CN114332744A - 一种基于机器视觉的变电站自适应安防方法及系统 - Google Patents

一种基于机器视觉的变电站自适应安防方法及系统 Download PDF

Info

Publication number
CN114332744A
CN114332744A CN202210228357.XA CN202210228357A CN114332744A CN 114332744 A CN114332744 A CN 114332744A CN 202210228357 A CN202210228357 A CN 202210228357A CN 114332744 A CN114332744 A CN 114332744A
Authority
CN
China
Prior art keywords
video frame
suspected
security
adaptive
suspected object
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
CN202210228357.XA
Other languages
English (en)
Other versions
CN114332744B (zh
Inventor
林仁辉
苏茂才
王威
唐泰可
廖峪
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.)
Nobicam Artificial Intelligence Technology Chengdu Co ltd
Original Assignee
Chengdu Nuobikan Technology 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 Chengdu Nuobikan Technology Co ltd filed Critical Chengdu Nuobikan Technology Co ltd
Priority to CN202210228357.XA priority Critical patent/CN114332744B/zh
Publication of CN114332744A publication Critical patent/CN114332744A/zh
Application granted granted Critical
Publication of CN114332744B publication Critical patent/CN114332744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种基于机器视觉的变电站自适应安防方法及系统，包括以下步骤：步骤S1、将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征；步骤S2、将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率。本发明根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，同时会增加疑似对象在其监控视野中的监控设备的视频帧量，提高安防精度。

Description

一种基于机器视觉的变电站自适应安防方法及系统
技术领域
本发明涉及变电站安防技术领域，具体涉及一种基于机器视觉的变电站自适应安防方法及系统。
背景技术
一种人、动物、车辆自动识别于一体的监控设备已经逐渐覆盖到普通小区，对于人的识别主要是对于小区安防的监控，而对于动物的识别是为了确保动物类型及卫生情况的监控，另外，对于车辆的识别主要考虑到交通的安全及消防通道的通畅性的监控。目前的监控设备一般采用传统的监控设备外壳，加载上用于分别监控人、动物、车辆的软件模块来实现安防监控。
现有技术CN202110817771.X 公开了一种自适应调整的安防监控方法、监控系统，包括：在所述监控设备所识别的图像中存在人、动物和车辆时，获取预估得到的人、动物和车辆各自离开所述监控设备的有效识别区的时间，其中所述有效识别区被配置为能够识别所述人、动物和车辆各自的关键特征的区域范围；基于人、动物和车辆各自对应的时间的比较结果确定识别所述人、动物和车辆的关键特征的顺序；以及按照所确定的顺序调整所述监控设备的姿态以获取所述人、动物和车辆各自对应的图像信息并识别所述图像信息中的关键特征，完成监控。本发明可以较好的完成特征采集，从而实现安防监控的功能。
虽然上述现有技术能够实现对对象种类的自适应识别，但却难以实现自动识别出对象的危险性，而且对监控设备的实时视频进行逐帧保存，会造成监控数据流巨大，处理速度慢，同时对疑似对象不在监控视野中的监控设备而言，与疑似对象在监控视野中的监控设备采用同种视频帧保存频率，会造成疑似对象不在监控视野中的监控设备产生大量冗余视频帧，占用数据流处理空间。
发明内容
本发明的目的在于提供一种基于机器视觉的变电站自适应安防方法，以解决现有技术中实现自动识别出对象的危险性，而且对监控设备的实时视频进行逐帧保存，会造成监控数据流巨大，处理速度慢，同时对疑似对象不在监控视野中的监控设备而言，与疑似对象在监控视野中的监控设备采用同种视频帧保存频率，会造成疑似对象不在监控视野中的监控设备产生大量冗余视频帧，占用数据流处理空间的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于机器视觉的变电站自适应安防方法，包括以下步骤：
步骤S1、将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征，所述疑似对象表征为具有被认定为预检目标对象可能性的对象，所述预检目标对象表征为被变电站列为对变电站具有安防危害性的对象；
步骤S2、将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，所述视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
步骤S3、根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制，所述安防目标对象表征为对变电站具有高安防危害性的预见目标对象。
作为本发明的一种优选方案，所述将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，包括：
依次将每个监控设备的实时视频帧和上一时刻视频帧进行全局差异性运算，以得到包含疑似对象的视频帧；
设定用于目标检测的差异性阈值，并将所述全局差异性与差异性阈值进行比较，其中，
当全局差异性高于或等于差异性阈值，则将对应的所述实时视频帧判定为包含疑似对象的视频帧；
当全局差异性低于差异性阈值，则将对应的所述实时视频帧判定为非包含疑似对象的视频帧；
优选的，所述全局差异性的运算公式为：
Figure 43967DEST_PATH_IMAGE001
；
式中，
Figure 338813DEST_PATH_IMAGE002
表征为第i个监控设备的实时视频帧和上一时刻视频帧的全局差异性，
Figure 690160DEST_PATH_IMAGE003
、
Figure 370540DEST_PATH_IMAGE004
分别表征为第i个监控设备的实时视频帧和上一时刻视频帧的第j个像素点的像素值，i、t、j均为计量常数，无实质含义，
Figure 781930DEST_PATH_IMAGE005
表征为第i个监控设备的实时视频帧或上一时刻视频帧的像素点总数目，T为转置运算符。
作为本发明的一种优选方案，所述在包含疑似对象的视频帧中提取出疑似对象的图像特征，包括：
利用SSD算法在包含疑似对象的视频帧中提取出疑似对象的图像位置特征，并基于所述图像位置特征在包含疑似对象的视频帧中提取出图像像素特征；
优选的，所述SSD算法的训练包括：
将包含预检目标对象的多个视频帧作为训练样本，并将训练样本应用于所述SSD算法进行算法训练以得到具有高准确度的SSD算法；
其中，所述SSD算法的损失函数设定为：
Figure 564072DEST_PATH_IMAGE006
；
式中，
Figure 453531DEST_PATH_IMAGE007
表征为SSD算法输出的第k个训练样本的预检目标对象的图像位置特征向量，
Figure 519576DEST_PATH_IMAGE008
表征为第k个训练样本的预检目标对象的真实图像位置特征向量，
Figure 101867DEST_PATH_IMAGE009
表征为SSD算法输出的第k个训练样本的预检目标对象的图像像素特征向量，
Figure 371306DEST_PATH_IMAGE010
表征为第k个训练样本的预检目标对象的真实图像像素特征向量，k为计量常数，无实质含义，n为训练样本总数。
作为本发明的一种优选方案，所述将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，包括：
将对应拍摄到所述包含疑似对象的视频帧的监控设备标记为自适应调整设备。
作为本发明的一种优选方案，所述对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，包括：
将所述疑似对象的图像像素特征和预检目标对象的图像像素特征进行相似度运算，所述相似度运算公式为：
Figure 64455DEST_PATH_IMAGE011
；
式中，
Figure 719427DEST_PATH_IMAGE012
表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量与包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，
Figure 472620DEST_PATH_IMAGE013
、B分别表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量、包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，r为计量常数，无实质含义。
作为本发明的一种优选方案，所述根据相似性分析结果调整自适应调整设备的视频帧留存频率，包括：
设定相似度阈值，所述相似度
Figure 229354DEST_PATH_IMAGE012
与相似度阈值比较，其中，
若相似度
Figure 726195DEST_PATH_IMAGE012
高于或等于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 766832DEST_PATH_IMAGE014
，式中，
Figure 425346DEST_PATH_IMAGE015
、
Figure 669377DEST_PATH_IMAGE016
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义；
若相似度
Figure 704329DEST_PATH_IMAGE012
低于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 599473DEST_PATH_IMAGE017
，式中，
Figure 428888DEST_PATH_IMAGE015
、
Figure 160215DEST_PATH_IMAGE016
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义。
作为本发明的一种优选方案，所述根据疑似对象的行为特征判定安防危害性的程度，包括：
依次将每个自适应调整设备的实时视频帧按所述视频帧留存频率进行视频帧保存得到多组表征疑似对象的行为特征的视频帧序列；
依次将每组表征疑似对象的行为特征的视频帧序列输入至基于Bi-LSTM-Attiention模型的危险行为识别模型以得到多组表征疑似对象的安防危害性的程度值，并将每组表征疑似对象的安防危害性的程度值按疑似对象对应的相似度
Figure 998858DEST_PATH_IMAGE018
进行加权求和作为表征疑似对象的安防危害性的总程度值，所述表征疑似对象的安防危害性的总程度值的计算公式为：
Figure 482929DEST_PATH_IMAGE019
；
式中，
Figure 748825DEST_PATH_IMAGE020
表征为总程度值，
Figure 701869DEST_PATH_IMAGE021
表征为每组表征疑似对象的安防危害性的程度值，N表征为自适应调整设备总数目。
作为本发明的一种优选方案，所述基于安防危害性的高低程度将疑似对象重标记为安防目标对象，包括：
设定安防危害性的判定阈值，将所述安防危害性的总程度值与安防危害性的判定阈值相比较，其中，
若所述安防危害性的总程度值高于或等于安防危害性的判定阈值，则将对应的疑似对象重标记为安防目标对象；
若所述安防危害性的总程度值低于安防危害性的判定阈值，则将对应的疑似对象重标记为非安防目标对象。
作为本发明的一种优选方案，将所有监控设备的拍摄分辨率和监控频率设置为相同。
作为本发明的一种优选方案，本发明提供了一种根据所述的基于机器视觉的变电站自适应安防方法的安防系统，包括：
目标检测单元，用于将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征；
留存频率调整单元，用于将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，所述视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
安防控制单元，用于根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制。
本发明与现有技术相比较具有如下有益效果：
本发明将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，对疑似对象不在监控视野中的监控设备而言，与疑似对象在监控视野中的监控设备采用差别式视频帧保存频率，会降低疑似对象不在其监控视野中的监控设备的视频帧冗余量，提高安防效率，同时会增加疑似对象在其监控视野中的监控设备的视频帧量，提高捕捉到疑似对象的行为特征的概率，提高安防精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的变电站自适应安防方法流程图；
图2为本发明实施例提供的安防系统框图。
图中的标号分别表示如下：
1-目标检测单元；2-留存频率调整单元；3-安防控制单元。
具体实施方式
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做出创造性劳动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，变电站安防是识别出对变电站设备存在危害性的对象，并将其在产生危害性行为前进行定位捕捉，以保障变电站设备安全，本发明提供了一种基于机器视觉的变电站自适应安防方法，在变电站中高效且精准的识别出会对变电站造成危害性的对象。
一种基于机器视觉的变电站自适应安防方法，包括以下步骤：
步骤S1、将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征，疑似对象表征为具有被认定为预检目标对象可能性的对象，预检目标对象表征为被变电站列为对变电站具有安防危害性的对象，比如入侵物或人，偷盗者，非法侵入的小动物等；
将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，包括：
依次将每个监控设备的实时视频帧和上一时刻视频帧进行全局差异性运算，以得到包含疑似对象的视频帧；
设定用于目标检测的差异性阈值，并将全局差异性与差异性阈值进行比较，其中，
当全局差异性高于或等于差异性阈值，则将对应的实时视频帧判定为包含疑似对象的视频帧；
当全局差异性低于差异性阈值，则将对应的实时视频帧判定为非包含疑似对象的视频帧；
优选的，全局差异性的运算公式为：
Figure 344203DEST_PATH_IMAGE022
；
式中，
Figure 948360DEST_PATH_IMAGE023
表征为第i个监控设备的实时视频帧和上一时刻视频帧的全局差异性，
Figure 385157DEST_PATH_IMAGE024
、
Figure 215710DEST_PATH_IMAGE025
分别表征为第i个监控设备的实时视频帧和上一时刻视频帧的第j个像素点的像素值，i、t、j均为计量常数，无实质含义，
Figure 17661DEST_PATH_IMAGE026
表征为第i个监控设备的实时视频帧或上一时刻视频帧的像素点总数目，T为转置运算符。
将每个监控设备的实时视频帧和上一时刻视频帧进行全局差异性运算，实时视频帧与上一时刻视频帧差异性大时，说明当前的实时视频帧中存在了新元素，即存在变电站中侵入了预检目标对象的可能性，本实施例称为疑似对象，在实时视频帧中提取出包含疑似对象的视频帧。
在包含疑似对象的视频帧中提取出疑似对象的图像特征，包括：
利用SSD算法在包含疑似对象的视频帧中提取出疑似对象的图像位置特征，并基于图像位置特征在包含疑似对象的视频帧中提取出图像像素特征；
优选的，SSD算法的训练包括：
将包含预检目标对象的多个视频帧作为训练样本，并将训练样本应用于SSD算法进行算法训练以得到具有高准确度的SSD算法；
其中，SSD算法的损失函数设定为：
Figure 476324DEST_PATH_IMAGE027
；
式中，
Figure 349603DEST_PATH_IMAGE028
表征为SSD算法输出的第k个训练样本的预检目标对象的图像位置特征向量，
Figure 401872DEST_PATH_IMAGE008
表征为第k个训练样本的预检目标对象的真实图像位置特征向量，
Figure 995796DEST_PATH_IMAGE029
表征为SSD算法输出的第k个训练样本的预检目标对象的图像像素特征向量，
Figure 449911DEST_PATH_IMAGE030
表征为第k个训练样本的预检目标对象的真实图像像素特征向量，k为计量常数，无实质含义，n为训练样本总数。
损失函数利用图像位置特征和图像像素特征进行组合，可实现对定位准确性的把控，从而使得训练好的SSD算法能在视频帧中将疑似对象的图像特征精准的提取出来。
步骤S2、将包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
将包含疑似对象的视频帧对应的监控设备作为自适应调整设备，包括：
将对应拍摄到包含疑似对象的视频帧的监控设备标记为自适应调整设备。
对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，包括：
将疑似对象的图像像素特征和预检目标对象的图像像素特征进行相似度运算，相似度运算公式为：
Figure 353145DEST_PATH_IMAGE031
；
式中，
Figure 892711DEST_PATH_IMAGE032
表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量与包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，
Figure 290325DEST_PATH_IMAGE033
、B分别表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量、包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，r为计量常数，无实质含义。
根据相似性分析结果调整自适应调整设备的视频帧留存频率，包括：
设定相似度阈值，相似度
Figure 598947DEST_PATH_IMAGE018
与相似度阈值比较，其中，
若相似度
Figure 673082DEST_PATH_IMAGE032
高于或等于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 434364DEST_PATH_IMAGE034
，式中，
Figure 635670DEST_PATH_IMAGE035
、
Figure 798798DEST_PATH_IMAGE036
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义；
若相似度
Figure 43834DEST_PATH_IMAGE018
低于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 557992DEST_PATH_IMAGE037
，式中，
Figure 297409DEST_PATH_IMAGE035
、
Figure 315044DEST_PATH_IMAGE036
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义。
将疑似对象不在其监控视野中的监控设备实时的视频帧留存频率维持在上个时刻的视频帧留存频率，同时将疑似对象在其监控视野中的监控设备实时的视频帧留存频率在上个时刻的视频帧留存频率进行增加，使得疑似对象在其监控视野中的监控设备的视频帧量得到增加，使得获得包含疑似对象的行为特征的视频帧的数量增加，提高捕捉到疑似对象的行为特征的概率，提高安防精度。
步骤S3、根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制，安防目标对象表征为对变电站具有高安防危害性的预见目标对象。
根据疑似对象的行为特征判定安防危害性的程度，包括：
依次将每个自适应调整设备的实时视频帧按视频帧留存频率进行视频帧保存得到多组表征疑似对象的行为特征的视频帧序列；
依次将每组表征疑似对象的行为特征的视频帧序列输入至基于Bi-LSTM-Attiention模型的危险行为识别模型以得到多组表征疑似对象的安防危害性的程度值，并将每组表征疑似对象的安防危害性的程度值按疑似对象对应的相似度
Figure 996561DEST_PATH_IMAGE018
进行加权求和作为表征疑似对象的安防危害性的总程度值，表征疑似对象的安防危害性的总程度值的计算公式为：
Figure 998015DEST_PATH_IMAGE038
；
式中，
Figure 541123DEST_PATH_IMAGE039
表征为总程度值，
Figure 413264DEST_PATH_IMAGE040
表征为每组表征疑似对象的安防危害性的程度值，N表征为自适应调整设备总数目。
加权处理会综合所有拍摄到疑似对象的监控设备（自适应调整设备）的安防危害性的程度，获得更为合理的安防危害性的程度，使得安防危害性的程度值更为科学有效，不会出现特值的偶发性干扰。
基于安防危害性的高低程度将疑似对象重标记为安防目标对象，包括：
设定安防危害性的判定阈值，将安防危害性的总程度值与安防危害性的判定阈值相比较，其中，
若安防危害性的总程度值高于或等于安防危害性的判定阈值，则将对应的疑似对象重标记为安防目标对象；
若安防危害性的总程度值低于安防危害性的判定阈值，则将对应的疑似对象重标记为非安防目标对象。
将所有监控设备的拍摄分辨率和监控频率设置为相同。
如图2所示，基于上述变电站自适应安防方法，本发明提供了一种安防系统，包括：
目标检测单元1，用于将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征；
留存频率调整单元2，用于将包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
安防控制单元3，用于根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制。
本发明将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，对疑似对象不在监控视野中的监控设备而言，与疑似对象在监控视野中的监控设备采用差别式视频帧保存频率，会降低疑似对象不在其监控视野中的监控设备的视频帧冗余量，提高安防效率，同时会增加疑似对象在其监控视野中的监控设备的视频帧量，提高捕捉到疑似对象的行为特征的概率，提高安防精度。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于机器视觉的变电站自适应安防方法，其特征在于，包括以下步骤：
步骤S1、将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征，所述疑似对象表征为具有被认定为预检目标对象可能性的对象，所述预检目标对象表征为被变电站列为对变电站具有安防危害性的对象；
步骤S2、将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，所述视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
步骤S3、根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制，所述安防目标对象表征为对变电站具有高安防危害性的预见目标对象。
2.根据权利要求1所述的一种基于机器视觉的变电站自适应安防方法，其特征在于：所述将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，包括：
依次将每个监控设备的实时视频帧和上一时刻视频帧进行全局差异性运算，以得到包含疑似对象的视频帧；
设定用于目标检测的差异性阈值，并将所述全局差异性与差异性阈值进行比较，其中，
当全局差异性高于或等于差异性阈值，则将对应的所述实时视频帧判定为包含疑似对象的视频帧；
当全局差异性低于差异性阈值，则将对应的所述实时视频帧判定为非包含疑似对象的视频帧；
优选的，所述全局差异性的运算公式为：
Figure 223721DEST_PATH_IMAGE001
；
式中，
Figure 571525DEST_PATH_IMAGE002
表征为第i个监控设备的实时视频帧和上一时刻视频帧的全局差异性，
Figure 777379DEST_PATH_IMAGE003
、
Figure 644972DEST_PATH_IMAGE004
分别表征为第i个监控设备的实时视频帧和上一时刻视频帧的第j个像素点的像素值，i、t、j均为计量常数，无实质含义，
Figure 543658DEST_PATH_IMAGE005
表征为第i个监控设备的实时视频帧或上一时刻视频帧的像素点总数目，T为转置运算符。
3.根据权利要求2所述的一种基于机器视觉的变电站自适应安防方法，其特征在于：所述在包含疑似对象的视频帧中提取出疑似对象的图像特征，包括：
利用SSD算法在包含疑似对象的视频帧中提取出疑似对象的图像位置特征，并基于所述图像位置特征在包含疑似对象的视频帧中提取出图像像素特征；
优选的，所述SSD算法的训练包括：
将包含预检目标对象的多个视频帧作为训练样本，并将训练样本应用于所述SSD算法进行算法训练以得到具有高准确度的SSD算法；
其中，所述SSD算法的损失函数设定为：
Figure 113179DEST_PATH_IMAGE006
；
式中，
Figure 857144DEST_PATH_IMAGE007
表征为SSD算法输出的第k个训练样本的预检目标对象的图像位置特征向量，
Figure 844823DEST_PATH_IMAGE008
表征为第k个训练样本的预检目标对象的真实图像位置特征向量，
Figure 648831DEST_PATH_IMAGE009
表征为SSD算法输出的第k个训练样本的预检目标对象的图像像素特征向量，
Figure 971228DEST_PATH_IMAGE010
表征为第k个训练样本的预检目标对象的真实图像像素特征向量，k为计量常数，无实质含义，n为训练样本总数。
4.根据权利要求3所述的一种基于机器视觉的变电站自适应安防方法，其特征在于：所述将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，包括：
将对应拍摄到所述包含疑似对象的视频帧的监控设备标记为自适应调整设备。
5.根据权利要求4所述的一种基于机器视觉的变电站自适应安防方法，其特征在于：所述对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，包括：
将所述疑似对象的图像像素特征和预检目标对象的图像像素特征进行相似度运算，所述相似度运算公式为：
Figure 784463DEST_PATH_IMAGE011
；
式中，
Figure 626648DEST_PATH_IMAGE012
表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量与包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，
Figure 601558DEST_PATH_IMAGE013
、B分别表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量、包含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度，r为计量常数，无实质含义。
6.根据权利要求5所述的一种基于机器视觉的变电站自适应安防方法，其特征在于：所述根据相似性分析结果调整自适应调整设备的视频帧留存频率，包括：
设定相似度阈值，所述相似度
Figure 411251DEST_PATH_IMAGE014
与相似度阈值比较，其中，
若相似度
Figure 762598DEST_PATH_IMAGE012
高于或等于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 459289DEST_PATH_IMAGE015
，式中，
Figure 870679DEST_PATH_IMAGE016
、
Figure 902089DEST_PATH_IMAGE017
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义；
若相似度
Figure 791548DEST_PATH_IMAGE012
低于相似度阈值，则将对应拍摄到第r个包含疑似对象的视频帧的第r个自适应调整设备的视频帧留存频率调整为：
Figure 998538DEST_PATH_IMAGE018
，式中，
Figure 190616DEST_PATH_IMAGE016
、
Figure 584688DEST_PATH_IMAGE017
分别表征为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率，r为计量常数，无实质含义。
7.根据权利要求6所述的一种基于机器视觉的变电站自适应安防方法，其特征在于，所述根据疑似对象的行为特征判定安防危害性的程度，包括：
依次将每个自适应调整设备的实时视频帧按所述视频帧留存频率进行视频帧保存得到多组表征疑似对象的行为特征的视频帧序列；
依次将每组表征疑似对象的行为特征的视频帧序列输入至基于Bi-LSTM-Attiention模型的危险行为识别模型以得到多组表征疑似对象的安防危害性的程度值，并将每组表征疑似对象的安防危害性的程度值按疑似对象对应的相似度
Figure 402472DEST_PATH_IMAGE014
进行加权求和作为表征疑似对象的安防危害性的总程度值，所述表征疑似对象的安防危害性的总程度值的计算公式为：
Figure 198389DEST_PATH_IMAGE019
；
式中，
Figure 826948DEST_PATH_IMAGE020
表征为总程度值，
Figure 567371DEST_PATH_IMAGE021
表征为每组表征疑似对象的安防危害性的程度值，N表征为自适应调整设备总数目。
8.根据权利要求7所述的一种基于机器视觉的变电站自适应安防方法，其特征在于，所述基于安防危害性的高低程度将疑似对象重标记为安防目标对象，包括：
设定安防危害性的判定阈值，将所述安防危害性的总程度值与安防危害性的判定阈值相比较，其中，
若所述安防危害性的总程度值高于或等于安防危害性的判定阈值，则将对应的疑似对象重标记为安防目标对象；
若所述安防危害性的总程度值低于安防危害性的判定阈值，则将对应的疑似对象重标记为非安防目标对象。
9.根据权利要求8所述的一种基于机器视觉的变电站自适应安防方法，其特征在于，将所有监控设备的拍摄分辨率和监控频率设置为相同。
10.一种根据权利要求1-9任一项所述的基于机器视觉的变电站自适应安防方法的安防系统，其特征在于，包括：
目标检测单元（1），用于将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧，并在包含疑似对象的视频帧中提取出疑似对象的图像特征；
留存频率调整单元（2），用于将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备，对疑似对象的图像特征与预检目标对象的图像特征进行相似性分析，并根据相似性分析结果调整自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率，所述视频帧留存频率表征为自适应调整设备对实时视频帧的保存频率；
安防控制单元（3），用于根据疑似对象的行为特征判定安防危害性的程度，并基于安防危害性的高低程度将疑似对象重标记为安防目标对象，对安防目标对象进行安防控制。
CN202210228357.XA 2022-03-10 2022-03-10 一种基于机器视觉的变电站自适应安防方法及系统 Active CN114332744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210228357.XA CN114332744B (zh) 2022-03-10 2022-03-10 一种基于机器视觉的变电站自适应安防方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210228357.XA CN114332744B (zh) 2022-03-10 2022-03-10 一种基于机器视觉的变电站自适应安防方法及系统

Publications (2)

Publication Number Publication Date
CN114332744A true CN114332744A (zh) 2022-04-12
CN114332744B CN114332744B (zh) 2022-06-07

Family

ID=81034009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210228357.XA Active CN114332744B (zh) 2022-03-10 2022-03-10 一种基于机器视觉的变电站自适应安防方法及系统

Country Status (1)

Country Link
CN (1) CN114332744B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115355993A (zh) * 2022-10-19 2022-11-18 成都诺比侃科技有限公司 一种变电站设备智能检测方法
CN115512279A (zh) * 2022-11-04 2022-12-23 浙江莲荷科技有限公司 行为类别识别方法、装置、电子设备以及计算机存储介质
CN115761537A (zh) * 2022-11-14 2023-03-07 西安科技大学 一种面向动态特征补充机制的输电线路异物入侵识别方法
CN115761537B (zh) * 2022-11-14 2024-06-21 西安科技大学 一种面向动态特征补充机制的输电线路异物入侵识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090220154A1 (en) * 2008-03-03 2009-09-03 Takahiro Daidoh Image processing apparatus, image reading apparatus, image data output processing apparatus, and image processing method
CN101547344A (zh) * 2009-04-24 2009-09-30 清华大学深圳研究生院 基于联动摄像机的视频监控装置及其跟踪记录方法
CN101763388A (zh) * 2008-12-25 2010-06-30 北京中星微电子有限公司 视频检索方法、系统、设备及视频存储方法、系统
CN105791730A (zh) * 2014-12-23 2016-07-20 北京同步科技有限公司 视频监控中的预录系统及其预录方法
CN107844779A (zh) * 2017-11-21 2018-03-27 重庆邮电大学 一种视频关键帧提取方法
CN110266999A (zh) * 2019-06-05 2019-09-20 长沙年余信息科技有限公司 一种园区场地安全监管的系统及其方法
CN110781711A (zh) * 2019-01-21 2020-02-11 北京嘀嘀无限科技发展有限公司 目标对象识别方法、装置、电子设备及存储介质
EP3648448A1 (en) * 2017-06-30 2020-05-06 Hangzhou Hikvision Digital Technology Co., Ltd. Target feature extraction method and device, and application system
CN112040196A (zh) * 2020-09-15 2020-12-04 南京智能仿真技术研究院有限公司 一种基于机器视觉的室内智能安防系统
US20210343027A1 (en) * 2019-07-31 2021-11-04 Tencent Technology (Shenzhen) Company Limited Object tracking method and apparatus, storage medium and electronic device
CN113673495A (zh) * 2021-10-25 2021-11-19 北京通建泰利特智能系统工程技术有限公司 一种基于神经网络的智慧安防方法、系统和可读存储介质
CN114119676A (zh) * 2022-01-24 2022-03-01 西安羚控电子科技有限公司 基于多特征信息融合的目标检测跟踪识别方法和系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090220154A1 (en) * 2008-03-03 2009-09-03 Takahiro Daidoh Image processing apparatus, image reading apparatus, image data output processing apparatus, and image processing method
CN101763388A (zh) * 2008-12-25 2010-06-30 北京中星微电子有限公司 视频检索方法、系统、设备及视频存储方法、系统
CN101547344A (zh) * 2009-04-24 2009-09-30 清华大学深圳研究生院 基于联动摄像机的视频监控装置及其跟踪记录方法
CN105791730A (zh) * 2014-12-23 2016-07-20 北京同步科技有限公司 视频监控中的预录系统及其预录方法
EP3648448A1 (en) * 2017-06-30 2020-05-06 Hangzhou Hikvision Digital Technology Co., Ltd. Target feature extraction method and device, and application system
CN107844779A (zh) * 2017-11-21 2018-03-27 重庆邮电大学 一种视频关键帧提取方法
CN110781711A (zh) * 2019-01-21 2020-02-11 北京嘀嘀无限科技发展有限公司 目标对象识别方法、装置、电子设备及存储介质
CN110266999A (zh) * 2019-06-05 2019-09-20 长沙年余信息科技有限公司 一种园区场地安全监管的系统及其方法
US20210343027A1 (en) * 2019-07-31 2021-11-04 Tencent Technology (Shenzhen) Company Limited Object tracking method and apparatus, storage medium and electronic device
CN112040196A (zh) * 2020-09-15 2020-12-04 南京智能仿真技术研究院有限公司 一种基于机器视觉的室内智能安防系统
CN113673495A (zh) * 2021-10-25 2021-11-19 北京通建泰利特智能系统工程技术有限公司 一种基于神经网络的智慧安防方法、系统和可读存储介质
CN114119676A (zh) * 2022-01-24 2022-03-01 西安羚控电子科技有限公司 基于多特征信息融合的目标检测跟踪识别方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
严鹏; 廖峪; 陈伟庚; 刘晓江; 杨长卫: "《 图像智能识别技术在高速铁路基础设施检测中的应用》", 《中国铁路》 *
严鹏; 廖峪; 陈伟庚; 刘晓江; 杨长卫: "《 图像智能识别技术在高速铁路基础设施检测中的应用》", 《中国铁路》, 15 November 2019 (2019-11-15) *
吴育武: "适应变电站智能安全监控的运动目标检测及人脸快速识别方法", 《机电工程技术》, no. 11, 31 December 2019 (2019-12-31) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115355993A (zh) * 2022-10-19 2022-11-18 成都诺比侃科技有限公司 一种变电站设备智能检测方法
CN115355993B (zh) * 2022-10-19 2023-04-11 诺比侃人工智能科技(成都)股份有限公司 一种变电站设备智能检测方法
CN115512279A (zh) * 2022-11-04 2022-12-23 浙江莲荷科技有限公司 行为类别识别方法、装置、电子设备以及计算机存储介质
CN115512279B (zh) * 2022-11-04 2023-08-29 浙江莲荷科技有限公司 行为类别识别方法、装置、电子设备以及计算机存储介质
CN115761537A (zh) * 2022-11-14 2023-03-07 西安科技大学 一种面向动态特征补充机制的输电线路异物入侵识别方法
CN115761537B (zh) * 2022-11-14 2024-06-21 西安科技大学 一种面向动态特征补充机制的输电线路异物入侵识别方法

Also Published As

Publication number Publication date
CN114332744B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN109919981B (zh) 一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法
CN111325089B (zh) 跟踪对象的方法和设备
CN110110601B (zh) 基于多时空注意力模型的视频行人重识别方法及装置
CN114332744B (zh) 一种基于机器视觉的变电站自适应安防方法及系统
CN110619657B (zh) 一种面向智慧社区的多摄像机联动多目标追踪方法及系统
CN109919977B (zh) 一种基于时间特征的视频运动人物跟踪与身份识别方法
CN110853295A (zh) 一种高空抛物预警方法和装置
JP5459674B2 (ja) 移動物体追跡システムおよび移動物体追跡方法
CN110516623B (zh) 一种人脸识别方法、装置及电子设备
CN110287907A (zh) 一种对象检测方法和装置
CN110853074A (zh) 一种利用光流增强目标的视频目标检测网络系统
CN110322472A (zh) 一种多目标跟踪方法以及终端设备
CN112215156A (zh) 一种视频监控中的人脸抓拍方法及系统
CN113887387A (zh) 一种滑雪场目标影像生成方法、系统和服务器
CN111325133A (zh) 一种基于人工智能识别的影像处理系统
CN111814690A (zh) 一种目标重识别方法、装置和计算机可读存储介质
CN111444758A (zh) 一种基于时空信息的行人重识别方法及装置
CN111046769A (zh) 一种排队时长检测方法、装置及系统
CN111654668B (zh) 监控设备同步方法、装置及计算机终端
CN106934339B (zh) 一种目标跟踪、跟踪目标识别特征的提取方法和装置
CN117350964A (zh) 一种基于跨模态多层次特征融合的电力设备检测方法
CN116091781B (zh) 一种用于图像识别的数据处理方法及装置
CN111783570A (zh) 一种目标重识别的方法、装置、系统及计算机存储介质
CN116193103A (zh) 一种视频画面抖动等级评估的方法
CN113486734B (zh) 一种步态识别方法、系统、设备及存储介质

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
CP03 Change of name, title or address

Address after: 610015 No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province

Patentee after: Nobicam Artificial Intelligence Technology (Chengdu) Co.,Ltd.

Address before: 610014 no.1534, 15th floor, building 1, No.88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province

Patentee before: CHENGDU NUOBIKAN TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address