深度语义分割结合霍夫变换的高压线检测方法与流程

本发明涉及雷达检测技术领域，具体涉及一种深度语义分割结合霍夫变换的高压线检测方法。

背景技术：

直升机低空飞行时的最大威胁是高压线，据报道许多直升机与高压线发生碰撞事故。由于直升机速度快、重量大、转弯难度大，因此直升机为避让高压线需要较长的预警时间和制动距离。相对于其它物体来说，高压线体积较小，很难通过视觉或光学设备从远距离找到它。现有技术多使用激光和红外传感器探测高压线，但这两种方式的探测距离有限，而且容易受到天气的严重干扰。

高压线等电力线回波具有布拉格散射特性，常规的恒虚警检测技术在检测高压线方面不能取得良好的效果。尤其是对于需要更远距离检测高压线的情况，现有技术的检测能力将大大降低，并且会产生过多的虚警。

技术实现要素：

本发明是为了解决上述问题而进行的，本发明根据毫米波雷达的特点和高压线的后向散射特性，提出了一种深度语义分割结合霍夫变换的高压线检测方法，包括：(1)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型；(2)对雷达检测到的初始回波数据进行预处理后获得预处理回波数据(3)通过高压线深度语义分割网络模型对预处理回波数据进行语义分割处理获得输出输出为a或b；(4)当特定俯仰层的输出中a的数目大于等于霍夫变换门限kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵hm，n；(5)将矩阵hm，n中超过高压线判定门限hk的数据定义为高压线。

优选地，对雷达检测到的初始回波数据进行预处理，包括获得中间回波数据对所述中间回波数据进行缩放，从而获得预处理回波数据

优选地，所述缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间。

优选地，以经过预处理后的样本回波数据作为输入信息，所述预处理包括获得中间样本回波数据并对所述中间样本回波数据进行缩放。

优选地，所述缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。

优选地，a为1，b为0。

优选地，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵hm，n包括：建立全零矩阵hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将hm，n中对应位置的值增加1。

优选地，将矩阵hm，n中低于高压线判定门限hk的数据定义为虚警并抛弃。

与现有技术相比，本发明的优点在于：本发明公开的基于深度语义分割结合霍夫变换的高压线检测方法，算法流程简洁，通过深度学习语义分割方法，能够通过高压线的图像进行分割，检测率高于传统的参数调节方法，并且通过霍夫变换进一步降低了虚警率，避免了语义分割导致高压线虚警过多的问题。本方法能够实现了高压线检测能力提升的同时，降低虚警率。

附图说明

图1为本发明的深度语义分割结合霍夫变换的高压线检测方法的流程图；

图2为本发明实施例的采用d-linknet模型的深度语义分割模型示意图；

图3为本发明实施例的对位置为oi,j的点进行极坐标霍夫变换的示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步的详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

在本发明实施例的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。

此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。

术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。

实施例1

如图1所示，一种深度语义分割结合霍夫变换的高压线检测方法，包括如下步骤：

步骤100：以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型。

步骤102：对雷达检测到的初始回波数据进行预处理，获得中间回波数据对中间回波数据进行缩放，缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间，从而获得预处理回波数据

步骤104：通过高压线深度语义分割网络模型对预处理回波数据进行语义分割处理获得输出输出为1或0。

步骤106：当特定俯仰层的输出中1的数目大于等于霍夫变换门限kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵hm，n，包括：建立全零矩阵hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将hm，n中对应位置的值增加1。

步骤108：将矩阵hm，n中超过高压线判定门限hk的数据定义为高压线，将矩阵hm，n中低于高压线判定门限hk的数据定义为虚警并抛弃。

在另一个实施例中，实现本发明的步骤同实施例1，将经过预处理后的样本回波数据作为输入信息，预处理包括获得中间样本回波数据并对中间样本回波数据进行缩放。缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。

实施例2

在另一实施例中，通过具体的实验对本发明的技术方案作进一步说明。

实验条件：已知某型机载雷达，雷达采用方位俯仰扫描，方位为-64°～63°扫描，间隔0.5°获得一条距离线数据，俯仰为10层(即k＝10)，距离分辨率为5m，最大探测距离为2560m。

具体实验步骤如下：

(1)对雷达检测到的初始回波数据进行预处理，获得中间回波数据对中间回波数据进行缩放，缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间，从而获得预处理回波数据

雷达对距离和方位采样得到初始回波数据将不同俯仰层的初始回波数据转换为db形式，并通过公式计算出中间回波数据根据中间回波数据的最小值和最大值对其进行缩放，将其转换为0～255之间，获得预处理回波数据

其中，i表示距离门，取值范围为1～512；j表示方位门，取值范围为1～256；k表示俯仰层数，取值范围为1～10；pi，j对应的位置距离和角度值分别为ri、θj。

(2)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型。

以步骤(1)得到的预处理回波数据作为输入信息，真实高压线的分割结果作为标签信息，采用d-linknet模型(如图2所示)构建高压线检测的语义分割模型。对预处理样本及标注样本进行训练，完成高压线检测的语义分割模型的学习，作为高压线分割网络。

(3)通过高压线深度语义分割网络模型对预处理回波数据进行语义分割处理获得输出输出为a或b。

通过训练好的高压线检测的语义分割模型对进行语义分割处理获得分割结果，将输出的结果对应位置的概率转换为0或1的分割结果，最终输出为0或1。

(4)当特定俯仰层的输出中a的数目大于等于霍夫变换门限kmin时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵hm，n，包括：建立全零矩阵hm，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将hm，n中对应位置的值增加1。

对步骤(3)得到的的1～10层的结果进行判断，设置图层丢弃门限kmin＝50，若本层的分割结果为1的点数小于门限50，则不进行霍夫变换，否则进行霍夫变换。只针对本层有1的位置进行如下霍夫变换，得到霍夫变换后的图片hi，j。

首先建立空的矩阵hm,n，对应为雷达探测的5～2560m距离5m为间隔的采样m＝512个采样，对应距离为ρm，对应角度为0°～180°的n＝128个间隔为1.4173°的等间隔采样，对应角度为0～180°。如图3所示，对层图对应的分割后位置为oi,j的点进行极坐标霍夫变换，公式如下:

将得到的在hm,n中找到距离和角度最接近的点并将hm,n中此点的值增加1。

将所有层的所有分割结果为1的点执行步骤(4)，得到最终的霍夫变换后的矩阵h′。

(5)将矩阵hm，n中超过高压线判定门限hk的数据定义为高压线，将矩阵hm，n中低于高压线判定门限hk的数据定义为虚警并抛弃。

设置检测门限为hk＝100，将hm，n中超过检测门限hk的值确定为真正高压线，低于检测门限的值作为虚警抛弃。最终得到对应的距离、角度高压线。

本发明采用卷积神经网络作为语义分割手段，结合霍夫变换进行后期处理，通过霍夫变换后的结果进行门限判断，仿真结果表明，语义分割能够较好地完成电力线检测，抗地杂波性能较好。并且霍夫变换后的门限能够对检测目标进一步确认，对原始图像的虚假目标进行抑制，达到了检测目标与降低虚警的双重效果。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。