電網(wǎng)智能化安防監(jiān)控技術研究

李文靜

(重慶水利電力職業(yè)技術學院電氣工程系，重慶 永川 402160)

近年來，電網(wǎng)智能化逐漸成為我國電力系統(tǒng)行業(yè)發(fā)展的主流趨勢，安防視頻監(jiān)控技術在電力行業(yè)很早就得到了應用.但早期的傳統(tǒng)視頻監(jiān)控系統(tǒng)只是錄制視頻圖像［1，2］，需要人工瀏覽、查看圖像，工作人員不可能24 小時目不轉睛地盯著顯示屏幕.工作人員的疏忽可能造成被監(jiān)測項目被遺漏.這會為輸電線路的安全運行埋下巨大的隱患.

本文提出一種電力系統(tǒng)智能化安防技術.該技術以視覺與模式識別為基礎，在傳統(tǒng)視頻監(jiān)控的基礎上對電力系統(tǒng)中提取的圖像幀進行自動處理和分析，主要完成以下功能:(1)檢測輸電線路桿塔附近特定區(qū)域內是否有大型機械、人員的活動，防止行人攀爬桿塔、盜竊電力線路系統(tǒng)的塔材，以及大型機械在桿塔附近野蠻施工、撞擊桿塔等造成電力事故;(2)檢測變電站中某些禁止非操作人員靠近的特定區(qū)域內人體運動目標，防止由于盜竊電力設施、非法操作而導致電力事故發(fā)生，并依據(jù)檢測情況啟動報警，克服了傳統(tǒng)的視頻監(jiān)測單純依靠工作人員觀看視頻的弊端，實現(xiàn)了智能監(jiān)測的功能.

1 三幀差分法

幀間差分法的基本思想是檢測視頻圖像序列中很小的時間間隔Δk(一般Δk ?1 s)中相鄰幀像素的變化情況［3］.當圖像中的運動目標位置發(fā)生變化，運動目標在圖像中新位置處的灰度值也將變化;而沒發(fā)生變化的物體在圖像中像素點的灰度值將不發(fā)生明顯的變化.將相鄰幀圖像相減，把灰度值變化較大的像素點檢測出來，即可得到檢測運動目標的位置、輪廓等.本文主要研究三幀差分法［4］.三幀差分法的具體操作就是在幀間差分法基本原理的基礎上利用當前幀和前后兩幀之間差分所得到的兩個運動目標區(qū)域進行邏輯運算而獲得當前幀的更加準確的檢測結果.檢測原理如圖1所示.

圖1 三幀差分法的原理圖

2 Kalman 濾波器背景建模法

Kalman 濾波器背景建模法［5］把圖像序列當作一個零均值白噪聲的隨機過程，利用基于Kalman 的濾波器來預測緩變的背景圖像就可以看作是一種多幀降噪方法.當需要檢測的圖像序列通過該低通濾波器時，圖像序列中隨時間變換比較緩慢的背景區(qū)域將可以從序列圖像中分離出來.基于Kalman 濾波器的記憶功能，對一定時間長度的視頻圖像信息進行加權平均，最終獲得與當前背景圖像相似的背景圖像，而且該背景的估計不依賴于初始時間.

其中，A(x，y，tk)= 1 ，H(x，y，tk)= 1 ，則點(x，y)處的Kalman 濾波器狀態(tài)估計方程如(1)式所示，(2)式是像素點(x，y)的Kalman 濾波器狀態(tài)預測方程.

把圖像分為含有運動前景的區(qū)域與相對靜止的背景區(qū)域，為建立更加準確的背景模型，對前景與背景圖像進行分別加權更新，設Kalman增益為

上式中:c(x，y，tk)為背景模型估計的前景標識，β 為背景因子，α 為前景因子，Th(tk)為提取前景目標的分割閾值，avg1 、avg2 分別為差影圖像、當前幀圖像的均值．δ1、δ2分別為差影圖像和當前幀圖像的標準方差.其中:α 為d(x，y，tk)＞Th(tk)時的Kalman 增益，β 為d(x，y，tk)≤Th(tk)時Kalman 增益.背景自適應性由α 與β值決定，α 與β 的值必須足夠?。畬嶒炛校话愣荚O置β 的值要比α 的值大一個數(shù)量級．又因為實際應用時必須考慮算法的實時性，因此往往不用(6)和(7)式對α 及β 的值進行計算，而是根據(jù)經(jīng)驗來取一些固定的值．本文中取α = 0．001，β = 0．03．

3 改進的目標檢測算法

本文提出一種融合改進幀間差分法和基于Kalman 背景減除法的運動目標檢測方法.首先，利用改進的幀間差分法對運動目標進行檢測得到目標區(qū)域1，同時使用Kalman 濾波器自適應更新背景模型，并與當前幀圖像做背景減除，運用OTSU 法進行目標分割得到運動目標區(qū)域2;然后對這兩個區(qū)域進行一次或運算，得到比較完善的目標運動區(qū)域.算法流程圖如圖2所示.

圖2 改進的算法流程圖

利用改進目標檢測算法對某序列圖像進行檢測，如圖3所示.圖(a)為視頻圖像序列中的第3 777 ～3 779 幀的原始圖像;圖(b)為選取經(jīng)過預處理后的第3 777 幀、第3 778 幀(當前幀)、第3 779 幀采用三幀差分法檢測運動目標的結果.從實驗結果可以看出，三幀差分檢測到的運動目標內部出現(xiàn)不連續(xù)的“空洞”現(xiàn)象，導致運動目標信息部分缺失.圖(c)為采用Kalman 濾波法提取當前幀第3 778 幀的前景圖像.該方法能夠解決背景建模的問題，但受外界光照變化的影響，OTSU 自動閾值分割法雖然減少了一部分噪聲，但監(jiān)測結果中仍然存在一定的噪聲區(qū)域.根據(jù)本文提出的融合改進幀間差分法和基于Kalman 背景減除法的運動目標檢測方法對圖(c)與圖(d)的檢測結果進行處理，并進行形態(tài)學濾波，得到的效果如圖(d)，能夠精確提取完整的運動目標區(qū)域.

圖3 改進目標檢測算法對序列圖像進行檢測實驗結果分析圖

4 基于改進目標檢測算法的輸電線路智能視頻監(jiān)控方法

本文以電力監(jiān)控系統(tǒng)視頻流中提取的圖像幀為對象利用改進的目標檢測算法進行智能識別.算法總流程圖如圖4所示.

(1)圖像預處理

本文采用模擬攝像機進行輸電現(xiàn)場視頻圖像的拍攝.攝像機采集的圖像由于受到系統(tǒng)監(jiān)測終端硬件設備本身的缺陷以及外界環(huán)境因素的干擾，往往會包含一些隨機噪聲和畸變，降低了圖像質量.因此，對圖像進行分析之前首先應對其進行預處理，包括圖像轉換、增強、濾波等，減少圖像中的噪聲，增強運動目標在圖像的特點，便于對其進行進一步分析.另外，基于本文電力輸變電現(xiàn)場的研究背景，通常攝像機位于野外的輸變電線路桿塔上，架設位置較高，攝像機視角有限.為了獲得更多有用的圖像信息，可能圖像尺寸取得較大.這樣一方面加大了差異化算法的計算量，另一方面圖像受麻點、小面積噪聲的污染.因此，為了減少工作量，提高圖像處理速度以及精確提取運動目標，僅對圖像中的重點監(jiān)控區(qū)域進行視頻差異化分析處理.圖5為對某實驗視頻序列圖像中虛擬檢測區(qū)域的劃定，其中封閉的紅色區(qū)域內的部分為運動目標檢測區(qū)域.

圖4 輸電線路智能視頻監(jiān)控算法整體流程

圖5 圖像虛擬檢測區(qū)域劃分

(2)陰影去除

室外環(huán)境監(jiān)控中，陰影對運動目標檢測的影響是不容忽視的.因此，在圖像預處理的基礎上利用改進的目標檢測算法進行監(jiān)控區(qū)域目標檢測時必須考慮陰影去除.本文采用基于NCC 的陰影檢測算法進行陰影去除，基于歸一化互相關函數(shù)(NCC)法進行陰影檢測方法是基于灰度空間進行檢測［6，7］，并通過設定陰影檢測區(qū)進一步提高檢測效率.

假設某視頻圖像大小為M × N，并且令背景圖像為B(x，y)，當前幀圖像為C(x，y)，定義以(x，y)為中心、大小為(2L +1)×(2L +1)的模板T(x，y)= C(x + m，y + n)．其中- L ≤m ≤L，-L ≤n ≤L，則像素點(x，y)處的歸一化互相關函數(shù)為

其中:

上式中:EB(x，y)為背景能量圖像函數(shù)，ET(x，y)為模板的能量函數(shù)，當C(x，y)被陰影覆蓋時，則應滿足NCC(x，y)≥Tncc．Tncc為一接近于1 的固定閾值．

(3)檢測目標判斷

經(jīng)過圖像預處理、運動目標檢測、陰影消除算法等處理后得到的目標區(qū)域的二值圖像，去除了小的干擾區(qū)域、連接了小的間隙及填充了小的孔洞，但仍有一些用形態(tài)學方法也不容易消除的噪聲，如相對較大的黑色小區(qū)域，以及一些相對較大的白色孔洞．通常噪聲點的分布比較散亂，當圖像中在目標位置上出現(xiàn)比較密集的噪聲點時，需要考慮采用連通區(qū)域檢測算法［8］．該方法首先利用連通區(qū)域檢測方法得到同一連通區(qū)域中的所有像素點，并對不同的連通區(qū)域進行標記，然后計算這些連通區(qū)域的面積．依據(jù)現(xiàn)場環(huán)境，提前預設一個面積閾值T，如果上述得到的連通區(qū)域面積大于T，則認為該連通區(qū)域為前景目標．如果小于T，則濾除該區(qū)域中的像素點．通常情況下，噪聲斑點的面積恒小于前景目標的面積，因此，該方法能很大程度地濾除較大噪聲區(qū)域，保證精確地檢測到前景目標．

檢測區(qū)域內主要運動物體包括行人、各種運動的車輛、動物等．統(tǒng)計發(fā)現(xiàn)，這些物體的面積大小和寬高比具有非常明顯的區(qū)別．本課題主要關心輸電線路桿塔附近重點監(jiān)控區(qū)域中是否有人員活動，輸電線路周圍特定區(qū)域內是否有大型機械運動，采用基于檢測目標區(qū)域面積閾值、區(qū)域外接矩形長寬比依據(jù)不同現(xiàn)場環(huán)境判斷需要報警的運動目標類型．

設得到的運動區(qū)域的最小外接矩形為M，外接矩形寬高比為Date，矩形的寬為W，高為H，則

Date 為1，則判斷運動目標為車輛，否則為行人.

利用該算法對圖3(a)連續(xù)3 幀原始序列圖像進一步分析處理得到第3 778 幀圖像的目標檢測過程效果如圖6所示.

圖6 第3 778 幀圖像的目標檢測過程

5 實例分析

利用本文提出的智能視頻監(jiān)控算法對新疆伊犁電力公司現(xiàn)場采集的某220 kV 輸電線路、變電站現(xiàn)場視頻圖像進行分析.首先對現(xiàn)場視頻圖像進行預處理，包括監(jiān)控區(qū)域的劃分、圖像轉換、增強、濾波等，使其有利于后續(xù)目標檢測的實現(xiàn);然后利用本文提出的融合三幀差分法和基于Kalman 背景減除法的運動目標檢測方法提取出運動目標前景區(qū)域，并利用形態(tài)學方法、基于NCC 的目標檢測算法對運動前景區(qū)域進行去除噪聲、陰影等處理.最后采用區(qū)域聯(lián)通法，依據(jù)運動前景目標的面積等判斷運動目標類型.利用本文提出的改進目標檢測算法對圖像進行處理，得到的檢測效果如圖8、9 所示.

圖8 桿塔附近大型機械、行人運動檢測效果

圖9 變電站內運動行人目標檢測效果

如圖8、9，該算法對現(xiàn)場行人、大型機械的檢測精度較高，能準確識別出需要報警的信息.

6 結語

由檢測及實驗結果可見，基于改進目標檢測的電力智能安防監(jiān)控方法利用融合三幀差分法和基于Kalman 背景減除法的運動目標檢測方法，能夠準確檢測到電力系統(tǒng)監(jiān)測范圍內的行人、大型機械等運動目標.另外，這種方法又可以通過報警圖像信號直觀地看到報警現(xiàn)場的具體情況，既彌補了以往方法只上傳報警信號無法進行直觀觀察報警現(xiàn)場情況的不足，又可以節(jié)省大量的人力，為輸電線路的安全檢測提供了一種新的手段.

［1］黃新波.輸電線路在線監(jiān)測與故障診斷［M］.北京:中國電力出版社，2008.

［2］黃新波，孫欽東，王小敬，等.輸電線路危險點遠程圖像監(jiān)控系統(tǒng)［J］.高電壓技術，2007，33(8):192 -197.

［3］何云.基于交通監(jiān)控視頻的運動目標檢測與跟蹤算法研究［D］.杭州:浙江理工大學，2011.

［4］趙佳.視頻圖像序列中運動目標檢測與跟蹤方法研究［D］.北京:北京交通大學，2010.

［5］伍健榮，杜向龍，劉海濤.一種基于Kalman 濾波器的自適應背景建模改進算法［J］.傳感器與微系統(tǒng)，2012，31(1):52 -54.

［6］Karamann K，Brandt A.Moving object recognition using an adaptive background memory［J］.In Proc Time - Varying Image Processing and Moving Object Recognition，1990，1(2):289 -295.

［7］張笑微，王月琴.基于灰度圖像的陰影檢測算法［J］.兵工自動化，2007，26(7):45 -47.

［8］左文明.連通區(qū)域提取算法研究［J］.計算機應用與軟件，2006，23(1):97 -98.