[发明专利]一种基于SOMD的室外电力场景下异物入侵检测算法

说明书

本发明提出一种基于SOMD的室外电力场景下异物入侵检测算法。电力检修场景的安全监控对于生产安全至关重要，避免监控输电环境中的异物入侵造成的故障和安全事故，是电力场景大规模智能监控系统的重要研究方向。考虑到在实际生产环境中，室外电力场景中的异物入侵相较于场景整体比较微小，例如风筝、塑料袋、飞鸟等，且在造成故障或事故之前会有一个入侵的动作过程，本文提出一种基于SOMD(Small Object Motion Detect)的室外场景下异物入侵检测算法，通过对图像进行背景提取，捕获图像中入侵的物体，同时排除由光影变化、镜头晃动造成的误检，通过Inception网络对捕获到的目标进行分类，识别各类入侵的异物。

技术领域

本发明涉及深度学习目标检测、背景提取，具体涉及到一种基于 SOMD的室外电力场景下异物入侵检测算法。

背景技术

电力检修场景的安全监控对于生产安全至关重要，避免监控输电环境中的异物入侵造成的故障和安全事故，是电力场景大规模智能监控系统的重要研究方向。最接近本发明的技术有：

(1)、颜色背景模型，其思想是对图像中每个像素的颜色值(灰度或彩色)进行建模。如果当前图像坐标(x,y)上的像素颜色值与背景模型中(x,y)上的像素颜色值有较大差异时，当前像素被认为是前景，否则为背景。

颜色背景模型的一个最明显的缺点是对阴影敏感，即将阴影误检测为运动目标。在特定场合下，需要在检测后对阴影进行抑制和消除。

(2)、SOBS(self-Organizing through artificial neural networks)是一种基于自组织神经网络的背景差分算法：其主要是借鉴神经网络的特性，一个网络输入节点，对应多个中间节点，将背景模型中的一个像素映射到模型的多个位置，并采用了像素邻域空间相关的更新方式，使邻域的信息进一步融入模型中，使得算法具有邻域空间相关性。该算法对光照有一定的鲁棒性，但模型比输入图片大，计算量比较大，速度很慢，难以达到需要实时监测的要求。

(3)、vibe算法：具体的思想就是为每个像素点存储了一个样本集，样本集中采样值就是该像素点过去的像素值和其邻居点的像素值，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。但是其也只能判断图像中的前景部分，而无法对入侵目标进行分类，极易出现误检情况。

(4)基于深度学习的目标检测算法：例如SSD、R-CNN系列，由于深度学习强大的学习能力，其能对检测到的目标进行分类和坐标回归，但是，异物入侵数据集通常难以收集，在没有充足数据量的条件下，此类方法难以为继，无法完成对异物入侵的检测。

发明内容

为解决现有技术中的缺点和不足，本发明一种基于SOMD的室外电力场景下异物入侵检测算法，结合了背景提取算法与深度学习的方法，能更加精确且高效的检测电力环境下的异物入侵。

本发明的技术方案为：

一种基于SOMD的室外电力场景下异物入侵检测算法，其特征在于利用背景提取的方法可以准确的捕获场景中异物的入侵动作，然后通过对目标区域进行特征提取，然后分类，可以很好的对电力场景下的异物入侵进行监测，包括以下步骤：

步骤(1)、对视频流图像进行解码，获取监控图像；

步骤(2)、将步骤(1)中获取的图像数据输入SOMD网络，由SOMD 建立背景模型；

步骤(3)、对背景模型层进行捕获发生入侵动作的区域，对背景模型层进行形态学开操作，然后进行图像变换，提取目标位置；

步骤(4)、对背景提取到的目标，进行形态学图像处理，筛选无关目标，去除光影变化、镜头抖动以及镜头模糊等造成的干扰，得到准确的入侵目标；

步骤(5)、依据(4)中入侵目标在背景提取层中的位置，提取原图对应区域的图像特征；