資源描述：
《電力系統(tǒng)智能視頻監(jiān)控中運動目標(biāo)檢測技術(shù)研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、電力系統(tǒng)智能視頻監(jiān)控中運動目標(biāo)檢測技術(shù)研究 摘要：電力系統(tǒng)中智能視頻監(jiān)控的應(yīng)用尤為重要，而運動目標(biāo)檢測技術(shù)是智能視頻監(jiān)控系統(tǒng)的基礎(chǔ)。對運動目標(biāo)檢測方法中的背景建模法、運動目標(biāo)跟蹤技術(shù)、圖像序列的語意理解、運動目標(biāo)的行為分析等進行了分析?！ ￡P(guān)鍵詞：電力系統(tǒng)；視頻監(jiān)控；運動目標(biāo)檢測 1.引言 在電力系統(tǒng)中，智能視頻監(jiān)控用于對變電站設(shè)備、工作人員及周圍環(huán)境的監(jiān)控等，為變電站工作安全保障起到關(guān)鍵作用，特別是無人值守變電站的應(yīng)用，確保其調(diào)控運行更為安全、可靠?！ ∵\動目標(biāo)檢測技術(shù)是智能化視頻分析的基礎(chǔ)，它
2、的目的就是從動態(tài)圖像序列中找到那些可能包含運動物體的感興趣區(qū)域以供后續(xù)模塊的進一步處理。常用的方法包括幀差法、背景差分法、光流法等。5 幀差法是在連續(xù)的圖像序列中兩個或三個相鄰幀間采用基于像素的時間差分并閾值化來提取圖像中的運動區(qū)域。幀差法對動態(tài)環(huán)境適應(yīng)性強，但一般情況下不能得到完整的運動目標(biāo)，需要較多的后處理工作。背景差分法是利用當(dāng)前圖像幀與背景圖像幀的差分來檢測運動區(qū)域。背景差分法可以得到完整的運動目標(biāo)，但對光線和其他外部的動態(tài)場景變化非常敏感，需要對背景作不斷更新。光流法采用了運動目標(biāo)隨時間變化
3、的光流特性來檢測運動目標(biāo)。光流法即使在攝像頭運動時也能有效地檢測運動目標(biāo)，但計算復(fù)雜，不適用于實時性要求高的監(jiān)控場合?！ ?.高斯混合背景建模算法 建立背景模型是背景減除法的重要步驟。采用高斯混合模型進行背景建模，這種模型能夠根據(jù)樣本值（像素點的顏色值）進入模型的不同頻率，以及和模型中各個分布成功匹配的不同頻率，來不斷更新模型中所有高斯分布的參數(shù)，即對各個高斯分布的權(quán)重、均值和協(xié)方差等參數(shù)進行訓(xùn)練，使背景像素值分布收斂于一個或某幾個高斯分布，實現(xiàn)背景像素值的聚類，從而實現(xiàn)對背景的建模。圖像中每個像素點
4、的混合高斯模型可以表示為： 的高斯分量的概率密度函數(shù)。 高斯混合背景建模算法根據(jù)當(dāng)前像素值與模型中的K個高斯分布的匹配情況，對模型進行更新。如果像素值在某高斯分布均值的2.5倍方差范圍之內(nèi)，稱之為成功匹配上該分布。如果當(dāng)前像素值與K個高斯分布都不匹配，則用一個新的高斯分布取代權(quán)重值最小的那個分布，新的分布的均值即為當(dāng)前的像素值，同時為它分配一個較大的初始協(xié)方差和一個較小的初始權(quán)重值?！ ?.運動目標(biāo)跟蹤技術(shù) 運動目標(biāo)檢測常用的是利用圖像序列的幀內(nèi)信息和幀間信息，從而提取動態(tài)信息，這里采用背景差幀法
5、檢測運動目標(biāo)。它的基本思路是將背景建模后的圖像與新輸入的圖像做比較，通過判斷像素點的灰度值變化、直方圖的統(tǒng)計信息變化等來分割動態(tài)目標(biāo)。5 不難看出背景差幀法簡單易于實現(xiàn)，并且能提供比較完全的數(shù)據(jù)，適用于背景好提取或者比較簡單的情況。當(dāng)出現(xiàn)光照、遮擋、雨雪霧、樹枝搖擺、水面波動、機器抖動等變化時，背景模型需要進行及時更新變化?！ ∵\動目標(biāo)在視頻幀序列中會呈現(xiàn)一定規(guī)律的變化，主要取決于目標(biāo)的運動速度以及視頻的幀率。通過連續(xù)多幀圖像的運動目標(biāo)檢測結(jié)果，可以對運動目標(biāo)在圖像空間的運動速度進行估算，結(jié)合圖像的采
6、集幀率，可以預(yù)測出運動目標(biāo)在下一幀圖像中出現(xiàn)的大致范圍，從而實現(xiàn)對運動目標(biāo)的視覺跟蹤?！ ?.圖像序列的語義理解 所謂圖像序列的語義理解，就是通過對監(jiān)控場景中的目標(biāo)物行為的分析理解，給出相應(yīng)的事件與行為描述。在動態(tài)圖像的語義理解中，如何對行為建立好的模型從而進行行為的識別并與語義相聯(lián)系是其中最為關(guān)鍵的內(nèi)容。目前已經(jīng)存在的行為建模方法有：模版匹配方法、框架模型、狀態(tài)空間模型、神經(jīng)網(wǎng)絡(luò)模型和語義化的推理模型等。 基于模版匹配的方法，首先把一個圖像序5列轉(zhuǎn)化成為一個靜態(tài)的形狀模型，然后，通過與預(yù)先存儲的行
7、為原型的比較進行識別。它的優(yōu)點在于計算復(fù)雜度低且簡單易行，但是，它對噪聲和運動的時間間隔內(nèi)的變化比較敏感。框架模型在動態(tài)圖像語義化理解中經(jīng)常用來對運動進行建模，采用事例框架來對行為建模。這種方法比較適合對靜態(tài)圖像進行解釋，對比較復(fù)雜的動態(tài)場景中發(fā)生的運動來建立該模型不太合適。狀態(tài)空間方法把每一種靜態(tài)姿勢定義為一個狀態(tài)，狀態(tài)空間的交互關(guān)聯(lián)用一定的概率來表示。任意運動序列都通過狀態(tài)表示的不同姿勢間的某種組合來實現(xiàn)。組合概率的最大值作為行為分類的標(biāo)準(zhǔn)。神經(jīng)網(wǎng)絡(luò)具有非線性映射的能力，可以采用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)從幾何
8、化的描述到語義概念之間的映射。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，使得它能夠通過學(xué)習(xí)得到行為模型，但是神經(jīng)網(wǎng)絡(luò)無法合理利用已知的知識。語義化的推理網(wǎng)絡(luò)是一種常用的知識表達結(jié)構(gòu)，同時也是一種推理結(jié)構(gòu)，被廣泛地用于動態(tài)圖像序列的語義理解?！ ?.運動目標(biāo)的行為分析 在電網(wǎng)環(huán)境下，監(jiān)控的目標(biāo)主要是人。人的行為分析是指對人的運動模式進行分析和識別，并用自然語言等加以描述，包括行為的表述、檢測和識別。對于人運動的視覺分析系統(tǒng)而言，一般可分為三個處理層次： ?。?
