趙銳++尚文

摘 要： 采用基于人體HOG特征提取算法，對變電站安全管控系統(tǒng)狀態(tài)監(jiān)測視覺辨識技術進行研究。根據變電站具體環(huán)境，人體特征等現(xiàn)象，采用級聯(lián)Adaboost分類器，經離線訓練和在線分類，可準確、快速實現(xiàn)對變電站狀態(tài)監(jiān)測視覺辨識，從而提高系統(tǒng)的技術性能，使系統(tǒng)具有較強的實用性。實驗結果表明，采用的狀態(tài)監(jiān)測視覺辨識技術人體檢測算法檢測率為93.8%，誤檢率為4.7%，平均耗時為62 ms，比SVM分類器的檢測率要高出9.5%，誤檢率要低9.8%，平均耗時要少132 ms。采用級聯(lián)Adaboost分類器檢測性能得到提高，從視頻序列中能快速、準確提取人體區(qū)域，較好地滿足了動態(tài)目標檢測、分析的需求。

關鍵詞： 狀態(tài)監(jiān)測； 視覺辨識技術； HOG特征提取； Adaboost分類器

中圖分類號： TN948.43?34； TP311.52 文獻標識碼： A 文章編號： 1004?373X（2017）11?0080?04

Research on state monitoring and vision identification technology

ZHAO Rui， SHANG Wen

（Datong Power Supply Company， State Grid Shanxi Electric Power Company， Datong 037008， China）

Abstract： An HOG feature extraction algorithm based on human body is used to study the state monitoring and vision identification technology for the safety management and control system of substation. According to the specific environment of substation， human characteristics and other phenomena， the substation state monitoring and vision identification can be achieved rapidly and accurately by means of online classification and offline training of the cascade Adaboost classifier， so as to improve the system technology performance， and make the system practicability stronger. The experimental results show that the detection accuracy of the human detection algorithm based on state monitoring and vision identification technology is 93.8%， its false detection rate is 4.7%， and its average consuming time is 62 ms. In comparison with SVM classifier， its detection accuracy is 9.5% higher， the false detection rate is 9.8% lower， and the average consuming time is 132 ms shorter. With the cascade Adaboost classifier， the detection performance can be improved， and the human body region can be extracted in the video sequence quickly and accurately， which can meet the requirements of dynamic target detection and analysis.

Keywords： state monitoring； vision identification technology； HOG feature extraction； Adaboost classifier

0 引 言

變電站因各類作業(yè)，工作人員需在變電站內不斷進行活動，因此使變電站作業(yè)狀態(tài)監(jiān)測視覺辨識顯得十分重要[1?3]。隨著狀態(tài)監(jiān)測視覺辨識技術水平的不斷提高，變電站安全管控系統(tǒng)開始應用狀態(tài)監(jiān)測視覺辨識技術。通過對變電站的實時狀態(tài)監(jiān)測圖像進行處理，識別定位出人的位置從而實現(xiàn)監(jiān)測辨識自動化，這對電網安全管理意義重大[4?8]。

HOG特征的基本思想實質是指行人目標自身非剛性非常強，由于行人衣著顏色紋理的特征很難匹配形狀模板，因此對行人目標進行有效描述有一定的難度[9]；特征提取是行人目標邊緣梯度特征。SVM分類器的基礎是統(tǒng)計學習理論，與傳統(tǒng)分類學習相比，SVM分類器可有效避免維數(shù)災難和過學習等問題，具有優(yōu)秀的泛化能力[10]。本文提出一種基于人體HOG特征提取算法，對變電站安全管控系統(tǒng)狀態(tài)監(jiān)測視覺辨識技術進行研究。

1 HOG特征原理

HOG特征提取包含Gamma及顏色空間標準化、梯度計算、Cell梯度投票、Block與梯度向量歸一化、HOG特征向量生成等。從輸入圖像檢測提取人體目標特征計算，分類器的訓練、檢測貫穿整個過程，是整個人體目標狀態(tài)監(jiān)測視覺辨識技術的核心，圖1為HOG特征提取的基本流程。

1.1 Gamma及顏色空間標準化

HOG特征提取預處理手段引入圖像Gamma及顏色空間標準化，是為了解決光照條件變化時，影響圖像局部邊緣特征。Dalal等人對圖像像素點表達方法進行了評估，包括灰度空間使用評估，顏色空間RGB及LAB評估，最后得出色彩信息正向影響檢測結果。RGB及LAB顏色空間得到基本一致的檢測結果，只采用圖像灰度信息時，誤報率大致為僅僅提高漏檢率1.5%；分別采用兩種Gamma標準化方式取平方根進行壓縮，檢測結果未受影響。在現(xiàn)實的變電站中，天氣狀況復雜多變，輪廓特征受光照影響較大，在進行HOG 特征提取時，最好提前壓縮Gamma，如下所示：

（1）

式中：壓縮后的圖像用表示；原圖像用表示；Gamma壓縮系數(shù)用表示，取=0.55。

1.2 梯度運算

圖像局部特征不連續(xù)造成圖像邊緣化，圖像中變化平坦區(qū)域，灰度值在相鄰像素點變化較小，這樣梯度幅值相應也較小，梯度幅值較大值出現(xiàn)在引起灰度突變的邊緣區(qū)域，因此根據一階導數(shù)幅值大小可對圖像中是否存在邊緣以及邊緣位置進行判斷；邊緣灰度值在邊緣像素的高或低可采用二階導數(shù)符號進行判斷，邊緣位置為二階導數(shù)過零點。

圖像函數(shù)的梯度為一階導數(shù)，連續(xù)圖像函數(shù)在任意像素點處的梯度實質是一個矢量，如下：

（2）

式中：沿方向的梯度用表示；方向的梯度用表示；在最大變化率方向上，單位距離增加的量就是梯度幅值，梯度幅值及方向角可表示為：

（3）

數(shù)字圖像的梯度計算用微分實現(xiàn)：

（4）

一維離散微分能對圖像梯度信息進行簡單、快速計算，圖像中像素點的梯度計算如下：

（5）

在圖像中像素點處，表示水平方向梯度，表示垂直方向梯度，表示像素的灰度值。像素點梯度幅值和梯度方向采用下式計算：

（6）

（7）

1.3 Cell梯度投票

按雙線性插值法在0～180°處，將Cell中每個像素的梯度在9個直方圖區(qū)間中進行插值。在相鄰兩個區(qū)間，與梯度方向分別有兩個夾角，即，分別將梯度幅值累加到直方圖，可得：

（8）

（9）

式中：梯度方向與投影區(qū)間的距離比例用表示。完成每個Cell中的8×8個像素值投影，每個Cell的梯度方向直方圖就得到了。

1.4 Block與梯度向量歸一化

梯度幅值絕對值的大小與兩個因素有關：一是圖像局部光照條件；二是前景、背景對比度，梯度幅值取值范圍較大，其變化不能真實反映物體輪廓特點，這就需要對梯度直方圖向量進行歸一化處理。插值完Block中全部Cell后，可得到一個關于的直方圖向量Block的特征向量為在塊特征向量范數(shù)歸一化后，可減少干擾因素的影響。范數(shù)歸一化方法如下：

（10）

采用歸一化法，在自然環(huán)境中，變電站的光照度變化、背景變化、被遮擋部分、物體陰影等影響可大幅減少。

2 級聯(lián)Adaboost分類器

Adaboost方法對有無弱學習器的先驗知識關系不大，對處理實際問題比較適用。級聯(lián)分類器實質屬于一種串聯(lián)結構組合分類器，其分類能力隨著增加的一級分類器而增加，該分類器可有效降低誤檢率，提高檢測速度。級聯(lián)分類器結合Adaboost分類器可快速實現(xiàn)對非剛性、多姿態(tài)、多特征目標的檢測。通過多個級聯(lián)分類器的建立和實際環(huán)境訓練，可將多種特征進行更好分類，以便對變電站中攝像機環(huán)境、光線角度、方位角度進行適應。

2.1 離線訓練

在離線訓練中，訓練樣本集為，樣本類別用表示，表示正樣本數(shù)目，表示負樣本數(shù)目，表示總樣本數(shù)目。

樣本初始化權重為

表示總訓練輪數(shù)，式（11）為第輪訓練的權重歸一化：

（11）

每個特征訓練一個弱分類器，分類器加權錯誤率為：

（12）

將最小錯誤率的弱分類器向強分類器中添加，更新后的權重為：

（13）

式中：。

強分類器最終公式如下：

（14）

2.2 在線分類

在樣本線性可分的情況下，在分類問題時，有一個最優(yōu)分類面存在，分析可采用由二維線性可分進行。圖2為二維線性可分問題示意圖，在圖2中，兩類訓練樣本分別采用空心小方塊、實心小方塊代表。為的分類線，可正確劃分樣本中所有兩類數(shù)據。與直線均平行，過各分類中離最近的樣本數(shù)據。之間的距離表示分類間隔。分類線滿足兩個條件才表明其是最優(yōu)分類線：條件一是將兩類無錯誤地分開；條件二是分類間隔最大，最優(yōu)分類線的支持向量就是上的樣本。

線性可分的未知樣本的分類函數(shù)如下：

（15）

所屬的類型通過該函數(shù)的計算獲知。

通過Cascade Adaboost分類器，逐級檢測每個待分類的特征向量。檢測未通過，則拋棄；檢測通過，則進行下一輪檢測。所有通過級聯(lián)分類器檢測的樣本，則該位置表示人體頭部區(qū)域，圖3為Cascade Adaboost分類器分類過程。

3 變電站狀態(tài)監(jiān)測視覺辨識

在變電站的現(xiàn)場，計算機視覺系統(tǒng)是最重要的安全監(jiān)控對象，系統(tǒng)的首要條件是要完成對人體的準確識別，只有完成了這個條件，后續(xù)的統(tǒng)計、定位、作業(yè)管理、報警等工作才能完成。根據變電站具體環(huán)境、人體特征等現(xiàn)象，采用級聯(lián)Adaboost分類器，經離線訓練和在線分類，可準確快速實現(xiàn)對變電站狀態(tài)監(jiān)測視覺辨識，從而提高系統(tǒng)技術性能，使系統(tǒng)具有較強的實用性。通過變電站狀態(tài)監(jiān)測視覺辨識技術，變電站可實現(xiàn)對人員的檢測、識別，在作業(yè)人員自動化監(jiān)視、管理方面提供實用技術給變電站，通過研究人員定位和行為，實現(xiàn)全面監(jiān)控變電站作業(yè)。

4 狀態(tài)監(jiān)測視覺辨識技術實驗結果

狀態(tài)測試集合由3 600 h真實監(jiān)控視頻構成，在同樣的計算機設備環(huán)境下，比較級聯(lián)Adaboost分類器和SVM分類器的檢測率、誤檢率、平均運行耗時，表1為Cascade Adaboost與SVM兩類分類器的性能比較。

由表1可知，本文采用的狀態(tài)監(jiān)測視覺辨識技術人體檢測算法檢測率為93.8%，誤檢率為4.7%，平均耗時為62 ms，比SVM分類器的檢測率要高出9.5%，誤檢率要低9.8%，平均耗時要少132 ms。這說明通過采用級聯(lián)Adaboost分類器，檢測性能得到提高，從視頻序列中能快速、準確地提取人體區(qū)域，較好地滿足動態(tài)目標檢測、分析需求。通過提取人體HOG特征，算法實用性得到有效增進。

圖4為Cascade Adaboost與SVM兩類分類器檢測結果對比圖，Cascade Adaboost的曲線始終優(yōu)于SVM的實驗結果。在實際監(jiān)控中，一般希望有效避免目標漏檢，即漏檢率應盡可能低。

5 結 語

本文采用基于人體HOG特征提取算法對變電站安全管控系統(tǒng)狀態(tài)監(jiān)測視覺辨識技術進行研究。根據變電站具體環(huán)境，人體特征等現(xiàn)象，采用級聯(lián)Adaboost分類器，經離線訓練和在線分類，可準確快速實現(xiàn)對變電站狀態(tài)監(jiān)測視覺辨識，從而提高系統(tǒng)技術性能，使系統(tǒng)具有較強的實用性。采用級聯(lián)Adaboost分類器，檢測性能得到提高，從視頻序列中能快速、準確地提取人體區(qū)域，較好地滿足動態(tài)目標檢測、分析需求。

參考文獻

[1] 林逢春，許曉輝，安英海，等.變電站安全監(jiān)視中人體檢測的視覺辨識研究[J].電工技術，2015（10）：23?25.

[2] 周金芝，王娟.基于HOG的人體檢測方法的改進[J].軟件導刊，2011，10（4）：76?78.

[3] 肖永剛.基于梯度特征和級聯(lián)分類的快速行人檢測[D].天津：天津大學，2010.

[4] 汪成亮，周佳，黃晟.基于高斯混合模型與PCA?HOG的快速運動人體檢測[J].計算機應用研究，2012，29（6）：2156?2162.

[5] 宋錦剛，許長青，朱統(tǒng)亮.基于波形辨識技術的SF6斷路器分/合閘線圈電流監(jiān)測[J].電力建設，2011，32（3）：65?69.

[6] 許麗佳，王厚軍，龍兵.一種狀態(tài)監(jiān)測與健康評估方法及其在模擬電路中的應用[J].計算機輔助設計與圖形學學報，2008，20（12）：1550?1555.

[7] 董曉慧，馬如宏，詹月林.風力機塔架螺栓連接狀態(tài)監(jiān)測與辨識研究進展[J].現(xiàn)代制造工程，2013（3）：129?133.

[8] 趙萬有，曹陽，溫嘉宇，等.調度狀態(tài)監(jiān)測與監(jiān)控預警系統(tǒng)中數(shù)據處理流程研究[J].黑龍江電力，2016，38（2）：119?123.

[9] 胡閏秀，劉永濤.基于機器視覺的客運車輛危險行駛狀態(tài)辨識技術研究[J].汽年實用技術，2015（11）：20?23.

[10] 徐超，周幫友，劉信恩，等.機械螺栓連接狀態(tài)監(jiān)測和辨識方法研究進展[J].強度與環(huán)境，2009，36（2）：28?36.