基于统计形状模型的绝缘子掉串检测算法的制作方法

本发明涉及电力系统、模式识别及分类领域，尤其是特定目标的分类与检测。

背景技术

在电力系统中，绝缘子是一种特殊的绝缘控件，用于防止输电线路的带电部件形成接地通道。由于绝缘子长期处于恶劣的自然环境中，所以经常会出现“掉串”故障，此故障会使电网解裂，导致大面积停电，对电力系统的安全稳定造成极大危害（参考文献“王银立，闫斌，基于视觉的绝缘子“掉串”缺陷的检测与定位[j].计算机工程与设计，2014,5(2):583-587.”）。依赖于人工对输电线路进行巡检和维护的方式不仅效率低、成本高，而且存在着很大的安全性问题。随着智能技术的发展，利用计算机视觉和图像处理技术对绝缘子状态的进行检测，自动识别绝缘子缺陷，在保障电力系统的安全运行方面具有非常重要的作用。

近期，研究者们提出了许多识别检测绝缘子的算法。文献（“王银立，闫斌，基于视觉的绝缘子“掉串”缺陷的检测与定位[j].计算机工程与设计，2014,5(2):583-587.”）提出一种基于视觉的绝缘子掉串缺陷识别算法,该算法结合ｌab彩色空间、“最大类间方差法”和“面积形态学”对绝缘子图像进行粗分割，根据获取的绝缘子图像，建立数学模型，通过数学推导计算绝缘子的中心位置坐标和区域坐标等方法判断绝缘子是否有掉串缺陷。文献（“仝卫国，基于航拍图像的输电线路识别与状态检测方法研究[d].华北电力大学,2011.”）通过提取航拍图像中绝缘子的不变矩特征、颜色特征、形状特征和小波系数等特征进行，提出了一种结合多特征量的绝缘子识别算法，对常见的故障进行诊断。文献（“郑涛，基于pcnn的航拍绝缘子图像的分割及定位研究[d].大连海事大学,2011.”）利用图像分割算法并结合脉冲耦合神经网络（pcnn），对航拍绝缘子图像进行了分割，对分割后的图像进行广义hough变换，进而识别绝缘子。文献（“仝卫国,于浩进等.基于神经网络的绝缘子故障诊断[j].计算机仿真,2013,30(9):310-313.”）通过对伞裙比、平滑度和连通比这三个特征进行提取，采用自适应速率与附加动量相结合的改进型算法来建立神经网络，识别了绝缘子的污秽、掉串和裂纹三种故障。文献（“李红，基于稀疏表示的绝缘子状态识别方法研究[d].华北电力大学,2016.”）通过hough变换检测直线确定绝缘子在图像中的位置，然后采用svm分类器将初步定位的结果进行分类实现绝缘子的定位,通过提取裂纹和掉串绝缘子的特征向量建立稀疏表示分类器的超完备字典，对绝缘子进行故障识别，但该方法对图像质量要求较高。

由于绝缘子图像数据获取易受到传感器、拍摄环境、拍摄角度等多种因素的影响，所获得的图像存在尺度旋转、缩放、光照变化等复杂情形，在这种条件下，上述方法存在着定位、提取不够准确等问题。

技术实现要素：

本发明提供了一种基于统计形状模型的绝缘子掉串检测算法，其包括：对输入图像进行预处理；提取感兴趣的目标区域，该区域内应包含绝缘子信息；利用gloh描述子来精确定位绝缘子，再利用统计形状模型在图像分割方面的优势来精确分割绝缘子；对分割出的绝缘子的位置进行分析，以达到检测绝缘子是否掉串的目的。

在进行图像处理与分析之前，需要对包含绝缘子的图像进行必要的预处理以达到减少噪声等因素的影响。首先对图像进行中值滤波，中值滤波可以克服边缘模糊和噪声等问题，可以较好地保留绝缘子的边缘信息；利用直方图均衡化来增强图像的对比度，以方便绝缘子的定位。然后利用阈值分割法获得二值图像以实现前景和背景的分离。

采用hessian-affine区域检测算法对图像进行检测来获取特征区域，在检测局部特征点后，利用gloh算子对特征点进行描述。gloh算子所提取的图像特征，对尺度旋转、缩放、光照变化能够保持不变性，具有较强的抗噪能力。

利用k-means算法训练视觉字典：首先随机初始化k个中心点；其次计算每个样本点分别到k个中心点的距离，并把每个样本标归为离它最近的那一类；根据当前样本的类别，重新计算、更新中心点；若中心点没更新则结束，否则继续每个样本点分别到k个中心点的距离，进行迭代。

生成的绝缘子的视觉字典可以表示为：

（1）

其中表示第k个视觉单词的直方图向量，它是第k类中所有特征向量的平均值。为匹配阈值，通过训练样本来获得。

通过匹配，排除大多数非绝缘子的特征，留下所有绝缘子的特征。经过特征匹配后，目标的位置是显而易见的，根据获得的局部特征点定义投票矩阵：

（2）

其中表示支持区域的尺度。使用阈值对投票矩阵进行处理，便可以获得绝缘子的区域。

在区域检测之后，用通过点分布模型（pointdistributionmodel,pdm）来描述该形状。但不同图像中的形状样本往往存在着尺寸、位置和方向上的差异，需要通过广义普氏分析进行形状对齐,其过程是最小化每个形状和平均形状之间的差距作为目标对齐形状。

然后对对齐后的形状进行主成分分析得到一个统计模型来描述形状。最后，使用模型指导分割的过程中，通过调整模型特征参数，迭代模型使之不断与目标匹配而达到分割目标的目的。

在获取单个绝缘子的完整图像之后，统计绝缘个的个数，假设有个绝缘子，记为，并计算相邻绝缘子之间的距离表示第个绝缘子到第个绝缘子中心之间的距离。将进行分类统计，假设分为类，考虑到计算的误差，按照下述方法进行分类，即取较小的数，若，则认为与为同一类，将

（3）

作为绝缘子之间的真实距离，其中，表示集合d中元素的个数。令，其中表示与最接近的整数，若，则认为绝缘子与之间存在掉串。并且掉串绝缘子个数为。从该方法描述可以看出，若掉串现象很严重，则的计算不准确，该判断方法可能不适用，此时需要依据经验人为设定。但这种情况并不多见，即使存在也很容易判断存在掉串现象。

附图说明

图1是绝缘子定位方法；

图2是基于统计形状模型的绝缘子掉串检测算法流程图。

具体实施方式

根据图1、图2所示的方法和流程图，在进行图像处理与分析之前，需要对包含绝缘子的图像进行必要的预处理以达到减少噪声等因素的影响。首先对图像进行中值滤波，中值滤波可以克服边缘模糊和噪声等问题，可以较好地保留绝缘子的边缘信息；利用直方图均衡化来增强图像的对比度，以方便绝缘子的定位。然后利用阈值分割法获得二值图像以实现前景和背景的分离。

采用hessian-affine区域检测算法对图像进行检测来获取特征区域，在检测局部特征点后，利用gloh算子对特征点进行描述。gloh算子所提取的图像特征，对尺度旋转、缩放、光照变化能够保持不变性，具有较强的抗噪能力。

利用k-means算法训练视觉字典：首先随机初始化k个中心点；其次计算每个样本点分别到k个中心点的距离，并把每个样本标归为离它最近的那一类；根据当前样本的类别，重新计算、更新中心点；若中心点没更新则结束，否则继续每个样本点分别到k个中心点的距离，进行迭代。

生成的绝缘子的视觉字典可以表示为：

（1）

其中表示第k个视觉单词的直方图向量，它是第k类中所有特征向量的平均值。为匹配阈值，通过训练样本来获得。

通过匹配，排除大多数非绝缘子的特征，留下所有绝缘子的特征。经过特征匹配后，目标的位置是显而易见的，根据获得的局部特征点定义投票矩阵：

（2）

其中表示支持区域的尺度。使用阈值对投票矩阵进行处理，便可以获得绝缘子的区域。

在区域检测之后，用通过点分布模型（pointdistributionmodel,pdm）来描述该形状。但不同图像中的形状样本往往存在着尺寸、位置和方向上的差异，需要通过广义普氏分析进行形状对齐,其过程是最小化每个形状和平均形状之间的差距作为目标对齐形状。

然后对对齐后的形状进行主成分分析得到一个统计模型来描述形状。最后，使用模型指导分割的过程中，通过调整模型特征参数，迭代模型使之不断与目标匹配而达到分割目标的目的。

在获取单个绝缘子的完整图像之后，统计绝缘个的个数，假设有个绝缘子，记为，并计算相邻绝缘子之间的距离，表示第个绝缘子到第个绝缘子中心之间的距离。将进行分类统计，假设分为类，考虑到计算的误差，按照下述方法进行分类，即取较小的数，若，则认为与为同一类，将

（3）

作为绝缘子之间的真实距离，其中，表示集合d中元素的个数。令，其中表示与最接近的整数，若，则认为绝缘子与之间存在掉串。并且掉串绝缘子个数为。从该方法描述可以看出，若掉串现象很严重，则的计算不准确，该判断方法可能不适用，此时需要依据经验人为设定。但这种情况并不多见，即使存在也很容易判断存在掉串现象。