模式识别在变电站远程视频监控系统中的应用*

张玉杰，段亚萍

(陕西科技大学电气与信息工程学院，西安710021)

1 引言

近几年来我国电力网络规模不断扩大，并且这种增长趋势在未来几年内仍将继续。为了提高电力系统生产的自动化水平，电力系统正在大力建设无人职守通信站和变电站。为了提高电力生产的安全性和可靠性，许多电力企业已经或正在建设集中式远程图像监控系统。在遥测、遥信、遥控、遥调的基础上增加了“遥视”功能，实现了电力系统各种重要检测点，如:主控制室、高压室、断电器、隔离刀闸、室外场地等的实时可视化监测。

但现有的视频监控系统只有视频监控功能和录像功能，对于监控目标不能进行智能化的主动识别分析。为了能够更有效地利用现有视频监控系统，在现有监控系统的基础上，利用当前流行的图像处理和模式识别技术对监控目标的图像进行自动分析识别，可以在设备出现故障或存在安全隐患的情况下，立即报警并将设备故障地点及故障原因通知工作人员，同时提供录像资料帮助工作人员加以分析判断。

2 图像处理与模式识别

图像处理和模式识别是现今变电站远程视频监控系统应用研究中的两大关键技术。图像处理是为进行模式识别做准备的。图像处理与模式识别框图主要由如图1所示几个方面构成。

图像信息获取:由专用的视频采集卡将摄像机送来的模拟视频信号经过采样和量化转化成数字视频信号。为了节省计算机资源和传输效率，必须对图像进行压缩。压缩过程可以由硬件即使用有压缩功能的视频采集卡完成，也可编程实现。一般都是采用硬件的方法实现。

图1 图像处理与识别框图

图像处理:包括图像增强、图像分割、边缘提取、图像复原等。首先对采集的图像进行预处理。图像预处理的目的是去除干扰、噪声及差异，将原始图像变成适于计算机进行特征提取的形式。图像预处理的基本方法有直方图变换、灰度变换、图像平滑、图像锐化等。

图像特征提取:在对图像识别之前，先要进行图像特征提取。一幅图像的信息量是非常大的，我们并不需要知道所有的信息。图像特征提取的作用是从滤波数据中衍生出有用的信息，从许多特征中寻找出最有效的特征，以降低后续处理过程的难度。只需提取有意义的能够反映图像本质的特征。例如，图像的纹理特征、形状特征、颜色特征等。

图像识别:图像的内容信息各种各样，现在还没有找到一种通用的识别方法来识别不同的对象。现在研究得比较多的图像识别方法有统计模式识别方法、模糊理论识别方法和神经网络识别方法等。

3 模式识别方法

模式识别是一门应用比较广泛的学科。它可用来进行语音识别、人脸识别、指纹识别、字符或签名识别、故障检测等。模式识别的具体框图如图2所示，它是在图像处理的基础上对图像更深入一层的理解。

图2 模式识别具体框图

在框图中虚线部分以下有一个很重要的过程，即图像样本经特征选择之后学习训练的过程。不管是用哪种模式识别方法，这个过程都是进行分类识别的基础。它可以预先在离线状态时就训练学习，也可以边训练边分类识别。模式识别方法的不同主要是分类器的不同。

3.1 统计识别方法

当提取的特征的统计特性已知或者是可以推断出来时，可以使用统计模式识别方法。比较常用的是贝叶斯分类器。

令{w1，w2，...，wc}表示 C 个有限的类别集，向量X表示一个d维的特征向量，p(X/wj)表示X状态下条件概率密度函数，p(wj)表示类别处于wj时的先验概率，则贝叶斯定理可表示为:

贝叶斯分类规则可描述为:对任何的i≠j，如果p(wi/X)＞P(wj/X)则判为 wi。

文献［1］中己证明贝叶斯分类器在最小化分类错误率上是最优的。但有时错误率最小并不一定是最好的标准，在考虑到不同错误可能造成的后果严重程度不同的情况下文献［2］提出了基于最小风险的分类准则。

另外，直方图可以反映图像的许多信息，如均值、方差、差值平方、均值差等，这些都是统计学中最基本的特征值，利用计算机计算起来比较简单。

当图像特征特性明显或容易推断时，统计模式识别方法是最简单的，能比较客观地描述图像特征。但是它有两个不足之处:一是如果图像特征的特性不明显或者无法推断时，容易错分;二是如果用于表示特征的向量维数较大时会出现“维数灾难”问题。

3.2 模板匹配法

文献［3］中提到识别精度比较高而速度比较快的模板匹配法。式(2)为标准模板匹配算法用到的相关度量函数

式中，Iij(m，n)表示样本图像;T(m，n)表示标准模板图像;M，N分别表述图像的宽和高。

模板匹配方法原理上就是计算样本图像与标准模板之间的最小方差，根据两者之间匹配方差最小的原则来判断样本所属类别。该方法识别结果比较准确，但是不太容易决定匹配值，即达到何种程度才算采集到的图像与样本相匹配，而且匹配的结果也很容易受到环境的影响。

3.3 模糊识别方法

在自然科学或社会科学研究中，存在着许多定义不太严格或者具有模糊性的概念。为处理、分析这些“模糊”概念的数据，这时就需要用到模糊理论的知识。在进行模糊识别时先将样本中典型特征参数送入计算机学习，之后作为识别的标准模式，即模糊聚类的聚类中心。然后将被识别的对象经过图像处理、特征提取之后所抽取的特征参数建立相似矩阵，根据相似关系对研究对象进行识别。

模糊识别方法分最大隶属原则方法、择近原则方法和模糊聚类方法。简单介绍一下最大隶属原则识别方法［4］。对于 x，若有

模糊识别方法能使计算机比较接近人类的智能，简化了图像识别系统之后更实用，而且具有较高的适应性。它的缺点是:①阈值的选取比较困难，若选取不当，容易误识和拒识。②隶属函数不易准确确定。

3.4 神经网络识别方法

神经网络模型有几十种，其中BP(误差反传播算法)网络模型是模式识别应用最广泛的网络之一。BP网络识别方法是有监督的学习算法，能自主性学习，易识别易分类，即使加入新的图像样本也可很快训练学习好并进行分类。它的缺点对于规模较大的模式映射问题，存在收敛速度慢、容易陷入局部极小点、判断不准确等缺陷。BP网络的学习步骤为:①初始化网络，将权值和节点阈值设置为一个较小的随机值。②训练网络。③根据给定的训练模式输入，计算网络的输出模式，并与期望的输出做比较，若有误差，则执行④，否则返回②。④反向传播，修正权值。权值修正公式为

式中，η为学习因子;οpj为单元j的实际输出。

由于BP网络容易陷入局部最小，有可能导致训练失败。所以要对BP网络进行优化和改进。文献［5］中提出了一种优化BP网络的方法。在传统的BP算法基础上，提出了一种改进的BP学习算法。该算法提出对网络学习步长的动态调整，以此来尽量避免传统学习中的学习速度过慢和反复震荡。实验说明新的BP算法在一定程度上可减少网络的复杂性，有着比传统算法更快的收敛速度。

每种模式识别的方法有自己的特点和应用范围，当然也有互补之处。因此可以考虑将多种识别方法联合应用，这样就可以提高识别结果的准确性。如何将多种识别方法联合使用才能最大程度地展现其优越性，也是一个值得研究的问题。值得一提的是在文献［6］中就将模糊理论和神经网络结合起来进行识别，样本用神经网络来进行训练，待识别的图像利用模糊理论来进行特征提取。

4 在变电站内的应用

模式识别应用到变电站遥视系统当中，对变电站内环境和设备进行监测和识别，若发生异常则报替，并且将报警原因的图像送到监控中心去。其中研究得比较多的是信号灯状态、7段式数字仪表的识别、指针仪表等的识别。

(1)信号灯状态识别

文献［10］提出利用直方图所体现出来的颜色特征值来对变电站内设备的红、绿、黄三灯的状态进行识别。对照图1，特征提取时只需对信号灯的颜色特征进行提取就可以实现对信号灯状态的识别。直方图本身就含有统计的信息，需要对现场情况进行大量的统计之后，方可得出正确的答案。

模板匹配法也可以用于信号灯的识别。可先取得标准信号灯的样本，然后将该样本与截取的视频图像的指定区域进行匹配，找出匹配程度最高的那个样本，即说明该信号灯处在这种状态。

(2)7段式数字仪表的识别

在变电站中存在大量的数字表。文献［10］将图像经灰度变换、阈值分割、中值滤波和形态膨胀预处理后经字符分割，只要判断在相应段内有无黑色象素即可识别出7段式数字的数值。文献［12］根据统计决策的原理，提出一种更为简单的七段式数字矩形区域统计判别法。这种方法的出发点在于，七段式数字是七个具有一定方向，一定位置关系与长宽比的矩形段组成的。正确判断出这七个矩形段内数码管的实际亮火状态(或称0，1状态)，即可对该数字进行分类或识别。

(3)指针仪表

电力系统的变电站有许多设备的指针仪表如:电压表、电流表、气压表、温度表等。文献［7－8］使用基于霍夫(Hough)变换的仪表指针角度识别算法，该算法首先根据指针基准位置与指针位置用减影算法确定指针的圆心，然后查找指针位置进行角度识别。文献［9］使用同心圆环搜索法。该方法根据表盘指针旋转区域是一个圆形或者圆形的一部分的特点，选取该区域的圆心和半径，然后按照一定的步长在同心圆环中寻找指针与同心圆环的交点，根据交点之间形成线段的斜率来识别判断指针相对于零度基准线的角度。

(4)非法闯入者识别报警

在无人值守的变电站中，对于环境的检测也是非常必要的。当有非法闯入者时应当实现自动识别并报警。文献［13］提出了一种结合背景减法和时空熵的运动目标检测新方法。首先利用该法构建背景图像，用当前帧图像和背景相减得到差分图像，然后计算差分图像的时空熵，可以直接检测出运动目标。

5 结束语

模式识别技术应用于远程变电站监控系统，不仅节省了人力，而且克服了可能的人为失误，为变电站实现无人值守提供了条件，也为变电站实现自动化、智能化提供了条件。图像处理和模式识别技术不仅仅可以实现对变电站设备和环境的监测和识别，还可以用于指纹识别、工业制造中的产品检测、军事侦察、气象分析、自然灾害预测等领域。它们的综合应用有着广泛的前景和发展前途。

［1］边肇棋，张学工.模式识别(第二版)［M］.北京:清华大学出版社，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］王强，宋京民，胡建平.一种快速模板匹配目标识别算法［J］.计算机工程与应用，2000(6):42 －43，69.

［4］梁艳梅，翟宏深，常胜江，等.基于最大隶属度原则的彩色图像分割方法［J］.物理学报，2003，52(11):2655－2659.

［5］孟斌，冯永杰，翟玉庆.前馈神经网络中BP算法的一种改进［J］.东南大学学报(自然科学版)，2001，31(4):40－42.

［6］刘怡光，游志胜.一种用于图像目标识别的神经网络及其车型识别应用［J］.计算机工程，2003，29(3):30－32.

［7］张鹏.Hough变换在远程数字视频监控与图像识别系统中的应用［J］.中国电力教育，2006(s1):183－185.

［8］戴亚文，王三武，吴小兰.基于图像的复杂仪表读数识别［J］.仪表技术，2003，16(2):11 －12.

［9］孙凤杰，郭凤顺，范杰清，等.基于图像处理技术的表盘指针角度识别研究［J］.中国电机工程学报，2005，25(16):73－78.

［10］张金凤，杨森，郑连清.模式识别在变电站遥视系统中的应用研究概述［J］.电力系统，2007，26(12):50－53.

［11］陈孟锬.远程视频监控系统中的视频图像识别研究［D］.福州:福州大学，2006.

［12］焦雪松.远程数字视频监控中7段数字识别的研制［D］.北京:华北电力大学，2004.

［13］常晓锋，冯晓毅.基于背景减法和时空熵的运动目标检测新方法［J］.计算机仿真，2008，25(3):235－238.

［14］崔扬，周泽魁.数字图像处理在无人值守变电站智能监控中的应用［J］.电站系统工程，2004，20(3):47－49.