結合聚合通道和復頻域特征的防震錘檢測算法

張 東，邱 翔，曹成功，朱勁波

(1.國網安徽省電力有限公司銅陵供電公司，安徽 銅陵 244000；2.安徽大學 電子信息工程學院，安徽 合肥 230601)

0 引 言

在電網系統中，輸電線路中的防震錘是為了減少導線因風力引起的振動，所以對防震錘進行檢測非常重要。隨著計算機技術的快速發展，模式識別在各個行業得到廣泛應用。圖像處理、模式識別等技術的應用可以代替人工對輸電線路中防震錘的檢測。因此，基于圖像處理的檢測方法逐漸被用于智能巡檢中，解決復雜背景中魯棒的檢測防震錘的問題[1-2]。例如，黃宵寧等[3]采用了基于遺傳算法最大熵值法對絕緣子圖像進行分隔，然后采用雙結構級聯濾波器濾除噪聲，應用連通區域方法檢測絕緣子串。Yu P等[4]提出一種基于SIFT特征匹配和OTSU的變電站視頻檢測塔傾角檢測方法。該方法簡單易行，可以及時檢測電力塔的傾斜度。

林強等[5]利用Haar特征結合AdaBoost分類器檢測防震錘，并針對漏檢防震錘情況，給出基于多視角匹配的方法對防震錘漏檢情況進行補充，從而達到優化檢測結果的目的。陳曉娟等[6]提出了一種基于隨機Hough變換的OPGW防震錘識別，通過對采集圖像進行預處理,利用隨機Hough變換檢測防震錘的圓形部分, 對處理后的圖像施加一定的形狀約束條件,從而實現對防震錘的檢測。

陳文師[7]提出了一種基于計算機圖片處理技術的障礙物檢測識別方法。首先對采集圖像進行預處理，得到圖像的邊緣圖，由于圖像的邊緣點包含了原圖像大部分的信息，所以利用圖像的邊緣信息采用直線、圓、橢圓的檢測方法，提取圖像中直線、圓和橢圓等幾何基元。根據線路的信息，幾何基元之間或幾何基元和相線之間有一定的結構關系，通過檢驗這些結構關系的存在就能實現輸電線路上防震錘等的識別。宋偉等[8]結合直方圖均衡化、形態學處理和RGB彩色模型的使用，利用防震錘正常和銹蝕情況下R通道的值存在明顯不同的特性，通過防震錘正常與銹蝕情況的對比進行判斷，從而實現銹蝕缺陷的檢測。

由于所采集到的輸電線路圖像視野遼闊、背景復雜，視角、目標分辨率也不盡相同，這些都給防震錘的檢測帶來了極大的挑戰。而以往對防震錘的檢測都是基于單特征的提取，為了提高復雜背景下圖像中的防震錘檢測精度，文中引入了多尺度聚合通道特征和多方向對偶樹復小波變換的方法。利用滑窗法固定大小和步長的窗口在圖像中移動，提取圖像的多尺度聚合通道特征，對圖像進行圖像分解，提取輸電線路防震錘圖像的空域特征和復頻域特征，并使用Relief-F算法進行特征加權融合，采用Adaboost分類器得到候選窗的窗口，最后使用非極大值抑制算法(NMS)實現對圖像中防震錘的檢測。

1 特征提取

1.1 聚合通道特征

聚合通道特征[9]是積分通道特征的變體，最早用于行人檢測算法中，使用聚合通道中的像素作為特征。為了得到更多的防震錘特征，提取圖像的10個特征通道,包括LUV顏色通道(3個)、1個梯度的幅值通道以及6個方向的梯度方向直方圖通道。對10個特征通道先使用[1 2 1]/4的模板進行濾波預處理，這樣有助于去除初始圖像中目標之外的不必要的細小噪聲；再將通道按4×4分為互不重疊的小塊；利用下采樣雙線性插值的方法求取每個小塊中像素之和的平均像素；最后再利用[1 2 1]/4的模板對采取到的特征進行平滑處理并排列得到ACF特征[10]。

文中以滑窗法為框架，建立特征通道金字塔[11]，利用滑動窗口逐層掃描特征通道，提取圖像的多尺度ACF特征，解決不同大小的防震錘圖像檢測問題，提高檢測的精度。多尺度ACF特征提取過程如圖1所示。

圖1 ACF特征提取

1.2 復頻域的紋理和形狀特征

空間域上的圖像信息比較復雜，直接進行特征提取會引入較多的冗余信息從而降低特征提取的效率。如果將原圖像分解成不同分量的信號，在這些分量中提取信號的特征，可以避免冗余的信息[12]。對偶樹復小波變換(DTCWT)[13]具有平移不變、更好的方向選擇性以及有限冗余等優點，為了進一步增加DTCWT的方向選擇性，將DTCWT中的濾波器組與沙漏型濾波器組結合得到多方向對偶樹復小波變換(M-DTCWT)。相較于DTCWT，M-DTCWT能更加有效地表示二維圖像中具有多方向性的形狀和紋理等幾何特性。

圖2給出了M-DTCWT對原始圖像的分解過程的示意圖。

(1)

其中，n1，n2為圖像上對應的點，j，k為伸縮和平移指數，i是方向上子帶個數，re，im分別是經過分解后的實部和虛部。

設M-DTCWT分解二維圖像為f(n1,n2)，通過一系列的復數尺度函數和復小波函數表示為：

(2)

圖2 M-DTCWT對圖像的分解示意圖

圖像的大部分信息集中在低頻，高頻信息仍然保留了大量冗余信息。形狀或紋理信息的細節特征都是具有漸進變化特點的，而在經典的小波變換方法中，每一個層次分解的空間只能提供水平、垂直以及傾斜等三個角度的方向信息，常常難以適應方向的連續變化。而M-DTCWT提供了8個可供選擇的方向，包括2個低頻子帶和6個高頻子帶。為保證低頻的信息不丟失，取兩個低頻子帶的平均值作為低頻信息，并在低頻圖像中提取形狀和紋理特征。其中形狀特征用7個Hu不變矩量表示[15]，紋理特征由灰度共生矩陣(GLCM)4個方向上的相關性、能量、同質性、對比度四種特征統計量的均值得到[16]。

1.3 基于Relief-F的多特征融合

Relief-F算法是一種建立在分類標簽基礎上的重要的屬性加權方法[17]。Relief-F算法根據各個特征和類別的相關性賦予特征不同的權重，當一個特征的權重小于某一個閾值時就可以將這個特征移除。Relief-F算法的原理是在訓練集B中選擇和T同類的樣本中尋找最近鄰樣本I，在和T不同類的樣本中尋找最近鄰樣本N。所以Relief-F算法每次從訓練樣本集中隨機取出一個樣本T，然后從和T同類的樣本集中找出T的k個近鄰樣本，從每個T的不同類的樣本集中均找出k個近鄰樣本，然后更新每個特征的權重。特征權重的計算如下：

(3)

其中，diff(A,R1,R2)表示樣本R1和R2在特征A上的差，Mj(C)表示C類中第j個最近鄰樣本。

diff(A,R1,R2)可用下式表示：

(4)

2 防震錘檢測

2.1 分類器訓練

文中對于防震錘目標檢測的分類方法是將事先準備的數據集和標注文件作為輸入，標注框中的目標部分作為前景，其余部分為背景，將前背景特征和對應標簽投入到Adaboost弱分類器中進行訓練。Adaboost是一種迭代算法[18]，該分類器就是一種基算法分類器，利用根據分類器的錯誤率而分配不同權值參數的同一種基分類器(弱分類器)每次迭代訓練更改權重，使分類錯誤的權值越來越大，那么在下一輪預測時會受到關注，選擇錯誤率更小的分類器進行分類，再反饋分類結果。這樣在多次迭代之后的錯誤率逐漸減小趨于一個理想值，最后將這些弱分類器累加加權形成一個強分類器作為總的預測輸出。這里選用2 048棵決策樹作為弱分類器，利用弱分類器對訓練樣本進行檢測，基于分類器的錯誤率更改分類器的權重參數，將分類錯誤的部分加入到原始訓練集中再次訓練分類器，經過多次迭代，最后將這些弱分類器累加加權形成一個強分類器作為總的預測輸出。

2.2 檢測算法流程

防震錘檢測算法的步驟如下：

(1)用設置好寬、高和滑動步長的滑動窗口，對輸入圖像按照滑動窗口提取ACF特征；

(2)對原圖像進行M-DTCWT分解，提取復頻域形狀特征和紋理特征；

(3)將提取到的ACF特征和復頻域特征進行特征融合并利用Relief-F算法加權；

(4)將前、背景特征和對應標簽投入到Adaboost弱分類器中進行訓練；

(5)被認為含有防震錘特征的窗口標記為候選窗，并記錄候選窗的窗口坐標及得分；

(6)使用非極大值抑制(NMS)算法得到最終的目標區域。

詳細的防震錘檢測算法流程如圖3所示。

圖3 檢測算法流程

3 實驗結果及分析

實驗數據來源于無人機白天在不同場景中拍攝的輸電線路圖像，對其中500幅標記出防震錘部分并作為訓練集，實驗環境為：Window10系統，Intel(R) Core(TM) i5-6200U，4 GB內存。利用文中算法對防震錘圖像的初始檢測結果如圖4左圖所示，經NMS算法得到的最終檢測結果如右圖所示。從圖中可以看出：在初始檢測階段，含有防震錘特征的窗口都被標記為候選窗，NMS的過程是一個迭代-遍歷-消除的過程，在這些候選窗中找到分數最大的一個窗作為標準，將其余的窗與其比較，若交集大于所設定的閾值，認為這兩個窗相似性很大，則刪除這個框。直到把分數小的窗都刪除，剩下的窗即為目標的框。

測試集為不同場景下的300幅輸電線路圖像，圖5為文中算法對輸電線路圖像的防震錘檢測結果。

圖4 目標檢測過程

圖5 防震錘檢測結果

為了驗證文中算法的有效性，對測試圖像分別提取ACF特征、Haar特征以及文中算法特征，并利用Adaboost分類器進行分類。防震錘檢測的正確率表示為預測正確的樣本數除以所有的樣本數，即實際正樣本被預測正確的概率。防震錘檢測的正確率如表1所示。

文中算法使用滑窗的方法提取圖像的ACF特征，在復頻域中提取圖像低頻信息來反映圖像的主要信息，以此避免其他不必要的圖像信息的干擾；同時考慮到不同特征在分類中所占的權重可能對分類結果有所影響，使用Relief-F消除或減小一些特征對分類結果的影響。在Adaboost分類器下提取ACF特征的正確率為89.6%；提取Haar特征識別正確率為88.3%；而文中算法識別的正確率可達到96.1%。通過比較可以看出，進行多特征融合和對特征的提取方法的選擇可以明顯提高圖像檢測的精度。因此，驗證了文中算法對防震錘圖像檢測的有效性。

表1 不同特征檢測正確率比較 %

4 結束語

利用數字圖像處理技術，實現了在輸電線路中對復雜背景下的防震錘圖像檢測。首先利用滑窗法，引入多尺度聚合通道特征，結合M-DTCWT對圖像進行高低頻的分解；然后提取輸電線路圖像的空間域特征和復頻域特征，通過Relief-F算法對提取的特征進行加權融合，采用Adaboost分類器獲取含有防震錘的窗口；最后根據NMS算法得到最佳的防震錘窗口。