CN110849876A - 一种基于多尺度的背景建模sf6气体红外动态检测方法 - Google Patents

一种基于多尺度的背景建模sf6气体红外动态检测方法 Download PDF

Info

Publication number
CN110849876A
CN110849876A CN201910988000.XA CN201910988000A CN110849876A CN 110849876 A CN110849876 A CN 110849876A CN 201910988000 A CN201910988000 A CN 201910988000A CN 110849876 A CN110849876 A CN 110849876A
Authority
CN
China
Prior art keywords
background
infrared
infrared image
gas
pixel
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
Application number
CN201910988000.XA
Other languages
English (en)
Other versions
CN110849876B (zh
Inventor
刘陈瑶
胡梦竹
张龙飞
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201910988000.XA priority Critical patent/CN110849876B/zh
Publication of CN110849876A publication Critical patent/CN110849876A/zh
Application granted granted Critical
Publication of CN110849876B publication Critical patent/CN110849876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • 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
    • G06T2207/10048—Infrared image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度的背景建模SF6气体红外动态检测方法，涉及红外图像检测方法技术领域，通过将原红外图像与不同方差的高斯核进行卷积后，得到不同尺度空间下的红外图像，并计算不同尺度空间的红外图像的平均值，并将平均值作为原红外图像的初始背景；根据所述初始背景进行初始背景建模，得到背景；继续采集当前红外图像，通过比较判断当前红外图像的像素与背景的像素差，判断当前红外图像的像素属于前景或背景，并整理得到标记后的前景特征图像；根据标记为前景的像素点，对背景进行更新，从而对SF6气体进行动态检测，有效的检测出在红外图像下SF6气体的飘散运动，同时本申请满足于实时检测的SF6气体泄漏。

Description

一种基于多尺度的背景建模SF6气体红外动态检测方法
技术领域
本发明涉及红外图像检测方法，尤其涉及一种基于多尺度的背景建模SF6气体红外动态检测方法。
背景技术
现如今，红外成像技术有着成本较低，抗干扰能力较强，可靠性好等优点，已被广泛运用于工业控制，监测等多个领域，通过红外相机检测到人眼不可见的红外线，进而可用于工业环境下的监测任务。
随着气体绝缘开关设备日益增多，SF6气体被广泛的运用。而SF6气体的泄漏导致设备异常在电气设备运行过程中的较为常见。因此，SF6气体泄漏检测工作非常重要。早期对于SF6气体的检漏主要采用皂水查漏、包扎法、手持检漏仪等检测方法。早期的方法应用时设备都需要停电进行，而近年来，智能图像检测技术逐渐被广泛运用于复杂的工业环境中，利用SF6气体红外特性，可在不停电情况下，就能对距离较远的设备经行气体泄漏检测，其检测精度高，抗干扰能力较强，可靠度高，提高了SF6泄漏检测效率，同时也保证了人员的安全。
对于运动目标检测环境与检测在不同的对象的差异性，相应地，运动目标检测算法也各有不同，因此在已有的运动目标检测算法基础上，研究新的检测算法并拓展其具体应用要求有着重要的研究意义与价值。
发明内容
本发明的目的在于提供一种基于多尺度的背景建模SF6气体红外动态检测方法，从而克服了现有SF6红外动态检测不满足实时性的缺点。
为实现上述目的，本发明提供了一种基于多尺度的背景建模SF6气体红外动态检测方法，包括以下步骤：
步骤一、将原红外图像与不同方差的高斯核进行卷积运算，得到不同尺度空间下的红外图像，并计算所述不同尺度空间的红外图像的平均值，将所述平均值作为原红外图像的初始背景；
步骤二、根据所述初始背景进行初始背景建模，得到背景；
步骤三、继续采集当前红外图像，通过比较判断当前红外图像的像素与背景的像素差，判断当前红外图像的像素属于前景或背景，并整理得到标记后的前景特征图像；
步骤四、根据标记为前景的像素点，对背景进行更新。
进一步的，所述步骤一为：采集需监测SF6气体的原红外图像M0，利用不同的高斯核g(x,t)与初始帧卷积平滑，得到不同尺度空间下的红外图像，将不同尺度空间下的红外图像求其平均值，作为初始背景Mb0：
Figure BDA0002237328080000021
Mb0＝mean{M0,M’0,M”0} (2)
式(1)中，N为多维高斯分布中相互独立变量的个数。
进一步的，所述初始背景建模包括：创建背景模板，所述背景模板的大小与初始背景的红外图像相等，将所述初始背景中的每个像素邻域的像素随机赋值到所述背景模板中，所述背景模板的边缘和角落位置的像素取所述初始背景中的有效像素区域进行赋值，遍历整张背景模板，完成初始化背景模板得到背景。
进一步的，创建的所述背景模板的个数为多个。
进一步的，所述步骤三为：继续采集当前红外图像，将当前红外图像的像素与背景的像素相依次进行比较，记录超出阈值的次数，超过2次记则记为像素运动的点，标记为前景，遍历整张采集当前红外图像，得到标记后的前景特征图像；否则为背景，不进行标记。
进一步的，所述步骤四中，对标记为前景的像素点以一定的概率对背景经行更新。
进一步的，更新的概率根据具体场景设定。
与现有的技术相比，本发明具有如下有益效果：
本申请所提供的一种基于多尺度的背景建模SF6气体红外动态检测方法，通过将原红外图像与不同方差的高斯核进行卷积运算后，得到不同尺度空间下的红外图像，并计算不同尺度空间的红外图像的平均值，并将平均值作为原红外图像的初始背景；根据所述初始背景进行初始背景建模，得到背景；继续采集当前红外图像，通过比较判断当前红外图像的像素与背景的像素差，判断当前红外图像的像素属于前景或背景，并整理得到标记后的前景特征图像；根据标记为前景的像素点，对背景进行更新，从而对SF6气体进行动态检测，实时、有效的检测出在红外图像下SF6气体的飘散运动，同时本申请满足于实时检测的SF6气体泄漏。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于多尺度的背景建模SF6气体红外动态检测方法的流程图；
图2是本发明中判断当前像素是否为前景或背景的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所提供的基于多尺度的背景建模SF6气体红外动态检测方法包括以下步骤：
步骤一、采集需监测SF6气体的原红外图像M0，利用不同的高斯核g(x,t)与初始帧卷积平滑，得到不同尺度空间下的红外图像，将不同尺度空间下的红外图像求其平均值，并将平均值作为初始背景Mb0：
Mb0＝mean{M0,M’0,M”0} (2)
式(1)中，N为多维高斯分布中相互独立变量的个数，此处取值为1，x∈RN，t为方差，t＝σ2。
步骤二、根据初始背景进行初始背景建模，初始背景建模包括：创建N＝20个背景模板，背景模板的大小与初始背景Mb0的红外图像相等，将Mb0每个像素的5×5领域的24邻域像素，随机赋值到背景模板中，对于背景模板的边缘和角落位置像素取初始背景中的有效像素区域进行赋值，遍历整张图像，初始化N个背景模板，完成初始背景建模得到背景M(P(x))，M(P(x))＝{P1,…,PN}，P(x)表示为建立的背景图像模板，P1,...,PN分别表示图像模板1～图像模板N。
步骤三、继续采集当前红外图像，通过比较判断当前红外图像的像素与背景的像素差，判断当前红外图像的像素属于前景或背景(如图2所示)，并整理得到标记后的前景特征图像；
具体的，继续采集当前红外图像M1，通过将当前红外图像M1的像素与背景M(P(x))的像素相依次进行比较，像素阈值设定为Th，记录超出阈值的次数，超过2次记则记为像素运动的点，标记为前景，遍历整张采集当前红外图像，得到标记后的前景特征图像；否则为当前红外图像的像素属于背景，即属于前景特征图像中的，无需进行标记。
Figure BDA0002237328080000041
式(3)中，f(x)为二值化图像的方法，x为图像中像素值。
步骤四、为了实时适应背景的变化，对标记为前景的像素点，以一定的概率对背景M(P(x))进行更新，更新的概率p以具体场景设定，背景移动较快时可增大背景更新的概率，背景的更新可快捷的恢复运动覆盖的区域，并去除部分噪声，且无需停电进行检查，检测精度高，抗干扰能力强，提高了SF6泄漏检测效率，同时也保证了人员的安全。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：包括以下步骤：
步骤一、将原红外图像与不同方差的高斯核进行卷积运算，得到不同尺度空间下的红外图像，并计算所述不同尺度空间的红外图像的平均值，将所述平均值作为原红外图像的初始背景；
步骤二、根据所述初始背景进行初始背景建模，得到背景；
步骤三、继续采集当前红外图像，通过比较判断当前红外图像的像素与背景的像素差，判断当前红外图像的像素属于前景或背景，并整理得到标记后的前景特征图像；
步骤四、根据标记为前景的像素点，对背景进行更新。
2.根据权利要求1所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：所述步骤一为：采集需监测SF6气体的原红外图像M0，利用不同的高斯核g(x,t)与初始帧卷积平滑，得到不同尺度空间下的红外图像，将不同尺度空间下的红外图像求其平均值，作为初始背景Mb0：
Figure FDA0002237328070000011
Mb0＝mean{M0,M′0,M″0} (2)
式(1)中，N为多维高斯分布中相互独立变量的个数。
3.根据权利要求1所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：所述初始背景建模包括：创建背景模板，所述背景模板的大小与初始背景的红外图像相等，将所述初始背景中的每个像素邻域的像素随机赋值到所述背景模板中，所述背景模板的边缘和角落位置的像素取所述初始背景中的有效像素区域进行赋值，遍历整张背景模板，完成初始化背景模板得到背景。
4.根据权利要求3所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：创建的所述背景模板的个数为多个。
5.根据权利要求1所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：所述步骤三为：继续采集当前红外图像，将当前红外图像的像素与背景的像素相依次进行比较，记录超出阈值的次数，超过2次记则记为像素运动的点，标记为前景，遍历整张采集当前红外图像，得到标记后的前景特征图像；否则为背景，不进行标记。
6.根据权利要求5所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：所述步骤四中，对标记为前景的像素点以一定的概率对背景经行更新。
7.根据权利要求6所述的基于多尺度的背景建模SF6气体红外动态检测方法，其特征在于：更新的概率根据具体场景设定。
CN201910988000.XA 2019-10-17 2019-10-17 一种基于多尺度的背景建模sf6气体红外动态检测方法 Active CN110849876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910988000.XA CN110849876B (zh) 2019-10-17 2019-10-17 一种基于多尺度的背景建模sf6气体红外动态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910988000.XA CN110849876B (zh) 2019-10-17 2019-10-17 一种基于多尺度的背景建模sf6气体红外动态检测方法

Publications (2)

Publication Number Publication Date
CN110849876A true CN110849876A (zh) 2020-02-28
CN110849876B CN110849876B (zh) 2022-06-24

Family

ID=69597347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910988000.XA Active CN110849876B (zh) 2019-10-17 2019-10-17 一种基于多尺度的背景建模sf6气体红外动态检测方法

Country Status (1)

Country Link
CN (1) CN110849876B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160349228A1 (en) * 2015-05-29 2016-12-01 Rebellion Photonics, Inc. Hydrogen sulfide imaging system
WO2017054455A1 (zh) * 2015-09-30 2017-04-06 深圳大学 一种监控视频中运动目标的阴影检测方法、系统
CN107230221A (zh) * 2017-05-25 2017-10-03 武汉理工大学 一种基于卷积神经网络自适应背景建模物体检测方法
CN107421904A (zh) * 2017-09-04 2017-12-01 合肥工业大学 基于差分吸收激光小车的六氟化硫气体泄漏在线监测系统
CN108648211A (zh) * 2018-05-16 2018-10-12 思百达物联网科技(北京)有限公司 一种基于深度学习的小目标检测方法、装置、设备和介质
CN109858397A (zh) * 2019-01-14 2019-06-07 苏州长风航空电子有限公司 一种基于自适应建模的红外弱小目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160349228A1 (en) * 2015-05-29 2016-12-01 Rebellion Photonics, Inc. Hydrogen sulfide imaging system
WO2017054455A1 (zh) * 2015-09-30 2017-04-06 深圳大学 一种监控视频中运动目标的阴影检测方法、系统
CN107230221A (zh) * 2017-05-25 2017-10-03 武汉理工大学 一种基于卷积神经网络自适应背景建模物体检测方法
CN107421904A (zh) * 2017-09-04 2017-12-01 合肥工业大学 基于差分吸收激光小车的六氟化硫气体泄漏在线监测系统
CN108648211A (zh) * 2018-05-16 2018-10-12 思百达物联网科技(北京)有限公司 一种基于深度学习的小目标检测方法、装置、设备和介质
CN109858397A (zh) * 2019-01-14 2019-06-07 苏州长风航空电子有限公司 一种基于自适应建模的红外弱小目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔺丽华: "基于红外成像的变电站设备安全预警关键技术研究", 《中国优秀博硕士学位论文全文数据库（博士） 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN110849876B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Zhang et al. Motion human detection based on background subtraction
CN102982537B (zh) 一种检测场景变换的方法和系统
CN109409418B (zh) 一种基于词袋模型的回环检测方法
CN110599522B (zh) 一种视频序列中动态目标检测剔除方法
Sengar et al. Foreground detection via background subtraction and improved three-frame differencing
Pawaskar et al. Detection of moving object based on background subtraction
Dhar et al. An efficient real time moving object detection method for video surveillance system
Hossain et al. Moving object detection for real time video surveillance: An edge based approach
López-Rubio et al. Local color transformation analysis for sudden illumination change detection
Widyawan et al. Adaptive motion detection algorithm using frame differences and dynamic template matching method
CN114049320A (zh) 一种基于图片相似度的器件缺失ai质检方法与装置
Fazl-Ersi et al. Region classification for robust floor detection in indoor environments
NC et al. HOG-PCA descriptor with optical flow based human detection and tracking
CN110849876B (zh) 一种基于多尺度的背景建模sf6气体红外动态检测方法
Delibasis et al. Fisheye camera modeling for human segmentation refinement in indoor videos
Mehta et al. Region graph based method for multi-object detection and tracking using depth cameras
Malavika et al. Moving object detection and velocity estimation using MATLAB
Chiu et al. Moving/motionless foreground object detection using fast statistical background updating
Jang et al. Foreground segmentation using morphological operator and histogram analysis for indoor applications
Kalirajan et al. Adaptive visual tracking system using artificial intelligence
Wang et al. RGB-D SLAM Method Based on Object Detection and K-Means
Zul et al. Adaptive motion detection algorithm using frame differences and dynamic template matching method
CN108460353A (zh) 一种基于时序跟踪的红外图像人体检测方法
Zhang et al. Moving object detection for camera pose estimation in dynamic environments
Li et al. RGB-D SLAM Based on Semantic and Geometry for Indoor Dynamic Environments

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