CN111787276A - 一种油库安防方法、系统、装置和存储介质 - Google Patents
一种油库安防方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN111787276A CN111787276A CN202010535714.8A CN202010535714A CN111787276A CN 111787276 A CN111787276 A CN 111787276A CN 202010535714 A CN202010535714 A CN 202010535714A CN 111787276 A CN111787276 A CN 111787276A
- Authority
- CN
- China
- Prior art keywords
- gaussian distribution
- oil depot
- video frame
- model
- gaussian
- 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
Images
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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种油库安防方法、系统、装置和存储介质,油库安防方法包括获取包含油库的监控视频,从所述监控视频提取得到视频帧,通过混合高斯模型对所述视频帧进行处理,以及对所述前景部分进行异常性识别等步骤。通过使用混合高斯模型来对拍摄所得的视频帧进行处理,能够有效应对树叶落叶等动态背景,也就是当摄像模块拍摄所得的监控视频中含有树叶落叶和树叶晃动等内容时,这些高频而小幅的运动将被识别为背景部分,因此可以避免异常性识别的结果受到高频小幅的背景运动的影响,从而降低智能化视频分析技术灵敏度的不可控性,达到进一步更有可能地避免误报警或避免因忽略真正异常情况而不报警等现象。本发明广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种油库安防方法、系统、装置和存储介质。
背景技术
油库是保障生产所需燃油存储、发放的重要场所,能够保障铁路牵引动力燃油供应,对铁路运输提供有力保障,因此对油库的安防是日常工作的重点。由于规划等原因,铁路系统的油库普遍设置在偏僻位置,并且由于面积较大、重点部位较多,安保人员的巡逻难以在时间和空间上实现完整覆盖,对油库的安防工作产生了障碍。
一些现有技术使用视频监控结合智能化视频分析技术,其基本原理是将视频监控拍摄所得的各帧画面进行对比,判断各帧画面之间是否存在较大幅度的变化,从而识别视频监控的视野中是否出现异物入侵或非法人员入侵等异常情况,这些现有技术可以在一定程度上替代部分由安保人员执行的巡逻工作。但是,由于油库所在地往往具有较复杂的自然环境,视频监控的视野范围内经常出现树叶落叶、树叶晃动、水面波动、小动物入侵以及大雨或冰雹等天气现象,上述这些情况一般并不属于油库管理中的异常情况,但是却会被现有技术判断为出现异物入侵或非法人员入侵等异常情况,从而产生误报警。总的来说,现有技术存在灵敏度不易掌握、容易误报警或因忽略真正异常情况而不报警等缺点。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种油库安防方法、系统、装置和存储介质。
一方面,本发明实施例包括一种油库安防方法,包括以下步骤:
获取包含油库的监控视频;
从所述监控视频提取得到视频帧;
通过混合高斯模型对所述视频帧进行处理;所述处理的结果为视频帧被分为前景部分和背景部分;
对所述前景部分进行异常性识别;所述异常性识别的结果为所述前景部分存在入侵目标或所述前景部分不存在入侵目标。
进一步地,油库安防方法还包括以下步骤:
当所述异常性识别的结果为所述前景部分存在入侵目标,根据所述入侵目标的类型进行警报。
进一步地,油库安防方法还包括获取所述混合高斯模型的步骤,所述获取所述混合高斯模型的步骤包括:
建立和初始化多个高斯分布模型;
从所述多个高斯分布模型中,为样本图像中的背景像素确定相匹配的高斯分布模型;所述相匹配的高斯分布模型与所述样本图像中的背景像素的时域分布之间的偏差小于预设的第一阈值;
根据所确定的学习速率和所述样本图像中的背景像素的时域分布,对所述相匹配的高斯分布模型进行更新;
根据所述学习速率,确定各所述高斯分布模型的权重;
确定目标高斯分布模型;所述目标高斯分布模型为各自权重最靠前且其权重之和恰大于预设的第二阈值的高斯分布模型;
各所述目标高斯分布模型组成所述混合高斯模型。
进一步地,所述通过混合高斯模型对所述视频帧进行处理这一步骤,具体包括:
确定所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的关系;
当所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的偏差均小于预设的第三阈值,确定所述视频帧中的像素属于所述背景部分,反之,确定所述视频帧中的像素属于所述前景部分。
进一步地,油库安防方法还包括以下步骤:
确定所述油库所在位置的气象信息;
根据所述气象信息,确定所述学习速率。
进一步地,根据时间变化周期性或非周期性地调整所述学习速率,根据调整后的所述学习速率执行所述获取所述混合高斯模型的步骤。
进一步地,所述根据时间变化周期性或非周期性地调整所述学习速率,具体包括:
按照季节变换周期性地调整所述学习速率。
另一方面,本发明实施例还包括一种油库安防系统,包括:
摄像模块,用于拍摄包含油库的监控视频;
处理模块,用于从所述监控视频提取得到视频帧,通过混合高斯模型对所述视频帧进行处理,所述处理的结果为视频帧被分解成前景部分和背景部分,对所述前景部分进行异常性识别,输出所述异常性识别的结果。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例所述方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例所述方法。
本发明的有益效果是:通过使用混合高斯模型来对拍摄所得的视频帧进行处理,将视频帧分成背景部分和前景部分,并对前景部分进行异常性识别,能够有效应对树叶落叶、树叶晃动、水面波动、小动物入侵以及大雨或冰雹等动态背景,也就是当摄像模块拍摄所得的监控视频中含有树叶落叶和树叶晃动等内容时,这些高频而小幅的运动将被识别为背景部分,而本发明的实施例中是针对背景部分以外的前景部分进行异常性识别,因此可以避免异常性识别的结果受到以上高频小幅的背景运动的影响,这些背景运动所带来的不可控因素也随之减少,从而降低智能化视频分析技术灵敏度的不可控性,达到进一步更有可能地避免误报警或避免因忽略真正异常情况而不报警等现象。
附图说明
图1为实施例中油库安防系统的结构示意图;
图2为实施例中的油库安防方法的流程图。
具体实施方式
本发明的实施例中,执行油库安防方法所使用的硬件的架构如图1所示,通过由多个摄像头组成的摄像头模块,拍摄油库的油罐区、泵房、收发油区等重点部位得到监控视频,将监控视频通过交换机发送至处理模块,处理模块包括基于ARM的嵌入式边缘计算平台和个人计算机。
本发明的实施例中,由基于ARM的嵌入式边缘计算平台或个人计算机执行油库安防方法,参照图2,油库安防方法包括以下步骤:
S1.获取包含油库的监控视频;
S2.从所述监控视频提取得到视频帧;
S3.通过混合高斯模型对所述视频帧进行处理;所述处理的结果为视频帧被分为前景部分和背景部分;
S4.对所述前景部分进行异常性识别;所述异常性识别的结果为所述前景部分存在入侵目标或所述前景部分不存在入侵目标。
本发明的实施例中,在执行步骤S1-S4之前,处理模块还执行以下步骤:
P1.获取混合高斯模型。
通过执行步骤P1获取到的混合高斯模型,可以在执行步骤S3和S4时使用。
本发明的实施例中,获取混合高斯模型的步骤,即步骤P1,具体包括:
P101.建立和初始化多个高斯分布模型;
P102.从所述多个高斯分布模型中,为样本图像中的背景像素确定相匹配的高斯分布模型;所述相匹配的高斯分布模型与所述样本图像中的背景像素的时域分布之间的偏差小于预设的第一阈值;
P103.根据所确定的学习速率和所述样本图像中的背景像素的时域分布,对所述相匹配的高斯分布模型进行更新;
P104.根据所述学习速率,确定各所述高斯分布模型的权重;
P105.确定目标高斯分布模型;所述目标高斯分布模型为各自权重最靠前且其权重之和恰大于预设的第二阈值的高斯分布模型;
P106.各所述目标高斯分布模型组成所述混合高斯模型。
步骤P101-P106是建立多个高斯分布模型,并使用样本图像对这多个高斯分布模型进行训练的过程。本发明的实施例中,针对样本图像中的每个像素都建立、初始化和训练多个高斯分布模型,每个像素对应的建立、初始化和训练多个高斯分布模型的具体过程和原理是类似的,因此,本发明点实施例中,以样本图像中的一个像素为例对步骤P101-P106进行说明,对于样本图像中的其他像素,可以按照相似的流程重新执行步骤P101-P106。
步骤P101-P106中,所使用的样本图像已被划分成背景部分和前景部分,背景部分和前景部分都是像素的集合,即样本图像上的每个像素都可以分类为属于背景部分或前景部分。混合高斯模型(GaussianMixedModel)的基本思路为:将图像中每个像素所呈现的颜色用K个高斯分布模型的叠加来表示,通常的K取值可以是3-5,将每个像素所呈现的颜色X认为是符合高斯分布的随机变量,在每个时刻t=1,2…T所观察到的像素实际上是随机变量X的采样值。
在步骤P101中,处理模块为样本图像中的一个属于背景部分的像素Xj(本发明的实施例中称之为背景像素)建立和初始化K个高斯分布模型,即该式表示在t时刻该背景像素Xj的取值可以表示为K个高斯分布模型的叠加,式中,表示在t时刻中第i个高斯分布的权系数的估计值,表示在t时刻中第i个高斯分布的均值向量,表示在t时刻中第i个高斯分布的协方差矩阵,η表示高斯分布概率密度函数,且如果该背景像素为RGB三通道,则Xj可以表示为矢量 可以表示为矢量 可以表示为矢量
在步骤P101中,在对各高斯分布模型进行初始化时,将排第一的高斯分布模型的均值赋为像素Xj的值,将排第一的高斯分布模型的权重值赋为1,除了排第一的高斯分布模型的其他高斯分布模型的均值和权重值均赋为零。
在步骤P102中,将第一阈值设为标准差的2.5倍,即如果一个高斯分布模型Gi与像素Xj的时域分布(也满足高斯分布)的均值的距离,小于像素Xj的时域分布的标准差的2.5倍,则确定该高斯分布模型Gi与像素Xj匹配,反之,则确定该高斯分布模型Gi与像素Xj不匹配。本发明的实施例中,如果一个高斯分布模型Gi与像素Xj匹配,那么就称高斯分布模型Gi为与像素Xj相匹配的高斯分布模型。
执行步骤P102时,可能发现所有的高斯分布模型中,一部分高斯分布模型为与像素Xj相匹配的高斯分布模型,另一部分高斯分布模型不是与像素Xj相匹配的高斯分布模型。对于不是与像素Xj相匹配的高斯分布模型,在执行步骤P103时,这些高斯分布模型的均值μ和协方差矩阵Σ都保持不变;对于与像素Xj相匹配的高斯分布模型,在执行步骤P103时,通过以下公式以对与像素Xj相匹配的高斯分布模型进行更新:μj,t+1=(1-ρ)μj,t+ρXt,其中系数α为学习速率,学习速率越大,表示学习当前的东西越快,对以前的东西遗忘的越快。
执行步骤P102时,可能发现所有的高斯分布模型中,并不存在一个高斯分布模型满足“与像素Xj的时域分布的均值的距离,小于像素Xj的时域分布的标准差的2.5倍”的条件,即所有的高斯分布模型都与像素Xj不匹配。在这种情况下,在执行步骤P103时,所有的高斯分布模型的均值μ和协方差矩阵Σ都保持不变。然后,选出满足“与像素Xj的时域分布的均值的距离与像素Xj的时域分布的标准差偏差最大”条件的高斯分布模型Gk,对该高斯分布模型Gk进行重新赋值,即ωj,t-1=W0,μj,t=Xt,Σj,t=V0I,W0和V0分别为预先设定的正值,I为一个3×3的单位矩阵。
在步骤P104中,通过下式更新所有K个高斯分布模型在t+1时刻的权系数的估计值:ωj,t+1=(1-α)ωj,t+αMj,t,其中如果高斯分布模型Gj在t时刻与像素Xj相匹配,那么系数Mj,t取值为1,如果高斯分布模型Gj在t时刻与像素Xj不匹配,那么系数Mj,t取值为0。在确定所有权系数的估计值之后,还可以对所有权系数的估计值进行归一化,使得所有权系数的估计值之和为1。
在步骤P105中,根据各高斯分布模型在t+1时刻的权系数的估计值由大到小的顺序,对各高斯分布模型进行排序,选取排名靠前的B个高斯分布模型作为目标高斯分布模型。本发明的实施例中,B的取值为其中T为第三阈值,本发明的实施例中可以设定0.5≤T≤1。通过上式确定的数值B,可以使得排名靠前的B个高斯分布模型权重之和恰大于预设的第二阈值的高斯分布模型,即排名靠前的B个高斯分布模型权重之和大于预设的第二阈值的高斯分布模型,而排名靠前的B-1个高斯分布模型权重之和小于或等于预设的第二阈值的高斯分布模型。
本发明的实施例中,所确定的B个目标高斯分布模型作为混合高斯模型的组成部分,即步骤S1-S4中所使用的混合高斯模型包括上述的B个目标高斯分布模型。
本发明的实施例中,步骤S3包括以下步骤:
S301.确定所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的关系;
S302.当所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的偏差均小于预设的第三阈值,确定所述视频帧中的像素属于所述背景部分,反之,确定所述视频帧中的像素属于所述前景部分。
步骤S301中,将视频帧中的像素的时域分布(满足高斯分布,即具有相应的均值向量和协方差矩阵)与混合高斯模型中B个目标高斯分布模型的均值向量和协方差矩阵进行比较,确定它们之间的偏差。本发明的实施例中,可以求取视频帧中的像素的时域分布的均值向量与一个目标高斯分布模型的均值向量的差值,以及求取视频帧中的像素的时域分布的协方差矩阵向量与一个目标高斯分布模型的协方差矩阵的差值,将这两个差值的平方和的根号值作为视频帧中的像素的时域分布与该目标高斯分布模型之间的偏差。
如果视频帧中的像素的时域分布与所有B个目标高斯分布模型之间的偏差都小于第三阈值,那么确定该像素属于背景部分;如果视频帧中的像素的时域分布与所有B个目标高斯分布模型之间的偏差都大于或等于第三阈值,那么确定该像素属于前景部分。
对视频帧中的其他像素执行步骤S301和S302,可以确定它们属于背景部分或前景部分。
通过对视频帧中的所有像素执行步骤S301和S302,确定它们属于背景部分或前景部分,从而将视频帧分割成背景部分和前景部分。
执行步骤S4,针对前景部分进行异常性识别,具体地,可以针对前景部分进行人脸识别或者物品识别等,确定前景部分属于工作人员、非法人员或者异物,其中工作人员不属于入侵目标,非法人员和超过种类或尺寸标准的异物属于入侵目标。
如果处理模块识别出存在入侵目标,参照图1,处理模块控制显示屏、喇叭或报警灯等展示警报信号,从而向工作人员发出警报。
本发明的实施例中,经过步骤P101-P106建立和训练得到的混合高斯模型,能够有效应对树叶落叶、树叶晃动、水面波动、小动物入侵以及大雨或冰雹等动态背景,也就是当摄像模块拍摄所得的监控视频中含有树叶落叶和树叶晃动等内容时,这些高频而小幅的运动将被识别为背景部分,而本发明的实施例中是针对背景部分以外的前景部分进行异常性识别,因此可以避免异常性识别的结果受到以上高频小幅的背景运动的影响,这些背景运动所带来的不可控因素也随之减少,从而降低智能化视频分析技术灵敏度的不可控性,达到进一步更有可能地避免误报警或避免因忽略真正异常情况而不报警等现象。
本发明的实施例中,步骤P103中的学习速率α是根据油库所在位置的气象信息确定的。具体地,处理模块通过定位设备获得油库所在位置信息,处理模块将位置信息发送到气象台等机构以获取未来一段时间该位置的气象信息,气象信息包括风力和降水量预报等。根据这些气象信息,可以在一定程度上确定未来一段时间摄像模块拍摄到的画面中树叶落叶、树叶晃动、水面波动、大雨或冰雹等的程度,处理模块据此确定学习速率α,例如,气象信息所显示的风力越强或降水量越大,则将学习速率α设定得越大,使得在对混合高斯模型的训练过程中,更能够适应背景运动的变动速率,一定程度上抵消背景运动频率加剧所带来的不可控因素的增长,保持本发明的实施例中油库安防方法的效果。
本发明的实施例中,考虑到气象信息随着季节等变化具有周期性,可以按照季节来设定学习速率α,具体地,设定由大到小的第一值、第二值、第三值和第四值,按照一些地方夏季、冬季、秋季、春季天气变化剧烈程度依次降低的特点,分别在四季之初时执行步骤P101-P106以重新训练得到混合高斯模型,训练后的混合高斯模型可供该季节使用,在夏季、冬季、秋季、春季之初训练所用的学习速率α分别取第一值、第二值、第三值和第四值,从而适应这些季节的天气变化剧烈程度,一定程度上抵消背景运动频率加剧或减弱所带来的不可控因素的增长,保持本发明的实施例中油库安防方法的效果。
本实施例中,一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的油库安防方法,实现与实施例所述的相同的技术效果。
本实施例中,一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例中的油库安防方法,实现与实施例所述的相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种油库安防方法,其特征在于,包括以下步骤:
获取包含油库的监控视频;
从所述监控视频提取得到视频帧;
通过混合高斯模型对所述视频帧进行处理;所述处理的结果为视频帧被分为前景部分和背景部分;
对所述前景部分进行异常性识别;所述异常性识别的结果为所述前景部分存在入侵目标或所述前景部分不存在入侵目标。
2.根据权利要求1所述的油库安防方法,其特征在于,还包括以下步骤:
当所述异常性识别的结果为所述前景部分存在入侵目标,根据所述入侵目标的类型进行警报。
3.根据权利要求1或2所述的油库安防方法,其特征在于,还包括获取所述混合高斯模型的步骤,所述获取所述混合高斯模型的步骤包括:
建立和初始化多个高斯分布模型;
从所述多个高斯分布模型中,为样本图像中的背景像素确定相匹配的高斯分布模型;所述相匹配的高斯分布模型与所述样本图像中的背景像素的时域分布之间的偏差小于预设的第一阈值;
根据所确定的学习速率和所述样本图像中的背景像素的时域分布,对所述相匹配的高斯分布模型进行更新;
根据所述学习速率,确定各所述高斯分布模型的权重;
确定目标高斯分布模型;所述目标高斯分布模型为各自权重最靠前且其权重之和恰大于预设的第二阈值的高斯分布模型;
各所述目标高斯分布模型组成所述混合高斯模型。
4.根据权利要求3所述的油库安防方法,其特征在于,所述通过混合高斯模型对所述视频帧进行处理这一步骤,具体包括:
确定所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的关系;
当所述视频帧中的像素的时域分布与各所述目标高斯分布模型之间的偏差均小于预设的第三阈值,确定所述视频帧中的像素属于所述背景部分,反之,确定所述视频帧中的像素属于所述前景部分。
5.根据权利要求3所述的油库安防方法,其特征在于,还包括以下步骤:
确定所述油库所在位置的气象信息;
根据所述气象信息,确定所述学习速率。
6.根据权利要求3所述的油库安防方法,其特征在于,根据时间变化周期性或非周期性地调整所述学习速率,根据调整后的所述学习速率执行所述获取所述混合高斯模型的步骤。
7.根据权利要求6所述的油库安防方法,其特征在于,所述根据时间变化周期性或非周期性地调整所述学习速率,具体包括:
按照季节变换周期性地调整所述学习速率。
8.一种油库安防系统,其特征在于,包括:
摄像模块,用于拍摄包含油库的监控视频;
处理模块,用于从所述监控视频提取得到视频帧,通过混合高斯模型对所述视频帧进行处理,所述处理的结果为视频帧被分解成前景部分和背景部分,对所述前景部分进行异常性识别,输出所述异常性识别的结果。
9.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535714.8A CN111787276A (zh) | 2020-06-12 | 2020-06-12 | 一种油库安防方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535714.8A CN111787276A (zh) | 2020-06-12 | 2020-06-12 | 一种油库安防方法、系统、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111787276A true CN111787276A (zh) | 2020-10-16 |
Family
ID=72756403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535714.8A Pending CN111787276A (zh) | 2020-06-12 | 2020-06-12 | 一种油库安防方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111787276A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN107483887A (zh) * | 2017-08-11 | 2017-12-15 | 中国地质大学(武汉) | 一种智慧城市视频监控中突发情况的预警检测方法 |
CN107659754A (zh) * | 2017-07-18 | 2018-02-02 | 孙战里 | 一种树叶扰动情况下监控视频的有效浓缩方法 |
CN108053418A (zh) * | 2017-11-29 | 2018-05-18 | 中国农业大学 | 一种动物背景建模方法及装置 |
-
2020
- 2020-06-12 CN CN202010535714.8A patent/CN111787276A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN107659754A (zh) * | 2017-07-18 | 2018-02-02 | 孙战里 | 一种树叶扰动情况下监控视频的有效浓缩方法 |
CN107483887A (zh) * | 2017-08-11 | 2017-12-15 | 中国地质大学(武汉) | 一种智慧城市视频监控中突发情况的预警检测方法 |
CN108053418A (zh) * | 2017-11-29 | 2018-05-18 | 中国农业大学 | 一种动物背景建模方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271554B (zh) | 一种智能视频识别系统及其应用 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN110765848A (zh) | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 | |
CN111653023A (zh) | 一种智能工厂监管方法 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN111353338B (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN111353343A (zh) | 一种基于视频监控的营业厅服务规范质检方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
EP2447912B1 (en) | Method and device for the detection of change in illumination for vision systems | |
CN113095160B (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 | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
CN113989732A (zh) | 基于深度学习的实时监控方法、系统、设备和可读介质 | |
CN115830641B (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
CN116152699B (zh) | 用于水电厂视频监控系统的实时运动目标检测方法 | |
CN112270207A (zh) | 一种社区监控场景下烟火检测方法 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN111787276A (zh) | 一种油库安防方法、系统、装置和存储介质 | |
CN115131686A (zh) | 一种基于主动学习和半监督学习的智能电力巡检方法 | |
CN114724089A (zh) | 一种基于互联网的智慧城市监测方法 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
Qin et al. | Scene segmentation based on seeded region growing for foreground detection | |
Fu et al. | Research on detection and recognition of abnormal behavior in video |
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: 20201016 |