基于深度学习的变电站人员行为检测方法与流程
本发明涉及电力系统领域，特别涉及一种基于深度学习的变电站人员行为检测方法。
背景技术：
变电站属于一个高危环境，由于变电站的结构化比较强，相似程度高，可能会出现检修人员走错区域而导致事故。变电站存在安全管控区域，人员进入安全管控区域或导致事故，目前暂无较好的安全管控区域的管控措施，给站端管理带来了很多隐患。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于深度学习的变电站人员行为检测方法，实时监测管控区域的人员进入情况并生成相关信息，降低变电站管理隐患。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习的变电站人员行为检测方法，包括如下步骤：
步骤s1:在背景检测模式下，通过位于管控区域的摄像头采集所述管控区域的背景监控图像；
步骤s2:对背景监控图像进行灰度化处理，得到灰度图像；
步骤s3:根据得到的灰度图像，进行二值化处理，并通过骨架化操作，得到骨架图像；
步骤s4:根据得到的骨架图像，采用hough变换算法检测，获得管控区域的管控边界线；
步骤s5:在前景检测模式下，通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；
步骤s6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。
进一步的，所述所述第一信息表示未检测到行人，所述第二信息表示人员越过安全警戒线。
进一步的，所述步骤s2还包括：
获取所述第一监控图像的各个像素点的红绿蓝子像素的分量亮度；并根据所述分量亮度，求解所述第二灰度值图像的各个像素点的灰度值f(i,j)；其中，所述f(i,j)＝(r(i,j)+g(i,j)+b(i,j))/3，所述r(i,j)为红色子像素的所述分量亮度，所述g(i,j)为绿色子像素的所述分量亮度，所述b(i,j)为蓝色子像素的所述分量亮度。
进一步的，所述步骤s5具体为：
步骤s51:获取前景监控图像的新像素xt同当前k个模型按|xt-μt-1|≤2.5σt-1进行比较，直到找到匹配所述新像素的分布模型；所述μt-1为历史像素均值，所述σt-1为历史像素标准差；
步骤s52:若所匹配的所述分布模型符合背景要求，则所述新像素属于背景，否则所述新像素属于前景:
步骤s53：对各个所述分布模式的加权值进行更新；所述加权值的更新求解公式为：wk,t＝(1-α)wk,t-1+αmk,t；其中，当所述新像素xt符合第k个所述分布模式时，mk,t＝1，反之，则mk,t＝0；所述α为学习速率，所述0＜α＜1；
其中：wk,t为新像素xt在第k个所述分布模式下的加权值；wk,t-1为上一像素xt在第k个所述分布模式下的加权值；
当所述新像素xt符合第k个所述分布模式时，mk,t＝1，反之，则mk,t＝0；所述α为学习速率，所述0＜α＜1；
步骤s54：对所述历史像素均值以及历史像素标准差进行更新；
其中，μt＝(1-ρ)μt-1+ρxt，
其中：μt为当前的历史像素均值；
步骤s55：将各个所述分布模式根据wk,t/α2降序排列；
步骤s56：选取前b个模式作为背景区域；所述b满足：
进一步的，所述确定前景区域的区域重心，具体如下：
a1：识别所述第五前景区域的轮廓；
a2：若所述第一轮廓为人形轮廓，获取所述人形轮廓的脚掌区域的中心为所述区域重心；
a3：若所述第一轮廓不为人形轮廓，获取所述第一轮廓的重心点，将所述重心点作为所述区域重心。
进一步的，若所述第一轮廓为人形轮廓，还可采用如下确定前景区域的区域重心：
b1:根据所述人形轮廓判断与所述人形轮廓所对应的真实人类与所述摄像头之间的第一距离；
b2:根据所述人形轮廓的中心在所述第四监控图像中的坐标，确定拍摄角度；
b3:根据所述第一距离以及拍摄角度，确定所述真实人类的站立位置，并确定所述区域重心。
进一步的，所述步骤s6中，若所述第五前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，还包括：
步骤s61：设置第一标记矩阵以及第二标记矩阵分别用来标记有工作人员图像及无人时图像；所述第一标记矩阵以及第二标记矩阵的大小跟每帧所述前景监控图像的大小相同，
步骤s62：依次遍历所述前景监控图像中的每个像素点，判断每个像素点是否符合预设灰阶范围；当所述像素点所述预设灰阶范围，则在相应的第三标记矩阵中进行标记；
步骤s63：计算第三标记矩阵的像素总和以及像素总和的区域重心，并判断是否符合所述第一标记矩阵或第二标记矩阵。
进一步的，所述像素总和的区域重心计算公式为：
其中，所述
本发明与现有技术相比具有以下有益效果：
本发明通过对管控边界进行识别，并监控识别包含工作人员影像的前景图，判断工作人员重心是否越过管控边界，当工作人员越过管控边界生成预警信号，有效保护工作人员以及变电站安全。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习的变电站人员行为检测方法，包括如下步骤：
步骤s1:在背景检测模式下，通过位于管控区域的摄像头采集所述管控区域的背景监控图像；
步骤s2:对背景监控图像进行灰度化处理，得到灰度图像；
步骤s3:根据得到的灰度图像，进行二值化处理，并通过骨架化操作，得到骨架图像；
步骤s4:根据得到的骨架图像，采用hough变换算法检测，获得管控区域的管控边界线；
步骤s5:在前景检测模式下，通过位于管控区域的摄像头采集所述管控区域的前景监控图像，并基于混合高斯模型前景运动检测算法在前景监控图像中获得前景区域；
步骤s6:根据得到的前景区域，若前景区域小于第一预设值，则输出第一信息；若前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，若区域重心位于所述管控边界线的内侧，则输出第二信息。所述所述第一信息表示未检测到行人，所述第二信息表示人员越过安全警戒线。
在本实施例中，采用hough变换算法检测直线中，直线的表示，可由斜率和截距表示，而极坐标中用表示。
r＝cos(θ)*x+sin(θ)*y
其中，对应于空间的一条正弦曲线：多个点在(r，θ)平面上就是多条正弦曲线，而多条正弦曲线会相交，交点就是直角坐标系中的直线。直角坐标系中的一条直线上的三个点对应于r-θ空间中三条曲线，并交于一点。统计一个矩阵中多条线相交的点作为检测直线的极坐标表现形式，这样就能求出存在的直线。在寻找边界线的时候，会有很多直线被检测出，在同一水平线上，去顶部和底部直线的中点，作为检测的边界线；
在本实施例中，所述步骤s2还包括：
获取所述第一监控图像的各个像素点的红绿蓝子像素的分量亮度；并根据所述分量亮度，求解所述第二灰度值图像的各个像素点的灰度值f(i,j)；其中，所述f(i,j)＝(r(i,j)+g(i,j)+b(i,j))/3，所述r(i,j)为红色子像素的所述分量亮度，所述g(i,j)为绿色子像素的所述分量亮度，所述b(i,j)为蓝色子像素的所述分量亮度。
在本实施例中，所述步骤s5具体为：
步骤s51:获取前景监控图像的新像素xt同当前k个模型按|xt-μt-1|≤2.5σt-1进行比较，直到找到匹配所述新像素的分布模型；所述μt-1为历史像素均值，所述σt-1为历史像素标准差；
步骤s52:若所匹配的所述分布模型符合背景要求，则所述新像素属于背景，否则所述新像素属于前景:
步骤s53：对各个所述分布模式的加权值进行更新；所述加权值的更新求解公式为：wk,t＝(1-α)wk,t-1+αmk,t；其中，当所述新像素xt符合第k个所述分布模式时，mk,t＝1，反之，则mk,t＝0；所述α为学习速率，所述0＜α＜1；
其中：wk,t为新像素xt在第k个所述分布模式下的加权值；wk,t-1为上一像素xt在第k个所述分布模式下的加权值；
当所述新像素xt符合第k个所述分布模式时，mk,t＝1，反之，则mk,t＝0；所述α为学习速率，所述0＜α＜1；
步骤s54：对所述历史像素均值以及历史像素标准差进行更新；
其中，μt＝(1-ρ)μt-1+ρxt，
其中：μt为当前的历史像素均值；
步骤s55：将各个所述分布模式根据wk,t/α2降序排列；
步骤s56：选取前b个模式作为背景区域；所述b满足：
a1：识别所述第五前景区域的轮廓；
a2：若所述第一轮廓为人形轮廓，获取所述人形轮廓的脚掌区域的中心为所述区域重心；
a3：若所述第一轮廓不为人形轮廓，获取所述第一轮廓的重心点，将所述重心点作为所述区域重心。
进一步的，若所述第一轮廓为人形轮廓，还可采用如下确定前景区域的区域重心：
b1:根据所述人形轮廓判断与所述人形轮廓所对应的真实人类与所述摄像头之间的第一距离；
b2:根据所述人形轮廓的中心在所述第四监控图像中的坐标，确定拍摄角度；
b3:根据所述第一距离以及拍摄角度，确定所述真实人类的站立位置，并确定所述区域重心。
在本实施例中，所述步骤s6中，若所述第五前景区域大于或等于第一预设值，则根据所述第五前景区域，判断所述第五前景区域的区域重心，还包括：
步骤s61：设置第一标记矩阵以及第二标记矩阵分别用来标记有工作人员图像及无人时图像；所述第一标记矩阵以及第二标记矩阵的大小跟每帧所述前景监控图像的大小相同，
步骤s62：依次遍历所述前景监控图像中的每个像素点，判断每个像素点是否符合预设灰阶范围；当所述像素点所述预设灰阶范围，则在相应的第三标记矩阵中进行标记；
步骤s63：计算第三标记矩阵的像素总和以及像素总和的区域重心，并判断是否符合所述第一标记矩阵或第二标记矩阵。
在本实施例中，对第四监控图像的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率。然后可以选取概率最大的类作为判决结果，使用k(取3-5)个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。
在本实施例中，所述步骤s62还包括：统计与工作人员的衣服像素颜色及灰度相同的所述第四监控图像上的像素点，获得相应的人体掩模。通过统计每帧图像中颜色的范围以及高斯混合模型前景运动检测算法检测出来的掩模，可以得到行人属性的二值图像，然后统计图像中标记像素的重心以及像素的个数，从而确定工作人员。
在本实施例中，所述像素总和的区域重心计算公式为：
其中，所述
在本实施例中，所述步骤s63包括：
采集前后两帧所述前景区域，判断所述前后两帧所述第五前景区域的所述区域重心位于所述管控边界线的两侧，输出所述第二信息。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
- 还没有人留言评论。精彩留言会获得点赞！