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],
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
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。