基于圖像模式識別技術的變電站現場異常識別方法

基于圖像模式識別技術的變電站現場異常識別方法

李茶根 楊 晟 萬 輝 周 蓉 王 維 國網撫州供電公司

為了提高無人值守變電站視頻監控水平，采用監控視頻異常模式識別方法，對變電站監控中的目標進行分類和提取，產生層次化的分類器結構，支持以向量機為基本類型的分類器，如果向量機的分類精度不高，可以對向量機進行加權投票。對多視頻數據進行仿真，可以實現目標的分類，排除干擾，實現變電站的防火防盜。

無人值守變電站；監控視頻；異常模式；識別方法

引言

我國的電網調度自動化水平越來越高，無人值守是變電站的主要運行模式。無人值守模式在“四遙”的基礎上增加遙視功能，可以實時監控變電站，實現真正的無人值守，使電網安全、可靠運行。

遙視系統具有監控報警功能，但是只是傳感器的報警，視頻檢測只是輔助，監控點增多之后，暴露出許多不足，如過度依賴于人工發現，缺乏對視頻異常數據的判斷。智能視頻監控技術可以克服以上不足，它加入了自動視頻分析技術，采用計算機視覺方法，自動分析圖像序列，對場景中的目標進行定位、識別和跟蹤，并對目標進行分析和判斷，實時警告可疑行為。

智能視頻監控技術在電力系統得到了廣泛應用，如遠程圖像監控系統，將變電站的圖像傳到調度中心，預處理、識別、對比、處理圖像，檢測異常情況，將報警信號和圖像視頻傳送到調度中心，調控員確定變電站的運行狀態；如利用圖像識別技術對信號燈、開關位置和變壓器油液面位置進行識別；如提取變電站運動物體的路線和數字特征，用于防盜、巡邏等任務，提高無人值守變電站的自動化和智能化。

雖然智能視頻分析技術在變電站視頻監控中得到了應用，但要進一步研究如何提高分析的可靠性并識別異常模式。監控視頻異常模式識別是模式識別，識別結果取決于特征的選取和分類器的構造。本文針對無人值守變電站防火防盜需要，對運動目標進行分類，提取運動目標特征，產生層次化的分類器結構，提高了識別精度，排除了干擾物影響，為實現變電站的防火防盜提供了條件。

1.無人值守變電站監控視頻異常模式識別系統結構

根據無人值守變電站智能視頻監控的要求，識別異常模式的系統結構包括：圖像獲取與預處理；運動目標檢測；特征提取；模式識別；應用AdaBoost算法和分類結果。其中主要的工作是運動目標檢測和模式識別，模式識別是系統關鍵。分類器構造分為層次結構分類器和AdaBoost集成算法。首先檢測運動目標，提取特征，層次結構分類器對目標識別，分類精度不理想的分類器，利用算法加權投票。

2.關鍵技術

2.1 圖像數據預處理

在對運動目標進行檢測和特征提取時，要對顏色空間的RGB和YUV進行轉換，RGB空間的圖像用紅綠藍三個分量來表示，任意一點（用n表示）的顏色表示為Rn、Gn、Bn；YUV顏色空間包括亮度信號和色度信號。RGB轉換為YUV圖像空間要按照一定的換算公式取得，選擇YUV空間的亮度分理，可以提取可疑火焰區域。

2.2 檢測運動目標

在靜態背景下，火焰和白熾燈引起的像素變化，會引起周圍環境的變化。火點著后，照亮了周圍環境，燈打開后，房間被點亮了。人和動物進入監控區面后，帶動了自身以外區域的變化。人、動物、火焰、白熾燈事件發生后引起的區域變化有所不同，將人和動物做為一個識別模塊，將火焰和白熾燈作為另一個識別模式。

利用背景減除法進行運動目標的檢測，普遍火焰、白色火焰和白熾燈要進行二次亮度提取，提取可疑火焰區域，再識別該區域。

用背景減除法讓當前幀與背景幀相減，如果像素相同，則兩者相減結果為零，反之不為零，為了增強抗干擾性，相減結果要大于某一閾值，大于閾值的像素點顏色記為白色，其他的記為黑色，得到二值圖。然后提取火焰侯選區域，火焰亮度大于背景亮度，也要大于某一閾值，得到去除背景干擾的火焰候選區圖像。

2.3 特征選取

在進行模式識別時，進行特征的提取會對分類結果產生影響，選取的特征包括Hu距、色彩分量、紅色飽和度、圓形度和形狀相似性。其中Hu距可以區別各種運動物體，用背景減法可以得到火焰或白熾燈的白色區域，也可以得到人和動物清晰的二值圖。

顏色特征包括RGB空間的顏色分量、紅色飽和度和紅色飽和度與亮度的變化曲線三個部分。通過實驗表明火焰中心的亮度最高，連緣亮度最低，亮度降低，紅色飽和度增大。

圖形度表示物體形狀的復雜程度，是火焰識別的評判依據，圓形度=周長的平方除以面積。

火焰形狀相似性表明的是如果連續幀圖像的間隔較短，則每幅圖像的火焰形狀具有相似度，連續幀的相似度是進行識別的基本特性。

2.4 分類器層次結構設計

在進行運動目標檢測時，目標識別分為兩個模塊 ，一個是人和動物的識別，另一個是火焰和白熾燈的識別。人和動物識別用SVW進行分類，火焰和白熾燈是多目標分類，用混淆矩陣組合來構造層次結構分類器。

變電站環境監控多目標分類，針對火焰和白熾燈，根據平面分類器產生的混淆矩陣來構造類別層次結構。通過觀察混淆矩陣，對角線元素表示的是分類器正確識別的百分率，非對角線元素表示的是錯誤識別的百分率，白色火焰的識別率較高，普通火焰和白熾燈的識別率很差。

對混淆矩陣采用L2測度來建立相似度矩陣，得到相似性度量矩陣，將普通火焰、白色火焰和白熾燈歸屬為兩個集合，其中普通火焰和白色火焰分為一個集合，白熾燈分為另一個集合，五類目標的識別圖顯示：分類器括號里的數字表示分類器分類時的特征。在初期，火焰的圓形度和白熾燈的圖形度相近，如果目標圓形度小于閾值，進入第五期的分類器，用開關相似性特征來識別普通火焰、白色火焰和白熾燈，如果目標的圓形度大于閾值，進入第五期分類器，用圓形度進行目標的分類。

2.5 AdaBoost算法

AdaBoost是一種集成學習算法，對樣本進行重復取樣，訓練具有差異性的分類器集，分類器采用多數投票規則，每個分類器產生分類結果，這些結果整合形成集合分類結果。

3.結論

無人值守變電站監控視頻異常模式識別方法包括檢測識別監控視頻的運動目標，運動目標監測可以發現場景的變化，模式識別可以選擇特征與識別異常。可以利用背景減法檢測運動目標，構造層次化的分類器結構，利用AdaBoost算法可以進行加權投票，以后異常模式識別方法的研究方向為運動目標的跟蹤和行為的分析。

[1]胡珊.無人值守變電站智能化遠程圖像監控系統[J].計算機工程，2003，29（2）：218-220.

[2]沈祥.無人值班變電站遠方監控系統的設計和應用[J].電力系統自動化，2004，28（2）：89-90.

[3]張亞東.電力行業實現對機房和環境的自動化監控[J].電力建設，2005，26（4）：66-68.