劉一凡,蔡振江※,司永勝

（1.河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，保定 071000；2. 河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，保定 071000）

0 引 言

中國(guó)農(nóng)村變電站通常規(guī)模比較大，電氣設(shè)備都比較傳統(tǒng)，設(shè)備自動(dòng)化和智能化程度普遍較低，因此在變電站的日常運(yùn)行維護(hù)中對(duì)人力資源的要求相對(duì)較高[1-2]。在農(nóng)村變電站日常巡檢與突發(fā)故障檢修時(shí)，都需要工作人員進(jìn)入現(xiàn)場(chǎng)操作。變電站存在大量高危電氣設(shè)備，為了保證工作人員的安全與變電站的正常運(yùn)轉(zhuǎn)，通常要求工作人員在變電站現(xiàn)場(chǎng)特定的安全（檢修）區(qū)域內(nèi)工作。為了避免出現(xiàn)工作人員離開安全（檢修）區(qū)域的情況，需要對(duì)在場(chǎng)的工作人員（即運(yùn)動(dòng)目標(biāo)）實(shí)時(shí)監(jiān)測(cè)。

目前運(yùn)動(dòng)目標(biāo)的智能識(shí)別與定位在安全監(jiān)控領(lǐng)域有著日益廣泛的研究與應(yīng)用[3-6]。本文結(jié)合中國(guó)農(nóng)村變電站電氣設(shè)備比較傳統(tǒng)、設(shè)備自動(dòng)化和智能化程度普遍較低特點(diǎn)，采取一種在變電站現(xiàn)場(chǎng)特定的安全（檢修）區(qū)域周圍即時(shí)架設(shè)相機(jī)的方法對(duì)工作人員實(shí)時(shí)監(jiān)控，從而實(shí)現(xiàn)站內(nèi)工作人員監(jiān)測(cè)的遠(yuǎn)程化、智能化、自動(dòng)化，使工作人員的安全性大大提高。其中運(yùn)動(dòng)目標(biāo)的檢測(cè)是視頻監(jiān)測(cè)關(guān)鍵步驟。目前常見的運(yùn)動(dòng)目標(biāo)檢測(cè)算法主要有：背景差分法、幀間差分法、主成分分析法、自適應(yīng)背景建模算法等。這些檢測(cè)算法應(yīng)用在變電站運(yùn)動(dòng)目標(biāo)檢測(cè)中存在背景去除較差、目標(biāo)信息保留不完整的問題。

背景差分法[7-8]在大部分實(shí)際應(yīng)用中，背景信息極易受到光照變化、目標(biāo)陰影以及一些目標(biāo)之外的雜質(zhì)與噪聲的影響，不適用于變電站戶外監(jiān)測(cè)。幀間差分法[9-12]通常無法提取出目標(biāo)的完整信息，且在目標(biāo)運(yùn)動(dòng)過慢或者過快的情況下，會(huì)出現(xiàn)目標(biāo)丟失或者誤檢測(cè)為2個(gè)目標(biāo)的情況，不適用于監(jiān)測(cè)變電站內(nèi)不同活動(dòng)狀態(tài)下的工作人員。

近年來，魯棒性主成分分析法（robust principal component analysis，RPCA）受到了廣泛關(guān)注與研究[13-14]。目前主要包括：1）基于最小化迭代算法完成快速主成分尋蹤（fast principal component pursuit，F(xiàn)PCP）[15-16]。該算法對(duì)于背景動(dòng)態(tài)變化的情況檢測(cè)效果不佳。2）基于格拉斯曼流形（Grassman manifold）的自適應(yīng)子空間跟蹤算法（Grassmannian robust adaptive subspace tracking algorithm，GRASTA）[17]，該算法去除背景效果良好，但運(yùn)動(dòng)目標(biāo)信息保留不完整。

自適應(yīng)背景建模算法應(yīng)用廣泛的主要有以下2種：1）混合高斯模型（Gaussian mixture model，GMM）算法[18-22]，該算法可以較完整地提取了運(yùn)動(dòng)目標(biāo)信息，且去除了大部分背景噪聲；2）視覺背景提取（Visual background extractor，ViBe）算法[23-25]，該算法計(jì)算復(fù)雜度略低于混合高斯模型算法，具有一定的魯棒性和實(shí)時(shí)性。2種算法都存在一些共性缺點(diǎn)：如會(huì)在背景產(chǎn)生ghost鬼影現(xiàn)象；對(duì)于背景中的高頻擾動(dòng)噪聲抑制效果較差；自適應(yīng)更新的背景模型存在一定程度的滯后性，即檢測(cè)到的背景噪聲，可能需要 10幀甚至更多才能將噪聲完全去除，影響變電站監(jiān)測(cè)效率與精度。

針對(duì)上述不同算法在農(nóng)村變電站運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)上存在的問題，本文提出了一種多域融合（時(shí)域空域與頻域）的農(nóng)村變電站運(yùn)動(dòng)目標(biāo)檢測(cè)（time-domain space-domain and frequency- domain fusion，TSFF）算法。TSFF算法首先將傳統(tǒng)的 2幀時(shí)域運(yùn)算擴(kuò)展為連續(xù)多幀的時(shí)域運(yùn)算。并選取多幀圖像相同位置處的像素值作為一組時(shí)域信號(hào)，通過短時(shí)傅里葉變換[26-28]對(duì)該信號(hào)作時(shí)頻分析，并結(jié)合每幀圖像上目標(biāo)像素點(diǎn)的水平與垂直 4個(gè)方向上擴(kuò)展鄰域的像素點(diǎn)（空域），依次通過短時(shí)傅里葉變換作時(shí)頻分析，將目標(biāo)點(diǎn)與擴(kuò)展鄰域的視頻幅值的標(biāo)準(zhǔn)差均值結(jié)合分析，通過設(shè)定雙閾值，最終判斷出目標(biāo)點(diǎn)是否為背景、擾動(dòng)噪聲或運(yùn)動(dòng)目標(biāo)。

1 常見運(yùn)動(dòng)目標(biāo)檢測(cè)算法原理

在常見的運(yùn)動(dòng)目標(biāo)檢測(cè)算法中，通常都是兩幀之間在相同目標(biāo)點(diǎn)位置作差值運(yùn)算，只考慮到時(shí)域變化。如背景差分法與幀間差分法的本質(zhì)都是計(jì)算不同幀圖像同一像素位置在時(shí)域上像素值變化情況；自適應(yīng)背景建模算法本質(zhì)是計(jì)算生成背景模型，并與含有運(yùn)動(dòng)目標(biāo)圖像幀在時(shí)域上作差。其原理可表示為：

式中 m (i , j,n)表示第 n幀圖像 ( i, j)位置處像素值；m(i , j,k)表示第k幀圖像 ( i, j)位置處像素值，當(dāng)k為n的相鄰幀則為幀間差分法，當(dāng)k為背景幀則為背景差分法； d ( i,j)表示2幀圖像在 ( i , j)位置的像素差分值。

接著將像素差分值與設(shè)定閾值T作比較，小于該閾值則為靜態(tài)背景，大于該閾值則為運(yùn)動(dòng)目標(biāo)，最終完成整幅差分圖像的二值化處理。有公式:

式中 ),(jib 表示差分圖像中 ),( ji 位置的像素值，該值為1則為運(yùn)動(dòng)目標(biāo)，該值為0則為靜態(tài)背景。

2 TSFF算法檢測(cè)原理

TSFF算法首先在時(shí)域上選取連續(xù)多幀圖像，并在每幀圖像相同位置處選取像素點(diǎn)構(gòu)成一組時(shí)域信號(hào)，對(duì)該信號(hào)作短時(shí)傅里葉變換（short time Fourier transform，STFT），轉(zhuǎn)換到頻域觀察信號(hào)幅值波動(dòng)情況，并在每幀圖像目標(biāo)點(diǎn)水平與垂直4個(gè)方向上擴(kuò)展鄰域內(nèi)（空域）各選取2個(gè)像素點(diǎn)，分別通過短時(shí)傅里葉變換完成時(shí)頻分析，最終通過設(shè)定雙閾值判斷該像素點(diǎn)的信號(hào)特征。具體算法如下：

首先在時(shí)域上選取n幀連續(xù)圖像構(gòu)成一組三維時(shí)空?qǐng)D像組 M。在每幀圖像的 ),( ji 位置處選取像素點(diǎn)，構(gòu)成一組時(shí)域空間上的n維向量。該向量可表示為

式中 M ( i,j)表示n幀圖像 ( i , j)位置的n維像素序列。

M ( i,j)可以看成是一組目標(biāo)點(diǎn)像素值隨時(shí)間變化的時(shí)域信號(hào)向量。本文采用短時(shí)傅里葉變換對(duì)時(shí)域信號(hào)向量進(jìn)行時(shí)頻變換。短時(shí)傅里葉變換。相較于基于全局處理的傳統(tǒng)傅里葉變換，加入了一個(gè)時(shí)頻局部化的窗函數(shù)，可以有效地分析一組時(shí)域信號(hào)在不同時(shí)刻的功率譜。所以短時(shí)傅里葉變換可以看作是移動(dòng)窗口內(nèi)依次對(duì)信號(hào)作傅里葉變換，可表示為

式中 )(uz 為輸入信號(hào)； )(tg 為窗函數(shù)；f為短時(shí)傅里葉變換頻率，由計(jì)算傅里葉變換的采樣點(diǎn)數(shù)決定；t為短時(shí)傅里葉變換的時(shí)間，由輸入信號(hào)的長(zhǎng)度與窗函數(shù)的寬度決定；STFT(t,f)為短時(shí)傅里葉變換時(shí)頻幅值，該值由一個(gè) f行t列的矩陣構(gòu)成。

窗函數(shù) )(tg 選取與參數(shù)設(shè)定也十分關(guān)鍵。目前常用的窗函數(shù)主要包括矩形窗、海明窗與漢寧窗。其中，海明窗在頻率范圍中的分辨率較高，且能量聚集性強(qiáng)，旁瓣幅度較小，計(jì)算也比較簡(jiǎn)單，因此本文選擇海明窗完成信號(hào)處理，有公式

式中N為窗函數(shù)的寬度，也稱窗長(zhǎng)； RN(t)為矩形窗函數(shù)。

就本文需要處理的連續(xù)多幀時(shí)域向量而言，z ( u)即為式（3）中的 M ( i,j)。結(jié)合多幀圖像中目標(biāo)點(diǎn)信號(hào)特征，可以將多幀中像素值變化不大的背景點(diǎn)看作平穩(wěn)信號(hào)；將多幀中像素值變化較大的運(yùn)動(dòng)目標(biāo)或高頻噪聲點(diǎn)看作沖擊信號(hào)。對(duì)于平穩(wěn)信號(hào)，通過短時(shí)傅里葉變換得到的三維頻譜圖表現(xiàn)平穩(wěn)，沒有明顯的波峰與波谷；對(duì)于沖擊信號(hào)，通過短時(shí)傅里葉變換得到的三維頻譜圖表現(xiàn)波形變化明顯，通常有波峰或波谷。所以本文通過計(jì)算時(shí)-頻域上短時(shí)傅里葉變換時(shí)頻幅值Sft( i,j)= STFT(t,f)的均值與標(biāo)準(zhǔn)差并設(shè)定閾值來判別信號(hào)特征。有公式

式中 ),( jiaf表示目標(biāo)點(diǎn) ),(jiM 在每段頻率下不同時(shí)間短時(shí)傅里葉變換時(shí)頻幅值的均值； bf( i,j)表示目標(biāo)點(diǎn)M ( i ,j)在每段頻率下不同時(shí)間短時(shí)傅里葉變換時(shí)頻幅值的標(biāo)準(zhǔn)差； Cm表示目標(biāo)點(diǎn) M ( i,j)在每段頻率幅值標(biāo)準(zhǔn)差的均值。對(duì)于平穩(wěn)信號(hào)，計(jì)算得到標(biāo)準(zhǔn)差的均值 Cm很小，對(duì)于沖擊信號(hào)，計(jì)算得到標(biāo)準(zhǔn)差的均值 Cm較大。所以本文通過設(shè)定閾值 T1首先檢測(cè)出連續(xù)多幀圖像中不同像素位置為平穩(wěn)信號(hào)或沖擊信號(hào)。有公式

式中 mnew( i,j)表示 ( i , j)位置處新生成像素值，標(biāo)準(zhǔn)差的均值 Cm大于閾值 T1像素值為1（白色），反之像素值為0（黑色），生成二值分割圖像。

通過式（9）可以判斷出目標(biāo)點(diǎn)為平穩(wěn)信號(hào)或沖擊信號(hào)。但是沖擊信號(hào)可能是目標(biāo)運(yùn)動(dòng)目標(biāo)，也可能是背景擾動(dòng)噪聲。且當(dāng)運(yùn)動(dòng)目標(biāo)鄰域像素值相差不大時(shí)導(dǎo)致其時(shí)頻幅值波動(dòng)較小，將其誤檢測(cè)為平穩(wěn)信號(hào)。極易出現(xiàn)幀間差分法中運(yùn)動(dòng)目標(biāo)出現(xiàn)的“空洞”現(xiàn)象。針對(duì)上述問題，本文在時(shí)頻運(yùn)算的基礎(chǔ)上融合了空域運(yùn)算，提出在每幀（空域）內(nèi)結(jié)合目標(biāo)點(diǎn)擴(kuò)展鄰域像素信息綜合判斷，進(jìn)一步降低目標(biāo)點(diǎn)誤識(shí)別的概率。通常情況下，視頻幀中的高頻噪聲分布區(qū)域零散，像素面積小，而運(yùn)動(dòng)目標(biāo)通常分布區(qū)域集中且像素面積較大。所以本文通過結(jié)合目標(biāo)點(diǎn)擴(kuò)展鄰域像素點(diǎn)在時(shí)頻域的短時(shí)傅里葉變換進(jìn)一步判斷目標(biāo)點(diǎn)的信號(hào)特征。為了保證在空域內(nèi)獲取足夠像素信息判斷目標(biāo)點(diǎn)的運(yùn)動(dòng)情況，同時(shí)最大程度減少數(shù)據(jù)運(yùn)算量，本文在每幀圖像（空域）上目標(biāo)點(diǎn)的水平與垂直4個(gè)方向上擴(kuò)展鄰域內(nèi)各選取2個(gè)最外側(cè)像素點(diǎn)。有公式

式中nh為第n幀圖像中水平方向上擴(kuò)展鄰域2個(gè)最外側(cè)像素點(diǎn)序列；nl為第n幀圖像中垂直方向上擴(kuò)展鄰域2個(gè)最外側(cè)像素點(diǎn)序列。

圖1以5幀視頻圖像為例，展示了TSFF算法在時(shí)-空域選取像素點(diǎn)的情況。

圖1 連續(xù)5幀圖像的像素點(diǎn)Fig.1 Selected pixels of five consecutive video frames

圖1a為 TSFF算法在時(shí)-空域選取像素點(diǎn)在連續(xù)5幀圖像中的某一位置示意圖；圖 1b為選取像素點(diǎn)的放大顯示。圖中深色圓點(diǎn)表示在5幀圖像中目標(biāo)點(diǎn) m (i , j)的位置。白色圓點(diǎn)則表示目標(biāo)點(diǎn)的擴(kuò)展鄰域像素點(diǎn),本文算法只選取最外側(cè)的像素點(diǎn)。

結(jié)合式（4）和式（5），可以分別計(jì)算出擴(kuò)展鄰域序列 hn與 ln在時(shí)-頻域上短時(shí)傅里葉變換時(shí)頻幅值，分別記為Sft(i±2,j)與Sft(i,j±2)。結(jié)合式（6）-式（8），分別計(jì)算每組鄰域信號(hào)的短時(shí)傅里葉變換時(shí)頻幅值的均值af(i±2,j)，af(i,j±2)，標(biāo)準(zhǔn)差bf(i±2,j)，bf( i ,j±2)與標(biāo)準(zhǔn)差均值 Cn。本文通過設(shè)定閾值 T2與Cn作比較，并結(jié)合式（9）中的目標(biāo)信號(hào)特征作進(jìn)一步判別，判定關(guān)系如下

式（12）通過雙閾值最終判斷出目標(biāo)點(diǎn)的信號(hào)特征。當(dāng)目標(biāo)點(diǎn)標(biāo)準(zhǔn)差均值大于閾值 T1，首先判定其為沖擊信號(hào)，如果目標(biāo)點(diǎn)鄰域點(diǎn)的標(biāo)準(zhǔn)差均值小于閾值T2，則說明目標(biāo)點(diǎn)周圍是平穩(wěn)信號(hào)，則該點(diǎn)為高頻噪聲將其去掉，其余點(diǎn)為運(yùn)動(dòng)目標(biāo)點(diǎn)。當(dāng)目標(biāo)點(diǎn)標(biāo)準(zhǔn)差的均值小于閾值T1，首先判定其為平穩(wěn)信號(hào)，如果目標(biāo)點(diǎn)鄰域點(diǎn)的標(biāo)準(zhǔn)差均值大于閾值 T2，則說明目標(biāo)點(diǎn)周圍是沖擊信號(hào)，則該點(diǎn)為像素變化較小的運(yùn)動(dòng)目標(biāo)將其保留，其余點(diǎn)為靜態(tài)背景。

本文通過空域時(shí)域與頻率的三域融合，提出 TSFF算法，可在連續(xù)多幀圖像中，最大程度檢測(cè)出運(yùn)動(dòng)目標(biāo)，去除絕大部分背景噪聲。

3 試驗(yàn)結(jié)果與分析

變電站視頻拍攝地點(diǎn)為某縣35 kV變電站，拍攝視頻設(shè)備為 Microvision公司的 CCD工業(yè)相機(jī)，型號(hào)為MV-VS220，分辨率為 720×480像素。試驗(yàn)所用計(jì)算機(jī)為英特爾I5處理器，2g內(nèi)存，Win7操作系統(tǒng)，所用程序均為Matlab2014編寫。

首先對(duì)文中提到的幀間差分法（IFD）、魯棒性主成分分析法（RPCA）算法中的快速完成主成分尋蹤（FPCP）算法與自適應(yīng)子空間跟蹤（GRASTA）算法，以及自適應(yīng)背景更新算法中的視覺背景提?。╒ibe）算法與混合高斯模型（GMM）算法與本文提出的TSFF算法作了比較。試驗(yàn)分別選取了5組變電站不同工作環(huán)境下不同工作人員的視頻幀作比較分析。由于在TSFF算法中，必須對(duì)連續(xù)多幀進(jìn)行遍歷計(jì)算，所以分別選取了5組變電站視頻目標(biāo)幀的前后相鄰5幀，同時(shí)為了彌補(bǔ)在時(shí)頻變換時(shí)信號(hào)長(zhǎng)度較短的不足，文本將這相鄰5幀信號(hào)重復(fù)排列4次，擴(kuò)展為20幀長(zhǎng)的信號(hào)。圖2為變電站視頻A處理效果比較，該視頻背景擾動(dòng)較小，目標(biāo)運(yùn)動(dòng)速率適中；圖3為變電站視頻C處理效果比較，視頻中存在多個(gè)運(yùn)動(dòng)目標(biāo)，且目標(biāo)運(yùn)動(dòng)速率較快。圖4為變電站視頻D處理效果比較，背景受到樹葉的高頻噪聲擾動(dòng)影響。且視頻 A中的運(yùn)動(dòng)目標(biāo)距相機(jī)較近，目標(biāo)圖像占比較大，背景相對(duì)簡(jiǎn)單；視頻C和D中運(yùn)動(dòng)目標(biāo)距相機(jī)較遠(yuǎn)，圖像占比較小，背景相對(duì)復(fù)雜。

圖2 不同算法變電站視頻A處理效果Fig.2 Processed result of substation video A by different algorithm

圖3 不同算法變電站視頻C處理效果Fig.3 Processed result of substation video C by different algorithm

圖4 不同算法變電站視頻D處理效果Fig.4 Processed result of substation video D by different algorithm

同時(shí)為了與其他分割算法效果作橫向比較，參數(shù)設(shè)定統(tǒng)一。其中幀間差分法（IFD）的二值化閾值設(shè)定為15；混合高斯模型（GMM）算法濾波器個(gè)數(shù)為3，初始背景建模幀數(shù)為10，學(xué)習(xí)速率為0.7；ViBe算法樣本集中鄰近像素點(diǎn)個(gè)數(shù)20，匹配點(diǎn)的個(gè)數(shù)閾值20，#min =2，更新采樣概率為16。TSFF算法中短時(shí)傅里葉變換采用了窗長(zhǎng)為3的海明窗，頻率采樣點(diǎn)數(shù)為128。試驗(yàn)結(jié)果詳見圖2、3、4。

接下來本文針對(duì)圖2中變電站視頻幀短時(shí)傅里葉變化部分特征信號(hào)的頻譜圖作了展示。詳見圖5。

圖5 不同特征信號(hào)頻譜圖Fig.5 Different characteristics of signal spectrum

圖5a展示了5幀圖像中坐標(biāo)為（110,220）的靜態(tài)背景點(diǎn)生成的頻譜圖；圖5b展示了5幀圖像中坐標(biāo)為（217,398）的運(yùn)動(dòng)目標(biāo)點(diǎn)生成的頻譜圖。通過2幅頻譜圖比較，可以明顯看出：靜態(tài)背景點(diǎn)即平穩(wěn)信號(hào)生成的頻譜圖整體較為平緩，沒有明顯的波動(dòng)；運(yùn)動(dòng)目標(biāo)點(diǎn)即沖擊信號(hào)生成的頻譜圖波動(dòng)明顯，出現(xiàn)多個(gè)波峰與波谷。根據(jù)這一信號(hào)特征，本文通過設(shè)定閾值1T，首先分割出連續(xù)多幀圖像中的波動(dòng)明顯的運(yùn)動(dòng)信號(hào)。接著跟據(jù)式（10）～式（12）結(jié)合空域中目標(biāo)點(diǎn)擴(kuò)展鄰域短時(shí)傅里葉變換對(duì)目標(biāo)點(diǎn)信號(hào)特征作進(jìn)一步判斷，最終判別不同目標(biāo)為靜態(tài)背景、運(yùn)動(dòng)目標(biāo)或者高頻噪聲。圖7和圖8分別展示了部分特征信號(hào)及其空間擴(kuò)展鄰域信號(hào)的頻譜圖。

圖 6展示了圖 2中變電站視頻圖像幀中坐標(biāo)為（217,398）的目標(biāo)點(diǎn)及其空間擴(kuò)展鄰域4點(diǎn)生成的頻譜圖；圖 7展示了圖 2中變電站視頻圖像幀中坐標(biāo)為（118,558）的目標(biāo)點(diǎn)及其空間擴(kuò)展鄰域4點(diǎn)生成的頻譜圖。通過2幅頻譜圖比較，可以明顯看出在結(jié)合空域信息后，可以有助于進(jìn)一步判斷目標(biāo)點(diǎn)信號(hào)特征：圖 6a中目標(biāo)點(diǎn)為沖擊信號(hào)，圖6b中其4個(gè)擴(kuò)展鄰域點(diǎn)（空域）也為沖擊信號(hào)，所以該點(diǎn)判定為運(yùn)動(dòng)目標(biāo)點(diǎn)。在圖7a中，雖然目標(biāo)點(diǎn)閾值大于1T判定為沖擊信號(hào)，但在圖7b中其4個(gè)擴(kuò)展鄰域點(diǎn)（空域）整體評(píng)價(jià)結(jié)果小于2T，所以該沖擊信號(hào)目標(biāo)點(diǎn)最終判定為高頻背景噪聲點(diǎn)剔除。采用本文雙閾值判定算法同樣可以識(shí)別出大量誤識(shí)別為靜態(tài)背景的運(yùn)動(dòng)目標(biāo)點(diǎn)，減少生成目標(biāo)圖像的空洞現(xiàn)象。

由圖8對(duì)比分析，雙閾值算法保留了更多目標(biāo)有效信息，且背景去噪效果更好。為了更精確地比較幾種算法的性能，本文采用準(zhǔn)確率和召回率作為量化指標(biāo)，有公式

圖6 運(yùn)動(dòng)目標(biāo)點(diǎn)及其擴(kuò)展鄰域頻譜圖Fig.6 Moving target and extended neighborhood spectrum diagram

圖7 背景噪聲點(diǎn)及其擴(kuò)展鄰域頻譜圖Fig.7 Background noise and extended neighborhood spectrum diagram

式中P表示檢測(cè)準(zhǔn)確率；R表示檢測(cè)召回率；Nj表示正確檢測(cè)出的運(yùn)動(dòng)目標(biāo)像素?cái)?shù)；Nz表示算法實(shí)際檢測(cè)出的運(yùn)動(dòng)目標(biāo)像素?cái)?shù)；NG表示真值圖（ground truth）的運(yùn)動(dòng)目標(biāo)像素?cái)?shù)；準(zhǔn)確率反映了正確檢測(cè)的像素?cái)?shù)占檢測(cè)出的前景總像素?cái)?shù)的百分比；召回率反映了正確檢測(cè)的像素?cái)?shù)占真值圖像素?cái)?shù)的百分比。表1列出了圖2、3、4中不同算法檢測(cè)效果的準(zhǔn)確率與召回率。

本文提出的時(shí)空域與頻域融合算法的運(yùn)動(dòng)目標(biāo)信息保留效果在幾種算法中表現(xiàn)最優(yōu)，召回率為86.10%；背景噪效果（準(zhǔn)確率96.68%）與IFD算法相當(dāng)，整體表現(xiàn)優(yōu)于其他算法。該算法在較完整保留運(yùn)動(dòng)目標(biāo)信息的同時(shí)，最大限度去除了背景，且具有較強(qiáng)的魯棒性，適用于在不同情況下變電站工作人員實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)。

圖8 單閾值與雙閾值的視頻A目標(biāo)檢測(cè)情況Fig. 8 Different video A moving target detection with different threshold

表1 不同算法檢測(cè)效果的準(zhǔn)確率與召回率Table 1 Performance of different algorithms through precision and recall rate %

4 結(jié) 論

1）本文結(jié)合中國(guó)農(nóng)村變電站規(guī)模比較大，電氣設(shè)備比較傳統(tǒng)、設(shè)備自動(dòng)化和智能化程度普遍較低特點(diǎn)，采取一種在變電站現(xiàn)場(chǎng)特定的安全（檢修）區(qū)域周圍即時(shí)架設(shè)相機(jī)的方法對(duì)工作人員實(shí)時(shí)監(jiān)控，該方法成本較低，操作簡(jiǎn)單，且監(jiān)控預(yù)警效果良好?，F(xiàn)場(chǎng)工作人員檢測(cè)越完整，噪聲去除效果越好，那么對(duì)工作人員的檢測(cè)與定位越準(zhǔn)確，安全性大大提高。

2）結(jié)合某農(nóng)村變電站現(xiàn)場(chǎng) 5組代表性視頻幀處理效果與表1列出的評(píng)價(jià)標(biāo)準(zhǔn)，幾種算法在不同情況下綜合比較可以得出：幀間差分算法去噪效果良好，但目標(biāo)保留效果較差；快速主成分尋蹤算法對(duì)于高頻噪聲擾動(dòng)抑制較差（視頻 D樹葉）；自適應(yīng)子空間跟蹤算法在目標(biāo)運(yùn)動(dòng)較慢時(shí)檢測(cè)效果嚴(yán)重下滑（視頻B）；高斯混合模型算法目標(biāo)保留效果最優(yōu)，但是對(duì)于陰影與高頻噪聲同樣去除效果一般；視覺背景提取算法對(duì)噪聲抑制表現(xiàn)良好，但是目標(biāo)保留效果整體一般。

3）本文提出的時(shí)空域與頻域融合算法在處理不同情況下的視頻幀表現(xiàn)穩(wěn)定，通過雙閾值的設(shè)定，比單閾值處理效果上均有較大程度的提升。且運(yùn)動(dòng)目標(biāo)信息保留效果（召回率86.10%）在幾種算法中表現(xiàn)最優(yōu)；背景噪效果（準(zhǔn)確率96.68%）與IFD算法相當(dāng)，整體表現(xiàn)優(yōu)于其他算法。該算法在較完整保留運(yùn)動(dòng)目標(biāo)信息的同時(shí)，最大限度去除了背景，且具有較強(qiáng)的魯棒性。適用于在不同情況下變電站工作人員實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)。