基于HSV特征变换的指示灯状态识别方法与流程

基于hsv特征变换的指示灯状态识别方法
技术领域
1.本发明涉及变电站内设备的工作状态监控技术领域，特别涉及一种基于hsv特征变换的指示灯状态识别方法。


背景技术：

2.指示灯作为电力系统运行中的重要的指示装置，主要显示了变电站断路器的分合闸位置，绿色指示灯点亮说明断路器在分闸位置，红色指示灯点亮说明断路器在合闸位置，其巡检成为电力运维的一项重要工作。由于巡检过程中指示灯数量较多，工作特点繁琐，以机器视觉代替人工巡检引起了越来越多的关注。机器视觉代替人工巡检时，指示灯的工作状态识别准确率尤为关键，一旦识别错误，会错误判断变电站断路器的工作状态，可能会引起严重的后果。
3.对断路器指示灯工作状态的识别，就是对指示灯颜色识别。现有技术中，一种方式是选择rgb空间对指示灯进行提取，利用形状提取指示灯并在rgb空间中设定红、黄、绿的颜色阈值进行识别。或者将输入的指示灯图像从原始rgb颜色空间映射到11维颜色属性空间，进行颜色特征的有效提取，并通过指示灯的颜色及形状特征找出信号指示灯位置，最后，通过指示灯中心位置的像素及边缘像素对比以识别指示灯的状态。此类方法可针对多颜色目标进行提取，但由于rgb空间中r、g、b三要素的相关性，rgb值在不同的光照环境下其值差异较大，导致分割结果较差，识别准确率下降。


技术实现要素：

4.本发明的目的是提供一种基于hsv特征变换的指示灯状态识别方法，可以解决现有技术中选择rgb空间对指示灯进行提取和识别时分割结果差，识别准确率不高的问题。
5.本发明的目的是通过以下技术方案实现的：
6.基于hsv特征变换的指示灯状态识别方法，包括以下步骤：
7.获取待识别的指示灯区域的图像，对图像进行校正及区域划分，得到单个指示灯区域；
8.使用hsv空间的s分量聚类方法对单个指示灯区域内的指示灯定位；
9.基于hsv阈值结合各颜色分量比例与分布情况识别指示灯状态。
10.进一步的，所述对图像进行校正及区域划分包括：
11.采用高斯高通滤波器对图像进行光照增强处理；
12.采用透视变换技术对图像进行畸变校正，得到校正后的图像；
13.以单个指示灯为单元对校正后的图像进行分割。
14.进一步的，所述的以单个指示灯为单元对校正后的图像进行分割包括：
15.对完整的指示灯区域图像进行s分量聚类分割法提取指示灯并转化为二值图像；
16.对二值图像进行水平和垂直投影，分别统计投影峰值的个数；
17.分别用水平和垂直的像素累积和来描述其投影坐标值；
18.获取投影坐标值的峰值点个数，以其为分割基准，将完整的指示灯区域分割为若干个单个指示灯区域。
19.进一步的，当所述单个指示灯区域包括开关，并且开关和指示灯分别位于单个指示灯区域的上半部分和下半部分时，将单个指示灯区域从中间分成两部分，保留指示灯所在的部分，去除开关所在的部分。
20.进一步的，去除开关所在的部分后，还包括去除标识牌的步骤：判断单个指示灯区域中连通域的圆度，当连通域的圆度大于0.8，则保留连通域，否则将连通域删除。
21.进一步的，所述基于hsv阈值结合各颜色分量比例与分布情况识别指示灯状态包括：
22.分别对每个单个指示灯区域的指示灯颜色跟踪；
23.分别对每个单个指示灯区域的指示灯状态识别。
24.进一步的，所述分别对每个单个指示灯区域的指示灯颜色跟踪包括：对正常亮、熄灭和异常亮三种状态下的指示灯进行hsv色彩变换，将hsv空间划分成步长为1的颜色区间，计算h、s、v各分量落在区间内的像素数量。
25.进一步的，根据所述h、s、v各分量落在区间内的像素数量识别指示灯状态。
26.进一步的，所述识别指示灯状态的计算公式为：
[0027][0028]
其中，s
o
表示橙色像素数量，s
y
表示黄色像素数量，s
r
表示红色像素数量，open表示指示灯状态为开，close表示指示灯状态为熄灭。
[0029]
进一步的，所述指示灯状态为开包括正常亮状态状态和异常亮状态，当s
y
＞0时，表示异常亮状态，s
y
＝0时，表示正常亮状态。
[0030]
本发明的基于hsv特征变换的指示灯状态识别方法，利用同态滤波对采集的图像进行增强和畸变校正，然后利用rgb阈值分割法对指示灯进行一次定位，并对一次定位结果进行行列投影，提取投影曲线的峰值将多行列的指示灯阵列识别转化为单元状态识别，最后结合各颜色分量比例与分布情况进行指示灯状态的智能判断。通过hsv空间的s分量聚类完成指示灯的二次定位，具有较好的定位效果，并且鲁棒性强。具有良好的稳定性。为变电站继保室中电气控制柜保护指示灯状态识别工程实现提供了新的途径。
附图说明
[0031]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
[0032]
图1为本发明的基于hsv特征变换的指示灯状态识别方法步骤图；
[0033]
图2为畸变校正前的待识别的指示灯区域图像；
[0034]
图3为畸变校正后的待识别的指示灯区域图像；
[0035]
图4为指示灯区域图像转化为二值图像的示意图；
[0036]
图5为对二值图像进行水平投影的示意图；
[0037]
图6为对二值图像进行垂直投影的示意图；
[0038]
图7为分割后的单个指示灯区域示意图；
[0039]
图8为三种状态下h、s、v各分量落在区间内的像素数量示意图。
具体实施方式
[0040]
下面结合附图对本公开实施例进行详细描述。
[0041]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0042]
本发明的基于hsv特征变换的指示灯状态识别方法，包括以下步骤：
[0043]
步骤s1、获取待识别的指示灯区域的图像，对图像进行校正及区域划分，得到单个指示灯区域。
[0044]
由于指示灯在采集过程中受到安装环境，光照等因素的影响，导致获取的图片产生一定程度的光照不均匀及形状上畸变的现象，再加上变电站指示灯排布较为密集，容易导致阴影产生，以上种种情况皆会导致指示灯在定位和识别过程中遇到障碍，最终影响识别的准确性。因此，为了提高后期图像识别的准确率，需要对光照不均匀的图像进行增强和校正处理。为此，本申请选择高斯高通滤波器对图像进行光照增强处理。
[0045]
进一步的，在本申请的一种优选实施方式中，对图像进行校正及区域划分包括：
[0046]
步骤s101、采用高斯高通滤波器对图像进行光照增强处理。
[0047]
本申请对光照增强处理的具体过程不做限制。当图像进行光照增强处理后，图像的光照均匀度增强，阴影基本得到去除，颜色特征更为明显。
[0048]
步骤s102、采用透视变换技术对图像进行畸变校正，得到校正后的图像。
[0049]
除光照影响外，图像往往存在一定程度上的畸变，不但加大了指示灯定位的难度，也对识别的准确性造成了影响。因此，需要对光照增强处理后的图像进行畸变校正。以图像的四个角点作为校正基准点，通过透视变换技术对畸变图像进行变换处理,得到校正后的图像。图像经过畸变校正后，对校正后的图像进行多余部分的剪除，得到完整的指示灯区域，如图3所示。图2为畸变校正前的图像。
[0050]
步骤s103、以单个指示灯为单元对校正后的图像进行分割。
[0051]
对完整的指示灯区域进行观察分析，由于指示灯排列较为密集，如果对其进行整体识别会有很大难度，而且会在很大程度上加大算法的难度，同时算法的识别率也将大大下降。但由于变电站继保室中设备的指示灯排列有一定的规律，根据其排列规律，可以对指示灯区域进行分割，分割为一个一个单独的指示灯。
[0052]
进一步的，以单个指示灯为单元对校正后的图像进行分割包括：
[0053]
步骤s1031、对完整的指示灯区域图像进行s分量聚类分割法粗略提取指示灯并转化为二值图像，如图4所示。
[0054]
步骤s1032、对二值图像进行水平和垂直投影，分别统计投影峰值的个数，即为指示灯的行和列，以此为依据对完整的指示灯区域进行分割。投影曲线分别如图5(行投影)和图6(列投影)所示。
[0055]
步骤s1033、对于大小为m
×
n的图像，分别用水平与垂直的像素累积和来描述其投影坐标值，表示为投影公式：
[0056][0057]
其中p
h
表示横向投影函数；p
v
表示纵向投影函数；f(x,y)表示图像中各点的灰度值。
[0058]
步骤s1034、获取投影坐标值的峰值点个数，以其为分割基准，将完整的指示灯区域分割为若干个单个指示灯区域。
[0059]
单个指示灯区域如图7所示，其中包括指示灯和开关，指示灯和开关分别位于单个指示灯区域的上半部分和下半部分。再将单个指示灯区域从中间分成两部分，上部分为指示灯部分。
[0060]
步骤s2、使用hsv空间的s分量聚类方法对单个指示灯区域内的指示灯定位。
[0061]
单个指示灯区域被分割出来之后，对每个指示灯的具体位置进行定位。一般情况下，指示灯有3种工作状态：正常亮、熄灭和异常亮。使用s聚类方法能很好地描述所有指示灯的位置所在，效果更好，适用性更强。因此，本申请选择s聚类方法对单个指示灯区域内的指示灯进行定位，定位结果并不会因为灯的亮灭状态而产生太大的差。然而使用s分量聚类之后，部分指示灯存在着标识牌的影响，因此，利用圆度法去除标识牌，由于指示灯的形状为圆形，标识牌为方形，判断单个指示灯区域中连通域的圆度，当连通域的圆度大于0.8，则保留连通域，否则将连通域删除。除标识牌之外还存在小部分的小面积区域干扰，因此进一步进行面积筛选，将小面积无关区域通过面积法进行删除。
[0062]
步骤s3、基于hsv阈值结合各颜色分量比例与分布情况识别指示灯状态。
[0063]
进一步的，在本申请的一种优选实施方式中，基于hsv阈值结合各颜色分量比例与分布情况识别指示灯状态包括：
[0064]
步骤s301、分别对每个单个指示灯区域的指示灯颜色跟踪。
[0065]
经过步骤s2的指示灯定位后，将指示灯位置部分裁剪出来，对正常亮、熄灭和异常亮三种状态下的指示灯进行hsv色彩变换，将hsv空间划分成步长为1的颜色区间，计算h、s、v各分量落在区间内的像素数量，结果如图8所示。
[0066]
图8中横坐标为h、s、v的值，纵坐标为归一化后满足横坐标h、s、v数值的图像中像素数量，从图8中可以看到，不同状态的指示灯图像h、s、v属性值不同，三种状态下指示灯图像h、s、v阈值如表1所示。
[0067][0068]
表1.三种状态下指示灯的h、s、v阈值
[0069]
步骤s302、分别对每个单个指示灯区域的指示灯状态识别。
[0070]
根据表1三种状态下指示灯的h、s、v阈值与表2的hsv颜色分布范围对比分析可知，当指示灯处于熄灭状态时，颜色呈现红色；当指示灯处于正常亮状态时，颜色表现出红色加橙色叠加；当指示灯为异常亮状态时，颜色表现为红、橙、黄、绿四种颜色相叠加。因此根据表1设定指示灯三种状态的阈值便可对指示灯状态进行识别，如公式(3)。
[0071][0072]
式中，s
o
表示橙色像素数量，s
y
表示黄色像素数量，s
r
表示红色像素数量，当橙色与黄色像素数量总和大于0.35时，表示指示灯状态为开，否则为闭状态。
[0073]
当指示灯状态为开，并且s
y
＞0时，表示异常亮状态，s
y
＝0时，表示正常亮状态。
[0074][0075]
表2.hsv模型颜色范围分布
[0076]
为了验证本申请的有益效果，下面用具体的实验数据进行说明。
[0077]
以某变电站继保室中二次控制柜指示灯为例，在不同光照和拍摄条件下，选取200张小指示灯图像(包括不同光照条件下采集的同一个指示灯面板及不同指示灯面板)，在同一数据集下运用本发明的方法与现有技术中较为流行的svm分类算法、以及利用v分量方法进行对比，对比结果如表3所示。
[0078][0079][0080]
表3.不同方法检测结果对比
[0081]
由表3可见，本发明的方法对指示灯的识别率达到了98.5％，与svm算法及v分量判断法相比，本发明的识别率更佳，挑选出每种方法的误识别指示灯进行分析，v分量判断法主要问题在与，hsv空间中v分量和亮度有一定关系但并不存在绝对的关系，因此识别存在误差。针对本文算法，主要识别错误的指示灯主要是由于旁边指示灯亮度过亮而导致原本处于闭状态的指示灯被判断为亮状态，但总的识别结果误差不大。因此，本文的算法具有较高的识别效果。
[0082]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0083]
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0084]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0085]
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。