基于變電站視頻與環境監控系統動態物體檢測與跟蹤算法研究

張彥嬌，廖暢，范俊秋，楊榮瑩

（貴州電網有限責任公司貴安供電局，貴州貴安，551000）

0 引言

圖1 背景差分法流程示意圖

近年來，隨著我國電力行業的不斷發展，電力系統自動化技術呈現出更具智能化、集成化、安全性、可持續性的發展趨勢，為全面直觀了解遠方無人值守變電站實際情況奠定了良好的基礎。在“無人值守”“少人值守”等變電運維新模式下，變電站視頻與環境監控系統是實現現場作業實時監管、運行設備遠程運維的重要技術支撐，就目前而言，變電站視頻與環境監控系統主要是以圖像監視、視頻存儲等功能為主，攝像機監控區域采集信息較為固定和局限，還未能實現突發、異常情況下自動檢測及跟蹤動態物體，難以保障無人值守變電站日常管理及生產安全的需求[1]。著眼于當下“智能變電站”的建設概念，動態物體檢測及跟蹤是視頻與環境監控系統根本且關鍵的研究方向之一[2]。因而，本文借助MATLAB 環境下豐富的函數調用及數字圖像處理工具，基于變電站視頻與環境監控系統進行動態物體檢測及跟蹤方法研究，以進一步滿足現代化無人值守變電站安全防范需要[3～5]。

1 動態物體檢測算法研究

對動態物體檢測領域中的幀間差分算法、背景差分算法以及光流算法進行研究，運用Matlab 軟件驗證上述方法，在比較其優缺點后，提出運用一種基于幀差的背景差分算法，實現背景圖像實時建模，進而在視頻圖像序列中準確識別、分割出動態物體。

■1.1 幀間差分法

當背景圖像與視頻監控攝像機之間呈現相對靜止狀態時，視頻圖像序列中相鄰圖像間會存在一個極為相似的背景畫面。基于此，可以利用相鄰幀之間圖像信號的變化來檢測動態物體，并實現其與背景環境的分割[6]。

現多數采用的是兩幀差分和三幀差分的方法，此種算法設計思想及實現都較為簡單，且適應于天氣、光線等室外場景的變化，但也存在著明顯的缺點。兩幀差分算法的缺點為：（1）若動態物體移動過慢，相鄰兩幀間的灰度值、紋理信息較為接近時，容易導致動態物體出現重疊區域并被視為“背景”，進而不能實現對目標的完整提取；（2）若動態物體移動過快，前后幀之間即使沒有重疊也會導致系統將遮擋的“背景”處理為運動物體，或將其識別為兩個分開的物體。這些都大大影響了動態物體特征像素的精確提取以及檢測和分割，阻礙了進一步地研究。

相比于兩幀之間的幀間差分運算，三幀差分的確有效地改善了檢測結果比實際移動目標大的缺點，但這種方式也只能大概地提取運動物體的輪廓，若要獲取完整的動態目標，還需要通過某種連通方法來填充內部大量的“空洞”，這樣的方式較為復雜和繁瑣。

■1.2 背景差分法

背景差分又稱為背景減法，是將背景模型與當前幀進行比較來提取運動區域的一種檢測方法，也是當下用于檢測動態物體最廣泛的使用方法。其大致的思想為：以某種方式執行背景建模，進而將預先存儲或實時建立的背景模型與圖像序列中每一幀依次相減，如果相減的結果偏離于預先設定的閾值，則將其確定為運動區域。背景差分法的處理流程圖如圖 1 所示。

背景差分的方式易于實現、運算速度快且計算結果提供檢測目標的位置、大小等信息都較為準確。但是，由于動態環境下光纖、攝像頭抖動等不確定因素的干擾，使得背景模型的建立會有所偏差，從而影響了檢測的效果。

■1.3 光流法

以上兩種針對動態物體識別的算法都建立在攝像機靜止的前提條件下，對于球機等運動的攝像機，幀差與背景差分的方法都存在局限與不足，不能夠很好地識別動態物體，這時可以采用光流法給予處理。

基于光流法識別動態物體的大致方法為：首先，通過計算視頻圖像序列中每一個像素點的物理矢量（目標的運動速度和方向）來建立圖像的光流場。若運動目標不存在于場景中，則像素點的速度矢量是連續變化的；反之，當場景中存在運動目標，則必然導致運動物體與背景之間的速度矢量存在差異，速度矢量的間斷即是這種差異的表現。光流法在檢測運動物體時需要保持幀與幀之間的背景亮度不變，且同一幀內的背景像素點的運動情況要保持一致，這樣，便可以更好地實現對移動目標的檢測。

特別地，運用光流法來檢測運動物體無需提前掌握詳細的場景信息，但光流法邏輯運算的復雜度較高，并需要提供一定的硬件設備支持。考慮到基于光流法的檢測易受到噪聲、陰影等環境因素干擾，不具備對變電站內動態物體檢測的實時性，因此不再做進一步詳盡研究。

■1.4 基于幀差的背景差分算法

考慮在變電站等環境中，背景占圖像主要組成部分，因此實時更新背景圖像顯得尤為關鍵。基于幀差的背景差分算法可通過提取幀間圖像序列間“無變化”的區域實時建立背景模型，使得建立的背景模型更能適應于當前的環境，同時可以除去一些圖像中的噪聲點，以達到平滑背景圖像的作用，進一步提高檢測動態物體的精確性。基于幀差的背景差分法分為以下三個步驟。

（1）建立背景模型。提取圖像序列中的某幀圖像作為初始的背景模型B(x,y,t)。

（2）識別運動物體。依照順序讀取每一幀的圖像，并與前一幀的背景做減運算得到差分圖像，即視為運動的區域，并對結果進行二值化操作。

如公式(1)所示，其中I(x,y,t+1)、I(x,y,t)為t+1、t時刻的圖像。將差分結果小于或等于閾值T的部分視作為背景區域B(x,y,t+1)，在該區域中，當前幀圖像與前一幀圖像的信息基本相同。

（3）實時更新背景。背景更新操作是依據無差異的結果，將前后兩幀中無變化的信息存儲在背景中。其中設定一個常數p，用來表征背景更新的速率。p的值越大更新的速率越慢，反之則更新得越快。如公式(2)所示。

2 基于Meanshift 算法運動物體跟蹤研究

MeanShift 算法又稱為均值漂移算法，屬于核密度估計法的范疇。該算法的優點在于計算量相對較少，易提取跟蹤對象的特征，且因為采用了核函數直方圖模型，可以避免跟蹤物體因環境遮擋進而造成跟蹤準確性降低的問題。

■2.1 Meanshift 算法跟蹤原理

MeanShift 使用多次迭代的思想來找尋概率分布的最大值點，即判定為跟蹤物體的位置點。如圖2 所示，假設在d 維空間中有一運動目標，以其為圓心做一個半徑大小為h的圓球，落在球體中運動的像素點都會產生一個向量，而向量的疊加即為MeanShift 向量（圖2 中黃色箭頭）。以MeanShift 向量的終點為圓心再畫一個圓球，再次找到區域內疊加的向量終點。重復操作，Meanshift 算法可實現使結果收斂到空間中概率分布最為密集的地方（圖2 中紅色圓圈區域）。

圖2 MeanShift 算法迭代過程

基于上述思想，假定d 維空間中存在一點x，x 可以用一列向量來表征，并滿足。在此空間中，如果有一函數K(x→R)，則其剖面函數k 與之關系可表示為：。若k 不為負數、非增、對稱且分段連續時，稱函數K(x) 為核函數（也稱為窗口函數）。其數學表達式為公式（3）所示，其中c 為歸一化系數。

■2.2 運動目標跟蹤計算過程

2.2.1 建立目標模型

在圖像序列中選定跟蹤對象并假設其中心點為(x0,y0)。在目標圖像中包含了n 個像素點，用Zi記錄各個像素點的位置并用核函數對各點進行加權。對選定對象的灰度空間進行均等的劃分，得到m 個相等的區域構成的灰度直方圖。追蹤對象在灰度直方圖上呈現的分布概率密度uQ（u作為顏色索引，并且u=1,...,m），數學表達式可寫為(4)：

2.2.2 建立候選模型

將當前幀中可能出現跟蹤目標的區域視為候選區域，并以前一幀的目標中心(x0,y0)為搜索窗口的中心，找尋當前幀的候選中心位置(xi,yi)。則候選模型的分布概率密度可表示為公式(6)：

2.2.3 相似參數度量

用Bhattacharyya 系數作為評估目標模型與候選模型相似程度的參量，數學表達式為公式(7)：

當相似函數ρ(P,Q)取最大值時即為當前幀中找尋的目標位置。

2.2.4 MeanShift 迭代過程

均值漂移的迭代過程，即是搜索窗口的中心沿著漂移方向移動的過程。為使相似函數最大，對公式(7)進行泰勒展開后可得公式(8)：

其中，wi表示權重系數，其數學表達式可寫為(9)：

在公式(8)中，只有第二項隨候選中心位置的變化而變化，將其取最大值后計算其MeanShift 向量可得到候選目標新位置為公式(10)：

3 MATLAB 算法檢測及應用分析

首先，通過基于幀差的背景差分算法從視頻圖像序列中檢測動態物體。在MATLAB 系統環境下，讀取圖像序列的第1 幀至第95 幀，并以第1 幀圖像作為當前背景模型。讀取下一幀的圖像，并與當前圖像做減運算，將前后幀中無變化的區域更新到背景中。設定背景更新的速率為。視頻第1幀圖像如圖3 所示，建立的背景模型如圖4 所示。

圖3 視頻第1 幀圖像

圖4 背景模型

從圖4 背景模型的建模結果可以看出，基于幀差的背景差分算法已較好地將動態物體從背景中“抹去”，進而順序地將每一幀的圖像與建立的背景模型做差分，即可從背景中識別動態目標。動態物體檢測結果如圖5 所示。

圖5 動態物體檢測結果

通過幀差的背景差分算法識別動態物體后，進一步驗證MeanShift 算法對動態物體的跟蹤效果。針對上述檢測結果建立矩形框，如圖6 視頻第95 幀圖像中紅色矩形框所示。設定搜查窗口的質心到中心的距離為，迭代的次數為25 次。最后，通過藍色線條描繪檢測結果的運動軌跡，如圖7 視頻第110 幀圖像、圖8 視頻第120 幀圖像及圖9 視頻第140幀圖像中藍色線條所示。

圖6 視頻第95 幀圖像

圖7 視頻第110 幀圖像

圖8 視頻第120 幀圖像

圖9 視頻第140 幀圖像

結果顯示，提取動態物體特征信息后，在視頻不同圖像幀中甚至被樹枝遮擋的環境下，MeanShift 算法均能較好地實現對動態物體的跟蹤。

4 結束語

正值電力行業信息化、數字化、智能化轉型建設之際，智能運維及安全防范技術已成為無人值守變電站的重要研究方向。變電站視頻與環境監控系統作為無人值守變電站不可或缺的重要建設部分，其能實時對變電站內設備運行、環境狀況等各類情況加以監視，有效保障著變電站安全、穩定、經濟運行。但傳統變電站視頻與環境監控系統功能較為單一，由人為決策向主動防御的發展還較為緩慢。因此，必須借助數字化、智能化、系統化手段，靈活地運用邊緣計算、人工智能等前沿技術來探尋視頻監控系統中動態物體檢測、跟蹤等更強大的功能，從而實現非法人員闖入、異物入侵、設備異常狀態檢測等及時預警，進一步提升電網供電可靠性和安全防護水平。