变电站遥视系统人脸识别设计算法

2013-08-16 14:05:24 来源:CPS中安网作者:习新魁责任编辑: sillyna 收藏本文

无人值守变电站是近年来电力行业发展的重要部分，通过先进的技术手段为传统四遥系统增添智能遥视功能，可以大大提高无人值守变电站的运行效率和安全性。本文介绍了一种智能遥视在无人值守变电站的推广应用，利用基于Adaboost 算法的人脸识别技术，对进入变电站内的人员身份信息进行有效识别，实现身份比对，进一步精确化“遥视”系统智能分析的功能，提高了无人值班变电站运行安全性。

0. 引言

变电站实现无人值班，少人值守，是电力系统发展的必然趋势。目前，国内大多数变电站在“四遥”的基础上已经部署了第五遥“遥视”系统，完成了无人值守变电站的改造。一些变电站的“遥视”系统不仅实现了变电站内部环境、重要设备的实时视频监控，也实现了变电站综合自动化系统重要信号的“事件联动”，甚至还实现一些智能视频分析功能，如运动侦测、禁区检测、变电设备模式识别等。

这些智能视频分析功能完成了从禁入区域进入的检测，物品遗留的检测、变电站内开关刀闸分合位置检测，丰富了“遥视”系统的功能，减轻了监控人员的工作量。但是，对于变电站的人脸检测目前还处于起步阶段。无人、少人值守的变电站也不可能完全没有人，带电危险区域内活动的是工作人员还是无关人员，对变电站内的人员采用人脸识别实时比对身份，将进一步精确化“遥视”系统智能分析的功能，进一步推进无人值守变电站的安全运行。

本文介绍了一种基于Adaboost算法的人脸检测在变电站遥视系统中的应用。

1. 系统整体架构

变电站遥视系统构架如图一所示：

图1：变电站遥视系统

变电站遥视系统的前端为模拟/数字的枪型摄像机或者球型摄像机。模拟视频流经数字硬盘录像机（Digital Video Recoder，DVR）采集，压缩后变为H.264码流；数字摄像机的码流为H.264码流，经由网络硬盘录像机（Network Video Recoder,NVR）进行转发。

由于视频数据量大，对传输有较大的带宽需求，变电站一般都有专用的遥视VLAN,变电站遥视系统的前端数据通过DVR/NVR经由遥视VLAN转发至智能分析服务器。

智能分析服务器对捕获视频流中的人脸，根据预先建立好的人脸数据库区分出值班人员、合法操作人员、无关人员等，当在作业区域内发现无关人员时，或者在变电站区域内发现非法人员时，立即发出报警。

2. 遥视系统的人脸识别

2.1人脸识别的概述

2.1.1人脸识别系统的组成

一个完整的自动人脸识别系统如图2所示。系统首先对输入图像进行人脸检测，确认输入图像中存在人脸并剪切出人脸图像。接着对人脸图像进行特征提取，然后该特征被编码存入人脸数据库中(图中①的流程)。实际应用中，将待检测人脸的特征和数据库中每个人脸特征进行匹配，最后判决给出待测人脸的身份信息，这一过程完成人脸辨识的工作。加入图中②的部分后，系统则完成人脸验证的工作。此时系统根据输入身份在数据库中选择相应的人脸特征，只进行该特征和待测人脸特征的匹配判决，给出“一致”或“不一致”的判决结果。

图2：人脸识别系统框图

2.1.2 常用的人脸检测的方法

人脸检测是指在输入图像中确定所有存在的人脸的位置、大小、姿势的过程。作为人脸信息处理中的一项关键技术,人脸检测的应用背景已经远远超出了人脸识别系统的范畴,在身份验证、基于内容的图像检索、数字视频处理、视觉监测等方面都有着重要的应用价值。近年来出现了大量的人脸检测方法，主要可以概括为以下几类：

1）基于知识的方法。这些基于先验知识的方法对组成典型人脸的知识进行编码。通常，先验知识包含了这些人脸特征之间的相互关系。此类方法主要用于人脸定位。

2）特征不变方法。这些算法的目标是找出存在的一些结构特征，这些特征在姿势、观察点、光照条件改变的情况下保持不变。然后使用这些特性来定位人脸。这些方法主要用于人脸定位。

3）模板匹配的方法。这种方法首先是存储一张人脸的几个标准模板，用来描述整张人脸或人脸的部分特性。然后通过计算输入图像与已知存储模板之间的相关度来进行检测。这些方法既可用于人脸检测也可用于人脸定位。

4）基于外观的方法。与模板匹配不同的是，这里的模板是从一组训练图像经过学习而得来的，这些图像应该包括人脸外观的具有代表性的变化因素。这些方法主要用于人脸检测。

然而，各种方法都有一定的不足。PaulViola和Michael Jones在2001年提出了基于一种Adaboost的人脸检测算法[2] ,同时建立了第一个真正实时的人脸检测系统,从根本上解决了检测速度的问题，同时也有较好的识别效果。

2.2 AdaBoost算法原理

2.2.1特征的选取及特征值的计算

在目标检测过程中，需要对候选图像进行分析，判断是否为待检目标，多数目标检测系统都是使用特征对目标进行建模，这些特征都应有一定的目标和非目标区分性。AdaBoost用于人脸检测时，需要从人脸图像中抽取出大量的简单特征。笨检测器选择由Rainer Lienher[]等人提出的扩展Harr-like的特征，如图3-图5所示，该特征可适用于人脸检测。

图3：边界特征

图4：线特征

图5：中心特征

每个特征由2-3个矩形组成，分别检测边界、细线、中心特征，这些特征可表示为：

（1）

式中：wi为矩形的权，RectSum(ri)为矩形ri所围成图像的积分，featurej表示第j个特征，N是组成featurej的矩形个数。

2.2.2 Adaboost算法

Adaboost是一种分类器算法，其核心思想是利用大量的分类能力一般的简单分类器通过一定的方法叠加起来，构成一个分类能力很强的强分类器，再将若干个强分类器串连成为分级分类器完成图像搜索检测。串联的级数依赖于系统对错误率和识别速度的要求首先要生成强分类器。具体Adaboost算法如下：

设输入为N个训练样本:(x1,y1), (x2,y2),…(xn,yn)，其中xi为样本图像，yi为分类结果，yi={0,1}，对应着假样本和真样本；已知训练样本中有m个假样本和l个真样本。第j个特征生成的简单分类器形式为：

（2）

将强分类器串联在一起形成分级分类器，串联时应遵循“先重后轻”的分级分类器思想，即将由更重要特征构成的结构较简单的强分类器放在前面，这样可以先排除大量的假样本，提高检测速度。

3. 实验分析

实验环境在Dell PowerEdge R410服务器上实现，采用VS2008编写，同时对OPENCV自带的模板进行了少许改进。图6是试验结果。实验结果表明它对在变电站场景中对工作人员的人脸捕获具有可行性，同时为无人变电站的监控提供了可行性依据。而且检测速度可以达到每秒钟25帧，能满足实时检测的要求。