基于图像模式识别技术的变电站现场异常识别方法

2016-03-31

电子制作 2016年18期

李茶根杨晟万辉周蓉王维国网抚州供电公司

为了提高无人值守变电站视频监控水平，采用监控视频异常模式识别方法，对变电站监控中的目标进行分类和提取，产生层次化的分类器结构，支持以向量机为基本类型的分类器，如果向量机的分类精度不高，可以对向量机进行加权投票。对多视频数据进行仿真，可以实现目标的分类，排除干扰，实现变电站的防火防盗。

无人值守变电站；监控视频；异常模式；识别方法

引言

我国的电网调度自动化水平越来越高，无人值守是变电站的主要运行模式。无人值守模式在“四遥”的基础上增加遥视功能，可以实时监控变电站，实现真正的无人值守，使电网安全、可靠运行。

遥视系统具有监控报警功能，但是只是传感器的报警，视频检测只是辅助，监控点增多之后，暴露出许多不足，如过度依赖于人工发现，缺乏对视频异常数据的判断。智能视频监控技术可以克服以上不足，它加入了自动视频分析技术，采用计算机视觉方法，自动分析图像序列，对场景中的目标进行定位、识别和跟踪，并对目标进行分析和判断，实时警告可疑行为。

智能视频监控技术在电力系统得到了广泛应用，如远程图像监控系统，将变电站的图像传到调度中心，预处理、识别、对比、处理图像，检测异常情况，将报警信号和图像视频传送到调度中心，调控员确定变电站的运行状态；如利用图像识别技术对信号灯、开关位置和变压器油液面位置进行识别；如提取变电站运动物体的路线和数字特征，用于防盗、巡逻等任务，提高无人值守变电站的自动化和智能化。

虽然智能视频分析技术在变电站视频监控中得到了应用，但要进一步研究如何提高分析的可靠性并识别异常模式。监控视频异常模式识别是模式识别，识别结果取决于特征的选取和分类器的构造。本文针对无人值守变电站防火防盗需要，对运动目标进行分类，提取运动目标特征，产生层次化的分类器结构，提高了识别精度，排除了干扰物影响，为实现变电站的防火防盗提供了条件。

1.无人值守变电站监控视频异常模式识别系统结构

根据无人值守变电站智能视频监控的要求，识别异常模式的系统结构包括：图像获取与预处理；运动目标检测；特征提取；模式识别；应用AdaBoost算法和分类结果。其中主要的工作是运动目标检测和模式识别，模式识别是系统关键。分类器构造分为层次结构分类器和AdaBoost集成算法。首先检测运动目标，提取特征，层次结构分类器对目标识别，分类精度不理想的分类器，利用算法加权投票。

2.关键技术

2.1 图像数据预处理

在对运动目标进行检测和特征提取时，要对颜色空间的RGB和YUV进行转换，RGB空间的图像用红绿蓝三个分量来表示，任意一点（用n表示）的颜色表示为Rn、Gn、Bn；YUV颜色空间包括亮度信号和色度信号。RGB转换为YUV图像空间要按照一定的换算公式取得，选择YUV空间的亮度分理，可以提取可疑火焰区域。

2.2 检测运动目标

在静态背景下，火焰和白炽灯引起的像素变化，会引起周围环境的变化。火点着后，照亮了周围环境，灯打开后，房间被点亮了。人和动物进入监控区面后，带动了自身以外区域的变化。人、动物、火焰、白炽灯事件发生后引起的区域变化有所不同，将人和动物做为一个识别模块，将火焰和白炽灯作为另一个识别模式。

利用背景减除法进行运动目标的检测，普遍火焰、白色火焰和白炽灯要进行二次亮度提取，提取可疑火焰区域，再识别该区域。

用背景减除法让当前帧与背景帧相减，如果像素相同，则两者相减结果为零，反之不为零，为了增强抗干扰性，相减结果要大于某一阈值，大于阈值的像素点颜色记为白色，其他的记为黑色，得到二值图。然后提取火焰侯选区域，火焰亮度大于背景亮度，也要大于某一阈值，得到去除背景干扰的火焰候选区图像。

2.3 特征选取

在进行模式识别时，进行特征的提取会对分类结果产生影响，选取的特征包括Hu距、色彩分量、红色饱和度、圆形度和形状相似性。其中Hu距可以区别各种运动物体，用背景减法可以得到火焰或白炽灯的白色区域，也可以得到人和动物清晰的二值图。

颜色特征包括RGB空间的颜色分量、红色饱和度和红色饱和度与亮度的变化曲线三个部分。通过实验表明火焰中心的亮度最高，连缘亮度最低，亮度降低，红色饱和度增大。

图形度表示物体形状的复杂程度，是火焰识别的评判依据，圆形度=周长的平方除以面积。

火焰形状相似性表明的是如果连续帧图像的间隔较短，则每幅图像的火焰形状具有相似度，连续帧的相似度是进行识别的基本特性。

2.4 分类器层次结构设计

在进行运动目标检测时，目标识别分为两个模块，一个是人和动物的识别，另一个是火焰和白炽灯的识别。人和动物识别用SVW进行分类，火焰和白炽灯是多目标分类，用混淆矩阵组合来构造层次结构分类器。

变电站环境监控多目标分类，针对火焰和白炽灯，根据平面分类器产生的混淆矩阵来构造类别层次结构。通过观察混淆矩阵，对角线元素表示的是分类器正确识别的百分率，非对角线元素表示的是错误识别的百分率，白色火焰的识别率较高，普通火焰和白炽灯的识别率很差。

对混淆矩阵采用L2测度来建立相似度矩阵，得到相似性度量矩阵，将普通火焰、白色火焰和白炽灯归属为两个集合，其中普通火焰和白色火焰分为一个集合，白炽灯分为另一个集合，五类目标的识别图显示：分类器括号里的数字表示分类器分类时的特征。在初期，火焰的圆形度和白炽灯的图形度相近，如果目标圆形度小于阈值，进入第五期的分类器，用开关相似性特征来识别普通火焰、白色火焰和白炽灯，如果目标的圆形度大于阈值，进入第五期分类器，用圆形度进行目标的分类。

2.5 AdaBoost算法

AdaBoost是一种集成学习算法，对样本进行重复取样，训练具有差异性的分类器集，分类器采用多数投票规则，每个分类器产生分类结果，这些结果整合形成集合分类结果。