一种高压输电线障碍物识别方法及装置与流程

本发明涉及高压线路巡检技术领域，特别是涉及一种高压输电线障碍物识别方法及装置。

背景技术：

巡检机器人在高压线路上行走时会不可避免地遇到一些安装在线路上的附件，比如防震锤、间隔棒和悬垂线夹等。对机器人来说，这些目标就是其前进道路上的障碍，必须及时识别出障碍物类型，并执行相关越障操作。所以，要构造这些障碍物的某些特征，能够将它们区分出来。

鉴于此，提供一种高压输电线障碍物识别方法及装置是非常有必要的。

技术实现要素：

本发明的目的是提供一种高压输电线障碍物识别方法及装置，以解决现有巡检机器人在高压线路上行走时不能识别出障碍物的类型而执行相关越障操作的问题。

为解决上述技术问题，本发明提供一种高压输电线障碍物识别方法，包括：

采集高压输电线路上包含障碍物的图像信息；

对所述图像信息进行预处理操作，获取预处理后图像信息；

对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息；

对包含所述边缘信息的图像进行特征提取；

通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型。

可选地，所述对所述图像信息进行预处理操作包括：

对所述图像信息进行灰度化处理、滤波处理、膨胀和/或腐蚀处理。

可选地，所述对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息包括：

对所述预处理后图像信息进行二值化处理；

采用多尺度小波变换对图像进行边缘检测。

可选地，所述对所述预处理后图像信息进行二值化处理包括：

根据图像的灰度特性把图像分为背景和模板两类，将使两类间的方差取得最大的参数作为最佳阈值；利用所述最佳阈值分割得到二值化图像。

可选地，所述对包含所述边缘信息的图像进行特征提取包括：

对图像的相对矩特征进行构造；

根据所述相对矩特征进行特征提取。

可选地，所述通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型包括：

通过支持向量机图像障碍物识别分类器，确定所述障碍物的类型。

可选地，在确定所述障碍物的类型之后还包括：

根据所述障碍物的类型执行相应的越障操作。

本发明还提供了一种高压输电线障碍物识别装置，包括：

采集模块，用于采集高压输电线路上包含障碍物的图像信息；

预处理模块，用于对所述图像信息进行预处理操作，获取预处理后图像信息；

边缘提取模块，用于对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息；

特征提取模块，用于对包含所述边缘信息的图像进行特征提取；

识别模块，用于通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型。

本发明所提供的高压输电线障碍物识别方法及装置，通过采集高压输电线路上包含障碍物的图像信息；对图像信息进行预处理操作，获取预处理后图像信息；对预处理后图像信息进行边缘检测，提取障碍物的边缘信息；对包含边缘信息的图像进行特征提取；通过预先建立的图像障碍物识别分类器，根据提取到的特征确定障碍物的类型。本发明所提供的高压输电线障碍物识别方法及装置，通过对不同的背景下采集的图片进行处理，提取相应的特征，训练分类器，以对目标图片进行检测，能够将图片中的障碍物识别出来。本申请能够应用于高压输电线路上障碍物的检测识别中，且准确率较高。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的高压输电线障碍物识别方法的一种具体实施方式的流程图；

图2为本发明所提供的识别方法在预处理前的图像示意图；

图3为本发明所提供的识别方法在预处理后的图像示意图；

图4为本发明实施例所提供的识别方法二值化之后的效果图；

图5为本发明实施例所提供的识别方法提取的边缘图像示意图；

图6为本发明实施例所提供的识别方法的结果示意图；

图7为本发明实施例提供的高压输电线障碍物识别装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的高压输电线障碍物识别方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤S101：采集高压输电线路上包含障碍物的图像信息；

步骤S102：对所述图像信息进行预处理操作，获取预处理后图像信息；

高压巡检机器人在运行的过程中，由于其工作环境的特殊性和复杂性，采集到的视频和图像信息会受到周围环境的影响，如光照、云朵、导线周围的强电磁场等因素，而且机器人自身的稳定性也会对采集的图像产生干扰。这时候，采集到的图像就会出现很多干扰特征，例如光线、噪声点等，对障碍物类别的识别就会带来很多麻烦。所以，为了提高识别的稳定性，减少环境对图像的影响，就需要对采集到的视频图像进行预处理。

步骤S103：对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息；

步骤S104：对包含所述边缘信息的图像进行特征提取；

步骤S105：通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型。

本发明所提供的高压输电线障碍物识别方法，通过采集高压输电线路上包含障碍物的图像信息；对图像信息进行预处理操作，获取预处理后图像信息；对预处理后图像信息进行边缘检测，提取障碍物的边缘信息；对包含边缘信息的图像进行特征提取；通过预先建立的图像障碍物识别分类器，根据提取到的特征确定障碍物的类型。本发明所提供的高压输电线障碍物识别方法，通过对不同的背景下采集的图片进行处理，提取相应的特征，训练分类器，以对目标图片进行检测，能够将图片中的障碍物识别出来。本申请能够应用于高压输电线路上障碍物的检测识别中，且准确率较高。

在上述实施例的基础上，本发明所提供的高压输电线障碍物识别方法中，对所述图像信息进行预处理操作的过程可以具体包括：

对所述图像信息进行灰度化处理、滤波处理、膨胀和/或腐蚀处理。

其中，本实施例中图像灰度化处理是为了更好地反应图像的形态特征，为后续的处理做准备。

本实施例中滤波处理可具体采用中值滤波。通过中值滤波处理可以有效去除了一些小的背景和噪声干扰。

中值滤波的输出为：

g(x,y)＝med{f(x-k,y-i),)(k,i∈W)}

上式中，f(x,y)为原始图像，g(x,y)为处理后图像。中值滤波是一种非线性的图像平滑方法，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，从而达到平滑噪声的目的。

膨胀和腐蚀是数学形态学的两种最基本的运算，膨胀的作用是填补图像的一些空洞，将与物体接触的所有背景点合并到该物体中，使边界点向外部扩张。腐蚀的作用是消除物体边界点，使边界向内部收缩，可以把小于结构元素的物体去除。通过图像的膨胀与腐蚀操作，能够去除图像中一些孤立的小点、毛刺，平滑物体的边界，得到物体更本质的形态。

请参照图2本发明所提供的识别方法在预处理前的图像示意图以及图3预处理后的图像示意图，虽然处理后图像变得模糊了许多，但是与此同时，也去除掉了很多的噪点和线条性小块，最主要的是目标区域的像素值差异大大减少，这有利于后期的图像二值化和边缘提取。

在实施例一的基础上，本实施例对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息的过程可以具体包括：

对所述预处理后图像信息进行二值化处理；

采用多尺度小波变换对图像进行边缘检测。

进一步地，对所述预处理后图像信息进行二值化处理包括：

根据图像的灰度特性把图像分为背景和模板两类，将使两类间的方差取得最大的参数作为最佳阈值；利用所述最佳阈值分割得到二值化图像。

在各种阈值优化分割方法中，OTSU算法提出基于类间方差最大化分割法被公认为是最佳阈值分割算法，它根据图像的灰度特性把图像分成背景和目标两类，然后计算让两类间的方差取得最大的参数作为最佳阈值，再利用最佳阈值分割得到效果良好的二值化图像。

OTSU算法公式：

设t为设定的阈值，方差的计算公式如下：

方差g＝w₀×w₁×(u₀-u₁)²

wo：为分开后前景像素点数占图像的比例；

uo：为分开后前景像素点的平均灰度；

w1：为分开后被景像素点数占图像的比例；

u1：为分开后被景像素点的平均灰度；

从L个灰度级遍历t，使得t为某个值的时候，前景和背景的方差最大，则这个t值便是最优阈值。

按照OTSU算法得到的三种障碍物进行二值化分割时的最佳阈值分别是：95，108，132。本发明实施例所提供的识别方法二值化之后的效果图如图4所示。

图像小波变换在边缘检测中的优点是，在时域与频域中具有良好的局部特性，所以用多尺度小波变换检测图像边缘，可以很好地解决噪声抑制和图像边缘细节提取精度之间的矛盾。对预处理后的图像进行二值化处理后，再用小波模极大值算法提取图像的边缘，从处理后的边缘图像可以看出，障碍物边缘图像比较连续，取得了较好的边缘效果，如图5本发明实施例所提供的识别方法提取的边缘图像示意图所示。

在上述任一实施例的基础上，本发明所提供的方法对包含所述边缘信息的图像进行特征提取可以优选为：

对图像的相对矩特征进行构造；

根据所述相对矩特征进行特征提取。

令f(x；y)表示直角坐标系的2维二值图像，则p+q阶规则矩mpq定义为m_pd＝∫∫x^py^qf(x,y)dxdy；

中心距μ_pq定义为：μ_pq＝∫∫(x-x₀)^p(y-y₀)^qf(x,y)dxdy；

其中，x₀＝m₁₀/m₀₀；y₀＝m₀₁/m₀₀。

对于MxN的由二元函数f(x,y)表示的离散数字图像来说，f(x,y)的(p+q)阶规则矩mpq和中心矩刀μ_pq分别定义为：

归一化矩得：

其中，

这样得到7个不变矩，其满足平移、缩放、和旋转不变性的条件，公式如下所示：

ρ₁＝η₂₀+η₀₂

ρ₂＝(η₂₀-η₀₂)²+4η²₁₁

ρ₃＝(η₃₀-3η₁₂)²+(η₃₀-3η₂₁)²

ρ₄＝(η₃₀+η₁₂)²+(η₀₃+η₂₁)²

ρ₅＝(3η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₀₃+η₂₁)²]

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

ρ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

ρ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₀₃+η₂₁)²]

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

对于区域和封闭、不封闭的边界均满足旋转、平移和比例的不变性，八个相对矩的公式如下：

θ₂＝ρ₆/ρ₁ρ₄

θ₄＝ρ₅/ρ₃ρ₄

θ₅＝ρ₁ρ₆/ρ₂ρ₃

θ₇＝ρ₁ρ₅/ρ₃ρ₆

对于离散的数字图像，相对矩特征的变化范围非常大，一些计算得到的值可能会被忽略，为了比较的方便，可以采用对数的方法进行数据压缩。因此，实际采用的相对矩为：

θ_i＝|log₁₀θ_i|，i＝1,2,...8。

作为一种具体实施方式，本实施例通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型可以具体为：

通过支持向量机图像障碍物识别分类器，确定所述障碍物的类型。

支持向量机(Support Vector Machine，简称SVM)，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中。它基于结构风险最小化原理，而不是传统统计学的经验风险最小化，表现出了出色的学习能力及泛化能力，也能有效的克服局部最小、维数灾难等问题。

d维空间中线性判别函数的一般形式为g(x)＝w*x+b。

分类面方程为:w*x+b＝0。

将判别函数进行归一化，使两类所有样本都满足g(x)的绝对值大于或等于1，即使离分类面最近的样本的g(x)的绝对值等于1，此时分类间隔就等于2/||w||，使间隔最大等价于使||w||2最小。而要求分类线对所有样本正确分类，就是使它满足

y_i[(ω*x+b)]-1≥0,i＝1,2,...,n

满足上述条件且使||w||2最小的分类面就是最优分类面。

在上述任一实施例的基础上，本发明在确定所述障碍物的类型之后还可以进一步包括：

根据所述障碍物的类型执行相应的越障操作。

针对不同的拍摄情况，在不同的背景情况下截取大量的图片，从中选取了有代表性的图像进行处理，用本实施例提供的方法，提取相应的特征，训练分类器，然后对目标图片进行检测，结果示意图如图6所示，可见本方法应用在高压输电线路上检测识别障碍物是切实可行的，而且准确率也较高。

下面对本发明实施例提供的高压输电线障碍物识别装置进行介绍，下文描述的高压输电线障碍物识别装置与上文描述的高压输电线障碍物识别方法可相互对应参照。

图7为本发明实施例提供的高压输电线障碍物识别装置的结构框图，参照图7高压输电线障碍物识别装置可以包括：

采集模块100，用于采集高压输电线路上包含障碍物的图像信息；

预处理模块200，用于对所述图像信息进行预处理操作，获取预处理后图像信息；

边缘提取模块300，用于对所述预处理后图像信息进行边缘检测，提取所述障碍物的边缘信息；

特征提取模块400，用于对包含所述边缘信息的图像进行特征提取；

识别模块500，用于通过预先建立的图像障碍物识别分类器，根据提取到的特征确定所述障碍物的类型。

本发明所提供的高压输电线障碍物识别装置，通过采集高压输电线路上包含障碍物的图像信息；对图像信息进行预处理操作，获取预处理后图像信息；对预处理后图像信息进行边缘检测，提取障碍物的边缘信息；对包含边缘信息的图像进行特征提取；通过预先建立的图像障碍物识别分类器，根据提取到的特征确定障碍物的类型。本发明所提供的高压输电线障碍物识别装置，通过对不同的背景下采集的图片进行处理，提取相应的特征，训练分类器，以对目标图片进行检测，能够将图片中的障碍物识别出来。本申请能够应用于高压输电线路上障碍物的检测识别中，且准确率较高。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的高压输电线障碍物识别方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。