述两幅二值化的图像进行相与操作，若得到的非零区域大于设定阈值后，继续进行烟雾的动态特征检测直至满足动态特征条件，发送报警，否则则退出当前帧的检测。

Claims (8)

1.一种电力作业安全识别方法,应用于电力巡检机器人，其特征在于，所述方法包括以下步骤：
S1.获取监测区域的目标图像；
S2.提取所述目标图像中的SIFT特征，通过特征匹配识别和图像差分识别目标图像的前景和背景，获取目标图像的前景图像；
S3.获取前景图像的HOG特征和LBP特征，通过HOG特征和LBP特征融合，进行作业人员检测；
S4.通过MeanShift算法进行人员目标跟踪；
S5.通过卷积神经网络进行人员行为识别，判断作业人员行为是否非法。
2.根据权利要求1所述的一种电力作业安全识别方法,其特征在于，所述步骤S2还包括：
S21.利用混合高斯模型对第一帧目标图像进行建模，得到初始化的混合高斯背景模型；
S22.通过SIFT算法提取背景的特征点，建立特征点的KD-TREE，通过两点间的欧式距离获取相邻两帧图像中的对应点；
S23.通过RANSAC算法剔除步骤S22选定的误匹配点对；
S24.通过图像差分识别目标图像的前景和背景，获取目标图像的前景图像区域；
S25.进行阴影和鬼影去除。
3.根据权利要求1所述的一种电力作业安全识别方法,其特征在于，所述步骤S3包括以下步骤：
S31.对所述前景图像分别进行HOG特征提取和LBP特征提取；
S32.将提取到的HOG特征和LBP特征进行串联融合；
S33.将融合后的特征数据送入分类器；
S34.通过分类器进行作业人员检测。
4.根据权利要求3所述的一种电力作业安全识别方法,其特征在于，所述HOG特征提取包括以下步骤：
S311.将所述图像数据分割为多个连通单元；
S312.获取各单元中像素点的梯度直方图；
S313.将所述梯度直方图的向量串联构成特征算子。
5.根据权利要求3所述的一种电力作业安全识别方法,其特征在于，所述步骤S32具体为：通过HOG特征提取获取各单元像素点的梯度直方图，依次进行梯度计算，三线插值和梯度积分；通过LBP特征提取并进行LBP计算和LBP积分；将梯度积分与LBP积分进行串联融合，完成特征融合。
6.根据权利要求3所述的一种电力作业安全识别方法,其特征在于，所述分类器为SVM分类器。
7.根据权利要求1所述的一种电力作业安全识别方法,其特征在于，所述步骤S4还包括，以已获取到人员目标的前景图像为输入，对当前帧，通过加权核函数的颜色直方图对目标建模，通过相似度度量函数计算下一帧中人员目标模型与设定的候选模型的相似度，直至满足收敛条件时确定目标在当前帧的位置；不断重复上述过程，直到MeanShifts算法无法确定下一帧作业人员目标的活动区域为止，得到的作业人员完整的活动轨迹图，完成一次定位跟踪。
8.根据权利要求1所述的一种电力作业安全识别方法，其特征在于，所述步骤S5包括：
S51.建立卷积神经网络模型；
S52.以OPENPOSE开源项目获取的人体位姿数据为训练样本，导入训练样本调节卷积神经网络模型参数，得到高准确率的模型；
S53.以通过作业人员检测的目标图像作为输入，通过神经网络模型判断作业人员操作是否规范。
CN201811244593.0A 2018-10-24 2018-10-24 一种电力作业安全识别方法 Pending CN109460719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811244593.0A CN109460719A (zh) 2018-10-24 2018-10-24 一种电力作业安全识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811244593.0A CN109460719A (zh) 2018-10-24 2018-10-24 一种电力作业安全识别方法

Publications (1)

Publication Number Publication Date
CN109460719A true CN109460719A (zh) 2019-03-12

Family

ID=65608264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811244593.0A Pending CN109460719A (zh) 2018-10-24 2018-10-24 一种电力作业安全识别方法

Country Status (1)

Country Link
CN (1) CN109460719A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363812A (zh) * 2019-07-10 2019-10-22 国网四川省电力公司电力科学研究院 一种图像识别方法
CN110427812A (zh) * 2019-06-21 2019-11-08 武汉倍特威视系统有限公司 基于视频流数据的煤矿行业行车不行人检测方法
CN110569868A (zh) * 2019-07-19 2019-12-13 云南昆钢电子信息科技有限公司 一种危险作业规范管理系统及其管理方法
CN110956077A (zh) * 2019-10-08 2020-04-03 福建和盛高科技产业有限公司 基于配电站房防误操作及作业安全的方法
CN112132081A (zh) * 2020-09-29 2020-12-25 广东工业大学 一种航拍图像中工程车辆的识别方法及装置、设备
CN112287769A (zh) * 2020-10-09 2021-01-29 江汉大学 一种人脸检测方法、装置、设备和存储介质
CN112308102A (zh) * 2019-08-01 2021-02-02 北京易真学思教育科技有限公司 图像相似度计算方法、计算装置及存储介质
CN112465811A (zh) * 2020-12-16 2021-03-09 国网四川省电力公司电力科学研究院 电力作业现场高精度动态目标定位方法及装置
CN113011449A (zh) * 2019-12-20 2021-06-22 中移(上海)信息通信科技有限公司 行为确定方法、装置、设备及存储介质
CN113033393A (zh) * 2021-03-24 2021-06-25 中国大唐集团科学技术研究院有限公司中南电力试验研究院 基于机器视觉的火电站人员操作安全监控系统及方法
CN115588265A (zh) * 2022-12-12 2023-01-10 华能酒泉风电有限责任公司 一种风电场的智能监视系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592290A (zh) * 2012-02-16 2012-07-18 浙江大学 一种针对水下显微视频的运动目标区域检测方法
CN104091147A (zh) * 2014-06-11 2014-10-08 华南理工大学 一种近红外眼睛定位及眼睛状态识别方法
CN105260703A (zh) * 2015-09-15 2016-01-20 西安邦威电子科技有限公司 一种适用于多姿态下的驾驶人员抽烟行为检测方法
CN105744232A (zh) * 2016-03-25 2016-07-06 南京第五十五所技术开发有限公司 一种基于行为分析技术的输电线路视频防外破的方法
CN106778609A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司杭州供电公司 一种电力施工现场人员制服穿着识别方法
CN107145851A (zh) * 2017-04-28 2017-09-08 西南科技大学 建筑作业区危险源智能识别系统
CN107992836A (zh) * 2017-12-12 2018-05-04 中国矿业大学(北京) 一种矿工不安全行为的识别方法及系统
CN108174165A (zh) * 2018-01-17 2018-06-15 重庆览辉信息技术有限公司 电力安全作业及运维智能监管系统及方法
CN108197575A (zh) * 2018-01-05 2018-06-22 中国电子科技集团公司电子科学研究院 一种基于目标检测和骨点检测的异常行为识别方法及装置
WO2018162929A1 (en) * 2017-03-10 2018-09-13 ThirdEye Labs Limited Image analysis using neural networks for pose and action identification

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592290A (zh) * 2012-02-16 2012-07-18 浙江大学 一种针对水下显微视频的运动目标区域检测方法
CN104091147A (zh) * 2014-06-11 2014-10-08 华南理工大学 一种近红外眼睛定位及眼睛状态识别方法
CN105260703A (zh) * 2015-09-15 2016-01-20 西安邦威电子科技有限公司 一种适用于多姿态下的驾驶人员抽烟行为检测方法
CN105744232A (zh) * 2016-03-25 2016-07-06 南京第五十五所技术开发有限公司 一种基于行为分析技术的输电线路视频防外破的方法
CN106778609A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司杭州供电公司 一种电力施工现场人员制服穿着识别方法
WO2018162929A1 (en) * 2017-03-10 2018-09-13 ThirdEye Labs Limited Image analysis using neural networks for pose and action identification
CN107145851A (zh) * 2017-04-28 2017-09-08 西南科技大学 建筑作业区危险源智能识别系统
CN107992836A (zh) * 2017-12-12 2018-05-04 中国矿业大学(北京) 一种矿工不安全行为的识别方法及系统
CN108197575A (zh) * 2018-01-05 2018-06-22 中国电子科技集团公司电子科学研究院 一种基于目标检测和骨点检测的异常行为识别方法及装置
CN108174165A (zh) * 2018-01-17 2018-06-15 重庆览辉信息技术有限公司 电力安全作业及运维智能监管系统及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GUILHEM CHÉRON 等: "P-CNN: Pose-based CNN Features for Action Recognition", 《ARXIV:1506.03607V2》 *
丁承君 等: "基于边缘信息和混合高斯融合的运动目标检测", 《电视技术》 *
侯杰: "巡逻机器人中的行人检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
康晓晶: "视频监控系统目标跟踪检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王亮芬: "基于SIFT 特征匹配和动态更新背景模型的运动目标检测算法", 《计算机应用与软件》 *
黎学森: "电力生产中异常人体行为识别的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427812A (zh) * 2019-06-21 2019-11-08 武汉倍特威视系统有限公司 基于视频流数据的煤矿行业行车不行人检测方法
CN110363812A (zh) * 2019-07-10 2019-10-22 国网四川省电力公司电力科学研究院 一种图像识别方法
CN110569868A (zh) * 2019-07-19 2019-12-13 云南昆钢电子信息科技有限公司 一种危险作业规范管理系统及其管理方法
CN112308102A (zh) * 2019-08-01 2021-02-02 北京易真学思教育科技有限公司 图像相似度计算方法、计算装置及存储介质
CN110956077A (zh) * 2019-10-08 2020-04-03 福建和盛高科技产业有限公司 基于配电站房防误操作及作业安全的方法
CN113011449A (zh) * 2019-12-20 2021-06-22 中移(上海)信息通信科技有限公司 行为确定方法、装置、设备及存储介质
CN112132081A (zh) * 2020-09-29 2020-12-25 广东工业大学 一种航拍图像中工程车辆的识别方法及装置、设备
CN112287769A (zh) * 2020-10-09 2021-01-29 江汉大学 一种人脸检测方法、装置、设备和存储介质
CN112287769B (zh) * 2020-10-09 2024-03-12 江汉大学 一种人脸检测方法、装置、设备和存储介质
CN112465811A (zh) * 2020-12-16 2021-03-09 国网四川省电力公司电力科学研究院 电力作业现场高精度动态目标定位方法及装置
CN113033393A (zh) * 2021-03-24 2021-06-25 中国大唐集团科学技术研究院有限公司中南电力试验研究院 基于机器视觉的火电站人员操作安全监控系统及方法
CN113033393B (zh) * 2021-03-24 2022-09-30 中国大唐集团科学技术研究院有限公司中南电力试验研究院 基于机器视觉的火电站人员操作安全监控系统及方法
CN115588265A (zh) * 2022-12-12 2023-01-10 华能酒泉风电有限责任公司 一种风电场的智能监视系统

Similar Documents

Publication Publication Date Title
CN109460719A (zh) 一种电力作业安全识别方法
CN107194559B (zh) 一种基于三维卷积神经网络的工作流识别方法
CN107123131B (zh) 一种基于深度学习的运动目标检测方法
Santosh et al. Tracking multiple moving objects using gaussian mixture model
CN101739551B (zh) 运动目标识别方法及系统
CN109409289A (zh) 一种电力作业安全监督机器人安全作业识别方法及系统
Yin et al. Likelihood map fusion for visual object tracking
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
Karpagavalli et al. Estimating the density of the people and counting the number of people in a crowd environment for human safety
Xu et al. Segmentation and tracking of multiple moving objects for intelligent video analysis
Zang et al. Object classification and tracking in video surveillance
Saito et al. People detection and tracking from fish-eye image based on probabilistic appearance model
Landabaso et al. Foreground regions extraction and characterization towards real-time object tracking
Buch et al. Vehicle localisation and classification in urban CCTV streams
Siricharoen et al. Robust outdoor human segmentation based on color-based statistical approach and edge combination
Dahmane et al. Real-time video surveillance with self-organizing maps
Buccolieri et al. Human posture recognition using active contours and radial basis function neural network
Landabaso et al. Robust tracking and object classification towards automated video surveillance
KR100543706B1 (ko) 비젼기반 사람 검출방법 및 장치
CN107122714B (zh) 一种基于边缘约束的实时行人检测方法
Hsieh et al. Grid-based template matching for people counting
Panda et al. Robust real-time object tracking under background clutter
Fazli et al. Multiple object tracking using improved GMM-based motion segmentation
CN108171168A (zh) 弱小目标变动智能图像检测方法及装置

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: 20190312