變電站遙視系統(tǒng)中基于Adaboost人臉識(shí)別算法改進(jìn)研究

厲美含，唐忠，雷景生

（1.上海電力學(xué)院電氣工程學(xué)院，上海 200090；2.上海電力學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)，上海 200090）

變電站遙視系統(tǒng)中基于Adaboost人臉識(shí)別算法改進(jìn)研究

厲美含1，唐忠1，雷景生2

（1.上海電力學(xué)院電氣工程學(xué)院，上海 200090；2.上海電力學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)，上海 200090）

20世紀(jì)90年代以來(lái)，隨著計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)和通信技術(shù)以及綜合自動(dòng)化技術(shù)的發(fā)展，大部分電網(wǎng)企業(yè)已經(jīng)應(yīng)用了具有“四遙”（遙測(cè)、遙信、遙控、遙調(diào)）功能的綜合自動(dòng)化系統(tǒng)[1]，但其不具備可視功能，不能滿足系統(tǒng)對(duì)于防火、防爆、防盜保安等要求。遙視系統(tǒng)作為自動(dòng)化水平提高的產(chǎn)物，將視頻與數(shù)據(jù)采集功能有效融合，有效應(yīng)用在了無(wú)人或少人值守的變電站，保證了變電站的安全可靠生產(chǎn)。

模式識(shí)別技術(shù)作為遙視系統(tǒng)圖像監(jiān)控的關(guān)鍵技術(shù)[2-3]，可應(yīng)用于禁止區(qū)域的監(jiān)測(cè)、遺留物品的檢測(cè)以及變電站內(nèi)信號(hào)燈狀態(tài)、刀閘開關(guān)檢查等領(lǐng)域。隨著電力事業(yè)的高速發(fā)展，各級(jí)變電站逐年增多，其分布范圍也越來(lái)越廣。因此，針對(duì)遠(yuǎn)距離生產(chǎn)一線的信息采取與實(shí)時(shí)監(jiān)測(cè)的需求也在進(jìn)一步增大。遙視系統(tǒng)使用基于Adaboost人臉識(shí)別技術(shù)的應(yīng)用可有效地識(shí)別變電站內(nèi)出現(xiàn)的人員身份，進(jìn)一步完善無(wú)人值班的變電站安全運(yùn)行。然而，在遙視系統(tǒng)內(nèi)使用人臉識(shí)別技術(shù)還處于初級(jí)階段，它也是電力智能化領(lǐng)域研究的重要部分。

目前，使用比較廣泛的算法為模型相對(duì)簡(jiǎn)單的Discrete Adaboost算法[4]。本文提出改進(jìn)的Domain-Partitioning Real Adaboost（DPR Adaboost） 算法程序，并首次提出將其應(yīng)用在人臉識(shí)別系統(tǒng)內(nèi)，通過示例對(duì)比以及圖片識(shí)別檢測(cè)，可以得出其在分類器的區(qū)分能力、誤判率以及收斂速度都有極大的提高。

1 變電站遙視系統(tǒng)整體框架

圖1所示為一個(gè)整體遙視系統(tǒng)的框架，可將其分為五大主體部分。在遙視系統(tǒng)的首端設(shè)置攝像機(jī)進(jìn)行監(jiān)控以及圖像采集。市場(chǎng)上較多使用的槍型攝像機(jī)和球形攝像機(jī)。

圖1 遙視系統(tǒng)整體框架圖Fig.1 Integral frame of remote vision system

在變電站一般設(shè)有專用的遙視VLAN，在傳輸方面對(duì)寬帶有一定要求[5-6]，遙視VLAN起到橋梁作用，把對(duì)數(shù)據(jù)量較大的視頻流傳輸?shù)街悄芊治龇?wù)器。

智能分析服務(wù)器是系統(tǒng)的核心部分，用來(lái)進(jìn)行人臉識(shí)別。將采集到的人臉進(jìn)行比對(duì)，來(lái)判別是否為工作人員或無(wú)關(guān)人員。此技術(shù)有效地應(yīng)用在了無(wú)人值守的變電站，增強(qiáng)了變電站的安全運(yùn)行。

2 人臉識(shí)別系統(tǒng)

一個(gè)完整的人臉識(shí)別系統(tǒng)如圖2所示，主要分為訓(xùn)練以及檢測(cè)兩大部分[7]。首先，在訓(xùn)練部分要對(duì)輸入的樣本圖像進(jìn)行人臉檢測(cè)，判斷其是否含人臉，采用提取用于區(qū)分不同個(gè)體的判別特征的方式，將之稱為特征提取法。其后，使用如圖3所示的特征模板[8-9]，采用積分圖的計(jì)算方法進(jìn)行特征值的計(jì)算，為分類器的訓(xùn)練做前期的必要準(zhǔn)備。

圖2 人臉識(shí)別系統(tǒng)總結(jié)構(gòu)Fig.2 General structure of face recognition system

圖3 常用的5個(gè)基本特征模板Fig.3 Five common basic feature templates

3 人臉識(shí)別系統(tǒng)核心算法

3.1 核心Adaboost算法

2001年Viola等人在人臉檢測(cè)系統(tǒng)提出了Adaboost學(xué)習(xí)算法的簡(jiǎn)單特征訓(xùn)練級(jí)聯(lián)人臉檢測(cè)器方法[10-13]。Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。該算法本身是通過改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的。它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。算法流程圖如圖4所示。

圖4 算法流程圖Fig.4 Algorithm flow chart

3.2 初級(jí)分類器的構(gòu)建

在基于Adaboost算法的人臉識(shí)別系統(tǒng)中，提出了關(guān)鍵的分類器概念。對(duì)于任意一幅圖像，通過不同的特征，如：顏色、灰度值、紋理、輪廓等，將之與其他圖像進(jìn)行區(qū)分，這就需要分類器的區(qū)分功能。下面給出分類器構(gòu)建的基本方法。

給出一個(gè)特征集和一個(gè)具有正負(fù)樣本的訓(xùn)練集，不同的學(xué)習(xí)方法都能獲得一個(gè)具有相應(yīng)分類功能的函數(shù)[14]。Discrete Adaboost是一個(gè)具有分類功能的函數(shù)算法的一個(gè)成功運(yùn)用，它可以解決3個(gè)基本問題：從大量特征集中獲得對(duì)于區(qū)分樣本有高效率的特征；基于每一個(gè)被選出的特征構(gòu)建成一個(gè)弱分類器；將這些弱分類器提升為一個(gè)強(qiáng)分類器。具體解決方法如下所示。

樣本：圖像（x1，y1），…，（xm，ym）。 其中yi∈{-1，+1}，分別對(duì)應(yīng)負(fù)樣本和正樣本。

初始化：權(quán)重D1（i）=1/m。

循環(huán)：t=1，2，…，T。

1.歸一化權(quán)重

2.對(duì)于每一個(gè)特征k：

1）計(jì)算得到一個(gè)以訓(xùn)練圖樣所提取的特征值為內(nèi)容的分成N段的直方圖。

2）用直方圖訓(xùn)練一個(gè)分類器hk，并且

3）計(jì)算

選擇一個(gè)分類器ht，帶有最小的Zt。

3.更新權(quán)重輸出

最終的分類器：

3.3 級(jí)聯(lián)分類器構(gòu)建

為了在一幅圖像中檢測(cè)人臉，要檢測(cè)所有可能的子窗口并且判斷它們是否含有人臉。為此需要檢測(cè)所有不同大小、可能位置的子窗口。在一個(gè)普通的320×240像素的圖像中大約有超過500 000的子窗口[15-18]。為了減少檢測(cè)系統(tǒng)總的運(yùn)行時(shí)間，要從根本上限制系統(tǒng)花在每一個(gè)子窗口上的時(shí)間。因此，提出級(jí)聯(lián)分類器的想法，來(lái)排除盡量多的非人臉樣本。構(gòu)建過程如下所示。

3.4 檢測(cè)器的選擇

體現(xiàn)Adaboost算法效果的重點(diǎn)在于前期訓(xùn)練時(shí)候的弱分類器的選取，而弱分類器的選取在一定程度上依賴于樣本集的選取。為了減小圖像本身由于灰度分布造成的影響，需要對(duì)訓(xùn)練樣本做歸一化處理。

在實(shí)際中，用于檢測(cè)的圖像一般都采取大于子窗口20×20的分辨率[19]。因此，在對(duì)一副圖像需要從不同的尺度和不同的位置中逐個(gè)檢測(cè)。對(duì)于不同尺度的檢測(cè)，選擇對(duì)檢測(cè)器進(jìn)行縮放而不是對(duì)圖像本身進(jìn)行縮放，因?yàn)樵谌魏纬叨认?，特征都可以用同樣的代價(jià)求出。一般使用的檢測(cè)器基本大小為20×20。實(shí)驗(yàn)結(jié)果表明，檢測(cè)器每次放大1.25倍是最優(yōu)化的[20]。

4 算法區(qū)分能力對(duì)比示例程序

一般的人臉識(shí)別系統(tǒng)是基于Discrete Adaboost算法構(gòu)建的，它的主要作用是實(shí)現(xiàn)2種類型點(diǎn)的區(qū)分[21]，并通過觀察訓(xùn)練得來(lái)的分類直線來(lái)比較樣本，以其在樣本中的錯(cuò)誤率來(lái)判別分類器的好壞。Domain-Partitioning Real Adaboost分類器是對(duì)經(jīng)典Discrete Adaboost分類器的擴(kuò)展和提升。本文對(duì)同一樣本分別進(jìn)行Discrete Adaboost算法、DPR Adaboost算法編寫應(yīng)用程序示例，并且通過檢測(cè)同一樣本進(jìn)行區(qū)分能力、收斂速度、錯(cuò)誤率的比較。

4.1 樣本圖分布對(duì)比

圖5 樣本對(duì)比圖Fig.5 Sample comparison chart

圖5是根據(jù)Discrete Adaboost以及DPRAdaboost算法進(jìn)行編寫，對(duì)2種類型點(diǎn)進(jìn)行樣本的區(qū)分。采取紅色、藍(lán)色共200個(gè)樣本進(jìn)行區(qū)分，第一種點(diǎn)在仿真中是一組半徑為N（4，1）分布，角度是U（0，2π）分布的點(diǎn)；第二種點(diǎn)是一組半徑為N（1，1）分布，角度是U（0，2π）分布的點(diǎn)[22-23]。訓(xùn)練的分類器是f（x）=ax+b的直線，a，b為參數(shù)。訓(xùn)練的目的是用一系列直線將2種類型的點(diǎn)區(qū)分開，而得到最終的分類器。圖5（a）是Discrete Adaboost算法訓(xùn)練所生成的樣本在x，y坐標(biāo)軸上（同圖6（a）、圖6（b））的位置分布（紅色和藍(lán)色分別表示不同的樣本，各有100個(gè)點(diǎn)）。圖5（b）是DPR Adaboost訓(xùn)練生成的樣本分布（紅色和藍(lán)色分別表示不同的樣本）。

4.2 訓(xùn)練器對(duì)比

相對(duì)于Discrete Adaboost算法示例程序中生成的直線分類器（如圖6（a）所示），在DPR Adaboost算法中生成的是圓形分類器（如圖6（b）所示），具有更強(qiáng)大的區(qū)分能力，以及極快的收斂速度，能使訓(xùn)練更有效率。

圖6 訓(xùn)練得到的分類器Fig.6 Classifier from training

4.3 錯(cuò)誤率對(duì)比

圖7（a）為根據(jù)Discrete Adaboost算法程序生成的錯(cuò)誤率，x代表弱分類器的個(gè)數(shù)，y代表樣本中的錯(cuò)誤率（同圖8），從第一次循環(huán)的近0.3%，到20個(gè)弱分類器左右，錯(cuò)誤率就能降到很低，約為0.03%。最終在訓(xùn)練了50個(gè)弱分類器時(shí)，錯(cuò)誤率為0.005%。而在后面的檢測(cè)過程中，實(shí)際錯(cuò)誤率0.007%與之非常接近，也沒有過擬合現(xiàn)象。

圖7 錯(cuò)誤率Fig.7 Error rate

通過錯(cuò)誤率的對(duì)比可見，后者，如圖7（b）所示，收斂速度更快，訓(xùn)練能更有效，錯(cuò)誤率可降為0。

可以直觀看到Domain-Partitioning Real Adaboost算法對(duì)于樣本具有更優(yōu)良的區(qū)分能力，以及在分類器的形成上生成了區(qū)別于Discrete Adaboost算法的直線分類器，首先產(chǎn)生的分類器是圓形分類器，以這是符合實(shí)際的。而第二個(gè)分類器變成了垂直的分類器，這是因?yàn)樵诘谝粋€(gè)分類器分類之后，樣本權(quán)重發(fā)生了變化，而垂直分類器對(duì)有新權(quán)重的樣本有更好的分類誤差，所以是垂直的分類器。后面的分類器也在不斷變化，這樣就會(huì)在分類能力上具有更高的效率。而在第三次訓(xùn)練結(jié)束后，其錯(cuò)誤率降低到接近于零，體現(xiàn)其應(yīng)用到人臉識(shí)別系統(tǒng)是可行的。

5 人臉檢測(cè)器訓(xùn)練程序

DPR Adaboost算法的成功編寫為其應(yīng)用于人臉識(shí)別系統(tǒng)提供了可能。在對(duì)檢測(cè)器訓(xùn)練程序中，采用MIT的人臉樣本庫(kù)，包含2 706個(gè)人臉樣本和4 381個(gè)非人臉樣本[24-28]。在對(duì)人臉檢測(cè)器的訓(xùn)練過程中，每次弱分類器的訓(xùn)練迭代中，對(duì)每個(gè)特征矩形都進(jìn)行了一次弱訓(xùn)練。將每次訓(xùn)練得到的弱分類器組合在一起，形成一個(gè)強(qiáng)分類器，然后對(duì)強(qiáng)分類器進(jìn)行驗(yàn)證，得到當(dāng)前的檢出率和錯(cuò)誤率。根據(jù)與預(yù)設(shè)值和最大循環(huán)次數(shù)的比較，決定是否能夠結(jié)束訓(xùn)練，得到一個(gè)單級(jí)強(qiáng)分類器。

Discrete Adaboos算法以及DPR Adaboost算法在樣本程序運(yùn)行得到的錯(cuò)誤率曲線如圖8所示?？梢钥闯觯贒PR Adaboost算法下進(jìn)行檢測(cè)，最終得到強(qiáng)分類器的錯(cuò)誤率極低，接近于0，表明其具有很高的正確分辨率。并且在對(duì)面部特征的檢測(cè)中，對(duì)于鼻角、雙眼之間區(qū)域以及鼻子與嘴巴的線性明亮關(guān)系對(duì)比度更加明顯，靠后的弱分類器更多的是對(duì)前幾級(jí)分類器的修正和補(bǔ)充，前幾個(gè)分類器都應(yīng)該與人臉面部特征有很好的吻合，更能顯示出人臉特征。從另一個(gè)角度來(lái)看，DPR Adaboost算法可以通過數(shù)量更少的弱分類器而達(dá)到與Discrete Adaboost算法一樣的效果，這得益于其對(duì)樣本不是單一的兩端分類，而是對(duì)區(qū)域細(xì)分成多個(gè)段落，對(duì)每個(gè)段落有獨(dú)立的分類。

圖8 錯(cuò)誤率Fig.8 Error rate

試驗(yàn)結(jié)果與預(yù)期相符，DPR Adaboost算法相對(duì)Discrete Adaboost算法有更好的分類能力。

6 人臉識(shí)別系統(tǒng)應(yīng)用檢驗(yàn)

任意選取一張帶有人臉的圖片，來(lái)檢驗(yàn)通過DPR Adaboost算法編寫的人臉檢測(cè)程序。DPR Adaboost算法編寫，實(shí)現(xiàn)的內(nèi)容是使用之前的DPR Adaboost人臉分類器訓(xùn)練程序生成的級(jí)聯(lián)分類器，來(lái)實(shí)現(xiàn)對(duì)任意一張圖片中人臉的檢測(cè)，并標(biāo)記出來(lái)。

檢測(cè)的過程是，首先對(duì)需要檢測(cè)的圖像圖9進(jìn)行預(yù)處理，包括獲取尺寸，轉(zhuǎn)換成灰度圖，直方圖均勻化。接下來(lái)是進(jìn)行尺寸放大倍數(shù)的一個(gè)循環(huán)，從原始的20×20的大小[29-30]，變到不超過圖像尺寸的最大值。在循環(huán)中，先用當(dāng)前尺寸對(duì)檢測(cè)圖像的檢測(cè)子窗口遍歷一遍，得到子窗口集合，再用根據(jù)尺寸調(diào)整好的人臉分類器對(duì)所有子窗口進(jìn)行判斷，得出判斷值。最后將判斷為人臉的子窗口進(jìn)行統(tǒng)一尺度的合并和不同尺度的合并，最終將人臉子窗口標(biāo)記出來(lái)。

該程序用DPR Adaboost人臉分類器訓(xùn)練程序生成的級(jí)聯(lián)分類器，來(lái)實(shí)現(xiàn)對(duì)任意一張圖片中人臉的檢測(cè)，并標(biāo)記出來(lái)。從檢測(cè)圖10中可以看出，分類器判斷的子窗口尺寸是變化的，而對(duì)不同大小窗口的判斷是需要對(duì)原始分類器進(jìn)行修改才能使用的，而大窗口也能被檢測(cè)出來(lái)，這說(shuō)明分類器尺寸放大的理論是正確的，并且能有效快速地標(biāo)記出人臉部分，與預(yù)期相符。

圖9 人臉檢測(cè)的原圖Fig.9 The original face image

圖10 人臉檢測(cè)程序的運(yùn)行結(jié)果Fig.10 Running results of face detection program

7 結(jié)語(yǔ)

在變電站的遙視系統(tǒng)中使用改善和擴(kuò)展的DPR Adaboost算法在人臉識(shí)別檢測(cè)系統(tǒng)中，通過示例證明其相對(duì)于傳統(tǒng)的Discrete Adaboost算法具備更高的收斂速度、更強(qiáng)的分類能力以及更低的錯(cuò)誤率的特點(diǎn)，完善了變電站智能視頻分析的功能。

遙視系統(tǒng)在國(guó)家電網(wǎng)智能化的背景下，會(huì)越來(lái)越突出節(jié)省勞動(dòng)力、提高工作效率等優(yōu)點(diǎn)。大力開展智能電網(wǎng)是電力發(fā)展的大趨勢(shì)，通過模式識(shí)別技術(shù)的不斷完善與提高，遙視系統(tǒng)的智能化發(fā)展也將繼續(xù)加快腳步，進(jìn)一步提高無(wú)人值守變電站的安全運(yùn)行。

[1]汪志成.基于自適應(yīng)反交錯(cuò)算法的大規(guī)模電力遙視系統(tǒng)的設(shè)計(jì)與開發(fā)[J].電網(wǎng)與清潔能源，2015，31（4）:9-15.WANG Zhicheng.Large scale power generation based on adaptive anti interleaving algorithm design and development of remote vision system[J].Power System and Clean Energy，2015，31（4）:9-15.

[2]李欣，何智強(qiáng)，王麗蓉，等.110kv變電站過電壓智能識(shí)別系統(tǒng)應(yīng)用研究[J].電瓷避雷器，2016（2）:50-56.LI Xin，HE Zhiqiang，WANG Lirong，et al.Application and research of overvoltage intelligent identification system for 110 kV substation[J].Insulators and Surge Arresters，2016（2）:50-56.

[3]李蘇.基于Adaboost算法的人臉檢測(cè)技術(shù)研究[D].哈爾濱:哈爾濱理工大學(xué)，2010.

[4] 趙麗紅，劉紀(jì)紅，徐心和.人臉檢測(cè)方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2004，21（9）：1-4.ZHAO Lihong，LIU Jihong，XU Xinhe.Survey of face detection methods[J].ComputerApplication Research，2004，21（9）：1-4.

[5] VIOLA P，JONES M.Rapid object detection using a boosted cascade of simple features[C]// Accepted Conference on Computer Vision and Pattern Recognition，Kauai，HI，New York，USA，2001，18（2）:511-518.

[6]ROBERT E.YOAV F.Boosting the Margin:A new explanation for the effectiveness of voting methods[J].The Annals of Statistics，1998，26（5）:1651-1686.

[7] 張翠平，蘇光大.人臉識(shí)別技術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2000，5（11）:885-894.ZHANG Cuiping，SU Guangda.A survey offace recognition technology[J].Chinese Journal of Image and Graphics，2000，5（11）:885-894.

[8]陳栗，倪林.一種特征臉分析和小波變換相結(jié)合的人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2004，24（10）:75-81.CHEN Li，NI Lin.A face recognition algorithm based on feature face analysis and wavelet transform[J].Computer Application，2004，24（10）:75-81.

[9]趙楠.基于Adaboost算法的人臉檢測(cè)[D].北京:北京大學(xué)，2005.

[10]柳映輝，任德華，陳少杰.基于高斯膚色模型和圖像分割的人臉檢測(cè)[J].天津科技大學(xué)學(xué)報(bào)，2010，25（5）:64-67.LIU Yinghui，REN Dehua，CHEN Shaojie.Face detection based on Gauss color model and image segmentation[J].Journal of Tianjin University of Science&Technology，2010，25（5）:64-67.

[11]謝佩，吳小俊.分塊多線性主成分分析及其在人臉識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)科學(xué)，2015，42（3）:274-279.XIE Pei，WU Xiaojun.Block multiple linear principal component analysis and its application in face recognition[J].Computer Science，2015，42（3）:274-279.

[12]ROBERT E.SCHAPIRE S.Improved boosting algorithms using confidence-rated predictions[J].Machine Learning，1999，37（3）:297-336.

[13]林鵬.基于Adaboost算法的人臉檢測(cè)研究及實(shí)現(xiàn)[D].西安:西安理工大學(xué)，2007.

[14]吳暾華.快速人臉檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].泉州:華僑大學(xué)，2004.

[15]李剛，高政.人臉自動(dòng)識(shí)別方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2003，8（2）:4-9.LI Gang，GAO Zheng.Survey of automatic face recognition methods[J].Computer Application Research，2003，8（2）:4-9.

[16]HJELMAS E，LOW B K.Face detection:a survey[J].Computer Vision and Image Understanding，2001，83（3）:236-274.

[17]劉鳳娟，方麗英.通用學(xué)習(xí)框架結(jié)合2DPCA的魯棒人臉識(shí)別[J].電視技術(shù)，2014，38（11）:177-182.LIU Fengjuan，F(xiàn)ANG Liying.Universal learning framework combined with 2DPCA for robust face recognition[J].Television Technology，2014，38（11）:177-182.

[18]尹飛，馮大政.基于PCA算法的人臉識(shí)別[J].計(jì)算機(jī)技術(shù)與發(fā)展，2008，18（10）:31-33.YIN Fei，F(xiàn)ENG Dazheng.Face recognition based on PCA algorithm[J].ComputerTechnology and Development，2008，18（10）:31-33.

[19]劉彥隆，趙福梅，郭建軍.人臉識(shí)別算法在嵌入式系統(tǒng)中的研究與實(shí)現(xiàn)[J].電視技術(shù)，2014，38（9）:212-213.LIU Yanlong，ZHAO Fumei，GUO Jianjun.Research and implementation of face recognition algorithm in embedded system[J].Television Technology，2014，38（9）:212-213.

[20]張道華.基于PCA算法的人臉識(shí)別技術(shù)研究[J].吉林廣播電視大學(xué)學(xué)報(bào)，2013，140（8）:68-69.ZHANG Daohua.Research on face recognition technology based on PCA algorithm[J].Journal of Jilin TV&Radio University，2013，140（8）:68-69.

[21]柯麗，溫立平.改進(jìn)的Adaboost人臉檢測(cè)方法[J].光電工程，2012，100（1）:114-115.KE Li，WEN Liping.Improved Adaboost face detection method[J].Opto Electronic Engineering，2012，100（1）:114-115.

[22]龐建華，姚鵬.基于Adaboost算法的虹膜合格狀態(tài)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2015，50（14）:193-195.PANG Jianhua，YAO Peng.Iris qualified state detection based on Adaboost algorithm[J].Computer Engineering and Applications，2015，50（14）:193-195.

[23]周杰，盧春雨，張長(zhǎng)水，等.人臉自動(dòng)識(shí)別方法綜述[J].電子學(xué)報(bào)，2000，15（4）:1-5.ZHOU Jie，LU Chunyu，ZHANG Changshui，et al.Survey ofautomatic face recognition methods[J].Journalof Electronics，2000，15（4）:1-5.

[24]劉青山.人臉跟蹤與識(shí)別的研究[D].北京：中科院自動(dòng)化研究所，2003.

[25]周激流，張曄.人臉識(shí)別理論研究進(jìn)展[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2007，38（11）:180-184.ZHOU Jiliu，ZHANG Ye.Advances in the theory of face recognition[J].Journal of Computer Aided Design and Computer Graphics，2007，38（11）:180-184.

[26]符滄海.電源監(jiān)控與圖像監(jiān)控系統(tǒng)的互聯(lián)互通[J].電力自動(dòng)化設(shè)備，2002，22（5）:29-31.FU Canghai.Interconnection of power monitoring and image monitoring system[J].Power Automation Equipment，2002，22（5）:29-31.

[27]白成林.多媒體遠(yuǎn)程監(jiān)控的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2000（1）:40-42.BAI Chenglin.Research and implementation of multimedia remote monitoring[J].Computer System Applications，2000（1）:40-42.

[28]黃燕新.變電站遠(yuǎn)程視頻監(jiān)控系統(tǒng)[J].華北電力技術(shù)，2000，34（7）:31-32.HUANG Yanxin.Substation remote video surveillance system[J].North China Electric Power，2000，34（7）:31-32.

[29]王勁伯，鄭崇蘇.大型電氣設(shè)備遠(yuǎn)程監(jiān)控系統(tǒng)的設(shè)計(jì)與其可靠性[J].福州大學(xué)學(xué)報(bào)，2000，28（2）:28-32.WANG Jinbo，ZHENG Chongsu.Design and reliability of remote monitoring system for large electrical equipment[J].Journal of Fuzhou University，2000，28（2）:28-32.

[30]齊興敏，劉冠梅.基于PCA算法的人臉識(shí)別技術(shù)研究[J].現(xiàn)代電子技術(shù)，2007，29（6）:77-79.QI Xingmin，LIU Guanmei.Research on face recognition technology based on PCA algorithm[J].Modern Electronic Technology，2007，29（6）:77-79.

Improvement of Face Recognition Algorithm based on Adaboost in Substation Remote Monitoring System

LI Meihan1，TANG Zhong1，LEI Jingsheng2
（1.School of Electrical Engineering，Shanghai University of Electric Power，Shanghai 200090，China；2.School of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 200090，China）

The remote vision system realizes the realtime monitoring of the internal environment and the important equipment of the substation，and it can be used in the unattended substation effectively.At present，the remote vision system is still in the primary stage，and its core technology，pattern recognition is an important object in the field of electric power research.Usually，the face recognition based on Discrete Adaboost algorithm is used.This paper puts forward an improved Domain-partitioning Real Adaboost(DPR Adaboost)and uses it in the face recognition detection，and then comparison is made in the algorithm sample and test procedure.The result shows that the proposed method can improve classification and be of faster convergence rate and lower even close to zero error rate.

face detection； Adaboostalgorithm； DPR Adaboost

遙視系統(tǒng)實(shí)現(xiàn)了變電站內(nèi)部環(huán)境、重要設(shè)備的實(shí)時(shí)監(jiān)控，有效地應(yīng)用在了無(wú)人值守變電站內(nèi)。當(dāng)前，遙視系統(tǒng)還處于初級(jí)階段，模式識(shí)別作為其核心技術(shù)，是電力領(lǐng)域的重要研究對(duì)象。通常，在人臉識(shí)別系統(tǒng)中采用基于Discrete Adaboost的人臉識(shí)別算法，在此基礎(chǔ)上研究改進(jìn)的Domain-Partitioning Real Adaboost（DPR Adaboost），將其應(yīng)用在人臉識(shí)別檢測(cè)中，在算法示例以及檢測(cè)程序中進(jìn)行對(duì)比，結(jié)果表明其具有分類能力提高，收斂速度快，錯(cuò)誤率低甚至趨近于零的優(yōu)點(diǎn)。

人臉檢測(cè)；Adaboost算法；DPR Adaboost

1674-3814（2017）09-0061-07

TM769

A

國(guó)家自然科學(xué)基金項(xiàng)目（61672337）。

Project Supported by the National Natural Science Foundation of China（61672337）.

2016-10-18。

厲美含（1991—），女，碩士研究生，主要研究方向?yàn)殡姎庠O(shè)備狀態(tài)評(píng)估算法研究。

（編輯 馮露）