CN112364884A - 一种移动物体侦测的方法 - Google Patents

Abstract

本发明涉及一种移动物体侦测的方法，包括：S1：根据移动侦测算法获取待测图像中正在移动的目标，得到第一目标图像；S2：对第一目标图像进行滤波处理，得到滤波图像；S3：对滤波图像进行背景相似度过滤处理，得到第二目标图像；S4：根据目标锐利边缘的长度对第二目标图像进行过滤处理，得到第三目标图像；S5：将第三目标图像输入至训练完成的分类器中，输出图像分类结果。本发明的移动物体侦测的方法，通过传统方法与深度学习相结合，能够在很大程度上识别真实目标，有效解决室内情况下由于地板砖反光、户外环境下由于树叶与其他物品产生的阴影导致的入侵检测误报问题。

Description

一种移动物体侦测的方法

技术领域

本发明属于视频图像处理技术领域，具体涉及一种移动物体侦测的方法。

背景技术

变压器作为常规电力设施，是输配电系统中一种极其重要的电器设备，但由于各种原因，在运行中有时会因物体飘落在变压器台面或人为破坏产生故障。为解决以上问题，业界普遍采用自动化监控措施，利用人工智能的方法监控这些设备是否正常运转。通常利用视频监控设备检测是否有异物入侵，但是，现有的针对异物入侵检测技术受光线变化影响较大，会出现由于地板砖反光、或是无法有效判断真实目标入侵或是周围环境影子而造成移动侦测算法误报的现象。

为了降低移动侦测算法误报的概率，通常采用基于颜色特征的阴影去除法或基于区域模糊程度计算的阴影消除算法去除阴影。但是，基于颜色特征的阴影去除法需要使用HSV色彩空间，通过判断目标区域在H(饱和度)空间和V(亮度)空间的值来判断该区域是否是阴影，在室内的情况下，由于灯光在地板上会发生反射，这样的光线变化很有可能亮度高于周边环境，且饱和度依赖于地砖与灯光的颜色，使得该方法在室内场景中无法有效过滤光线变化产生的误检。基于区域模糊程度计算的阴影消除算法，是基于阴影区域内较为模糊的原理，对图像边缘的信息量做出判断，如果移动的目标是一个较为纯粹的目标，比如一张白纸，或者一个纯色的物体，则很有可能经过该算法之后，检测到的边缘较少，方差较小，从而认为该区域没有物体在移动。

因此，针对异物入侵检测技术受光线变化影响较为严重的缺陷，设计一种可以消除阴影的移动物体侦测的方法是很有必要的。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种移动物体侦测的方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种移动物体侦测的方法，包括：

S1：根据移动侦测算法获取待测图像中正在移动的目标，得到第一目标图像；

S2：对所述第一目标图像进行滤波处理，得到滤波图像；

S3：对所述滤波图像进行背景相似度过滤处理，得到第二目标图像；

S4：根据目标锐利边缘的长度对所述第二目标图像进行过滤处理，得到第三目标图像；

S5：将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果。

在本发明的一个实施例中，所述S1包括：

采用高斯混合模型和VIBE算法获取所述待测图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的所述第一目标图像。

在本发明的一个实施例中，所述S2包括：

使用中值滤波器对所述第一目标图像的噪声进行滤波处理，得到所述滤波图像。

在本发明的一个实施例中，所述S3包括：

S31：对所述滤波图像的所述目标区域进行裁剪，获取第一目标区域图片以及其对应的背景图片；

S32：利用matchTemplate函数计算所述第一目标区域图片以及其对应的所述背景图片的相似度；

S33：将计算得到相似度与预设的第一阈值进行比较，根据比较结果，将由于区域性的光线变化产生的所述目标区域进行过滤，得到所述第二目标图像。

在本发明的一个实施例中，所述S4包括：

S41：对所述第二目标图像的所述目标区域进行裁剪，获取第二目标区域图片；

S42：利用Canny边缘检测算法，获取所述第二目标区域图片中目标区域的边缘；

S43：连通所述第二目标区域图片中目标区域的边缘，获取最长边缘，并计算得到所述最长边缘的长度；

S44：将所述最长边缘的长度与预设的第二阈值进行比较，根据比较结果，将由影子产生的所述目标区域进行过滤，得到所述第三目标图像。

在本发明的一个实施例中，所述分类器的训练方法包括：

步骤1：收集不同阴影类型和目标类型的图像，利用移动侦测算法获取所述图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的图像；

步骤2：对所述目标区域的图像进行截取，得到截取图片；

步骤3：对所述截取图片进行人工筛选分类并标记，得到训练数据集；

步骤4：根据所述训练数据集，对分类网络进行训练，得到所述分类器。

其中，所述分类器的损失函数为添加有L1正则和L2正则的CrossEntropy损失函数。

在本发明的一个实施例中，所述S5包括：

将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果，根据所述图像分类结果，判断所述第三目标图像中的所述目标区域为目标图或阴影图。

在本发明的一个实施例中，所述S3之前还包括：

根据预设的敏感区域，对所述滤波图像进行第一次敏感区域过滤，过滤掉与所述敏感区域没有交集的所述目标区域。

在本发明的一个实施例中，所述S5之后还包括：

根据预设的所述敏感区域，对所述目标图进行第二次敏感区域过滤，过滤掉中心点位于所述敏感区域之外的所述目标图；

对经过第二次敏感区域过滤的所述目标图进行目标持续时间过滤，若所述目标图显示在同一位置的时间不超过预设的时间阈值，那么将该目标图进行过滤，根据过滤结果确定异物入侵目标。

与现有技术相比，本发明的有益效果在于：

本发明的移动物体侦测的方法，通过目标区域与背景的相似度、目标锐利边缘的长度、目标持续时间等传统方法与基于深度学习的分类器级联，能够有效抑制光线变化导致的移动侦测误检的概率，能够在很大程度上识别真实目标，有效解决室内情况下由于地板砖反光、户外环境下由于树叶与其他物品产生的阴影导致的入侵检测误报问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是本发明实施例提供的一种移动物体侦测的方法的流程图；

图2是本发明实施例提供的另一种移动物体侦测的方法的流程图。

具体实施方式

为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种移动物体侦测的方法进行详细说明。

有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。

实施例一

请参见图1，图1是本发明实施例提供的一种移动物体侦测的方法的流程图。如图所示，本实施例的移动物体侦测的方法，包括：

S1：根据移动侦测算法获取待测图像中正在移动的目标，得到第一目标图像；

在本实施例中，采用高斯混合模型和VIBE算法获取所述待测图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的所述第一目标图像。移动侦测算法是利用当前帧与背景图相减，不等的部分被识别为正在移动的物体。

在其他实施例中，也可采用其他移动侦测算法获取所述待测图像中正在移动的目标，不同算法所创建的背景图不同，相减的算法也不同，在此不做限制。

S2：对所述第一目标图像进行滤波处理，得到滤波图像；

具体地，使用中值滤波器对所述第一目标图像的噪声进行滤波处理，得到所述滤波图像。

在本实施例中，使用中值滤波器过滤掉较小尺寸的噪声，其中包括零散区域的光线变化影响，再利用形态学的关操作(Close operation)连通零散的小目标，使之合并成一个完整的大目标，利用形态学开操作(Open operation)进一步消除小目标的影响，其中包含小范围的光线变化。

S3：对所述滤波图像进行背景相似度过滤处理，得到第二目标图像；

具体地，所述S3包括：

S31：对所述滤波图像的所述目标区域进行裁剪，获取第一目标区域图片以及其对应的背景图片；

S32：利用matchTemplate函数计算所述第一目标区域图片以及其对应的所述背景图片的相似度；

可选地，采用opencv软件库(一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库)，利用matchTemplate函数计算所述第一目标区域图片以及其对应的所述背景图片的相似度。

S33：将计算得到相似度与预设的第一阈值进行比较，根据比较结果，将由于区域性的光线变化产生的所述目标区域进行过滤，得到所述第二目标图像。

在本实施例中，若第一目标区域图片以及其对应的背景图片的相似度高于80％，则忽略该目标区域，认为该目标区域是由于区域性的光线变化产生的，而非真实移动的目标，若第一目标区域图片以及其对应的背景图片的相似度低于80％，则保留该目标区域，认为该目标区域是真实移动的目标。

S4：根据目标锐利边缘的长度对所述第二目标图像进行过滤处理，得到第三目标图像；

由于影子的边缘较为模糊，而真实目标的边缘较为锐利，因此，通过计算目标区域的Canny边缘，在设置的阈值合适的情况下，可以在一定程度上检测出目标区域的锐利边缘，从而对由影子产生的目标区域进行过滤。

具体地，所述S4包括：

S41：对所述第二目标图像的所述目标区域进行裁剪，获取第二目标区域图片；

S42：利用Canny边缘检测算法，获取所述第二目标区域图片中目标区域的边缘；

S43：连通所述第二目标区域图片中目标区域的边缘，获取最长边缘，并计算得到所述最长边缘的长度；

在本实施例中，通过形态学的关操作(Close operation)连通所述第二目标区域图片中目标区域的边缘，然后查找这些边缘中最长的边缘，并计算该边缘的长度。

S44：将所述最长边缘的长度与预设的第二阈值进行比较，根据比较结果，将由影子产生的所述目标区域进行过滤，得到所述第三目标图像。

在本实施例中，若所述最长边缘的长度小于20个像素，则忽略该目标区域，认为该目标区域是由于影子产生的，而非真实移动的目标，若所述最长边缘的长度大于20个像素，则保留该目标区域，认为该目标区域是真实移动的目标。

S5：将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果。

具体地，所述S5包括：

将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果，根据所述图像分类结果，判断所述第三目标图像的所述目标区域为目标图或阴影图。

在本实施例中，所述分类器的训练方法包括：

步骤1：收集不同阴影类型和目标类型的图像，利用移动侦测算法获取所述图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的图像；

步骤2：对所述目标区域的图像进行截取，得到截取图片；

步骤3：对所述截取图片进行人工筛选分类并标记，得到训练数据集；

在本实施例中，通过人工筛选对步骤2中得到的截取图片进行分类并标记为阴影类和目标类。阴影类包括由于区域性的光线变化产生的光影、或者是物体投影形成的影子等。目标类包括普通的物体、容易被误认为阴影的黑色物体等。

步骤4：根据所述训练数据集，对分类网络进行训练，得到所述分类器。

在本实施例中，分类网络为公开的resnet18框架，二分类网络。需要说明的是，本实施例的训练数据集，统一由RGB(三通道图)转为灰度图像三通道，以提升分类器的鲁棒性。

在本实施例中，为了防止可能将黑色的物体误检为阴影，或者漏掉一些不太明显的阴影区域，所述分类器的损失函数为添加有L1正则和L2正则的CrossEntropy损失函数。其中，L1正则用于平衡阴影区域与非阴影区域的比重，如果阴影区域的面积小于非阴影区域，会惩罚误检的阴影区域多一些。L2正则用于帮助分类网络去学习不容易识别的类型(这里主要指阴影或非阴影)，如果正确识别的阴影区域较小，那么他的损失函数的权值就会变大，反之亦然。

本实施例的移动物体侦测的方法，通过传统方法与深度学习相结合，能够在很大程度上识别真实目标，有效解决室内情况下由于地板砖反光、户外环境下由于树叶与其他物品产生的阴影导致的入侵检测误报问题。

进一步地，本实施例还提供了另一种移动物体侦测的方法，请参见图2，图2是本发明实施例提供的另一种移动物体侦测的方法的流程图。如图所示，与上述实施例相比，本实施例的移动物体侦测的方法，在所述S3之前还包括：根据预设的敏感区域，对所述滤波图像进行第一次敏感区域过滤，过滤掉与所述敏感区域没有交集的所述目标区域。然后对进行第一次敏感区域过滤后的滤波图像进行步骤S3的背景相似度过滤处理。

在本实施例中，所述敏感区域为根据变压器监测的实际环境情况，人工设定的，所有与所述敏感区域没有交集的所述目标区域则会被过滤掉，认为该目标区域不是需要关心的区域，而所有与所述敏感区域有交集的所述目标区域被认为是“可能入侵的目标”。

进一步地，所述S5之后还包括：

S6：根据预设的所述敏感区域，对所述目标图进行第二次敏感区域过滤，过滤掉中心点位于所述敏感区域之外的所述目标图；

具体地，如果所述目标图的中心点位于所述敏感区域内，则认为该目标图中的目标存在威胁，否则，即便在第一次过滤中发现该目标图中的目标与敏感区域有交集，只要其中心点不在敏感区域内，则认为该目标图中的目标不形成威胁，予以过滤。

S7：对经过第二次敏感区域过滤的所述目标图进行目标持续时间过滤，若所述目标图显示在同一位置的时间不超过预设的时间阈值，那么将该目标图进行过滤，根据过滤结果确定异物入侵目标。

具体的，如果目标图中的目标一闪而过，则认为该目标图中的目标不会构成威胁，不会认为是有异物入侵。如果目标图中的目标持续显示在同一位置的时间超过预设的时间阈值，则认为该目标图中的目标已经构成威胁，判定为异物入侵目标。

需要说明的是，根据判定的异物入侵目标，可以发出告警信号，以方便后续工作人员对变压器台面的入侵异物进行处理。

本实施例的移动物体侦测的方法，通过目标区域与背景的相似度、目标锐利边缘的长度、目标持续时间等传统方法与基于深度学习的分类器级联，能够有效抑制光线变化导致的移动侦测误检的概率，能够在很大程度上识别真实目标，有效解决室内情况下由于地板砖反光、户外环境下由于树叶与其他物品产生的阴影导致的入侵检测误报问题。

应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种移动物体侦测的方法，其特征在于，包括：

S1：根据移动侦测算法获取待测图像中正在移动的目标，得到第一目标图像；

S2：对所述第一目标图像进行滤波处理，得到滤波图像；

S3：对所述滤波图像进行背景相似度过滤处理，得到第二目标图像；

S4：根据目标锐利边缘的长度对所述第二目标图像进行过滤处理，得到第三目标图像；

S5：将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果。

2.根据权利要求1所述的方法，其特征在于，所述S1包括：

采用高斯混合模型和VIBE算法获取所述待测图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的所述第一目标图像。

3.根据权利要求1所述的方法，其特征在于，所述S2包括：

使用中值滤波器对所述第一目标图像的噪声进行滤波处理，得到所述滤波图像。

4.根据权利要求2所述的方法，其特征在于，所述S3包括：

S31：对所述滤波图像的所述目标区域进行裁剪，获取第一目标区域图片以及其对应的背景图片；

S32：利用matchTemplate函数计算所述第一目标区域图片以及其对应的所述背景图片的相似度；

S33：将计算得到相似度与预设的第一阈值进行比较，根据比较结果，将由于区域性的光线变化产生的所述目标区域进行过滤，得到所述第二目标图像。

5.根据权利要求2所述的方法，其特征在于，所述S4包括：

S41：对所述第二目标图像的所述目标区域进行裁剪，获取第二目标区域图片；

S42：利用Canny边缘检测算法，获取所述第二目标区域图片中目标区域的边缘；

S43：连通所述第二目标区域图片中目标区域的边缘，获取最长边缘，并计算得到所述最长边缘的长度；

S44：将所述最长边缘的长度与预设的第二阈值进行比较，根据比较结果，将由影子产生的所述目标区域进行过滤，得到所述第三目标图像。

6.根据权利要求1所述的方法，其特征在于，所述分类器的训练方法包括：

步骤1：收集不同阴影类型和目标类型的图像，利用移动侦测算法获取所述图像中正在移动的目标，并对所述正在移动的目标进行标记，得到标记目标区域的图像；

步骤2：对所述目标区域的图像进行截取，得到截取图片；

步骤3：对所述截取图片进行人工筛选分类并标记，得到训练数据集；

步骤4：根据所述训练数据集，对分类网络进行训练，得到所述分类器；

其中，所述分类器的损失函数为添加有L1正则和L2正则的Cross Entropy损失函数。

7.根据权利要求6所述的方法，其特征在于，所述S5包括：

将所述第三目标图像输入至训练完成的分类器中，输出图像分类结果，根据所述图像分类结果，判断所述第三目标图像的所述目标区域为目标图或阴影图。

8.根据权利要求7所述的方法，其特征在于，所述S3之前还包括：

根据预设的敏感区域，对所述滤波图像进行第一次敏感区域过滤，过滤掉与所述敏感区域没有交集的所述目标区域。

9.根据权利要求8所述的方法，其特征在于，所述S5之后还包括：

根据预设的所述敏感区域，对所述目标图进行第二次敏感区域过滤，过滤掉中心点位于所述敏感区域之外的所述目标图；

对经过第二次敏感区域过滤的所述目标图进行目标持续时间过滤，若所述目标图显示在同一位置的时间不超过预设的时间阈值，那么将该目标图进行过滤，根据过滤结果确定异物入侵目标。

Images