CN115761647A - 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 - Google Patents
基于计算机视觉的变电站内物体运动轨迹检测方法及系统 Download PDFInfo
- Publication number
- CN115761647A CN115761647A CN202211583588.9A CN202211583588A CN115761647A CN 115761647 A CN115761647 A CN 115761647A CN 202211583588 A CN202211583588 A CN 202211583588A CN 115761647 A CN115761647 A CN 115761647A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- foreign
- target
- motion
- picture
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的变电站内物体运动轨迹检测方法及系统,包括:对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;若异物的种类信息满足预设入库条件,则将异物的种类信息录入数据库;从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。本发明能够准确地预测异物在当前监控场景之后的运动轨迹,为物体的轨迹识别提供了技术支撑。
Description
技术领域
本发明涉及物体运动检测领域,具体涉及一种基于计算机视觉的变电站内物体运动轨迹检测方法及系统。
背景技术
变电站内典型物体结构复杂,设备种类多、数量大、分散广,传统的目标识别运动轨迹方法存在识别精度低、对多样性的环境鲁棒性差、没有针对性、耗费时间等问题。目前,由于受到实际的技术水平限制,当变电站内典型异物入侵时,无法快速准确地预测异物在当前监控场景之后的运动轨迹。
因此,需要一种基于计算机视觉的变电站内物体运动轨迹检测方法及系统,能够改善无法快速准确地预测异物在当前监控场景之后的运动轨迹问题。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于计算机视觉的变电站内物体运动轨迹检测方法及系统,能够准确地预测异物在当前监控场景之后的运动轨迹,为变电站内物体识别与运动轨迹预判提供了可靠的技术支撑。
本发明的基于计算机视觉的变电站内物体运动轨迹检测方法,包括:
对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;
从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;
根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
进一步,对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片,具体包括:
S11.按照指定帧间隔,对视频数据进行切片形成以时间为序列的n张图片;
S12.记第n张图片和第n-1张图片分别为Fn和Fn-1,两图片对应像素点的灰度值记为Fn(x,y)和Fn-1(x,y),将两张图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn;
S13.将差分图像Dn中任一像素点的灰度值归类为0或255这两个值中的其中一个,得到二值化图像Rn′;
S14.对二值化图像Rn′进行连通性分析,得到含有完整运动异物的图像Rn;
S15.对图像Rn中m个异物进行标号并标记异物所在区域范围:Rangn(xn1,yn1,xn2,yn2);其中,m为整数,表示在场景图片中识别到的异物总数;在Rangn(xn1,yn1,xn2,yn2)中,n∈(1,2,...,m),(xn1,yn1)表示第n个异物所在区域的左上角坐标,(xn2,yn2)表示第n个异物所在区域的右下角坐标;
S16.根据异物所在区域范围Rangn(xn1,yn1,xn2,yn2)分别对m个异物的图区进行图像分割,得到m个异物对应的m张图片。
进一步,从所述异物图片中,提取异物的特征值,具体包括:
对所述异物图片进行特征增强,得到增强后的异物图片;
对增强后的异物图片进行纹理特征、边缘特征、灰度均值特征的提取,得到与相应特征对应的特征点数据集,并将特征点数据集作为异物的特征值。
进一步,对异物的特征值进行识别,得到异物的种类信息,具体包括:通过RANSAC算法,对所述特征点数据集进行迭代运算,并寻找最优参数使得代价函数最小,得到与每个异物对应的种类信息;其中,所述种类信息包括风筝、鸟巢、氢气球、树枝、一次性塑胶制品中的至少一种。
进一步,判断异物的种类信息是否满足预设入库条件,具体包括:
通过预设筛选策略,对异物的种类信息进行筛选校验;
当数据库中不存在异物的种类信息且基于预设筛选策略确定的异物种类信息不存在特征异常时,则确定异物的种类信息满足预设入库条件;其中,所述特征异常包括颜色或形状异常、被记录的时间格式异常、颜色或形状误差超过预设阈值中的至少一种。
进一步,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹,具体包括:
根据目标异物的运动数据中的位置信息与时间信息,对目标异物的位置信息按照时间序列进行排列,得到相关时段对应的位置信息;
基于相关时段对应的位置信息,确定目标异物与相关时段对应的历史运动轨迹。
进一步,根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹,具体包括:
根据异物在当前场景下出现的频率和次数,将异物分为周期性异物和非周期性异物,得到目标异物在所述当前监控场景之后的运动轨迹;其中,所述异物包括目标异物以及其他异物;
目标异物在所述当前监控场景之后的运动轨迹中选择线路i的概率pi:
进一步,从所述异物图片中,提取异物的特征值之前,还包括:
根据在预设时段内得到的异物图片的数量,确定监控场景内与异物流量密集状态对应的隶属度函数;
根据所述隶属度函数,确定发送异物图片的发送周期,并以所述发送周期向监控设备发送异物图片。
进一步,确定监控场景内与异物流量密集状态对应的隶属度函数,具体包括:
根据异物流量的影响因素建立综合评价影响因素集U=(u1,u2,u3),其中,u1表示场景内的异物密度,u2表示当前停留时间,u3表示在当前场景下的异物运动时间;
设置异物流量密集状态的评价集V=(v1,v2,v3,v4),其中,v1表示不密集,v2表示普通密集,v3表示比较密集,v4表示非常密集;
设因素集U中第i个元素对评价集V中第j个元素的隶属度为rij,则各异物流量密集状态对应的隶属度函数为:
其中,m表示场景内的异物总数目。
一种基于计算机视觉的变电站内物体运动轨迹检测系统,包括:监控设备、边缘服务器以及数据管理服务器;
所述监控设备,用于对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
所述边缘服务器,用于从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
所述数据管理服务器,用于判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
本发明的有益效果是:本发明公开的一种基于计算机视觉的变电站内物体运动轨迹检测方法及系统,先通过从场景视频数据中,提取监控场景存在异常值的图片,再从异常值图片中提取异物的特征值,并基于特征值识别得到异物种类信息,并在满足相应的入库条件时,将异物信息录入数据库,方便后期的索引调用。当需要对目标异物进行轨迹检测时,可以先从数据库中获取目标异物的历史运动轨迹,再结合目标异物在当前监控场景的位置信息,预测在当前监控场景之后的运动轨迹。基于历史运动轨迹进行轨迹预测,有利于提高轨迹预测的准确性,为变电站内典型物体识别与运动轨迹预判提供了可靠的技术支撑。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的检测方法流程示意图;
图2为本发明的异物识别算法原理示意图;
图3为本发明的检测系统通信连接结构示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于计算机视觉的变电站内物体运动轨迹检测方法,包括:
S1.对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
S2.从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
S3.判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;
S4.从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;
S5.根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
本实施例中,监控设备通过预设的目标识别算法,对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片,具体包括:
S11.按照指定帧间隔,对视频数据进行切片形成以时间为序列的n张图片;其中,指定帧间隔指间隔的图像帧数量,可以根据实际情况灵活选取。
S12.如图2所示,记第n张图片和第n-1张图片分别为Fn和Fn-1,两图片对应像素点的灰度值记为Fn(x,y)和Fn-1(x,y),将两张图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn;
进一步地,得到:
Dn(x,y)=|Fn(x,y)-Fn-l(x,y)| (i-i)
在公式(1-1)中,Dn(x,y)表示差分图像Dn的各个像素点的灰度值,x,y代表改像素点在图片中的坐标位置,n表示图标的序列;
S13.设定阈值T,以对差分图像进行阈值处理。为了实现较好的效果可以取T=0.05,按照下式(1-2)逐个对像素点进行二值化处理,即,根据公式(1-2)将任一像素点的灰度值归类为0或255这两个值中的其中一个,得到二值化图像Rn′。其中,灰度值为255的点即为前景(运动目标)点,通常表示运动的物体;灰度值为0的点即为背景点,通常表示静止的物体。
S14.对二值化图像Rn′进行连通性分析,得到含有完整运动异物的图像Rn;其中,所述连通性分析采用现有的连通性分析手段,在此不再赘述;通过连通性分析,可以从图片中确定连通区域的物体的形状是否为异物,从而可以在图片中对各异物的位置进行标记。
S15.对图像Rn中m个异物进行标号并标记异物所在区域范围:Rangn(xn1,yn1,xn2,yn2);其中,m为整数,表示在场景图片中识别到的异物总数;在Rangn(xn1,yn1,xn2,yn2)中,n∈(1,2,...,m),(xn1,yn1)表示第n个异物所在区域的左上角坐标,(xn2,yn2)表示第n个异物所在区域的右下角坐标;
S16.根据异物所在区域范围Rangn(xn1,yn1,xn2,yn2)分别对m个异物的图区进行图像分割,得到m个异物对应的m张图片。
本实施例中,边缘服务器在接收所述监控设备发送的异物图片时,从所述异物图片中,提取异物的特征值,具体包括:
对所述异物图片进行特征增强,得到增强后的异物图片;其中,可以利用现有的去雾算法或者直方图均衡法对图片p进行增强得到图片p′;
对增强后的异物图片进行纹理特征、边缘特征、灰度均值特征的提取,得到与相应特征对应的特征点数据集,并将特征点数据集作为异物的特征值。也即是,可以分别得到针对异物轮廓的第一特征点数据集、异物纹理的第二特征点数据集、异物灰度值的第三特征点数据集,所得到的特征点数据集,便可以作为异物相应特征的特征值。
本实施例中,所述边缘服务器通过预设特征识别算法,对异物的特征值进行识别,得到异物的种类信息,具体包括:通过RANSAC算法,对所述特征点数据集进行迭代运算,并寻找最优参数使得代价函数最小,得到与每个异物对应的种类信息;其中,所述种类信息包括风筝、鸟巢、氢气球、树枝、一次性塑胶制品中的至少一种。
所述代价函数如下:
其中,C指所述代价函数;n指图片总数量;x和y表示目标图像的角点位置坐标;x′和y′表示场景图像的角点位置坐标;h指单应性矩阵中的参数;
所述单应性矩阵为:
在所述单应性矩阵中,s表示尺度因子。
通常令h33=1来归一化。通常而言,单应性矩阵有8个参数,至少需要4个匹配点对求解方程。利用RANSAC算法,通过不断的迭代寻找最优参数使得代价函数C最小。单应性矩阵作用是对图像进行校正和视角变换。例如:把斜拍的图转换成正视图,这就需要在原图的各像素点与转换后的对应像素点点之间建立一个关系映射,参数h即代表的是原像素点坐标(x,y)与新像素点坐标(x′,y′)之间的关系映射参数。
其中,RANSAC算法的步骤如下:
步骤A,从待匹配集S中随机选择4组样本,并保证同组的4个样本间不共线,然后用4组样本对估算单应性矩阵H,记为模型M;
步骤B,计算匹配集S中剩下样本数据与模型M的投影误差,若投影误差小于指定阈值,则加入“内点”集I,否则记为“外点”,指定阈值可以根据实际情况灵活设置;
步骤C,如果当前集I的样本数大于最优集I_best,则更新I_best;
步骤D,如果迭代次数超过k0次,则退出算法,否则重新迭代上述步骤;
RANSAC算法采用如下公式估算迭代次数k0:
在公式(5-3)中,m表示估计模型所需要的最少样本数,p表示算法能给出最优模型的概率,w表示“内点”的比率,w通常在迭代算法中不断更新。
本实施例中,当数据管理服务器接收到异物的种类信息后,判断异物的种类信息是否满足预设入库条件,具体包括:
通过预设筛选策略,对异物的种类信息进行筛选校验;
当数据库中不存在异物的种类信息且基于预设筛选策略确定的异物种类信息不存在特征异常时,则确定异物的种类信息满足预设入库条件;其中,所述特征异常包括颜色或形状异常、被记录的时间格式异常、颜色或形状误差超过预设阈值中的至少一种。
所述预设筛选策略可以根据实际情况灵活设置。例如,预设筛选策略可以用于检测异物信息中各数据组的数据特性,对一些明显数据异常的数据组进行剔除处理。比如,异物的颜色或形状与常规的不同,表示异物存在异常;数据被记录的时间格式与常规的时间格式不同,表示时间格式异常;异物的颜色或形状因环境因素或其他因素,导致与正常环境因素下的颜色或形状存在误差,此时,需要对误差数据进行筛选,并过滤误差超过预设阈值的参数,其中,预设阈值可以根据实际情况灵活设置。
在异物信息的各数据组中,误差数据筛选方式可以如下:
考虑到环境因素的影响和图像处理的准确性,可能会造成采集到的数据中的某些参数发生变化,因此需要对一些可能出现的误差数据进行筛选。筛选过程可以如下:
设值一个相似度变量S,相似度阈值Smax=90%,以及一个可信度变量B,可信度阈值Bmin=5%;
对样本数据库中的数据组进行遍历,当发现两组数或多组数据的相似度超过阈值Smax时,对数据的可信度进行判断;
将各组数据的可信度与可信度阈值Bmin进行比较,若可行度低于阈值,则判断该组数据为误差数据,从数据库中剔除。
本实施例中,步骤S4中,待检测的目标异物可以根据实际情况灵活确定。例如,用户可以通过输入需要检测的异物的种类来确定目标异物,或者从拍摄的场景视频数据中,指定一个异物作为目标异物,或者可以根据其他情况确定目标异物。
当需要对目标异物进行检测时,数据管理服务器可以提取到目标异物的相应标识信息,例如,目标异物的外接矩。然后,基于标识信息,从数据库中筛选出与标识信息相匹配的运动数据。例如,在数据库,每类异物的特征信息与该异物的运动数据相关联,如此,可以将与目标异物具有相同异物特征信息的异物对应的运动数据作为目标异物的运动数据。
根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹,具体包括:
根据目标异物的运动数据中的位置信息与时间信息,对目标异物的位置信息按照时间序列进行排列,得到相关时段对应的位置信息;
基于相关时段对应的位置信息,确定目标异物与相关时段对应的历史运动轨迹。
也即是,数据管理服务器按照行驶数据中的时间序列,结合数据附带的节点位置的标签,对异物的位置信息按照时间序列进行排列,构建以节点位置和时间序列为索引的数据组其中,xi表示该异物的第i次轨迹,是一组与时间序列相关的数组,表示异物在第i次历史轨迹中经过的第j个位置。如此,可以实现对异物历史轨迹的重构,得到目标异物与相关时段对应的历史运动轨迹。
本实施例中,步骤S5中,根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹,具体包括:
数据管理服务器可以对目标异物的历史轨迹进行分析,获得目标异物在各个节点位置的位置转移选择和选择概率,即从位置节点a前往下一位置节点(b,c,d,e,...)的选择方案Fa(fab,fac,fad,fae,...)及对应的选择概率Pa(pab,pac,pad,pae,...),其中,概率的具体值由历史轨迹数据库中包含该段轨迹的数目除以所有经过该节点轨迹的总数量得出,对于一个由n个节点组成的区域,可以得到一个概率矩阵F=[pij]n×n。
数据管理服务器基于概率矩阵,建立一阶马尔可夫模型,即目标异物在某一时刻的位置只与上一个位置有关,故在矩阵F中,只有当两个节点位置相邻时,其转移概率才不为0,为了实现对包含多个节点且起始、终止位置不相邻时的轨迹进行概率预测,需要对所有的可能方案的转移概率进行计算。设异物依次经过节点a,b,c,d的概率为pabcd,则有下式(9-1)成立:
pabcd=pab·pbc·pcd(9-1)
同时,当节点a至节点d共有a->b->c->d和a->c->d两条路径时,则有:
pad=pabcd+pacd(9-2)
基于上述分析,可以获得目标异物在某一位置前往下一位置的路线选择及选择概率其中,表示选择路线i,表示目标异物选择路线的概率;另外,通过对目标异物所在路口其他异物的历史轨迹进行重构,可以得到该场景下近期过往异物的轨迹集合:
根据异物在当前场景下出现的频率和次数,将异物分为周期性异物和非周期性异物,得到目标异物在所述当前监控场景之后的运动轨迹;其中,所述异物包括目标异物以及其他异物;
目标异物在所述当前监控场景之后的运动轨迹中选择线路i的概率pi:
基于上述设计,利用监控设备对各道路节点过往异物进行数据采集,通过边缘服务器将数据存储至数据管理服务器,并建立模型对获取的数据进行筛选,剔除出错误或者重复的数据,实现对数据的重组、打包和标记,生成云端异物信息的数据库。在对道路的异物目标进行轨迹预测时,可以对数据库内登记的异物及记录的异物信息进行轨迹重构,然后,结合目标异物自身的历史行驶轨迹和其他异物在当前路口的行驶轨迹趋势,对目标异物在当前路口之后的轨迹进行综合预测,如此,有利于提高轨迹预测的准确性与可靠性。
本实施例中,边缘服务器在接收所述监控设备发送的所述异物图片之前,也即是,边缘服务器从所述异物图片中,提取异物的特征值之前,还包括:
监控设备根据在预设时段内得到的异物图片的数量,确定监控场景内与异物流量密集状态对应的隶属度函数;
监控设备根据所述隶属度函数,确定发送异物图片的发送周期,并以所述发送周期向监控设备发送异物图片。
其中,确定监控场景内与异物流量密集状态对应的隶属度函数,具体包括:
根据异物流量的影响因素建立综合评价影响因素集U=(u1,u2,u3),其中,u1表示场景内的异物密度,u2表示当前停留时间,u3表示在当前场景下的异物运动时间;
设置异物流量密集状态的评价集V=(v1,v2,v3,v4),其中,v1表示不密集,v2表示普通密集,v3表示比较密集,v4表示非常密集;
设因素集U中第i个元素对评价集V中第j个元素的隶属度为rij,则各异物流量密集状态对应的隶属度函数为:
其中,m表示场景内的异物总数目。
根据所述隶属度函数,确定发送所述异物图片的发送周期,具体包括:
基于隶属度函数r11(m)、r12(m)、r13(m)和r14(m)确定与影响因素u1、u2和u3分别对应的评价集R1、R2和R3;
根据上述隶属度函数公式,最终得到影响因素u1的评价结果R1=(r11,r12,r13,r14)。进一步地,基于影响因素集U=(u1,u2,u3)中的影响因素u2、u3和上述的隶属度函数公式,一共可以得到3个单因素的评价集R1,R2,R3,并最终组成3*4的模糊综合评价矩阵R3*4。
由监控设备建立综合评价模型,通过权重向量W和模糊综合评价R3*4矩阵对交通流量状态进行模糊评价,设置评价结果为C0,则有:
C0=W*R=(c1,c2,c3,c4)(3-5)
最后,监控设备根据推测出的交通流量状态,自主更改数据传输的发送周期,例如,可以设基础传输周期T=2小时或者为其他时长。为更好地适应场景交通流量地变化情况,根据上述结果C0,设置一个综合评价指数k,
令可以得知,当异物流量状态越密集时,k的值越大,数据采集单元在相同时间内采集的数据也就越多,故应相应减少设备的数据传输周期,设置新的数据传输周期参数T*来替代原有的周期T,T*与T符合关系式(3-6)
T*=(T/k)(3-6)
本发明还涉及了一种基于计算机视觉的变电站内物体运动轨迹检测系统,所述系统与上述变电站内物体运动轨迹检测方法相对应,可理解为是实现上述方法的系统,如图3所示,包括:监控设备、边缘服务器以及数据管理服务器;
所述监控设备,用于对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
所述边缘服务器,用于从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
所述数据管理服务器,用于判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:包括:
对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;
从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;
根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
2.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片,具体包括:
S11.按照指定帧间隔,对视频数据进行切片形成以时间为序列的n张图片;
S12.记第n张图片和第n-1张图片分别为Fn和Fn-1,两图片对应像素点的灰度值记为Fn(x,y)和Fn-1(x,y),将两张图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn;
S13.将差分图像Dn中任一像素点的灰度值归类为0或255这两个值中的其中一个,得到二值化图像Rn′;
S14.对二值化图像Rn′进行连通性分析,得到含有完整运动异物的图像Rn;
S15.对图像Rn中m个异物进行标号并标记异物所在区域范围:Rangn(xn1,yn1,xn2,yn2);其中,m为整数,表示在场景图片中识别到的异物总数;在Rangn(xn1,yn1,xn2,yn2)中,n∈(1,2,...,m),(xn1,yn1)表示第n个异物所在区域的左上角坐标,(xn2,yn2)表示第n个异物所在区域的右下角坐标;
S16.根据异物所在区域范围Rangn(xn1,yn1,xn2,yn2)分别对m个异物的图区进行图像分割,得到m个异物对应的m张图片。
3.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:从所述异物图片中,提取异物的特征值,具体包括:
对所述异物图片进行特征增强,得到增强后的异物图片;
对增强后的异物图片进行纹理特征、边缘特征、灰度均值特征的提取,得到与相应特征对应的特征点数据集,并将特征点数据集作为异物的特征值。
4.根据权利要求3所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:对异物的特征值进行识别,得到异物的种类信息,具体包括:通过RANSAC算法,对所述特征点数据集进行迭代运算,并寻找最优参数使得代价函数最小,得到与每个异物对应的种类信息;其中,所述种类信息包括风筝、鸟巢、氢气球、树枝、一次性塑胶制品中的至少一种。
5.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:判断异物的种类信息是否满足预设入库条件,具体包括:
通过预设筛选策略,对异物的种类信息进行筛选校验;
当数据库中不存在异物的种类信息且基于预设筛选策略确定的异物种类信息不存在特征异常时,则确定异物的种类信息满足预设入库条件;其中,所述特征异常包括颜色或形状异常、被记录的时间格式异常、颜色或形状误差超过预设阈值中的至少一种。
6.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹,具体包括:
根据目标异物的运动数据中的位置信息与时间信息,对目标异物的位置信息按照时间序列进行排列,得到相关时段对应的位置信息;
基于相关时段对应的位置信息,确定目标异物与相关时段对应的历史运动轨迹。
7.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹,具体包括:
根据异物在当前场景下出现的频率和次数,将异物分为周期性异物和非周期性异物,得到目标异物在所述当前监控场景之后的运动轨迹;其中,所述异物包括目标异物以及其他异物;
目标异物在所述当前监控场景之后的运动轨迹中选择线路i的概率pi:
pi=ptiwt+pciwc;
8.根据权利要求1所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:从所述异物图片中,提取异物的特征值之前,还包括:
根据在预设时段内得到的异物图片的数量,确定监控场景内与异物流量密集状态对应的隶属度函数;
根据所述隶属度函数,确定发送异物图片的发送周期,并以所述发送周期向监控设备发送异物图片。
9.根据权利要求8所述的基于计算机视觉的变电站内物体运动轨迹检测方法,其特征在于:确定监控场景内与异物流量密集状态对应的隶属度函数,具体包括:
根据异物流量的影响因素建立综合评价影响因素集U=(u1,u2,u3),其中,u1表示场景内的异物密度,u2表示当前停留时间,u3表示在当前场景下的异物运动时间;
设置异物流量密集状态的评价集V=(v1,v2,v3,v4),其中,v1表示不密集,v2表示普通密集,v3表示比较密集,v4表示非常密集;
设因素集U中第i个元素对评价集V中第j个元素的隶属度为rij,则各异物流量密集状态对应的隶属度函数为:
其中,m表示场景内的异物总数目。
10.一种基于计算机视觉的变电站内物体运动轨迹检测系统,其特征在于:包括:监控设备、边缘服务器以及数据管理服务器;
所述监控设备,用于对采集的场景视频数据进行异物识别,得到变电站监控场景下的异物图片;
所述边缘服务器,用于从所述异物图片中,提取异物的特征值;对异物的特征值进行识别,得到异物的种类信息;
所述数据管理服务器,用于判断异物的种类信息是否满足预设入库条件,若是,则将异物的种类信息录入数据库;若否,则不做处理;从数据库中获取与待测目标异物相匹配的运动数据,根据目标异物的运动数据中的位置信息与时间信息,得到目标异物的历史运动轨迹;根据目标异物在当前监控场景中的位置信息以及所述历史运动轨迹,确定目标异物在所述当前监控场景之后的运动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583588.9A CN115761647A (zh) | 2022-12-09 | 2022-12-09 | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583588.9A CN115761647A (zh) | 2022-12-09 | 2022-12-09 | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761647A true CN115761647A (zh) | 2023-03-07 |
Family
ID=85346717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583588.9A Pending CN115761647A (zh) | 2022-12-09 | 2022-12-09 | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761647A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071566A (zh) * | 2023-03-23 | 2023-05-05 | 广东石油化工学院 | 基于网格流去噪和多尺度目标网络的钢桶轨迹检测方法 |
-
2022
- 2022-12-09 CN CN202211583588.9A patent/CN115761647A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071566A (zh) * | 2023-03-23 | 2023-05-05 | 广东石油化工学院 | 基于网格流去噪和多尺度目标网络的钢桶轨迹检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961019B (zh) | 一种时空行为检测方法 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN111382686B (zh) | 一种基于半监督生成对抗网络的车道线检测方法 | |
CN106815576B (zh) | 基于连续时空置信图和半监督极限学习机的目标追踪方法 | |
CN112395972B (zh) | 一种基于无人机图像处理的电力系统绝缘子串识别方法 | |
CN110458022B (zh) | 一种基于域适应的可自主学习目标检测方法 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN114241511B (zh) | 一种弱监督行人检测方法、系统、介质、设备及处理终端 | |
CN108320306A (zh) | 融合tld和kcf的视频目标跟踪方法 | |
Tsintotas et al. | DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM | |
KR20180070258A (ko) | 주행상황에서의 동시적 물체 인식 및 학습 방법 | |
CN115909224A (zh) | 轨迹检测方法及轨迹检测系统 | |
Li et al. | A review of deep learning methods for pixel-level crack detection | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN115761647A (zh) | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 | |
CN111241987B (zh) | 基于代价敏感的三支决策的多目标模型视觉追踪方法 | |
CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
CN111931571A (zh) | 基于在线增强检测的视频文字目标追踪方法与电子设备 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN113408550B (zh) | 基于图像处理的智能称重管理系统 | |
CN114359791A (zh) | 一种基于Yolo v5网络和SlowFast网络的群体猕猴食欲检测方法 |
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 |