电网视频监控行为分析系统的设计与实现
发布时间：2021-06-25 07:39
随着国家电力信息化的飞速发展,对于信息的采集和分析的需求也就日益增加,由于在电力生产和作业中,客观存在着现实的和潜在的各种危险因素,但是传统的视频监控系统功能往往比较单一,由工作人员对监控室内监控到的行为进行分析判断,判断其是否有违规的现象发生,监控室内视频则是由安放在各个位置的摄像头传送的。但是在电力生产过程中,需要监控人员不间断的去工作。这对于监控工作人员而言,劳动强度是非常大的,也容易造成工作人员疲劳过度,难以保障工作的准确性和工作的效率,因此,用计算机代替人来进行全过程,自动化的监控就变得非常有必要。首先选取了对运动目标检测方法和背景模型的方法,本文中选择的是帧间差分法和混合高斯背景模型对运动目标进行检测,由于电力监控录像不止在室内,而且在室外也有,这就有光线还有各种自然环境的影响,而且由于需要对运动目标进行实时监控,因此需要实时性好的方法进行检测。本文选择的方法对于光照等噪声的影响不是特别敏感,具有较好的抗干扰能力,在背景中存在运动的背景时也可以较好的获得背景模型。然后在本文中是在帧间差分法的基础上用混合高斯背景模型对其进行预处理并且提取出背景模型,然后对目标进行检测。在本文...
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
帧间差分法处理图
电网视频监控行为分析系统的设计与实现10在我们理想的情况下，我们认为背景是不变的，只有运动目标在变化，所以当运动目标区域的像素发生改变时，背景区域的像素值使不变的。背景差分法的公式为：(,)=(,)(,)(2.5)(,)={1(,,)≥0(2.6)在式中，(,)表示当前帧图像，(,)表示背景帧图像。背景差分法是先找到图像中的背景图像，然后用各帧图像与背景图像做对比，找到各帧图像于背景图像之间的不同，从而可以突出图像中的运动目标，具体流程如下：图2.2背景差分法流程图Figure2.2Flowchartofbackgrounddifferencemethod我们也知道，在实际操作过程中，背景是在不断变化的，这是由于环境的变化引起的，而在现实生活中环境变化的多样性，是由各个方面所决定的，比如说太阳照射的光线强度以及光照角度，微风拂动引起的树叶、湖水的摇动，这类似的干扰因素对于最终建模都有着一定的影响，对于最后建模成功都照成了困难。因此在实际操作中，我们在对较长的视频系列进行目标检测的时候，我们在对背景进行建模的时候，要在认为背景是在不断变换中的，而不是一成不变的，这样可以有效的提高背景建模的准确度，这在背景建模中式必须的。因此在实际操作中加入了时间t对于背景和前景的影响。(,,)=(,,)+(,,)(2.7)在上式中像素点I的位置为(x,y)，(,,)表示的是在t时刻的时候I点的灰度值的大小，在背景图像中背景的像素点B的位置为(x,y),(,,)表示的是在t时刻B点的灰度值的大小，在t时刻运动目标的前景为(,,)。(,,)=(,,)(,,)(2.8)
电网视频监控行为分析系统的设计与实现14{(,)|1≤≤}={1,2,…,}(2.11)其中，(,)表示i在1~t时刻中第i帧视频帧图像上的点在x，y处的灰度值的大校在t时刻我们就可以用混合高斯模型来表示概率密度的函数，及个高斯分布的高斯混合模型来描述(,)的概率密度函数。将个高斯分布线性加成组成一个高斯混合模型，如图所示：图2.4混合高斯模型结构示意图Figure2.4SchematicdiagramofthestructureofthemixedGaussianmodel=∑,(,,,∑,)=1(2.12)其中：(,,,∑,)=1(2)2|∑,|1212(,)∑,1(,)(2.13)在式(2.12)和式(2.13)中,表示混合高斯模型是由k个高斯分布所组成的，通常取3~5，并且∑1=1；表示当前帧像素的灰度值，,表示第个高斯分布在时刻时候的权重，(,,,∑,)为混合高斯模型中的第个模型在时刻的概率密度函数，表达式见式（2.12）。,是混合高斯模型中的第个高斯分布在时间点为时刻的均值向量，∑,是混合高斯模型中的第个高斯分布在时间点为时刻的协方差矩阵。|∑,|是∑,协方差矩阵的行列式，并且有：∑,={(,)(,)}。对于视频帧中的每一个像素，都会根据现有的个高斯模型组成的混合高斯模型对新的像素进行对比判断，直到找到于该像素点相匹配的高斯模型。当
【参考文献】：
期刊论文
[1]基于卡尔曼滤波与解耦的视觉伺服控制[J]. 王亚威. 电子世界. 2020(09)
[2]基于手机惯性传感器的航向估计算法研究[J]. 房兴博,陶庭叶,李金超,贺晗,冯佳琪. 传感器与微系统. 2020(05)
[3]基于神经网络与卡尔曼滤波的手部实时追踪方法[J]. 曾公任,姚剑敏,严群,林志贤,郭太良,林畅. 液晶与显示. 2020(05)
[4]基于改进的混合高斯模型运动目标检测算法研究[J]. 范超男,李士心,张海,郭荣. 天津职业技术师范大学学报. 2019(04)
[5]融入帧间差分法的深度学习目标识别仿真研究[J]. 王辉,于立君,孙蓉,刘朝达,高天禹. 实验技术与管理. 2019(12)
[6]基于分块的帧差法和混合高斯算法的油田作业区入侵检测[J]. 龚安,牛博,史海涛. 计算机与数字工程. 2019(12)
[7]基于混合高斯的行人检测模型[J]. 刘翔羽. 黑龙江工业学院学报(综合版). 2019(12)
[8]基于背景差分法的煤矿井下视频动目标检测[J]. 王勇. 计算机技术与发展. 2020(04)
[9]基于改进高斯混合模型的运动图像目标检测算法[J]. 吕苗苗,孙建明. 半导体光电. 2019(06)
[10]基于自适应混合高斯模型的火焰识别方法[J]. 刘永涛,施国庆,刘佳,黎冠. 消防科学与技术. 2019(12)
硕士论文
[1]基于深度网络的运动目标检测方法[D]. 陈盼.西安电子科技大学 2018
[2]视频监控中行人异常行为分析研究[D]. 高翔.电子科技大学 2018
[3]基于交通视频数据的车辆检测算法研究与应用[D]. 孟进军.辽宁工程技术大学 2017
[4]基于视频流的四带图像偏色校正研究[D]. 童飞扬.福建师范大学 2016
本文编号：3248807
【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
帧间差分法处理图
电网视频监控行为分析系统的设计与实现10在我们理想的情况下，我们认为背景是不变的，只有运动目标在变化，所以当运动目标区域的像素发生改变时，背景区域的像素值使不变的。背景差分法的公式为：(,)=(,)(,)(2.5)(,)={1(,,)≥0(2.6)在式中，(,)表示当前帧图像，(,)表示背景帧图像。背景差分法是先找到图像中的背景图像，然后用各帧图像与背景图像做对比，找到各帧图像于背景图像之间的不同，从而可以突出图像中的运动目标，具体流程如下：图2.2背景差分法流程图Figure2.2Flowchartofbackgrounddifferencemethod我们也知道，在实际操作过程中，背景是在不断变化的，这是由于环境的变化引起的，而在现实生活中环境变化的多样性，是由各个方面所决定的，比如说太阳照射的光线强度以及光照角度，微风拂动引起的树叶、湖水的摇动，这类似的干扰因素对于最终建模都有着一定的影响，对于最后建模成功都照成了困难。因此在实际操作中，我们在对较长的视频系列进行目标检测的时候，我们在对背景进行建模的时候，要在认为背景是在不断变换中的，而不是一成不变的，这样可以有效的提高背景建模的准确度，这在背景建模中式必须的。因此在实际操作中加入了时间t对于背景和前景的影响。(,,)=(,,)+(,,)(2.7)在上式中像素点I的位置为(x,y)，(,,)表示的是在t时刻的时候I点的灰度值的大小，在背景图像中背景的像素点B的位置为(x,y),(,,)表示的是在t时刻B点的灰度值的大小，在t时刻运动目标的前景为(,,)。(,,)=(,,)(,,)(2.8)
电网视频监控行为分析系统的设计与实现14{(,)|1≤≤}={1,2,…,}(2.11)其中，(,)表示i在1~t时刻中第i帧视频帧图像上的点在x，y处的灰度值的大校在t时刻我们就可以用混合高斯模型来表示概率密度的函数，及个高斯分布的高斯混合模型来描述(,)的概率密度函数。将个高斯分布线性加成组成一个高斯混合模型，如图所示：图2.4混合高斯模型结构示意图Figure2.4SchematicdiagramofthestructureofthemixedGaussianmodel=∑,(,,,∑,)=1(2.12)其中：(,,,∑,)=1(2)2|∑,|1212(,)∑,1(,)(2.13)在式(2.12)和式(2.13)中,表示混合高斯模型是由k个高斯分布所组成的，通常取3~5，并且∑1=1；表示当前帧像素的灰度值，,表示第个高斯分布在时刻时候的权重，(,,,∑,)为混合高斯模型中的第个模型在时刻的概率密度函数，表达式见式（2.12）。,是混合高斯模型中的第个高斯分布在时间点为时刻的均值向量，∑,是混合高斯模型中的第个高斯分布在时间点为时刻的协方差矩阵。|∑,|是∑,协方差矩阵的行列式，并且有：∑,={(,)(,)}。对于视频帧中的每一个像素，都会根据现有的个高斯模型组成的混合高斯模型对新的像素进行对比判断，直到找到于该像素点相匹配的高斯模型。当
【参考文献】：
期刊论文
[1]基于卡尔曼滤波与解耦的视觉伺服控制[J]. 王亚威. 电子世界. 2020(09)
[2]基于手机惯性传感器的航向估计算法研究[J]. 房兴博,陶庭叶,李金超,贺晗,冯佳琪. 传感器与微系统. 2020(05)
[3]基于神经网络与卡尔曼滤波的手部实时追踪方法[J]. 曾公任,姚剑敏,严群,林志贤,郭太良,林畅. 液晶与显示. 2020(05)
[4]基于改进的混合高斯模型运动目标检测算法研究[J]. 范超男,李士心,张海,郭荣. 天津职业技术师范大学学报. 2019(04)
[5]融入帧间差分法的深度学习目标识别仿真研究[J]. 王辉,于立君,孙蓉,刘朝达,高天禹. 实验技术与管理. 2019(12)
[6]基于分块的帧差法和混合高斯算法的油田作业区入侵检测[J]. 龚安,牛博,史海涛. 计算机与数字工程. 2019(12)
[7]基于混合高斯的行人检测模型[J]. 刘翔羽. 黑龙江工业学院学报(综合版). 2019(12)
[8]基于背景差分法的煤矿井下视频动目标检测[J]. 王勇. 计算机技术与发展. 2020(04)
[9]基于改进高斯混合模型的运动图像目标检测算法[J]. 吕苗苗,孙建明. 半导体光电. 2019(06)
[10]基于自适应混合高斯模型的火焰识别方法[J]. 刘永涛,施国庆,刘佳,黎冠. 消防科学与技术. 2019(12)
硕士论文
[1]基于深度网络的运动目标检测方法[D]. 陈盼.西安电子科技大学 2018
[2]视频监控中行人异常行为分析研究[D]. 高翔.电子科技大学 2018
[3]基于交通视频数据的车辆检测算法研究与应用[D]. 孟进军.辽宁工程技术大学 2017
[4]基于视频流的四带图像偏色校正研究[D]. 童飞扬.福建师范大学 2016
本文编号：3248807
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3248807.html
