隨著國(guó)家電力信息化的飛速發(fā)展,對(duì)于信息的采集和分析的需求也就日益增加,由于在電力生產(chǎn)和作業(yè)中,客觀存在著現(xiàn)實(shí)的和潛在的各種危險(xiǎn)因素,但是傳統(tǒng)的視頻監(jiān)控系統(tǒng)功能往往比較單一,由工作人員對(duì)監(jiān)控室內(nèi)監(jiān)控到的行為進(jìn)行分析判斷,判斷其是否有違規(guī)的現(xiàn)象發(fā)生,監(jiān)控室內(nèi)視頻則是由安放在各個(gè)位置的攝像頭傳送的。但是在電力生產(chǎn)過(guò)程中,需要監(jiān)控人員不間斷的去工作。這對(duì)于監(jiān)控工作人員而言,勞動(dòng)強(qiáng)度是非常大的,也容易造成工作人員疲勞過(guò)度,難以保障工作的準(zhǔn)確性和工作的效率,因此,用計(jì)算機(jī)代替人來(lái)進(jìn)行全過(guò)程,自動(dòng)化的監(jiān)控就變得非常有必要。首先選取了對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)方法和背景模型的方法,本文中選擇的是幀間差分法和混合高斯背景模型對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè),由于電力監(jiān)控錄像不止在室內(nèi),而且在室外也有,這就有光線還有各種自然環(huán)境的影響,而且由于需要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)監(jiān)控,因此需要實(shí)時(shí)性好的方法進(jìn)行檢測(cè)。本文選擇的方法對(duì)于光照等噪聲的影響不是特別敏感,具有較好的抗干擾能力,在背景中存在運(yùn)動(dòng)的背景時(shí)也可以較好的獲得背景模型。然后在本文中是在幀間差分法的基礎(chǔ)上用混合高斯背景模型對(duì)其進(jìn)行預(yù)處理并且提取出背景模型,然后對(duì)目標(biāo)進(jìn)行檢測(cè)。在本文... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)遼寧省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

幀間差分法處理圖

電網(wǎng)視頻監(jiān)控行為分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)10在我們理想的情況下，我們認(rèn)為背景是不變的，只有運(yùn)動(dòng)目標(biāo)在變化，所以當(dāng)運(yùn)動(dòng)目標(biāo)區(qū)域的像素發(fā)生改變時(shí)，背景區(qū)域的像素值使不變的。背景差分法的公式為：(,)=(,)(,)(2.5)(,)={1(,,)≥0(2.6)在式中，(,)表示當(dāng)前幀圖像，(,)表示背景幀圖像。背景差分法是先找到圖像中的背景圖像，然后用各幀圖像與背景圖像做對(duì)比，找到各幀圖像于背景圖像之間的不同，從而可以突出圖像中的運(yùn)動(dòng)目標(biāo)，具體流程如下：圖2.2背景差分法流程圖Figure2.2Flowchartofbackgrounddifferencemethod我們也知道，在實(shí)際操作過(guò)程中，背景是在不斷變化的，這是由于環(huán)境的變化引起的，而在現(xiàn)實(shí)生活中環(huán)境變化的多樣性，是由各個(gè)方面所決定的，比如說(shuō)太陽(yáng)照射的光線強(qiáng)度以及光照角度，微風(fēng)拂動(dòng)引起的樹(shù)葉、湖水的搖動(dòng)，這類似的干擾因素對(duì)于最終建模都有著一定的影響，對(duì)于最后建模成功都照成了困難。因此在實(shí)際操作中，我們?cè)趯?duì)較長(zhǎng)的視頻系列進(jìn)行目標(biāo)檢測(cè)的時(shí)候，我們?cè)趯?duì)背景進(jìn)行建模的時(shí)候，要在認(rèn)為背景是在不斷變換中的，而不是一成不變的，這樣可以有效的提高背景建模的準(zhǔn)確度，這在背景建模中式必須的。因此在實(shí)際操作中加入了時(shí)間t對(duì)于背景和前景的影響。(,,)=(,,)+(,,)(2.7)在上式中像素點(diǎn)I的位置為(x,y)，(,,)表示的是在t時(shí)刻的時(shí)候I點(diǎn)的灰度值的大小，在背景圖像中背景的像素點(diǎn)B的位置為(x,y),(,,)表示的是在t時(shí)刻B點(diǎn)的灰度值的大小，在t時(shí)刻運(yùn)動(dòng)目標(biāo)的前景為(,,)。(,,)=(,,)(,,)(2.8)

電網(wǎng)視頻監(jiān)控行為分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)14{(,)|1≤≤}={1,2,…,}(2.11)其中，(,)表示i在1~t時(shí)刻中第i幀視頻幀圖像上的點(diǎn)在x，y處的灰度值的大校在t時(shí)刻我們就可以用混合高斯模型來(lái)表示概率密度的函數(shù)，及個(gè)高斯分布的高斯混合模型來(lái)描述(,)的概率密度函數(shù)。將個(gè)高斯分布線性加成組成一個(gè)高斯混合模型，如圖所示：圖2.4混合高斯模型結(jié)構(gòu)示意圖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個(gè)高斯分布所組成的，通常取3~5，并且∑1=1；表示當(dāng)前幀像素的灰度值，,表示第個(gè)高斯分布在時(shí)刻時(shí)候的權(quán)重，(,,,∑,)為混合高斯模型中的第個(gè)模型在時(shí)刻的概率密度函數(shù)，表達(dá)式見(jiàn)式（2.12）。,是混合高斯模型中的第個(gè)高斯分布在時(shí)間點(diǎn)為時(shí)刻的均值向量，∑,是混合高斯模型中的第個(gè)高斯分布在時(shí)間點(diǎn)為時(shí)刻的協(xié)方差矩陣。|∑,|是∑,協(xié)方差矩陣的行列式，并且有：∑,={(,)(,)}。對(duì)于視頻幀中的每一個(gè)像素，都會(huì)根據(jù)現(xiàn)有的個(gè)高斯模型組成的混合高斯模型對(duì)新的像素進(jìn)行對(duì)比判斷，直到找到于該像素點(diǎn)相匹配的高斯模型。當(dāng)

【參考文獻(xiàn)】：
期刊論文
[1]基于卡爾曼濾波與解耦的視覺(jué)伺服控制[J]. 王亞威.  電子世界. 2020(09)
[2]基于手機(jī)慣性傳感器的航向估計(jì)算法研究[J]. 房興博,陶庭葉,李金超,賀晗,馮佳琪.  傳感器與微系統(tǒng). 2020(05)
[3]基于神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波的手部實(shí)時(shí)追蹤方法[J]. 曾公任,姚劍敏,嚴(yán)群,林志賢,郭太良,林暢.  液晶與顯示. 2020(05)
[4]基于改進(jìn)的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[J]. 范超男,李士心,張海,郭榮.  天津職業(yè)技術(shù)師范大學(xué)學(xué)報(bào). 2019(04)
[5]融入幀間差分法的深度學(xué)習(xí)目標(biāo)識(shí)別仿真研究[J]. 王輝,于立君,孫蓉,劉朝達(dá),高天禹.  實(shí)驗(yàn)技術(shù)與管理. 2019(12)
[6]基于分塊的幀差法和混合高斯算法的油田作業(yè)區(qū)入侵檢測(cè)[J]. 龔安,牛博,史海濤.  計(jì)算機(jī)與數(shù)字工程. 2019(12)
[7]基于混合高斯的行人檢測(cè)模型[J]. 劉翔羽.  黑龍江工業(yè)學(xué)院學(xué)報(bào)(綜合版). 2019(12)
[8]基于背景差分法的煤礦井下視頻動(dòng)目標(biāo)檢測(cè)[J]. 王勇.  計(jì)算機(jī)技術(shù)與發(fā)展. 2020(04)
[9]基于改進(jìn)高斯混合模型的運(yùn)動(dòng)圖像目標(biāo)檢測(cè)算法[J]. 呂苗苗,孫建明.  半導(dǎo)體光電. 2019(06)
[10]基于自適應(yīng)混合高斯模型的火焰識(shí)別方法[J]. 劉永濤,施國(guó)慶,劉佳,黎冠.  消防科學(xué)與技術(shù). 2019(12)

碩士論文
[1]基于深度網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[D]. 陳盼.西安電子科技大學(xué) 2018
[2]視頻監(jiān)控中行人異常行為分析研究[D]. 高翔.電子科技大學(xué) 2018
[3]基于交通視頻數(shù)據(jù)的車輛檢測(cè)算法研究與應(yīng)用[D]. 孟進(jìn)軍.遼寧工程技術(shù)大學(xué) 2017
[4]基于視頻流的四帶圖像偏色校正研究[D]. 童飛揚(yáng).福建師范大學(xué) 2016



本文編號(hào)：3248807