智能电网是目前国家对电网发展的主导方向,智能体现在生产的各个相关方面,其中包括智能安全预警。安全是电力生产的前提,目前仅仅依靠人为监督生产的机制,往往对异常事件反应滞后。为扭转这种局面,本文将使用计算机视觉手段对电力生产中异常人体行为进行研究。本文对异常行为识别过程中的关键技术进行探讨和研究,包括运动前景提取、目标识别、目标跟踪及行为识别分类。人体行为运动前景提取包括对图像序列提取处理,去除运动背景,获取人体目标及其随身物品的运动信息。本文首先使用对称帧差法和背景减除法,结合背景更新策略,把二者的结果做“或”运算得到时序分割的结果；然后对时序前景区域使用改进的活动轮廓模型完善前景的边界信息。本文针对传统活动轮廓模型的分割速度慢和对边界分割的空洞问题做出了改进,对于同质区域内分割时赋予高权值的加速因子,为避免加速分割的同时造成边界的空洞,又引入了弱边界牵引力。在图像预处理后期依据HSV阴影模型,使用高斯分布对潜在的阴影噪声消除。尺度不变特征转换算法能够很好地解决模板匹配过程中的目标旋转与缩放影响,缺点是实时性不够。在目标识别和跟踪阶段,本文对尺度不变特征转换算法的描述符选择重新定义,越靠近特征点的特征子向量分配的权值越高,并采用了折半筛选策略搜寻匹配的特征向量,优化目标匹配的实时性和准确性。考虑到工作人员身上丰富的颜色特征如安全帽,工作服等,同时颜色特征在跟踪过程中容易受光照影响效果,本文把颜色特征和梯度直方图特征引入粒子滤波跟踪。首先把RGB颜色的三个分量分别量化至不同的灰度级,并作归一化处理；然后使用中心正交梯度描述子,按分块构造梯度直方图。梯度特征描述正好弥补了颜色特征对形状特征的表征缺失。针对本文研究的电力生产中人体异常行为,如摔倒,拳击,摘帽、撑伞和脱工作服等行为,本文构思了相应的人体轮廓几何模型,模型包括人体质心坐标、最小外接矩形、外接矩形密度、倾斜角度、外接矩形长宽比及其变化率、子外接矩形宽度及其变化率、质心与特定物体距离等信息。通过数学推导,求解以上模型信息后,对异常行为分类做出了标准,然后在支持向量机的基础上,根据训练样本的轮廓几何信息构造分类器,对实际发生的进行估计分类。