一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法技术

一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法，本发明专利技术涉及图像中输电线路杆塔进行检测的方法。本发明专利技术是要解决在大画幅以及复杂背景的图像中快速定位检测杆塔的问题而提出的一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法。该方法是通过一、图像预处理；采用伽马变换对原始图像校正，得到校正后的图像；步骤二、根据10通道的特征矢量计算得到W×H的图像区域的N维聚合通道特征；步骤三、将图像的N维聚合通道特征作为集成决策树分类器的输入；进行Adaboost分类器训练得到最终的分类器；步骤四、检测定位校正后的图像中杆塔目标区域等步骤实现的。本发明专利技术应用于图像中输电线路杆塔进行检测领域。

【技术实现步骤摘要】

本专利技术涉及图像中输电线路杆塔进行检测的方法，特别涉及一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法；
技术介绍
随着网络通信技术和智能信息处理技术的不断发展，过去只能靠工人步行沿输电线路使用望远镜进行输电线路故障检查的工作，现在可通过计算机视觉和图像智能处理技术逐步取代完成。先用有人直升机、无人机，或其他途径获取输电线路图像，然后利用图像处理、检测、识别技术实现对输电线路的故障进行检测，这一趋势在国内外都已越来越得到重视和推广，可以有效节省人力成本、降低人力要求，具有较高的经济性能。在海量图像数据处理中，快速筛选出包含杆塔设备的图像，以及在图像中快速定位出杆塔区域，都是极负挑战性的工作，因为拍摄的输电线路图像中背景往往比较复杂，如何克服背景环境的干扰，减少拍摄角度的影响，稳健地检测输电线路设备并定位出感兴趣区域，尤其在海量图像数据中快速过滤掉无效图像，筛选出包含需检测输电线路设备的图像，目前在国内外文献都尚未见报道。
技术实现思路
本专利技术的目的是为了解决了在大画幅以及复杂背景的图像中快速定位检测杆塔的问题而提出的一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法。上述的专利技术目的是通过以下技术方案实现的：步骤一、图像预处理；采用伽马变换对原始图像校正，得到校正后的图像；步骤二、提取校正后图像中的每个单元的6个通道的梯度方向直方图、1个通道的梯度幅值特征以及LUV三通道特征聚合为10通道的特征矢量；根据10通道的特征矢量计算得到W×H的图像区域的N维聚合通道特征；其中，W为校正图像的宽，H为校正图像的高；步骤三、将图像的N维聚合通道特征作为集成决策树分类器的输入；进行Adaboost分类器训练得到最终的分类器；步骤四、利用步骤三得到的最终的分类器检测定位校正后的图像中杆塔目标区域；步骤四一、采用M个尺度计算M层特征金子塔；校正后图像I在尺度s的通道特征f(I,s)和校正后图像I在原始尺度的通道特征f(I,0)有如下近似关系：f(I,s)＝f(I,0)e-λs其中，f(·)为特征，e自然指数；λ尺度换算系数；根据上述关系，跳跃计算M个尺度中几个尺度的通道特征，其余尺度的特征通过邻近尺度根据上述比例关系插值得到，从而得到M层特征金子塔；步骤四二、对步骤四一得到的M层特征金字塔进行滑动窗口检测得到目标区域；步骤四三、将目标区域中的每个窗口的相邻窗口进行非极大抑制得到杆塔目标；步骤四四、输出杆塔目标区域。专利技术效果本专利技术的技术思路是：先进行图像预处理，增强图像暗区对比度；接下来，提取多个特征聚合为多通道特征矢量，然后采用AdaBoost决策树进行学习训练，将学习训练结果作为模型保存到文本文件；最后用模型检测图像，可快速定位图像中杆塔区域如图4。本专利技术是针对目前国内海量输电线路图像快速筛选存在的空白和基于图像进行输电线路设备检测的自动化需求，给出一种基于聚合多通道特征的输电线路杆塔检测方法。方法具有速度快、检测率可达99％的优点，并易于推广为检测图像中其它输电线路设备。附图说明图1为具体实施方式一提出的杆塔检测总体框架图；图2为具体实施方式一提出的线性插值计算加权直方图示意一；图3为具体实施方式一提出的线性插值计算加权直方图示意二；图4为具体实施方式四提出的特征提取及训练整体流程图；图5为具体实施方式四提出的正样本图像待检测设备目标标记示意图；图6为具体实施方式一提出的检测杆塔目标示意图。具体实施方式具体实施方式一：结合图1和图3本实施方式的一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法，具体是按照以下步骤制备的：步骤一、图像预处理；采用伽马变换对原始图像校正，增强图像暗区对比度后得到校正后的图像；步骤二、提取校正后图像中的每个单元的6个通道的梯度方向直方图、1个通道的梯度幅值特征以及LUV三通道特征聚合为10通道的特征矢量；根据10通道的特征矢量计算得到W×H的图像区域的N维聚合通道特征；其中，W为校正图像的宽，H为校正图像的高；步骤三、将图像的N维聚合通道特征作为集成决策树分类器的输入；进行Adaboost分类器训练得到最终的分类器；步骤四、利用步骤三得到的最终的分类器检测定位校正后的图像中杆塔目标区域；步骤四一、采用M个尺度计算M层特征金子塔；通常采用[10.91740.83930.77010.70760.64510.59380.54690.50.45760.4219]共11个尺度研究表明，校正后图像I在尺度s的通道特征f(I,s)(包括梯度幅值和梯度直方图通道)和校正后图像I在原始尺度的通道特征f(I,0)有如下近似关系：f(I,s)＝f(I,0)e-λs其中，f(·)为特征，e自然指数；λ尺度换算系数；根据上述关系，跳跃计算M个尺度中几个尺度的通道特征，其余尺度的特征通过邻近尺度根据上述比例关系插值得到(例如11个尺度中尺度1和0.7701的特征计算好以后，其邻近尺度0.9174和0.8393的特征可通过1和0.7701按比例和插值得到，不必单独计算)，从而得到M(11)层特征金子塔如图2；步骤四二、对步骤四一得到的M(11)层特征金字塔进行滑动窗口检测得到目标区域；(多尺度窗口滑动是为了解决杆塔目标在不同的图像中表现得大小不同而采用的检测策略，M个尺度的特征都参与检测，确保不漏检)步骤四三、将目标区域中的每个窗口的相邻窗口进行非极大抑制得到杆塔目标；检测窗口按4个像素滑动来检测杆塔时，会出现多个窗口都有杆塔目标的情况，但这些窗口检测到的杆塔实际上又是同一目标，因此，为了去除虚警，对于相邻位置的多个检测窗口，只取得分最大的窗口，而其他窗口被抑制；步骤四四、输出杆塔目标区域；将杆塔目标的矩形位置映射回原始比例图像中，并用红色方框在图像中标识出来。本实施方式效果：本实施方式的技术思路是：先进行图像预处理，增强图像暗区对比度；接下来，提取多个特征聚合为多通道特征矢量，然后采用AdaBoost决策树进行学习训练，将学习训练结果作为模型保存到文本文件；最后用模型检测图像，可快速定位图像中杆塔区域如图4。本实施方式是针对目前国内海量输电线路图像快速筛选存在的空白和基于图像进行输电线路设备检测的自动化需求，给出一种基于聚合多通道特征的输电线路杆塔检测方法。方法具有速度快、检测率可达99％的优点，并易于推广为检测图像中其它输电线路设备。具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二所述的提取本文档来自技高网...

【技术保护点】
一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法，其特征在于：一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法具体是按照以下步骤进行的：步骤一、图像预处理；采用伽马变换对原始图像校正，得到校正后的图像；步骤二、提取校正后图像中的每个单元的6个通道的梯度方向直方图、1个通道的梯度幅值特征以及LUV三通道特征聚合为10通道的特征矢量；根据10通道的特征矢量计算得到W×H的图像区域的N维聚合通道特征；其中，W为校正图像的宽，H为校正图像的高；步骤三、将图像的N维聚合通道特征作为集成决策树分类器的输入；进行Adaboost分类器训练得到最终的分类器；步骤四、利用步骤三得到的最终的分类器检测定位校正后的图像中杆塔目标区域；步骤四一、采用M个尺度计算M层特征金子塔；校正后图像I在尺度s的通道特征f(I,s)和校正后图像I在原始尺度的通道特征f(I,0)有如下近似关系：f(I,s)＝f(I,0)e‑λs其中，f(·)为特征，e自然指数；λ尺度换算系数；根据上述关系，跳跃计算M个尺度中几个尺度的通道特征，其余尺度的特征通过邻近尺度根据上述比例关系插值得到，从而得到M层特征金子塔；步骤四二、对步骤四一得到的M层特征金字塔进行滑动窗口检测得到目标区域；步骤四三、将目标区域中的每个窗口的相邻窗口进行非极大抑制得到杆塔目标；步骤四四、输出杆塔目标区域。...

【技术特征摘要】
1.一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法，其特征在于：
一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法具体是按照以下步骤进行
的：
步骤一、图像预处理；采用伽马变换对原始图像校正，得到校正后的图像；
步骤二、提取校正后图像中的每个单元的6个通道的梯度方向直方图、1个通道的梯
度幅值特征以及LUV三通道特征聚合为10通道的特征矢量；根据10通道的特征矢量计算
得到W×H的图像区域的N维聚合通道特征；其中，W为校正图像的宽，H为校正图像的
高；
步骤三、将图像的N维聚合通道特征作为集成决策树分类器的输入；进行Adaboost
分类器训练得到最终的分类器；
步骤四、利用步骤三得到的最终的分类器检测定位校正后的图像中杆塔目标区域；
步骤四一、采用M个尺度计算M层特征金子塔；校正后图像I在尺度s的通道特征
f(I,s)和校正后图像I在原始尺度的通道特征f(I,0)有如下近似关系：
f(I,s)＝f(I,0)e-λs其中，f(·)为特征，e自然指数；λ尺度换算系数；
根据上述关系，跳跃计算M个尺度中几个尺度的通道特征，其余尺度的特征通过邻
近尺度根据上述比例关系插值得到，从而得到M层特征金子塔；
步骤四二、对步骤四一得到的M层特征金字塔进行滑动窗口检测得到目标区域；
步骤四三、将目标区域中的每个窗口的相邻窗口进行非极大抑制得到杆塔目标；
步骤四四、输出杆塔目标区域。
2.根据权利要求1所述一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方
法，其特征在于：步骤二所述的提取LUV三通道特征具体为：将校正后的图像像素的RGB
颜色值转换为LUV值，其中，L表示亮度，U和V表示色度。
3.根据权利要求2所述一种基于聚合多通道特征对图像中输电线路杆塔进行检测的
方法，其特征在于：步骤二中得到W×H的图像区域的N维聚合通道特征具体过程为：
步骤二一、计算校正后图像中的每个像素点(x,y)的梯度幅值G(x,y)和梯度方向
θ(x,y)；
计算主要分为水平梯度和垂直梯，以I(x,y)表示校正后的图像梯度幅值通道中某一通

\t道中像素点(x,y)处的颜色值，(x,y)的梯度幅值G(x,y)处的水平方向梯度记为Gx(x,y)，
垂直方向梯度记Gy(x,y)，梯度计算公式如下：
Gx(x,y)＝I(x+1,y)-I(x-1,y)
Gy(x,y)＝I(x,y+1)-I(x,y-1)
则(x,y)处的梯度幅值G(x,y)和梯度方向θ(x,y)计算公式为：
G ( x , y ) = G x ( x , y ) 2 + G y ( x , y ) 2 ]]> θ ( x , y ) = tan - 1 ( G y ( x , ...

【专利技术属性】
技术研发人员：柳升龙，韩冰，王孝余，耿振伟，张彤，尚方，
申请(专利权)人：黑龙江省电力科学研究院，国家电网公司，
类型：发明
国别省市：黑龙江;23