鄒海樟，彭麗，楊徉，趙華，楊京渝

（1.吉首大學(xué)信息科學(xué)與工程學(xué)院，吉首 416000；2.國(guó)網(wǎng)湖南省電力有限公司湘西供電分公司，吉首 416000）

0 引言

變電站要實(shí)現(xiàn)無(wú)人值班，無(wú)人值守已經(jīng)成為電力系統(tǒng)發(fā)展的必然趨勢(shì)。目前我國(guó)無(wú)人值守變電站主要分為：大型區(qū)域變電站和無(wú)人自備變電站[1]。兩種變電站設(shè)備都較為單一，需要視頻監(jiān)控?，F(xiàn)已存在的值守系統(tǒng)不能很好地滿足系統(tǒng)安全需求。一般來(lái)說(shuō)，無(wú)人值守變電站離市區(qū)較遠(yuǎn)，而目前的遙視系統(tǒng)只能通過(guò)視頻遠(yuǎn)程監(jiān)控來(lái)減少對(duì)變電站人力巡視次數(shù)和重要設(shè)備的人力監(jiān)控成本。一旦發(fā)生意外或者故障時(shí)，人員調(diào)度比較困難，若等待救援則可能會(huì)引發(fā)二次事故。國(guó)內(nèi)很多無(wú)人值守變電站在“四遙”的基礎(chǔ)上已經(jīng)開(kāi)始逐漸提升為第五遙視系統(tǒng)[2]，在原有視頻監(jiān)測(cè)基礎(chǔ)上對(duì)于常見(jiàn)事故和一些設(shè)備故障能夠進(jìn)行智能識(shí)別和分析，并且自動(dòng)反應(yīng)。所以將人臉識(shí)別應(yīng)用到無(wú)人值守的系統(tǒng)中是對(duì)目前系統(tǒng)的改進(jìn)優(yōu)化[3]，有利于提高變電站的安全性和可持續(xù)運(yùn)行，減少事故發(fā)生。

在人臉識(shí)別主要包括人臉檢測(cè)和模式匹配兩個(gè)過(guò)程，本文在檢測(cè)過(guò)程中采用了AdaBoost算法，對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類器，然后將弱分類器集合起來(lái)構(gòu)成一個(gè)強(qiáng)分類器[4]。在模式匹配過(guò)程中主要采用PCA算法，將待匹配的圖片進(jìn)行高維到低維的變換，然后求待匹配人臉與模板臉的相似度即可完成識(shí)別。在本文中加入了自動(dòng)監(jiān)督學(xué)習(xí)，當(dāng)所匹配人臉未在數(shù)據(jù)庫(kù)時(shí)，系統(tǒng)會(huì)自動(dòng)更新訓(xùn)練集，并加入模板庫(kù)中從而克服系統(tǒng)“臉盲”的缺點(diǎn)。

1 遙視系統(tǒng)方案概述

無(wú)人值守變電站監(jiān)測(cè)系統(tǒng)主要用于縣區(qū)級(jí)調(diào)度中心，在監(jiān)控中心內(nèi)通過(guò)網(wǎng)絡(luò)可以連接至各個(gè)變電站。監(jiān)測(cè)系統(tǒng)主要由視頻端、通訊網(wǎng)絡(luò)系統(tǒng)和后端處理分析系統(tǒng)組成，視頻服務(wù)器將模擬視頻信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)，然后進(jìn)行壓縮編碼。通過(guò)通訊網(wǎng)絡(luò)系統(tǒng)采用TCP/IP協(xié)議將視頻信號(hào)傳輸?shù)胶蠖颂幚硐到y(tǒng)，在后端系統(tǒng)中分為人為監(jiān)控和自動(dòng)分析兩部分。改進(jìn)的系統(tǒng)加大了自動(dòng)分析的能力，減少人為分析視頻的任務(wù)量，不僅使分析變得更加準(zhǔn)確，而且減少了成本。

2 算法原理

2.1 AdaBoost算法

AdaBoost算法是一種基于圖像Haar特征的迭代算法。其中Haar特征叫做圖像的矩形特征。AdaBoost算法主要由訓(xùn)練和檢測(cè)兩部分組成。它是一種級(jí)聯(lián)分類模型的分類器，由多個(gè)弱分類器按照不同的權(quán)重組合而成[5]，每一級(jí)都會(huì)比前一級(jí)復(fù)雜。

AdaBoost算法得知道已知圖像的Haar特征數(shù)量和特征值才能進(jìn)行一次弱分類器訓(xùn)練。

其中 feature(x,y)表示積分圖，i(x′,y′)表示顏色值或者灰度值。矩形的特征值與其各端點(diǎn)的積分圖有關(guān)與矩形的坐標(biāo)無(wú)關(guān)，特征值f等于各端點(diǎn)積分圖和與相鄰端點(diǎn)積分圖的差值。弱分類器訓(xùn)練的過(guò)程主要是將計(jì)算好的特征值進(jìn)行排序，對(duì)于排序好的每一個(gè)元素計(jì)算全部正樣本的權(quán)重和T+和負(fù)樣本的權(quán)重和T-。然后計(jì)算該樣本前正樣本的權(quán)重和S+和前負(fù)樣本權(quán)重和S-。選取該樣本的特征值FK和它前面的一個(gè)特征值FK-1之間的數(shù)作為閾值。根據(jù)每個(gè)樣本特征值訓(xùn)練的弱分類器，每次按照閾值大小分配權(quán)值最后組合成一個(gè)強(qiáng)分類器。檢測(cè)的時(shí)候，根據(jù)樣本大小遍歷整個(gè)圖像，標(biāo)出可能的人臉區(qū)域。按照指定的放大倍數(shù)放大檢測(cè)窗口，再一次對(duì)圖像進(jìn)行遍歷。如此進(jìn)行，直到檢測(cè)窗口超過(guò)原圖像的一半后停止遍歷，最后處理完重疊檢測(cè)的人臉區(qū)域和合并后即可以檢測(cè)到人臉。

圖1 系統(tǒng)方案圖

2.2 PCA算法

主成分分析法實(shí)則就是將一個(gè)高維向量通過(guò)特征向量矩陣投影到一個(gè)低維向量空間中，這樣高維空間就可以用一個(gè)低維空間和特征矩陣來(lái)表示[6]。主要步驟：

①原始數(shù)據(jù)轉(zhuǎn)換為矩陣Xm×n；

②將Xm×n的每一行減去這一行的均值，求出協(xié)方差矩陣C；

③求出協(xié)方差矩陣的特征值及其對(duì)應(yīng)的特征向量，將特征向量按對(duì)應(yīng)的特征值大小從上到下按行排列成矩陣，取前k行組成矩陣p，Y=pX即為降維得到的k維數(shù)據(jù)。

通過(guò)計(jì)算特征臉和模板庫(kù)中人臉的歐氏距離，根據(jù)最小歐氏距離即可得到待測(cè)人臉的社會(huì)信息。

3 實(shí)驗(yàn)

本次仿真采用的系統(tǒng)環(huán)境為Windows 7，采用的IDE為Visual Studio 2013和計(jì)算機(jī)開(kāi)源視覺(jué)庫(kù)OpenCV。

圖2 仿真流程圖

實(shí)驗(yàn)流程：

①通過(guò)AdaBoost算法從待測(cè)圖片中檢測(cè)到人臉；

②將檢測(cè)到的圖片中的人臉提取出來(lái)得到平均臉；

③將平均臉通過(guò)PCA算法提取得到特征臉；

④通過(guò)計(jì)算特征臉與模板庫(kù)中的人臉的歐氏距離，根據(jù)最小距離識(shí)別出人臉。

圖3 檢測(cè)得到的人臉

圖4 平均臉

圖5 特征臉

4 結(jié)語(yǔ)

隨著人工智能的不斷前進(jìn)，變電站的無(wú)人值守也會(huì)變得越來(lái)越智能，不斷地減小人力的使用成為了發(fā)展的潮流。本文改進(jìn)的遙視系統(tǒng)增加了人臉?lè)治?，這雖然改變了以往遙視系統(tǒng)起到了監(jiān)控作用，但是這是遠(yuǎn)遠(yuǎn)不夠的。在以后的發(fā)展道路中，不僅僅添加人臉?lè)治?，更多的?yīng)該增設(shè)行為分析。根據(jù)視頻采集圖像進(jìn)行識(shí)別，利用PLC技術(shù)在相關(guān)設(shè)備上安裝自動(dòng)開(kāi)斷和閉合系統(tǒng)、自動(dòng)報(bào)警系統(tǒng)和自動(dòng)修復(fù)系統(tǒng)，使得變電站值守朝向真正的智能化和無(wú)人化發(fā)展。