【正文】 characteristics in order to identify the staff in monitoring images of the operating environment of electrical equipment. The experiment shows that, pared to the personnel identification model that is based on histogram of gradient features, the personnel identification model in the monitoring image of the operating environment of electrical equipment has enhanced the accuracy rate and recall rate by % and %, respectively. (2) Cable Breakage Detection Based on Improved Hough TransformIn order to address the cable breakage caused by aging and strong wind, this paper first enhances and denoises the cable monitoring image and extracts the edge direction histogram characteristics of the cables in the monitoring images through improved Canny operators. These edge images are subjected to erosion and dilation in order to obtain more accurate cable edge images. The straight lines in the cable edge images are found through improved Hough transformation and mapped to the rectangular coordinate system. The cable breakage is detected by calculating the coordinate of line intersections and the angles between lines. The experimental results reveal that, different from the cable breakage detection model based on straight line extraction, the cable breakage detection model based on improved Hough transformation has increased the accuracy rate and recall rate by % and %, respectively. (3) Fire Detection in the Monitoring Images of Operating Environment of Electrical Equipment Based on Color Coherence Vector and Wavelet Energy FeatureIn light of the failure of traditional sensors for detecting the fire far from the electrical equipment, this paper extracts the flame area by calculating the color distribution distance in the monitoring images of the operating environment of electrical equipment. After the flame area is enhanced and denoised, the color coherence vector and wavelet energy feature are extracted in order to establish the SVM classifier. These features are used to train the SVM classifier and establish a fire detection model. The experimental results show that the fire detection model based on color coherence vector and wavelet energy feature can increase the accuracy rate and recall rate by and %, respectively. (4) Design and Realization of the Anomaly Detection Prototype System of the Monitoring Image of Operating Environment of Electrical EquipmentOn the basis of the aforesaid research achievements, the anomaly detection prototype system is developed in order to identify staff in the monitoring images and detect cable breakage and fire.Keywords: Operating Environment。本文的研究就是結(jié)合計算機圖像處理的相關(guān)算法，自動地對電力設備運行環(huán)境監(jiān)控圖像中的異常情況做出檢測，并發(fā)出報警。除此之外，如上海交通大學、北京航空航天大學、南京理工大學、中科院計算所、國防科技大學、西安電子科技大學、中國科學院光電技術(shù)研究所、華中科技大學圖像識別與人工智能研究所等，都在智能圖像監(jiān)控領(lǐng)域開展了大量的研究工作，并取得了研究成果。所以對電力設備運行環(huán)境中的人員進行識別是具有實際意義的。正是由于存在這種像素點之間的矢量差，才能利用這種差異檢測出人員在圖像中所占的像素點。上述模型是基于組成圖像的所有像素相互獨立、并且像素點之間的運算也相互獨立這一假設的。針對傳統(tǒng)Canny算子的缺陷，本文選擇Otsu算法[19]來確定高斯濾波器中的高低閾值。如圖26所示，設H為這兩類樣本之間的分類現(xiàn)，HH2分別為兩類樣本中最接近另一類樣本的樣本所在直線，它們相互平行，這兩條直線間的距離即為分類間隔。Φ (xj)。為了驗證本文構(gòu)建的電力設備運行環(huán)境監(jiān)控圖像人員識別模型的的識別效果，設計了對電力設備運行環(huán)境監(jiān)控圖像中人員的識別實驗。圖像增強的主要作用有：(1)改善圖像的視覺效果，提高清晰度。因此，需要根據(jù)實際需要適當選取高斯濾波器參數(shù)。這就需要對圖像進行腐蝕和膨脹。經(jīng)過了膨脹和腐蝕，提取出電纜邊緣的監(jiān)控圖像的短直線部分就可以連接起來，變得更為平滑和完整。在經(jīng)過改進的Hough變換之后，將提取出直線段的圖像映射到直角坐標系中，則圖35中每一條線段的頂點或交點坐標就可以被提取出來，這樣就可以計算出圖中5條線段AB、AE、AG、BF、BH所在線段的直線方程L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)、L5(x,y)(圖中AB線段所在直線方程L5未標出)和直線方程的斜率kkkkk5(圖中AB線段所在直線方程k5未標出)。為了驗證本文構(gòu)建的基于改進的Hough變換的電纜斷裂檢測模型的識別效果，設計了電纜斷裂檢測實驗。對基于改進的Hough變換的電纜斷裂檢測模型進行實驗的測試集來自互聯(lián)網(wǎng)收集，包括沒有發(fā)生電纜斷裂的電纜監(jiān)控圖像共110張、發(fā)生電纜斷裂的電纜監(jiān)控圖像共74張；在所有圖像中，電纜上存在異物的圖像有142張，電纜上不存在異物的圖像有42張；在所有圖像中，不含桿塔的電纜監(jiān)控圖像有114張，含有桿塔的電纜監(jiān)控圖像有70張。圖35 有桿塔情況下電纜斷裂情況的判斷當監(jiān)控圖像中含有桿塔時，電纜在桿塔處發(fā)生走線方向變化，從電纜監(jiān)控圖像上看，電纜相交可能發(fā)生斷裂，但實際上電纜并未發(fā)生斷裂。當S1移動到點(x,y)時，如果結(jié)構(gòu)元素中其他點對應的目標圖像中的點全部為1，則點E(x,y)值為1；若與結(jié)構(gòu)元素中其他點對應的目標圖像中的點不全部為1，則E(x,y)值為0?；谙戕r(nóng)熵函數(shù)[29]，一個模糊集A的熵定義為： (38)其中香農(nóng)函數(shù)為： (39)由式(38)，則電纜監(jiān)控圖像f的熵可以表達為： (310)因為這一張圖像的灰度值梯度L是給定的，所以式(310)可以進一步寫成： (311)可以證明，式(311)在區(qū)間[0,]之間是單調(diào)遞增而在區(qū)間[,1]是單調(diào)遞減的，所以只需要找到令式(310)最小的圖像二值化閾值t`，則t`就是最合適的圖像二值化閾值。圖像處理中常用的濾波方法有高斯濾波[26]、雙邊濾波[27]等，對它們進行討論。如果一條電纜發(fā)生斷裂，那么斷裂點兩端的部分必然會下垂，由于受重力作用，斷裂點兩端的延長線交于一點，并且所形成的夾角較小，所以可以利用斷裂線纜的這種特點，通過檢測這些直線段或直線段延長線之間是否存在相交即可判斷出電纜是否存在斷裂的情況；但是當監(jiān)控圖像中含有桿塔時，電纜在桿塔處發(fā)生走線方向的變化，從電纜監(jiān)控圖像上看，電纜相交可能發(fā)生斷裂，但實際上電纜并未發(fā)生斷裂，僅僅通過檢測直線段是否相交會發(fā)生誤測，所以還需要以相交直線段之間的夾角作為約束條件。在測試集中，共有400張含有人員的監(jiān)控圖像以及200張不含人員的監(jiān)控圖像，在含有人員的圖像中，人員姿態(tài)為站立的有204張，人員姿態(tài)為下蹲的有80張；具有復雜地理環(huán)境的有40張；背景為白天的圖像有400張，背景為夜間的圖像有200張。如果無論怎樣調(diào)整最優(yōu)分類線都不能避免圖像樣本發(fā)生被錯誤分類的情況，則引入松弛因子ξ，將樣本發(fā)生被錯誤分類的比率控制在某一個閾值范圍內(nèi)，則式(225)變?yōu)橄率剑? (232)對于松弛因子εi，當其在區(qū)間(0,1)時即表示圖像樣本xi被正確分類；當εi ≥1時即表示圖像樣本xi被錯誤分類。目前常用的分類算法有Adaboost算法[20]、人工神經(jīng)網(wǎng)絡[21]、決策樹[22]、支持向量機等，其中支持向量機(Support Vector Machine,SVM)[23]算法通過尋求結(jié)構(gòu)化風險最小值來提高機器的泛化能力，實現(xiàn)經(jīng)驗風險和置信風險的最小化，獲得在小樣本數(shù)量下較好的樣本分類效果。σ]為高斯濾波器，則可以表示為： G[i,j。設I(x,y,t)表示像素點(x,y)在t時刻的像素值，則在該時刻，該像素點(x,y)的像素值為I(x,y,t)的概率P(I(x,y,t))可以表示為： P(I(x,y,t))=η(x,μt,σt)= (21)其中μt和σt分別為t時刻該像素高斯分布的期望值和標準差。 圖21(a)原始圖像 圖21(b)利用幀間差分法提取到的目標幀間差分法的優(yōu)點是對于兩張圖像之間的運算量小，程序容易實現(xiàn)，并且得到的差分圖像的噪點較少，原始圖像對于光照強度不敏感。最后進行了電力設備運行環(huán)境監(jiān)控圖像火災檢測實驗。而從1998年開始，國際視覺監(jiān)控會議已經(jīng)舉辦了多次。如果有闖入的盜竊人員，會導致重要的電力設備被盜被破壞，引起電力系統(tǒng)跳閘停運并且造成巨大的經(jīng)濟損失。(3)基于顏色聚合向量和小波能量特征的電力設備運行環(huán)境監(jiān)控圖像火災檢測針對基于傳感器的監(jiān)控設備并不能及時地檢測到發(fā)生在距電力設備較遠處火災的問題，本文通過碼本法提取出電力設備運行環(huán)境監(jiān)控圖像中的火焰區(qū)域，并對火焰區(qū)域進行預處理，然后提取火焰區(qū)域的局部二值模式向量、顏色聚合向量和小波能量特征，再構(gòu)建SVM分類器，用這些特征訓練SVM分類器，構(gòu)建火災檢測模型，通過模型對電力設備運行環(huán)境監(jiān)控圖像進行火災檢測。二 獨創(chuàng)性聲明本人聲明所提交的論文是我個人在導師指導下進行的研究工作及取得的研究成果。實驗結(jié)果表明，在論文所構(gòu)建的監(jiān)控圖像測試集中，相比基于SVM的方向梯度直方圖人員識別模型，%%。運行環(huán)境狀態(tài)參數(shù)的改變被基于傳感器的監(jiān)控設備檢測到后，就會發(fā)出警報，表示檢測到運行環(huán)境中出現(xiàn)異常情況。英國雷丁大學計算機系也成立了VIEWS(Visual Inspection and Evaluation of Wide Area Scenes)項目組[4]，通過對車輛和信任的跟蹤以及識別技術(shù)，即可檢測出人的可疑行為，并且當被檢測人員被判斷為嫌疑犯時自動發(fā)出警報。第三章分析了如何提取電纜監(jiān)控圖像中電纜的形狀特征，構(gòu)建并訓練SVM分類器，通過分類器檢測出監(jiān)控圖像中的直線段，將直線段映射到直角坐標系中，通過計算直線交點坐標和直線夾角檢測電纜是否發(fā)生了斷裂。(1)幀間差分法由于連續(xù)的監(jiān)控視頻是由一張張靜態(tài)圖像組成的，幀間差分法[13]就是將組成監(jiān)控視頻的圖像序列中相鄰兩幀的圖像作差分運算后得到差分圖像，然后對差分圖像進行二值化，再通過對二值化之后的差分圖像進行腐蝕和膨脹來使得其中的運動目標的輪廓變得清晰準確。平均背景模型(Ave