趙小魚+++徐正飛+++付淵

摘 要： 針對在戶外條件下進行圖像處理的特點，提出一種適合智能變電站巡檢機器人的對變電站設(shè)備懸掛異物識別的算法。該算法經(jīng)過國內(nèi)某500 kV智能變電站巡檢機器人實地反復測試，對有異物與無異物的正負樣本圖像識別率超過95%，對實時巡檢具有高精度高魯棒性，完全滿足變電站現(xiàn)場應(yīng)用的要求。

關(guān)鍵詞： 智能變電站； 巡檢機器人； 異物檢測； 相似匹配

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）10?0124?04

0 引 言

變電站往往建設(shè)在四周空曠的農(nóng)村平原地帶，且主要設(shè)備安置在室外，經(jīng)常會受到外來“異物”的侵擾，可能會對變電站設(shè)備造成安全運行隱患。智能機器人在對變電站設(shè)備狀態(tài)執(zhí)行巡檢工作任務(wù)的同時，對變電站設(shè)備中有無懸掛異物進行檢測，當發(fā)現(xiàn)有外來異物懸掛時提供報警等指示標識功能，保障變電站設(shè)備的安全運行。隨著近幾年圖像處理算法的飛速發(fā)展，基于計算機視覺技術(shù)的缺陷、異物檢測算法也在不斷的提升[1]。對于異物，或者外來物體的檢測與跟蹤的算法，在視頻應(yīng)用中主要的研究是采用放置固定攝像機，對連續(xù)的輸入幀進行高斯背景建模，在這其中位置相對固定的“場景”形成背景圖像模型，當有外物進入圖像中時則被背景模型自動的分割為前景，可對其進行物體分割、跟蹤等處理[2]。雖然變電站中的各類型設(shè)備都已安置完畢，位置、形態(tài)長期固定，為背景模型的算法提供了有利條件。巡檢機器人攜帶的是一臺移動式攝像機，穿梭于各個電力設(shè)備之間采集待檢測設(shè)備的圖像，但是系統(tǒng)無法支持對每個設(shè)備的周邊環(huán)境進行背景建模，所以這種算法并不適合用于巡檢機器人。

相對于視頻的動態(tài)的背景建模提取前景移動物體的算法，對靜態(tài)的兩幅或多幅圖像差異的比較也是行之有效的異物檢測的方法，這類算法被稱為幀間差分法。這種算法的主要思想是：首先對相對不變的背景環(huán)境采集一幅或多幅作為背景模板，當需要檢測在此環(huán)境中是否有異物時，再實時采集一幅圖像與背景模板進行逐一像素或區(qū)域的差異計算。當差異的結(jié)果充滿一定的圖像面積時，則認為采集圖像與模板不一致，疑似異物出現(xiàn)在采集圖像中。這種算法與高斯背景建模的算法進行比較，優(yōu)勢為背景圖像生成簡單，使用幀間差分計算圖像間的差異時計算量少[3?4]。巡檢機器人在進行變電站設(shè)備工作狀態(tài)檢測時，采用的即是建立模板圖像進行比較的方式，但是幀間差分法仍舊不能適用于巡檢機器人進行異物的檢測。這是因為巡檢機器人進行定點設(shè)備檢測時，雖然停車位置相同，但機器人運動的航向角與云臺轉(zhuǎn)動的角度都與拍攝模板圖像的位置存在略微差異，在用幀間差分法處理這些誤差時會被誤認為前景發(fā)生了變化，即差異的部分會錯誤的檢測為異物。

智能機器人需要全天候地對變電站的設(shè)備進行工作狀態(tài)巡檢，機器人采集的圖像也常受到環(huán)境的影響，這使得巡檢機器人采用背景建?；蛘邘罘ǖ攘餍械漠愇餀z測算法都受到了約束，必須研發(fā)一種有效的適合變電站巡檢機器人的異物檢測算法。當前變電站巡檢機器人對各種設(shè)備進行工作狀態(tài)檢測時，采用的是通過采集待檢測設(shè)備實時圖像與設(shè)備的模板圖像進行配準，在采集圖像中標注出待檢測設(shè)備區(qū)域，從而可以對設(shè)備狀態(tài)進行準確的識別?；谶@種工作模式，在本文中提出了一種適用于智能變電站巡檢機器人的異物檢測算法。首先，依照巡檢機器人的模板圖像采集方式，對易懸掛異物的設(shè)備區(qū)域或需要嚴格防止異物侵入的區(qū)域進行無異物狀態(tài)的標準圖像采集，建立待檢測設(shè)備區(qū)域的模板圖像庫。然后，在機器人執(zhí)行巡檢任務(wù)時，根據(jù)任務(wù)指令，在待測設(shè)備前的指定位置停車，按照相同設(shè)備模板圖像的拍攝角度與焦距設(shè)置對待檢測設(shè)備區(qū)域采集實時圖像。使用SIFT配準算法，提取兩幅圖像的特征點對，依照特征點對坐標的映射在采集圖像中最大范圍地裁剪出與模板圖像重合的區(qū)域。由于光線與天氣環(huán)境的變化，為了減少光照強度對識別結(jié)果的影響，先對模板圖像與采集圖像進行消除光照、去陰影操作，再對待檢測設(shè)備框架進行二值化，分割設(shè)備與背景，將采集圖像與模板圖像的重合區(qū)域坐標對齊、截取，并進行相同的4×4分塊，對分塊的子圖像以“不變矩”的算法來評價相似性。相似性高的則認為與模板圖像匹配，此子區(qū)域內(nèi)無異物出現(xiàn)，相反則判斷在此區(qū)域內(nèi)有異物侵入，對待測設(shè)備采集圖像中有異物的區(qū)域進行標注，并警示變電站值崗人員。此算法經(jīng)過國內(nèi)某500 kV智能變電站巡檢機器人實地反復測試，對有異物與無異物的正負樣本圖像識別率超過95%，對實時巡檢具有高精度高魯棒性，完全滿足變電站現(xiàn)場應(yīng)用的要求。

1 異物檢測識別算法

1.1 利用SIFT算法實現(xiàn)采集圖像在模板圖像中的定位

尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT）是用于圖像處理領(lǐng)域的一種描述子。這種描述具有尺度不變性，可在圖像中檢測出關(guān)鍵點，是一種局部特征描述子，并可基于此進行圖像特征點匹配[7]。

1.1.1 構(gòu)建尺度空間

這是一個初始化操作，尺度空間理論的目的是模擬圖像數(shù)據(jù)的多尺度特征。高斯卷積核是實現(xiàn)尺度變換的惟一線性核，于是一幅二維圖像的尺度空間定義為：

[G（x，y）=12πσ2e（-（x2+y2）2σ2）] （1）

相鄰尺度的圖像相減得到一組Difference of Gaussian（DoG）圖像[D（x，y，σ）]，以局部極值點確定特征點。假設(shè)圖像的像素強度表示為[I（x，y）]，高斯卷積圖像為：

[D（x，y，mσ）=（G（x，y，kmσ）-G（x，y，km-1σ））*I（x，y）] （2）

式中：[m=1，2，…，s；k=21s]；[D（x，y，mσ）]表示相鄰尺度的DoG圖像。

1.1.2 生成SIFT特征向量

（1） 為了尋找尺度空間的極值點，每一個采樣點要與它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖1所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應(yīng)的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。一個點如果在DoG尺度空間本層以及上、下兩層的26個領(lǐng)域中是最大或最小值時，就認為該點是圖像在該尺度下的一個特征點。endprint

圖1 DoG圖像尺度空間

（2） 通過擬和三維二次函數(shù)以精確確定關(guān)鍵點的位置和尺度（達到亞像素精度），同時去除低對比度的關(guān)鍵點和不穩(wěn)定的邊緣響應(yīng)點（因為DoG算子會產(chǎn)生較強的邊緣響應(yīng)），以增強匹配穩(wěn)定性、提高抗噪聲能力，在這里使用近似Harris Corner檢測器。

（3） 梯度直方圖的范圍是0°～360°，其中每10°一個柱，總共36個柱。隨著距中心點越遠的領(lǐng)域其對直方圖的貢獻也響應(yīng)減小。實際計算時，在以關(guān)鍵點為中心的鄰域窗口內(nèi)采樣，并采用直方圖統(tǒng)計鄰域像素的梯度方向。梯度直方圖的范圍是0°～360°，其中每45°一個柱，總共8個柱，或者每10°一個柱，總共36個柱。Lowe論文中還提到要使用高斯函數(shù)對直方圖進行平滑，減少突變的影響。直方圖的峰值則代表了該關(guān)鍵點處鄰域梯度的主方向，即作為該關(guān)鍵點的方向，使算子具備旋轉(zhuǎn)不變性。

（4） 圖2中藍色的圈代表高斯加權(quán)的范圍，越靠近關(guān)鍵點的像素梯度方向信息貢獻越大。然后在每4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點，如圖2中的右半部分所示。該圖中一個關(guān)鍵點由2×2共4個種子點組成，每個種子點有8個方向向量信息。這種鄰域方向性信息聯(lián)合的思想增強了算法抗噪聲能力，同時對于含有定位誤差的特征匹配也提供了較好的容錯性。

圖2 特征向量

1.1.3 根據(jù)SIFT特征向量進行匹配

通過上述步驟，對于每一個關(guān)鍵點，擁有三個信息：位置、尺度和方向。接下來為每個關(guān)鍵點建立一個描述符，用一組向量將這個關(guān)鍵點描述出來，使其不隨各種變化而改變，比如光照變化、視角變化等。這個描述子不但包括關(guān)鍵點，也包含關(guān)鍵點周圍對其有貢獻的像素點，并且描述符應(yīng)該有較高的獨特性，以便于提高特征點正確匹配的概率。

得到兩幅圖像的特征點的匹配關(guān)系后，兩幅圖像存在如下變換過程：

[x′y′1=Hxy1] （3）

式中：H為投影變換矩陣；[x′，y′，1T，x，y，1T]分別為特征匹配點在源圖像和待匹配圖像上的像點坐標。由已知點的坐標，求得H矩陣，通過比較特征點實現(xiàn)待檢測圖像中設(shè)備區(qū)域的準確定位。

1.2 圖像預處理

變電站的主要大型設(shè)備多置于室外，由于照射光線的強弱和周圍環(huán)境的影響，在采集的設(shè)備圖像上常常出現(xiàn)金屬器件反射太陽光的亮光光斑，周圍設(shè)備框架遮擋形成的陰影，天空中的云等，這些與模板圖像存在差異的部分會比較容易被誤識別為異物。所以，在完成采集圖像中待檢測設(shè)備區(qū)域的SIFT特征匹配后，要消除光線在設(shè)備上的反光與陰影等，降低光線的不同對識別結(jié)果的影響。

1.2.1 模板圖像、采集圖像去除光斑與陰影

為了提取待檢測設(shè)備上是否懸掛異物，需要對模板圖像及采集圖像進行關(guān)心區(qū)域的二值化分割，在二值圖像上進行比較可以有效地減少背景內(nèi)容對識別結(jié)果的干擾，首先先采用標準的平均值法將彩色圖像轉(zhuǎn)換為灰度圖像，用[g]表示灰度化后的灰度值，有：

[g=0.30R+0.59G+0.11B] （4）

在灰度圖像中，為了消除采集圖像與模板圖像匹配時分割出差異的部分降低光照與陰影給圖像對比帶來的影響，可利用數(shù)學形態(tài)學“開”操作有效實現(xiàn)，表示為[A?B]，定義為結(jié)構(gòu)元素B對集合A進行開操作：

[A?B=（AΘB）⊕B] （5）

使用“開”操作之后，使光斑產(chǎn)生的亮點消除、陰影部分得以平滑，在圖像分割時可以選取合適的二值化算法提取出完整的待檢測設(shè)備框架。具體步驟為：首先定義大小為 [（2w+1）×（2w+1）]的模板，并以[（x，y）]為中心，[f（x，y）]為該點灰度值，[T（x，y）]為該點二值化閾值，依據(jù)式（6）計算像素的閾值，按照式（7）對該像素進行二值化分類：

[T（x，y）=1（2w+1）2k=-wwl=-wwf（x+k，y+l）] （6）

[I（x，y）=1，f（x，y）≥T0，f（x，y）

式中[I（x，y）]為二值化后各個像素的圖像強度。

1.2.2 二值化圖像的匹配

將相同設(shè)備區(qū)域的模板圖像與采集圖像進行前景設(shè)備的二值分割后，消除了光照與背景的影響，相同的設(shè)備結(jié)構(gòu)并未產(chǎn)生變化，僅僅由于圖像預處理的作用使兩幅圖像中設(shè)備結(jié)構(gòu)的“粗細”略微不同，使得兩幅圖像的相同區(qū)域具備了可比性，使用改進的“不變矩”的算法可以對兩幅圖像中設(shè)備結(jié)構(gòu)的相似度進行評價。這一算法的優(yōu)點在于，通過計算圖像的像素點的關(guān)系可以得到多個不變矩，而圖像的旋轉(zhuǎn)與尺寸的變化對不變矩的影響不大。

“不變矩”算法的計算規(guī)則如下：

在連續(xù)情況下，圖像函數(shù)為[f（x，y）]，那么有：

（1） 標準矩（[p+q] 階幾何矩）

其定義為：

[mpq=-∞∞-∞∞xpyqf（x，y）dxdy， p，q=0，1，2，…]

（2）[p+q] 階中心矩

其定義為：

[μpq=-∞∞-∞∞（x-x）p（y-y）qf（x，y）dxdy， p，q=0，1，2，…] 式中 [x] 和 [y] 代表圖像的重心，[x=m10m00，y=m10m00]。那么如果是數(shù)字圖像的話，則需要使用其離散形式，采用求和號代替積分：

標準矩：

[mpq=y=1Nx=1Mxpyqf（x，y），p，q=0，1，2，…]

中心矩：

[μpq=y=1Nx=1M（x-x）p（y-y）qf（x，y），p，q=0，1，2…]

式中[N]和[M]分別是圖像的高度和寬度。

（3） 歸一化的中心矩

其定義為：[ηpq=μpqμρ00]；其中[ρ=（p+q）2+1]，利用二階和三階歸一化中心矩構(gòu)造了7個不變矩[M1～M7]：

[M1=η20+η02；M2=（η20-η02）2+4η211；] [M3=（η30-3η12）2+（3η21-η03）2；][M4=（η30+η12）2+（η21+η03）2]

[M5=（η30-3η12）（η30+η12）（（η30+η12）2-3（η21+η03）2）+ （3η21-η03）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

[M6=（η20-η02）（（η30+η12）2-（η21+η03）2）+ 4η11（η30+η12）（η21+η03）]

[M7=（3η21-η03）（η30+η12）（（η30+η12）2-3（η21+η03）2）- （η30-3η12）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

以A，B分別表示模板圖像與待比較的采集圖像，則利用以上7個不變矩的比較結(jié)果為：

[I（A，B）=i=171mAi-1mBi]

式中：[mAi=sign（MAi）?log2（MAi）]；[mBi=sign（MBi）?log2（MBi）]。當 [I（A，B）] 的值越小時，表示A與B的圖像相似度越高。這7個不變矩構(gòu)成一組特征向量。不變矩算法一般用來識別圖像中大的物體，對于物體的形狀描述得比較好，圖像紋理特征不能太復雜，像識別水果的形狀，或者對于車牌中的簡單字符的識別效果良好。

這一算法的優(yōu)點是計算速度快并且具有旋轉(zhuǎn)、縮放和平移不變性，非常適合移動式機器人的工作環(huán)境，如：對各個設(shè)備的拍攝角度與模板圖像拍攝時略有不同，這并不影響采集圖像與模板圖像相似性的判斷。

1.3 異物識別結(jié)果的優(yōu)化

如今在全國多個變電站投入運行的智能巡檢機器人所攜帶的可見光攝像機拍攝的圖像尺寸為[704×576]像素，由于像風箏、塑料袋這種較小的異物，在攝像機低焦距遠距離拍攝時，異物所占的圖像比例很小，通過整幅圖像計算與模板的相似度時，當前低分辨率的圖像輸入設(shè)備大大限制了異物識別的精確度。

為了在不增加更換硬件成本的前提下提高異物識別的準確率，在將采集圖像與模板圖像二值化處理后，可先根據(jù)圖像中設(shè)備結(jié)構(gòu)的分布特點進行4×4 或6×6分塊，再采用“不變矩”的匹配算法把采集圖像中的分塊子圖像與模板對應(yīng)的塊進行相似度比較。如此一來異物在所在子圖像中所占的比例較整幅圖像便成倍增加，提高了異物識別的準確度，并且在得出的結(jié)果中還可以根據(jù)異物所在子圖像的位置標出大致區(qū)域，以供值崗的工作人員進行鑒定參考。

2 現(xiàn)場應(yīng)用

某500 kV智能變電站是目前國內(nèi)首次采用智能巡檢機器人自動識別的示范站，實現(xiàn)了智能機器人代替人工進行變電站設(shè)備巡檢、狀態(tài)識別的任務(wù)。

3 結(jié) 語

通過對巡檢機器人在戶外條件下采集的巡檢圖像進行大量測試，證實了本文所提算法的魯棒性。以SIFT算法進行特征配準，在巡檢采集圖像中標定與模板圖像相重疊的區(qū)域，而后對圖像進行灰度化及開操作預處理后可以有效地對各種不同光照條件的圖像進行二值化分割。采用改進的分塊不變矩檢測算法提高了對低分辨率圖像中異物的識別能力，并且具有很高的準確性，進而可以保證變電站監(jiān)控平臺及時地獲得異物所在位置。并且通過大量巡檢機器人的巡檢圖片驗證，在此圖像處理算法下，對異物率在95%以上，完全滿足智能變電站異物自動檢測識別的要求。

參考文獻

[1] LOWE D. Distance image feature from scale?invariant key points [J]. International Journal of Computer Vision， 2004， 60（2）： 91?100.

[2] 鄧亞麗，毋立芳，李云騰.一種有效的圖像陰影自動去除算法[J].信號處理，2011，27（11）：1724?1728.

[3] 汪海洋，潘德爐，夏德深.二維Otus自適應(yīng)閾值選取算法的快速實現(xiàn)[J].自動化學報，2007，33（9）：968?971.

[4] ZHANG Deng?sheng， LU Guo?jun. Review of shape representation and description techniques [J]. Pattern Recognition， 2004， 37（1）： 1?19.

[5] 李建勛，童中翔，劉彥，等.單幅圖像陰影去除法[J].哈爾濱工程大學學報，2013（5）：628?635.

[6] 高俊釵，韓冰.基于序列圖像的陰影檢測研究[J].現(xiàn)代電子技術(shù)，2011，34（18）：43?45.endprint