时域分析下的电力工程现场信息化视频监控方法

侯铁铸, 沈海涛, 肖琪峰, 高洪涛, 舒大平

(广东创成建设监理咨询有限公司, 广东, 广州 520000)

0 引言

电力线路的施工通常会由于环境恶劣、位置偏远造成监管不到位,出现各类安全事故隐患[1]。施工现场的复杂性、沟通效率的低下使得对于施工中出现的问题不能及时解决,也是近来施工建设中经常存在的问题。通过人员监理,加大监管力度,对于作业面比较大的现场,同样也很难实现实时管理,在某些方面也会出现人员和资源的浪费,造成管理成本上升。

现场监控是一个比较好的处理方案,能够有效地降低施工作业中的安全隐患,保证工作人员的人身和财产安全,提高施工现场的安全性和作业可靠性[2]。但是施工现场通常位于偏远的地区,网络覆盖性不足和现场电磁干扰严重,使得传输的视频信号存在大量的噪声干扰,监控视频的质量难以得到有效的保证[4]。大气环境的变化、外界电磁场的干扰使得信号的采集过程、存储过程受到了严重的影响,视频效果难以得到有效的保证,进而会影响监控管理人员对于施工现场情况的有效判断,降低了处理问题的实时性效果,容易出现安全隐患,需要通过一定的方法来保证视频的质量和效果[5]。

本文研究利用时域分析的方法对电力工程的施工现场视频进行处理,利用信息化的手段提高视频的质量,保证现场监管的效果。时域分析法在降低视频的噪声的同时,可以对于施工人员的行为加以跟踪和辨识,提高了施工现场的安全性。

1 运动目标检测

1.1 目标检测技术

对于施工现场的复杂图像,由于场景因素较多,对于目标的检测,需要通过将监控视频中的感兴趣区域图像加以分割,形成前景图像和后景图像[6],从而利用图像处理技术,对现场的目标进行跟踪、分类、行为分析等处理。根据摄像头的位置情况,目标检测技术可以分为动态背景检测和静态背景检测两种情况。

动态背景目标检测主要针对移动平台上的摄像头或者工人安全帽上的摄像头等移动摄像装置。移动背景的目标和背景情况均存在较大变化,摄像的角度也并不一致,此类问题一般采用背景匹配的方法加以处理[7]。

背景匹配法的思路为对图像中的背景做减法处理,从而可以有效提取出运动目标并加以检测。雷景生等[8]利用融合度量学习和卡尔曼滤波的方法实现了运动目标的跟踪,对运动目标的轨迹加以预测,该方法有效提高了目标跟踪的效果,适用于变电站场景。

静态背景法主要是基于固定摄像头等情况下视频图像中的背景处于不变的状态,静态背景可以采用帧间差分的方法和背景减除的方法。

1.2 帧间差分法

帧间差分法利用图像时间序列中相邻图像对比,提取图像中相对位置像素处的亮度值,经过差分处理后,获得图像前景,根据目标运动前后的图像变化情况,提取目标特征。杜文汉等[9]研究了一种基于变异特征提取的运动目标检测方法,有效解决了视频中检测目标边缘缺失的问题,提高了算法的检测准确率和实时性。

相邻两帧之间的图像差分处理的公式为

Ct=|It(x,y)-It-1(x,y)|

(1)

(2)

式中,It(x,y)为t时刻的视频图像,Ct为对应时刻的差分结果,通过阈值F的设定,可以获得该图像的二值化处理结果Rt。

1.3 背景减除法

背景减除法的思想同样是对目标背景减除,通过差值情况和阈值大小的对比获得目标的运动前景。背景减除法的流程图如图1所示。

图1 背景减除法流程图

从图1可以看到,通过对于图像的预处理和背景的更新,能够有效获得目标区域的特征情况。

对于目标中的噪声干扰情况,可以利用中值滤波等方法加以处理,提高图像清晰度。常用的背景建模方法包括中值滤波法、混合高斯建模法等。

(1) 中值滤波法

中值滤波的算法思想是对于一组序列的多帧图像,选择对应的像素点坐标(x,y),取其亮度值进行排序,选择中间的数值,作为整个背景目标的灰度数值,表达式为

Bt(x,y)=median(It-1(x,y),…,It-N(x,y))

(3)

|It(x,y)-Bt(x,y)|>T

(4)

式中,It为t时刻当前帧灰度值,Bt为对应背景帧灰度,median函数为选取亮度中值运算,t时刻的中值选取其向前N帧图像的中值灰度。通过阈值T的选择可以获得图像对应的前景区域。

(2) 混合高斯法

混合高斯法,是在单高斯方法的基础上进行的改进,用于图像背景的分布建模处理。基于高斯分布的原理,假设每个图像像素的分布均是独立的,符合高斯分布均值向量μ和协方差σ的特征。根据文献[10]的结果,在已知特定像素点K个亮度值的情况下,得到其t时刻的亮度Xt的概率密度为

(5)

(6)

2 时域分析下的改进算法

2.1 时域分析降噪方法

时域分析法是一种利用图像相关性的视频处理方法,由于监控视频是一组连续的图像,因此其前后帧之间具有明显的相关性。

时域降噪的方法有多种,包括平均滤波,中值滤波、递归滤波、运动补偿滤波等,不同的滤波方式适合不同的场景。本文主要采用的滤波方式为时域中值滤波和运动补偿滤波两种形式。

时域中值滤波如式(3)所示。该方法基于排序理论,利用时域上的中值比较,可以有效消除图像中孤立的噪声,提高图像质量。该方法能够有效消除由于干扰脉冲等形成的图像噪声,并能够有效保留运动目标图像的边缘信息。

运动补偿滤波是针对运动目标的一种有效的滤波方式。常用的运动补偿滤波算法主要为分块算法。将参考帧进行分割,形成与像素大小相同的N个像素块。通过对发生平移运动的像素块进行预测,得到其运动矢量,实现运动滤波。其表示式为

ft-1(x,y))+0.4×(α×ft(x,y)+

(7)

(1-α)×ft-2×(x,y))

式中,α为算法的控制系数,其取值情况直接影响算法的滤波效果。

利用运动补偿滤波的方法能够有效处理图像运动形成的拖尾现象。

由于相邻视频图像中只有运动目标发生了明显的变化,且存在大量的相关区域,从而利用时间序列的相关性才能完成滤波处理。相关系数的选择需要根据图像中的对应坐标状态,判断其是否属于动态点。设立方形像素块窗口W,将需要判断的像素点放置在像素块的中心,计算其与前后两帧图像对应窗口的相关系数R表示为

(8)

其中,E和D为图像窗口W中对应像素值的期望和方差。对其建立二值图像,表示为

(9)

式中,σk为图像中选择的阈值情况。

领域相关性的时域分析法虽然可以降低图像噪声的干扰,但是其获得的目标轮廓依然不够完整,需要通过前景处理获得更好的图像效果。最终前景帧的处理算法为

(10)

式中,I为图像当前帧,B为图像的背景帧。

传统的背景处理方法,在待检测目标进入视频场景后,对背景像素缺乏更新,从而使得图像处理中会对前景图像形成误判,影响效果。需要进行适当更新,具体如下。

(1) 计算相对位置上像素的亮度增益S,表示式为

(11)

(2) 计算增益均值u,表示式为

(12)

式中,N(bi)为当前图像中符合同一亮度的像素数量。

(3) 利用灰度级情况,可以获得图像的多个增益均值,用于图像背景点的像素更新,表达式为

Bt(x,y)=Bt-1(x,y)u(Bt-1(x,y))

(13)

2.2 运动目标跟踪

运动目标的跟踪是在图像识别的基础上,基于时域分析技术,通过对前后帧图像中的特征数据加以建模和匹配实现的。视频图像中运动目标跟踪的流程图如图2所示。

图2 运动目标跟踪流程图

通过从图像时序序列中获得目标检测区域,提取目标特征进行建模,利用匹配算法对前景目标进行匹配,利用特征数据之间的对应关系,实现目标的锁定和跟踪。

本文主要是利用Camshift算法实现运动目标的跟踪效果。算法的核心内容在目标质心的定位寻找和窗口的自适应。根据设定运动目标区域,计算窗口的零阶矩和一阶矩,并计算该窗口的质心坐标。利用尺度自适应函数的设定完成搜索场景的调整,对质心的距离加以判断,设定迭代次数阈值T,若连续图像的搜索次数均大于T,则可以判断出跟踪目标被遮挡或离开视频监控区域。

但是该方法对于目标的跟踪不能实现自动跟踪,需要人为设置窗口。图像颜色的选择容易受到背景的干扰,搜索窗口中的颜色同样存在背景影响等问题。针对上述问题,对传统算法进行改进。

(1) 通过前文中的图像处理,可以实现对于监控区域前后景图像的划分。根据形态学处理,可以获得待检测目标图形,使用目标的外切矩形作为目标追踪的窗口图形。

(2) 在颜色直方图的设定过程中,由于背景噪声颜色会对其产生干扰,因此需要对其进行加权处理,表达式为

(14)

式中,δ为delta函数,b(xi)为色度值函数,用于判断xi的色度值与第u个bin的关系。xr代表颜色位于目标中心区域位置,xb代表位于边缘位置。β为权重系数,加权处理后的图像对于目标边缘位置的颜色影响可以忽略。

(3) 当背景颜色与目标颜色接近时,出现的搜索区域变大和搜索质心移位,并进而丢失目标的情况。需要对于目标窗口的尺寸、质心位置和移动向量等进行记录,根据移动过程中的速度和加速度情况进行下一帧图像预测。

预测质心出现的坐标表达式为

(15)

式中,V代表质点的移动速度,a代表质点的移动加速度。

目标的相似度利用巴氏系数加以描述,表示为

(16)

式中,p(y)为候选目标颜色分布,q为模型目标的颜色分布,ρ为模型巴氏系数。

(4) 当目标出现遮挡的情况,利用Kalman滤波器对目标模型位置加以预测,算法从预测点开始继续搜索,实现目标追踪。

经过上述几个步骤的改进后,算法的流程如图3所示。

图3 改进算法流程图

3 实验结果与数据分析

3.1 实验参数

为了验证本文模型的有效性,利用个人电脑对其进行验证。电脑配置为CPU:i7-4790k,内存8G,系统环境为Windows 7,利用MATLAB 2018b对进行数据对比。

图像数据来自施工现场的拍摄视频,比较不同情况的图像效果以及目标跟踪情况。

3.2 图像降噪效果对比

模型中的相关系数阈值取0.7,运动估计阈值取0.1,利用多组图像取平均值,进行PSNR数据对比。不同算法对比结果如表1所示。

表1 不同降噪方法的PSNR值

由表1中的图像处理效果可以知道,利用上述方法均可以降低工程现场中的噪声干扰,提高图像质量。但是本文算法的PSNR值效果更为明显,相比其他算法的图像质量,均有不同程度的提高。利用本文方法处理的图像效果如图4所示。

(a) 噪声图像

3.3 目标跟踪效果

在相同的情况下,将本文算法与经典算法进行对比。

(1) 背景干扰对比

为了证明本文算法对于背景干扰的处理能力,在存在背景颜色与目标颜色相近的情况下,进行不同算法的数据对比,对比结果如表2所示。

表2 干扰情况下的算法对比

从表2可以看到,经典的Camshift算法在目标跟踪过程中出现了明显的误判,将背景中的颜色区域误认为目标,从而出现了窗口尺寸大幅变化的情况,而本文算法的窗口基本不变,说明没有受到背景干扰的影响。对比图像质心的变化,也同样能够发现,经典方法在处理过程中出现了质心大幅偏离的现象。本文方法的质心一直与实际质心一致,说明本文方法有效。

(2) 目标遮挡情况对比

当目标的运动过程中出现了遮挡的情况时,图像对比结果如图5所示。

(a) Camshaft 算法处理结果

从图5可以看到,在出现图像遮挡的情况下,经典算法中由于获取目标的特征颜色信息丢失,只能通过跟踪窗口的增大来提高搜索范围,而目标再次出现以后,由于无法进行准确定位,从而跟踪失败。

本文算法中,在相同的情况下,尽管出现了跟踪目标被遮挡的情况,但此时利用Kalman滤波器,对于目标的移动进行预测,并进而将窗口位置进行调整,在目标再次出现时,顺利完成目标的继续跟踪任务,说明本文算法相比传统算法,效果更好。

3.4 多目标跟踪情况

对于多目标的场景进行跟踪情况测试,验证本文算法的多目标跟踪能力。实验结果如图6所示。

图6 多目标跟踪效果图

从图6可以看到,对于多目标跟踪,尽管不同目标间依然出现了遮挡情况,但是本文算法依然准确完成了目标的实时跟踪任务,未发生目标丢失情况。

在跟踪目标数量不同的情况下,本文算法的平均时间还是有所不同的,对比结果如图7所示。

图7 目标数量与时间关系

从图8可以看到,本文的改进算法在进行目标跟踪的过程中,消耗时间随着跟踪目标数量的增多而增大,这与算法的工作量增大有关。需要提高处理器的工作效率来降低时间损耗。

4 总结

本文主要研究了在电力现场的视频监控算法,利用时域分析,对Camshift算法进行改进,降低图像噪声,并利用区域加权的方式减少目标窗口边缘信息对于目标跟踪的影响,结合Kalman滤波器,有效实现目标路径预测,从而在目标出现遮挡问题或者与背景颜色接近的情况下依然能够有效实现目标跟踪。通过与经典Camshift算法的对比,本文算法较好地完成了目标识别和目标跟踪的任务,可以适用于电力工程现场的视频监控。