[发明专利]一种基于Codebook背景差分法的前景检测方法

说明书

技术领域

本发明涉及一种基于Codebook背景差分法的前景检测方法，特别是涉及一种对高压输电线路异物入侵的基于Codebook背景差分法的前景检测方法。

背景技术

高压输电线路是电力系统的重要设施，作为电网的核心组成部分，其安全性和可靠性关乎到整个电力系统的稳定。智能电网要求在线监测系统引进视频监控技术，实现高压输电线路实时监测的目标。传统的人工巡线方式受巡检人员的主观因素影响较大，容易出现漏检和误检等情况，难以保证检测结果的准确性。同时会耗费大量人力物力，不能满足实时在线监测的要求。不能及时有效的排除输电线路及杆塔的安全隐患，导致输电线路及杆塔时常会有故障发生，诸如输电线路断线、杆塔倾斜等严重的电网安全事故，造成重大国民经济损失。

动态系统下视频监控过程的整体框架一般包括以下几个步骤：系统环境建模、运动目标检测、目标分类、目标跟踪、目标行为理解和多摄像机信息融合。而目标检测的目的是在图像序列中把运动目标（例如吊车等异物）对应的检测区域分割出来。在提取出前景目标（运动目标）后，只需要把注意力放在前景区域的处理上，而可以不去考虑其他不包含有用信息的区域。然而MOG（高斯混合模型）和非参数模型由于内存的限制，不能应用在长时间需要大量抽样背景情形下，比如丛林中刮大风，下大雪场景等，不适用于高压输电线路的前景检测。

发明内容

为克服上述现有技术存在的不足，本发明之一目的在于提供一种基于Codebook背景差分法的前景检测方法，其通过对于每一个像素建立一个编码本，统计像素值的统计信息，通过对像素值历史所在区域的统计来建立像素值的分布区域，并以当前帧对应像素的值相对于分布区域的位置来区分像素值是属于前景目标还是背景，实现了对高压输电线路异物入侵的前景检测，比传统的目标检测算法具有更高的精确度和鲁棒性。

为达上述及其它目的，本发明提出一种基于Codebook背景差分法的前景检测方法，包括如下步骤：

步骤一，对视频序列进行预处理，并对目标边缘进行增强；

步骤二，对预处理后的视频序列利用Codebook方法进行背景建模；

步骤三，利用Codebook方法对该视频序列进行背景更新；

步骤四，将当前帧与背景帧通过Codebook背景差分法进行前景检测，获得当前场景中的运动目标。

进一步地，步骤二进一步包括如下步骤：

步骤2.1，对视频序列中的每个像素建立一个编码本，该编码本由一些boxes组成；

步骤2.2，在每一个轴上的每一个box用两组阈值进行定义，该两组阈值为边界阈值和学习阈值，每一组阈值均由两个元素组成，分别为最大值和最小值；

步骤2.3，如果像素(x,y)在新的背景模型B的值B_(x,y)落到像素(x,y)的第i个box的学习阈值之间，则第i个box的边界阈值将膨胀以包含进新背景模型的值B_(x,y)，而学习阈值则根据新值B_(x,y)的边界(B_(x,y)-g,B_(x,y)+g)与学习阈值的位置关系进行调整；

步骤2.4，如果新的背景样本B_(x,y)在像素(x,y)的N个box的学习阈值之外，将开始产生一个新的box，像素(x,y)的第N+1个box来对新的值进行存储。

进一步地，在步骤2.3中，当B_(x,y)-g小于时，减一，否则不变，当B_(x,y)+g大于时，加一，否则也不变，其中g为学习范围阈值，表示box的学习范围。

进一步地，新建的box的最大边界阈值与最小边界阈值相等，均等于当前背景模型值B_(x,y)，而最大学习阈值和最小学习阈值分别初始化为B_(x,y)+g和B_(x,y)-g，其中g为box的学习范围。

进一步地，学习阈值的范围大于边界阈值的范围，box的学习阈值包含边界阈值。

进一步地，步骤三包括box的建立和陈旧的box的删除两个步骤，该box的建立与步骤二中建立新box的过程相同。

进一步地，该陈旧box的删除的步骤以消极时间为依据，每一个box具有一个状态变量T_leave，用于记录最近一次新测量值进入该box距离现在的时间，称其为消极时间，当消极时间超过所设定的阈值T_last时，则把该box从背景模型中删除。