電力生產(chǎn)中異常人體行為識(shí)別的研究.pdf

1、智能電網(wǎng)是目前國(guó)家對(duì)電網(wǎng)發(fā)展的主導(dǎo)方向,智能體現(xiàn)在生產(chǎn)的各個(gè)相關(guān)方面,其中包括智能安全預(yù)警。安全是電力生產(chǎn)的前提,目前僅僅依靠人為監(jiān)督生產(chǎn)的機(jī)制,往往對(duì)異常事件反應(yīng)滯后。為扭轉(zhuǎn)這種局面,本文將使用計(jì)算機(jī)視覺(jué)手段對(duì)電力生產(chǎn)中異常人體行為進(jìn)行研究。
　　 本文對(duì)異常行為識(shí)別過(guò)程中的關(guān)鍵技術(shù)進(jìn)行探討和研究,包括運(yùn)動(dòng)前景提取、目標(biāo)識(shí)別、目標(biāo)跟蹤及行為識(shí)別分類。
　　 人體行為運(yùn)動(dòng)前景提取包括對(duì)圖像序列提取處理,去除運(yùn)動(dòng)背景,獲取

2、人體目標(biāo)及其隨身物品的運(yùn)動(dòng)信息。本文首先使用對(duì)稱幀差法和背景減除法,結(jié)合背景更新策略,把二者的結(jié)果做“或”運(yùn)算得到時(shí)序分割的結(jié)果;然后對(duì)時(shí)序前景區(qū)域使用改進(jìn)的活動(dòng)輪廓模型完善前景的邊界信息。本文針對(duì)傳統(tǒng)活動(dòng)輪廓模型的分割速度慢和對(duì)邊界分割的空洞問(wèn)題做出了改進(jìn),對(duì)于同質(zhì)區(qū)域內(nèi)分割時(shí)賦予高權(quán)值的加速因子,為避免加速分割的同時(shí)造成邊界的空洞,又引入了弱邊界牽引力。在圖像預(yù)處理后期依據(jù)HSV陰影模型,使用高斯分布對(duì)潛在的陰影噪聲消除。
　

3、　 尺度不變特征轉(zhuǎn)換算法能夠很好地解決模板匹配過(guò)程中的目標(biāo)旋轉(zhuǎn)與縮放影響,缺點(diǎn)是實(shí)時(shí)性不夠。在目標(biāo)識(shí)別和跟蹤階段,本文對(duì)尺度不變特征轉(zhuǎn)換算法的描述符選擇重新定義,越靠近特征點(diǎn)的特征子向量分配的權(quán)值越高,并采用了折半篩選策略搜尋匹配的特征向量,優(yōu)化目標(biāo)匹配的實(shí)時(shí)性和準(zhǔn)確性?？紤]到工作人員身上豐富的顏色特征如安全帽,工作服等,同時(shí)顏色特征在跟蹤過(guò)程中容易受光照影響效果,本文把顏色特征和梯度直方圖特征引入粒子濾波跟蹤。首先把RGB顏色的三個(gè)

4、分量分別量化至不同的灰度級(jí),并作歸一化處理;然后使用中心正交梯度描述子,按分塊構(gòu)造梯度直方圖。梯度特征描述正好彌補(bǔ)了顏色特征對(duì)形狀特征的表征缺失。
　　 針對(duì)本文研究的電力生產(chǎn)中人體異常行為,如摔倒,拳擊,摘帽、撐傘和脫工作服等行為,本文構(gòu)思了相應(yīng)的人體輪廓幾何模型,模型包括人體質(zhì)心坐標(biāo)、最小外接矩形、外接矩形密度、傾斜角度、外接矩形長(zhǎng)寬比及其變化率、子外接矩形寬度及其變化率、質(zhì)心與特定物體距離等信息。通過(guò)數(shù)學(xué)推導(dǎo),求解以上模型