买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网安徽省电力有限公司铜陵供电公司;安徽南瑞继远电网技术有限公司

摘要：本发明公开了基于KCF的实时刀闸状态跟踪方法，包括以下步骤：步骤一，当前帧图像初始化确定目标区域；步骤二，对所述当前帧图像提取HOG特征；步骤三，移动所述目标区域的窗口生成样本图像；步骤四，利用所述样本图像训练脊回归分类器；步骤五，利用所述脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置，重复步骤二至步骤五；步骤六，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。本发明还提出基于KCF的实时刀闸状态跟踪系统。本发明基于KCF算法对刀闸监控视频进行目标定位跟踪，实时获取视频中刀闸的状态大大降低了运算量，提高了运算速度，使算法满足实时性要求。

主权项：1.基于KCF的实时刀闸状态跟踪方法，其特征在于，包括以下步骤：步骤一，对当前帧图像初始化确定目标区域；步骤二，对所述当前帧图像提取HOG特征；步骤三，移动所述目标区域的窗口生成样本图像；步骤四，利用所述样本图像训练脊回归分类器；步骤五，利用所述脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置，重复步骤二至步骤五；步骤六，对相邻帧图像的刀闸位置进行判断，实现状态跟踪；所述对所述当前帧图像提取HOG特征，具体包括：对图像进行灰度化处理形成灰度图像；对所述灰度图像进行校正形成校正图像；计算所述校正图像中每个像素的水平方向和竖直方向的梯度，获取每个像素位置的梯度幅值和方向；将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；将相邻的四个细胞单元的特征向量串联起来构成该块的梯度方向直方图；将所有块的特征向量串联起来构成该图像的HOG特征；所述将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；具体为：将所述校正图像划分成细胞单元，将梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影。

全文数据：基于KCF的实时刀闸状态跟踪方法及系统技术领域本发明涉及电力输电技术领域，尤其涉及基于KCF的实时刀闸状态跟踪方法及系统。背景技术在电力系统中，大电流电路的接通与断开是由刀闸控制的，刀闸是电力输电变送线路中主要的通断控制器件，对其状态的识别是线路巡检中的一项重要工作。常规的方法是派遣操作人员实地观察，由于变电站的距离、分布以及数量等因素，此方法费时费力、效率低下，而且在特定情况下，高压开关柜内部的状态指示系统无法直观、正确地显示刀闸的实际状态，这就需要措施能够对刀闸状态进行直接识别，避免中间步骤出现差错而造成状态识别错误。一些研究人员通过在普通刀闸上加装感知单位，来实现刀闸状态的智能识别。通过感知单位对状态的识别较为准确，但这种加装方式也造成了安装复杂度和设备运维成本提升，不适应大范围的应用。发明内容针对上述现有技术存在不足，本发明提供基于KCF的实时刀闸状态跟踪方法及系统，基于KCF算法（KernelCorrelationFilter，核相关滤波算法）对刀闸监控视频进行目标定位跟踪，实时获取视频中刀闸的状态，便捷高效，大大降低了线路巡检过程中的人力成本。本发明采用的技术方案为：基于KCF的实时刀闸状态跟踪方法，包括以下步骤：步骤一，对当前帧图像初始化确定目标区域；步骤二，对所述当前帧图像提取HOG特征；步骤三，移动所述目标区域的窗口生成样本图像；步骤四，利用所述样本图像训练脊回归分类器；步骤五，利用所述脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置，重复步骤二至步骤五；步骤六，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。作为本发明的进一步的技术方案为：所述对当前帧图像初始化确定目标区域；具体为：利用刀闸的图形特征对当前帧图像初始化并确定目标区域。作为本发明的进一步的技术方案为：所述对所述当前帧图像提取HOG特征，具体包括：对图像进行灰度化处理形成灰度图像；对所述灰度图像进行校正形成校正图像；计算所述校正图像中每个像素的水平方向和竖直方向的梯度，获取每个像素位置的梯度幅值和方向；将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；将相邻的四个细胞单元的特征向量串联起来构成该块的梯度方向直方图；将所有块的特征向量串联起来构成该图像的HOG特征。作为本发明的进一步的技术方案为：所述对所述灰度图像进行校正形成校正图像；具体包括：对所述灰度图像进行Gamma校正形成校正图像。进一步的：所述对所述灰度图像进行Gamma校正形成校正图像中的校正因子为0.5。作为本发明的进一步的技术方案为：所述将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；具体为：将所述校正图像划分成细胞单元，将梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影。作为本发明的进一步的技术方案为：所述对所述目标区域的窗口进行移动生成样本图像；具体为：对目标区域窗口向上、下、左、右四个方向分别移动不同的像素生成多幅样本图像，并利用循环矩阵对移动操作进行加速处理。作为本发明的进一步的技术方案为：所述利用所述样本图像训练脊回归分类器，具体为：设训练样本集，得到训练样本集的线性回归函数；计算复共轭转置矩阵；获取非线性映射函数,使映射后的样本在新空间中线性可分；在新空间中使用脊回归获得脊回归分类器。作为本发明的进一步的技术方案为：所述对相邻帧图像的刀闸位置进行判断，实现状态跟踪；具体为：当相邻帧图像刀闸位置变化小于阈值时即可判断刀闸动作完成，实现状态跟踪。本发明还提出一种基于KCF的实时刀闸状态跟踪系统，包括：目标区域确定单元，对当前帧图像初始化确定目标区域；HOG特征提取单元，对当前帧图像提取HOG特征；样本生成单元，移动目标区域的窗口生成样本图像；脊回归分类器，利用样本图像训练脊回归分类器；新目标区域生成单元，利用脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置；判断单元，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。本发明的有益效果：本系统基于KCF算法对刀闸监控视频进行目标定位跟踪，实时获取视频中刀闸的状态，算法中使用循环矩阵对样本进行采集，把图像向上、向下分别移动不同的像素得到新的样本图像，增加了训练样本的数量，然后用这些样本基于脊回归去训练一个目标检测器，判断跟踪结果是目标还是背景。算法利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量点积，大大降低了运算量，提高了运算速度，使算法满足实时性要求。便捷高效，大大降低了线路巡检过程中的人力成本。附图说明图1为本发明提出的基于KCF的实时刀闸状态跟踪方法流程图；图2为本发明提出的所述对当前帧图像提取HOG特征的方法流程图；图3为本发明提出的基于KCF的实时刀闸状态跟踪系统结构图。具体实施方式本发明实施例提供了基于KCF的实时刀闸状态跟踪方法，KCF（KernelCorrelationFilter，核相关滤波算法）对刀闸监控视频进行目标定位跟踪，实时获取视频中刀闸的状态，便捷高效，大大降低了线路巡检过程中的人力成本。本发明提供的技术方案总体思路如下：基于KCF的实时刀闸状态跟踪方法，算法中使用循环矩阵对样本进行采集，把图像向上、向下分别移动不同的像素得到新的样本图像，增加了训练样本的数量，然后用这些样本基于脊回归去训练一个目标检测器，判断跟踪结果是目标还是背景。算法利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量点积，大大降低了运算量，提高了运算速度，使算法满足实时性要求。以上是本申请的核心思想，为了使本技术领域的人员更好地理解本申请方案，下面结合附图对本申请作进一步的详细说明。应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。实施例一如图1所示，为本发明提出的基于KCF的实时刀闸状态跟踪方法流程图。参照图1，基于KCF的实时刀闸状态跟踪方法，包括以下步骤：步骤101，对当前帧图像初始化确定目标区域；步骤102，对当前帧图像提取HOG特征（HistogramofOrientedGradient，方向梯度直方图）；步骤103，移动目标区域窗口生成样本图像；步骤104，利用样本图像训练脊回归分类器；步骤105，利用脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置，重复步骤102至步骤105；步骤106，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。本系统基于KCF算法对刀闸监控视频进行目标定位跟踪，实时获取视频中刀闸的状态，算法中使用循环矩阵对样本进行采集，把图像向上、向下分别移动不同的像素得到新的样本图像，增加了训练样本的数量，然后用这些样本基于脊回归去训练一个目标检测器，判断跟踪结果是目标还是背景。算法利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量点积，大大降低了运算量，提高了运算速度，使算法满足实时性要求。便捷高效，大大降低了线路巡检过程中的人力成本。在上述步骤101中，对当前帧图像初始化确定目标区域；具体为：利用刀闸的图形特征对当前帧图像初始化并确定目标区域。刀闸的图形特征包括刀闸的开合角度、直线型图像等表示刀闸状态的特征图像，该特征图像预先存储在系统中，作为刀闸目标区域确定的判断依据。参见图2，为本发明提出的所述对当前帧图像提取HOG特征的方法流程图；如图2所示，对当前帧图像提取HOG特征，具体包括：步骤121，对图像进行灰度化处理形成灰度图像；步骤122，对灰度图像进行校正形成校正图像；步骤123，计算校正图像中每个像素的水平方向和竖直方向的梯度，获取每个像素位置的梯度幅值和方向；步骤124，将校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；步骤125，将相邻的四个细胞单元的特征向量串联起来构成该块的梯度方向直方图；步骤126，将所有块的特征向量串联起来构成该图像的HOG特征。在上述步骤122中，对灰度图像进行校正形成校正图像；具体包括：对灰度图像进行Gamma校正形成校正图像。其中，对灰度图像进行Gamma校正形成校正图像中的校正因子为0.5。在上述步骤124中，将校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；具体为：将校正图像划分成细胞单元，将梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影。HOG特征是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符，HOG特征的提取主要分为六步，首先对图像进行灰度化处理；然后为了避免光照的影响对灰度图像进行Gamma校正，公式为：；其中Fx,y为原始灰度图像，Gx,y为校正后的图像，γ为校正因子，一般取0.5；接下来根据公式计算每个像素的水平方向和竖直方向的梯度，并计算每个像素位置的梯度大小和方向。图像在像素x,y处的水平方向和垂直方向的梯度为：；像素（x,y）处的梯度幅值和梯度方向为：；随后将图像划分成小的细胞单元（cell），将梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影；然后将一个块（block）内四个cell的特征向量串联起来就构成了该块的梯度方向直方图；最后将所有块的特征向量串联起来就构成了该图像的HOG特征。在步骤103中，所述对目标区域窗口移动生成样本图像；具体为：对目标区域窗口向上、下、左、右四个方向分别移动不同的像素生成多幅样本图像，并利用循环矩阵对移动操作进行加速处理。在步骤104中，所述利用样本图像训练脊回归分类器，具体为：设训练样本集，得到训练样本集的线性回归函数；计算复共轭转置矩阵；获取非线性映射函数,使映射后的样本在新空间中线性可分；在新空间中使用脊回归获得脊回归分类器。本发明实施例中，利用样本图像训练脊回归分类器，设训练样本集,那么其线性回归函数：；其中是权重系数，可通过最小二乘法求解：；其中用于保证分类器的泛化性能，其矩阵形式为：；其中，；X每一行表示一个向量，y是列向量，每个元素对应一个样本的标签，于是令其导数为0，可求得：，复数域形式即为；其中表示复共轭转置矩阵。由于训练样本是由目标样本循环位移得到的，因此为一循环矩阵，所有的循环矩阵都能够在傅氏空间中使用离散傅里叶矩阵进行对角化，其中F是离散傅里叶矩阵，是常量；将；代入脊回归公式得到；因为；对上式两边同时傅氏变换得；于是；即。实际上许多情况下需要解决的是非线性问题，但非线性计算起来复杂度高，为简化运算，需找一个非线性映射函数,使映射后的样本在新空间中线性可分，那么在新空间中就可以使用脊回归来寻找一个分类器,所以这时候得到的权重系数为；w是行向量张成的空间中的一个向量，所以可以令；上式变为；该问题称为w的对偶问题，令其关于列向量导数为0，。对于核方法，一般不知道非线性映射函数的具体形式，而只是刻画在核空间的核矩阵，令K表示核空间的核矩阵，那么；于是；。通过上述脊回归分类器可以对下一帧图像进行预测，然后对下一帧图像进行上述确定新目标区域，获取样本图像，从而得到系列帧图像，通过对相邻帧图像的刀闸位置判断实现状态跟踪。其中当相邻帧图像刀闸位置变化小于阈值时即可判断刀闸动作完成。实施例二基于与前述实施例中基于KCF的实时刀闸状态跟踪方法同样的发明构思，本发明还提供基于KCF的实时刀闸状态跟踪系统。参见图3，为本发明提出的基于KCF的实时刀闸状态跟踪系统结构图。如图3所示，一种基于KCF的实时刀闸状态跟踪系统，包括：目标区域确定单元201，对当前帧图像初始化确定目标区域；HOG特征提取单元202，对当前帧图像提取HOG特征；样本生成单元203，移动目标区域的窗口生成样本图像；脊回归分类器204，利用样本图像训练脊回归分类器；新目标区域生成单元205，利用脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置；判断单元206，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。实施例一中的基于KCF的实时刀闸状态跟踪方法的各种变化方式和具体实例同样适用于本实施例的基于KCF的实时刀闸状态跟踪系统，通过前述对基于KCF的实时刀闸状态跟踪方法的详细描述，本领域技术人员可以清楚的知道本实施例中基于KCF的实时刀闸状态跟踪系统的实施方法，所以为了说明书的简洁，在此不再详述。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

权利要求：1.基于KCF的实时刀闸状态跟踪方法，其特征在于，包括以下步骤：步骤一，对当前帧图像初始化确定目标区域；步骤二，对所述当前帧图像提取HOG特征；步骤三，移动所述目标区域的窗口生成样本图像；步骤四，利用所述样本图像训练脊回归分类器；步骤五，利用所述脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置，重复步骤二至步骤五；步骤六，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。2.根据权利要求1所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对当前帧图像初始化确定目标区域；具体为：利用刀闸的图形特征对当前帧图像初始化并确定目标区域。3.根据权利要求1所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对所述当前帧图像提取HOG特征，具体包括：对图像进行灰度化处理形成灰度图像；对所述灰度图像进行校正形成校正图像；计算所述校正图像中每个像素的水平方向和竖直方向的梯度，获取每个像素位置的梯度幅值和方向；将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；将相邻的四个细胞单元的特征向量串联起来构成该块的梯度方向直方图；将所有块的特征向量串联起来构成该图像的HOG特征。4.根据权利要求3所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对所述灰度图像进行校正形成校正图像；具体包括：对所述灰度图像进行Gamma校正形成校正图像。5.根据权利要求4所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对所述灰度图像进行Gamma校正形成校正图像中的校正因子为0.5。6.根据权利要求3所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述将所述校正图像划分成细胞单元，将梯度方向映射到一定范围内，将像素的梯度幅值作为权值进行投影；具体为：将所述校正图像划分成细胞单元，将梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影。7.根据权利要求3所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对所述目标区域的窗口进行移动生成样本图像；具体为：对目标区域窗口向上、下、左、右四个方向分别移动不同的像素生成多幅样本图像，并利用循环矩阵对移动操作进行加速处理。8.根据权利要求1所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述利用所述样本图像训练脊回归分类器，具体为：设训练样本集，得到训练样本集的线性回归函数；计算复共轭转置矩阵；获取非线性映射函数,使映射后的样本在新空间中线性可分；在新空间中使用脊回归获得脊回归分类器。9.根据权利要求1所述的基于KCF的实时刀闸状态跟踪方法，其特征在于，所述对相邻帧图像的刀闸位置进行判断，实现状态跟踪；具体为：当相邻帧图像刀闸位置变化小于阈值时即可判断刀闸动作完成，实现状态跟踪。10.根据权利要求1-9中任一所述的方法提出一种基于KCF的实时刀闸状态跟踪系统，其特征在于，包括：目标区域确定单元，对当前帧图像初始化确定目标区域；HOG特征提取单元，对当前帧图像提取HOG特征；样本生成单元，移动目标区域的窗口生成样本图像；脊回归分类器，利用样本图像训练脊回归分类器；新目标区域生成单元，利用脊回归分类器预测下一帧图像，生成新目标区域，获取当前帧图像的刀闸位置；判断单元，对相邻帧图像的刀闸位置进行判断，实现状态跟踪。

百度查询： 国网安徽省电力有限公司铜陵供电公司 安徽南瑞继远电网技术有限公司 基于KCF的实时刀闸状态跟踪方法及系统