变电站视频监控系统中基于核函数的人脸图像识别方法研究

变电站视频监控系统中基于核函数的人脸图像识别方法研究内容摘要：

提供 E1 接口，网络硬盘录像机提供网络接口，通过 E1 转以太网的转换器 (E1 网桥 )实现接口转换。 在 集控端 ，通过接口转换器，将 E1 信号恢复为以太网信号，接入以太网交换机。 通过 E1 网桥和现有的 SDH 光传输设备可以为 电网重要变电站集中视频监控 系统提供传输通道。 集控端设备功能 实时视频监控 （ 1） 流媒体服务器 流媒体服务器主要用于对客户端视频流的转发，在有流媒体服务器的情况下，所有视频浏览客户端的视频流都来自流媒体服务器，主要用于解决网络传输带宽的问题。 （ 2）管理服务器 管理服务器的主要功能为：监控区域、监控点设备及用户信息表的管理和维护；用户权限的认证机制；异常事件、报警信号的转发机制；日志管理（操作、报警及异常事件日志的记录、查询与维护）；巡检和校时服务；报警管理。 （ 3） 视频浏览终端 视频浏览终端用于对变电站现场视频的浏览，可 以实现对变电站现场的摄像 机的控制，可以控制摄像机云台的转动、调整摄像机的焦距和光圈、可以设置摄像机的预置位，可以查询历史告警记录，支持电子地图。 视频浏览终端可以配置多套。 （ 4） 电子地图 系统具有电子地图功能，具备操作权限的管理人员或操作员可在电子地图上通过鼠标点击图标等操作，实现调用单路视频、镜头分组、报警信息、多层地图等功能，并能对站端云台镜头和开关设备进行远程操作。 电子地图采用树形目录结构多级电子地图方式，立体展现布防区域。 对地图中的对象分两种方式表达，一是在多级树 形结构中，按类型分类，二是在地图在图标标注，克服一般软件只能在地图中标注的缺点。 支持双显功能，即一个显示器显示图像，另一个显示器显示地图。 克服一般软件视频图像与地图相互遮挡的缺点。 设备类型明确分类，信息完备，一目了然，每个地图层中所布的如摄像头、报警输入均列在树形结构中，方便用户查看。 报警联动功能清晰表达，当有报警发生时，自动转到目标所在的地图中，并居中显示，延时 1分钟闪烁标识 (时间可设定 )，树形结构中对应的标识自动展开，并以方框标识，同时图标会加红色标记。 （ 5） SCADA 系统 系 统可在调度 监控中心与电力调度 SCADA 系统互联实现电力调度系统与视频监控系统联动。 电力调度中心向各变电站发送操作指令时，本系统通过对指令的分析，可以获取对应刀闸的开关操作。 当事故或意外情况发生时，系统自动将摄像机切换至指定位置并弹出对应画面，同时进行声音提示并启动录像功能以便进行故障分析时作为参考。 系统除与 SCADA 系统进行联动外，还可以与火灾报警等系统实现联动，实时监听火灾报警信息，与 SCADA 系统处理方式相同，当事故发生时系统自动将摄像机切换至指定位置并弹出对应画面，同时进行声音提示并启动 录像功能。 本章小结 本章主要讲述变电站监控系统中的一些主要内容，包括视频监控系统的组成，各个组成部分的一些设备，各部分的联系和所起到的作用，对变电站视频监控系统做一个系统的介绍。 通过厂站端采集所有图片，最后汇总到集控端，集控端可以对所有图片进行查看也可以控制厂站端的摄像头的运作，而人脸识别只是期中 的一部分。 通过厂站端采集的人的正面脸部图像再在集控端通过与数据库里的人脸图像进行比较。 第三章 人脸图像的预处理 预处理的基本概念 预处理就是对图像先进 行预先处理，但在处理过程中不会增加图像中的信息，反而有可能图像的损失一些信息。 预处理的目的：改善图像的数据，抑制不需要的变形或增强某些对后处理重要的图像特征。 预处理的方法：图像的复原，图像的增强，图像的几何校正； 预处理步骤包括：尺寸归一、灰度归一 预处理的算法：人脸的定位：保留眼睛、鼻子、嘴巴等关键部位。 图像的归一：包括几何归一和灰度归一。 图像的归一话 几何归一化 几何归一：图像大小校正、平移、旋转、翻转。 （ 1）大小校正：就是把原始图像中包含 的人脸校正到统一的大小，主要依据是人眼的坐标。 人眼是人脸很重要的一个部分，通过预处理内容能够保证两眼间距离相等。 从而其他部分如：嘴、鼻、脸颊等的位置也保持在相对标准的位置。 （ 2）平移：就是将图像中的所有点都按照指定的平移量水平。 垂直移动，通过平移可以消除人脸左右偏移对后续识别环节的影响。 （ 3）旋转 :就是把原始图像中人脸图像进行平面内的旋转，其目的是使两眼间的连线保持在水平的位置。 （ 4）翻转 :考虑到一些人脸图像可能存在上下颠倒的问题，通过翻转可以使目标图像中的人脸保持正面。 灰度归一 化 灰度归一：        其它如果V A RMjiIV A RMMjiIV A RMjiIV A RMjigOOOO22, 其中 Mo、 VARo 是理想的均值和方差，通常两者都取 100； 对于一个 mn 大小的灰度图像 I（ i， j） ：均值 Mo，方差 VARo    nj jiI1m 1i ,n)1 / ( mMo      nj MojiI1 2m 1i2 ,n)1 / ( mV A R o 灰度归一的目的：减少因光照变化导致的灰度变化对正确识别的影响。 直方图均衡化 直方图均衡化：实际任为多值图像，即多个灰度级的单色图像。 直方图均衡化认为是图像的灰度密度函数的近似，灰度直方图是一个离散函数，它表示数字函数每一灰度级与该灰度级出现频率的对应关系。 基本思想：把原始图像的直方图变化为均匀分布的形式，增加了像素灰度值的动态范围从而达到增强图像整体对比度的效果。 假设一幅数字图像的像素总数为 N，有 L个灰度级具有第 k个灰度级的灰度kS 的像素共有 kn 个，则第 k 个灰度级或者说 kS 出现的频率 nnSp kkk )( (k=0，1，   ， L1) 垂足 f= kS ，各线段的长度与  kk Sp 成正比。 直方图变换函数 EH(g)=kt =EH( kS )是变换后的灰度级 EH(g)：① EH(s)在 0≤ s≤ L1范围内是一个单值单增函数 保证：原图像的灰度级在变换后仍保持从黑道白（或白到黑）的排列顺序。 ②对 0≤ s≤ L1有 0≤ EH(s)≤ L1 保证：变换前后灰度值动态范围的一致性。  kki ski i SPNn    00E H (S k)tk 其中 k=0， 1，   ， L1； 10  kS 步骤： 第一步：计算出原始图像的所有灰度级 kS ； 第二步：统计原始图像各灰度级的像素数 kn ； 第三步：计算原始图像的直方图  kk Sp ； 第四步：计算原始图像的累积直方图 kt ； 第五步：取整计算   NkNtk  1in t。 第六步：定义映射关系： kk tS ； 第 七步：统计新直方图各灰度级的像素数 kn ； 第八步：计算新的直方图：   Nntp kki  从原始图像（图 ）及其直方图（图 ），均衡化后的图像（图 ）以及直方图（图 ）可以看出， 均衡化图像灰度分布更加均匀，可以在一定程度上减轻光照变化对识别的影响。 图 原始图像 图 原始图直 方图 图 均衡化后的图像 图 均衡后的直方图 二值化 用扫描仪或摄像头获取的原始图像的灰度图像，经过灰度直方图线性变换以后的图像仍然是多值图像。 所谓多值图像，就是指具有多个灰度级的单色图像。 威为了 突出图像调整和便于进行调整提取，需要将多值图像转换为二值图像。 二值图像也就是只具有黑白 两 个灰度级的图像，它是数字图像的一个重要子集。 将图像进行二值化处理后，可 得到灰度值仅为 0,1 的二值化图像。 本章小结 本章对人脸识别系统中人脸图像预处理进行了简单的归纳总结。 针对人脸识别系统中需要对训练图像和待分类图像进行预处理步骤，本文介绍了几何归一化、灰度归一化等常用的图像预处理步骤。 图像预处理虽然可能削弱图像的自身和外在因素对算法识别结果的影响，但是如果预处理过度，那么这种影响可能是负面的。 第四章 核方法的特征提取 核方法的基本概念 核方法 [17]是一系列的先进非线性数据处理技术的总称，其共同特征是这些数据处理方法都应用了核映射。 从本质上讲，一个分类问题在原始数据空间线性不可分，核方法就是采用非线性映射将原始数据由数据空间映射到高维的特征空间，使得数据在这个空间中线性可分，进而在特征空间进行对应的线性操作。 由于运用了非线性性映射，而且这用非线性映射往往是非常复杂的，从而大大增强了非线性数据的处理能力。 核方法实现了数据空间、特征空间和类别空间之间的非线性变换。 设 ix 和 jx 为数据空间的样本点，数据空间到特征空间的映射函数为  ， 核方法的基础是实现了向量的内积变换：        jijiji xxxxKxx  , （ ） 通常，非线性变换函数  相当复杂，而运算过程中实际用到的核函数 ,K 则相对简单多了。 核函数方法的特点： 核函数的计算量和特征空间的维数无关。 无需知道非线性变换函数  的形式及参数。 不同的和函数确定了不同的非线性变换函 数。 核函数方法可以和不同的算法结合起来使用，可以形成基于核函数的不同技术，而在本文中主要采用的为 KPCA， KFDA 这两结合技术。 核函数的确定比较容易，只要满足 Mercer 的条件的任意对称函数都可以作为核函数。 常用的核函数有： 多项式核函     dbyxyxK , （ ） 高斯核函     22, yxeyxK （ ） 多层感知器函     cyxvyxK  ta n h, （ ） 核的主成分分析法（ KPCA） 主成分分析法 主元分析法 ( PCA 方法 )[18] 是基于 KL 变换的统计学分析方法 , 是多元分析中常见的技术 . 利用人脸结构的相似性 , 假设所有的人脸都可以处在一个低维的线性空间 , 并且不同的人脸在这个低维的空间里具有可分性 . 其原理是将高维向量通过一个特殊的特征向量矩阵投影到一个低 维的向量空间中 ,表征为一个低维向量 . 同时希望表征的低维向量能保持识别所需要的信息 . 主元分析法主要作用就是用来降低数据的维数 .因而，主成分分析法主要考虑样本矩阵的协方差矩阵。 具体步骤如下： 假设 X 是一个 N 1 的随机向量，即 X 的每个元素 ix 都是一个随机变量。 X的均值 xm 可以用 K 个这样的样本向量来估计， ki ix XKm 11 （ ） 协方差矩阵可根据公式（ 46）估计，     TxxTiki iTxxx mmXXKmXmXEC   11 （ ） 由公式 （ ） 可知，协方差矩阵是一个 N N 的实对称矩阵，其对角线元素为各个随机变量的方差，非对角线元素为各随机变量的协方差。 KL 变换用矩阵A 来定义一个线性变换，它可以将任意向量 X 通过下面线性变换得到一个向量 y  xmXAy  () 其中 A 的各行为 xS 的特征向量， xS 的特征向量按照这样的规则构成：先将 xS 的特征值按大小降序排列，特征向量按照对应的特征排列的顺序排列。 由于 KL变换所得的向量。