張彥嬌，廖暢，范俊秋，楊榮瑩

（貴州電網(wǎng)有限責(zé)任公司貴安供電局，貴州貴安，551000）

0 引言

圖1 背景差分法流程示意圖

近年來，隨著我國電力行業(yè)的不斷發(fā)展，電力系統(tǒng)自動化技術(shù)呈現(xiàn)出更具智能化、集成化、安全性、可持續(xù)性的發(fā)展趨勢，為全面直觀了解遠(yuǎn)方無人值守變電站實際情況奠定了良好的基礎(chǔ)。在“無人值守”“少人值守”等變電運維新模式下，變電站視頻與環(huán)境監(jiān)控系統(tǒng)是實現(xiàn)現(xiàn)場作業(yè)實時監(jiān)管、運行設(shè)備遠(yuǎn)程運維的重要技術(shù)支撐，就目前而言，變電站視頻與環(huán)境監(jiān)控系統(tǒng)主要是以圖像監(jiān)視、視頻存儲等功能為主，攝像機(jī)監(jiān)控區(qū)域采集信息較為固定和局限，還未能實現(xiàn)突發(fā)、異常情況下自動檢測及跟蹤動態(tài)物體，難以保障無人值守變電站日常管理及生產(chǎn)安全的需求[1]。著眼于當(dāng)下“智能變電站”的建設(shè)概念，動態(tài)物體檢測及跟蹤是視頻與環(huán)境監(jiān)控系統(tǒng)根本且關(guān)鍵的研究方向之一[2]。因而，本文借助MATLAB 環(huán)境下豐富的函數(shù)調(diào)用及數(shù)字圖像處理工具，基于變電站視頻與環(huán)境監(jiān)控系統(tǒng)進(jìn)行動態(tài)物體檢測及跟蹤方法研究，以進(jìn)一步滿足現(xiàn)代化無人值守變電站安全防范需要[3～5]。

1 動態(tài)物體檢測算法研究

對動態(tài)物體檢測領(lǐng)域中的幀間差分算法、背景差分算法以及光流算法進(jìn)行研究，運用Matlab 軟件驗證上述方法，在比較其優(yōu)缺點后，提出運用一種基于幀差的背景差分算法，實現(xiàn)背景圖像實時建模，進(jìn)而在視頻圖像序列中準(zhǔn)確識別、分割出動態(tài)物體。

■1.1 幀間差分法

當(dāng)背景圖像與視頻監(jiān)控攝像機(jī)之間呈現(xiàn)相對靜止?fàn)顟B(tài)時，視頻圖像序列中相鄰圖像間會存在一個極為相似的背景畫面?；诖耍梢岳孟噜弾g圖像信號的變化來檢測動態(tài)物體，并實現(xiàn)其與背景環(huán)境的分割[6]。

現(xiàn)多數(shù)采用的是兩幀差分和三幀差分的方法，此種算法設(shè)計思想及實現(xiàn)都較為簡單，且適應(yīng)于天氣、光線等室外場景的變化，但也存在著明顯的缺點。兩幀差分算法的缺點為：（1）若動態(tài)物體移動過慢，相鄰兩幀間的灰度值、紋理信息較為接近時，容易導(dǎo)致動態(tài)物體出現(xiàn)重疊區(qū)域并被視為“背景”，進(jìn)而不能實現(xiàn)對目標(biāo)的完整提??；（2）若動態(tài)物體移動過快，前后幀之間即使沒有重疊也會導(dǎo)致系統(tǒng)將遮擋的“背景”處理為運動物體，或?qū)⑵渥R別為兩個分開的物體。這些都大大影響了動態(tài)物體特征像素的精確提取以及檢測和分割，阻礙了進(jìn)一步地研究。

相比于兩幀之間的幀間差分運算，三幀差分的確有效地改善了檢測結(jié)果比實際移動目標(biāo)大的缺點，但這種方式也只能大概地提取運動物體的輪廓，若要獲取完整的動態(tài)目標(biāo)，還需要通過某種連通方法來填充內(nèi)部大量的“空洞”，這樣的方式較為復(fù)雜和繁瑣。

■1.2 背景差分法

背景差分又稱為背景減法，是將背景模型與當(dāng)前幀進(jìn)行比較來提取運動區(qū)域的一種檢測方法，也是當(dāng)下用于檢測動態(tài)物體最廣泛的使用方法。其大致的思想為：以某種方式執(zhí)行背景建模，進(jìn)而將預(yù)先存儲或?qū)崟r建立的背景模型與圖像序列中每一幀依次相減，如果相減的結(jié)果偏離于預(yù)先設(shè)定的閾值，則將其確定為運動區(qū)域。背景差分法的處理流程圖如圖 1 所示。

背景差分的方式易于實現(xiàn)、運算速度快且計算結(jié)果提供檢測目標(biāo)的位置、大小等信息都較為準(zhǔn)確。但是，由于動態(tài)環(huán)境下光纖、攝像頭抖動等不確定因素的干擾，使得背景模型的建立會有所偏差，從而影響了檢測的效果。

■1.3 光流法

以上兩種針對動態(tài)物體識別的算法都建立在攝像機(jī)靜止的前提條件下，對于球機(jī)等運動的攝像機(jī)，幀差與背景差分的方法都存在局限與不足，不能夠很好地識別動態(tài)物體，這時可以采用光流法給予處理。

基于光流法識別動態(tài)物體的大致方法為：首先，通過計算視頻圖像序列中每一個像素點的物理矢量（目標(biāo)的運動速度和方向）來建立圖像的光流場。若運動目標(biāo)不存在于場景中，則像素點的速度矢量是連續(xù)變化的；反之，當(dāng)場景中存在運動目標(biāo)，則必然導(dǎo)致運動物體與背景之間的速度矢量存在差異，速度矢量的間斷即是這種差異的表現(xiàn)。光流法在檢測運動物體時需要保持幀與幀之間的背景亮度不變，且同一幀內(nèi)的背景像素點的運動情況要保持一致，這樣，便可以更好地實現(xiàn)對移動目標(biāo)的檢測。

特別地，運用光流法來檢測運動物體無需提前掌握詳細(xì)的場景信息，但光流法邏輯運算的復(fù)雜度較高，并需要提供一定的硬件設(shè)備支持?？紤]到基于光流法的檢測易受到噪聲、陰影等環(huán)境因素干擾，不具備對變電站內(nèi)動態(tài)物體檢測的實時性，因此不再做進(jìn)一步詳盡研究。

■1.4 基于幀差的背景差分算法

考慮在變電站等環(huán)境中，背景占圖像主要組成部分，因此實時更新背景圖像顯得尤為關(guān)鍵?；趲畹谋尘安罘炙惴赏ㄟ^提取幀間圖像序列間“無變化”的區(qū)域?qū)崟r建立背景模型，使得建立的背景模型更能適應(yīng)于當(dāng)前的環(huán)境，同時可以除去一些圖像中的噪聲點，以達(dá)到平滑背景圖像的作用，進(jìn)一步提高檢測動態(tài)物體的精確性?；趲畹谋尘安罘址ǚ譃橐韵氯齻€步驟。

（1）建立背景模型。提取圖像序列中的某幀圖像作為初始的背景模型B(x,y,t)。

（2）識別運動物體。依照順序讀取每一幀的圖像，并與前一幀的背景做減運算得到差分圖像，即視為運動的區(qū)域，并對結(jié)果進(jìn)行二值化操作。

如公式(1)所示，其中I(x,y,t+1)、I(x,y,t)為t+1、t時刻的圖像。將差分結(jié)果小于或等于閾值T的部分視作為背景區(qū)域B(x,y,t+1)，在該區(qū)域中，當(dāng)前幀圖像與前一幀圖像的信息基本相同。

（3）實時更新背景。背景更新操作是依據(jù)無差異的結(jié)果，將前后兩幀中無變化的信息存儲在背景中。其中設(shè)定一個常數(shù)p，用來表征背景更新的速率。p的值越大更新的速率越慢，反之則更新得越快。如公式(2)所示。

2 基于Meanshift 算法運動物體跟蹤研究

MeanShift 算法又稱為均值漂移算法，屬于核密度估計法的范疇。該算法的優(yōu)點在于計算量相對較少，易提取跟蹤對象的特征，且因為采用了核函數(shù)直方圖模型，可以避免跟蹤物體因環(huán)境遮擋進(jìn)而造成跟蹤準(zhǔn)確性降低的問題。

■2.1 Meanshift 算法跟蹤原理

MeanShift 使用多次迭代的思想來找尋概率分布的最大值點，即判定為跟蹤物體的位置點。如圖2 所示，假設(shè)在d 維空間中有一運動目標(biāo)，以其為圓心做一個半徑大小為h的圓球，落在球體中運動的像素點都會產(chǎn)生一個向量，而向量的疊加即為MeanShift 向量（圖2 中黃色箭頭）。以MeanShift 向量的終點為圓心再畫一個圓球，再次找到區(qū)域內(nèi)疊加的向量終點。重復(fù)操作，Meanshift 算法可實現(xiàn)使結(jié)果收斂到空間中概率分布最為密集的地方（圖2 中紅色圓圈區(qū)域）。

圖2 MeanShift 算法迭代過程

基于上述思想，假定d 維空間中存在一點x，x 可以用一列向量來表征，并滿足。在此空間中，如果有一函數(shù)K(x→R)，則其剖面函數(shù)k 與之關(guān)系可表示為：。若k 不為負(fù)數(shù)、非增、對稱且分段連續(xù)時，稱函數(shù)K(x) 為核函數(shù)（也稱為窗口函數(shù)）。其數(shù)學(xué)表達(dá)式為公式（3）所示，其中c 為歸一化系數(shù)。

■2.2 運動目標(biāo)跟蹤計算過程

2.2.1 建立目標(biāo)模型

在圖像序列中選定跟蹤對象并假設(shè)其中心點為(x0,y0)。在目標(biāo)圖像中包含了n 個像素點，用Zi記錄各個像素點的位置并用核函數(shù)對各點進(jìn)行加權(quán)。對選定對象的灰度空間進(jìn)行均等的劃分，得到m 個相等的區(qū)域構(gòu)成的灰度直方圖。追蹤對象在灰度直方圖上呈現(xiàn)的分布概率密度uQ（u作為顏色索引，并且u=1,...,m），數(shù)學(xué)表達(dá)式可寫為(4)：

2.2.2 建立候選模型

將當(dāng)前幀中可能出現(xiàn)跟蹤目標(biāo)的區(qū)域視為候選區(qū)域，并以前一幀的目標(biāo)中心(x0,y0)為搜索窗口的中心，找尋當(dāng)前幀的候選中心位置(xi,yi)。則候選模型的分布概率密度可表示為公式(6)：

2.2.3 相似參數(shù)度量

用Bhattacharyya 系數(shù)作為評估目標(biāo)模型與候選模型相似程度的參量，數(shù)學(xué)表達(dá)式為公式(7)：

當(dāng)相似函數(shù)ρ(P,Q)取最大值時即為當(dāng)前幀中找尋的目標(biāo)位置。

2.2.4 MeanShift 迭代過程

均值漂移的迭代過程，即是搜索窗口的中心沿著漂移方向移動的過程。為使相似函數(shù)最大，對公式(7)進(jìn)行泰勒展開后可得公式(8)：

其中，wi表示權(quán)重系數(shù)，其數(shù)學(xué)表達(dá)式可寫為(9)：

在公式(8)中，只有第二項隨候選中心位置的變化而變化，將其取最大值后計算其MeanShift 向量可得到候選目標(biāo)新位置為公式(10)：

3 MATLAB 算法檢測及應(yīng)用分析

首先，通過基于幀差的背景差分算法從視頻圖像序列中檢測動態(tài)物體。在MATLAB 系統(tǒng)環(huán)境下，讀取圖像序列的第1 幀至第95 幀，并以第1 幀圖像作為當(dāng)前背景模型。讀取下一幀的圖像，并與當(dāng)前圖像做減運算，將前后幀中無變化的區(qū)域更新到背景中。設(shè)定背景更新的速率為。視頻第1幀圖像如圖3 所示，建立的背景模型如圖4 所示。

圖3 視頻第1 幀圖像

圖4 背景模型

從圖4 背景模型的建模結(jié)果可以看出，基于幀差的背景差分算法已較好地將動態(tài)物體從背景中“抹去”，進(jìn)而順序地將每一幀的圖像與建立的背景模型做差分，即可從背景中識別動態(tài)目標(biāo)。動態(tài)物體檢測結(jié)果如圖5 所示。

圖5 動態(tài)物體檢測結(jié)果

通過幀差的背景差分算法識別動態(tài)物體后，進(jìn)一步驗證MeanShift 算法對動態(tài)物體的跟蹤效果。針對上述檢測結(jié)果建立矩形框，如圖6 視頻第95 幀圖像中紅色矩形框所示。設(shè)定搜查窗口的質(zhì)心到中心的距離為，迭代的次數(shù)為25 次。最后，通過藍(lán)色線條描繪檢測結(jié)果的運動軌跡，如圖7 視頻第110 幀圖像、圖8 視頻第120 幀圖像及圖9 視頻第140幀圖像中藍(lán)色線條所示。

圖6 視頻第95 幀圖像

圖7 視頻第110 幀圖像

圖8 視頻第120 幀圖像

圖9 視頻第140 幀圖像

結(jié)果顯示，提取動態(tài)物體特征信息后，在視頻不同圖像幀中甚至被樹枝遮擋的環(huán)境下，MeanShift 算法均能較好地實現(xiàn)對動態(tài)物體的跟蹤。

4 結(jié)束語

正值電力行業(yè)信息化、數(shù)字化、智能化轉(zhuǎn)型建設(shè)之際，智能運維及安全防范技術(shù)已成為無人值守變電站的重要研究方向。變電站視頻與環(huán)境監(jiān)控系統(tǒng)作為無人值守變電站不可或缺的重要建設(shè)部分，其能實時對變電站內(nèi)設(shè)備運行、環(huán)境狀況等各類情況加以監(jiān)視，有效保障著變電站安全、穩(wěn)定、經(jīng)濟(jì)運行。但傳統(tǒng)變電站視頻與環(huán)境監(jiān)控系統(tǒng)功能較為單一，由人為決策向主動防御的發(fā)展還較為緩慢。因此，必須借助數(shù)字化、智能化、系統(tǒng)化手段，靈活地運用邊緣計算、人工智能等前沿技術(shù)來探尋視頻監(jiān)控系統(tǒng)中動態(tài)物體檢測、跟蹤等更強(qiáng)大的功能，從而實現(xiàn)非法人員闖入、異物入侵、設(shè)備異常狀態(tài)檢測等及時預(yù)警，進(jìn)一步提升電網(wǎng)供電可靠性和安全防護(hù)水平。