当前变电站基站大都采用无人值守的方式,在变电站监控中心,对于关注目标的监控完全靠人工盯着,难免出现遗漏的情况,而且在发生事故后浏览视频查找问题时,需要耗费大量的时间,变电站监控视频的角度固定,而且我们比较关注行人的活动情况。在变电站监控视频场景中,运动目标非常少,监控视频角度固定,重复数据比较多,有价值的信息数据相对比较少。考虑到变电站的场景特点,可以使用视频摘要技术,在时间和空间维度压缩原始视频长度,去除非行人的信息数据,减小视频长度和存储大小,同时保留原视频中的基本内容和重要信息,提高监控管理人员的工作效率。系统输入是一段原始监控视频,首先对原始视频预处理、采用背景差分方法进行运动检测,建立混合高斯模型,从原始图像中检测出运动目标,对运动目标运用深度学习的算法,使用卷积神经网络模型从运动目标中区分出行人,保存行人的运动信息,之后对每个运动行人进行轨迹跟踪,根据跟踪的结果保存行人的轨迹图像,生成行人轨迹段,最后使用模拟退火原理优化各段轨迹的组合方式,减少行人间的遮挡和碰撞,生成最后的摘要视频并保存。系统实现了运动目标检测,检测出运动目标中的行人并且记录行人运动轨迹,最后对轨迹在时空上重新组合,生成行人的摘要视频。基于深度学习的行人检测方法可以准确地检测出视频中的行人,准确率达到了项目的要求,生成的摘要视频保留了关注的行人运动情况,视频的长度却大大减小了。论文的方法适合类似变电站等运动目标比较稀少的场景,对于运动目标较多,目标出现时间长或者是比较复杂的场景不适用。