輸電線路防外破大型施工車輛的識別報警方法
【專利摘要】本發明公開了一種輸電線路防外破大型施工車輛的識別報警方法，該方法基于視頻圖像處理，檢測出大型施工車輛的經過、停留、揚臂情況并進行報警，包括對攝像頭獲取的當前圖像幀進行高斯模糊預處理；使用混合高斯建模的方法進行背景建模和前景識別；使用顏色差法消除運動目標的陰影；根據設定的像素閾值進行目標過濾，過濾后進行角點檢測，提取每個前景區域的特征；使用預先訓練好的SVM分類器進行車型判斷。然后進行大型施工車輛經過報警。本發明能檢測各種大型施工車輛的經過、停留、揚臂情況并進行報警；能克服其它基于顏色的方法存在的只能檢測特定某種顏色車輛的缺點，達到更好的查全率和查準率。
【專利說明】
輸電線路防外破大型施工車輛的識別報警方法
技術領域
[0001] 本發明屬于輸電線路防外破領域，涉及一種輸電線路防外破施工車輛的識別報警 方法。
【背景技術】
[0002] 基于智能視頻分析的輸電線路在線監測裝置所采用的算法按其是否對檢測目標 進行識別可以分為兩類:一類只檢測出入侵目標并進行統一標識，將檢測結果提交給用戶 進行人工分辨決策；另一類首先檢測入侵目標，然后采用人工智能、機器學習、模式識別等 技術對入侵目標進行識別分類，將分好類的結果提交給用戶。第一類方法一般只用于前景 運動物體不多的情況，當前景運動物體較多時，其檢測出的大量無效目標會將真正有效的 目標淹沒。而第二類方法對技術要求更高。
[0003] 第一類算法難點在于運動目標進行檢測。運動目標檢測按原理劃分可以分為三 類:光流法、幀間差分法和背景減除法。光流法是基于對光流場的估計進行檢測的分割方法 景減除法。光流法是基于對光流場的估計進行檢測的分割方法，其計算量巨大，算法也十分 復雜，實時性差，對輸電線路大型機械入侵檢測并不適用。幀間差分法使用圖像序列間的差 分檢測來確定運動目標，算法簡單容易實現，但當目標運動緩慢或速度很快時，提取的目標 不能接近其真實形狀。背景減除法是當前主流的運動目標檢測算法，它是將視頻圖像與背 景參考圖像進行差分，前景點即是運動目標。它處理速度快，對不同場景的適應性很強，能 比較準確地提取出目標的真實形狀。
[0004] 第二類算法首先也需要進行運動目標檢測，然后對入侵目標進行識別分類，其難 點主要在于目標識別，即判斷運動目標是否是吊車、水泥栗車等大型施工車輛。文獻【輸電 線路中反大型機械外力破壞的智能預警功能的實現】中使用背景減除法進行背景檢測，并 使用顏色作為大型機械的圖像特征，對它進行建模。根據吊臂區域面積、偏心率和緊密度進 行吊臂檢測，使用HOUGH變換計算吊臂伸展角度，根據與輸電線路間的距離發出警報。文獻 【輸電線路監控系統中運動目標的智能檢測與識別】使用基于顏色的特征在前景目標中識 別出大型機械，然后定位吊車輪，采用面積、偏心率和緊密度3個指標作為分類器特征向量 的輸入，來識別吊臂，并進而識別危險行為。這兩篇文獻中的方法都采用顏色特征進行目標 識別，認為吊車的顏色是黃色的。在實際應用中，當出現非黃色的吊車時，其效果就很差。
【發明內容】
[0005] 本發明的目的是提供一種輸電線路防外破施工車輛的識別報警方法。該方法用于 實現在輸電線路保護區域內基于視頻圖像處理識別出大型施工車輛，能檢測各種大型施工 車輛的經過、停留、揚臂情況并進行報警;采用對顏色不敏感的特征，其能克服其它基于顏 色的方法存在的只能檢測特定某種顏色車輛的缺點，達到更好的查全率和查準率。
[0006] 本發明的目的通過以下技術方案實現：
[0007] -種輸電線路防外破大型施工車輛的識別報警方法，其特征在于:該方法基于視 頻圖像處理，檢測出大型施工車輛的經過、停留、揚臂情況并進行報警，包括以下步驟：
[0008] (1)對攝像頭獲取的當前圖像幀進行高斯模糊預處理；
[0009] (2)使用混合高斯建模的方法進行背景建模和前景識別；
[0010] (3)使用顏色差法消除運動目標的陰影；
[0011] (4)根據設定的像素閾值進行目標過濾，過濾后進行角點檢測，提取每個前景區域 的特征；
[0012] (5)當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車停留 時進一步判斷是否超過時間閾值，如超過，則進行停車報警；
[0013] (6)對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷。如判斷為大型 施工車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值、時間戳存入緩存 或更新緩存中相應記錄的值，然后進行大型施工車輛經過報警；
[0014] (7)當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體是 否停留，如是，則進行揚臂報警，其它情況均不報警。
[0015] 所述的對攝像頭獲取的當前圖像幀進行高斯模糊預處理步驟為：
[0016] 首先將圖像從YUV顏色空間轉換成RGB顏色空間，進一步將其轉換成灰度圖，然后 選用如下二維高斯函數對其進行模糊：
[0018] 上式中x，y為一個二維向量的兩個分量，〇為標準差，取0 = 1.5,并將權值矩陣進行 歸一化，得模糊權值矩陣為 ^0.0947416 0,118318： 0,0947416v
[0019] 0.118318 0.147761 0. 118318 ^0. 0947416 0. 118318 Q. 0947416^
[0020] 所述的使用混合高斯建模的方法進行背景建模和前景識別的步驟為：
[0021] 31)背景建模：
[0022] 設定混合高斯模型由5個高斯函數組成，首先模型中每個高斯函數的均值、方差、 權值都設置為〇，即初始化模型矩陣參數。
[0023]采用視頻中的30幀用來訓練混合高斯模型。對每一個像素而言，建立其混合高斯 模型。當第一個像素來，為其設置固定的初始均值，方差，并且每個權值均設置為0.2。
[0024]非第一幀訓練過程中，當后面來的像素值時，與前面已有的高斯函數的均值比較， 如果該像素點的值與其模型均值差在3倍的方差內，則認為該點屬于該高斯函數。此時用如 下方程進行更新：
[0028]其中，為第m個高斯函數的權重，為第m個高斯函數的均值，為第m個高 斯函數的方差為第m個高斯函數的標準差，0 為t時刻第m個高斯函數的二值權重， 其取值為〇或1
[0029] 當該像素點值與均值的差不在其3倍的方差內時，取為0。
[0030] 當到達訓練的幀數30后，進行不同像素點混合高斯模型個數自適應的選擇。首先 用叔倌除以方差對各個高斯講桿從大到小排序，然后選取最前面B個高斯，使其滿足
其中
[0031] ?為截斷誤差，一般設為0.3。
[0032]然后將累積權重歸一化為1。
[0033] 32)前景識別:針對復雜動態的圖像幀，對每個像素點按上步學習的不同權值的多 個高斯分布的疊加來建模，當當前像素點的值與建模的均值偏差在2.5 〇內時，則認為該像 素屬于背景，否則屬于前景。
[0034] 所述的使用顏色差法消除運動目標的陰影的步驟為：。
[0035] 因被陰影覆蓋的像素點亮度更暗一些，但是仍然具有色彩飽和度(H，S分量），所 以，對這樣一個陰影點(x， y)，有下式：
[0037] SP值為1時表示當前像素為陰影像素，為0時表示不是。上式中0<<a，fMH，Ts<l， 0 = 〇.94;<1 = 〇.8，知，^均取〇.15。1*(1，7)￥是當前圖像幀《寸刻(1，7)位置的￥分量的值，8* (x，y)V是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的V分量的值;I t(x，y)H是 當前圖像幀t時刻(x，y)位置的H分量的值，Bt(x，y)H是使用混合高斯建模得到的背景圖像 在t時刻(x，y)位置的H分量的值；It(x，y)S是當前圖像幀t時刻(x，y)位置的S分量的值，Bt (x，y)S是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的S分量的值。FPM Tl是前景 圖像區域標志位。
[0038] 所述的根據設定的像素數值進行目標過濾，過濾后進行角點檢測，提取特征然后 使用預先訓練好的分類器進行車型判斷的步驟為：
[0039] 51)目標過濾:根據檢測的前景目標圖像，測定其像素值，將面積小于400像素的目 標全部過濾掉，不作為研究對象。
[0040] 52)角點檢測:采用Harris角點檢測方法檢測角點，定義角點響應函數R為:R = h 入2_讓(入1+入2)2
[0041] 上式中1^ = 0.05，心，\2分別是平移窗口灰度變化矩陣的兩個特征值。對所有像素計 算其角點響應函數R，只有當滿足R>thresh 〇ld且R是局部極大值時才認為R是一個角點，此 處取threshold的值是角點響應函數R的最大值的0.01。
[0042] 53)特征提取:對于每一個前景區域，取其角點分布數、角點分布密度、圖像面積的 三個特征作為此前景區域的特征向量。
[0043] 所述的當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車 停留時進一步判斷是否超過時間閾值，如超過，則進行停車報警步驟為：
[0044] 61)計算目標區域哈希值：
[0045] 將與緩存中目標區域位置相同的當前圖像幀中該區域縮小尺寸，將圖片縮小到 8x8的尺寸，總共64個像素，再將8x8的小圖片轉換成灰度圖像，然后計算所有64個像素的灰 度平均值，最后將每個像素的灰度值與平均值進行比較，大于或等于平均值記為1，小于平 均值記為〇,將所有二進制數組合在一起，就構成了一個64位的二進制數，即這張圖片的指 紋。
[0046] 62)哈希值比較與停車報警：
[0047] 將上步得到的哈希值與緩存中存儲的哈希值逐一比較。如兩值相似或相同，則認 為有大型施工車輛停留，進一步判斷是否超過時間閾值，如超過，則進行停車報警。兩值相 似或相同定義為兩個64位二進制數有90%以上的值相同，即57位及以上相同。時間閾值設 置為30秒。
[0048]所述的對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷。如判斷為大 型施工車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值存入緩存或更 新緩存中相應記錄的值，然后進行大型施工車輛經過報警步驟為：
[0049] 71)車型判斷：
[0050] 對每個前景區域，將前面提取的角點分布數、角點分布密度、圖像面積等特征組成 一個特征向量￥(11^2，以），輸入預先訓練好的5￥11分類器進行車型判斷。
[0051] SVM訓練時采集大量車輛樣本，將大型施工車輛圖像對應的類別標簽值設為1，非 大型施工車輛圖像類別標簽值設為〇,進行參數學習。此處分類器使用的核函數是徑向基函 數
[0052] K(x,y) = exp( -1 x-y 12/d2)
[0053] 其中，x, y為兩個特征向量，d為函數的寬度參數，控制了函數的徑向作用范圍。
[0054] 72)車輛經過報警：
[0055] 如判斷為大型施工車輛，則計算當前區域的哈希值，并將此值與緩存中的每個哈 希值比較，如兩值相似或相同，則認為是同一輛車，將當前區域的位置、大小、哈希值、時間 戳更新緩存中對應的記錄。如找不到相似或相同的哈希值，則將當前區域的位置、大小、哈 希值、時間戳存入緩存。以上兩種情況都進行大型施工車輛經過報警。兩值相似或相同同樣 定義為相同的二進制位達到90%以上。
[0056] 所述的當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體 是否停留，如是，則進行揚臂報警，其它情況均不報警步驟為：
[0057] 81)揚臂檢測：
[0058]當車型判斷為非大型施工車輛時，根據當前前景區域最小外接可旋轉矩形，分析 其寬高比，如寬高比小于1則判定此處存在車輛揚臂可能。
[0059] 82)車體停留檢測：
[0060]當緩存非空時，將當前前景區域的最小外接可旋轉矩形與緩存中每條記錄的外接 矩形區域進行范圍相交判斷，如兩矩形有交集且緩存中區域在當前區域下方，則認為緩存 中區域為車體。
[0061 ] 83)揚臂報警
[0062]本發明用于實現在輸電線路保護區域內識別出大型施工車輛，基于視頻圖像處 理，能檢測各種大型施工車輛的經過、停留、揚臂情況并進行報警，判斷車體停留時間是否 超過閾值，如超過，則進行揚臂報警。另外，由于采用對顏色不敏感的特征，其能克服其它基 于顏色的方法存在的只能檢測特定某種顏色車輛的缺點，達到更好的查全率和查準率。
【附圖說明】
[0063]圖1是基于視頻圖像處理的防外破方法流程圖；
【具體實施方式】
[0064] 為了更好的理解本發明的技術方案，以下結合附圖1對本發明作進一步的描述。附 圖1描述了一種基于視頻圖像處理的輸電線路防外破大型施工車輛識別報警方法，包括以 下步驟：
[0065] (1)對攝像頭獲取的當前圖像幀進行高斯模糊預處理；
[0066] (2)使用混合高斯建模的方法進行背景建模和前景識別；
[0067] (3)使用顏色差法消除運動目標的陰影；
[0068] (4)根據設定的像素閾值進行目標過濾，過濾后進行角點檢測，提取每個前景區域 的特征；
[0069] (5)當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車停留 時進一步判斷是否超過時間閾值，如超過，則進行停車報警；
[0070] (6)對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷。如判斷為大型 施工車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值、時間戳存入緩存 或更新緩存中相應記錄的值，然后進行大型施工車輛經過報警；
[0071 ] (7)當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體是 否停留，如是，則進行揚臂報警，其它情況均不報警。
[0072]所述的對攝像頭獲取的當前圖像幀進行高斯模糊預處理步驟為：
[0073]首先將圖像從YUV顏色空間轉換成RGB顏色空間，進一步將其轉換成灰度圖，然后 選用如下二維高斯函數對其進行模糊：
[0075]上式中x，y為一個二維向量的兩個分量，〇為標準差，取〇 = 1.5,并將權值矩陣進行 歸一化，得模糊權值矩陣為 '0.0947416 0.11831容 0.0947416、
[0076] 0.118318 〇. 147761 0. 118318 ^0. 0947416 0.118318 6. 0:947416y
[0077]所述的使用混合高斯建模的方法進行背景建模和前景識別的步驟為：
[0078] 1)背景建模：
[0079] 設定混合高斯模型由5個高斯函數組成，首先模型中每個高斯函數的均值、方差、 權值都設置為〇，即初始化模型矩陣參數。
[0080] 采用視頻中的30幀用來訓練混合高斯模型。對每一個像素而言，建立其混合高斯 模型。當第一個像素來，為其設置固定的初始均值，方差，并且每個權值均設置為0.2。
[0081] 非第一幀訓練過程中，當后面來的像素值時，與前面已有的高斯函數的均值比較， 如果該像素點的值與其模型均值差在3倍的方差內，則認為該點屬于該高斯函數。此時用如 下方程進行更新：
[0082] W a (。窆.....貧丄
[0083 ] k :您-認微 + 0 :二 1.；^....} 6 您 < 、:、、.您彳
[_] 十0/He'd心，
[0085] 其中，夂$為第m個高斯函數的權重，為第m個高斯函數的均值，為第m個高 斯函數的方差，S'%:為第m個高斯函數的標準差，0 |f為t時刻第m個高斯函數的二值權重， 其取值為〇或1
[0086] 當該像素點值與均值的差不在其3倍的方差內時，取Og1為0。
[0087] 當到達訓練的幀數30后，進行不同像素點混合高斯模型個數自適應的選擇。首先 用權值除以方差對各個高斯進行從大到小排序，然后選取最前面B個高斯，使其滿足 參轉賞游>.it 一 %》),其中
[0088] Cf為截斷誤差，一般設為0.3。
[0089]然后將累積權重歸一化為1。
[0090] 2)前景識別：針對復雜動態的圖像幀，對每個像素點按上步學習的不同權值的多 個高斯分布的疊加來建模，當當前像素點的值與建模的均值偏差在2.5〇內時，則認為該像 素屬于背景，否則屬于前景。
[0091 ]所述的使用顏色差法消除運動目標的陰影的步驟為：。
[0092]因被陰影覆蓋的像素點亮度更暗一些，但是仍然具有色彩飽和度(H，S分量），所 以，對這樣一個陰影點(x，y)，有下式：
[0094] SP值為1時表示當前像素為陰影像素，為0時表示不是。上式中O<<a，0，TH，Ts<l， 0 = 〇.94;<1 = 〇.8，知，^均取〇.15。1*(1，7)￥是當前圖像幀《寸刻(1，7)位置的￥分量的值，8* (x，y)V是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的V分量的值;I t(x，y)H是 當前圖像幀t時刻(x，y)位置的H分量的值，Bt(x，y)H是使用混合高斯建模得到的背景圖像 在t時刻(x，y)位置的H分量的值；It(x，y)S是當前圖像幀t時刻(x，y)位置的S分量的值，Bt (x，y)S是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的S分量的值。FPM Tl是前景 圖像區域標志位。
[0095]所述的根據設定的像素數值進行目標過濾，過濾后進行角點檢測，提取特征然后 使用預先訓練好的分類器進行車型判斷的步驟為：
[0096] 1)目標過濾:根據檢測的前景目標圖像，測定其像素值，將面積小于400像素的目 標全部過濾掉，不作為研究對象。
[0097] 2)角點檢測:采用Harris角點檢測方法檢測角點，定義角點響應函數R為:1?=心入2- 1<：(入1+入2)2
[0098]上式中1^ = 0.05，人1，\2分別是平移窗口灰度變化矩陣的兩個特征值。對所有像素計 算其角點響應函數R，只有當滿足R>thresh〇ld且R是局部極大值時才認為R是一個角點，此 處取threshold的值是角點響應函數R的最大值的0.01。
[0099] 3)特征提取:對于每一個前景區域，取其角點分布數、角點分布密度、圖像面積的 三個特征作為此前景區域的特征向量。
[0100] 所述的當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車 停留時進一步判斷是否超過時間閾值，如超過，則進行停車報警步驟為：
[0101] 1)計算目標區域哈希值：
[0102] 將與緩存中目標區域位置相同的當前圖像幀中該區域縮小尺寸，將圖片縮小到 8x8的尺寸，總共64個像素，再將8x8的小圖片轉換成灰度圖像，然后計算所有64個像素的灰 度平均值，最后將每個像素的灰度值與平均值進行比較，大于或等于平均值記為1，小于平 均值記為〇,將所有二進制數組合在一起，就構成了一個64位的二進制數，即這張圖片的指 紋。
[0103] 2)哈希值比較與停車報警：
[0104] 將上步得到的哈希值與緩存中存儲的哈希值逐一比較。如兩值相似或相同，則認 為有大型施工車輛停留，進一步判斷是否超過時間閾值，如超過，則進行停車報警。兩值相 似或相同定義為兩個64位二進制數有90%以上的值相同，即57位及以上相同。時間閾值設 置為30秒。
[0105] 所述的對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷。如判斷為大 型施工車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值存入緩存或更 新緩存中相應記錄的值，然后進行大型施工車輛經過報警步驟為：
[0106] 1)車型判斷：
[0107] 對每個前景區域，將前面提取的角點分布數、角點分布密度、圖像面積等特征組成 一個特征向量￥(11^2，以），輸入預先訓練好的5￥11分類器進行車型判斷。
[0108] SVM訓練時采集大量車輛樣本，將大型施工車輛圖像對應的類別標簽值設為1，非 大型施工車輛圖像類別標簽值設為〇,進行參數學習。此處分類器使用的核函數是徑向基函 數
[0109] K(x,y) = exp( -1 x-y 12/d2)
[0110] 其中，x, y為兩個特征向量，d為函數的寬度參數，控制了函數的徑向作用范圍。
[0111] 2)車輛經過報警：
[0112] 如判斷為大型施工車輛，則計算當前區域的哈希值，并將此值與緩存中的每個哈 希值比較，如兩值相似或相同，則認為是同一輛車，將當前區域的位置、大小、哈希值、時間 戳更新緩存中對應的記錄。如找不到相似或相同的哈希值，則將當前區域的位置、大小、哈 希值、時間戳存入緩存。以上兩種情況都進行大型施工車輛經過報警。兩值相似或相同同樣 定義為相同的二進制位達到90%以上。
[0113] 所述的當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體 是否停留，如是，則進行揚臂報警，其它情況均不報警步驟為：
[0114] 1)揚臂檢測：
[0115] 當車型判斷為非大型施工車輛時，根據當前前景區域最小外接可旋轉矩形，分析 其寬高比，如寬高比小于1則判定此處存在車輛揚臂可能。
[0116] 2)車體停留檢測：
[0117] 當緩存非空時，將當前前景區域的最小外接可旋轉矩形與緩存中每條記錄的外接 矩形區域進行范圍相交判斷，如兩矩形有交集且緩存中區域在當前區域下方，則認為緩存 中區域為車體。
[0118] 3)揚臂報警
[0119] 判斷車體停留時間是否超過閾值，如超過，則進行揚臂報警。
[0120] 實施實例
[0121] 對于監控攝像頭獲取的圖像，給出了使用基于視頻圖像處理的輸電線路防外破方 法的實例。下面結合本發明的方法詳細說明該實例實施的具體步驟，如下：
[0122] 對于監控攝像頭獲取的圖像，
[0123] (1)對監控攝像頭獲取的當前圖像幀進行高斯模糊預處理。
[0124] (2)采用混合高斯建模的方法進行背景建模和前景識別，然后對圖像進行陰影檢 測消除。
[0125] (3)根據設定的像素數值進行目標過濾，過濾后進行角點檢測，得到角點檢測結 果，提取特征然后使用預先訓練好的分類器進行車型判斷。
[0126] (4)當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，使用感知哈 希算法處理圖片，當有車停留時進一步判斷是否超過時間閾值，如超過，則進行停車報警。
[0127] 對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷。如判斷為大型施工 車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值存入緩存或更新緩存 中相應記錄的值，然后進行大型施工車輛經過報警，當車型判斷為非大型施工車輛時，則檢 測是否揚臂，如是揚臂，則檢測車體是否停留，如是則進行揚臂報警，其它情況均不報警。
【主權項】
1. 一種輸電線路防外破大型施工車輛的識別報警方法，其特征在于：該方法基于視頻 圖像處理，檢測出大型施工車輛的經過、停留、揚臂情況并進行報警，包括以下步驟： (1) 對攝像頭獲取的當前圖像幀進行高斯模糊預處理； (2) 使用混合高斯建模的方法進行背景建模和前景識別； (3) 使用顏色差法消除運動目標的陰影； (4) 根據設定的像素閾值進行目標過濾，過濾后進行角點檢測，提取每個前景區域的特 征； (5) 當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車停留時進 一步判斷是否超過時間閾值，如超過，則進行停車報警； (6) 對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷，如判斷為大型施工 車輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值、時間戳存入緩存或更 新緩存中相應記錄的值，然后進行大型施工車輛經過報警； (7) 當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體是否停 留，如是，則進行揚臂報警，其它情況均不報警。2. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的對攝像頭獲取的當前圖像幀進行高斯模糊預處理步驟為： 首先將圖像從YUV顏色空間轉換成RGB顏色空間，進一步將其轉換成灰度圖，然后選用 如下二維高斯函數對其進行模糊：5,并將權值矩陣進行歸一 化3. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的使用混合高斯建模的方法進行背景建模和前景識別的步驟為： 31)背景建模： 設定混合高斯模型由5個高斯函數組成，首先模型中每個高斯函數的均值、方差、權值 都設置為〇,即初始化模型矩陣參數； 采用視頻中的30幀用來訓練混合高斯模型，對每一個像素而言，建立其混合高斯模型， 當第一個像素來，為其設置固定的初始均值，方差，并且每個權值均設置為〇. 2; 非第一幀訓練過程中，當后面來的像素值時，與前面已有的高斯函數的均值比較，如果 該像素點的值與其模型均值差在3倍的方差內，則認為該點屬于該高斯函數，此時用如下方 程進行更新：其中，夂SS為第m個高斯函數的權重，為第m個高斯函數的均值，1?*為第m個高斯函 數的方差，為第m個高斯函數的標準差，O f為t時刻第m個高斯函數的二值權重，其取值 為OI 3設0豕糸WimMliLtfJ左，IM土興JTff的方差內時，取〇 $為〇 ; 當到達訓練的幀數30后，進行不同像素點混合高斯模型個數自適應的選擇，首先用權 值除以方差對各個高斯進行從大到小排序，然后選取最前面B個高斯，使其滿足Cf為截斷誤差，一般設為0.3; 然后將累積權重歸一化為1; 32)前景識別:針對復雜動態的圖像幀，對每個像素點按上步學習的不同權值的多個高 斯分布的疊加來建模，當當前像素點的值與建模的均值偏差在2.5σ內時，則認為該像素屬 于背景，否則屬于前景。4. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的使用顏色差法消除運動目標的陰影的步驟為： 因被陰影覆蓋的像素點亮度更暗一些，但是仍然具有色彩飽和度(H，S分量），所以，對 這樣一個陰影點(x，y)，有下式：SP值為1時表不芻麗傢系為明影傢系，為?時表不個是；上式中?<<α，μ，τΗ，τ3<1，β = 0.94;€( = 0.8，知々均取0.15，1心，7)￥是當前圖像幀七時刻(1，7)位置的￥分量的值，8心， y)V是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的V分量的值;It(x， y)H是當前 圖像幀t時刻(x，y)位置的H分量的值，Bt(x，y)H是使用混合高斯建模得到的背景圖像在t時 亥lj(x，y)位置的H分量的值;I t(x，y)S是當前圖像幀t時刻(x，y)位置的S分量的值，Bt(x，y)S 是使用混合高斯建模得到的背景圖像在t時刻(x，y)位置的S分量的值，FPMi是前景圖像區 域標志位。5. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的根據設定的像素數值進行目標過濾，過濾后進行角點檢測，提取特征然后使用預先 訓練好的分類器進行車型判斷的步驟為： 51) 目標過濾:根據檢測的前景目標圖像，測定其像素值，將面積小于400像素的目標全 部過濾掉，不作為研究對象； 52) 角點檢測：采用Harr i s角點檢測方法檢測角點，定義角點響應函數R為:R = A1A2-Ic (入1+入2)2 上式中k = 0.05，A1，\2分別是平移窗口灰度變化矩陣的兩個特征值，對所有像素計算其 角點響應函數R，只有當滿足RHhreshold且R是局部極大值時才認為R是一個角點，此處取 threshold的值是角點響應函數R的最大值的0.01; 53)特征提取:對于每一個前景區域，取其角點分布數、角點分布密度、圖像面積的三個 特征作為此前景區域的特征向量。6. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的當緩存非空時，使用感知哈希算法判斷是否有大型施工車輛停留，當有車停留時進 一步判斷是否超過時間閾值，如超過，則進行停車報警步驟為： 61) 計算目標區域哈希值： 將與緩存中目標區域位置相同的當前圖像幀中該區域縮小尺寸，將圖片縮小到8x8的 尺寸，總共64個像素，再將8x8的小圖片轉換成灰度圖像，然后計算所有64個像素的灰度平 均值，最后將每個像素的灰度值與平均值進行比較，大于或等于平均值記為1，小于平均值 記為0,將所有二進制數組合在一起，就構成了一個64位的二進制數，即這張圖片的指紋； 62) 哈希值比較與停車報警： 將上步得到的哈希值與緩存中存儲的哈希值逐一比較，如兩值相似或相同，則認為有 大型施工車輛停留，進一步判斷是否超過時間閾值，如超過，則進行停車報警，兩值相似或 相同定義為兩個64位二進制數有90%以上的值相同，即57位及以上相同。時間閾值設置為 30秒。7. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的對每個前景區域，使用預先訓練好的SVM分類器進行車型判斷，如判斷為大型施工車 輛，則計算當前區域的哈希值，并將當前區域的位置、大小、哈希值存入緩存或更新緩存中 相應記錄的值，然后進行大型施工車輛經過報警步驟為： 71) 車型判斷： 對每個前景區域，將前面提取的角點分布數、角點分布密度、圖像面積等特征組成一個 特征向量￥(11^2，以），輸入預先訓練好的5￥1分類器進行車型判斷； SVM訓練時采集大量車輛樣本，將大型施工車輛圖像對應的類別標簽值設為1，非大型 施工車輛圖像類別標簽值設為〇,進行參數學習，此處分類器使用的核函數是徑向基函數 K(x,y) = exp(-|x-y |2/d2) 其中，X，y為兩個特征向量，d為函數的寬度參數，控制了函數的徑向作用范圍； 72) 車輛經過報警： 如判斷為大型施工車輛，則計算當前區域的哈希值，并將此值與緩存中的每個哈希值 比較，如兩值相似或相同，則認為是同一輛車，將當前區域的位置、大小、哈希值、時間戳更 新緩存中對應的記錄，如找不到相似或相同的哈希值，則將當前區域的位置、大小、哈希值、 時間戳存入緩存，以上兩種情況都進行大型施工車輛經過報警，兩值相似或相同同樣定義 為相同的二進制位達到90 %以上。8. 根據權利要求1所述的輸電線路防外破大型施工車輛的識別報警方法，其特征在于： 所述的當車型判斷為非大型施工車輛時，則檢測是否揚臂，如是揚臂，則檢測車體是否停 留，如是，則進行揚臂報警，其它情況均不報警步驟為： 81)揚臂檢測： 當車型判斷為非大型施工車輛時，根據當前前景區域最小外接可旋轉矩形，分析其寬 高比，如寬高比小于1則判定此處存在車輛揚臂可能； 82)車體停留檢測： 當緩存非空時，將當前前景區域的最小外接可旋轉矩形與緩存中每條記錄的外接矩形 區域進行范圍相交判斷，如兩矩形有交集且緩存中區域在當前區域下方，則認為緩存中區 域為車體； 73)揚臂報警 判斷車體停留時間是否超過閾值，如超過，則進行揚臂報警。
【文檔編號】G06K9/00GK105894701SQ201610207675
【公開日】2016年8月24日
【申請日】2016年4月5日
【發明人】袁杰, 曹震, 吳鵬
【申請人】江蘇電力信息技術有限公司, 國網江蘇省電力公司