CN114663841A - 基于深度学习的移动目标识别方法及系统 - Google Patents

基于深度学习的移动目标识别方法及系统 Download PDF

Info

Publication number
CN114663841A
CN114663841A CN202210562729.2A CN202210562729A CN114663841A CN 114663841 A CN114663841 A CN 114663841A CN 202210562729 A CN202210562729 A CN 202210562729A CN 114663841 A CN114663841 A CN 114663841A
Authority
CN
China
Prior art keywords
image
area
target
processing
monitoring
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
CN202210562729.2A
Other languages
English (en)
Inventor
胡文华
王开库
李翔
黄伟民
贾宏生
李锐
马凯
周本立
孟文志
孙东山
丁光正
王天山
熊升雁
曹邦标
沈宏奇
程攀
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.)
Anhui Power Transmission and Transformation Engineering Co Ltd
Original Assignee
Anhui Power Transmission and Transformation Engineering 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 Anhui Power Transmission and Transformation Engineering Co Ltd filed Critical Anhui Power Transmission and Transformation Engineering Co Ltd
Priority to CN202210562729.2A priority Critical patent/CN114663841A/zh
Publication of CN114663841A publication Critical patent/CN114663841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电力施工技术领域，涉及一种基于深度学习的移动目标识别方法及系统。该方法首先获取当前时刻和前一时刻的第一和第二预处理图像；之后基于帧差法获取第一目标区域，第一目标区域为在前一时刻和当前时刻间产生移动的区域；之后基于YOLO算法获取监测物在第一预处理图像中的第二目标区域；之后将第一目标区域和第二目标区域重叠的区域作为检测目标，并在第一预处理图像中划定电子围栏区域，并在检测目标越过电子围栏区域时产生报警信号；最后依据报警信号进行报警动作。该系统用于实现上述方法。本发明能够较佳地实现对移动目标的检测及报警。

Description

基于深度学习的移动目标识别方法及系统
技术领域
本发明涉及电力施工技术领域，具体地说，涉及一种基于深度学习的移动目标识别方法及系统。
背景技术
在如变电站（所）改扩建工程等电力施工中，其施工过程须在多种电力设备运行的条件下进行；故在该类施工中，安全管理的重点是加强对施工现场临近带电体的监督管理。
在该类改扩建工程中，要求操作区域与带电体需达到足够的安全距离。但在实际施工中，普遍存在安全边界难以确定的问题；主要原因在于，目前实际施工中，安全距离的确定均是通过人工采用如皮尺等工具点对点的测量获取，但安全边界线为一条线，该种测定方法，难以保证直线上的每个点均能够与带电体保持足够的安全距离。
此外，目前的施工过程中，在确定安全边界线后，通常是通过设置围栏实现对安全边界的标识，该种方式难以实现对越界操作的主动检测及警报，尤其是在高空作业中，更是难以判定当前操作是否越界。
目前用于电力施工中的越界报警装置，大多基于UWB等定位技术实现，该种越界报警装置需要大量的基础线路及基站等设施的支撑，故部署成本较高。在如变电站（所）改扩建工程等电力施工中，其存在着明显的施工周期短，施工区域不定等特点，故难以运用此种技术实现越界的主动检测及报警。
目前，基于深度算法的机器视觉检测技术已经较为成熟，但如何实现对移动目标的识别，以及识别后对其是否越界进行判定，尚无较为成熟的方案。
发明内容
本发明提供了一种基于深度学习的移动目标识别方法，其能够较佳地克服现有技术难以适用于电力施工中的移动目标检测以及越界报警的缺陷。
根据本发明的基于深度学习的移动目标识别方法，其具有如下步骤：
步骤一、获取当前时刻的第一监控图像
Figure DEST_PATH_IMAGE002
和前一时刻的第二监控图像
Figure DEST_PATH_IMAGE004
，并进行图像预处理，进而获取对应的第一预处理图像
Figure DEST_PATH_IMAGE006
和第二预处理图像
Figure DEST_PATH_IMAGE008
；
步骤二、基于帧差法对第一预处理图像
Figure 189938DEST_PATH_IMAGE006
和第二预处理图像
Figure 638237DEST_PATH_IMAGE008
进行处理，进而获取第一预处理图像
Figure 201330DEST_PATH_IMAGE006
中的第一目标区域，第一目标区域为在前一时刻和当前时刻间产生移动的区域；
步骤三、基于YOLO算法对第一预处理图像
Figure 862118DEST_PATH_IMAGE006
进行处理，进而获取监测物在第一预处理图像
Figure 207649DEST_PATH_IMAGE006
中的第二目标区域；
步骤四、将第一目标区域和第二目标区域重叠的区域作为检测目标，并在第一预处理图像
Figure 295690DEST_PATH_IMAGE006
中划定与对应安全边界线的所对应的电子围栏区域，并在检测目标越过电子围栏区域时产生报警信号；
步骤五，依据报警信号进行报警动作。
通过上述步骤一至五，能够较佳地基于在时间轴上连续拍摄的监控图像，通过帧差法首先获取当前时刻下相较于前一时刻发生移动的物体，也即第一目标区域；之后能够依据YOLO算法获取当前时刻下的待识别监测物所在区域，也即第二目标区域；通过将第一目标区域和第二目标区域的重叠区域作为检测目标，能够较佳地实现对监测物实际发生移动的部位进行识别，故而能够较佳地实现越界的检测及报警。
作为优选，当前时刻的第一监控图像
Figure 93882DEST_PATH_IMAGE002
、前一时刻的第二监控图像
Figure 309094DEST_PATH_IMAGE004
、第一预处理图像
Figure 243552DEST_PATH_IMAGE006
和第二预处理图像
Figure 502495DEST_PATH_IMAGE008
分别表示为，
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE024
分别表示当前时刻的第一监控图像
Figure 289448DEST_PATH_IMAGE002
、前一时刻的第二监控图像
Figure 823197DEST_PATH_IMAGE004
、第一预处理图像
Figure 861429DEST_PATH_IMAGE006
和第二预处理图像
Figure 556853DEST_PATH_IMAGE008
在第i行、第j列的图像值；M和N分别为图像在长度和宽度方向上的像素点总数；
步骤一中，图像预处理具体包括如下步骤，
步骤1-1、将当前时刻的第一监控图像
Figure 860795DEST_PATH_IMAGE002
和前一时刻的第二监控图像
Figure 11285DEST_PATH_IMAGE004
处理成灰度图像，并以灰度值作为对应像素点的图像值；
步骤1-2、通过中值滤波处理将处理前图像中的某像素点及其相邻的K个像素点的图像值的中值作为处理后图像对应该某像素点的图像值。
通过上述，能够较佳地通过中值滤波对初始图像进行处理，故而能够较佳地提升最终的识别精度。
作为优选，步骤二具体依如下步骤进行，
步骤2-1、基于差分运算，获取第一预处理图像
Figure 551027DEST_PATH_IMAGE006
和第二预处理图像
Figure 902505DEST_PATH_IMAGE008
的差分图像
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE030
步骤2-2、基于阈值处理，将差分图像
Figure 802065DEST_PATH_IMAGE026
处理成二值图像
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE036
步骤2-3、获取二值图像
Figure 664235DEST_PATH_IMAGE032
中图像值为255的所有像素点的集合P，该集合P即为第一目标区域，其中，
Figure DEST_PATH_IMAGE038
通过上述，能够较佳地获取第一目标区域。
作为优选，步骤三具体依如下步骤进行，
步骤3-1、基于YOLO算法对第一预处理图像
Figure 975262DEST_PATH_IMAGE006
中的监测物进行识别；
步骤3-2、获取监测物的识别框区域Q，该识别框区域Q即为第二目标区域；其中，
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE044
分别为监测物最左和最右的长度坐标，
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE048
分别为监测物最上和最下的宽度坐标。
通过上述，能够较佳地对监控图像中的监测物所在的区域进行识别。
作为优选，步骤四具体依如下步骤进行，
步骤4-1、构建第一目标区域和第二目标区域的重叠区域S；
步骤4-2、获取重叠区域S最右像素点的长度坐标
Figure DEST_PATH_IMAGE050
；
步骤S4-3、构建电子围栏区域，并获取电子围栏区域的长度坐标
Figure DEST_PATH_IMAGE052
；
步骤S4-4、若
Figure DEST_PATH_IMAGE054
则产生报警信号。
通过上述，能够较佳地实现越界的主动检测和报警。
本发明还提供了一种用于实现任一上述的基于深度学习的移动目标识别方法的基于深度学习的移动目标识别系统，其包括识别报警模块。故而能够较佳地实现上述方法在施工现场的多场景应用。
作为优选，识别报警模块包括，
图像预处理单元，其用于对监控图像进行预处理；
移动目标检测单元，其用于基于当前时刻和前一时刻的监控图像对在前一时刻和当前时刻之间发生移动的检测目标进行检测；
判定单元，其用于对当前时刻的监控图像中，检测目标是否越过与对应安全边界线的所对应的区域进行判定，若是则产生报警信号；
报警单元，其用于接收报警信号并进行报警动作。
故而便于实现。
附图说明
图1为实施例1中的识别报警模块的示意图；
图2为实施例1中的检测目标的判定示意图；
图3为实施例1中的未发生越界行为的示意图；
图4为实施例1中的发生越界行为的示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1所示，本实施例提供了一种基于深度学习的移动目标识别方法和系统，其具有识别报警模块。
本实施例中的识别报警模块具有：
图像预处理单元，其用于对监控图像进行预处理；
移动目标检测单元，其用于基于当前时刻和前一时刻的监控图像对在前一时刻和当前时刻之间发生移动的检测目标进行检测；
判定单元，其用于对当前时刻的监控图像中，检测目标是否越过与对应安全边界线的所对应的电子围栏区域进行判定，若是则产生报警信号；
报警单元，其用于接收报警信号并进行报警动作。
通过上述，能够较佳地实现对监控图像的处理以及越界判定，故而能够较佳地实现施工过程中的主动越界检测和报警。
基于本实施例的识别报警模块在进行图像识别时，通过图像预处理单元，对监控图像进行预处理；通过移动目标检测单元，基于当前时刻和前一时刻的监控图像对在前一时刻和当前时刻之间发生移动的检测目标进行检测；通过判定单元，对当前时刻的监控图像中检测目标是否越过与对应安全边界线的所对应的电子围栏区域进行判定，若是则产生报警信号；通过报警单元，接收报警信号并进行报警动作。故而能够较佳地实现相关数据的处理。
此外，为保证检测基准的对齐，即监控图像中的电子围栏区域与实际的安全边界面对齐，能够在判定单元在进行动作时，设定监控图像中的电子围栏区域与对应安全边界线的位置相关联。故而能够较佳地实现相关检测基准的对齐。
本实施例中的基于深度学习的移动目标识别方法，具有如下步骤：
步骤一、获取当前时刻的第一监控图像
Figure 107428DEST_PATH_IMAGE002
和前一时刻的第二监控图像
Figure 589225DEST_PATH_IMAGE004
，并进行图像预处理，进而获取对应的第一预处理图像
Figure 737310DEST_PATH_IMAGE006
和第二预处理图像
Figure 620952DEST_PATH_IMAGE008
；
步骤二、基于帧差法对第一预处理图像
Figure 829080DEST_PATH_IMAGE006
和第二预处理图像
Figure 532594DEST_PATH_IMAGE008
进行处理，进而获取第一预处理图像
Figure 969522DEST_PATH_IMAGE006
中的第一目标区域，第一目标区域为在前一时刻和当前时刻间产生移动的区域；
步骤三、基于YOLO算法对第一预处理图像
Figure 707671DEST_PATH_IMAGE006
进行处理，进而获取监测物在第一预处理图像
Figure 86700DEST_PATH_IMAGE006
中的第二目标区域；
步骤四、将第一目标区域和第二目标区域重叠的区域作为检测目标，并在第一预处理图像
Figure 543089DEST_PATH_IMAGE006
中划定与对应安全边界线所对应的电子围栏区域，并在检测目标越过电子围栏区域时产生报警信号；
步骤五，依据报警信号进行报警动作。
通过上述步骤一至五，能够较佳地基于在时间轴上连续拍摄的监控图像，通过帧差法首先获取当前时刻下相较于前一时刻发生移动的物体，也即第一目标区域；之后能够依据YOLO算法获取当前时刻下的待识别监测物所在区域，也即第二目标区域；通过将第一目标区域和第二目标区域的重叠区域作为检测目标，能够较佳地实现对监测物实际发生移动的部位进行识别，故而能够较佳地实现越界的检测及报警。
可以理解的是，通过帧差法能够较佳地提取出两幅图像中不同的区域，因本实施例中的监控图像的拍摄视角始终一致，故通过对比不同时刻的监控图像，即可较佳地识别处在前一时刻和当前时刻下，监控图像中所不同的区域，该不同的区域的产生原因有多种，例如：
1、所要检测的监测物发生移动；
2、存在如飞鸟、人员走动等情形；
3、前一时刻和当前时刻的监控画面中存在物体移动，如设备的搬动等。
可以看出，在上述3种情形中，仅“1”中的情形为本方案所需的检测目标， “2”、“3”中的情形等均为噪音；故仅仅通过帧差法并无法较佳地对检测目标进行识别。
故而本实施例中，通过引入YOLO算法进行辅助判定，YOLO算法能够识别出所要检测的监测物在当前时刻的监控图像中的位置，其所识别出的第二目标区域为一个包含整个监测物的区域；可以理解的是，所要检测的监测物发生移动的部位必然同时在第一和第二目标区域内，故而通过获取第一和第二目标区域的重叠区域，即可较佳地实现对检测目标的获取。基于此种方式，能够较佳地剔除噪音，提高检测精度。
另外，YOLO算法等图像识别算法，作为现有已经成熟的算法，本实施例中仅仅是运用了该种手段，并未对其进行改进，故详细原理不予赘述。值得一提的是，本实施例中，能够以整个吊车作为监测物。
本实施例中，当前时刻的第一监控图像
Figure 32976DEST_PATH_IMAGE002
、前一时刻的第二监控图像
Figure 360052DEST_PATH_IMAGE004
、第一预处理图像
Figure 909982DEST_PATH_IMAGE006
和第二预处理图像
Figure 837356DEST_PATH_IMAGE008
分别表示为，
Figure DEST_PATH_IMAGE010A
Figure DEST_PATH_IMAGE012A
Figure DEST_PATH_IMAGE014A
Figure DEST_PATH_IMAGE016A
其中，
Figure 803038DEST_PATH_IMAGE018
、
Figure 515779DEST_PATH_IMAGE020
、
Figure 971031DEST_PATH_IMAGE022
和
Figure 388630DEST_PATH_IMAGE024
分别表示当前时刻的第一监控图像
Figure 220320DEST_PATH_IMAGE002
、前一时刻的第二监控图像
Figure 787568DEST_PATH_IMAGE004
、第一预处理图像
Figure 413721DEST_PATH_IMAGE006
和第二预处理图像
Figure 331999DEST_PATH_IMAGE008
在第i行、第j列的图像值；M和N分别为图像在长度和宽度方向上的像素点总数；
步骤一中，图像预处理具体包括如下步骤，
步骤1-1、将当前时刻的第一监控图像
Figure 967379DEST_PATH_IMAGE002
和前一时刻的第二监控图像
Figure 123554DEST_PATH_IMAGE004
处理成灰度图像，并以灰度值作为对应像素点的图像值；
步骤1-2、通过中值滤波处理将处理前图像中的某像素点及其相邻的K个像素点的图像值的中值作为处理后图像对应该某像素点的图像值。
通过上述，能够较佳地通过中值滤波对初始图像进行处理，故而能够较佳地提升最终的识别精度。
本实施例的步骤二具体依如下步骤进行，
步骤2-1、基于差分运算，获取第一预处理图像
Figure 936921DEST_PATH_IMAGE006
和第二预处理图像
Figure 76915DEST_PATH_IMAGE008
的差分图像
Figure 515986DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028A
Figure DEST_PATH_IMAGE030A
步骤2-2、基于阈值处理，将差分图像
Figure 634990DEST_PATH_IMAGE026
处理成二值图像
Figure 868525DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034A
Figure DEST_PATH_IMAGE036A
步骤2-3、获取二值图像
Figure 840023DEST_PATH_IMAGE032
中图像值为255的所有像素点的集合P，该集合P即为第一目标区域，其中，
Figure DEST_PATH_IMAGE038A
通过上述，能够较佳地获取第一目标区域。
可以理解的是，第一目标区域包含所需要的检测目标以及噪音区域。
本实施例的步骤三具体依如下步骤进行，
步骤3-1、基于YOLO算法对第一预处理图像
Figure 613944DEST_PATH_IMAGE006
中的监测物进行识别；
步骤3-2、获取监测物的识别框区域Q，该识别框区域Q即为第二目标区域；其中，
Figure DEST_PATH_IMAGE040A
其中，
Figure 257895DEST_PATH_IMAGE042
和
Figure 662331DEST_PATH_IMAGE044
分别为监测物最左和最右的长度坐标，
Figure 511339DEST_PATH_IMAGE046
和
Figure 26634DEST_PATH_IMAGE048
分别为监测物最上和最下的宽度坐标。
通过上述，能够较佳地对监控图像中的监测物所在的区域进行识别。
可以理解的是，监测物区域中包含可能发生移动的目标区域和未发生移动的其它区域。
本实施例的步骤四具体依如下步骤进行，
步骤4-1、构建第一目标区域和第二目标区域的重叠区域S；
步骤4-2、获取重叠区域S最右像素点的长度坐标
Figure 543066DEST_PATH_IMAGE050
；
步骤S4-3、构建电子围栏区域，并获取电子围栏区域的长度坐标
Figure 462611DEST_PATH_IMAGE052
；
步骤S4-4、若
Figure 798915DEST_PATH_IMAGE054
则产生报警信号。
通过上述，能够较佳地实现越界的主动检测和报警。
结合图2所示，在实际检测过程中，能够以图像的左下角为原点建立笛卡尔坐标系，基于步骤4-1，能够较佳地获取第一目标区域（图2中的“100”）和第二目标区域（图2中的“200”），进而获取重叠区域S，也即检测目标。
结合图3所示，在此种情形下，即并未越界，故不予报警。
结合图4所示，在此种情形下，已经越界，故进行报警。
图3及图4中的“300”所标识的区域即为步骤S4-3中的电子围栏区域。
本实施例中的基于深度学习的移动目标识别系统，包括上述的识别报警模块。故而能够较佳地实现上述方法。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.基于深度学习的移动目标识别方法，其具有如下步骤：
步骤一、获取当前时刻的第一监控图像
Figure DEST_PATH_IMAGE001
和前一时刻的第二监控图像
Figure 777839DEST_PATH_IMAGE002
，并进行图像预处理，进而获取对应的第一预处理图像
Figure DEST_PATH_IMAGE003
和第二预处理图像
Figure 446586DEST_PATH_IMAGE004
；
步骤二、基于帧差法对第一预处理图像
Figure 63512DEST_PATH_IMAGE003
和第二预处理图像
Figure 884838DEST_PATH_IMAGE004
进行处理，进而获取第一预处理图像
Figure 561807DEST_PATH_IMAGE003
中的第一目标区域，第一目标区域为在前一时刻和当前时刻间产生移动的区域；
步骤三、基于YOLO算法对第一预处理图像
Figure 734162DEST_PATH_IMAGE003
进行处理，进而获取监测物在第一预处理图像
Figure 889200DEST_PATH_IMAGE003
中的第二目标区域；
步骤四、将第一目标区域和第二目标区域重叠的区域作为检测目标，并在第一预处理图像
Figure 345458DEST_PATH_IMAGE003
中划定与对应安全边界线的所对应的电子围栏区域，并在检测目标越过电子围栏区域时产生报警信号；
步骤五，依据报警信号进行报警动作。
2.根据权利要求1所述的基于深度学习的移动目标识别方法，其特征在于：当前时刻的第一监控图像
Figure 927749DEST_PATH_IMAGE001
、前一时刻的第二监控图像
Figure 587400DEST_PATH_IMAGE002
、第一预处理图像
Figure 546129DEST_PATH_IMAGE003
和第二预处理图像
Figure 342047DEST_PATH_IMAGE004
分别表示为，
Figure 360819DEST_PATH_IMAGE006
Figure 507766DEST_PATH_IMAGE008
Figure 253874DEST_PATH_IMAGE010
Figure 169877DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
、
Figure 828392DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
和
Figure 931477DEST_PATH_IMAGE016
分别表示当前时刻的第一监控图像
Figure 481276DEST_PATH_IMAGE001
、前一时刻的第二监控图像
Figure 517365DEST_PATH_IMAGE002
、第一预处理图像
Figure 612360DEST_PATH_IMAGE003
和第二预处理图像
Figure 468321DEST_PATH_IMAGE004
在第i行、第j列的图像值；M和N分别为图像在长度和宽度方向上的像素点总数；
步骤一中，图像预处理具体包括如下步骤，
步骤1-1、将当前时刻的第一监控图像
Figure 572543DEST_PATH_IMAGE001
和前一时刻的第二监控图像
Figure 197559DEST_PATH_IMAGE002
处理成灰度图像，并以灰度值作为对应像素点的图像值；
步骤1-2、通过中值滤波处理将处理前图像中的某像素点及其相邻的K个像素点的图像值的中值作为处理后图像对应该某像素点的图像值。
3.根据权利要求1所述的基于深度学习的移动目标识别方法，其特征在于：步骤二具体依如下步骤进行，
步骤2-1、基于差分运算，获取第一预处理图像
Figure 729035DEST_PATH_IMAGE003
和第二预处理图像
Figure 321559DEST_PATH_IMAGE004
的差分图像
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE021
步骤2-2、基于阈值处理，将差分图像
Figure 167155DEST_PATH_IMAGE017
处理成二值图像
Figure 912257DEST_PATH_IMAGE022
，
Figure 598323DEST_PATH_IMAGE024
Figure 428875DEST_PATH_IMAGE026
步骤2-3、获取二值图像
Figure 874900DEST_PATH_IMAGE022
中图像值为255的所有像素点的集合P，该集合P即为第一目标区域，其中，
Figure DEST_PATH_IMAGE027
。
4.根据权利要求3所述的基于深度学习的移动目标识别方法，其特征在于：步骤三具体依如下步骤进行，
步骤3-1、基于YOLO算法对第一预处理图像
Figure 208929DEST_PATH_IMAGE003
中的监测物进行识别；
步骤3-2、获取监测物的识别框区域Q，该识别框区域Q即为第二目标区域；其中，
Figure DEST_PATH_IMAGE029
其中，
Figure 551049DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
分别为监测物最左和最右的长度坐标，
Figure 858446DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE033
分别为监测物最上和最下的宽度坐标。
5.根据权利要求4所述的基于深度学习的移动目标识别方法，其特征在于：步骤四具体依如下步骤进行，
步骤4-1、构建第一目标区域和第二目标区域的重叠区域S；
步骤4-2、获取重叠区域S最右像素点的长度坐标
Figure 311424DEST_PATH_IMAGE034
；
步骤S4-3、构建电子围栏区域，并获取电子围栏区域的长度坐标
Figure DEST_PATH_IMAGE035
；
步骤S4-4、若
Figure 765539DEST_PATH_IMAGE036
则产生报警信号。
6.用于实现权利要求1-5中任一所述的基于深度学习的移动目标识别方法的基于深度学习的移动目标识别系统，其特征在于：包括识别报警模块。
7.根据权利要求6所述的基于深度学习的移动目标识别系统，其特征在于：识别报警模块包括，
图像预处理单元，其用于对监控图像进行预处理；
移动目标检测单元，其用于基于当前时刻和前一时刻的监控图像对在前一时刻和当前时刻之间发生移动的检测目标进行检测；
判定单元，其用于对当前时刻的监控图像中，检测目标是否越过与对应安全边界线的所对应的区域进行判定，若是则产生报警信号；
报警单元，其用于接收报警信号并进行报警动作。
CN202210562729.2A 2022-05-23 2022-05-23 基于深度学习的移动目标识别方法及系统 Pending CN114663841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210562729.2A CN114663841A (zh) 2022-05-23 2022-05-23 基于深度学习的移动目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210562729.2A CN114663841A (zh) 2022-05-23 2022-05-23 基于深度学习的移动目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN114663841A true CN114663841A (zh) 2022-06-24

Family

ID=82038272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562729.2A Pending CN114663841A (zh) 2022-05-23 2022-05-23 基于深度学习的移动目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN114663841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228849A (zh) * 2023-05-08 2023-06-06 深圳市思傲拓科技有限公司 构建机器外部图像的导航用建图方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105185118A (zh) * 2015-10-13 2015-12-23 武汉烽火众智数字技术有限责任公司 一种基于视频检测的违章车辆检测装置及其方法
CN109063630A (zh) * 2018-07-27 2018-12-21 北京以萨技术股份有限公司 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法
CN109068099A (zh) * 2018-09-05 2018-12-21 济南大学 基于视频监控的虚拟电子围栏监控方法及系统
CN111882816A (zh) * 2020-06-24 2020-11-03 国网宁夏电力有限公司检修公司 一种用于变电站的危险报警方法、介质及系统
CN113362375A (zh) * 2021-06-16 2021-09-07 江铃汽车股份有限公司 用于车辆的运动目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105185118A (zh) * 2015-10-13 2015-12-23 武汉烽火众智数字技术有限责任公司 一种基于视频检测的违章车辆检测装置及其方法
CN109063630A (zh) * 2018-07-27 2018-12-21 北京以萨技术股份有限公司 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法
CN109068099A (zh) * 2018-09-05 2018-12-21 济南大学 基于视频监控的虚拟电子围栏监控方法及系统
CN111882816A (zh) * 2020-06-24 2020-11-03 国网宁夏电力有限公司检修公司 一种用于变电站的危险报警方法、介质及系统
CN113362375A (zh) * 2021-06-16 2021-09-07 江铃汽车股份有限公司 用于车辆的运动目标检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228849A (zh) * 2023-05-08 2023-06-06 深圳市思傲拓科技有限公司 构建机器外部图像的导航用建图方法
CN116228849B (zh) * 2023-05-08 2023-07-25 深圳市思傲拓科技有限公司 构建机器外部图像的导航用建图方法

Similar Documents

Publication Publication Date Title
CN101271514B (zh) 一种快速目标检测和目标输出的图像检测方法及装置
CN104535356B (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
KR101735365B1 (ko) 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법
CN109448326B (zh) 一种基于快速图像识别的地质灾害智能群防监测系统
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN101968848B (zh) 一种视频监测方法、系统及视频监测报警系统
CN109506628A (zh) 一种基于深度学习的卡车环境下目标物测距方法
CN106709518A (zh) 基于Android平台的盲道识别系统
CN103810696B (zh) 一种目标对象图像检测方法及装置
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN104680145B (zh) 一种门的开关状态变化检测方法及装置
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
WO2018161849A1 (zh) 一种基于图像水纹的落水报警系统及其方法
CN110647819A (zh) 一种井下人员跨越皮带异常行为检测方法及装置
CN114241370A (zh) 基于数字孪生变电站的入侵识别方法、装置和计算机设备
CN104463869A (zh) 一种视频火焰图像复合识别方法
CN101364257B (zh) 能识别图像来源的人脸识别方法
CN114663841A (zh) 基于深度学习的移动目标识别方法及系统
CN114092478B (zh) 一种异常检测方法
CN106650735A (zh) 一种led字符自动定位识别方法
CN108446581A (zh) 一种恶劣环境中的无人机检测方法
CN111325073B (zh) 基于运动信息聚类的监控视频异常行为检测方法
CN115797970B (zh) 基于YOLOv5模型的密集行人目标检测方法及系统
CN116682162A (zh) 一种基于实时视频流的机器人人员检测算法
CN115171006B (zh) 基于深度学习的自动识别人员进入电力危险区的检测方法

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: 20220624