电力监测系统中危险目标的识别方法及装置制造方法及图纸

本发明专利技术提供了一种电力监测系统中危险目标的识别方法及装置，在检测出入侵物的基础上，确定入侵物是否对电力设施造成威胁，及入侵物的危险等级，不仅提高了对危险目标识别的准确性，而且方便了后续对危险目标的排除工作。

【技术实现步骤摘要】

本专利技术涉及电力领域，尤其涉及电力监测系统中危险目标的识别方法及装置。
技术介绍
为了保证电力设施的安全运行，一般都会给一定区域内的电力设施配备监测系统，现有的电力设施监测系统，通常只能识别出某一监测区域中的入侵物，而对于此入侵物是否对电力设施构成确定的威胁，则无法判别，更加无法确定入侵物对电力设施会造成多大的威胁，因而必然给威胁的排除造成困难，例如，对将没有威胁的入侵物体安排排除工作，造成资源的浪费，或者对排除工作准备的不足，造成安全隐患。
技术实现思路
有鉴于此，本专利技术提供了一种电力监测系统中危险目标的识别方法及装置，目的在于解决现有的电力设备监测系统不能明确入侵威胁及威胁程度，而给威胁排除造成困难的问题。一种电力监测系统中危险目标的识别方法，包括检测出所述电力监测系统采集到的视频中的入侵物；利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；如果是，则计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。一种电力监测系统中危险目标的识别装置，包括入侵物检测模块，用于检测出所述电力监测系统采集到的视频中的入侵物；威胁物确定模块，用于利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；危险等级分类模块，用于当入侵物对电力设施构成威胁时，计算所述入侵物的参数，并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。本专利技术实施例提供的电力监测系统中危险目标的识别方法及装置，通过使用Haar 特征集训练的分类器对检测出的入侵物进行识别，不仅能够识别出确切的入侵物，还能够通过对入侵物尺度大小的计算，确定入侵物的危险等级，为排除危险物提供了准确的参考， 方便了排除危险物的操作。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术实施例公开的一种电力监测系统中危险目标的识别方法的流程图；图2为本专利技术实施例公开的一种电力监测系统中危险目标的识别装置的结构示意图。具体实施例方式本专利技术提供了一种电力监测系统中危险目标的识别方法及装置，使用Haar特征训练的分类器对危险目标进行识别，与现有的电力监测系统相比，不仅能够检测出入侵物， 还能够对入侵物的危险等级做出分类。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术公开的一种电力监测系统中危险目标的识别方法，所述电力监测系统至少包括图像采集单元，图像采集单元用于采集被监测的电力设施预设的范围内的实时视频， 所述方法如图1所示，包括步骤SlOl 检测出所述电力监测系统采集到的视频中的入侵物；电力监测系统的图像采集单元将采集到的电力设施现场的视频传回后，将所述视频包含的图像帧序列进行图像处理的过程，用以检测是否有入侵物。S102:利用预先训练的分类器对所述入侵物的图像进行分类，确定所述入侵物是否对电力设施构成威胁；需要强调的是，本实施例中预先训练的分类器为使用Haar特征集进行训练后的分类器，Haar特征集中的特征分为三类边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。S103:如果是，则计算所述入侵物的参数并依据预先设置的参数与危害程度间的对应关系确定所述入侵物的危险等级。所述入侵物的危险等级指的是入侵物对电力设施的危害程度，危害程度越大则危险等级越高，入侵物的参数与危险等级间的对应关系可以根据实际情况预先设定，其中，参数可以为入侵物的尺寸。本实施例公开的危险目标识别方法，除了能够检测出电力设施附件的入侵物外， 还能够明确判断出所述入侵物是否为对电力设备造成威胁，并确定出危险等级，从而能够指导是否需要安排排除，以及怎样排除危险。进一步地，本实施例中所述检测出所述电力监测系统采集到的视频中的入侵物包括获取所述视频的图像序列中相邻的两幅图像的结构相似性指标对应的图像；其中，结果相似性指标(StructuralSimilarity Index Measurement，SSIM)是一种基于颜色空间的衡量两幅图像相似性的指标，两幅图像间的相似性越高，则SSIM值越大，当SSIM值为1时，说明两幅图像完全相同，也就是说，当后一幅图像中包含了前一幅图像中没有的目标时，则认为此目标为入侵物这里，使用SSIM的作用为找出相邻的图像间的不同。计算所述结构相似性指标对应的图像的直方图；依据所述直方图，确定阈值；利用所述阈值对所述结构相似性指标对应的图像进行分割，得到分割后的图像；图像中结构没有发生明显变化的区域的SSIM值接近或者等于1，而那些结构发生了明显变化的区域的值小于1，因而可以设定某一个阈值来将SSIM结果图二值化，只保留差异部分，而将其他结构没有发生明显变化的部分图像都变化0。将所述分割后的图像进行先腐蚀后膨胀的数学形态学计算，将计算结果作为新的分割后的图像；上述为对结构相似性指标对应的图像进行阈值分割的过程，得到的分割后的图像为二值图像，对分割结果进行形态学处理，则是为了去除噪声。将分割后的图像分别向其所在坐标系的水平轴和垂直轴做投影，并提取所述投影值大于预设的值的连续区域作为入侵物的图像。所述检测入侵物的方法面对电力设施入侵物的分割，将SSIM指标、阈值分割及投影计算灵活组合，相比于其他目标检测方法，更适用于检测出电力设施附近的入侵物。进一步地，本实施例所述的预先训练的过程包括将能够对电力设施产生威胁的物体的图像作为正样本，将不含所述物体的图像作为负样本；例如，能够对电力设施产生威胁的物体包括大型工程车辆，其中分为工程车吊臂张开和吊臂闭合两种情况，可以通过改变一个正样本图像的灰度等参数，生成其它正样本。 负样本图像可以是不含有正样本的任何图像，大小只要不小于正样本就可以，本实施例中采用的负样本图片主要是工程车出现的常见场景中的背景图片，例如道路，草坪，建筑物等。由于工程车不属于自然物体，其图片的特点是边缘比较明显，有固定的形状，所以选取负样本时着重选取了其它人造物体，以使分类器可以更好的设定阈值。正负样本的尺寸要合适，一般选择为40*40像素的大小。分别计算所述正样本和所述负样本的Haar特征值，并根据所述特征值确定弱分类器的阈值；将不同的弱分类器按照Adaboot方法的加权方式组合为不同的强分类器；将所述强分类器级联，以组成所述的分类器。使用Haar特征值利用Adaboot方法训练分类器常见于人脸识别领域，而由于图像处理与模式识别领域的方法都是面向处理对象的，所以将Haar特征值及Adaboot方法用于分类电力设施的入侵物，必须要根据待分类目标的形状、灰度等特征，并面向此类目标训练分类器。上述训练方法正是将对电力设施有威胁的正样本和对电力设施没有威胁的负样本与Haar特征结合起来，训练处适用于电力设施监测的分本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：牟轩沁，潘坚跃，陈希，翁烁，吴发献，胡伟，
申请(专利权)人：杭州市电力局，西安交通大学，
类型：发明
国别省市：