變電站遙視系統中基于Adaboost人臉識別算法改進研究

厲美含，唐忠，雷景生

（1.上海電力學院電氣工程學院，上海 200090；2.上海電力學院計算機科學與技術，上海 200090）

變電站遙視系統中基于Adaboost人臉識別算法改進研究

厲美含1，唐忠1，雷景生2

（1.上海電力學院電氣工程學院，上海 200090；2.上海電力學院計算機科學與技術，上海 200090）

20世紀90年代以來，隨著計算機技術、網絡和通信技術以及綜合自動化技術的發展，大部分電網企業已經應用了具有“四遙”（遙測、遙信、遙控、遙調）功能的綜合自動化系統[1]，但其不具備可視功能，不能滿足系統對于防火、防爆、防盜保安等要求。遙視系統作為自動化水平提高的產物，將視頻與數據采集功能有效融合，有效應用在了無人或少人值守的變電站，保證了變電站的安全可靠生產。

模式識別技術作為遙視系統圖像監控的關鍵技術[2-3]，可應用于禁止區域的監測、遺留物品的檢測以及變電站內信號燈狀態、刀閘開關檢查等領域。隨著電力事業的高速發展，各級變電站逐年增多，其分布范圍也越來越廣。因此，針對遠距離生產一線的信息采取與實時監測的需求也在進一步增大。遙視系統使用基于Adaboost人臉識別技術的應用可有效地識別變電站內出現的人員身份，進一步完善無人值班的變電站安全運行。然而，在遙視系統內使用人臉識別技術還處于初級階段，它也是電力智能化領域研究的重要部分。

目前，使用比較廣泛的算法為模型相對簡單的Discrete Adaboost算法[4]。本文提出改進的Domain-Partitioning Real Adaboost（DPR Adaboost） 算法程序，并首次提出將其應用在人臉識別系統內，通過示例對比以及圖片識別檢測，可以得出其在分類器的區分能力、誤判率以及收斂速度都有極大的提高。

1 變電站遙視系統整體框架

圖1所示為一個整體遙視系統的框架，可將其分為五大主體部分。在遙視系統的首端設置攝像機進行監控以及圖像采集。市場上較多使用的槍型攝像機和球形攝像機。

圖1 遙視系統整體框架圖Fig.1 Integral frame of remote vision system

在變電站一般設有專用的遙視VLAN，在傳輸方面對寬帶有一定要求[5-6]，遙視VLAN起到橋梁作用，把對數據量較大的視頻流傳輸到智能分析服務器。

智能分析服務器是系統的核心部分，用來進行人臉識別。將采集到的人臉進行比對，來判別是否為工作人員或無關人員。此技術有效地應用在了無人值守的變電站，增強了變電站的安全運行。

2 人臉識別系統

一個完整的人臉識別系統如圖2所示，主要分為訓練以及檢測兩大部分[7]。首先，在訓練部分要對輸入的樣本圖像進行人臉檢測，判斷其是否含人臉，采用提取用于區分不同個體的判別特征的方式，將之稱為特征提取法。其后，使用如圖3所示的特征模板[8-9]，采用積分圖的計算方法進行特征值的計算，為分類器的訓練做前期的必要準備。

圖2 人臉識別系統總結構Fig.2 General structure of face recognition system

圖3 常用的5個基本特征模板Fig.3 Five common basic feature templates

3 人臉識別系統核心算法

3.1 核心Adaboost算法

2001年Viola等人在人臉檢測系統提出了Adaboost學習算法的簡單特征訓練級聯人臉檢測器方法[10-13]。Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。該算法本身是通過改變數據分布來實現的。它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。算法流程圖如圖4所示。

圖4 算法流程圖Fig.4 Algorithm flow chart

3.2 初級分類器的構建

在基于Adaboost算法的人臉識別系統中，提出了關鍵的分類器概念。對于任意一幅圖像，通過不同的特征，如：顏色、灰度值、紋理、輪廓等，將之與其他圖像進行區分，這就需要分類器的區分功能。下面給出分類器構建的基本方法。

給出一個特征集和一個具有正負樣本的訓練集，不同的學習方法都能獲得一個具有相應分類功能的函數[14]。Discrete Adaboost是一個具有分類功能的函數算法的一個成功運用，它可以解決3個基本問題：從大量特征集中獲得對于區分樣本有高效率的特征；基于每一個被選出的特征構建成一個弱分類器；將這些弱分類器提升為一個強分類器。具體解決方法如下所示。

樣本：圖像（x1，y1），…，（xm，ym）。 其中yi∈{-1，+1}，分別對應負樣本和正樣本。

初始化：權重D1（i）=1/m。

循環：t=1，2，…，T。

1.歸一化權重

2.對于每一個特征k：

1）計算得到一個以訓練圖樣所提取的特征值為內容的分成N段的直方圖。

2）用直方圖訓練一個分類器hk，并且

3）計算

選擇一個分類器ht，帶有最小的Zt。

3.更新權重輸出

最終的分類器：

3.3 級聯分類器構建

為了在一幅圖像中檢測人臉，要檢測所有可能的子窗口并且判斷它們是否含有人臉。為此需要檢測所有不同大小、可能位置的子窗口。在一個普通的320×240像素的圖像中大約有超過500 000的子窗口[15-18]。為了減少檢測系統總的運行時間，要從根本上限制系統花在每一個子窗口上的時間。因此，提出級聯分類器的想法，來排除盡量多的非人臉樣本。構建過程如下所示。

3.4 檢測器的選擇

體現Adaboost算法效果的重點在于前期訓練時候的弱分類器的選取，而弱分類器的選取在一定程度上依賴于樣本集的選取。為了減小圖像本身由于灰度分布造成的影響，需要對訓練樣本做歸一化處理。

在實際中，用于檢測的圖像一般都采取大于子窗口20×20的分辨率[19]。因此，在對一副圖像需要從不同的尺度和不同的位置中逐個檢測。對于不同尺度的檢測，選擇對檢測器進行縮放而不是對圖像本身進行縮放，因為在任何尺度下，特征都可以用同樣的代價求出。一般使用的檢測器基本大小為20×20。實驗結果表明，檢測器每次放大1.25倍是最優化的[20]。

4 算法區分能力對比示例程序

一般的人臉識別系統是基于Discrete Adaboost算法構建的，它的主要作用是實現2種類型點的區分[21]，并通過觀察訓練得來的分類直線來比較樣本，以其在樣本中的錯誤率來判別分類器的好壞。Domain-Partitioning Real Adaboost分類器是對經典Discrete Adaboost分類器的擴展和提升。本文對同一樣本分別進行Discrete Adaboost算法、DPR Adaboost算法編寫應用程序示例，并且通過檢測同一樣本進行區分能力、收斂速度、錯誤率的比較。

4.1 樣本圖分布對比

圖5 樣本對比圖Fig.5 Sample comparison chart

圖5是根據Discrete Adaboost以及DPRAdaboost算法進行編寫，對2種類型點進行樣本的區分。采取紅色、藍色共200個樣本進行區分，第一種點在仿真中是一組半徑為N（4，1）分布，角度是U（0，2π）分布的點；第二種點是一組半徑為N（1，1）分布，角度是U（0，2π）分布的點[22-23]。訓練的分類器是f（x）=ax+b的直線，a，b為參數。訓練的目的是用一系列直線將2種類型的點區分開，而得到最終的分類器。圖5（a）是Discrete Adaboost算法訓練所生成的樣本在x，y坐標軸上（同圖6（a）、圖6（b））的位置分布（紅色和藍色分別表示不同的樣本，各有100個點）。圖5（b）是DPR Adaboost訓練生成的樣本分布（紅色和藍色分別表示不同的樣本）。

4.2 訓練器對比

相對于Discrete Adaboost算法示例程序中生成的直線分類器（如圖6（a）所示），在DPR Adaboost算法中生成的是圓形分類器（如圖6（b）所示），具有更強大的區分能力，以及極快的收斂速度，能使訓練更有效率。

圖6 訓練得到的分類器Fig.6 Classifier from training

4.3 錯誤率對比

圖7（a）為根據Discrete Adaboost算法程序生成的錯誤率，x代表弱分類器的個數，y代表樣本中的錯誤率（同圖8），從第一次循環的近0.3%，到20個弱分類器左右，錯誤率就能降到很低，約為0.03%。最終在訓練了50個弱分類器時，錯誤率為0.005%。而在后面的檢測過程中，實際錯誤率0.007%與之非常接近，也沒有過擬合現象。

圖7 錯誤率Fig.7 Error rate

通過錯誤率的對比可見，后者，如圖7（b）所示，收斂速度更快，訓練能更有效，錯誤率可降為0。

可以直觀看到Domain-Partitioning Real Adaboost算法對于樣本具有更優良的區分能力，以及在分類器的形成上生成了區別于Discrete Adaboost算法的直線分類器，首先產生的分類器是圓形分類器，以這是符合實際的。而第二個分類器變成了垂直的分類器，這是因為在第一個分類器分類之后，樣本權重發生了變化，而垂直分類器對有新權重的樣本有更好的分類誤差，所以是垂直的分類器。后面的分類器也在不斷變化，這樣就會在分類能力上具有更高的效率。而在第三次訓練結束后，其錯誤率降低到接近于零，體現其應用到人臉識別系統是可行的。

5 人臉檢測器訓練程序

DPR Adaboost算法的成功編寫為其應用于人臉識別系統提供了可能。在對檢測器訓練程序中，采用MIT的人臉樣本庫，包含2 706個人臉樣本和4 381個非人臉樣本[24-28]。在對人臉檢測器的訓練過程中，每次弱分類器的訓練迭代中，對每個特征矩形都進行了一次弱訓練。將每次訓練得到的弱分類器組合在一起，形成一個強分類器，然后對強分類器進行驗證，得到當前的檢出率和錯誤率。根據與預設值和最大循環次數的比較，決定是否能夠結束訓練，得到一個單級強分類器。

Discrete Adaboos算法以及DPR Adaboost算法在樣本程序運行得到的錯誤率曲線如圖8所示?？梢钥闯?，在DPR Adaboost算法下進行檢測，最終得到強分類器的錯誤率極低，接近于0，表明其具有很高的正確分辨率。并且在對面部特征的檢測中，對于鼻角、雙眼之間區域以及鼻子與嘴巴的線性明亮關系對比度更加明顯，靠后的弱分類器更多的是對前幾級分類器的修正和補充，前幾個分類器都應該與人臉面部特征有很好的吻合，更能顯示出人臉特征。從另一個角度來看，DPR Adaboost算法可以通過數量更少的弱分類器而達到與Discrete Adaboost算法一樣的效果，這得益于其對樣本不是單一的兩端分類，而是對區域細分成多個段落，對每個段落有獨立的分類。

圖8 錯誤率Fig.8 Error rate

試驗結果與預期相符，DPR Adaboost算法相對Discrete Adaboost算法有更好的分類能力。

6 人臉識別系統應用檢驗

任意選取一張帶有人臉的圖片，來檢驗通過DPR Adaboost算法編寫的人臉檢測程序。DPR Adaboost算法編寫，實現的內容是使用之前的DPR Adaboost人臉分類器訓練程序生成的級聯分類器，來實現對任意一張圖片中人臉的檢測，并標記出來。

檢測的過程是，首先對需要檢測的圖像圖9進行預處理，包括獲取尺寸，轉換成灰度圖，直方圖均勻化。接下來是進行尺寸放大倍數的一個循環，從原始的20×20的大小[29-30]，變到不超過圖像尺寸的最大值。在循環中，先用當前尺寸對檢測圖像的檢測子窗口遍歷一遍，得到子窗口集合，再用根據尺寸調整好的人臉分類器對所有子窗口進行判斷，得出判斷值。最后將判斷為人臉的子窗口進行統一尺度的合并和不同尺度的合并，最終將人臉子窗口標記出來。

該程序用DPR Adaboost人臉分類器訓練程序生成的級聯分類器，來實現對任意一張圖片中人臉的檢測，并標記出來。從檢測圖10中可以看出，分類器判斷的子窗口尺寸是變化的，而對不同大小窗口的判斷是需要對原始分類器進行修改才能使用的，而大窗口也能被檢測出來，這說明分類器尺寸放大的理論是正確的，并且能有效快速地標記出人臉部分，與預期相符。

圖9 人臉檢測的原圖Fig.9 The original face image

圖10 人臉檢測程序的運行結果Fig.10 Running results of face detection program

7 結語

在變電站的遙視系統中使用改善和擴展的DPR Adaboost算法在人臉識別檢測系統中，通過示例證明其相對于傳統的Discrete Adaboost算法具備更高的收斂速度、更強的分類能力以及更低的錯誤率的特點，完善了變電站智能視頻分析的功能。

遙視系統在國家電網智能化的背景下，會越來越突出節省勞動力、提高工作效率等優點。大力開展智能電網是電力發展的大趨勢，通過模式識別技術的不斷完善與提高，遙視系統的智能化發展也將繼續加快腳步，進一步提高無人值守變電站的安全運行。

[1]汪志成.基于自適應反交錯算法的大規模電力遙視系統的設計與開發[J].電網與清潔能源，2015，31（4）:9-15.WANG Zhicheng.Large scale power generation based on adaptive anti interleaving algorithm design and development of remote vision system[J].Power System and Clean Energy，2015，31（4）:9-15.

[2]李欣，何智強，王麗蓉，等.110kv變電站過電壓智能識別系統應用研究[J].電瓷避雷器，2016（2）:50-56.LI Xin，HE Zhiqiang，WANG Lirong，et al.Application and research of overvoltage intelligent identification system for 110 kV substation[J].Insulators and Surge Arresters，2016（2）:50-56.

[3]李蘇.基于Adaboost算法的人臉檢測技術研究[D].哈爾濱:哈爾濱理工大學，2010.

[4] 趙麗紅，劉紀紅，徐心和.人臉檢測方法綜述[J].計算機應用研究，2004，21（9）：1-4.ZHAO Lihong，LIU Jihong，XU Xinhe.Survey of face detection methods[J].ComputerApplication Research，2004，21（9）：1-4.

[5] VIOLA P，JONES M.Rapid object detection using a boosted cascade of simple features[C]// Accepted Conference on Computer Vision and Pattern Recognition，Kauai，HI，New York，USA，2001，18（2）:511-518.

[6]ROBERT E.YOAV F.Boosting the Margin:A new explanation for the effectiveness of voting methods[J].The Annals of Statistics，1998，26（5）:1651-1686.

[7] 張翠平，蘇光大.人臉識別技術綜述[J].中國圖象圖形學報，2000，5（11）:885-894.ZHANG Cuiping，SU Guangda.A survey offace recognition technology[J].Chinese Journal of Image and Graphics，2000，5（11）:885-894.

[8]陳栗，倪林.一種特征臉分析和小波變換相結合的人臉識別算法[J].計算機應用，2004，24（10）:75-81.CHEN Li，NI Lin.A face recognition algorithm based on feature face analysis and wavelet transform[J].Computer Application，2004，24（10）:75-81.

[9]趙楠.基于Adaboost算法的人臉檢測[D].北京:北京大學，2005.

[10]柳映輝，任德華，陳少杰.基于高斯膚色模型和圖像分割的人臉檢測[J].天津科技大學學報，2010，25（5）:64-67.LIU Yinghui，REN Dehua，CHEN Shaojie.Face detection based on Gauss color model and image segmentation[J].Journal of Tianjin University of Science&Technology，2010，25（5）:64-67.

[11]謝佩，吳小俊.分塊多線性主成分分析及其在人臉識別中的應用研究[J].計算機科學，2015，42（3）:274-279.XIE Pei，WU Xiaojun.Block multiple linear principal component analysis and its application in face recognition[J].Computer Science，2015，42（3）:274-279.

[12]ROBERT E.SCHAPIRE S.Improved boosting algorithms using confidence-rated predictions[J].Machine Learning，1999，37（3）:297-336.

[13]林鵬.基于Adaboost算法的人臉檢測研究及實現[D].西安:西安理工大學，2007.

[14]吳暾華.快速人臉檢測系統的設計與實現[D].泉州:華僑大學，2004.

[15]李剛，高政.人臉自動識別方法綜述[J].計算機應用研究，2003，8（2）:4-9.LI Gang，GAO Zheng.Survey of automatic face recognition methods[J].Computer Application Research，2003，8（2）:4-9.

[16]HJELMAS E，LOW B K.Face detection:a survey[J].Computer Vision and Image Understanding，2001，83（3）:236-274.

[17]劉鳳娟，方麗英.通用學習框架結合2DPCA的魯棒人臉識別[J].電視技術，2014，38（11）:177-182.LIU Fengjuan，FANG Liying.Universal learning framework combined with 2DPCA for robust face recognition[J].Television Technology，2014，38（11）:177-182.

[18]尹飛，馮大政.基于PCA算法的人臉識別[J].計算機技術與發展，2008，18（10）:31-33.YIN Fei，FENG Dazheng.Face recognition based on PCA algorithm[J].ComputerTechnology and Development，2008，18（10）:31-33.

[19]劉彥隆，趙福梅，郭建軍.人臉識別算法在嵌入式系統中的研究與實現[J].電視技術，2014，38（9）:212-213.LIU Yanlong，ZHAO Fumei，GUO Jianjun.Research and implementation of face recognition algorithm in embedded system[J].Television Technology，2014，38（9）:212-213.

[20]張道華.基于PCA算法的人臉識別技術研究[J].吉林廣播電視大學學報，2013，140（8）:68-69.ZHANG Daohua.Research on face recognition technology based on PCA algorithm[J].Journal of Jilin TV&Radio University，2013，140（8）:68-69.

[21]柯麗，溫立平.改進的Adaboost人臉檢測方法[J].光電工程，2012，100（1）:114-115.KE Li，WEN Liping.Improved Adaboost face detection method[J].Opto Electronic Engineering，2012，100（1）:114-115.

[22]龐建華，姚鵬.基于Adaboost算法的虹膜合格狀態檢測[J].計算機工程與應用，2015，50（14）:193-195.PANG Jianhua，YAO Peng.Iris qualified state detection based on Adaboost algorithm[J].Computer Engineering and Applications，2015，50（14）:193-195.

[23]周杰，盧春雨，張長水，等.人臉自動識別方法綜述[J].電子學報，2000，15（4）:1-5.ZHOU Jie，LU Chunyu，ZHANG Changshui，et al.Survey ofautomatic face recognition methods[J].Journalof Electronics，2000，15（4）:1-5.

[24]劉青山.人臉跟蹤與識別的研究[D].北京：中科院自動化研究所，2003.

[25]周激流，張曄.人臉識別理論研究進展[J].計算機輔助設計與圖形學學報，2007，38（11）:180-184.ZHOU Jiliu，ZHANG Ye.Advances in the theory of face recognition[J].Journal of Computer Aided Design and Computer Graphics，2007，38（11）:180-184.

[26]符滄海.電源監控與圖像監控系統的互聯互通[J].電力自動化設備，2002，22（5）:29-31.FU Canghai.Interconnection of power monitoring and image monitoring system[J].Power Automation Equipment，2002，22（5）:29-31.

[27]白成林.多媒體遠程監控的研究與實現[J].計算機系統應用，2000（1）:40-42.BAI Chenglin.Research and implementation of multimedia remote monitoring[J].Computer System Applications，2000（1）:40-42.

[28]黃燕新.變電站遠程視頻監控系統[J].華北電力技術，2000，34（7）:31-32.HUANG Yanxin.Substation remote video surveillance system[J].North China Electric Power，2000，34（7）:31-32.

[29]王勁伯，鄭崇蘇.大型電氣設備遠程監控系統的設計與其可靠性[J].福州大學學報，2000，28（2）:28-32.WANG Jinbo，ZHENG Chongsu.Design and reliability of remote monitoring system for large electrical equipment[J].Journal of Fuzhou University，2000，28（2）:28-32.

[30]齊興敏，劉冠梅.基于PCA算法的人臉識別技術研究[J].現代電子技術，2007，29（6）:77-79.QI Xingmin，LIU Guanmei.Research on face recognition technology based on PCA algorithm[J].Modern Electronic Technology，2007，29（6）:77-79.

Improvement of Face Recognition Algorithm based on Adaboost in Substation Remote Monitoring System

LI Meihan1，TANG Zhong1，LEI Jingsheng2
（1.School of Electrical Engineering，Shanghai University of Electric Power，Shanghai 200090，China；2.School of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 200090，China）

The remote vision system realizes the realtime monitoring of the internal environment and the important equipment of the substation，and it can be used in the unattended substation effectively.At present，the remote vision system is still in the primary stage，and its core technology，pattern recognition is an important object in the field of electric power research.Usually，the face recognition based on Discrete Adaboost algorithm is used.This paper puts forward an improved Domain-partitioning Real Adaboost(DPR Adaboost)and uses it in the face recognition detection，and then comparison is made in the algorithm sample and test procedure.The result shows that the proposed method can improve classification and be of faster convergence rate and lower even close to zero error rate.

face detection； Adaboostalgorithm； DPR Adaboost

遙視系統實現了變電站內部環境、重要設備的實時監控，有效地應用在了無人值守變電站內。當前，遙視系統還處于初級階段，模式識別作為其核心技術，是電力領域的重要研究對象。通常，在人臉識別系統中采用基于Discrete Adaboost的人臉識別算法，在此基礎上研究改進的Domain-Partitioning Real Adaboost（DPR Adaboost），將其應用在人臉識別檢測中，在算法示例以及檢測程序中進行對比，結果表明其具有分類能力提高，收斂速度快，錯誤率低甚至趨近于零的優點。

人臉檢測；Adaboost算法；DPR Adaboost

1674-3814（2017）09-0061-07

TM769

A

國家自然科學基金項目（61672337）。

Project Supported by the National Natural Science Foundation of China（61672337）.

2016-10-18。

厲美含（1991—），女，碩士研究生，主要研究方向為電氣設備狀態評估算法研究。

（編輯 馮露）