變電站實現(xiàn)無人值班，少人值守，是電力系統(tǒng)發(fā)展的必然趨勢。目前，國內(nèi)大多數(shù)變電站在“四遙”的基礎(chǔ)上已經(jīng)部署了第五遙“遙視”系統(tǒng)，完成了無人值守變電站的改造。一些變電站的“遙視”系統(tǒng)不僅實現(xiàn)了變電站內(nèi)部環(huán)境、重要設(shè)備的實時視頻監(jiān)控，也實現(xiàn)了變電站綜合自動化系統(tǒng)重要信號的“事件聯(lián)動”，甚至還實現(xiàn)一些智能視頻分析功能，如運動偵測、禁區(qū)檢測、變電設(shè)備模式識別等。
圖1：變電站遙視系統(tǒng)
變電站遙視系統(tǒng)的前端為模擬/數(shù)字的槍型攝像機或者球型攝像機。模擬視頻流經(jīng)數(shù)字硬盤錄像機（Digital Video Recoder，DVR）采集，壓縮后變?yōu)镠.264碼流；數(shù)字攝像機的碼流為H.264碼流，經(jīng)由網(wǎng)絡(luò)硬盤錄像機（Network Video Recoder,NVR）進行轉(zhuǎn)發(fā)。
由于視頻數(shù)據(jù)量大，對傳輸有較大的帶寬需求，變電站一般都有專用的遙視VLAN,變電站遙視系統(tǒng)的前端數(shù)據(jù)通過DVR/NVR經(jīng)由遙視VLAN轉(zhuǎn)發(fā)至智能分析服務(wù)器。
智能分析服務(wù)器對捕獲視頻流中的人臉，根據(jù)預(yù)先建立好的人臉數(shù)據(jù)庫區(qū)分出值班人員、合法操作人員、無關(guān)人員等，當(dāng)在作業(yè)區(qū)域內(nèi)發(fā)現(xiàn)無關(guān)人員時，或者在變電站區(qū)域內(nèi)發(fā)現(xiàn)非法人員時，立即發(fā)出報警。
2. 遙視系統(tǒng)的人臉識別
2.1人臉識別的概述
2.1.1人臉識別系統(tǒng)的組成
一個完整的自動人臉識別系統(tǒng)如圖2所示。系統(tǒng)首先對輸入圖像進行人臉檢測，確認輸入圖像中存在人臉并剪切出人臉圖像。接著對人臉圖像進行特征提取，然后該特征被編碼存入人臉數(shù)據(jù)庫中(圖中①的流程)。實際應(yīng)用中，將待檢測人臉的特征和數(shù)據(jù)庫中每個人臉特征進行匹配，最后判決給出待測人臉的身份信息，這一過程完成人臉辨識的工作。加入圖中②的部分后，系統(tǒng)則完成人臉驗證的工作。此時系統(tǒng)根據(jù)輸入身份在數(shù)據(jù)庫中選擇相應(yīng)的人臉特征，只進行該特征和待測人臉特征的匹配判決，給出“一致”或“不一致”的判決結(jié)果。
圖2：人臉識別系統(tǒng)框圖
2.1.2 常用的人臉檢測的方法
人臉檢測是指在輸入圖像中確定所有存在的人臉的位置、大小、姿勢的過程。作為人臉信息處理中的一項關(guān)鍵技術(shù),人臉檢測的應(yīng)用背景已經(jīng)遠遠超出了人臉識別系統(tǒng)的范疇,在身份驗證、基于內(nèi)容的圖像檢索、數(shù)字視頻處理、視覺監(jiān)測等方面都有著重要的應(yīng)用價值。近年來出現(xiàn)了大量的人臉檢測方法，主要可以概括為以下幾類：
1）基于知識的方法。這些基于先驗知識的方法對組成典型人臉的知識進行編碼。通常，先驗知識包含了這些人臉特征之間的相互關(guān)系。此類方法主要用于人臉定位。
2）特征不變方法。這些算法的目標(biāo)是找出存在的一些結(jié)構(gòu)特征，這些特征在姿勢、觀察點、光照條件改變的情況下保持不變。然后使用這些特性來定位人臉。這些方法主要用于人臉定位。
3）模板匹配的方法。這種方法首先是存儲一張人臉的幾個標(biāo)準(zhǔn)模板，用來描述整張人臉或人臉的部分特性。然后通過計算輸入圖像與已知存儲模板之間的相關(guān)度來進行檢測。這些方法既可用于人臉檢測也可用于人臉定位。
4）基于外觀的方法。與模板匹配不同的是，這里的模板是從一組訓(xùn)練圖像經(jīng)過學(xué)習(xí)而得來的，這些圖像應(yīng)該包括人臉外觀的具有代表性的變化因素。這些方法主要用于人臉檢測。
然而，各種方法都有一定的不足。PaulViola和Michael Jones在2001年提出了基于一種Adaboost的人臉檢測算法[2] ,同時建立了第一個真正實時的人臉檢測系統(tǒng),從根本上解決了檢測速度的問題，同時也有較好的識別效果。
2.2 AdaBoost算法原理
2.2.1特征的選取及特征值的計算
在目標(biāo)檢測過程中，需要對候選圖像進行分析，判斷是否為待檢目標(biāo)，多數(shù)目標(biāo)檢測系統(tǒng)都是使用特征對目標(biāo)進行建模，這些特征都應(yīng)有一定的目標(biāo)和非目標(biāo)區(qū)分性。AdaBoost用于人臉檢測時，需要從人臉圖像中抽取出大量的簡單特征。笨檢測器選擇由Rainer Lienher[]等人提出的擴展Harr-like的特征，如圖3-圖5所示，該特征可適用于人臉檢測。
圖3：邊界特征
圖4：線特征
圖5：中心特征
每個特征由2-3個矩形組成，分別檢測邊界、細線、中心特征，這些特征可表示為：
式中：wi為矩形的權(quán)，RectSum(ri)為矩形ri所圍成圖像的積分，featurej表示第j個特征，N是組成featurej的矩形個數(shù)。
2.2.2 Adaboost算法
Adaboost是一種分類器算法，其核心思想是利用大量的分類能力一般的簡單分類器通過一定的方法疊加起來，構(gòu)成一個分類能力很強的強分類器，再將若干個強分類器串連成為分級分類器完成圖像搜索檢測。串聯(lián)的級數(shù)依賴于系統(tǒng)對錯誤率和識別速度的要求首先要生成強分類器。具體Adaboost算法如下：
設(shè)輸入為N個訓(xùn)練樣本:(x1,y1), (x2,y2),…(xn,yn)，其中xi為樣本圖像，yi為分類結(jié)果，yi={0,1}，對應(yīng)著假樣本和真樣本；已知訓(xùn)練樣本中有m個假樣本和l個真樣本。第j個特征生成的簡單分類器形式為：
（2）
將強分類器串聯(lián)在一起形成分級分類器，串聯(lián)時應(yīng)遵循“先重后輕”的分級分類器思想，即將由更重要特征構(gòu)成的結(jié)構(gòu)較簡單的強分類器放在前面，這樣可以先排除大量的假樣本，提高檢測速度。
3. 實驗分析
實驗環(huán)境在Dell PowerEdge R410服務(wù)器上實現(xiàn)，采用VS2008編寫，同時對OPENCV自帶的模板進行了少許改進。圖6是試驗結(jié)果。實驗結(jié)果表明它對在變電站場景中對工作人員的人臉捕獲具有可行性，同時為無人變電站的監(jiān)控提供了可行性依據(jù)。而且檢測速度可以達到每秒鐘25幀，能滿足實時檢測的要求。
圖6：對變電站人員的人臉檢測效果圖
4. 結(jié)束語
在變電站遙視系統(tǒng)中以Adaboost算法進行人臉識別，補充和完善了以往變電站智能視頻分析功能。強化了變電站的安全防范管理，減輕了監(jiān)控人員的負擔(dān)，在一定程度上提高了無人值守變電站的安全運行。
【作者單位：河北省電力公司】
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場趨勢的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號
