基于变电站视频与环境监控系统动态物体检测与跟踪算法研究

张彦娇，廖畅，范俊秋，杨荣莹

（贵州电网有限责任公司贵安供电局，贵州贵安，551000）

0 引言

图1 背景差分法流程示意图

近年来，随着我国电力行业的不断发展，电力系统自动化技术呈现出更具智能化、集成化、安全性、可持续性的发展趋势，为全面直观了解远方无人值守变电站实际情况奠定了良好的基础。在“无人值守”“少人值守”等变电运维新模式下，变电站视频与环境监控系统是实现现场作业实时监管、运行设备远程运维的重要技术支撑，就目前而言，变电站视频与环境监控系统主要是以图像监视、视频存储等功能为主，摄像机监控区域采集信息较为固定和局限，还未能实现突发、异常情况下自动检测及跟踪动态物体，难以保障无人值守变电站日常管理及生产安全的需求[1]。着眼于当下“智能变电站”的建设概念，动态物体检测及跟踪是视频与环境监控系统根本且关键的研究方向之一[2]。因而，本文借助MATLAB 环境下丰富的函数调用及数字图像处理工具，基于变电站视频与环境监控系统进行动态物体检测及跟踪方法研究，以进一步满足现代化无人值守变电站安全防范需要[3～5]。

1 动态物体检测算法研究

对动态物体检测领域中的帧间差分算法、背景差分算法以及光流算法进行研究，运用Matlab 软件验证上述方法，在比较其优缺点后，提出运用一种基于帧差的背景差分算法，实现背景图像实时建模，进而在视频图像序列中准确识别、分割出动态物体。

■1.1 帧间差分法

当背景图像与视频监控摄像机之间呈现相对静止状态时，视频图像序列中相邻图像间会存在一个极为相似的背景画面。基于此，可以利用相邻帧之间图像信号的变化来检测动态物体，并实现其与背景环境的分割[6]。

现多数采用的是两帧差分和三帧差分的方法，此种算法设计思想及实现都较为简单，且适应于天气、光线等室外场景的变化，但也存在着明显的缺点。两帧差分算法的缺点为：（1）若动态物体移动过慢，相邻两帧间的灰度值、纹理信息较为接近时，容易导致动态物体出现重叠区域并被视为“背景”，进而不能实现对目标的完整提取；（2）若动态物体移动过快，前后帧之间即使没有重叠也会导致系统将遮挡的“背景”处理为运动物体，或将其识别为两个分开的物体。这些都大大影响了动态物体特征像素的精确提取以及检测和分割，阻碍了进一步地研究。

相比于两帧之间的帧间差分运算，三帧差分的确有效地改善了检测结果比实际移动目标大的缺点，但这种方式也只能大概地提取运动物体的轮廓，若要获取完整的动态目标，还需要通过某种连通方法来填充内部大量的“空洞”，这样的方式较为复杂和繁琐。

■1.2 背景差分法

背景差分又称为背景减法，是将背景模型与当前帧进行比较来提取运动区域的一种检测方法，也是当下用于检测动态物体最广泛的使用方法。其大致的思想为：以某种方式执行背景建模，进而将预先存储或实时建立的背景模型与图像序列中每一帧依次相减，如果相减的结果偏离于预先设定的阈值，则将其确定为运动区域。背景差分法的处理流程图如图 1 所示。

背景差分的方式易于实现、运算速度快且计算结果提供检测目标的位置、大小等信息都较为准确。但是，由于动态环境下光纤、摄像头抖动等不确定因素的干扰，使得背景模型的建立会有所偏差，从而影响了检测的效果。

■1.3 光流法

以上两种针对动态物体识别的算法都建立在摄像机静止的前提条件下，对于球机等运动的摄像机，帧差与背景差分的方法都存在局限与不足，不能够很好地识别动态物体，这时可以采用光流法给予处理。

基于光流法识别动态物体的大致方法为：首先，通过计算视频图像序列中每一个像素点的物理矢量（目标的运动速度和方向）来建立图像的光流场。若运动目标不存在于场景中，则像素点的速度矢量是连续变化的；反之，当场景中存在运动目标，则必然导致运动物体与背景之间的速度矢量存在差异，速度矢量的间断即是这种差异的表现。光流法在检测运动物体时需要保持帧与帧之间的背景亮度不变，且同一帧内的背景像素点的运动情况要保持一致，这样，便可以更好地实现对移动目标的检测。

特别地，运用光流法来检测运动物体无需提前掌握详细的场景信息，但光流法逻辑运算的复杂度较高，并需要提供一定的硬件设备支持。考虑到基于光流法的检测易受到噪声、阴影等环境因素干扰，不具备对变电站内动态物体检测的实时性，因此不再做进一步详尽研究。

■1.4 基于帧差的背景差分算法

考虑在变电站等环境中，背景占图像主要组成部分，因此实时更新背景图像显得尤为关键。基于帧差的背景差分算法可通过提取帧间图像序列间“无变化”的区域实时建立背景模型，使得建立的背景模型更能适应于当前的环境，同时可以除去一些图像中的噪声点，以达到平滑背景图像的作用，进一步提高检测动态物体的精确性。基于帧差的背景差分法分为以下三个步骤。

（1）建立背景模型。提取图像序列中的某帧图像作为初始的背景模型B(x,y,t)。

（2）识别运动物体。依照顺序读取每一帧的图像，并与前一帧的背景做减运算得到差分图像，即视为运动的区域，并对结果进行二值化操作。

如公式(1)所示，其中I(x,y,t+1)、I(x,y,t)为t+1、t时刻的图像。将差分结果小于或等于阈值T的部分视作为背景区域B(x,y,t+1)，在该区域中，当前帧图像与前一帧图像的信息基本相同。

（3）实时更新背景。背景更新操作是依据无差异的结果，将前后两帧中无变化的信息存储在背景中。其中设定一个常数p，用来表征背景更新的速率。p的值越大更新的速率越慢，反之则更新得越快。如公式(2)所示。

2 基于Meanshift 算法运动物体跟踪研究

MeanShift 算法又称为均值漂移算法，属于核密度估计法的范畴。该算法的优点在于计算量相对较少，易提取跟踪对象的特征，且因为采用了核函数直方图模型，可以避免跟踪物体因环境遮挡进而造成跟踪准确性降低的问题。

■2.1 Meanshift 算法跟踪原理

MeanShift 使用多次迭代的思想来找寻概率分布的最大值点，即判定为跟踪物体的位置点。如图2 所示，假设在d 维空间中有一运动目标，以其为圆心做一个半径大小为h的圆球，落在球体中运动的像素点都会产生一个向量，而向量的叠加即为MeanShift 向量（图2 中黄色箭头）。以MeanShift 向量的终点为圆心再画一个圆球，再次找到区域内叠加的向量终点。重复操作，Meanshift 算法可实现使结果收敛到空间中概率分布最为密集的地方（图2 中红色圆圈区域）。

图2 MeanShift 算法迭代过程

基于上述思想，假定d 维空间中存在一点x，x 可以用一列向量来表征，并满足。在此空间中，如果有一函数K(x→R)，则其剖面函数k 与之关系可表示为：。若k 不为负数、非增、对称且分段连续时，称函数K(x) 为核函数（也称为窗口函数）。其数学表达式为公式（3）所示，其中c 为归一化系数。

■2.2 运动目标跟踪计算过程

2.2.1 建立目标模型

在图像序列中选定跟踪对象并假设其中心点为(x0,y0)。在目标图像中包含了n 个像素点，用Zi记录各个像素点的位置并用核函数对各点进行加权。对选定对象的灰度空间进行均等的划分，得到m 个相等的区域构成的灰度直方图。追踪对象在灰度直方图上呈现的分布概率密度uQ（u作为颜色索引，并且u=1,...,m），数学表达式可写为(4)：

2.2.2 建立候选模型

将当前帧中可能出现跟踪目标的区域视为候选区域，并以前一帧的目标中心(x0,y0)为搜索窗口的中心，找寻当前帧的候选中心位置(xi,yi)。则候选模型的分布概率密度可表示为公式(6)：

2.2.3 相似参数度量

用Bhattacharyya 系数作为评估目标模型与候选模型相似程度的参量，数学表达式为公式(7)：

当相似函数ρ(P,Q)取最大值时即为当前帧中找寻的目标位置。

2.2.4 MeanShift 迭代过程

均值漂移的迭代过程，即是搜索窗口的中心沿着漂移方向移动的过程。为使相似函数最大，对公式(7)进行泰勒展开后可得公式(8)：

其中，wi表示权重系数，其数学表达式可写为(9)：

在公式(8)中，只有第二项随候选中心位置的变化而变化，将其取最大值后计算其MeanShift 向量可得到候选目标新位置为公式(10)：

3 MATLAB 算法检测及应用分析

首先，通过基于帧差的背景差分算法从视频图像序列中检测动态物体。在MATLAB 系统环境下，读取图像序列的第1 帧至第95 帧，并以第1 帧图像作为当前背景模型。读取下一帧的图像，并与当前图像做减运算，将前后帧中无变化的区域更新到背景中。设定背景更新的速率为。视频第1帧图像如图3 所示，建立的背景模型如图4 所示。

图3 视频第1 帧图像

图4 背景模型

从图4 背景模型的建模结果可以看出，基于帧差的背景差分算法已较好地将动态物体从背景中“抹去”，进而顺序地将每一帧的图像与建立的背景模型做差分，即可从背景中识别动态目标。动态物体检测结果如图5 所示。

图5 动态物体检测结果

通过帧差的背景差分算法识别动态物体后，进一步验证MeanShift 算法对动态物体的跟踪效果。针对上述检测结果建立矩形框，如图6 视频第95 帧图像中红色矩形框所示。设定搜查窗口的质心到中心的距离为，迭代的次数为25 次。最后，通过蓝色线条描绘检测结果的运动轨迹，如图7 视频第110 帧图像、图8 视频第120 帧图像及图9 视频第140帧图像中蓝色线条所示。

图6 视频第95 帧图像

图7 视频第110 帧图像

图8 视频第120 帧图像

图9 视频第140 帧图像

结果显示，提取动态物体特征信息后，在视频不同图像帧中甚至被树枝遮挡的环境下，MeanShift 算法均能较好地实现对动态物体的跟踪。

4 结束语

正值电力行业信息化、数字化、智能化转型建设之际，智能运维及安全防范技术已成为无人值守变电站的重要研究方向。变电站视频与环境监控系统作为无人值守变电站不可或缺的重要建设部分，其能实时对变电站内设备运行、环境状况等各类情况加以监视，有效保障着变电站安全、稳定、经济运行。但传统变电站视频与环境监控系统功能较为单一，由人为决策向主动防御的发展还较为缓慢。因此，必须借助数字化、智能化、系统化手段，灵活地运用边缘计算、人工智能等前沿技术来探寻视频监控系统中动态物体检测、跟踪等更强大的功能，从而实现非法人员闯入、异物入侵、设备异常状态检测等及时预警，进一步提升电网供电可靠性和安全防护水平。