状态监测视觉辨识技术研究
赵锐++尚文
摘 要： 采用基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境，人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确、快速实现对变电站状态监测视觉辨识，从而提高系统的技术性能，使系统具有较强的实用性。实验结果表明，采用的状态监测视觉辨识技术人体检测算法检测率为93.8%，误检率为4.7%，平均耗时为62 ms，比SVM分类器的检测率要高出9.5%，误检率要低9.8%，平均耗时要少132 ms。采用级联Adaboost分类器检测性能得到提高，从视频序列中能快速、准确提取人体区域，较好地满足了动态目标检测、分析的需求。
关键词： 状态监测； 视觉辨识技术； HOG特征提取； Adaboost分类器
中图分类号： TN948.43?34； TP311.52 文献标识码： A 文章编号： 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
變电站因各类作业，工作人员需在变电站内不断进行活动，因此使变电站作业状态监测视觉辨识显得十分重要[1?3]。随着状态监测视觉辨识技术水平的不断提高，变电站安全管控系统开始应用状态监测视觉辨识技术。通过对变电站的实时状态监测图像进行处理，识别定位出人的位置从而实现监测辨识自动化，这对电网安全管理意义重大[4?8]。
HOG特征的基本思想实质是指行人目标自身非刚性非常强，由于行人衣着颜色纹理的特征很难匹配形状模板，因此对行人目标进行有效描述有一定的难度[9]；特征提取是行人目标边缘梯度特征。SVM分类器的基础是统计学习理论，与传统分类学习相比，SVM分类器可有效避免维数灾难和过学习等问题，具有优秀的泛化能力[10]。本文提出一种基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。
1 HOG特征原理
HOG特征提取包含Gamma及颜色空间标准化、梯度计算、Cell梯度投票、Block与梯度向量归一化、HOG特征向量生成等。从输入图像检测提取人体目标特征计算，分类器的训练、检测贯穿整个过程，是整个人体目标状态监测视觉辨识技术的核心，图1为HOG特征提取的基本流程。
1.1 Gamma及颜色空间标准化
HOG特征提取预处理手段引入图像Gamma及颜色空间标准化，是为了解决光照条件变化时，影响图像局部边缘特征。Dalal等人对图像像素点表达方法进行了评估，包括灰度空间使用评估，颜色空间RGB及LAB评估，最后得出色彩信息正向影响检测结果。RGB及LAB颜色空间得到基本一致的检测结果，只采用图像灰度信息时，误报率大致为仅仅提高漏检率1.5%；分别采用两种Gamma标准化方式取平方根进行压缩，检测结果未受影响。在现实的变电站中，天气状况复杂多变，轮廓特征受光照影响较大，在进行HOG 特征提取时，最好提前压缩Gamma，如下所示：
（1）
式中：压缩后的图像用表示；原图像用表示；Gamma压缩系数用表示，取=0.55。
1.2 梯度运算
图像局部特征不连续造成图像边缘化，图像中变化平坦区域，灰度值在相邻像素点变化较小，这样梯度幅值相应也较小，梯度幅值较大值出现在引起灰度突变的边缘区域，因此根据一阶导数幅值大小可对图像中是否存在边缘以及边缘位置进行判断；边缘灰度值在边缘像素的高或低可采用二阶导数符号进行判断，边缘位置为二阶导数过零点。
图像函数的梯度为一阶导数，连续图像函数在任意像素点处的梯度实质是一个矢量，如下：
（2）
式中：沿方向的梯度用表示；方向的梯度用表示；在最大变化率方向上，单位距离增加的量就是梯度幅值，梯度幅值及方向角可表示为：
（3）
数字图像的梯度计算用微分实现：
（4）
一维离散微分能对图像梯度信息进行简单、快速计算，图像中像素点的梯度计算如下：
（5）
在图像中像素点处，表示水平方向梯度，表示垂直方向梯度，表示像素的灰度值。像素点梯度幅值和梯度方向采用下式计算：
（6）
（7）
1.3 Cell梯度投票
按双线性插值法在0～180°处，将Cell中每个像素的梯度在9个直方图区间中进行插值。在相邻两个区间，与梯度方向分别有两个夹角，即，分别将梯度幅值累加到直方图，可得：
（8）
（9）
式中：梯度方向与投影区间的距离比例用表示。完成每个Cell中的8×8个像素值投影，每个Cell的梯度方向直方图就得到了。
1.4 Block与梯度向量归一化
梯度幅值绝对值的大小与两个因素有关：一是图像局部光照条件；二是前景、背景对比度，梯度幅值取值范围较大，其变化不能真实反映物体轮廓特点，这就需要对梯度直方图向量进行归一化处理。插值完Block中全部Cell后，可得到一个关于的直方图向量Block的特征向量为在块特征向量范数归一化后，可减少干扰因素的影响。范数归一化方法如下：
（10）
采用归一化法，在自然环境中，变电站的光照度变化、背景变化、被遮挡部分、物体阴影等影响可大幅减少。
2 级联Adaboost分类器
Adaboost方法对有无弱学习器的先验知识关系不大，对处理实际问题比较适用。级联分类器实质属于一种串联结构组合分类器，其分类能力随着增加的一級分类器而增加，该分类器可有效降低误检率，提高检测速度。级联分类器结合Adaboost分类器可快速实现对非刚性、多姿态、多特征目标的检测。通过多个级联分类器的建立和实际环境训练，可将多种特征进行更好分类，以便对变电站中摄像机环境、光线角度、方位角度进行适应。
2.1 离线训练
在离线训练中，训练样本集为，样本类别用表示，表示正样本数目，表示负样本数目，表示总样本数目。
样本初始化权重为
表示总训练轮数，式（11）为第轮训练的权重归一化：
（11）
每个特征训练一个弱分类器，分类器加权错误率为：
（12）
将最小错误率的弱分类器向强分类器中添加，更新后的权重为：
（13）
式中：。
强分类器最终公式如下：
（14）
2.2 在线分类
在样本线性可分的情况下，在分类问题时，有一个最优分类面存在，分析可采用由二维线性可分进行。图2为二维线性可分问题示意图，在图2中，两类训练样本分别采用空心小方块、实心小方块代表。为的分类线，可正确划分样本中所有两类数据。与直线均平行，过各分类中离最近的样本数据。之间的距离表示分类间隔。分类线满足两个条件才表明其是最优分类线：条件一是将两类无错误地分开；条件二是分类间隔最大，最优分类线的支持向量就是上的样本。
线性可分的未知样本的分类函数如下：
（15）
所属的类型通过该函数的计算获知。
通过Cascade Adaboost分类器，逐级检测每个待分类的特征向量。检测未通过，则抛弃；检测通过，则进行下一轮检测。所有通过级联分类器检测的样本，则该位置表示人体头部区域，图3为Cascade Adaboost分类器分类过程。
3 变电站状态监测视觉辨识
在变电站的现场，计算机视觉系统是最重要的安全监控对象，系统的首要条件是要完成对人体的准确识别，只有完成了这个条件，后续的统计、定位、作业管理、报警等工作才能完成。根据变电站具体环境、人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确快速实现对变电站状态监测视觉辨识，从而提高系统技术性能，使系统具有较强的实用性。通过变电站状态监测视觉辨识技术，变电站可实现对人员的检测、识别，在作业人员自动化监视、管理方面提供实用技术给变电站，通过研究人员定位和行为，实现全面监控变电站作业。
4 状态监测视觉辨识技术实验结果
状态测试集合由3 600 h真实监控视频构成，在同样的计算机设备环境下，比较级联Adaboost分类器和SVM分类器的检测率、误检率、平均运行耗时，表1为Cascade Adaboost与SVM两类分类器的性能比较。
由表1可知，本文采用的状态监测视觉辨识技术人体检测算法检测率为93.8%，误检率为4.7%，平均耗时为62 ms，比SVM分类器的检测率要高出9.5%，误检率要低9.8%，平均耗时要少132 ms。这说明通过采用级联Adaboost分类器，检测性能得到提高，从视频序列中能快速、准确地提取人体区域，较好地满足动态目标检测、分析需求。通过提取人体HOG特征，算法实用性得到有效增进。
图4为Cascade Adaboost与SVM两类分类器检测结果对比图，Cascade Adaboost的曲线始终优于SVM的实验结果。在实际监控中，一般希望有效避免目标漏检，即漏检率应尽可能低。
5 结 语
本文采用基于人体HOG特征提取算法对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境，人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确快速实现对变电站状态监测视觉辨识，从而提高系统技术性能，使系统具有较强的实用性。采用级联Adaboost分类器，检测性能得到提高，从视频序列中能快速、准确地提取人体区域，较好地满足动态目标检测、分析需求。
参考文献
[1] 林逢春，许晓辉，安英海，等.变电站安全监视中人体检测的视觉辨识研究[J].电工技术，2015（10）：23?25.
[2] 周金芝，王娟.基于HOG的人体检测方法的改进[J].软件导刊，2011，10（4）：76?78.
[3] 肖永刚.基于梯度特征和级联分类的快速行人检测[D].天津：天津大学，2010.
[4] 汪成亮，周佳，黄晟.基于高斯混合模型与PCA?HOG的快速运动人体检测[J].计算机应用研究，2012，29（6）：2156?2162.
[5] 宋锦刚，许长青，朱统亮.基于波形辨识技术的SF6断路器分/合闸线圈电流监测[J].电力建设，2011，32（3）：65?69.
[6] 许丽佳，王厚军，龙兵.一种状态监测与健康评估方法及其在模拟电路中的应用[J].计算机辅助设计与图形学学报，2008，20（12）：1550?1555.
[7] 董晓慧，马如宏，詹月林.风力机塔架螺栓连接状态监测与辨识研究进展[J].现代制造工程，2013（3）：129?133.
[8] 赵万有，曹阳，温嘉宇，等.调度状态监测与监控预警系统中数据处理流程研究[J].黑龙江电力，2016，38（2）：119?123.
[9] 胡闰秀，刘永涛.基于机器视觉的客运车辆危险行驶状態辨识技术研究[J].汽年实用技术，2015（11）：20?23.
[10] 徐超，周帮友，刘信恩，等.机械螺栓连接状态监测和辨识方法研究进展[J].强度与环境，2009，36（2）：28?36. 技术文
摘 要： 采用基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境，人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确、快速实现对变电站状态监测视觉辨识，从而提高系统的技术性能，使系统具有较强的实用性。实验结果表明，采用的状态监测视觉辨识技术人体检测算法检测率为93.8%，误检率为4.7%，平均耗时为62 ms，比SVM分类器的检测率要高出9.5%，误检率要低9.8%，平均耗时要少132 ms。采用级联Adaboost分类器检测性能得到提高，从视频序列中能快速、准确提取人体区域，较好地满足了动态目标检测、分析的需求。
关键词： 状态监测； 视觉辨识技术； HOG特征提取； Adaboost分类器
中图分类号： TN948.43?34； TP311.52 文献标识码： A 文章编号： 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
變电站因各类作业，工作人员需在变电站内不断进行活动，因此使变电站作业状态监测视觉辨识显得十分重要[1?3]。随着状态监测视觉辨识技术水平的不断提高，变电站安全管控系统开始应用状态监测视觉辨识技术。通过对变电站的实时状态监测图像进行处理，识别定位出人的位置从而实现监测辨识自动化，这对电网安全管理意义重大[4?8]。
HOG特征的基本思想实质是指行人目标自身非刚性非常强，由于行人衣着颜色纹理的特征很难匹配形状模板，因此对行人目标进行有效描述有一定的难度[9]；特征提取是行人目标边缘梯度特征。SVM分类器的基础是统计学习理论，与传统分类学习相比，SVM分类器可有效避免维数灾难和过学习等问题，具有优秀的泛化能力[10]。本文提出一种基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。
1 HOG特征原理
HOG特征提取包含Gamma及颜色空间标准化、梯度计算、Cell梯度投票、Block与梯度向量归一化、HOG特征向量生成等。从输入图像检测提取人体目标特征计算，分类器的训练、检测贯穿整个过程，是整个人体目标状态监测视觉辨识技术的核心，图1为HOG特征提取的基本流程。
1.1 Gamma及颜色空间标准化
HOG特征提取预处理手段引入图像Gamma及颜色空间标准化，是为了解决光照条件变化时，影响图像局部边缘特征。Dalal等人对图像像素点表达方法进行了评估，包括灰度空间使用评估，颜色空间RGB及LAB评估，最后得出色彩信息正向影响检测结果。RGB及LAB颜色空间得到基本一致的检测结果，只采用图像灰度信息时，误报率大致为仅仅提高漏检率1.5%；分别采用两种Gamma标准化方式取平方根进行压缩，检测结果未受影响。在现实的变电站中，天气状况复杂多变，轮廓特征受光照影响较大，在进行HOG 特征提取时，最好提前压缩Gamma，如下所示：
（1）
式中：压缩后的图像用表示；原图像用表示；Gamma压缩系数用表示，取=0.55。
1.2 梯度运算
图像局部特征不连续造成图像边缘化，图像中变化平坦区域，灰度值在相邻像素点变化较小，这样梯度幅值相应也较小，梯度幅值较大值出现在引起灰度突变的边缘区域，因此根据一阶导数幅值大小可对图像中是否存在边缘以及边缘位置进行判断；边缘灰度值在边缘像素的高或低可采用二阶导数符号进行判断，边缘位置为二阶导数过零点。
图像函数的梯度为一阶导数，连续图像函数在任意像素点处的梯度实质是一个矢量，如下：
（2）
式中：沿方向的梯度用表示；方向的梯度用表示；在最大变化率方向上，单位距离增加的量就是梯度幅值，梯度幅值及方向角可表示为：
（3）
数字图像的梯度计算用微分实现：
（4）
一维离散微分能对图像梯度信息进行简单、快速计算，图像中像素点的梯度计算如下：
（5）
在图像中像素点处，表示水平方向梯度，表示垂直方向梯度，表示像素的灰度值。像素点梯度幅值和梯度方向采用下式计算：
（6）
（7）
1.3 Cell梯度投票
按双线性插值法在0～180°处，将Cell中每个像素的梯度在9个直方图区间中进行插值。在相邻两个区间，与梯度方向分别有两个夹角，即，分别将梯度幅值累加到直方图，可得：
（8）
（9）
式中：梯度方向与投影区间的距离比例用表示。完成每个Cell中的8×8个像素值投影，每个Cell的梯度方向直方图就得到了。
1.4 Block与梯度向量归一化
梯度幅值绝对值的大小与两个因素有关：一是图像局部光照条件；二是前景、背景对比度，梯度幅值取值范围较大，其变化不能真实反映物体轮廓特点，这就需要对梯度直方图向量进行归一化处理。插值完Block中全部Cell后，可得到一个关于的直方图向量Block的特征向量为在块特征向量范数归一化后，可减少干扰因素的影响。范数归一化方法如下：
（10）
采用归一化法，在自然环境中，变电站的光照度变化、背景变化、被遮挡部分、物体阴影等影响可大幅减少。
2 级联Adaboost分类器
Adaboost方法对有无弱学习器的先验知识关系不大，对处理实际问题比较适用。级联分类器实质属于一种串联结构组合分类器，其分类能力随着增加的一級分类器而增加，该分类器可有效降低误检率，提高检测速度。级联分类器结合Adaboost分类器可快速实现对非刚性、多姿态、多特征目标的检测。通过多个级联分类器的建立和实际环境训练，可将多种特征进行更好分类，以便对变电站中摄像机环境、光线角度、方位角度进行适应。
2.1 离线训练
在离线训练中，训练样本集为，样本类别用表示，表示正样本数目，表示负样本数目，表示总样本数目。
样本初始化权重为
表示总训练轮数，式（11）为第轮训练的权重归一化：
（11）
每个特征训练一个弱分类器，分类器加权错误率为：
（12）
将最小错误率的弱分类器向强分类器中添加，更新后的权重为：
（13）
式中：。
强分类器最终公式如下：
（14）
2.2 在线分类
在样本线性可分的情况下，在分类问题时，有一个最优分类面存在，分析可采用由二维线性可分进行。图2为二维线性可分问题示意图，在图2中，两类训练样本分别采用空心小方块、实心小方块代表。为的分类线，可正确划分样本中所有两类数据。与直线均平行，过各分类中离最近的样本数据。之间的距离表示分类间隔。分类线满足两个条件才表明其是最优分类线：条件一是将两类无错误地分开；条件二是分类间隔最大，最优分类线的支持向量就是上的样本。
线性可分的未知样本的分类函数如下：
（15）
所属的类型通过该函数的计算获知。
通过Cascade Adaboost分类器，逐级检测每个待分类的特征向量。检测未通过，则抛弃；检测通过，则进行下一轮检测。所有通过级联分类器检测的样本，则该位置表示人体头部区域，图3为Cascade Adaboost分类器分类过程。
3 变电站状态监测视觉辨识
在变电站的现场，计算机视觉系统是最重要的安全监控对象，系统的首要条件是要完成对人体的准确识别，只有完成了这个条件，后续的统计、定位、作业管理、报警等工作才能完成。根据变电站具体环境、人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确快速实现对变电站状态监测视觉辨识，从而提高系统技术性能，使系统具有较强的实用性。通过变电站状态监测视觉辨识技术，变电站可实现对人员的检测、识别，在作业人员自动化监视、管理方面提供实用技术给变电站，通过研究人员定位和行为，实现全面监控变电站作业。
4 状态监测视觉辨识技术实验结果
状态测试集合由3 600 h真实监控视频构成，在同样的计算机设备环境下，比较级联Adaboost分类器和SVM分类器的检测率、误检率、平均运行耗时，表1为Cascade Adaboost与SVM两类分类器的性能比较。
由表1可知，本文采用的状态监测视觉辨识技术人体检测算法检测率为93.8%，误检率为4.7%，平均耗时为62 ms，比SVM分类器的检测率要高出9.5%，误检率要低9.8%，平均耗时要少132 ms。这说明通过采用级联Adaboost分类器，检测性能得到提高，从视频序列中能快速、准确地提取人体区域，较好地满足动态目标检测、分析需求。通过提取人体HOG特征，算法实用性得到有效增进。
图4为Cascade Adaboost与SVM两类分类器检测结果对比图，Cascade Adaboost的曲线始终优于SVM的实验结果。在实际监控中，一般希望有效避免目标漏检，即漏检率应尽可能低。
5 结 语
本文采用基于人体HOG特征提取算法对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境，人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确快速实现对变电站状态监测视觉辨识，从而提高系统技术性能，使系统具有较强的实用性。采用级联Adaboost分类器，检测性能得到提高，从视频序列中能快速、准确地提取人体区域，较好地满足动态目标检测、分析需求。
参考文献
[1] 林逢春，许晓辉，安英海，等.变电站安全监视中人体检测的视觉辨识研究[J].电工技术，2015（10）：23?25.
[2] 周金芝，王娟.基于HOG的人体检测方法的改进[J].软件导刊，2011，10（4）：76?78.
[3] 肖永刚.基于梯度特征和级联分类的快速行人检测[D].天津：天津大学，2010.
[4] 汪成亮，周佳，黄晟.基于高斯混合模型与PCA?HOG的快速运动人体检测[J].计算机应用研究，2012，29（6）：2156?2162.
[5] 宋锦刚，许长青，朱统亮.基于波形辨识技术的SF6断路器分/合闸线圈电流监测[J].电力建设，2011，32（3）：65?69.
[6] 许丽佳，王厚军，龙兵.一种状态监测与健康评估方法及其在模拟电路中的应用[J].计算机辅助设计与图形学学报，2008，20（12）：1550?1555.
[7] 董晓慧，马如宏，詹月林.风力机塔架螺栓连接状态监测与辨识研究进展[J].现代制造工程，2013（3）：129?133.
[8] 赵万有，曹阳，温嘉宇，等.调度状态监测与监控预警系统中数据处理流程研究[J].黑龙江电力，2016，38（2）：119?123.
[9] 胡闰秀，刘永涛.基于机器视觉的客运车辆危险行驶状態辨识技术研究[J].汽年实用技术，2015（11）：20?23.
[10] 徐超，周帮友，刘信恩，等.机械螺栓连接状态监测和辨识方法研究进展[J].强度与环境，2009，36（2）：28?36. 技术文
