張 東，邱 翔，曹成功，朱勁波

(1.國(guó)網(wǎng)安徽省電力有限公司銅陵供電公司，安徽 銅陵 244000；2.安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230601)

0 引 言

在電網(wǎng)系統(tǒng)中，輸電線路中的防震錘是為了減少導(dǎo)線因風(fēng)力引起的振動(dòng)，所以對(duì)防震錘進(jìn)行檢測(cè)非常重要。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，模式識(shí)別在各個(gè)行業(yè)得到廣泛應(yīng)用。圖像處理、模式識(shí)別等技術(shù)的應(yīng)用可以代替人工對(duì)輸電線路中防震錘的檢測(cè)。因此，基于圖像處理的檢測(cè)方法逐漸被用于智能巡檢中，解決復(fù)雜背景中魯棒的檢測(cè)防震錘的問(wèn)題[1-2]。例如，黃宵寧等[3]采用了基于遺傳算法最大熵值法對(duì)絕緣子圖像進(jìn)行分隔，然后采用雙結(jié)構(gòu)級(jí)聯(lián)濾波器濾除噪聲，應(yīng)用連通區(qū)域方法檢測(cè)絕緣子串。Yu P等[4]提出一種基于SIFT特征匹配和OTSU的變電站視頻檢測(cè)塔傾角檢測(cè)方法。該方法簡(jiǎn)單易行，可以及時(shí)檢測(cè)電力塔的傾斜度。

林強(qiáng)等[5]利用Haar特征結(jié)合AdaBoost分類器檢測(cè)防震錘，并針對(duì)漏檢防震錘情況，給出基于多視角匹配的方法對(duì)防震錘漏檢情況進(jìn)行補(bǔ)充，從而達(dá)到優(yōu)化檢測(cè)結(jié)果的目的。陳曉娟等[6]提出了一種基于隨機(jī)Hough變換的OPGW防震錘識(shí)別，通過(guò)對(duì)采集圖像進(jìn)行預(yù)處理,利用隨機(jī)Hough變換檢測(cè)防震錘的圓形部分, 對(duì)處理后的圖像施加一定的形狀約束條件,從而實(shí)現(xiàn)對(duì)防震錘的檢測(cè)。

陳文師[7]提出了一種基于計(jì)算機(jī)圖片處理技術(shù)的障礙物檢測(cè)識(shí)別方法。首先對(duì)采集圖像進(jìn)行預(yù)處理，得到圖像的邊緣圖，由于圖像的邊緣點(diǎn)包含了原圖像大部分的信息，所以利用圖像的邊緣信息采用直線、圓、橢圓的檢測(cè)方法，提取圖像中直線、圓和橢圓等幾何基元。根據(jù)線路的信息，幾何基元之間或幾何基元和相線之間有一定的結(jié)構(gòu)關(guān)系，通過(guò)檢驗(yàn)這些結(jié)構(gòu)關(guān)系的存在就能實(shí)現(xiàn)輸電線路上防震錘等的識(shí)別。宋偉等[8]結(jié)合直方圖均衡化、形態(tài)學(xué)處理和RGB彩色模型的使用，利用防震錘正常和銹蝕情況下R通道的值存在明顯不同的特性，通過(guò)防震錘正常與銹蝕情況的對(duì)比進(jìn)行判斷，從而實(shí)現(xiàn)銹蝕缺陷的檢測(cè)。

由于所采集到的輸電線路圖像視野遼闊、背景復(fù)雜，視角、目標(biāo)分辨率也不盡相同，這些都給防震錘的檢測(cè)帶來(lái)了極大的挑戰(zhàn)。而以往對(duì)防震錘的檢測(cè)都是基于單特征的提取，為了提高復(fù)雜背景下圖像中的防震錘檢測(cè)精度，文中引入了多尺度聚合通道特征和多方向?qū)ε紭鋸?fù)小波變換的方法。利用滑窗法固定大小和步長(zhǎng)的窗口在圖像中移動(dòng)，提取圖像的多尺度聚合通道特征，對(duì)圖像進(jìn)行圖像分解，提取輸電線路防震錘圖像的空域特征和復(fù)頻域特征，并使用Relief-F算法進(jìn)行特征加權(quán)融合，采用Adaboost分類器得到候選窗的窗口，最后使用非極大值抑制算法(NMS)實(shí)現(xiàn)對(duì)圖像中防震錘的檢測(cè)。

1 特征提取

1.1 聚合通道特征

聚合通道特征[9]是積分通道特征的變體，最早用于行人檢測(cè)算法中，使用聚合通道中的像素作為特征。為了得到更多的防震錘特征，提取圖像的10個(gè)特征通道,包括LUV顏色通道(3個(gè))、1個(gè)梯度的幅值通道以及6個(gè)方向的梯度方向直方圖通道。對(duì)10個(gè)特征通道先使用[1 2 1]/4的模板進(jìn)行濾波預(yù)處理，這樣有助于去除初始圖像中目標(biāo)之外的不必要的細(xì)小噪聲；再將通道按4×4分為互不重疊的小塊；利用下采樣雙線性插值的方法求取每個(gè)小塊中像素之和的平均像素；最后再利用[1 2 1]/4的模板對(duì)采取到的特征進(jìn)行平滑處理并排列得到ACF特征[10]。

文中以滑窗法為框架，建立特征通道金字塔[11]，利用滑動(dòng)窗口逐層掃描特征通道，提取圖像的多尺度ACF特征，解決不同大小的防震錘圖像檢測(cè)問(wèn)題，提高檢測(cè)的精度。多尺度ACF特征提取過(guò)程如圖1所示。

圖1 ACF特征提取

1.2 復(fù)頻域的紋理和形狀特征

空間域上的圖像信息比較復(fù)雜，直接進(jìn)行特征提取會(huì)引入較多的冗余信息從而降低特征提取的效率。如果將原圖像分解成不同分量的信號(hào)，在這些分量中提取信號(hào)的特征，可以避免冗余的信息[12]。對(duì)偶樹復(fù)小波變換(DTCWT)[13]具有平移不變、更好的方向選擇性以及有限冗余等優(yōu)點(diǎn)，為了進(jìn)一步增加DTCWT的方向選擇性，將DTCWT中的濾波器組與沙漏型濾波器組結(jié)合得到多方向?qū)ε紭鋸?fù)小波變換(M-DTCWT)。相較于DTCWT，M-DTCWT能更加有效地表示二維圖像中具有多方向性的形狀和紋理等幾何特性。

圖2給出了M-DTCWT對(duì)原始圖像的分解過(guò)程的示意圖。

(1)

其中，n1，n2為圖像上對(duì)應(yīng)的點(diǎn)，j，k為伸縮和平移指數(shù)，i是方向上子帶個(gè)數(shù)，re，im分別是經(jīng)過(guò)分解后的實(shí)部和虛部。

設(shè)M-DTCWT分解二維圖像為f(n1,n2)，通過(guò)一系列的復(fù)數(shù)尺度函數(shù)和復(fù)小波函數(shù)表示為：

(2)

圖2 M-DTCWT對(duì)圖像的分解示意圖

圖像的大部分信息集中在低頻，高頻信息仍然保留了大量冗余信息。形狀或紋理信息的細(xì)節(jié)特征都是具有漸進(jìn)變化特點(diǎn)的，而在經(jīng)典的小波變換方法中，每一個(gè)層次分解的空間只能提供水平、垂直以及傾斜等三個(gè)角度的方向信息，常常難以適應(yīng)方向的連續(xù)變化。而M-DTCWT提供了8個(gè)可供選擇的方向，包括2個(gè)低頻子帶和6個(gè)高頻子帶。為保證低頻的信息不丟失，取兩個(gè)低頻子帶的平均值作為低頻信息，并在低頻圖像中提取形狀和紋理特征。其中形狀特征用7個(gè)Hu不變矩量表示[15]，紋理特征由灰度共生矩陣(GLCM)4個(gè)方向上的相關(guān)性、能量、同質(zhì)性、對(duì)比度四種特征統(tǒng)計(jì)量的均值得到[16]。

1.3 基于Relief-F的多特征融合

Relief-F算法是一種建立在分類標(biāo)簽基礎(chǔ)上的重要的屬性加權(quán)方法[17]。Relief-F算法根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重，當(dāng)一個(gè)特征的權(quán)重小于某一個(gè)閾值時(shí)就可以將這個(gè)特征移除。Relief-F算法的原理是在訓(xùn)練集B中選擇和T同類的樣本中尋找最近鄰樣本I，在和T不同類的樣本中尋找最近鄰樣本N。所以Relief-F算法每次從訓(xùn)練樣本集中隨機(jī)取出一個(gè)樣本T，然后從和T同類的樣本集中找出T的k個(gè)近鄰樣本，從每個(gè)T的不同類的樣本集中均找出k個(gè)近鄰樣本，然后更新每個(gè)特征的權(quán)重。特征權(quán)重的計(jì)算如下：

(3)

其中，diff(A,R1,R2)表示樣本R1和R2在特征A上的差，Mj(C)表示C類中第j個(gè)最近鄰樣本。

diff(A,R1,R2)可用下式表示：

(4)

2 防震錘檢測(cè)

2.1 分類器訓(xùn)練

文中對(duì)于防震錘目標(biāo)檢測(cè)的分類方法是將事先準(zhǔn)備的數(shù)據(jù)集和標(biāo)注文件作為輸入，標(biāo)注框中的目標(biāo)部分作為前景，其余部分為背景，將前背景特征和對(duì)應(yīng)標(biāo)簽投入到Adaboost弱分類器中進(jìn)行訓(xùn)練。Adaboost是一種迭代算法[18]，該分類器就是一種基算法分類器，利用根據(jù)分類器的錯(cuò)誤率而分配不同權(quán)值參數(shù)的同一種基分類器(弱分類器)每次迭代訓(xùn)練更改權(quán)重，使分類錯(cuò)誤的權(quán)值越來(lái)越大，那么在下一輪預(yù)測(cè)時(shí)會(huì)受到關(guān)注，選擇錯(cuò)誤率更小的分類器進(jìn)行分類，再反饋分類結(jié)果。這樣在多次迭代之后的錯(cuò)誤率逐漸減小趨于一個(gè)理想值，最后將這些弱分類器累加加權(quán)形成一個(gè)強(qiáng)分類器作為總的預(yù)測(cè)輸出。這里選用2 048棵決策樹作為弱分類器，利用弱分類器對(duì)訓(xùn)練樣本進(jìn)行檢測(cè)，基于分類器的錯(cuò)誤率更改分類器的權(quán)重參數(shù)，將分類錯(cuò)誤的部分加入到原始訓(xùn)練集中再次訓(xùn)練分類器，經(jīng)過(guò)多次迭代，最后將這些弱分類器累加加權(quán)形成一個(gè)強(qiáng)分類器作為總的預(yù)測(cè)輸出。

2.2 檢測(cè)算法流程

防震錘檢測(cè)算法的步驟如下：

(1)用設(shè)置好寬、高和滑動(dòng)步長(zhǎng)的滑動(dòng)窗口，對(duì)輸入圖像按照滑動(dòng)窗口提取ACF特征；

(2)對(duì)原圖像進(jìn)行M-DTCWT分解，提取復(fù)頻域形狀特征和紋理特征；

(3)將提取到的ACF特征和復(fù)頻域特征進(jìn)行特征融合并利用Relief-F算法加權(quán)；

(4)將前、背景特征和對(duì)應(yīng)標(biāo)簽投入到Adaboost弱分類器中進(jìn)行訓(xùn)練；

(5)被認(rèn)為含有防震錘特征的窗口標(biāo)記為候選窗，并記錄候選窗的窗口坐標(biāo)及得分；

(6)使用非極大值抑制(NMS)算法得到最終的目標(biāo)區(qū)域。

詳細(xì)的防震錘檢測(cè)算法流程如圖3所示。

圖3 檢測(cè)算法流程

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于無(wú)人機(jī)白天在不同場(chǎng)景中拍攝的輸電線路圖像，對(duì)其中500幅標(biāo)記出防震錘部分并作為訓(xùn)練集，實(shí)驗(yàn)環(huán)境為：Window10系統(tǒng)，Intel(R) Core(TM) i5-6200U，4 GB內(nèi)存。利用文中算法對(duì)防震錘圖像的初始檢測(cè)結(jié)果如圖4左圖所示，經(jīng)NMS算法得到的最終檢測(cè)結(jié)果如右圖所示。從圖中可以看出：在初始檢測(cè)階段，含有防震錘特征的窗口都被標(biāo)記為候選窗，NMS的過(guò)程是一個(gè)迭代-遍歷-消除的過(guò)程，在這些候選窗中找到分?jǐn)?shù)最大的一個(gè)窗作為標(biāo)準(zhǔn)，將其余的窗與其比較，若交集大于所設(shè)定的閾值，認(rèn)為這兩個(gè)窗相似性很大，則刪除這個(gè)框。直到把分?jǐn)?shù)小的窗都刪除，剩下的窗即為目標(biāo)的框。

測(cè)試集為不同場(chǎng)景下的300幅輸電線路圖像，圖5為文中算法對(duì)輸電線路圖像的防震錘檢測(cè)結(jié)果。

圖4 目標(biāo)檢測(cè)過(guò)程

圖5 防震錘檢測(cè)結(jié)果

為了驗(yàn)證文中算法的有效性，對(duì)測(cè)試圖像分別提取ACF特征、Haar特征以及文中算法特征，并利用Adaboost分類器進(jìn)行分類。防震錘檢測(cè)的正確率表示為預(yù)測(cè)正確的樣本數(shù)除以所有的樣本數(shù)，即實(shí)際正樣本被預(yù)測(cè)正確的概率。防震錘檢測(cè)的正確率如表1所示。

文中算法使用滑窗的方法提取圖像的ACF特征，在復(fù)頻域中提取圖像低頻信息來(lái)反映圖像的主要信息，以此避免其他不必要的圖像信息的干擾；同時(shí)考慮到不同特征在分類中所占的權(quán)重可能對(duì)分類結(jié)果有所影響，使用Relief-F消除或減小一些特征對(duì)分類結(jié)果的影響。在Adaboost分類器下提取ACF特征的正確率為89.6%；提取Haar特征識(shí)別正確率為88.3%；而文中算法識(shí)別的正確率可達(dá)到96.1%。通過(guò)比較可以看出，進(jìn)行多特征融合和對(duì)特征的提取方法的選擇可以明顯提高圖像檢測(cè)的精度。因此，驗(yàn)證了文中算法對(duì)防震錘圖像檢測(cè)的有效性。

表1 不同特征檢測(cè)正確率比較 %

4 結(jié)束語(yǔ)

利用數(shù)字圖像處理技術(shù)，實(shí)現(xiàn)了在輸電線路中對(duì)復(fù)雜背景下的防震錘圖像檢測(cè)。首先利用滑窗法，引入多尺度聚合通道特征，結(jié)合M-DTCWT對(duì)圖像進(jìn)行高低頻的分解；然后提取輸電線路圖像的空間域特征和復(fù)頻域特征，通過(guò)Relief-F算法對(duì)提取的特征進(jìn)行加權(quán)融合，采用Adaboost分類器獲取含有防震錘的窗口；最后根據(jù)NMS算法得到最佳的防震錘窗口。