电网智能化安防监控技术研究

李文静

(重庆水利电力职业技术学院电气工程系，重庆 永川 402160)

近年来，电网智能化逐渐成为我国电力系统行业发展的主流趋势，安防视频监控技术在电力行业很早就得到了应用.但早期的传统视频监控系统只是录制视频图像［1，2］，需要人工浏览、查看图像，工作人员不可能24 小时目不转睛地盯着显示屏幕.工作人员的疏忽可能造成被监测项目被遗漏.这会为输电线路的安全运行埋下巨大的隐患.

本文提出一种电力系统智能化安防技术.该技术以视觉与模式识别为基础，在传统视频监控的基础上对电力系统中提取的图像帧进行自动处理和分析，主要完成以下功能:(1)检测输电线路杆塔附近特定区域内是否有大型机械、人员的活动，防止行人攀爬杆塔、盗窃电力线路系统的塔材，以及大型机械在杆塔附近野蛮施工、撞击杆塔等造成电力事故;(2)检测变电站中某些禁止非操作人员靠近的特定区域内人体运动目标，防止由于盗窃电力设施、非法操作而导致电力事故发生，并依据检测情况启动报警，克服了传统的视频监测单纯依靠工作人员观看视频的弊端，实现了智能监测的功能.

1 三帧差分法

帧间差分法的基本思想是检测视频图像序列中很小的时间间隔Δk(一般Δk ≪1 s)中相邻帧像素的变化情况［3］.当图像中的运动目标位置发生变化，运动目标在图像中新位置处的灰度值也将变化;而没发生变化的物体在图像中像素点的灰度值将不发生明显的变化.将相邻帧图像相减，把灰度值变化较大的像素点检测出来，即可得到检测运动目标的位置、轮廓等.本文主要研究三帧差分法［4］.三帧差分法的具体操作就是在帧间差分法基本原理的基础上利用当前帧和前后两帧之间差分所得到的两个运动目标区域进行逻辑运算而获得当前帧的更加准确的检测结果.检测原理如图1所示.

图1 三帧差分法的原理图

2 Kalman 滤波器背景建模法

Kalman 滤波器背景建模法［5］把图像序列当作一个零均值白噪声的随机过程，利用基于Kalman 的滤波器来预测缓变的背景图像就可以看作是一种多帧降噪方法.当需要检测的图像序列通过该低通滤波器时，图像序列中随时间变换比较缓慢的背景区域将可以从序列图像中分离出来.基于Kalman 滤波器的记忆功能，对一定时间长度的视频图像信息进行加权平均，最终获得与当前背景图像相似的背景图像，而且该背景的估计不依赖于初始时间.

其中，A(x，y，tk)= 1 ，H(x，y，tk)= 1 ，则点(x，y)处的Kalman 滤波器状态估计方程如(1)式所示，(2)式是像素点(x，y)的Kalman 滤波器状态预测方程.

把图像分为含有运动前景的区域与相对静止的背景区域，为建立更加准确的背景模型，对前景与背景图像进行分别加权更新，设Kalman增益为

上式中:c(x，y，tk)为背景模型估计的前景标识，β 为背景因子，α 为前景因子，Th(tk)为提取前景目标的分割阈值，avg1 、avg2 分别为差影图像、当前帧图像的均值．δ1、δ2分别为差影图像和当前帧图像的标准方差.其中:α 为d(x，y，tk)＞Th(tk)时的Kalman 增益，β 为d(x，y，tk)≤Th(tk)时Kalman 增益.背景自适应性由α 与β值决定，α 与β 的值必须足够小．实验中，一般都设置β 的值要比α 的值大一个数量级．又因为实际应用时必须考虑算法的实时性，因此往往不用(6)和(7)式对α 及β 的值进行计算，而是根据经验来取一些固定的值．本文中取α = 0．001，β = 0．03．

3 改进的目标检测算法

本文提出一种融合改进帧间差分法和基于Kalman 背景减除法的运动目标检测方法.首先，利用改进的帧间差分法对运动目标进行检测得到目标区域1，同时使用Kalman 滤波器自适应更新背景模型，并与当前帧图像做背景减除，运用OTSU 法进行目标分割得到运动目标区域2;然后对这两个区域进行一次或运算，得到比较完善的目标运动区域.算法流程图如图2所示.

图2 改进的算法流程图

利用改进目标检测算法对某序列图像进行检测，如图3所示.图(a)为视频图像序列中的第3 777 ～3 779 帧的原始图像;图(b)为选取经过预处理后的第3 777 帧、第3 778 帧(当前帧)、第3 779 帧采用三帧差分法检测运动目标的结果.从实验结果可以看出，三帧差分检测到的运动目标内部出现不连续的“空洞”现象，导致运动目标信息部分缺失.图(c)为采用Kalman 滤波法提取当前帧第3 778 帧的前景图像.该方法能够解决背景建模的问题，但受外界光照变化的影响，OTSU 自动阈值分割法虽然减少了一部分噪声，但监测结果中仍然存在一定的噪声区域.根据本文提出的融合改进帧间差分法和基于Kalman 背景减除法的运动目标检测方法对图(c)与图(d)的检测结果进行处理，并进行形态学滤波，得到的效果如图(d)，能够精确提取完整的运动目标区域.

图3 改进目标检测算法对序列图像进行检测实验结果分析图

4 基于改进目标检测算法的输电线路智能视频监控方法

本文以电力监控系统视频流中提取的图像帧为对象利用改进的目标检测算法进行智能识别.算法总流程图如图4所示.

(1)图像预处理

本文采用模拟摄像机进行输电现场视频图像的拍摄.摄像机采集的图像由于受到系统监测终端硬件设备本身的缺陷以及外界环境因素的干扰，往往会包含一些随机噪声和畸变，降低了图像质量.因此，对图像进行分析之前首先应对其进行预处理，包括图像转换、增强、滤波等，减少图像中的噪声，增强运动目标在图像的特点，便于对其进行进一步分析.另外，基于本文电力输变电现场的研究背景，通常摄像机位于野外的输变电线路杆塔上，架设位置较高，摄像机视角有限.为了获得更多有用的图像信息，可能图像尺寸取得较大.这样一方面加大了差异化算法的计算量，另一方面图像受麻点、小面积噪声的污染.因此，为了减少工作量，提高图像处理速度以及精确提取运动目标，仅对图像中的重点监控区域进行视频差异化分析处理.图5为对某实验视频序列图像中虚拟检测区域的划定，其中封闭的红色区域内的部分为运动目标检测区域.

图4 输电线路智能视频监控算法整体流程

图5 图像虚拟检测区域划分

(2)阴影去除

室外环境监控中，阴影对运动目标检测的影响是不容忽视的.因此，在图像预处理的基础上利用改进的目标检测算法进行监控区域目标检测时必须考虑阴影去除.本文采用基于NCC 的阴影检测算法进行阴影去除，基于归一化互相关函数(NCC)法进行阴影检测方法是基于灰度空间进行检测［6，7］，并通过设定阴影检测区进一步提高检测效率.

假设某视频图像大小为M × N，并且令背景图像为B(x，y)，当前帧图像为C(x，y)，定义以(x，y)为中心、大小为(2L +1)×(2L +1)的模板T(x，y)= C(x + m，y + n)．其中- L ≤m ≤L，-L ≤n ≤L，则像素点(x，y)处的归一化互相关函数为

其中:

上式中:EB(x，y)为背景能量图像函数，ET(x，y)为模板的能量函数，当C(x，y)被阴影覆盖时，则应满足NCC(x，y)≥Tncc．Tncc为一接近于1 的固定阈值．

(3)检测目标判断

经过图像预处理、运动目标检测、阴影消除算法等处理后得到的目标区域的二值图像，去除了小的干扰区域、连接了小的间隙及填充了小的孔洞，但仍有一些用形态学方法也不容易消除的噪声，如相对较大的黑色小区域，以及一些相对较大的白色孔洞．通常噪声点的分布比较散乱，当图像中在目标位置上出现比较密集的噪声点时，需要考虑采用连通区域检测算法［8］．该方法首先利用连通区域检测方法得到同一连通区域中的所有像素点，并对不同的连通区域进行标记，然后计算这些连通区域的面积．依据现场环境，提前预设一个面积阈值T，如果上述得到的连通区域面积大于T，则认为该连通区域为前景目标．如果小于T，则滤除该区域中的像素点．通常情况下，噪声斑点的面积恒小于前景目标的面积，因此，该方法能很大程度地滤除较大噪声区域，保证精确地检测到前景目标．

检测区域内主要运动物体包括行人、各种运动的车辆、动物等．统计发现，这些物体的面积大小和宽高比具有非常明显的区别．本课题主要关心输电线路杆塔附近重点监控区域中是否有人员活动，输电线路周围特定区域内是否有大型机械运动，采用基于检测目标区域面积阈值、区域外接矩形长宽比依据不同现场环境判断需要报警的运动目标类型．

设得到的运动区域的最小外接矩形为M，外接矩形宽高比为Date，矩形的宽为W，高为H，则

Date 为1，则判断运动目标为车辆，否则为行人.

利用该算法对图3(a)连续3 帧原始序列图像进一步分析处理得到第3 778 帧图像的目标检测过程效果如图6所示.

图6 第3 778 帧图像的目标检测过程

5 实例分析

利用本文提出的智能视频监控算法对新疆伊犁电力公司现场采集的某220 kV 输电线路、变电站现场视频图像进行分析.首先对现场视频图像进行预处理，包括监控区域的划分、图像转换、增强、滤波等，使其有利于后续目标检测的实现;然后利用本文提出的融合三帧差分法和基于Kalman 背景减除法的运动目标检测方法提取出运动目标前景区域，并利用形态学方法、基于NCC 的目标检测算法对运动前景区域进行去除噪声、阴影等处理.最后采用区域联通法，依据运动前景目标的面积等判断运动目标类型.利用本文提出的改进目标检测算法对图像进行处理，得到的检测效果如图8、9 所示.

图8 杆塔附近大型机械、行人运动检测效果

图9 变电站内运动行人目标检测效果

如图8、9，该算法对现场行人、大型机械的检测精度较高，能准确识别出需要报警的信息.

6 结语

由检测及实验结果可见，基于改进目标检测的电力智能安防监控方法利用融合三帧差分法和基于Kalman 背景减除法的运动目标检测方法，能够准确检测到电力系统监测范围内的行人、大型机械等运动目标.另外，这种方法又可以通过报警图像信号直观地看到报警现场的具体情况，既弥补了以往方法只上传报警信号无法进行直观观察报警现场情况的不足，又可以节省大量的人力，为输电线路的安全检测提供了一种新的手段.

［1］黄新波.输电线路在线监测与故障诊断［M］.北京:中国电力出版社，2008.

［2］黄新波，孙钦东，王小敬，等.输电线路危险点远程图像监控系统［J］.高电压技术，2007，33(8):192 -197.

［3］何云.基于交通监控视频的运动目标检测与跟踪算法研究［D］.杭州:浙江理工大学，2011.

［4］赵佳.视频图像序列中运动目标检测与跟踪方法研究［D］.北京:北京交通大学，2010.

［5］伍健荣，杜向龙，刘海涛.一种基于Kalman 滤波器的自适应背景建模改进算法［J］.传感器与微系统，2012，31(1):52 -54.

［6］Karamann K，Brandt A.Moving object recognition using an adaptive background memory［J］.In Proc Time - Varying Image Processing and Moving Object Recognition，1990，1(2):289 -295.

［7］张笑微，王月琴.基于灰度图像的阴影检测算法［J］.兵工自动化，2007，26(7):45 -47.

［8］左文明.连通区域提取算法研究［J］.计算机应用与软件，2006，23(1):97 -98.