基于胶囊网络感知特征的绝缘子跟踪方法和装置制造方法及图纸

本发明专利技术实施例涉及目标跟踪技术领域，公开了一种基于胶囊网络感知特征的绝缘子跟踪方法和装置。该方法包括：接收对输电线路拍摄的视频图像；将视频图像输入预先训练的识别模型，判断视频图像中是否存在绝缘子；构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型；在视频图像存在绝缘子图像时，将目标图像和视频图像分别输出特征提取器获得第一输出特征和第二输出特征；将第一输出特征和第二输出特征输入孪生网络，获取视频图像中绝缘子的位置信息。实施本发明专利技术实施例，可以充分发挥胶囊网络的特征描述优势，使得跟踪方法在特征提取过程中充分考虑跟踪目标的前景特征和背景特征之间的区分度。特征之间的区分度。特征之间的区分度。

【技术实现步骤摘要】
基于胶囊网络感知特征的绝缘子跟踪方法和装置


[0001]本专利技术涉及目标跟踪
，具体涉及一种基于胶囊网络感知特征的绝缘子跟踪方法和装置。

技术介绍

[0002]绝缘子是一种特殊的绝缘控件，在输电线路的安全稳定运行中起到重要作用。因绝缘子长期暴露在野外，加上恶劣的自然环境和沉重的机械负荷，使得绝缘子容易发生故障，所以对绝缘子定期的检测和修复是必不可少的。随着我国科技的持续迅速发展，越来越多的无人机运用于输电线路的电力巡检，但是，无人机巡检的目的是要对绝缘子进行拍照，这就要求无人机能够准确跟踪绝缘子。因此，对巡检视频中绝缘子目标的跟踪的研究具有重要的实用价值。
[0003]目标跟踪技术不仅推动了图像处理、模式识别、机器学习和人工智能等领域的理论研究，而且成为许多实用的计算机视觉系统中必不可少的一个重要环节。基于深度学习的目标跟踪算法也成为目标跟踪领域中的一个主流方法之一。现有的经典深度网络，例如：AlexNet，VGG，GoogleNet，ResNet以及CapsNet等，这些经典的预训练模型设计的初衷是为了实现目标的识别。而在目标跟踪研究中，虽然涌现了基于经典网络深度特征的大量跟踪效果优异的跟踪方法，但是基于目标识别的深度网络作为跟踪目标的特征提取器在提取跟踪目标特征时，没有充分考虑跟踪目标的前景和背景特征之间的区分度。

技术实现思路

[0004]针对所述缺陷，本专利技术实施例公开了一种基于胶囊网络感知特征的绝缘子跟踪方法和装置，其充分发挥胶囊网络的特征描述优势，使得跟踪方法在特征提取过程中充分考虑跟踪目标的前景特征和背景特征之间的区分度，保证目标跟踪的准确性。
[0005]本专利技术实施例第一方面公开一种基于胶囊网络感知特征的绝缘子跟踪方法，其包括以下步骤：
[0006]接收对输电线路拍摄的视频图像；
[0007]将所述视频图像输入预先训练的识别模型，判断所述视频图像中是否存在绝缘子；
[0008]构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型；所述目标前景背景感知模型包括特征提取器和全连接层，其中，所述特征提取器包括卷积层和数字胶囊层，训练时，将标注有Padding区域的样本图像输入胶囊网络框架下的目标前景背景感知初始模型，分别经过卷积层的卷积操作以及数字胶囊层的映射操作后得到输出特征，所述输出特征经过全连接层输出结果特征，用于与样本图像对应的高斯标签进行比对，以训练所述胶囊网络框架下的目标前景背景感知初始模型，得到目标前景背景感知模型；
[0009]在视频图像存在绝缘子图像时，将目标图像和所述视频图像分别输出特征提取器
获得第一输出特征和第二输出特征；
[0010]将所述第一输出特征和第二输出特征输入孪生网络，获取所述视频图像中绝缘子的位置信息。
[0011]作为较佳的实施例，在本专利技术实施例的第一方面中，所述识别模型为卷积神经网络模型。
[0012]作为较佳的实施例，在本专利技术实施例的第一方面中，构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型，包括：
[0013]构建数据样本集，每个训练样本集中的样本图像只包含了跟踪目标的Padding区域、以及与Padding区域中前景和背景对应的高斯标签；
[0014]将所述样本图像输入胶囊网络框架下的目标前景背景感知初始模型，得到结果矩阵；
[0015]将所述高斯标签和所述结构矩阵之间的差值作为识别误差，以所述识别误差作为反向传播参数调整的目标，对所述胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型。
[0016]作为较佳的实施例，在本专利技术实施例的第一方面中，将所述样本图像输入胶囊网络框架下的目标前景背景感知初始模型，得到结果矩阵，包括：
[0017]将所述Padding区域的图像转换为统一标准尺度图像；
[0018]将所述统一标准尺度图像输入第一卷积层，得到第一卷积特征；
[0019]将所述第一卷积特征输入第二卷积层，得到第二卷积特征；
[0020]将所述第二卷积特征分别输入第三一卷积层和第三二卷积层，分别得到第三一卷积特征和第三二卷积特征；
[0021]将第三一卷积特征和第三二卷积特征进行叠加，得到第三卷积特征；
[0022]将所述第三卷积特征输入第四卷积层，得到深度特征；
[0023]将所述深度特征输入数字胶囊层，得到输出特征；
[0024]将所述输出特征分别通过第一全连接层、第二全连接层和第三全连接层，得到结果特征。
[0025]作为较佳的实施例，在本专利技术实施例的第一方面中，所述统一标准尺度图像的尺度为180
×
180
×
3；所述第一卷积特征的尺度为180
×
180
×
256；所述第二卷积特征的尺度为90
×
90
×
256；所述第三一卷积层、第三二卷积层以及第三卷积特征的尺度分别为45
×
45
×
256、45
×
45
×
256、45
×
45
×
512；所述深度特征的尺度为45
×
45
×
512；所述输出特征的尺度为45
×
45
×
32
×
32；所述结果特征的尺度为2025
×
1。
[0026]本专利技术实施例第二方面公开了基于胶囊网络感知特征的绝缘子跟踪装置，其包括：
[0027]接收单元，用于接收对输电线路拍摄的视频图像；
[0028]判断单元，用于将所述视频图像输入预先训练的识别模型，判断所述视频图像中是否存在绝缘子；
[0029]训练单元，用于构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型；所述目标前景背景感知模型包括特征提取器和全连接层，其中，所述特征提取器包括卷积层和数字胶囊层，训练时，将标注有Padding区域的
样本图像输入胶囊网络框架下的目标前景背景感知初始模型，分别经过卷积层的卷积操作以及数字胶囊层的映射操作后得到输出特征，所述输出特征经过全连接层输出结果特征，用于与样本图像对应的高斯标签进行比对，以训练所述胶囊网络框架下的目标前景背景感知初始模型，得到目标前景背景感知模型；
[0030]提取单元，用于在视频图像存在绝缘子图像时，将目标图像和所述视频图像分别输出特征提取器获得第一输出特征和第二输出特征；
[0031]跟踪单元，用于将所述第一输出特征和第二输出特征输入孪生网络，获取所述视频图像中绝缘子的位置信息。
[0032]作为较佳的实施例，在本专利技术实施例的第二方面中，所述识别模型为卷积神经网络模型。
[0033]作为较佳的实施例，在本专利技术实施例的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于胶囊网络感知特征的绝缘子跟踪方法，其特征在于，其包括以下步骤：接收对输电线路拍摄的视频图像；将所述视频图像输入预先训练的识别模型，判断所述视频图像中是否存在绝缘子；构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型；所述目标前景背景感知模型包括特征提取器和全连接层，其中，所述特征提取器包括卷积层和数字胶囊层，训练时，将标注有Padding区域的样本图像输入胶囊网络框架下的目标前景背景感知初始模型，分别经过卷积层的卷积操作以及数字胶囊层的映射操作后得到输出特征，所述输出特征经过全连接层输出结果特征，用于与样本图像对应的高斯标签进行比对，以训练所述胶囊网络框架下的目标前景背景感知初始模型，得到目标前景背景感知模型；在视频图像存在绝缘子图像时，将目标图像和所述视频图像分别输出特征提取器获得第一输出特征和第二输出特征；将所述第一输出特征和第二输出特征输入孪生网络，获取所述视频图像中绝缘子的位置信息。2.根据权利要求1所述的基于胶囊网络感知特征的绝缘子跟踪方法，其特征在于，所述识别模型为卷积神经网络模型。3.根据权利要求1所述的基于胶囊网络感知特征的绝缘子跟踪方法，其特征在于，构建数据样本集对胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型，包括：构建数据样本集，每个训练样本集中的样本图像只包含了跟踪目标的Padding区域、以及与Padding区域中前景和背景对应的高斯标签；将所述样本图像输入胶囊网络框架下的目标前景背景感知初始模型，得到结果矩阵；将所述高斯标签和所述结构矩阵之间的差值作为识别误差，以所述识别误差作为反向传播参数调整的目标，对所述胶囊网络框架下的目标前景背景感知初始模型进行训练，得到目标前景背景感知模型。4.根据权利要求3所述的基于胶囊网络感知特征的绝缘子跟踪方法，其特征在于，将所述样本图像输入胶囊网络框架下的目标前景背景感知初始模型，得到结果矩阵，包括：将所述Padding区域的图像转换为统一标准尺度图像；将所述统一标准尺度图像输入第一卷积层，得到第一卷积特征；将所述第一卷积特征输入第二卷积层，得到第二卷积特征；将所述第二卷积特征分别输入第三一卷积层和第三二卷积层，分别得到第三一卷积特征和第三二卷积特征；将第三一卷积特征和第三二卷积特征进行叠加，得到第三卷积特征；将所述第三卷积特征输入第四卷积层，得到深度特征；将所述深度特征输入数字胶囊层，得到输出特征；将所述输出特征分别通过第一全连接层、第二全连接层和第三全连接层，得到结果特征。5.根据权利要求4所述的基于胶囊网络感知特征的绝缘子跟踪方法，其特征在于，所述统一标准尺度图像的尺度为180
×
180
×
3；所述第一卷积特征的尺度为180
×
180
×
256；所
述第二卷积特征的尺度为90
×
90
×
256；所述第三一卷积层、第三二卷积层以及第三卷积特征的尺度分别为45
×
45
×
256、45
×
45
×
256、45
×
45
×
512；所述深度特征的尺度为45
×
45
×
512；所述输出特征的尺度为45
×
45
×
32
×
32；所述结果特征的尺度为2025
×
1。...

【专利技术属性】
技术研发人员：庞松岭，赵海龙，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
类型：发明
国别省市：