1.本发明涉及目标识别的技术领域，更具体地，涉及一种识别移动小动物的方法。
背景技术：2.变电站的正常运行影响着社会的正常运作，当变电站设备出现跳闸或故障，将对电网安全稳定运行及供电可靠性造成极大的影响。近年来，小动物进入变电站导致设备发生跳闸等事故时有发生，甚至造成电网大面积停电，因此，防止小动物进入变电站是一项长期的工作，必须采取一定措施预防小动物进入变电站。随着网络信息技术的飞速发展，变电站防小动物工作也越来越智能化，变电站的视频监控系统也很完善，对视频监控进行目标检测至关重要，识别出进入变电站的小动物，以便对其进行驱赶，极大提高防小动物工作的效率。但是由于小动物的体积不大，且受光照变化、雨雪天气等环境因素的影响，主流的目标识别算法常常无法准确识别出监控摄像头拍摄到的小动物，并且识别速度不够快。
3.现有技术公开了一种基于多线程在复杂高动态环境中快速更新背景和前景的方法，采用像素到模型的思想，将单个像素点用一系列基于压缩感知的局部描述器特征表示，并用点到类的距离来衡量像素是否为前景点；同时，在进行背景模型更新的时候，也使用了点到类的距离来对局部描述器构成的模型平滑而有效地进行更新，从而使得背景建模和前景检测无论在室内还是室外的复杂环境，都有着快速而高效的性能；能实时、准确地更新背景，适应各种复杂环境，有效提高前景检测的准确性和适应性，但是由于小动物的体积不大，用于移动的小动物的识别时，难以得到运动的小动物的完整图像，无法快速判断运动目标是否为小动物。
技术实现要素：4.本发明的目的在于克服现有技术的不足，提供一种识别移动小动物的方法，可快速有效识别出移动小动物并进行报警，预防小动物进入变电站。
5.为解决上述技术问题，本发明采用的技术方案是：
6.提供一种识别移动小动物的方法，其特征在于，包括以下步骤：
7.s1：通过变电站的监控摄像头拍摄到的视频数据，使用混合高斯背景建模法，建立背景模型；
8.s2：获取当前帧，使用背景减法，将当前帧与背景模型相匹配，得到二值图像r
n’；
9.s3：对所述二值图像r
n’进行连通性分析，得到含有完整运动目标的图像rn，同时得到图像rn中运动目标的外接矩形；
10.s4：对外接矩形进行阈值判断，确定运动目标是否为小动物。
11.本发明的识别移动小动物的方法，通过变电站的监控摄像头拍摄到的视频数据，并使用混合高斯背景建模法建立背景模型，混合高斯背景建模法不仅对复杂场景的适应强，而且背景图像参数可以进行自适应更新，能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等；通过背景减法得到二值图像，并通过连通性分析对二值图像进
行去噪，得到含有完整运动目标的图像，并得到其中运动目标的外接矩形，对外接矩形的面积进行阈值判断，由于小动物体积小，简单通过判断运动目标的面积，可以有效判断出运动目标是否为小动物，提高了变电站对入侵的小动物的实时监控识别的效率和可靠性，并在监测到小动物时报警通知工作人员驱赶小动物，预防小动物进入变电站。
12.优选地，步骤s1中，监控摄像头是固定的，监控摄像头不可自动旋转移动，监控场景稳定，背景的变化是缓慢的；利用监控摄像头拍摄的图像，使用混合高斯背景建模法，对背景图像参数进行自适应更新。
13.优选地，步骤s1中，使用混合高斯背景建模法构建背景模型时，背景图像中的每一个像素分别用由q个高斯分布构成的混合高斯模型来建模：
[0014][0015][0016]
式中，p是背景模型，i是输入的像素，n是混合高斯模型，ωq是混合高斯模型中第q个高斯分布的权值，μq是混合高斯模型中第q个高斯分布的均值，是混合高斯模型中第q个高斯分布的方差。
[0017]
利用监控摄像头拍摄的图像，使用混合高斯背景建模法，混合高斯背景建模法不仅对复杂场景的适应强，而且能通过自动计算的模型参数来对背景模型调整，对背景图像参数进行自适应更新，该方法能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。
[0018]
优选地，步骤s1中，背景模型建模时，先进行初始化：选择高斯分布的个数q和学习率α，输入第一帧图像，对每个像素i(1)，分别初始化q个均值μq＝i(1)，方差为的高斯函数，对应的权重分别为ωq＝1/q(q＝1,2,
…
,q)。
[0019]
优选地，初始化后，判断图像中像素与q个高斯分布是否匹配：获取第k帧图像，像素为i(k)，若|i(k)-μq(k-1)|《2.5σq(k-1)，则像素i(k)与第q个高斯分布匹配，其中，μq(k-1)、σq(k-1)分别是第q个高斯分布在第(k-1)帧的均值和方差；
[0020]
可根据来判断与高斯分布的匹配程度，越小，匹配程度越高，则与像素i(k)最匹配的高斯分布为第l个高斯分布：
[0021][0022]
优选地，可对高斯分布进行更新：若可找到与像素最匹配的高斯分布，更新权值ωq(k)：
[0023][0024]
更新完成后对所有权值重新做归一化；
[0025]
对第l个高斯分布的均值和方差更新，得到更新后的均值μ
l
(k)和方差分别为：
[0026]
μ
l
(k)＝(1-ρ)μ
l
(k-1)+ρi(k)
[0027][0028][0029]
式中，ρ为参数学习速率；
[0030]
若没有高斯分布与像素匹配，将第p个高斯分布丢弃，其中，
[0031]
p＝argminq(ωq)
[0032]
用一个新的高斯分布代替第p个高斯分布，新的高斯分布的均值μ
p
(k)、方差和权值ω
p
分别为：
[0033]
μ
p
(k)＝i(k)
[0034][0035]
ω
p
＝0.5minq{ω
p
(k-1)}
[0036]
将所有图像的像素都处理完毕。
[0037]
优选地，确定背景模型：将q个高斯分布按照的值从小到大排序，选取排序序列中前b个高斯分布作为背景像素模型，b为排序靠前的高斯分布的权值之和大于t所需的最少高斯分布个数：
[0038][0039]
0.5≤t≤1
[0040]
式中，t为预置的阈值；选取从选取出来的前b个高斯分布中最大的高斯分布作为背景帧。
[0041]
优选地，步骤s2中，得到二值图像r
n’的具体过程为：获取当前帧fn，背景帧和当前帧对应的像素点(x,y)的像素值分别记为b(x,y)和fn(x,y)，将背景帧与当前帧对应像素点的像素值进行相减并取绝对值，得到差分图像dn：
[0042]dn
(x,y)＝|fn(x,y)-b(x,y)|
[0043]
设定阈值t，逐个对像素点进行二值化处理，得到二值图像rn′
，其中，灰度值为255的点为前景点，灰度值为0的点为背景点：
[0044][0045]
优选地，步骤s3中，外接矩形为可将运动目标全部包括的最小矩形，外接矩形在视频图像中显示出，以使外接矩形的面积尽可能接近运动目标的面积，使测量结果更准确。
[0046]
优选地，步骤s4中，由于小动物体积小，小动物被监控摄像头拍摄得到的图像面积小，若外接矩形的面积小于设定阈值s，则判定运动目标为小动物，同时触发报警系统；若外接矩形的面积不小于设定阈值s，则判定运动目标不是小动物，不触发报警系统。
[0047]
本发明的与背景技术相比，产生的有益效果为：
[0048]
通过变电站的监控摄像头拍摄到的视频数据，并使用混合高斯背景建模法建立背景模型，混合高斯背景建模法不仅对复杂场景的适应强，而且背景图像参数可以进行自适应更新，能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等；通过背景减法得到二值图像，并通过连通性分析对二值图像进行去噪，得到含有完整运动目标的图像，并得到其中运动目标的外接矩形，对外接矩形的面积进行阈值判断，由于小动物体积小，简单通过判断运动目标的面积，可以有效判断出运动目标是否为小动物，提高了变电站对入侵的小动物的实时监控识别的效率和可靠性，并在监测到小动物时报警通知工作人员驱赶小动物，预防小动物进入变电站。
附图说明
[0049]
图1为本发明实施例中识别移动小动物的方法的流程图；
[0050]
图2为本发明实施例中建立背景模型的流程图；
[0051]
图3为本发明实施例中外接矩形的阈值判断流程图。
具体实施方式
[0052]
下面结合具体实施方式对本发明作进一步的说明。
[0053]
实施例一
[0054]
如图1所示，一种识别移动小动物的方法，包括以下步骤：
[0055]
s1：通过变电站的监控摄像头拍摄到的视频数据，使用混合高斯背景建模法，建立背景模型；
[0056]
s2：获取当前帧，使用背景减法，将当前帧与背景模型相匹配，得到二值图像r
n’；
[0057]
s3：对所述二值图像r
n’进行连通性分析，得到含有完整运动目标的图像rn，同时得到图像rn中运动目标的外接矩形；
[0058]
s4：对外接矩形进行阈值判断，确定运动目标是否为小动物。
[0059]
上述的识别移动小动物的方法，通过变电站的监控摄像头拍摄到的视频数据，并使用混合高斯背景建模法建立背景模型，混合高斯背景建模法不仅对复杂场景的适应强，而且背景图像参数可以进行自适应更新，能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等；通过背景减法得到二值图像，并通过连通性分析对二值图像进行去噪，得到含有完整运动目标的图像，并得到其中运动目标的外接矩形，对外接矩形的面积进行阈值判断，由于小动物体积小，简单通过判断运动目标的面积，可以有效判断出运动目标是否为小动物，提高了变电站对入侵的小动物的实时监控识别的效率和可靠性，并在监测到小动物时报警通知工作人员驱赶小动物，预防小动物进入变电站。
[0060]
步骤s1中，通过变电站的监控摄像头拍摄到视频数据，监控摄像头是固定的，监控摄像头不可自动旋转移动，使监控场景稳定，背景的变化是缓慢的。
[0061]
使用混合高斯背景建模法构建背景模型时，背景图像中的每一个像素分别用由q个高斯分布构成的混合高斯模型来建模：
[0062][0063][0064]
式中，p是背景模型，i是输入的像素，n是混合高斯模型，ωq是混合高斯模型中第q个高斯分布的权值，μq是混合高斯模型中第q个高斯分布的均值，是混合高斯模型中第q个高斯分布的方差。
[0065]
利用监控摄像头拍摄的图像，使用混合高斯背景建模法，混合高斯背景建模法不仅对复杂场景的适应强，而且能通过自动计算的模型参数来对背景模型调整，对背景图像参数进行自适应更新，该方法能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。
[0066]
实施例二
[0067]
本实施例与实施例一类似，所不同之处在于，步骤s1中，如图2所示，背景模型建模时，先进行初始化：选择高斯分布的个数q＝3和学习率α＝0.1，输入第一帧图像，对每个像素i(1)，分别初始化q个均值μq＝i(1)，方差为的高斯函数，对应的权重分别为ωq＝1/q(q＝1,2,
…
,q)。
[0068]
初始化后，判断图像中像素与q个高斯分布是否匹配：获取第10帧图像，像素为i(10)，查看像素与q个高斯分布是否匹配，如有多个匹配，从中选择最好的一个。
[0069]
若：
[0070]
|i(10)-μ1(9)|《2.5σ1(9)
[0071]
则像素i(k)与第1个高斯分布匹配，其中，μq(9)、σq(9)分别是第1个高斯分布在第9帧的均值和方差；可根据来判断与高斯分布的匹配程度，k表示帧数，越小，匹配程度越高，当与像素i(k)最匹配的高斯分布为第1个高斯分布时：
[0072][0073]
可对高斯分布进行更新：若可找到与像素最匹配的高斯分布，更新权值ωq(k)：
[0074]
ω1(k)＝ω1(k-1)
[0075]
更新完后对所有权值重新做归一化；
[0076]
对第1个高斯分布的均值和方差更新，得到更新后的均值μ1(k)和方差分别为：
[0077]
μ1(k)＝(1-ρ)μ1(k-1)+ρi(k)
[0078][0079][0080]
式中，ρ为参数学习速率；
[0081]
若没有高斯分布与像素匹配，将第p个高斯分布丢弃，其中，
[0082]
p＝argminq(ωq)
[0083]
用一个新的高斯分布代替第p个高斯分布，新的高斯分布的均值μ
p
(k)、方差和权值ω
p
分别为：
[0084]
μ
p
(k)＝i(k)
[0085][0086]
ω
p
＝0.5minq{ω
p
(k-1)}
[0087]
判断是否所有图像的像素都处理完毕，若是，进行背景模型的确认，若否，继续判断下一个像素与q个高斯分布是否匹配。本实施例中，通过参数的自适应更新，能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。
[0088]
确定背景模型：将q个高斯分布按照的值从小到大排序，选取排序序列中前b个高斯分布作为背景像素模型：
[0089][0090]
选取从选取出来的前b个高斯分布中最大的高斯分布作为背景帧。
[0091]
实施例三
[0092]
本实施例与实施例二类似，所不同之处在于，步骤s2中，获取当前帧，使用背景减法，对像素点进行高斯背景模型匹配，如果该像素点能够匹配到其中一个高斯，则认为是背景点，否则认为是前景点。具体地，得到二值图像rn′
的具体过程为：获取当前帧fn，背景帧和当前帧对应的像素点(x,y)的像素值分别记为b(x,y)和fn(x,y)，将背景帧与当前帧对应像素点的像素值进行相减并取绝对值，得到差分图像dn：
[0093]dn
(x,y)＝|fn(x,y)-b(x,y)|
[0094]
设定阈值t＝20，逐个对像素点进行二值化处理，得到二值图像rn′
，其中，灰度值为255的点为前景点，灰度值为0的点为背景点：
[0095][0096]
通过在现有视频监控系统的基础上结合背景减法的方法，方法简单，且处理速度快。
[0097]
步骤s3中，外接矩形为可将运动目标全部包括的最小矩形，外接矩形在视频图像中显示出，以使外接矩形的面积尽可能接近运动目标的面积，使测量结果更准确。
[0098]
步骤s4中，如图3所示，由于小动物体积小，小动物被监控摄像头拍摄得到的图像面积小，设定阈值s＝400，若外接矩形的面积小于设定阈值s，则判定运动目标为小动物，同时触发报警系统，工作人员对小动物进行驱赶；若外接矩形的面积不小于设定阈值s，则判定运动目标不是小动物，不触发报警系统。
[0099]
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为
使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0100]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
技术特征：1.一种识别移动小动物的方法，其特征在于，包括以下步骤：s1：通过变电站的监控摄像头拍摄到的视频数据，使用混合高斯背景建模法，建立背景模型；s2：获取当前帧，使用背景减法，将当前帧与背景模型相匹配，得到二值图像r
n’；s3：对所述二值图像r
n’进行连通性分析，得到含有完整运动目标的图像r
n
，同时得到图像r
n
中运动目标的外接矩形；s4：对外接矩形进行阈值判断，确定运动目标是否为小动物。2.根据权利要求1所述的识别移动小动物的方法，其特征在于，步骤s1中，监控摄像头是固定的，监控摄像头不可自动旋转移动，监控场景稳定，背景的变化是缓慢的。3.根据权利要求1所述的识别移动小动物的方法，其特征在于，步骤s1中，使用混合高斯背景建模法构建背景模型时，背景图像中的每一个像素分别用由q个高斯分布构成的混合高斯模型来建模：合高斯模型来建模：式中，p是背景模型，i是输入的像素，n是混合高斯模型，ω
q
是混合高斯模型中第q个高斯分布的权值，μ
q
是混合高斯模型中第q个高斯分布的均值，是混合高斯模型中第q个高斯分布的方差。4.根据权利要求3所述的识别移动小动物的方法，其特征在于，步骤s1中，背景模型建模时，先进行初始化：选择高斯分布的个数q和学习率α，输入第一帧图像，对每个像素i(1)，分别初始化q个均值μ
q
＝i(1)，方差为的高斯函数，对应的权重分别为ω
q
＝1/q(q＝1,2,
…
,q)。5.根据权利要求4所述的识别移动小动物的方法，其特征在于，初始化后，判断图像中像素与q个高斯分布是否匹配：获取第k帧图像，像素为i(k)，若|i(k)-μ
q
(k-1)|<2.5σ
q
(k-1)，则像素i(k)与第q个高斯分布匹配，其中，μ
q
(k-1)、σ
q
(k-1)分别是第q个高斯分布在第(k-1)帧的均值和方差；可根据来判断与高斯分布的匹配程度，越小，匹配程度越高，则与像素i(k)最匹配的高斯分布为第l个高斯分布：6.根据权利要求5所述的识别移动小动物的方法，其特征在于，可对高斯分布进行更新：若可找到与像素最匹配的高斯分布，更新权值ω
q
(k)：更新完成后对所有权值重新做归一化；
对第l个高斯分布的均值和方差更新，得到更新后的均值μ
l
(k)和方差分别为：μ
l
(k)＝(1-ρ)μ
l
(k-1)+ρi(k)1)+ρi(k)式中，ρ为参数学习速率；若没有高斯分布与像素匹配，将第p个高斯分布丢弃，其中，p＝argmin
q
(ω
q
)用一个新的高斯分布代替第p个高斯分布，新的高斯分布的均值μ
p
(k)、方差和权值ω
p
分别为：μ
p
(k)＝i(k)ω
p
＝0.5min
q
{ω
p
(k-1)}将所有图像的像素都处理完毕。7.根据权利要求6所述的识别移动小动物的方法，其特征在于，确定背景模型：将q个高斯分布按照的值从小到大排序，选取排序序列中前b个高斯分布作为背景像素模型，b为排序靠前的高斯分布的权值之和大于t所需的最少高斯分布个数：式中，t为预置的阈值。8.根据权利要求7所述的识别移动小动物的方法，其特征在于，步骤s2中，得到二值图像r
n
，的具体过程为：获取当前帧f
n
，背景帧和当前帧对应的像素点(x,y)的像素值分别记为b(x,y)和f
n
(x,y)，将背景帧与当前帧对应像素点的像素值进行相减并取绝对值，得到差分图像d
n
：d
n
(x,y)＝|f
n
(x,y)-b(x,y)|设定阈值t，逐个对像素点进行二值化处理，得到二值图像r
n
′
，其中，灰度值为255的点为前景点，灰度值为0的点为背景点：9.根据权利要求1至8任一项所述的识别移动小动物的方法，其特征在于，步骤s3中，外接矩形为可将运动目标全部包括的最小矩形，外接矩形在视频图像中显示出。10.根据权利要求9所述的识别移动小动物的方法，其特征在于，步骤s4中，由于小动物体积小，小动物被监控摄像头拍摄得到的图像面积小，若外接矩形的面积小于设定阈值s，则判定运动目标为小动物，同时触发报警系统；若外接矩形的面积不小于设定阈值s，则判定运动目标不是小动物，不触发报警系统。
技术总结本发明涉及目标识别的技术领域，更具体地，涉及一种识别移动小动物的方法，通过变电站的监控摄像头拍摄到的视频数据，并使用混合高斯背景建模法建立背景模型，背景图像参数可以进行自适应更新，能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等；通过背景减法得到二值图像，并通过连通性分析对二值图像进行去噪，得到含有完整运动目标的图像，并得到其中运动目标的外接矩形，对外接矩形的面积进行阈值判断，由于小动物体积小，简单通过判断运动目标的面积，可以有效判断出运动目标是否为小动物，提高了变电站对入侵的小动物的实时监控识别的效率和可靠性，并在监测到小动物时报警通知工作人员驱赶小动物，预防小动物进入变电站。小动物进入变电站。小动物进入变电站。
技术研发人员：陈兆锋 谢若锋 魏炯辉 张智华 黄永平 薛峰 张鹏 刘贯科 陈泽鹏 李元佳 马旭冰 莫镇光 张裕 黄铜根 钟荣富 刘海涛 谭传明 姚俊钦 林志强 郑再添 刘文 周智明 莫其海
受保护的技术使用者：广东电网有限责任公司东莞供电局
技术研发日：2022.04.21
技术公布日：2022/7/5
