状态监测视觉辨识技术研究摘要：采用基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。根据变电站具体环境，人体特征等现象，采用级联Adaboost分类器，经离线训练和在线分类，可准确、快速实现对变电站状态监测视觉辨识，从而提高系统的技术性能，使系统具有较强的实用性。实验结果表明，采用的状态监测视觉辨识技术人体检测算法检测率为93.8%，误检率为4.7%，平均耗时为62ms，比SVM分类器的检测率要高出9.5%，误检率要低9.8%，平均耗时要少132ms。采用级联Adaboost分类器检测性能得到提高，从视频序列中能快速、准确提取人体区域，较好地满足了动态目标检测、分析的需求。本文采集自网络，本站发布的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所右，如存不愿意被转载的情况，请通知我们删除己转载的信息，如果需要分享，请保留本段说明。关键词：状态监测；视觉辨识技术；HOG特征提取；Adaboost分类器中图分类号：TN948.43?34；TP311.52文献标识码：A文章编号:10047373X(2017)11?0080?04ResearchonstatemonitoringandvisionidentificationtechnologyZHAORui,SHANGWen(DatongPowerSupplyCompany,StateGridShanxiElectricPowerCompany，Datong037008，China)Abstract：AnHOGfeatureextractionalgorithmbasedonhumanbodyisusedtostudythestatemonitoringandvisionidentificationtechnologyforthesafetymanagementandcontrolsystemofsubstation.Accordingtothespecificenvironmentofsubstation,humancharacteristicsandotherphenomena,thesubstationstatemonitoringandvisionidentificationcanbeachievedrapidlyandaccuratelybymeansofonlineclassificationandofflinetrainingofthecascadeAdaboostclassifier,soastoimprovethesystemtechnologyperformance,andmakethesystempracticabilitystronger.Theexperimentalresultsshowthatthedetectionaccuracyofthehumandetectionalgorithmbasedonstatemonitoringandvisionidentificationtechnologyis93.8%，itsfalsedetectionrateis4.7%,anditsaverageconsumingtimeis62ms.IncomparisonwithSVMclassifier,itsdetectionaccuracyis9.5%higher,thefalsedetectionrateis9.8%lower,andtheaverageconsumingtimeis132msshorter.WiththecascadeAdaboostclassifier,thedetectionperformancecanbeimproved,andthehumanbodyregioncanbeextractedinthevideosequencequicklyandaccurately,whichcanmeettherequirementsofdynamictargetdetectionandanalysis.Keywords:statemonitoring；visionidentificationtechnology；HOGfeatureextraction；Adaboostclassifiero引言?电站因各类作业，工作人员需在变电站内不断进行活动，因此使变电站作业状态监测视觉辨识显得十分重要［1?3］。随着状态监测视觉辨识技术水平的不断提高，变电站安全管控系统开始应用状态监测视觉辨识技术。通过对变电站的实吋状态监测图像进行处理，识别定位出人的位置从而实现监测辨识自动化，这对电网安全管理意义重大［4?8］。II0G特征的基本思想实质是指行人目标自身非刚性非常强，由于行人衣着颜色纹理的特征很难匹配形状模板，因此对行人目标进行有效描述存一定的难度［9］;特征提取是行人H标边缘梯度特征。SVM分类器的基础是统计学习理论，与传统分类学习相比，SVM分类器可有效避免维数灾难和过学习等问题，具有优秀的泛化能力［10］。本文提出一种基于人体HOG特征提取算法，对变电站安全管控系统状态监测视觉辨识技术进行研究。1HOG特征原理HOG特征提取包含Gamma及颜色空间标准化、梯度计算、Cell梯度投票、Block与梯度向量归一化、HOG特征向量生成等。从输入图像检测提取人体目标特征计算，分类器的训练、检测贯穿整个过程，是整个人体0标状态监测视觉辨识技术的核心，图1为HOG特征提取的基本流程。1.1Gamma.及颜色空间标准化HOG特征提取预处理手段引入图像Gamma及颜色空间标准化，是为了解决光照条件变化时，影响图像局部边缘特征。Dalai等人对图像像素点表达方法进行了评估，包括灰度空间使用评估，颜色...