[发明专利]基于红外-可见光图像融合的电网现场作业一体管控方法

说明书

本发明涉及电网监控图像处理技术领域，具体地说，涉及基于红外‑可见光图像融合的电网现场作业一体管控方法。包括基于自循环学习的特征融合；基于多通道的剩余增强；基于不同样本特征的特征融合，能针对RFP模型进行修改和完善，缩短信息路径的同时削减冗余特征，使用迭代机制实现特征融合模型；基于红外‑可见光图像融合的异常行为识别。本发明设计提供了基于自循环学习融合的模型，通过与公共数据集的对比，验证了融合模块的优势，可以针对实际复杂的监控数据提取精准精确的目标，在较为复杂实际场景数据集中具有很高的识别精度，且具有灵活处理场景中的目标的功能；其对数据具有很强的适应性，尤其在标定数据较少的情况下能够获得更好效果。

技术领域

本发明涉及电网监控图像处理技术领域，具体地说，涉及基于红外-可见光图像融合的电网现场作业一体管控方法。

背景技术

红外-可见光系统，是利用可见光和红外两种技术实现全天时、全天候监控。通过网络、无线传输或光缆等多种传输手段，实现监视传输，使上级部门能够直观、实时地掌控现场情况，并可在千里之外操纵前方的摄像机，进行重点观察。系统也可用于消防、油田森林防火、交通管理、电力电网行业等重要场所等需要全天时、全天候监控的领域。但是，现有的系统，在面对恶劣环境下，如雾气、光照不足、恶劣天气时，监测的视频图像受到严重干扰和影响，导致最终的成像质量降低、目标识别率下降，甚至导致监控系统无法工作，从而影响工作稳定性。因此，研究多特征的红外-可见光多源图像增强技术，为远方监控人员提供更好的监控视频效果，已是目前行业内的重要课题。

图像增强的主要目的是利用卷积神经网络，解决背景复杂和低光照问题，主要是将图像特征点提取出来经过卷积反复进行特征增强，使需要的目标差异特征最大化，提升识别准确度，为远方监控人员提供更好的监控视频效果。

人体行为识别和深度学习理论是智能视频分析领域的研究热点，近年来得到了学术界及工程界的广泛重视，是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础。近年来，被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域。深度学习理论在静态图像特征提取上取得了卓著成就，并逐步推广至具有时间序列的视频行为识别研究中。如何进一步提高弱光环境下对视频图像中人体行为识别的精确性，是本发明所要解决的技术问题。

在电力作业工作场景中，神经网络仍不能很好地检测出特定的工作人员、安全帽、安全带、使用的工作设备等复杂场景中有背景干扰的目标。特征融合在这些方面取得了显著的突破。特征融合是提高分割性能的一个重要手段，可以解决主干网络提取出的多尺度特征融合问题，得到包含不同尺度和空间位置的信息。特征融合通过结合不同层的检测结果改进检测性能。由于信息在神经网络中的传播具有重要的意义，特征融合可以实现骨干网络提取的多层次特征之间的信息传递。但是目前的行业中，很多算力系统都是设置在终端，实时性和及时性需要通过网络通信才能完成，造成了实用性差、及时性不够稳定可靠的问题。鉴于此，我们提出了基于红外-可见光图像融合的电网现场作业一体管控方法。

发明内容

本发明的目的在于提供基于红外-可见光图像融合的电网现场作业一体管控方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供了基于红外-可见光图像融合的电网现场作业一体管控方法，包括如下步骤：

S1、基于自循环学习的特征融合步骤，对特征金字塔FPN输出的多尺度特征图像进行特征的再次学习；

S2、基于多通道的剩余增强步骤，对再次学习的特征图像降低冗余特征干扰；

S3、基于不同样本特征的特征融合步骤，在网络中添加特征增强机制，通过不同图片间的目标共享提高模型效率；能针对RFP模型进行修改和完善，缩短信息路径的同时削减冗余特征，使用迭代机制实现特征融合模型；