模式識別在變電站遠程視頻監控系統中的應用*

張玉杰，段亞萍

(陜西科技大學電氣與信息工程學院，西安710021)

1 引言

近幾年來我國電力網絡規模不斷擴大，并且這種增長趨勢在未來幾年內仍將繼續。為了提高電力系統生產的自動化水平，電力系統正在大力建設無人職守通信站和變電站。為了提高電力生產的安全性和可靠性，許多電力企業已經或正在建設集中式遠程圖像監控系統。在遙測、遙信、遙控、遙調的基礎上增加了“遙視”功能，實現了電力系統各種重要檢測點，如:主控制室、高壓室、斷電器、隔離刀閘、室外場地等的實時可視化監測。

但現有的視頻監控系統只有視頻監控功能和錄像功能，對于監控目標不能進行智能化的主動識別分析。為了能夠更有效地利用現有視頻監控系統，在現有監控系統的基礎上，利用當前流行的圖像處理和模式識別技術對監控目標的圖像進行自動分析識別，可以在設備出現故障或存在安全隱患的情況下，立即報警并將設備故障地點及故障原因通知工作人員，同時提供錄像資料幫助工作人員加以分析判斷。

2 圖像處理與模式識別

圖像處理和模式識別是現今變電站遠程視頻監控系統應用研究中的兩大關鍵技術。圖像處理是為進行模式識別做準備的。圖像處理與模式識別框圖主要由如圖1所示幾個方面構成。

圖像信息獲取:由專用的視頻采集卡將攝像機送來的模擬視頻信號經過采樣和量化轉化成數字視頻信號。為了節省計算機資源和傳輸效率，必須對圖像進行壓縮。壓縮過程可以由硬件即使用有壓縮功能的視頻采集卡完成，也可編程實現。一般都是采用硬件的方法實現。

圖1 圖像處理與識別框圖

圖像處理:包括圖像增強、圖像分割、邊緣提取、圖像復原等。首先對采集的圖像進行預處理。圖像預處理的目的是去除干擾、噪聲及差異，將原始圖像變成適于計算機進行特征提取的形式。圖像預處理的基本方法有直方圖變換、灰度變換、圖像平滑、圖像銳化等。

圖像特征提取:在對圖像識別之前，先要進行圖像特征提取。一幅圖像的信息量是非常大的，我們并不需要知道所有的信息。圖像特征提取的作用是從濾波數據中衍生出有用的信息，從許多特征中尋找出最有效的特征，以降低后續處理過程的難度。只需提取有意義的能夠反映圖像本質的特征。例如，圖像的紋理特征、形狀特征、顏色特征等。

圖像識別:圖像的內容信息各種各樣，現在還沒有找到一種通用的識別方法來識別不同的對象。現在研究得比較多的圖像識別方法有統計模式識別方法、模糊理論識別方法和神經網絡識別方法等。

3 模式識別方法

模式識別是一門應用比較廣泛的學科。它可用來進行語音識別、人臉識別、指紋識別、字符或簽名識別、故障檢測等。模式識別的具體框圖如圖2所示，它是在圖像處理的基礎上對圖像更深入一層的理解。

圖2 模式識別具體框圖

在框圖中虛線部分以下有一個很重要的過程，即圖像樣本經特征選擇之后學習訓練的過程。不管是用哪種模式識別方法，這個過程都是進行分類識別的基礎。它可以預先在離線狀態時就訓練學習，也可以邊訓練邊分類識別。模式識別方法的不同主要是分類器的不同。

3.1 統計識別方法

當提取的特征的統計特性已知或者是可以推斷出來時，可以使用統計模式識別方法。比較常用的是貝葉斯分類器。

令{w1，w2，...，wc}表示 C 個有限的類別集，向量X表示一個d維的特征向量，p(X/wj)表示X狀態下條件概率密度函數，p(wj)表示類別處于wj時的先驗概率，則貝葉斯定理可表示為:

貝葉斯分類規則可描述為:對任何的i≠j，如果p(wi/X)＞P(wj/X)則判為 wi。

文獻［1］中己證明貝葉斯分類器在最小化分類錯誤率上是最優的。但有時錯誤率最小并不一定是最好的標準，在考慮到不同錯誤可能造成的后果嚴重程度不同的情況下文獻［2］提出了基于最小風險的分類準則。

另外，直方圖可以反映圖像的許多信息，如均值、方差、差值平方、均值差等，這些都是統計學中最基本的特征值，利用計算機計算起來比較簡單。

當圖像特征特性明顯或容易推斷時，統計模式識別方法是最簡單的，能比較客觀地描述圖像特征。但是它有兩個不足之處:一是如果圖像特征的特性不明顯或者無法推斷時，容易錯分;二是如果用于表示特征的向量維數較大時會出現“維數災難”問題。

3.2 模板匹配法

文獻［3］中提到識別精度比較高而速度比較快的模板匹配法。式(2)為標準模板匹配算法用到的相關度量函數

式中，Iij(m，n)表示樣本圖像;T(m，n)表示標準模板圖像;M，N分別表述圖像的寬和高。

模板匹配方法原理上就是計算樣本圖像與標準模板之間的最小方差，根據兩者之間匹配方差最小的原則來判斷樣本所屬類別。該方法識別結果比較準確，但是不太容易決定匹配值，即達到何種程度才算采集到的圖像與樣本相匹配，而且匹配的結果也很容易受到環境的影響。

3.3 模糊識別方法

在自然科學或社會科學研究中，存在著許多定義不太嚴格或者具有模糊性的概念。為處理、分析這些“模糊”概念的數據，這時就需要用到模糊理論的知識。在進行模糊識別時先將樣本中典型特征參數送入計算機學習，之后作為識別的標準模式，即模糊聚類的聚類中心。然后將被識別的對象經過圖像處理、特征提取之后所抽取的特征參數建立相似矩陣，根據相似關系對研究對象進行識別。

模糊識別方法分最大隸屬原則方法、擇近原則方法和模糊聚類方法。簡單介紹一下最大隸屬原則識別方法［4］。對于 x，若有

模糊識別方法能使計算機比較接近人類的智能，簡化了圖像識別系統之后更實用，而且具有較高的適應性。它的缺點是:①閾值的選取比較困難，若選取不當，容易誤識和拒識。②隸屬函數不易準確確定。

3.4 神經網絡識別方法

神經網絡模型有幾十種，其中BP(誤差反傳播算法)網絡模型是模式識別應用最廣泛的網絡之一。BP網絡識別方法是有監督的學習算法，能自主性學習，易識別易分類，即使加入新的圖像樣本也可很快訓練學習好并進行分類。它的缺點對于規模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點、判斷不準確等缺陷。BP網絡的學習步驟為:①初始化網絡，將權值和節點閾值設置為一個較小的隨機值。②訓練網絡。③根據給定的訓練模式輸入，計算網絡的輸出模式，并與期望的輸出做比較，若有誤差，則執行④，否則返回②。④反向傳播，修正權值。權值修正公式為

式中，η為學習因子;οpj為單元j的實際輸出。

由于BP網絡容易陷入局部最小，有可能導致訓練失敗。所以要對BP網絡進行優化和改進。文獻［5］中提出了一種優化BP網絡的方法。在傳統的BP算法基礎上，提出了一種改進的BP學習算法。該算法提出對網絡學習步長的動態調整，以此來盡量避免傳統學習中的學習速度過慢和反復震蕩。實驗說明新的BP算法在一定程度上可減少網絡的復雜性，有著比傳統算法更快的收斂速度。

每種模式識別的方法有自己的特點和應用范圍，當然也有互補之處。因此可以考慮將多種識別方法聯合應用，這樣就可以提高識別結果的準確性。如何將多種識別方法聯合使用才能最大程度地展現其優越性，也是一個值得研究的問題。值得一提的是在文獻［6］中就將模糊理論和神經網絡結合起來進行識別，樣本用神經網絡來進行訓練，待識別的圖像利用模糊理論來進行特征提取。

4 在變電站內的應用

模式識別應用到變電站遙視系統當中，對變電站內環境和設備進行監測和識別，若發生異常則報替，并且將報警原因的圖像送到監控中心去。其中研究得比較多的是信號燈狀態、7段式數字儀表的識別、指針儀表等的識別。

(1)信號燈狀態識別

文獻［10］提出利用直方圖所體現出來的顏色特征值來對變電站內設備的紅、綠、黃三燈的狀態進行識別。對照圖1，特征提取時只需對信號燈的顏色特征進行提取就可以實現對信號燈狀態的識別。直方圖本身就含有統計的信息，需要對現場情況進行大量的統計之后，方可得出正確的答案。

模板匹配法也可以用于信號燈的識別。可先取得標準信號燈的樣本，然后將該樣本與截取的視頻圖像的指定區域進行匹配，找出匹配程度最高的那個樣本，即說明該信號燈處在這種狀態。

(2)7段式數字儀表的識別

在變電站中存在大量的數字表。文獻［10］將圖像經灰度變換、閾值分割、中值濾波和形態膨脹預處理后經字符分割，只要判斷在相應段內有無黑色象素即可識別出7段式數字的數值。文獻［12］根據統計決策的原理，提出一種更為簡單的七段式數字矩形區域統計判別法。這種方法的出發點在于，七段式數字是七個具有一定方向，一定位置關系與長寬比的矩形段組成的。正確判斷出這七個矩形段內數碼管的實際亮火狀態(或稱0，1狀態)，即可對該數字進行分類或識別。

(3)指針儀表

電力系統的變電站有許多設備的指針儀表如:電壓表、電流表、氣壓表、溫度表等。文獻［7－8］使用基于霍夫(Hough)變換的儀表指針角度識別算法，該算法首先根據指針基準位置與指針位置用減影算法確定指針的圓心，然后查找指針位置進行角度識別。文獻［9］使用同心圓環搜索法。該方法根據表盤指針旋轉區域是一個圓形或者圓形的一部分的特點，選取該區域的圓心和半徑，然后按照一定的步長在同心圓環中尋找指針與同心圓環的交點，根據交點之間形成線段的斜率來識別判斷指針相對于零度基準線的角度。

(4)非法闖入者識別報警

在無人值守的變電站中，對于環境的檢測也是非常必要的。當有非法闖入者時應當實現自動識別并報警。文獻［13］提出了一種結合背景減法和時空熵的運動目標檢測新方法。首先利用該法構建背景圖像，用當前幀圖像和背景相減得到差分圖像，然后計算差分圖像的時空熵，可以直接檢測出運動目標。

5 結束語

模式識別技術應用于遠程變電站監控系統，不僅節省了人力，而且克服了可能的人為失誤，為變電站實現無人值守提供了條件，也為變電站實現自動化、智能化提供了條件。圖像處理和模式識別技術不僅僅可以實現對變電站設備和環境的監測和識別，還可以用于指紋識別、工業制造中的產品檢測、軍事偵察、氣象分析、自然災害預測等領域。它們的綜合應用有著廣泛的前景和發展前途。

［1］邊肇棋，張學工.模式識別(第二版)［M］.北京:清華大學出版社，2002.

［2］Abraham wald.Contributions to the theory of statistical estimation and testing of hypotheses［J］.Annals of mathematical Statistics，1939(10):299 －326.

［3］王強，宋京民，胡建平.一種快速模板匹配目標識別算法［J］.計算機工程與應用，2000(6):42 －43，69.

［4］梁艷梅，翟宏深，常勝江，等.基于最大隸屬度原則的彩色圖像分割方法［J］.物理學報，2003，52(11):2655－2659.

［5］孟斌，馮永杰，翟玉慶.前饋神經網絡中BP算法的一種改進［J］.東南大學學報(自然科學版)，2001，31(4):40－42.

［6］劉怡光，游志勝.一種用于圖像目標識別的神經網絡及其車型識別應用［J］.計算機工程，2003，29(3):30－32.

［7］張鵬.Hough變換在遠程數字視頻監控與圖像識別系統中的應用［J］.中國電力教育，2006(s1):183－185.

［8］戴亞文，王三武，吳小蘭.基于圖像的復雜儀表讀數識別［J］.儀表技術，2003，16(2):11 －12.

［9］孫鳳杰，郭鳳順，范杰清，等.基于圖像處理技術的表盤指針角度識別研究［J］.中國電機工程學報，2005，25(16):73－78.

［10］張金鳳，楊森，鄭連清.模式識別在變電站遙視系統中的應用研究概述［J］.電力系統，2007，26(12):50－53.

［11］陳孟錟.遠程視頻監控系統中的視頻圖像識別研究［D］.福州:福州大學，2006.

［12］焦雪松.遠程數字視頻監控中7段數字識別的研制［D］.北京:華北電力大學，2004.

［13］常曉鋒，馮曉毅.基于背景減法和時空熵的運動目標檢測新方法［J］.計算機仿真，2008，25(3):235－238.

［14］崔揚，周澤魁.數字圖像處理在無人值守變電站智能監控中的應用［J］.電站系統工程，2004，20(3):47－49.