一种人工智能港口码头监控方法与流程

1.本发明涉及人工智能技术领域，尤其涉及一种人工智能港口码头监控方法。


背景技术：

2.目前，港口贸易活动愈加频繁，且取得良好发展成果，但是其中还存在着一定安全隐患，特别是港口石油化工码头方面，经常会存放或者运输石油等危险品，容易燃烧、爆炸，在实际存储罐装油时，如果没有做好充分有效的监控工作，例如禁火监控，将会导致其中存在安全隐患，无法切实保障码头的安全。
3.现有技术中，港口石油化工码头油库的安全监控基本上都由人员到现场巡视、抽查，或人工查看监控视频等方式进行，监控的时间和空间非常有限，导致效率较低。


技术实现要素：

4.本发明的目的在于提供一种人工智能港口码头监控方法，旨在解决现有技术中的港口石油化工码头油库的安全监控基本上都由人员到现场巡视、抽查，或人工查看监控视频等方式进行，监控的时间和空间非常有限，导致效率较低的技术问题。
5.为实现上述目的，本发明采用的一种人工智能港口码头监控方法，包括以下步骤：
6.获取码头油库监控视频，并对所述码头油库监控视频进行预处理，获得预处理视频；
7.对所述预处理视频进行前景目标区域提取，并对所述前景目标区域进行预处理，获得危险行为图像；
8.对所述危险行为图像进行分析和提取，获得危险特征；
9.将预先获取的危险特征样本输入分类器中，同时将所述危险特征输入所述分类器中，完成危险行为的识别和分类，并将危险行为结论传送至管理人员。
10.对获取的码头油库监控视频进行处理，提取出前景目标区域，再提取出危险行为图像，最后提取出危险行为图像中的危险特征；提前在分类器中输入危险特征样本，将实际提取出的危险特征输入分类器中进行分类和识别，最后将危险行为识别结果上传至管理人员，便于管理人员发现危险行为，进而能及时做出防范，保护码头安全，并提高监控效率。
11.其中，获取码头油库监控视频，并对所述码头油库监控视频进行预处理，获得预处理视频，所述方法还包括：
12.采用yuv空间颜色模型将所述码头油库监控视频的图像序列转化为灰度，获得所述预处理视频。
13.利用yuv空间颜色模型将图像序列转化为灰度，减少光照和复杂颜色背景的影响，提高检测精准度。
14.其中，对所述预处理视频进行前景目标区域提取，并对所述前景目标区域进行预处理，获得危险行为图像，所述方法还包括：
15.基于vibe算法建立背景模型，将所述预处理视频中前景目标区域分离出来，再结
合背景减除法提取出疑似危险行为区域，获得疑似危险行为区域图像。
16.将vibe算法和背景减除法相结合，可以对图像序列实时处理，并减少干扰，提高检测效率。
17.其中，对所述预处理视频进行前景目标区域提取，并对所述前景目标区域进行预处理，获得危险行为图像，所述方法还包括：
18.对所述疑似危险行为区域图像进行图像去噪和形态学处理，获得所述危险行为图像。
19.降低环境和光照的影响，优化疑似危险行为区域的二值图像，为后续的特征提取做好基础。
20.其中，对所述危险行为图像进行分析和提取，获得危险特征，所述方法还包括：
21.提取所述危险行为图像的hog特征和lbp纹理特征，并利用串行融合算法将所述hog特征和所述lbp纹理特征进行融合，获得危险特征。
22.利用串行融合算法将特征进行分类检测，便于后续更好的识别出危险特征。
23.其中，将预先获取的危险特征样本输入分类器中，同时将所述危险特征输入所述分类器中，完成危险行为的识别和分类，并将危险行为结论传送至管理人员，所述方法还包括：
24.选用支持向量机作为危险行为识别的分类器。
25.支持向量机适合小样本图像，内存占用小，运算分类速度相对较快。
26.本发明的人工智能港口码头监控方法，首先，通过高清摄像头获取码头油库监控视频，并对码头油库监控视频进行预处理，减少光照和背景的影响，再次，提取预处理视频中的前景目标区域，并进行预处理，减少干扰，获得危险行为图像，然后，再提取危险行为图像中的危险特征，便于后期识别和分类，将预先制作的危险特征样本输入分类器中，再将实际提取的危险特征输入分类器中，进行危险行为的识别和分类，得到危险行为结论，并将危险行为结论上传至管理人员，警示管理人员，便于管理人员及时对危险行为进行防范，保障安全，同时采用人工智能进行监控、识别和提醒，有利于提高监控效率。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本发明的人工智能港口码头监控方法的步骤图。
具体实施方式
29.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
30.在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所
示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
31.请参阅图1，本发明提供了一种人工智能港口码头监控方法，包括以下步骤：
32.s101：获取码头油库监控视频，并对所述码头油库监控视频进行预处理，获得预处理视频。
33.具体的，首先，在码头油库安装多个高清摄像头，通过高清摄像头获取所述码头油库监控视频，并将所述码头油库监控视频上传至中央处理器，然后，中央处理器采用yuv空间颜色模型对所述码头油库监控视频进行预处理，将视频图像序列转化为灰度，以此减少光照和复杂颜色背景对图像的影响，便于后续图像的识别，进而有利于提高检测精准度，及时判断出危险行为，能够及时做出防护措施，提高监控效率。
34.s102：对所述预处理视频进行前景目标区域提取，并对所述前景目标区域进行预处理，获得危险行为图像。
35.具体的，首先，基于vibe算法建立背景模型，其中，vibe算法是一种对于不同的视频、动态的场景均能应用的背景建模算法，采用了随机选择的机制来建立模型，以及均等概率挑选领域来更新背景，主要原理是给视频图像的像素点设置了一个存在该点之前及其相邻域像素点的像素值的样本集，再经过计算当前此点的像素值与背景模型即样本集中各点的相似度，通过比较是否在其模型的相似范围内，来判断此时的该像素点是否是背景点，进而将所述预处理视频中的前景目标区域分离出来，其中，所述前景目标区域可为吸烟动作图像、明火动作图像等危害存储油罐的危险行为动作图像，再结合背景减除法，提取出疑似危险行为区域，其中，背景减除法是利用建立的背景模型，再将视频中当前帧与背景模型进行差分计算，以此获得前景目标的区域，随后与所设置的阈值进行比较，超出阈值的部分可判断为前景目标区域，未超出的则认为是背景，并可以随外界变化或摄像头的转向而实时更新背景图片，进而能够实时的提取前景目标区域，获得疑似危险行为区域图像，然后，对所述危险行为区域图像进行图像去噪和形态学处理，其中，图像去噪采用中值滤波的原理，即用采样点结合的奇数个滑动窗对其中的像素值实行排序，中心像素值用其中间值替换，可以明显的消减散乱的噪点，缓解图像模糊状况，形态学处理操作可以对图像进行补充，以能够更加准确的把危险行为区域提取出来，获得危险行为图像，以便后续进行分析和提取，减少干扰，提高检测效果。
36.s103：对所述危险行为图像进行分析和提取，获得危险特征。
37.具体的，对所述危险行为图像进行分析和提取，提取所述危险行为图像的hog特征和lbp纹理特征，其中，hog特征是一种在图像处理和机器视觉中对物体进行检测的特征描述算子，其特征提取的原理是经由计算目标图像中的局部区域的方向梯度直方图，并对特征向量进行统计，可以有效地体现图像的局部信息，并且在光照不变形和平移不变形方面具有良好的表现，lbp纹理特征作为表达纹理的描述算子，可以满足危险行为中分布旋转不变形的要求，再通过串行融合算法将所述hog特征和所述lbp纹理特征进行融合，进而能够对危险行为特征较好的描述，使危险特征描述更佳充分和丰富，对进一步的分类识别提供准确依据和做好充分准备。
38.s104：将预先获取的危险特征样本输入分类器中，同时将所述危险特征输入所述
分类器中，完成危险行为的识别和分类，并将危险行为结论传送至管理人员。
39.具体的，首先，选用支持向量机作为危险行为识别的分类器，其中，支持向量机能够适合小样本图像，内存占用小，运算分类速度相对较快，然后，录制危险行为的视频，并对危险行为视频进行处理，在危险行为视频中截取所需的危险行为和非危险行为的样本，并对样本进行hog特征和所述lbp纹理特征的提取，并将其特征进行融合，生成数据集，然后，将数据集导入支持向量机中，生成分类器，并进行分类器的训练，在具体使用时，将s103中生成的所述危险特征导入生成的分类器中，分类器将所述危险特征与危险特征样本进行对比，进行识别和分类，最后得出危险行为的结论，并将结论编辑成警示信息，其中，警示信息可以为语音提醒、文字信息提醒、闪烁灯提醒等，并传送至管理人员，以此告知管理人员出现危险行为，使得管理人员能够及时对危险行为进行控制，避免危险的发生，采用人工智能辅助监控，能够及时发现危害，提高监控效率。
40.本发明的所述人工智能港口码头监控方法，首先，通过高清摄像头获取码头油库监控视频，并对码头油库监控视频进行预处理，减少光照和背景的影响，再次，提取预处理视频中的前景目标区域，并进行预处理，减少干扰，获得危险行为图像，然后，再提取危险行为图像中的危险特征，便于后期识别和分类，将预先制作的危险特征样本输入分类器中，再将实际提取的危险特征输入分类器中，进行危险行为的识别和分类，得到危险行为结论，并将危险行为结论上传至管理人员，警示管理人员，便于管理人员及时对危险行为进行防范，保障安全，同时采用人工智能进行监控、识别和提醒，有利于提高监控效率。
41.以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。