基于圖像處理的變電站視頻智能分析研究

朱紅岷，戴道清，李靜正

ZHU Hongmin1，2,DAI Daoqing1,LI Jingzheng2

1.中山大學(xué) 數(shù)學(xué)學(xué)院，廣州 510220

2.珠海優(yōu)特電力科技股份有限公司 博士后工作站，廣東 珠?！?19000

1.School of Mathematics,Sun Yat-sen University,Guangzhou 510220,China

2.Postdoctoral Centre,Zhuhai Unitech Power Technology Co.,Ltd.,Zhuhai,Guangdong 519000,China

1　引言

為確保電網(wǎng)長期、高效、安全運行，確保無人值守或少人值守變電站現(xiàn)場設(shè)備的運行安全，變電站視頻監(jiān)控系統(tǒng)已經(jīng)在減少人工巡視現(xiàn)場設(shè)備及區(qū)域的工作中扮演了重要角色[1-2]。為使監(jiān)控功能更加智能化，需要利用圖像處理技術(shù)在視頻監(jiān)控中自動識別異常事件及設(shè)備狀態(tài)，以機器的方式代替人力監(jiān)控工作，即變電站視頻智能分析技術(shù)。讓用戶不僅可以遠程巡視各類設(shè)備的運行情況，還能實時獲得來自事故現(xiàn)場的報警信息，對可能或已經(jīng)發(fā)生的異常現(xiàn)象及時處理并保存現(xiàn)場的圖像資料，為分析事故原因提供第一手的資料。目前的變電站設(shè)備狀態(tài)主要通過傳感器的報警分析，遙視監(jiān)控系統(tǒng)通過視頻聯(lián)動進行人工確認(rèn)。此類監(jiān)控方式的缺陷在于當(dāng)傳感器出現(xiàn)故障或誤報時無法獲得設(shè)備的準(zhǔn)確狀態(tài)信息，且由于早期部署以及部分儀表設(shè)備不具備智能傳感器的原因更需要人工進行現(xiàn)場或通過視頻畫面巡視設(shè)備狀態(tài)。另一方面，目前的遙視系統(tǒng)主要作為輔助工具[3]，提供對現(xiàn)場的實時畫面監(jiān)控預(yù)覽，缺少對視頻內(nèi)容的自動分析功能。這就需要開發(fā)智能視頻分析產(chǎn)品，通過自動視頻分析技術(shù)，通過對攝像機的圖像序列進行自動分析來對站內(nèi)設(shè)備運行狀態(tài)進行識別分析，減輕運行人員工作強度，提高變電站智能化管理水平。

雖然安防市場上有眾多視頻智能分析產(chǎn)品，但都側(cè)重于安防、公共交通及社會公共安全，針對電力行業(yè)的產(chǎn)品屈指可數(shù)，功能單一而沒有系統(tǒng)性產(chǎn)品，應(yīng)用比較局限，沒有充分利用相關(guān)技術(shù)為日常管理工作帶來便利。比如，文獻[4]利用金字塔光流法計算圖像中的光流值和速度，實現(xiàn)輸電導(dǎo)線舞動的自動檢測。文獻[5]實現(xiàn)了一種變電站防誤操作功能，采用Hough變換、字符分割和神經(jīng)網(wǎng)絡(luò)等技術(shù)對工作間隔的標(biāo)志牌進行分析識別，以避免工作人員走錯間隔。文獻[6]提出了一種基于圖像平滑、離散小波變換和多級樹集合分裂編碼算法的電能質(zhì)量數(shù)據(jù)壓縮方法，提高了數(shù)據(jù)的信噪比。文獻[7]則利用安裝在桿塔上的攝像機采集的圖像，通過前后圖像對比、增強、分割、輪廓提取等方法計算線路和絕緣子的覆冰厚度以提供相應(yīng)的預(yù)警機制。

2　變電站輔助監(jiān)控系統(tǒng)視頻智能分析概述

視頻智能分析（Intelligent Video Analysis，IVA）以變電站已部署的變電站輔助監(jiān)控系統(tǒng)為基礎(chǔ)，對所獲取的視頻流數(shù)據(jù)進行分析處理，得到相關(guān)功能的結(jié)果輸出值以供上層應(yīng)用的展示和后續(xù)業(yè)務(wù)處理。如圖1的監(jiān)控系統(tǒng)結(jié)構(gòu)組成所示，監(jiān)控系統(tǒng)的數(shù)據(jù)源來自于各場景中部署的各類高清攝像機，包括可進行云臺控制的球機和固定視角焦距的槍機。無網(wǎng)絡(luò)功能的攝像機通過DVR（Digit Video Recorder，數(shù)字視頻錄像機）進行管理。而網(wǎng)絡(luò)視頻服務(wù)器通過作為中轉(zhuǎn)媒介對系統(tǒng)內(nèi)的所有DVR和網(wǎng)絡(luò)攝像機進行集中管理，接受其他應(yīng)用/服務(wù)的視頻流數(shù)據(jù)請求并轉(zhuǎn)發(fā)相應(yīng)的視頻流。如C/S監(jiān)控客戶端可主動調(diào)取或由遙信信號觸發(fā)多個通道的視頻流進行多畫面瀏覽監(jiān)控，使值班員掌握并跟蹤相應(yīng)區(qū)域或設(shè)備的當(dāng)前狀態(tài)。

IVA同樣從網(wǎng)絡(luò)視頻服務(wù)器獲取實時視頻流數(shù)據(jù)，其包括兩個功能模塊：（1）智能分析配置客戶端，可選擇多個視頻通道進行畫面顯示預(yù)覽。經(jīng)云臺控制到合適視角后設(shè)置為預(yù)置位，對該預(yù)置位設(shè)置相關(guān)智能分析的參數(shù)，如智能分析類型、畫面中待分析區(qū)域（Region of Interest，ROI）、畫面采樣率、分析結(jié)果報警信息延時以及其他和特定功能相關(guān)的算法參數(shù)等。待設(shè)置完成后將預(yù)置位路徑標(biāo)示與參數(shù)列表傳送至IVA服務(wù)器，從而開始對該預(yù)置位的特定智能分析功能。（2）IVA服務(wù)器，接收相關(guān)配置參數(shù)并從網(wǎng)絡(luò)視頻服務(wù)器獲取實時視頻流，對各以配置的通道預(yù)置位進行相應(yīng)的智能分析，并以接口形式向客戶端提供分析結(jié)果的報警消息。如C/S客戶端在多畫面瀏覽監(jiān)控的同時，可向IVA服務(wù)器請求相應(yīng)的報警消息，并根據(jù)具體業(yè)務(wù)邏輯進行對應(yīng)的可視化和處理。

對于可進行云臺控制的攝像機（通道），可對多個視角（預(yù)置位）配置不同的智能分析功能，但任一視角某通道只進行其中一個預(yù)置位的分析。如圖2顯示了通道、預(yù)置位、分析功能算法以及分析結(jié)果類型之間的對應(yīng)關(guān)系。變電站IVA系統(tǒng)主要處理兩大類內(nèi)容：（1）安防監(jiān)控類，主要和移動目標(biāo)檢測有關(guān)，包括指定區(qū)域內(nèi)的人員入侵/徘徊/拌線檢測、危險物品遺留檢測、防盜檢測、值班人員脫崗檢測等。（2）儀表/設(shè)備狀態(tài)識別類，主要分析變電站內(nèi)各類儀表和設(shè)備的實時狀態(tài)，包括信號指示燈狀態(tài)、翻牌器/刀閘分合開關(guān)狀態(tài)、數(shù)碼顯示值、壓板狀態(tài)等。以下各章節(jié)選取幾種關(guān)鍵IVA功能進行詳細的算法實現(xiàn)描述。

圖2　IVA中預(yù)置位和分析功能的對應(yīng)關(guān)系

3　七段數(shù)碼管型讀數(shù)識別

七段數(shù)碼管將每個數(shù)字顯示為七段二極管的亮滅組合，可用于變電站內(nèi)各物理量的實時顯示，比如時間、電壓、電流等?，F(xiàn)場用于指示數(shù)值的多數(shù)為智能數(shù)碼儀表，后臺可通過通信協(xié)議等方式直接獲取其讀數(shù)。但仍存在某些類型及老舊式數(shù)碼儀表無法進行智能化數(shù)據(jù)傳輸，因此需要通過視頻圖像的方式自動進行數(shù)值識別和記錄；智能化儀表在日常運行中存在通信中斷、傳輸失敗、線路損壞等偶發(fā)情況，通過圖像方式獲取的數(shù)值可保證監(jiān)控、記錄等的完整性；同時，圖像方式獲取的數(shù)值也可以對后臺傳輸?shù)臄?shù)值進行二次確認(rèn)。在相關(guān)文獻中對此類讀數(shù)識別已有一定研究[8-11]，但都具有一定的局限性，且有些研究工作沒有對識別的效率和準(zhǔn)確性進行定量統(tǒng)計分析。大部分算法利用了較低分辨率的視頻源（如640×480），通常無法滿足變電站內(nèi)高清視頻的實時分析要求。在類似的圖像預(yù)處理中，分析結(jié)果過多地依賴圖像二值化的閾值分割操作，而閾值的選取一般和環(huán)境光照等密切相關(guān)，容易引入過多噪音或過濾過多的有效信息。本文的IVA系統(tǒng)中的七段數(shù)碼管讀數(shù)識別算法，使用1080p視頻源進行分析，相應(yīng)地可通過對目標(biāo)區(qū)域的選取提升算法效率，同時也可降低背景干擾項帶來的誤識別。如圖3顯示了算法的主要步驟。

圖3　數(shù)碼管數(shù)字識別算法流程圖

首先，通過高斯平滑對選取的目標(biāo)區(qū)塊圖像（圖3（a））進行預(yù)處理以減少圖像中的孤立噪聲點。該操作的輸出圖像中的每個像素點值由高斯濾波器對臨近像素的卷積計算獲得，使用相應(yīng)的高斯內(nèi)核：

其中，μ和σ分別為輸入圖像像素值的均值和方差。考慮到所有數(shù)字是由相應(yīng)發(fā)亮二極管組成的事實，可通過對HSV顏色空間的V分量進行閾值分割篩選出圖像中發(fā)亮的像素點得到前景二值圖，圖3（b）是相應(yīng)經(jīng)過圖像開運算后的結(jié)果。圖像開運算是由兩種基本操作組成的形態(tài)學(xué)操作—圖像“腐蝕”后再“膨脹”，該操作可消除二值圖中的孤立噪聲點并連接足夠臨近的區(qū)塊。然后圖3（b）進行迭代收縮，直到前景邊緣寬度變?yōu)橐粋€像素，即為數(shù)字骨架Sk。該骨架提取方法通過刪除冗余信息簡化連通域，同時保持其結(jié)構(gòu)和連通性不變，如圖3（c）所示。單數(shù)字分割可通過輪廓檢測實現(xiàn)，每個輪廓按其外接矩形的中心點坐標(biāo)排序，可在各數(shù)字識別后按位組合成最終的輸出。

對于每個分割出的骨架輪廓，如圖3（d）所示帶外接矩形的數(shù)字“9”，計算矩形的寬W和高H，將矩形在其H/2處分割為七段線段組合。由于數(shù)字“1”的輪廓寬度明顯小于其他數(shù)字，首先可通過高寬比閾值T判斷某輪廓是否為數(shù)字“1”：

在排除數(shù)字“1”后，對其他形式的輪廓各段進行編碼以反映相應(yīng)的二極管亮滅狀態(tài)。如圖3（e）所示，對“日”型矩形各段按序標(biāo)注后，從段0到段6是否水平的編碼可表示為CHV=0110110，其中0表示水平段而1表示垂直段。對于第i段Si，其中心點坐標(biāo)為：

其中，Vi表示第i段是否為垂直段，Bx和By為輪廓外接矩形左上角坐標(biāo)。以式（3）中(Si(x),Si(y))為中心點和垂足，以如圖3（e）中黃色線段所示。由此，以0表示滅，1表示亮，第i段二極管亮滅狀態(tài)Ci可表示為：

按式（4）計算所有七段二極管的狀態(tài)并從段6到段0反向排序，即得到該數(shù)字輪廓的編碼，如圖3（e）所示數(shù)字“9”表示為C6…C0=1101111=0x6F。按預(yù)定義的編碼-數(shù)字映射枚舉表，可識別每個分割的數(shù)字，最后按各數(shù)字原坐標(biāo)順序排序組織輸出十進制數(shù)字Di。通過實驗分析，存在一種幀間漸變/重影效果會導(dǎo)致編碼映射錯誤或無法匹配，如圖4所示。Dn+1=0018是在高速幀率漸變中捕獲的一個中間結(jié)果，肉眼無法看到。通過N(N≥3)幀延遲的策略可避免該效果帶來的識別錯誤，當(dāng)Di=Di-1=…=Di-N時輸出結(jié)果Di。

圖4　幀間重影效果

4　保護壓板投退狀態(tài)識別

保護壓板是一組M行N列的開關(guān)矩陣，該識別算法在現(xiàn)場運維人員人工進行壓板投退操作后，通過視頻畫面的分析自動識別矩陣中被操作的壓板行列位置及其當(dāng)前的投/退狀態(tài)。已有的基于圖像處理的壓板投退識別研究[12-14]主要使用節(jié)點距離閾值分割、模板匹配等方式識別壓板的狀態(tài)，類似方案的主要缺陷在于針對某一類壓板的算法難以自適應(yīng)到其他類型，且壓板矩陣中出現(xiàn)多個壓板被操作時無法通過模板匹配的方法區(qū)分對應(yīng)的行列位置。壓板行列矩陣的定位一般需要標(biāo)定設(shè)置，在壓板數(shù)量龐大的情況下將極大地增加配置工作。

本文提出的保護壓板投退狀態(tài)識別方案所需唯一的配置參數(shù)為矩形壓板矩陣區(qū)域，意在排除矩陣外背景區(qū)域的干擾并提高分析效率，如圖5（d）所示即為目標(biāo)區(qū)域內(nèi)的壓板矩陣圖I。矩陣的行列分布由掃描識別自動獲取，首先圖片經(jīng)過灰度轉(zhuǎn)換和高斯平滑處理，并進行輪廓提取，所有描繪的輪廓如圖5（a）所示?？梢钥闯雒總€壓板的輪廓都有明顯聚集現(xiàn)象，然而基本每個輪廓曲線都是非閉合的，而且相互重疊，有很多輪廓曲線來自非壓板物體。對于每個輪廓曲線i，計算其最小的外接矩形Ri，選擇相應(yīng)的矩形將其填充：

圖5　保護壓板矩陣掃描及狀態(tài)識別

其中，IRi為矩形Ri對應(yīng)的圖像區(qū)域，Wi和Hi為Ri的寬高，Wmin、Wmax、Hmin、Hmax分別為對應(yīng)寬、高的上、下限閾值。式（5）通過排除外接矩形寬高過長或過短的輪廓，并填充剩余外接矩形使有重疊的輪廓合并，如圖5（b）所示已排除壓板面板上第一行上方及第二行下方的分割線和畫面左上角因視頻時間標(biāo)簽產(chǎn)生的大部分輪廓。然后進一步對合并后的各前景區(qū)塊計算外接矩形，按寬高排序選取中間1/2矩形，結(jié)果如圖5（c）所示?？梢钥闯龃蟛糠謮喊逦恢每梢哉_定位，雖然有部分丟失但未識別錯誤的壓板位置。通過連接第一行矩形最高點和最低點，自上而下平行掃描圖5（c），以壓板行間平分空隙處作為矩陣的行分割線。同樣，通過連接每行第一列矩形左邊緣的最左和最右點，自左向右平行掃描，矩陣列的分割線須滿足每一列中出現(xiàn)的壓板個數(shù)在[0.5，1+0.5]個寬度之間。最后，若某行存在相鄰列間隙大于圖5（c）中壓板矩形平均寬度，則插入平均寬高尺寸的壓板矩形并均分兩側(cè)間隙。圖5（d）繪制了壓板矩陣行列掃描的紅色分割線。

當(dāng)M行N列保護壓板矩陣掃描完成后，即可實時監(jiān)控分析被操作過發(fā)生變化的壓板位置及其操作后的狀態(tài)。首先，利用高斯混合模型前景檢測方法找到操作后發(fā)生變化的圖像區(qū)塊，若檢測的前景尺寸跨越多行/列，說明當(dāng)前操作員仍在場景中，應(yīng)略過當(dāng)前幀的分析并暫停更新高斯背景。當(dāng)操作員離開后，發(fā)生變化的壓板前景可對比壓板矩陣分布計算其對應(yīng)的行列位置。而壓板的當(dāng)前狀態(tài)由其撥片的傾斜度決定，通過Canny和霍夫直線檢測指定行列中的最長直線段，通過該直線的斜率和閾值比較判斷當(dāng)前的投/退狀態(tài)。如圖5（d）所示綠色和藍色壓板行列中檢測的壓板邊緣紅色直線，行列單元格的邊框顏色指示了該壓板當(dāng)前的投/退狀態(tài)。

5　屏柜指示燈狀態(tài)識別

對于屏柜指示燈的狀態(tài)識別，需要較為準(zhǔn)確地定位指示燈所在圖片區(qū)域，實時獲取指示燈的顏色種類及其亮滅狀態(tài)信息。如圖6（a）所示，因攝像機安裝視角原因，圓形指示燈經(jīng)常在視頻畫面中顯示為橢圓。通過霍夫圓檢測算法可檢測到若干個和指示燈的部分邊緣重合的圓形區(qū)域，如圖6（a）中黃色和橙色圓形所示?？梢钥闯龈鲌A或包括過多背景區(qū)域內(nèi)容，或只包含了指示燈的一部分區(qū)域，這些指示燈定位的偏差將影響對狀態(tài)識別的判斷誤差。而通過如圖中紅色所示的橢圓定位，則能準(zhǔn)確地定位指示燈的位置。

圖6　指示燈橢圓檢測及其HSV直方圖

相比傳統(tǒng)的RGB三原色表示法，HSV色彩空間將顏色表示為H（Hue色調(diào)）、S（Saturation飽和度）及V（Value亮度）3個分量。表1總結(jié)了常用基本顏色在3分量中的取值范圍，?min及?max分別為各分量上對應(yīng)顏色的上下限。從表中分析分量的互斥屬性可以獲知，灰度顏色（黑灰白）可由V或（S，V）分量唯一確定，排除灰度顏色后的其他顏色可由H分量唯一確定。因此指示燈的顏色識別可由HSV的直方圖統(tǒng)計獲得，亮滅狀態(tài)可由V分量確定。直方圖即為統(tǒng)計落在各值區(qū)間的像素點個數(shù)，在指示燈識別中則相應(yīng)分析橢圓區(qū)域內(nèi)像素點在HSV各分量上的分布。

表1　HSV基本顏色的分量范圍

參考表1的基本顏色區(qū)間分布，可定義如表2所示的區(qū)間索引。3個分量的組合區(qū)間數(shù)為6×2×3=36個，其中H分量上的紅色包含首尾兩端區(qū)間，在統(tǒng)計直方圖時需累加計算，而由于指示燈顏色的特性將橙/黃、綠/青分別合并統(tǒng)計。

表2　HSV分量值區(qū)間編號和顏色對應(yīng)關(guān)系

選取直方圖分布中像素點占比最大的區(qū)間索引為判斷目標(biāo)顏色的依據(jù)：

（1）若V區(qū)間索引=0，則為黑色；

（2）否則，若S區(qū)間索引=0，則為灰色（V=1時）或白色（V=2時）；

（3）否則，由H分量確定為紅色到紫色中的一種。

如圖6（b）所示HSV直方圖分布，可知最大值區(qū)間索引分別為(H=2,S=1,V=2)，因S=1排除黑灰白，由H=2判斷為綠色。因V分量表示亮度，橢圓內(nèi)在V分量上屬于V=2區(qū)間（即表1中[221，255]）的像素點個數(shù)大于某閾值（比如：橢圓面積×0.6），則該指示燈狀態(tài)判斷為“綠燈亮”。

6　安防區(qū)域異常事件識別

本章介紹安防區(qū)域異常事件識別的算法實現(xiàn)方式，此算法可應(yīng)用在多個高度相關(guān)的功能中，如人員入侵識別、徘徊識別、物品遺留識別、防盜識別、值班員脫崗識別等。其核心是對場景內(nèi)的移動目標(biāo)進行跟蹤，按業(yè)務(wù)邏輯實現(xiàn)具體不同的應(yīng)用。場景中的前景移動物體通過高斯混合模型檢測，在該模型中，每個像素被建模為K個高斯分布的集合，在第N幀上某特定像素的值為XN的概率可表示為：

其中，wj為第k個高斯內(nèi)核的權(quán)重系數(shù)，η(X;θk)是對應(yīng)的正態(tài)分布，表示為：

其中，μk為均值而為第k個內(nèi)核的方差。K個高斯分布按值排序并取前B個分布作為背景模型，B值由以下公式?jīng)Q定：

其中，閾值T為背景模型的最小占比，即為場景中出現(xiàn)背景像素的最小先驗概率。背景摳除則計算為標(biāo)記距離任意一個高斯分布大于2.5倍標(biāo)準(zhǔn)方差的前景像素。

在高斯混合背景模型提取場景的前景移動目標(biāo)后，目標(biāo)表示為各連通圖像區(qū)域?；贠penCV的cvBlob算法可實現(xiàn)在圖像序列中同時跟蹤多個連通區(qū)域，當(dāng)前幀內(nèi)各連通區(qū)域所屬目標(biāo)由連通區(qū)域質(zhì)心間距、運動方向梯度等信息決定。通過cvBlob可對各前景物體進行長時間跟蹤，并標(biāo)定每幀中物體的檢測位置。如圖7（a）所示視頻畫面，選定的綠色矩形框作為分析區(qū)域，圖7（b）為高斯混合背景模型檢測的前景檢測結(jié)果，圖7（c）紅色目標(biāo)框為利用cvBlob目標(biāo)跟蹤識別的前景連通域位置。

圖7　運動物體檢測

根據(jù)不同的分析參數(shù)設(shè)置，可實現(xiàn)相關(guān)的各應(yīng)用功能。如入侵檢測可設(shè)置為在矩形區(qū)域、多邊形不規(guī)則區(qū)域內(nèi)發(fā)現(xiàn)有移動物體進入時實時報警，或跨越拌線時報警；徘徊檢測則為跟蹤的目標(biāo)出現(xiàn)在矩形/多邊形閉合區(qū)域內(nèi)超過一定時間后報警；物品遺留識別和防盜識別則均在閉和區(qū)域內(nèi)檢測到前景目標(biāo)時實時報警；值班員脫崗則在閉合區(qū)域邊界位置判斷移動目標(biāo)的運動方向判斷離開/進入，當(dāng)檢測到離開并超過一定時間后報警。

7　實驗分析和比較

本章通過實驗分析和對比驗證上述各章介紹的視頻智能分析功能算法。首先，七段數(shù)碼管讀數(shù)識別使用各種不同類型的設(shè)備顯示屏驗證，如圖8所示，數(shù)碼管的顏色不同但數(shù)字組成結(jié)構(gòu)一致。當(dāng)前尚未自動識別如圖8（b）和8（c）中的小數(shù)點，因其很容易在二值化過程中和數(shù)字連接，或在形態(tài)學(xué)處理中作為噪聲點被消除，相應(yīng)地當(dāng)前人為設(shè)置小數(shù)點位置。另一個人為設(shè)置的參數(shù)為單位符號，如圖8（b）中的“C”，因為除此以外的符號很難由數(shù)碼管顯示，通常直接打印在背景面板上。因此在圖8（b）的例子中，目標(biāo)區(qū)域ROI將單位符號的顯示位置排除在外。圖8（c）的例子可視為兩個獨立的區(qū)域進行識別，目前設(shè)置了在一個視頻畫面中最多可支持6個七段數(shù)碼管顯示器同時分析。

圖8　各類七段數(shù)碼管識別

對于每種數(shù)碼管顯示屏，使用了10段視頻進行分析，每段時長10 min。經(jīng)實驗結(jié)果統(tǒng)計后得到了識別準(zhǔn)確率為97%，識別速度為每幀40 ms，可以滿足變電站監(jiān)控系統(tǒng)的實時處理要求。如表3總結(jié)了上述實驗結(jié)果和其他相關(guān)文獻的對比，除部分文獻未指明相關(guān)結(jié)果外，上述實驗結(jié)果在識別準(zhǔn)確率和算法速度方面都優(yōu)于以往的研究工作。

表3　七段數(shù)碼管分析結(jié)果比較

如圖9顯示了在幾種不同類型保護壓板上的投退狀態(tài)分析結(jié)果。雖然攝像頭視角原因?qū)е庐嬅嬗胁糠肿冃?，壓板矩形掃描的行列分割線仍能準(zhǔn)確地將單個壓板開關(guān)分離，且被操作的壓板開關(guān)所在單元格內(nèi)檢測到和開關(guān)重疊的最長直線段傾斜度均能表征相應(yīng)的投退狀態(tài)。同樣地，通過對每種壓板進行10 min時長的分析統(tǒng)計計算平均結(jié)果，每段視頻內(nèi)操作員操作5次壓板矩陣，每次隨機選擇2至6個壓板開關(guān)進行投退狀態(tài)的改變，實驗結(jié)果得到被操作壓板的行列位置及其狀態(tài)正確的準(zhǔn)確率為93%。該功能算法的主要時耗為壓板矩陣掃描，但其只在分析功能啟動時或視角改變時掃描一次，而實時的位置與狀態(tài)分析效率為每幀30 ms。就目前所了解的相關(guān)文獻沒有指明基于統(tǒng)計的實驗結(jié)果，比如文獻[12]和文獻[14]。而文獻[13]中指出了算法效率為每幀15 ms但沒有準(zhǔn)確率數(shù)據(jù)。他們的算法效率優(yōu)勢在于視頻畫面分辨率為640×480，相應(yīng)的本文使用1080p高清視頻源且壓板矩陣在畫面中所占比例一般超過2/3。

圖9　各類保護壓板識別

圖10　各類屏柜指示燈識別

同樣地，圖10顯示多種用于指示燈狀態(tài)識別的圖例，其中包括數(shù)碼管顯示屏上的多個指示燈，該功能同樣支持畫面中最多6個目標(biāo)的同步分析。與上述實驗類似，通過采樣帶有狀態(tài)變化的視頻片段并作識別分析后得到指示燈的顏色及亮滅狀態(tài)判斷準(zhǔn)確率為98%，識別效率為每幀15 ms。識別失敗的原因主要為燈亮后的顏色判斷，若橢圓檢測未能包含指示燈邊緣則燈亮?xí)r橢圓內(nèi)僅有曝光的白色而非原燈色。且實驗表明在不同光照條件下，因為只識別表1中明顯區(qū)分的幾種主要顏色，光照影響產(chǎn)生的HSV值偏移后基本仍可以分布到正確的直方圖區(qū)間，即仍能識別為正確的顏色類別。因光照變化導(dǎo)致識別失敗的情形包括：（1）完全黑暗環(huán)境且指示燈滅時，無法定位指示燈位置及識別其顏色；（2）光線反射或指示燈自身高亮曝光導(dǎo)致指示燈邊緣顏色被覆蓋（類似圖10三燈一行的左側(cè)燈）而無法識別顏色。此兩種情形下，肉眼觀察視頻畫面亦無法判斷其顏色。在單個指示燈顏色固定不變的情況下，上述缺陷可通過在燈滅時判斷顏色并固定結(jié)果來解決，后期僅需判斷亮滅變化。

安防區(qū)域異常事件識別通過對每種功能應(yīng)用進行測試，包括室內(nèi)、室外環(huán)境。經(jīng)統(tǒng)計得到的事件報警準(zhǔn)確率為90%，算法效率為每幀75 ms。事件誤報的情形主要包括拌線入侵和脫崗檢測中相鄰幀運動方向判斷誤差，高斯前景提取存在同一物體被分割為多個連通區(qū)域情況等。算法耗時主要集中于高斯背景模型的更新及cvBlob跟蹤器的構(gòu)建和更新操作。在眾多目標(biāo)檢測和跟蹤算法中，本文選取了DPM[15]和ACF[16]的Matlab開源實現(xiàn)及其已訓(xùn)練好的行人模型進行安防區(qū)域人員檢測實驗，結(jié)果如表4所示。從表中可知，基于DPM和ACF算法的人員檢測在準(zhǔn)確率上高于本文的高斯混合背景模型方法，但因算法復(fù)雜度較大，在處理1080p圖像幀時耗時遠高于本文方法。此處檢測準(zhǔn)確率是指檢測目標(biāo)的完整性及其輪廓位置與實際目標(biāo)位置的匹配度。在變電站安防監(jiān)控中，主要需求為無漏檢、無誤檢目標(biāo)，雖然高斯混合模型可能無法檢測到目標(biāo)的完整輪廓導(dǎo)致目標(biāo)匹配度的準(zhǔn)確率相對較低，但區(qū)域內(nèi)的異常報警仍有98%的準(zhǔn)確率。另一個需求是檢測結(jié)果的實時性，顯然DPM和ACF在處理高清視頻時無法達到15或25的實時視頻幀率。另外，遺留物檢測和防盜檢測功能針對的目標(biāo)不確定，任何物體的出現(xiàn)/消失均為異常事件，基于模型學(xué)習(xí)的DPM和ACF無法應(yīng)用于此場景?；诟咚够旌媳尘澳Ｐ偷臋z測方法具有事件報警準(zhǔn)確，因低復(fù)雜度而高效實時性的優(yōu)勢，且可適應(yīng)更多的安防識別功能。

表4　安防區(qū)域人員檢測結(jié)果比較

8　結(jié)束語

電力系統(tǒng)中利用各種計算機技術(shù)實現(xiàn)自動化管理，極大地減輕了大量人工操作的成本和誤操作的可能性。本文在變電站的視頻監(jiān)控系統(tǒng)中實現(xiàn)了基于圖像處理的各類智能分析功能，自動監(jiān)控識別設(shè)備運行狀態(tài)及發(fā)現(xiàn)安防區(qū)域的異常事件。通過實驗分析驗證了功能的正確性和有效性，并已在變電站部署中發(fā)揮了智能監(jiān)控的作用。下一步，將發(fā)掘更多的視頻智能分析應(yīng)用業(yè)務(wù)需求，充分利用圖像處理領(lǐng)域的相關(guān)技術(shù)，加強電力系統(tǒng)的智能監(jiān)控方式和自動化水平。

參考文獻：

[1]Pinto J K C，Masuda M，Magrini L C，et al.Mobile robot for hot spot monitoring in electric power substation[C]//Proceedings of the IEEE/PES Transmission and Distribution Conference and Exposition，2008.

[2]Rahmani A，Haddadnia J，Seryasat O.Intelligent fault detection of electrical equipment in ground substations using thermo vision technique[C]//Proceedings of the 2nd International Conference on Mechanical and Electronics Engineering，2010.

[3]梅魯海.電力系統(tǒng)監(jiān)控網(wǎng)絡(luò)的智能化結(jié)構(gòu)設(shè)計[J].電力系統(tǒng)及其自動化學(xué)報，2010，22（2）：37-40.

[4]黃新波，陶保震，馮玲.基于光流場的輸電導(dǎo)線舞動監(jiān)測方法[J].電力自動化設(shè)備，2012，32（7）：99-103.

[5]樂健，蔡偉，靳超，等.基于圖像識別技術(shù)的變電站防誤操作系統(tǒng)的研制[J].電力自動化設(shè)備，2011，31（7）：131-135.

[6]管春，周雒維，盧偉國，等.基于圖像平滑算法的電能質(zhì)量數(shù)據(jù)壓縮方法[J].電力自動化設(shè)備，2011（8）：77-80.

[7]馮玲，黃新波，朱永燦.基于圖像處理的輸電線路覆冰厚度測量[J].電力自動化設(shè)備，2011，31（10）：76-80.

[8]孫鳳杰，崔維新，張晉保，等.遠程數(shù)字視頻監(jiān)控與圖像識別技術(shù)在電力系統(tǒng)中的應(yīng)用[J].電網(wǎng)技術(shù)，2005，29（5）：81-85.

[9]崔行臣，段會川，王金玲，等.數(shù)顯儀表數(shù)字實時識別系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機工程與設(shè)計，2010，31（1）：214-217.

[10]郭爽.數(shù)碼管數(shù)字儀表自動識別方法的研究[J].通信技術(shù)，2012，45（8）：91-93.

[11]劉科，侯立新，卞昕.基于機器視覺的儀表示值識別算法研究[J].計量學(xué)報，2013，34（5）：425-429.

[12]任俊杰，蔣嵐.電力系統(tǒng)繼電保護壓板圖像識別系統(tǒng)[J].北京聯(lián)合大學(xué)學(xué)報：自然科學(xué)版，2004，18（2）：60-64.

[13]夏志宏，羅毅，涂光瑜，等.基于視覺信息的繼電保護壓板投退位置的自動識別研究[J].繼電器，2005，33（4）：40-44.

[14]鄧應(yīng)松，段秦剛，宋小松.基于圖像識別的保護壓板投退狀態(tài)辨識方法[J].陜西電力，2015，43（10）：49-54.

[15]Forsyth D.Object detection with discriminatively trained partbased models[J].IEEE Trans on PAMI，2010，32（9）：1627-1645.

[16]Dollár P，Appel R，Belongie S，et al.Fast feature pyramids for object detection[J].IEEE Trans on PAMI，2014，36（8）：1532-1545.