一种变电站智能系统中运动目标检测系统的制作方法

本发明创造涉及图像处理技术领域，具体涉及一种变电站智能系统中运动目标检测系统。

背景技术：

变电站无人值班是当今电网调度自动化发展的趋势，至今，变电站综合自动化系统已经实现了“遥测、遥信、遥控、遥调”的四遥功能，但是仅依赖这四遥不能完全满足变电站无人值班的安全要求。随着智能视频监控系统的快速发展和应用，智能视频监控系统逐渐被应用到变电站综合自动化系统中，使得“遥视”成为传统四遥的有力补充和变电站安全运行的必要设施，真正实现变电站的无人值班运行。

本发明提供一种变电站智能系统中运动目标检测系统，主要研究了智能视频监控系统中运动目标检测的关键技术，为了实现对视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进otsu方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。

技术实现要素：

针对上述问题，本发明旨在提供一种变电站智能系统中运动目标检测系统。

本发明创造的目的通过以下技术方案实现：

一种变电站智能系统中运动目标检测系统，包括图像采集模块、图像处理模块、图像智能分析模块和远程监控中心，所述图像采集模块用于获取变电站内的视频图像，所述图像处理模块用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中运动目标，所述远程监控中心用于实时显示检测到的运动目标。

本发明创造的有益效果：提供一种变电站智能系统中运动目标检测系统，通过变电站内各个方位视频图像进行采集和处理，实现了所述视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进otsu方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图；

图2是本发明图像智能分析模块的结构示意图。

附图标记：

图像采集模块1；图像处理模块2；图像智能分析模块3；远程监控中心4；背景检测单元31；前景检测单元32；运动阴影检测单元33。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1和图2，本实施例的一种变电站智能系统中运动目标检测系统，包括图像采集模块1、图像处理模块2、图像智能分析模块3和远程监控中心4，所述图像采集模块1用于获取变电站内的视频图像，所述图像处理模块2用于对获取的视频图像进行处理，去除所述视频图像中的噪声信息，所述图像智能分析模块3用于对处理后的视频图像进行智能分析，从而检测出所述视频图像中运动目标，所述远程监控中心4用于实时显示检测到的运动目标。

优选地，所述图像采集模块1由多个摄像机组成并安装在变电站围墙上。

本优选实施例提供一种变电站智能系统中运动目标检测系统，通过变电站内各个方位视频图像进行采集和处理，实现了所述视频图像中运动目标的有效检测，在对所述视频图像中的运动目标进行检测时，通过改进背景建模与更新技术，提高了系统的处理速度以及背景建模的准确度；在前景检测阶段，通过改进otsu方法进行自动阈值设置，使得差分阈值随着场景的变化自动调整，提高了前景检测的正确率。

优选地，所述图像智能分析模块3包括如下单元：

背景检测单元31，用于对所述视频图像进行背景建模，并通过更新各个参数来实现背景模型的更新；

前景检测单元32，利用背景差分信息进行前景检测，从而分割出所述视频图像的背景区域和前景区域；

运动阴影检测单元33，用于检测和去除所述前景区域中的运动阴影，从而获得图像中的运动目标。

优选地，所述背景检测单元31采用聚类技术对所述视频图像进行背景建模并对其进行更新，具体包括：；

a.在采用聚类技术对所述视频图像进行背景建模的过程中，采用一种改进的有效性指标vn来确定最佳聚类个数，具体为：

式中，uij表示样本xj属于第i类的隶属度，且有uij∈[0,1]，vi和vj分别表示第i类和第j类的聚类中心值，n表示数据集合中样本的个数，k表示分类个数，表示聚类中心的平均值；

b.在背景建模完成后，通过更新各个参数来实现背景模型的自适应更新，定义it(x,y)是像素(x,y)在第t帧的灰度值，vi(x,y)是第i个聚类的中心值，则像素值it(x,y)与聚类中心值vi(x,y)的距离d(it,vi)是：

d(it,vi)＝dmin(it(x,y),vi(x,y))(i＝1,2,…,k)

定义聚类阈值θ，当d(it,vi)＞θ，重新创建新的分类vk+1(x,y)，并设置相关参数为：

vk+1(x,y)＝it(x,y)

nk+1(x,y)＝1

k＝k+1

式中，nk+1(x,y)表示第k+1个聚类中包含的元素个数，k为聚类的个数，ωi为第i个聚类的权重，ni(x,y)为第i个聚类中的元素个数，vk+1(x,y)为第k+1个聚类的中心值；

当d（it,vi)≤θ时，则将该元素归入第i个聚类，并更新参数：

ni(x,y)＝ni(x,y)+1

式中，vi(x,y)为第i个聚类的中心值，ni(x,y)为第i个聚类中的元素个数，it(x,y)为像素(x,y)在第t帧的灰度值，ti为第i聚类中心的更新时间差，ωi为第i聚类的权重。

本优选实施例对现有聚类有效性指标进行了深入研究的基础上，提出的新指标正确有效，不管是对于类间有重叠的数据集还是无重叠的数据集，都能够做出正确的判定，具有理论和实用价值；提出一种基于改进的fcm聚类的背景模型的自适应更新方法，在聚类的权重值进行更新的过程中，不仅考虑个聚类包含的元素个数对权重值的影响，还考虑了聚类更新时间对聚类权重值的影响。

优选地，所述前景检测单元32用于分割出所述视频图像中的背景区域和前景区域，其采用一种改进的阈值选取方法，具体为：

定义视频图像中各像素灰度值取值范围是[1,l]，灰度值为i的像素出现的概率为pi，按灰度值h将像素分为两类，即背景部分c0＝{1,…,h}和前景部分c1＝{h+1,…,l},则阈值选择函数f(h)为：

式中，ω0(h)是视频图像中背景区域的像素出现的概率，且ω1(h)是视频图像中前景区域像素出现的概率，且μ0(h)是视频图像中背景区域像素灰度值的均值，且μ1(h)是视频图像中前景区域像素灰度值的均值，且是视频图像中背景区域像素灰度值的方差，且是视频图像中前景区域像素灰度值的方差，且μ(h)是视频图像中所有像素灰度值的均值，且

则最佳阈值tbest为：

式中，f(h)是视频图像的阈值选择函数，l是视频图像中的灰度值取值的最大值。

本优选实施例根据视频监控图像的特点，在阈值函数的计算过程中，引入了类内的内聚性，将它作为选择阈值的一个参考因素，从而改进阈值选择函数，使得计算得到的阈值更加的接近于理想阈值。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。