CN115147461B - 一种灾害实时预警方法、系统及设备 - Google Patents

一种灾害实时预警方法、系统及设备 Download PDF

Info

Publication number
CN115147461B
CN115147461B CN202211059872.6A CN202211059872A CN115147461B CN 115147461 B CN115147461 B CN 115147461B CN 202211059872 A CN202211059872 A CN 202211059872A CN 115147461 B CN115147461 B CN 115147461B
Authority
CN
China
Prior art keywords
image
contour
matching result
gaussian
displacement detection
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.)
Active
Application number
CN202211059872.6A
Other languages
English (en)
Other versions
CN115147461A (zh
Inventor
甘雨
欧高亮
杨世忠
贺云飞
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.)
Hunan Bds Micro Chipset Industry Development Co ltd
Original Assignee
Hunan Bds Micro Chipset Industry Development 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 Hunan Bds Micro Chipset Industry Development Co ltd filed Critical Hunan Bds Micro Chipset Industry Development Co ltd
Priority to CN202211059872.6A priority Critical patent/CN115147461B/zh
Publication of CN115147461A publication Critical patent/CN115147461A/zh
Application granted granted Critical
Publication of CN115147461B publication Critical patent/CN115147461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明公开了一种灾害实时预警方法、系统及设备，包括获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像并确定第一位移检测区域和第二位移检测区域，寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的待检测区域的第二所有轮廓并分别与预设的代表性轮廓进行变形匹配，将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到位移值，将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到运动物体的类别，根据位移值和运动物体的类别，预测待检测区域的灾害类型，有效的解决了因室外环境变化导致的误检、漏检问题，同时也能更及时有效的发现险情并预警。

Description

一种灾害实时预警方法、系统及设备
技术领域
本发明涉及灾害预警相关技术领域，尤其是涉及一种灾害实时预警方法、系统及设备。
背景技术
在公路、铁路等基础设施旁边及居民聚集的山脚、山坡旁边的村庄条件复杂且多变，多面临着山体滑坡、崩塌、泥石流、落石等潜在灾害，且每年因灾害造成的直接或者间接的损失极大，并且容易对车辆、人员造成安全隐患，因此，灾害的实时预警方法已经成为了亟待解决的关键问题。
目前，室外的天气因素如降雨、降雪，光照的变化等都会对目标的检测造成误检以及漏检，并且一般的塌方、泥石流等自然灾害前期的现象都是微小的，这些因素也导致室外复杂的环境下的检测成为了图像检测中的难点，目前室外的灾害实时预警方法的主要难点在于：灾害种类多，如塌方、落石、泥石流，并且这些灾害的形状以及大小不固定，特征也不明显。
现有的灾害实时预警方法主要是通过在固定地点放置设备检测其GNSS的信息以及位移、降水等物理信息来判断，但此方法需要去现场布置设备，对施工要求高以及成本也高，并且目前对于落石、积水等检测均是基于视觉实现模板匹配及特征匹配来实现检测，检测单一且鲁棒性低，检测效果不佳。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种灾害实时预警方法、系统及设备，能够有效的解决因室外环境变化导致的误检、漏检问题，同时也能更及时有效的发现险情并预警。
本发明的第一方面，提供了一种灾害实时预警方法，包括如下步骤：
获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像；
确定所述第一图像的第一位移检测区域和所述第二图像的第二位移检测区域；其中，所述第一位移检测区域为所述第一图像中预设的人工靶标区域，所述第二位移检测区域为所述第二图像中预设的的人工靶标区域；
寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓；
将所述第一所有轮廓、所述第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到所述第一位移检测区域的第一轮廓匹配结果和所述第二位移检测区域的第二轮廓匹配结果；
将所述第一轮廓匹配结果和所述第二轮廓匹配结果进行局部特征匹配，得到所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值；
将所述第一图像转换成掩膜图像，并将所述掩膜图像输入混合高斯背景模型，得到所述混合高斯背景模型输出的所述待检测区域中的运动物体的类别；
根据所述位移值和所述运动物体的类别，预测所述待检测区域的灾害类型。
根据本发明的实施例，至少具有如下技术效果：
本方法通过获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像，确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域，寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓，将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果，将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值，使检测精度达到毫米级，实现更及时的灾害的预警，同时通过将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别，混合高斯背景模型可实现多物体、多形状的目标检测，无需提前分类，并且其强适用性以及鲁棒性能实现复杂环境的目标检测，根据位移值和运动物体的类别，预测待检测区域的灾害类型，从而有效的解决了因室外环境变化导致的误检、漏检问题，实现了更及时更有有效的灾害预警。
根据本发明的一些实施例，所述获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像，包括：
获取所述待检测区域在当前时刻的原始拍摄图像与所述待检测区域在历史时刻的原始拍摄图像；
提取所述待检测区域在当前时刻的原始拍摄图像与所述待检测区域在历史时刻的原始拍摄图像的特征；其中，所述特征包括功率谱斜率特征、对比度特征和噪声特征；
根据所述特征判断所述待检测区域在当前时刻与所述待检测区域在历史时刻的的天气；
根据所述待检测区域在当前时刻的天气对所述当待检测区域在当前时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到所述当前时刻拍摄的待检测区域的第一图像；
根据所述待检测区域在历史时刻的天气对所述待检测区域在历史时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到所述历史时刻拍摄的待检测区域的第二图像。
根据本发明的一些实施例，所述寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓，包括：
将第一位移检测区域和所述第二位移检测区域分别进行图像增强，得到第一位移检测区域的增强后图像和第二位移检测区域的增强后图像；
将所述第一位移检测区域的增强后图像和所述第二位移检测区域的增强后图像分别通过均值滤波器进行滤波，得到第一位移检测区域的滤波后图像和第二位移检测区域的滤波后图像；
将所述第一位移检测区域的滤波后图像和所述第二位移检测区域的滤波后图像分别进行边缘检测与轮廓寻找，得到所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓。
根据本发明的一些实施例，所述将所述第一所有轮廓、所述第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到所述第一位移检测区域的第一轮廓匹配结果和所述第二位移检测区域的第二轮廓匹配结果，包括：
分别计算所述第一所有轮廓的第一归一化中心矩和所述第二所有轮廓的第二归一化中心矩，其中，计算所有轮廓的归一化中心矩的计算公式为：
Figure 960430DEST_PATH_IMAGE001
其中，mij为第i+j阶的矩，f(x,y)为图像的灰度分布，ui+j为第i+j阶的中心距，Zi+j为第i+j阶的归一化中心矩，r为第i+j阶的中间数，x,y为像素点坐标；
根据所述第一归一化中心矩计算得到第一轮廓特征；并根据所述第二归一化中心矩计算得到第二轮廓特征；其中，所述第一轮廓特征和第二轮廓特征均包括中心、弧长与面积；
根据所述第一归一化中心矩和所述第一轮廓特征计算所述第一所有轮廓与所述代表性轮廓的第一相似度；并根据所述第二归一化中心矩和所述第二轮廓特征计算所述第二所有轮廓与所述代表性轮廓的第二相似度；
根据所述第一相似度得到所述第一位移检测区域的第一轮廓匹配结果，根据所述第二相似度得到第二位移检测区域的第二轮廓匹配结果。
根据本发明的一些实施例，所述将所述第一轮廓匹配结果和所述第二轮廓匹配结果进行局部特征匹配，得到所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值，包括：
通过黑塞矩阵生成所述第一轮廓匹配结果的第一所有特征点和所述第二轮廓匹配结果的第二所有特征点；
通过不同尺寸的盒状滤波器分别对第一轮廓匹配结果和所述第二轮廓匹配结果进行卷积，得到第一轮廓匹配结果的第一尺度空间和第二轮廓匹配结果的第二尺度空间；
根据所述第一轮廓匹配结果的第一所有特征点与第一轮廓匹配结果的第一尺度空间进行特征点定位，得到第一稳定特征点集合；并根据所述第二轮廓匹配结果的第二所有特征点与第二轮廓匹配结果的第二尺度空间进行特征点定位，得到第二稳定特征点集合；
分别以第一稳定特征点集合和第二稳定特征点集合为圆心统计预设半径内的harr小波特征，得到第一稳定特征点集合的第一主方向集合和第二稳定特征点集合的第二主方向集合；
根据所述第一主方向集合生成第一特征点描述子集合，并根据第二主方向集合生成第二特征点描述子集合；
根据所述第一特征点描述子集合和所述第二特征点描述子集合，并利用最小二乘法计算第一稳定特征点集合中的任一点与第二稳定特征点集合中所有点的匹配度，根据所述匹配度得到第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点；
根据所述第一稳定特征点集合中的任一点与所述第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点组成匹配点对；
根据所述匹配点对计算所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值。
根据本发明的一些实施例，所述将所述掩膜图像输入混合高斯背景模型，得到所述混合高斯背景模型输出的所述待检测区域中的运动物体的类别，包括：
将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型；
通过更新后的混合高斯背景模型，分离出所述掩膜图像的前景区域；
通过所述前景区域确定所述图像上的运动物体的类别。
根据本发明的一些实施例，所述混合高斯背景模型使用K个高斯模型来表征每一个像素点的特征；K为大于1的正整数；所述高斯模型构成所述混合高斯背景模型；每一高斯模型包括均值、方差和权重； 所述将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型，包括：
步骤S701、将所述掩膜图像的任一像素点的像素值qt与对应的多个高斯模型进行匹配，其中，qt为任一像素点在t时刻的像素值；
步骤S702、判断是否存在与所述qt相匹配的高斯模型，若是，进入步骤S706，否则进入步骤S703；
步骤S703、判断所述任一像素点对应的高斯模型的个数是否小于K，若是，进入步骤S704，否则进入步骤S705；
步骤S704、为所述任一像素点建立新高斯模型，所建立的新高斯模型的均值等于所述qt，所述新高斯模型的方差和权重为默认的初始值；
步骤S705、使用新高斯模型替换K个高斯模型中的权重最小的高斯模型，所述新高斯模型的均值等于所述qt，所述新高斯模型的方差和权重为默认的初始值；
步骤S706、使用权重公式wk（x,y,t）=（1-a）wk（x,y,t-1）+aMk,t，更新上述像素点所对应的多个高斯模型的权重,其中，wk（x,y,t）为所述任一像素点对应的第K个高斯模型在t时刻的权重，a为0到1的系数，Mk,t为所述任一像素点对应的第K个高斯模型与qt的匹配参数，若第K个高斯模型与qt匹配，Mk,t取值为1,否则取值为0；
步骤S707、使用该像素点的像素值qt更新上述像素点所对应的多个高斯模型的均值和方差。
根据本发明的一些实施例，所述通过更新后的混合高斯背景模型，分离出所述掩膜图像的前景区域，包括：
将当前时刻所述掩膜图像的任一像素点对应的多个高斯模型按重要性进行降序排列，其中，所述重要性的计算方式为：
Figure 64521DEST_PATH_IMAGE002
其中，
Figure 313100DEST_PATH_IMAGE003
为所述任一像素点对应的第K个高斯模型在t时刻的标准差，Sort_ background为所述重要性；
若最小的重要性大于预设阈值T，判定所述任一像素点在当前帧为前景点；若最小的重要性小于预设阈值T，判定所述任一像素点在当前帧为背景点。
本发明的第二方面，提供一种灾害实时预警系统，所述灾害实时预警系统包括：
图像获取模块，用于获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像；
位移检测区域确定模块，用于确定所述第一图像的第一位移检测区域和所述第二图像的第二位移检测区域；其中，所述第一位移检测区域为所述第一图像中预设的人工靶标区域，所述第二位移检测区域为所述第二图像中预设的的人工靶标区域；
轮廓寻找模块，用于寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓；
变形匹配模块，用于将所述第一所有轮廓、所述第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到所述第一位移检测区域的第一轮廓匹配结果和所述第二位移检测区域的第二轮廓匹配结果；
位移值计算模块，用于将所述第一轮廓匹配结果和所述第二轮廓匹配结果进行局部特征匹配，得到所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值；
类别区分模块，用于将所述第一图像转换成掩膜图像，并将所述掩膜图像输入混合高斯背景模型，得到所述混合高斯背景模型输出的所述待检测区域中的运动物体的类别；
灾害类别预测模块，用于根据所述位移值和所述运动物体的类别，预测所述待检测区域的灾害类型。
本系统通过获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像，确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域，寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓，将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果，将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值，使检测精度达到毫米级，实现更及时的灾害的预警，同时通过将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别，混合高斯背景模型可实现多物体、多形状的目标检测，无需提前分类，并且其强适用性以及鲁棒性能实现复杂环境的目标检测，根据位移值和运动物体的类别，预测待检测区域的灾害类型，从而有效的解决了因室外环境变化导致的误检、漏检问题，实现了更及时更有有效的灾害预警。
本发明的第三方面，提供了一种灾害实时预警电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的灾害实时预警方法。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的灾害实时预警方法。
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种灾害实时预警系统与现有技术之间的有益效果相同，此处不再细述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种灾害实时预警方法的流程图；
图2是图1中的步骤S101的流程图；
图3是图1中的步骤S103的流程图；
图4是图1中的步骤S106的流程图；
图5是本发明一实施例的一种灾害实时预警系统的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
在介绍本发明实施例之前，先对尺度空间进行简要说明：
图像的尺度空间是指图像的模糊程度，而非图像的大小。近距离看一个物体和远距离看一个物体，模糊程度是不一样的；从近到远，图像越来越模糊的过程，也是图像的尺度越来越大的过程。
不同的尺度下都有同样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配，也就是尺度不变性。
目前，室外的天气因素如降雨、降雪，光照的变化等都会对目标的检测造成误检以及漏检，并且一般的塌方、泥石流等自然灾害前期的现象都是微小的，这些因素也导致室外复杂的环境下的检测成为了图像检测中的难点，目前室外的灾害实时预警方法的主要难点在于：灾害种类多，如塌方、落石、泥石流，并且这些灾害的形状以及大小不固定，特征也不明显。
现有的灾害实时预警方法主要是通过在固定地点放置设备检测其GNSS的信息以及位移、降水等物理信息来判断，但此方法需要去现场布置设备，对施工要求高以及成本也高，并且目前对于落石、积水等检测均是基于视觉实现模板匹配及特征匹配来实现检测，检测单一且鲁棒性低，检测效果不佳。
为了解决上述技术缺陷，参照图1，本发明还提供了一种灾害实时预警方法，包括：
步骤S101、获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像。
步骤S102、确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域。
步骤S103、寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓。
步骤S104、将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果。
步骤S105、将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值。
步骤S106、将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别。
步骤S107、根据位移值和运动物体的类别，预测待检测区域的灾害类型。
本方法通过获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像，确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域，寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓，将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果，将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值，使检测精度达到毫米级，实现更及时的灾害的预警，同时通过将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别，混合高斯背景模型可实现多物体、多形状的目标检测，无需提前分类，并且其强适用性以及鲁棒性能实现复杂环境的目标检测，根据位移值和运动物体的类别，预测待检测区域的灾害类型，从而有效的解决了因室外环境变化导致的误检、漏检问题，实现了更及时更有有效的灾害预警。
参照图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S205：
步骤S201、获取待检测区域在当前时刻的原始拍摄图像与待检测区域在历史时刻的原始拍摄图像。
步骤S202、提取待检测区域在当前时刻的原始拍摄图像与待检测区域在历史时刻的原始拍摄图像的特征；其中，特征包括功率谱斜率特征、对比度特征和噪声特征。
步骤S203、根据特征判断待检测区域在当前时刻与待检测区域在历史时刻的的天气。
步骤S204、根据待检测区域在当前时刻的天气对当待检测区域在当前时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到当前时刻拍摄的待检测区域的第一图像。
步骤S205、根据待检测区域在历史时刻的天气对待检测区域在历史时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到历史时刻拍摄的待检测区域的第二图像。
参照图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S303：
步骤S301、将第一位移检测区域和第二位移检测区域分别进行图像增强，得到第一位移检测区域的增强后图像和第二位移检测区域的增强后图像。
步骤S302、将第一位移检测区域的增强后图像和第二位移检测区域的增强后图像分别通过均值滤波器进行滤波，得到第一位移检测区域的滤波后图像和第二位移检测区域的滤波后图像。
步骤S303、将第一位移检测区域的滤波后图像和第二位移检测区域的滤波后图像分别进行边缘检测与轮廓寻找，得到第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓。
在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S404：
步骤S401、分别计算第一所有轮廓的第一归一化中心矩和第二所有轮廓的第二归一化中心矩，其中，计算所有轮廓的归一化中心矩的计算公式为：
Figure 177151DEST_PATH_IMAGE004
其中，mij为第i+j阶的矩，f(x,y)为图像的灰度分布，ui+j为第i+j阶的中心距，Zi+j为第i+j阶的归一化中心矩，r为第i+j阶的中间数，x,y为像素点坐标。
步骤S402、根据第一归一化中心矩计算得到第一轮廓特征；并根据第二归一化中心矩计算得到第二轮廓特征；其中，第一轮廓特征和第二轮廓特征均包括中心、弧长与面积。
步骤S403、根据第一归一化中心矩和第一轮廓特征计算第一所有轮廓与代表性轮廓的第一相似度；并根据第二归一化中心矩和第二轮廓特征计算第二所有轮廓与代表性轮廓的第二相似度。
步骤S404、根据第一相似度得到第一位移检测区域的第一轮廓匹配结果，根据第二相似度得到第二位移检测区域的第二轮廓匹配结果。
具体的，在一些实施例中，第一相似度为根据第一所有轮廓中的每一个轮廓的归一化中心矩和轮廓特征计算每一个轮廓与代表性轮廓的相似度组成的第一相似度集合，第二相似度为根据第二所有轮廓中的每一个轮廓的归一化中心矩和轮廓特征计算每一个轮廓与代表性轮廓的相似度组成的第二相似度集合。
具体的，在一些实施例中，根据第一相似度得到第一位移检测区域的第一轮廓匹配结果，根据第二相似度得到第二位移检测区域的第二轮廓匹配结果，包括：
根据第一相似度集合选取第一所有轮廓中与代表性轮廓的相似度最高的轮廓组成第一轮廓匹配结果。
根据第二相似度集合选取第二所有轮廓中与代表性轮廓的相似度最高的轮廓组成第一轮廓匹配结果。
在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S504：
步骤S501、通过黑塞矩阵生成第一轮廓匹配结果的第一所有特征点和第二轮廓匹配结果的第二所有特征点。
步骤S502、通过不同尺寸的盒状滤波器分别对第一轮廓匹配结果和第二轮廓匹配结果进行卷积，得到第一轮廓匹配结果的第一尺度空间和第二轮廓匹配结果的第二尺度空间。
步骤S503、根据第一轮廓匹配结果的第一所有特征点与第一轮廓匹配结果的第一尺度空间进行特征点定位，得到第一稳定特征点集合；并根据第二轮廓匹配结果的第二所有特征点与第二轮廓匹配结果的第二尺度空间进行特征点定位，得到第二稳定特征点集合。
步骤S504、分别以第一稳定特征点集合和第二稳定特征点集合为圆心统计预设半径内的harr小波特征，得到第一稳定特征点集合的第一主方向集合和第二稳定特征点集合的第二主方向集合。
步骤S505、根据第一主方向集合生成第一特征点描述子集合，并根据第二主方向集合生成第二特征点描述子集合。
步骤S506、根据第一特征点描述子集合和第二特征点描述子集合，并利用最小二乘法计算第一稳定特征点集合中的任一点与第二稳定特征点集合中所有点的匹配度，根据匹配度得到第一稳定特征点集合中的任一点在第二稳定特征点中的对应点。
步骤S507、根据第一稳定特征点集合中的任一点与第一稳定特征点集合中的任一点在第二稳定特征点中的对应点组成匹配点对。
步骤S508、根据匹配点对计算第一轮廓匹配结果相较于第二轮廓匹配结果的位移值。
在一些实施例中，根据匹配点对计算第一轮廓匹配结果相较于第二轮廓匹配结果的位移值包括：
选取所有匹配点对中匹配值最高的预先设置的匹配点对的数值对应数量的匹配点对，得到最佳匹配点对集合。
计算最佳匹配点对集合中每一个匹配点对的位移值，得到位移值集合。
计算位移值集合中所有位移值的均值，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值。
在一些实施例中，在根据匹配点对计算第一轮廓匹配结果相较于第二轮廓匹配结果的位移值之后，还包括：
通过第一轮廓匹配结果相较于第二轮廓匹配结果的位移值，以及第一图像和第二图像拍摄的间隔时间计算出位移的加速度以及速度。
参照图4，在一些实施例中，步骤S106可以包括但不限于包括步骤S601至步骤S603：
步骤S601、将掩膜图像输入混合高斯背景模型，以使得通过掩膜图像的像素值更新混合高斯背景模型。
步骤S602、通过更新后的混合高斯背景模型，分离出掩膜图像的前景区域。
步骤S603、通过前景区域确定图像上的运动物体的类别。
在一些实施例中，确定图像上的运动物体的类别还包括：
将掩膜图像输入混合高斯背景模型得到背景图像。
将背景图像通过二值化以及形态学处理得到处理后背景图像。
通过求取处理后背景图像的连通域得到变化的目标的位置以及大小。
通过变化的目标的位置以及大小判断以及筛选得到运动物体的类别，并在掩膜图像上标注出来。
在一些实施例中，混合高斯背景模型使用K个高斯模型来表征每一个像素点的特征；K为大于1的正整数；高斯模型构成混合高斯背景模型；每一高斯模型包括均值、方差和权重；步骤S601可以包括但不限于包括步骤S701至步骤S707：
步骤S701、将掩膜图像的任一像素点的像素值qt与对应的多个高斯模型进行匹配，其中，qt为任一像素点在t时刻的像素值。
步骤S702、判断是否存在与qt相匹配的高斯模型，若是，进入步骤S706，否则进入步骤S703。
步骤S703、判断任一像素点对应的高斯模型的个数是否小于K，若是，进入步骤S704，否则进入步骤S705。
步骤S704、为任一像素点建立新高斯模型，所建立的新高斯模型的均值等于qt，新高斯模型的方差和权重为默认的初始值。
步骤S705、使用新高斯模型替换K个高斯模型中的权重最小的高斯模型，新高斯模型的均值等于qt，新高斯模型的方差和权重为默认的初始值。
步骤S706、使用权重公式wk（x,y,t）=（1-a）wk（x,y,t-1）+aMk,t，更新上述像素点所对应的多个高斯模型的权重,其中，wk（x,y,t）为任一像素点对应的第K个高斯模型在t时刻的权重，a为0到1的系数，Mk,t为任一像素点对应的第K个高斯模型与qt的匹配参数，若第K个高斯模型与qt匹配，Mk,t取值为1,否则取值为0。
步骤S707、使用该像素点的像素值qt更新上述像素点所对应的多个高斯模型的均值和方差。
在一些实施例中，步骤S602可以包括但不限于包括步骤S801至步骤S802：
步骤S801、将当前时刻掩膜图像的任一像素点对应的多个高斯模型按重要性进行降序排列，其中，重要性的计算方式为：
Figure 939659DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE005
为任一像素点对应的第K个高斯模型在t时刻的标准差，Sort_ background为重要性；
步骤S802、若最小的重要性大于预设阈值T，判定任一像素点在当前帧为前景点；若最小的重要性小于预设阈值T，判定任一像素点在当前帧为背景点。
在一些实施例中，K设置为4。
在一些实施例中，T设置为0.7。
在一些实施例中，结合人工靶标的连续间隔时间段的位移值可以计算出位移加速度和速度，再联合背景模型检测到的待检测区域中的运动物体的类别，最后得到的灾害预测有如下几种情况：
（1）如果只有靶标位移，则是滑坡预警。
（2）如果靶标位移和目标检测同时有结果，则是塌方、泥石流预警。
（3）如果只有目标检测有结果，则是落石预警。
最终将灾害类型判断以及筛选得到的运动物体大小在当前检测图上标注出来。
另外，参照图5，本发明的一个实施例，提供一种灾害实时预警系统，包括图像获取模块1100、位移检测区域确定模块1200、轮廓寻找模块1300、变形匹配模块1400、位移值计算模块1500、类别区分模块1600以及灾害类别预测模块1700，其中：
图像获取模块1100用于获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像。
位移检测区域确定模块1200用于确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域。
轮廓寻找模块1300用于寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓。
变形匹配模块1400用于将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果。
位移值计算模块1500用于将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值。
类别区分模块1600用于将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别。
灾害类别预测模块1700用于根据位移值和运动物体的类别，预测待检测区域的灾害类型。
本系统通过获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的待检测区域的第二图像，确定第一图像的第一位移检测区域和第二图像的第二位移检测区域；其中，第一位移检测区域为第一图像中预设的人工靶标区域，第二位移检测区域为第二图像中预设的的人工靶标区域，寻找第一位移检测区域的第一所有轮廓和第二位移检测区域的第二所有轮廓，将第一所有轮廓、第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到第一位移检测区域的第一轮廓匹配结果和第二位移检测区域的第二轮廓匹配结果，将第一轮廓匹配结果和第二轮廓匹配结果进行局部特征匹配，得到第一轮廓匹配结果相较于第二轮廓匹配结果的位移值，使检测精度达到毫米级，实现更及时的灾害的预警，同时通过将第一图像转换成掩膜图像，并将掩膜图像输入混合高斯背景模型，得到混合高斯背景模型输出的待检测区域中的运动物体的类别，混合高斯背景模型可实现多物体、多形状的目标检测，无需提前分类，并且其强适用性以及鲁棒性能实现复杂环境的目标检测，根据位移值和运动物体的类别，预测待检测区域的灾害类型，从而有效的解决了因室外环境变化导致的误检、漏检问题，实现了更及时更有有效的灾害预警。
需要注意的是，本系统实施例与上述的系统实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，这里不再赘述。
本申请还提供一种灾害实时预警电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现：如上述的灾害实时预警方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的灾害实时预警方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的灾害实时预警方法，例如，执行以上描述的图1中的方法步骤S101至步骤S107。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的灾害实时预警方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的灾害实时预警方法，例如，执行以上描述的图1中的方法步骤S101至步骤S107。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序单元或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序单元或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种灾害实时预警方法，其特征在于，所述灾害实时预警方法包括：
获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像；
确定所述第一图像的第一位移检测区域和所述第二图像的第二位移检测区域；其中，所述第一位移检测区域为所述第一图像中预设的人工靶标区域，所述第二位移检测区域为所述第二图像中预设的人工靶标区域；
寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓；
将所述第一所有轮廓、所述第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到所述第一位移检测区域的第一轮廓匹配结果和所述第二位移检测区域的第二轮廓匹配结果，具体为：
分别计算所述第一所有轮廓的第一归一化中心矩和所述第二所有轮廓的第二归一化中心矩，其中，计算所有轮廓的归一化中心矩的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第i+j阶的矩，f(x,y)为图像的灰度分布，
Figure DEST_PATH_IMAGE006
为第i+j阶的中心距，
Figure DEST_PATH_IMAGE008
为第i+j阶的归一化中心矩，r为第i+j阶的中间数，x,y为像素点坐标；
根据所述第一归一化中心矩计算得到第一轮廓特征；并根据所述第二归一化中心矩计算得到第二轮廓特征；其中，所述第一轮廓特征和第二轮廓特征均包括中心、弧长与面积；
根据所述第一归一化中心矩和所述第一轮廓特征计算所述第一所有轮廓与所述代表性轮廓的第一相似度；并根据所述第二归一化中心矩和所述第二轮廓特征计算所述第二所有轮廓与所述代表性轮廓的第二相似度；
根据所述第一相似度得到所述第一位移检测区域的第一轮廓匹配结果，根据所述第二相似度得到第二位移检测区域的第二轮廓匹配结果；
将所述第一轮廓匹配结果和所述第二轮廓匹配结果进行局部特征匹配，得到所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值，具体为：
通过黑塞矩阵生成所述第一轮廓匹配结果的第一所有特征点和所述第二轮廓匹配结果的第二所有特征点；
通过不同尺寸的盒状滤波器分别对第一轮廓匹配结果和所述第二轮廓匹配结果进行卷积，得到第一轮廓匹配结果的第一尺度空间和第二轮廓匹配结果的第二尺度空间；
根据所述第一轮廓匹配结果的第一所有特征点与第一轮廓匹配结果的第一尺度空间进行特征点定位，得到第一稳定特征点集合；并根据所述第二轮廓匹配结果的第二所有特征点与第二轮廓匹配结果的第二尺度空间进行特征点定位，得到第二稳定特征点集合；
分别以第一稳定特征点集合和第二稳定特征点集合为圆心统计预设半径内的harr小波特征，得到第一稳定特征点集合的第一主方向集合和第二稳定特征点集合的第二主方向集合；
根据所述第一主方向集合生成第一特征点描述子集合，并根据第二主方向集合生成第二特征点描述子集合；
根据所述第一特征点描述子集合和所述第二特征点描述子集合，并利用最小二乘法计算第一稳定特征点集合中的任一点与第二稳定特征点集合中所有点的匹配度，根据所述匹配度得到第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点；
根据所述第一稳定特征点集合中的任一点与所述第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点组成匹配点对；
根据所述匹配点对计算所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值；
将所述第一图像转换成掩膜图像，并将所述掩膜图像输入混合高斯背景模型，得到所述混合高斯背景模型输出的所述待检测区域中的运动物体的类别，具体为：
将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型，其中，所述混合高斯背景模型使用K个高斯模型来表征每一个像素点的特征；K为大于1的正整数；所述高斯模型构成所述混合高斯背景模型；每一高斯模型包括均值、方差和权重；所述将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型具体为：
步骤S701、将所述掩膜图像的任一像素点的像素值
Figure DEST_PATH_IMAGE010
与对应的多个高斯模型进行匹配，其中，
Figure 270489DEST_PATH_IMAGE010
为任一像素点在t时刻的像素值；
步骤S702、判断是否存在与所述
Figure 249946DEST_PATH_IMAGE010
相匹配的高斯模型，若是，进入步骤S706，否则进入步骤S703；
步骤S703、判断所述任一像素点对应的高斯模型的个数是否小于K，若是，进入步骤S704，否则进入步骤S705；
步骤S704、为所述任一像素点建立新高斯模型，所建立的新高斯模型的均值等于所述
Figure 357580DEST_PATH_IMAGE010
，所述新高斯模型的方差和权重为默认的初始值；
步骤S705、使用新高斯模型替换K个高斯模型中的权重最小的高斯模型，所述新高斯模型的均值等于所述
Figure 346264DEST_PATH_IMAGE010
，所述新高斯模型的方差和权重为默认的初始值；
步骤S706、使用权重公式
Figure DEST_PATH_IMAGE012
，更新上述像素点所对应的多个高斯模型的权重,其中，
Figure DEST_PATH_IMAGE014
为所述任一像素点对应的第K个高斯模型在t时刻的权重，a为0到1的系数，
Figure DEST_PATH_IMAGE016
为所述任一像素点对应的第K个高斯模型与
Figure 927680DEST_PATH_IMAGE010
的匹配参数，若第K个高斯模型与
Figure 343618DEST_PATH_IMAGE010
匹配，
Figure 79493DEST_PATH_IMAGE016
取值为1,否则取值为0；
步骤S707、使用该像素点的像素值
Figure 871869DEST_PATH_IMAGE010
更新上述像素点所对应的多个高斯模型的均值和方差；
通过更新后的混合高斯背景模型，分离出所述掩膜图像的前景区域，具体为：
将当前时刻所述掩膜图像的任一像素点对应的多个高斯模型按重要性进行降序排列，其中，所述重要性的计算方式为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为所述任一像素点对应的第K个高斯模型在t时刻的标准差，sort_ background为所述重要性；
若最小的重要性大于预设阈值T，判定所述任一像素点在当前帧为前景点；若最小的重要性小于预设阈值T，判定所述任一像素点在当前帧为背景点；
通过所述前景区域确定所述图像上的运动物体的类别；
根据所述位移值和所述运动物体的类别，预测所述待检测区域的灾害类型，具体为：
如果只有靶标位移，则是滑坡预警；
如果靶标位移和目标检测同时有结果，则是塌方、泥石流预警；
如果只有目标检测有结果，则是落石预警。
2.根据权利要求1所述的一种灾害实时预警方法，其特征在于，所述获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像，包括：
获取所述待检测区域在当前时刻的原始拍摄图像与所述待检测区域在历史时刻的原始拍摄图像；
提取所述待检测区域在当前时刻的原始拍摄图像与所述待检测区域在历史时刻的原始拍摄图像的特征；其中，所述特征包括功率谱斜率特征、对比度特征和噪声特征；
根据所述特征判断所述待检测区域在当前时刻与所述待检测区域在历史时刻的天气；
根据所述待检测区域在当前时刻的天气对所述待检测区域在当前时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到所述当前时刻拍摄的待检测区域的第一图像；
根据所述待检测区域在历史时刻的天气对所述待检测区域在历史时刻的原始拍摄图像进行对应的去雾处理或去噪图像增强处理，得到所述历史时刻拍摄的待检测区域的第二图像。
3.根据权利要求2所述的一种灾害实时预警方法，其特征在于，所述寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓，包括：
将第一位移检测区域和所述第二位移检测区域分别进行图像增强，得到第一位移检测区域的增强后图像和第二位移检测区域的增强后图像；
将所述第一位移检测区域的增强后图像和所述第二位移检测区域的增强后图像分别通过均值滤波器进行滤波，得到第一位移检测区域的滤波后图像和第二位移检测区域的滤波后图像；
将所述第一位移检测区域的滤波后图像和所述第二位移检测区域的滤波后图像分别进行边缘检测与轮廓寻找，得到所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓。
4.一种灾害实时预警系统，其特征在于，所述灾害实时预警系统包括：
图像获取模块，用于获取当前时刻拍摄的待检测区域的第一图像和历史时刻拍摄的所述待检测区域的第二图像；
位移检测区域确定模块，用于确定所述第一图像的第一位移检测区域和所述第二图像的第二位移检测区域；其中，所述第一位移检测区域为所述第一图像中预设的人工靶标区域，所述第二位移检测区域为所述第二图像中预设的人工靶标区域；
轮廓寻找模块，用于寻找所述第一位移检测区域的第一所有轮廓和所述第二位移检测区域的第二所有轮廓；
变形匹配模块，用于将所述第一所有轮廓、所述第二所有轮廓分别与预设的代表性轮廓进行变形匹配，得到所述第一位移检测区域的第一轮廓匹配结果和所述第二位移检测区域的第二轮廓匹配结果，具体为：
分别计算所述第一所有轮廓的第一归一化中心矩和所述第二所有轮廓的第二归一化中心矩，其中，计算所有轮廓的归一化中心矩的计算公式为：
Figure DEST_PATH_IMAGE021
其中，
Figure 171439DEST_PATH_IMAGE004
为第i+j阶的矩，f(x,y)为图像的灰度分布，
Figure 633644DEST_PATH_IMAGE006
为第i+j阶的中心距，
Figure 715870DEST_PATH_IMAGE008
为第i+j阶的归一化中心矩，r为第i+j阶的中间数，x,y为像素点坐标；
根据所述第一归一化中心矩计算得到第一轮廓特征；并根据所述第二归一化中心矩计算得到第二轮廓特征；其中，所述第一轮廓特征和第二轮廓特征均包括中心、弧长与面积；
根据所述第一归一化中心矩和所述第一轮廓特征计算所述第一所有轮廓与所述代表性轮廓的第一相似度；并根据所述第二归一化中心矩和所述第二轮廓特征计算所述第二所有轮廓与所述代表性轮廓的第二相似度；
根据所述第一相似度得到所述第一位移检测区域的第一轮廓匹配结果，根据所述第二相似度得到第二位移检测区域的第二轮廓匹配结果；
位移值计算模块，用于将所述第一轮廓匹配结果和所述第二轮廓匹配结果进行局部特征匹配，得到所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值，具体为：
通过黑塞矩阵生成所述第一轮廓匹配结果的第一所有特征点和所述第二轮廓匹配结果的第二所有特征点；
通过不同尺寸的盒状滤波器分别对第一轮廓匹配结果和所述第二轮廓匹配结果进行卷积，得到第一轮廓匹配结果的第一尺度空间和第二轮廓匹配结果的第二尺度空间；
根据所述第一轮廓匹配结果的第一所有特征点与第一轮廓匹配结果的第一尺度空间进行特征点定位，得到第一稳定特征点集合；并根据所述第二轮廓匹配结果的第二所有特征点与第二轮廓匹配结果的第二尺度空间进行特征点定位，得到第二稳定特征点集合；
分别以第一稳定特征点集合和第二稳定特征点集合为圆心统计预设半径内的harr小波特征，得到第一稳定特征点集合的第一主方向集合和第二稳定特征点集合的第二主方向集合；
根据所述第一主方向集合生成第一特征点描述子集合，并根据第二主方向集合生成第二特征点描述子集合；
根据所述第一特征点描述子集合和所述第二特征点描述子集合，并利用最小二乘法计算第一稳定特征点集合中的任一点与第二稳定特征点集合中所有点的匹配度，根据所述匹配度得到第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点；
根据所述第一稳定特征点集合中的任一点与所述第一稳定特征点集合中的任一点在所述第二稳定特征点中的对应点组成匹配点对；
根据所述匹配点对计算所述第一轮廓匹配结果相较于所述第二轮廓匹配结果的位移值；
类别区分模块，用于将所述第一图像转换成掩膜图像，并将所述掩膜图像输入混合高斯背景模型，得到所述混合高斯背景模型输出的所述待检测区域中的运动物体的类别，具体为：
将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型，其中，所述混合高斯背景模型使用K个高斯模型来表征每一个像素点的特征；K为大于1的正整数；所述高斯模型构成所述混合高斯背景模型；每一高斯模型包括均值、方差和权重；所述将所述掩膜图像输入混合高斯背景模型，以使得通过所述掩膜图像的像素值更新所述混合高斯背景模型具体为：
步骤S701、将所述掩膜图像的任一像素点的像素值
Figure 921723DEST_PATH_IMAGE010
与对应的多个高斯模型进行匹配，其中，
Figure 38584DEST_PATH_IMAGE010
为任一像素点在t时刻的像素值；
步骤S702、判断是否存在与所述
Figure 937270DEST_PATH_IMAGE010
相匹配的高斯模型，若是，进入步骤S706，否则进入步骤S703；
步骤S703、判断所述任一像素点对应的高斯模型的个数是否小于K，若是，进入步骤S704，否则进入步骤S705；
步骤S704、为所述任一像素点建立新高斯模型，所建立的新高斯模型的均值等于所述
Figure 772370DEST_PATH_IMAGE010
，所述新高斯模型的方差和权重为默认的初始值；
步骤S705、使用新高斯模型替换K个高斯模型中的权重最小的高斯模型，所述新高斯模型的均值等于所述
Figure 516335DEST_PATH_IMAGE010
，所述新高斯模型的方差和权重为默认的初始值；
步骤S706、使用权重公式
Figure 317064DEST_PATH_IMAGE012
，更新上述像素点所对应的多个高斯模型的权重,其中，
Figure 121071DEST_PATH_IMAGE014
为所述任一像素点对应的第K个高斯模型在t时刻的权重，a为0到1的系数，
Figure 177889DEST_PATH_IMAGE016
为所述任一像素点对应的第K个高斯模型与
Figure 850179DEST_PATH_IMAGE010
的匹配参数，若第K个高斯模型与
Figure 816998DEST_PATH_IMAGE010
匹配，
Figure 683585DEST_PATH_IMAGE016
取值为1,否则取值为0；
步骤S707、使用该像素点的像素值
Figure 103065DEST_PATH_IMAGE010
更新上述像素点所对应的多个高斯模型的均值和方差；
通过更新后的混合高斯背景模型，分离出所述掩膜图像的前景区域，具体为：
将当前时刻所述掩膜图像的任一像素点对应的多个高斯模型按重要性进行降序排列，其中，所述重要性的计算方式为：
Figure DEST_PATH_IMAGE018A
其中，
Figure DEST_PATH_IMAGE020A
为所述任一像素点对应的第K个高斯模型在t时刻的标准差，sort_ background为所述重要性；
若最小的重要性大于预设阈值T，判定所述任一像素点在当前帧为前景点；若最小的重要性小于预设阈值T，判定所述任一像素点在当前帧为背景点；
通过所述前景区域确定所述图像上的运动物体的类别；
灾害类别预测模块，用于根据所述位移值和所述运动物体的类别，预测所述待检测区域的灾害类型，具体为：
如果只有靶标位移，则是滑坡预警；
如果靶标位移和目标检测同时有结果，则是塌方、泥石流预警；
如果只有目标检测有结果，则是落石预警。
5.一种灾害实时预警设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至3任一项所述的灾害实时预警方法。
CN202211059872.6A 2022-09-01 2022-09-01 一种灾害实时预警方法、系统及设备 Active CN115147461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211059872.6A CN115147461B (zh) 2022-09-01 2022-09-01 一种灾害实时预警方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211059872.6A CN115147461B (zh) 2022-09-01 2022-09-01 一种灾害实时预警方法、系统及设备

Publications (2)

Publication Number Publication Date
CN115147461A CN115147461A (zh) 2022-10-04
CN115147461B true CN115147461B (zh) 2022-11-22

Family

ID=83415674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211059872.6A Active CN115147461B (zh) 2022-09-01 2022-09-01 一种灾害实时预警方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115147461B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393530A (zh) * 2021-05-12 2021-09-14 深圳市北斗云信息技术有限公司 一种基于双目立体视觉的滑坡位移监测方法、系统及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005104B (zh) * 2009-09-02 2013-05-01 吴立新 滑坡体位移和姿态远距离快速监测报警装置及方法
US11810251B2 (en) * 2019-10-03 2023-11-07 General Electric Company Remote sensing method to model terrain shape by detecting reliable ground points
CN114820552A (zh) * 2022-05-11 2022-07-29 中国地质环境监测院(自然资源部地质灾害技术指导中心) 一种利用光学卫星立体影像检测滑坡位移场的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393530A (zh) * 2021-05-12 2021-09-14 深圳市北斗云信息技术有限公司 一种基于双目立体视觉的滑坡位移监测方法、系统及装置

Also Published As

Publication number Publication date
CN115147461A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
EP3997616B1 (en) Object-based change detection using a neural network
CN109284674B (zh) 一种确定车道线的方法及装置
CN111832536B (zh) 一种车道线检测方法及装置
Akagic et al. Pothole detection: An efficient vision based method using rgb color space image segmentation
CN108389421B (zh) 基于图像再识别的停车场精确诱导系统及方法
CN110147714B (zh) 基于无人机的煤矿采空区裂缝识别方法及检测系统
CN111652060B (zh) 一种基于激光雷达的限高预警方法、装置、电子设备及存储介质
CN115035182B (zh) 一种山区滑坡灾害预警方法及系统
CN110866926A (zh) 一种红外遥感图像快速精细海陆分割方法
CN110718068B (zh) 一种道路监控摄像机安装角度估计方法
CN110660211A (zh) 使用占用行为异常检测器的停车区域地图改善
CN112344854B (zh) 车辆超限检测方法、系统及计算机可读存储介质
CN110826364A (zh) 一种库位识别方法及装置
CN115147461B (zh) 一种灾害实时预警方法、系统及设备
CN110636248A (zh) 目标跟踪方法与装置
CN109740502B (zh) 道路质量检测方法及装置
CN117315441A (zh) 基于改进yolox的道路井盖状态检测方法
CN107578037B (zh) 一种基于似物性估计的道线检测方法
Hammed et al. Detection of anthropogenic objects based on the spatial characteristics of their contour in aerial image
CN115834838A (zh) 一种隧道内的监控方法、设备和介质
CN115436900A (zh) 基于雷达图的目标检测方法、装置、设备和介质
CN115376106A (zh) 基于雷达图的车型识别方法、装置、设备及介质
Lin et al. Segmentation-based ground points detection from mobile laser scanning point cloud
CN109145715B (zh) 轨道交通的空基行人侵界检测方法、装置和系统
CN110246091B (zh) 确定sar图差异区域的方法和装置

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