摘 要

牵引变电站是关系轨道交通安全运行的重要环节，保证牵引变电站不受外来人员的入侵和及时发现闯入人员并预警对维持牵引变电站正常运行有着重要的意义。论文在牵引变电站现有监控视频的基础上提出利用监控视频的图像信息进行人体入侵检测的研究。

论文主要分析了HOG (Histograms of Oriented Gradients)和DPM (Deformable Part Model)两种人体目标检测的方法，研究了两种方法的数学模型和算法结构。HOG能够很好的描述目标的边缘信息，同时也是DPM特征构建的基础；DPM通过根滤波器和部件滤波器构建了目标各个部分相对于整体的形变模型，是一种优秀的特征描述。两种方法都是利用SVM完成训练与检测，HOG使用的是线性支持向量机(Support Vector Machine, SVM)，而在DPM中由于部件相对于整体的位置是未知的，因此训练中将它们当做隐变量，从而使用的是隐变量SVM (latent SVM)。此外在DPM训练过程中还对难负样本进行了挖掘从而减少训练时间。

针对DPM在检测目标时虽有较高的精度，但检测花费时间较长的情况，论文在DPM模型的基础上，提出了以单点计算模型和快速层定位法为基础DPM快速搜索算法。单点计算模型可以直接计算金字塔某个位置的滤波器得分响应，从而减少不必要的得分计算；快速层定位法以目标在金字塔层中得分呈单峰分布为基础，通过寻找得分最大的所在层实现快速定位目标在特征金字塔中的位置。

通过实验将DPM快速搜索算法与HOG以及原始DPM进行性能比较，结果表明HOG虽然检测速度很快，但是检测精度不高，难以应用到牵引变电站中；DPM快速搜索算法对原始的DPM在检测时间有了较大大的优化，而检测精度几乎与原来一致。优化后的DPM在执行时间上基本可以满足牵引变电站人体入侵检测的应用。

关键词：人体检测；人体入侵；牵引变电站；DPM

Abstract

Traction substation is an important part for the safe operation of rail transit. It is of great significance to ensure that the traction substation is not invaded by outsiders and timely detection of intruders than setting alarm, for maintaining the normal operation of the traction substation. Based on the existing surveillance video of traction substation, this paper proposes the research of human intrusion detection using the image information of surveillance video.

This paper mainly introduces two kinds of object detection methods on human: HOG (Histograms of Oriented Gradients) and DPM (Deformable Part Model). The mathematical model and algorithm structure behind the two methods are carefully studied. HOG can describe the object's edge information well and it is also the foundation of DPM's feature construction. DPM constructs the deformation model of each part of the object relative to the whole through the root filter and component filter, which is an excellent feature description. Both methods use SVM for training and detection. The HOG uses a linear SVM. In DPM, the position of components relative to the whole is unknown. Therefore, they are used as latent variables in training, and thus the latent variable SVM is used. (latent SVM). In addition, hard negative samples were dug during DPM training to reduce training time.

Although DPM has higher accuracy in detecting targets, but it takes longer to detect. Based on the DPM model, this paper proposes a fast DPM search algorithm based on single-point calculation model and fast layer positioning method. The single-point calculation model can directly calculate the filter score response at a certain position in the pyramid, thereby reducing unnecessary calculation of scores. The fast layer positioning method uses the unimodal distribution of the score in the pyramid layer as the basis to find the layer with the highest score. Achieve rapid positioning of the target's position in the feature pyramid.

By experiments we compare the performance of fast DPM search algorithm with HOG and original DPM. The results show that although HOG detection speed is fast but the detection accuracy is not high, it is difficult to apply to traction substation; The DPM quick search algorithm has greatly improved the original DPM detection time, and the detection accuracy is almost the same as the original. The optimized DPM can basically meet the application of human body intrusion detection in traction substation in execution time.

Key Words：human detection；human invasion；traction substation；DPM

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.2.1 人体目标检测技术发展现状 2

1.2.2 牵引变电站人体目标检测的研究 3

1.3 论文的章节安排 3

第2章 基于HOG特征的人体检测算法 4

2.1 人体检测总体流程 4

2.2 样本图像建立 5

2.3 HOG特征提取 5

2.3.1 图像归一化均衡 5

2.3.2 图像梯度 6

2.3.3 梯度直方图 7

2.3.4 块内归一化 8

2.3.5 建立HOG特征向量 8

2.3.6 HOG特征描述子的优缺点 9

2.4 SVM训练及检测 9

2.4.1 线性分类器 9

2.4.2 函数检测与几何间隔 10

2.4.3 目标函数及其求解 10

2.4.4 噪声数据处理 11

2.4.5 线性SVM的优点 12

2.5 图像金字塔 12

2.6 非极大值抑制 13

2.7 实验结果和分析 14

2.7.1 算法准确度分析 14

2.7.2 算法执行效率分析 17

2.8 本章小结 17

第3章 基于DPM的人体检测算法 18

3.1 HOG特征的改进 18

3.2 可变形部件模型的构建 19

3.2.1 星型模型的定义 19

3.2.2 构造星型模型 20

3.2.3 混合模型 20

3.3 DPM训练过程 21

3.3.1 latent SVM 21

3.3.2 难负样例挖掘 22

3.4 目标检测 23

3.5 实验结果和分析 24

3.5.1 算法准确度分析 25

3.5.2 算法执行效率分析 25

3.6 本章小结 26

第4章 DPM模型的算法改进 27

4.1 单点计算模型 27

4.2 快速层定位算法 29

4.3 DPM快速搜索算法 31

4.4 实验结果和分析 32

4.4.1 算法准确度分析 32

4.4.2 算法执行效率分析 33

4.5 本章小结 33

第5章 总结与展望 34

5.1 总结 34

5.2 展望 34

参考文献 36

致谢 38

第1章 绪论

1.1 研究背景及意义

随着我国轨道交通特别是高速客运专线和城市轨道交通的快速发展，牵引供电系统发展迅速。强大可靠的供电是保证轨道交通正常运行的基本要求，牵引变电站是牵引供电系统中的重要环节，其安全运行是系统可靠运行的前提。

除了牵引变电站本身的设备故障，人为的入侵与破坏也是影响设备运行的主要因素。由于变电站通常设置在偏僻的地区，人工巡视费时费力，且不经济；遥视技术的发展，使之取代了人工巡视，但是仍然需要人员高注意力地紧盯监控屏幕，由于人的视觉疲劳，常常不能及时发现并阻止闯入的人体和异物。

因此随着智能电网和中国制造2025的建设，迫切需要这样一套系统，对牵引变电站里的特定区域进行监控和预警，能够自动对闯入的人体进行识别，解决传统巡视费时费力与漏报的问题。

因此对牵引变电站的人体入侵的研究具有以下4点意义：

1. 牵引变电站是牵引供电系统的重要组成部分，关系到轨道列车的安全可靠运行。为了避免人为闯入进行偷盗，恶意破坏而威胁变电站的安全运行，需要一套系统能够对人体入侵进行自动检测，从而报警和主动干预。并将该视频保存，作为依法处理的证据，同时可以为研究者提供珍贵的视频资料。
2. 随着变电站遥视技术的发展，变电站值班人员可以轻松获取偏远地区变电站的实时图像，但是对于预防人为闯入仍然采用人工观察监控的方式，而长期观察屏幕会出现注意力涣散的现象，也为无法及时观察到威胁埋下了隐患。建立和完善人体入侵的检测系统可以帮助值班人员从枯燥无聊的观察中解放出来，同时提高变电站的安全系数。
3. 虽然目前国内外的学者对行人检测进行了大量的研究，也取得了令人惊喜的成果，但是针对与牵引变电站这种特殊场景的研究少之又少。由于变电站内设备繁多，布线复杂，若将其他场景下的人体检测直接应用于牵引变电站，则会出现漏检、误检等一系列错误。
4. 虽然目标检测与识别电力系统中有了一些应用，如判断设备是否起火，是否运行在安全的温度范围内，这些都是对静态目标的检测，对人体这样的运动物体存在着天然的缺陷。而目前对于电力系统中的人体检测出现了一些判断方法，但是存在着各种缺陷，误检漏检率高，无法适应天气变化。这对实现高效完备的变电站防盗系统是远远不够的。

1.2 国内外研究现状

1.2.1 人体目标检测技术发展现状

目前国内外对人体检测的研究主要是针对行人的，称之为行人检测(pedestrian detection)，即利用计算机视觉技术对输入的图片进行目标识别判断其是否属于人体目标。由于行人检测在智能驾驶，机器人，安全监控和为视障人士提供辅助技术等方面的应用，行人检测已经成为研究的热点问题。论文中变电站人体入侵检测的研究对象也是行人，因此下文所指的人体目标检测等同于行人检测。

行人检测通常由4个部分组成：特征提取，变形处理，遮挡处理和分类。每一部分国内外的研究者都做了大量的工作。

目前针对行人特征进行描述的方法有很多。2005年Dalal和Navneet介绍了具有里程碑意义的方向梯度直方图(Histograms of Oriented Gradients，HOG)特征^[1], 2009年Vedaldi提出了稠密尺度不变特征变换(Scale-invariant feature transform，SIFT)特征^[2]，它们被用来描述行人的整体形状。2009年Wang X提出局部二值模式(Local Binary Patterns，LBP)^[3]用来提取局部的纹理特征。2003年Viola用反映图像灰度变化情况的Haar-like^[4]特征设计了VJ检测器。此外还有积分通道特征^[5]，自适应轮廓特征^[6]，CSS特征^[7]等。

由于人体并不是一个刚体，尤其是对于运动中的人来说，其形态差异很大，因此对于人体的变形处理也产生了许多方法。2008年Felzenszwalb以HOG为基础，提出了经典的可变形部件模型(Deformable Parts Model，DPM)^[8]。后来出现了许多DMP模型的变种^[9,10]。为了处理更为复杂的关节，Felzenszwalb建立了关于身体部分大小和旋转的模型^[11]，此外还有学者建立了身体部分的表现和关节种类的混合模型^[12-14].

对于行人被遮挡的问题，学者们提出了一些方法来估计身体部分的可见性^[15-17]。但是所有这些方法都是分别从特征提取和身体模型中建立遮挡模型。

广泛使用的分类方法包含各种各样的boosting分类器^[5,18].线性SVM (Support Vector Machine)分类器^[1],多核SVM^[2]。在这些方法中，分类器是根据训练数据来调整的，但是特征都是手工设计的。

最近的研究^[19,20]表明卷积神经网络在行人检测上取得了很好的表现。深度学习方法可以学习原始像素的特征，以改善行人检测的表现。例如卷积神经网络^[21]利用卷积稀疏编码技术对CNN进行无监督预训练来进行行人检测。Ouyang通过对身体不同部分的可见性进行联合学习来解决遮挡问题^[22]。JointDeep模型^[23] 为CNN设计了隐藏的变形层，对混合姿态信息进行建模。与以前的将行人检测制定为单个二元分类任务的深度模型不同，TA-CNN^[23]联合优化了与行人检测相关的四个部分。

网上存在很多的公开的行人数据集，比如INRIA，Caltech，PASCAL这些数据集对图像、视频中的行人进行了良好的标注，成为优秀的研究资料，促进了行人检测效果评估的标准化，推动了行人检测的研究与发展。

即使前人已经在行人检测领域取得了重大的进展，但是，每一种方法只在特定的1个或几个数据集上有良好的表现，在其他的数据集上却表现一般，尤其是在复杂的场景下。同时，随着行人检测的模型和特征越来越复杂，对计算资源的要求也越来越高，因此对模型和算法的实时性也提出了挑战。

1.2.2 牵引变电站人体目标检测的研究

变电站的大部分技术可以为作为牵引变电站的参考，因此从变电站人体检测的研究出发来讨论其在牵引变电站的应用。

随着智能电网的建设，多数变电站已经普及了遥视功能，可以对主控室，高压室，断路器，和室外场地进行实时监控^[24]。但是视频监控系统只能监控和录像，不能主动对闯入物体进行判断和检测，仍然需要值班人员进行肉眼观察。为了减少漏报情况，节约人力物力，提高检测效率，也陆续出现了一些对变电站人体入侵的研究，如基于人眼视觉的检测技术^[25]。文献^[26]提出利用人员是否佩戴安全帽来区分工作人员与非工作人员的想法并进行了一定的研究。

因此对于整个牵引变电站的人体入侵检测的研究仍然是处于起步阶段，和行人检测一样，仍然没有完善的解决方案。

1.3 论文的章节安排

论文围绕牵引变电站的人体入侵检测展开，在细致学习现有的行人检测方法(HOG, DPM)的基础上，针对牵引变电站的实际应用情况对现有方法提出改进，同时，论文着重改进了DPM的实时检测性能。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：