基于背景差分法的電網(wǎng)巡檢運動目標檢測技術

廖 逍，張 弛，應國德，浦正國

(1.國家電網(wǎng)信息通信產(chǎn)業(yè)集團有限公司 a.信通研究院，b.安徽繼遠軟件有限公司，北京 102211；2.國網(wǎng)浙江省電力有限公司 臺州供電公司，浙江 臺州 318001)

隨著我國電網(wǎng)的大規(guī)模建設與發(fā)展，輸電線路覆蓋區(qū)域地形復雜、環(huán)境惡劣，對于線路的運維提出了更高的要求[1].傳統(tǒng)的人工巡檢方式不僅效率低下，且易受到地形和外部條件的各種限制[2-3].無人機巡檢作為一種新興的技術手段，由于其巡檢范圍廣、操作簡單、靈活性高等多種優(yōu)勢，其在電力巡檢工作中得到了廣泛應用[4-5].

圖像識別與目標檢測技術是無人機巡檢的技術基礎，國內(nèi)外相關學者對此開展了廣泛的研究[6-8].向濤等[9]利用隨機森林算法，提出了一種能夠滿足圖像外觀變化的目標檢測技術；陳振學等[10]利用小波變換獲得圖像的局部特征信息，并利用視覺轉(zhuǎn)移機制提升圖像目標檢測的準確率；許冰等[11]建立動態(tài)場景下的目標顯著性模型，并利用漂移聚類算法實現(xiàn)了對復雜場景下的目標檢測；唐聰?shù)萚12]采用多視窗的SSD方法，提高了目標檢測的物體搜索能力和物體檢測精度；李成美等[13]結合Shi-Tomasi角點檢測技術和光流法及運動目標的歸一化處理，實現(xiàn)了在PC平臺和嵌入式平臺下的運動目標檢測.

現(xiàn)有研究多是基于靜態(tài)場景復雜背景下的目標檢測[14-15].無人機巡檢屬于一種動態(tài)場景下的目標檢測，為了實現(xiàn)動態(tài)背景下的目標檢測，在運動估計的基礎上對視頻圖像進行背景補償，以實現(xiàn)運動目標的準確檢測.基于背景差分法高斯模型，通過降維和局部匹配的方式對SIFT特征點提取技術進行優(yōu)化，解決了參數(shù)更新和穩(wěn)定性匹配問題，增強了算法的抗干擾能力.

1 背景補償

無人機巡檢屬于動態(tài)場景下的目標檢測，由于鏡頭運動導致圖像背景運動存在于整個視頻范圍內(nèi)，因此，需要對運動背景進行補償，即將動態(tài)場景轉(zhuǎn)換為靜態(tài).本文建立了鏡頭運動的數(shù)學模型，然后通過尋找前后幀之間相匹配的特征點求解模型參數(shù)，從而完成背景補償.

1.1 運動模型

傳統(tǒng)用于描述圖像變換的仿射模型只能對平面圖像進行映射，但無人機的運動是在整個三維空間內(nèi)進行的，所以本文從參數(shù)模型的角度建立了雙線性模型，用于表征鏡頭運動引起的全局運動矢量，其表達式為

(1)

式中：(x，y)為像素點坐標；(u，v)為x方向和y方向的運動量；m0～m7為待求解的參數(shù).通過尋找第t幀圖像上像素點和與之對應的第t+1幀圖像上像素點的坐標，即可建立方程求解得到參數(shù)m.

理論上，只要有4個匹配點，即可求得兩幀圖像之間的映射關系.但一般通過計算機處理得到的匹配點數(shù)目通常大于4個，因此需要采用最小二乘法求解鏡頭運動的最優(yōu)參數(shù)解，從而對其全局運動進行估計.

1.2 特征點提取

尺度不變特征變換算法(SIFT)是一種廣泛應用于全局特征匹配的圖像特征點提取算法.本文采用SIFT特征提取算法對圖像進行處理，算法可分為4個步驟，分別為：極值檢測、確定特征點、特征點方向確定及特征向量的生成.

1)極值檢測.使用SIFT進行特征點提取時，需要建立圖像的尺度空間，其表達式定義為

L(x，y，σ)=G(x，y，σ)P(x，y)

(2)

式中：σ為均方差；P(x，y)為(x，y)處圖像灰度值；G(x，y，σ)為高斯核函數(shù).

極值檢測算子用于檢測尺度空間內(nèi)的特征點，定義表達式為

D(x，y，σ)=[G(x，y，kσ)-G(x，y，σ)]P(x，y)=

L(x，y，kσ)-L(x，y，σ)

(3)

式中，k為兩個相鄰尺度間的比例因子.對于第n層尺度空間上的一個檢測點(x，y)，當判定該點為極值點時，則該極值點為特征匹配點的候選.

3)特征點方向.以特征點為中心，分別計算其鄰域內(nèi)各點梯度的大小與方向，即

m={[L(x+1，y)-L(x-1，y)]2-

[L(x，y+1)-L(x，y-1)]2}1/2

(4)

(5)

以10°為一個區(qū)間劃分，將特征點鄰域內(nèi)各點梯度值乘以高斯權重并進行求和，最大值所在的角度區(qū)間即為該特征點的方向.至此，即可確定關鍵點的位置、尺度和方向.

4)特征向量.為了增強匹配的穩(wěn)定性，每個特征點的鄰域以自身為中心，由16×16個采樣點組成.16×16的采樣點又可分為16個4×4的區(qū)域，每個區(qū)域可由一個種子點進行表征，每個種子點可設置8個方向，最終每個特征點即可形成128維的SIFT特征向量.

相鄰兩幀圖像特征點生成后，即可確定特征匹配點.由特征匹配點可求得兩幀圖像之間的變換關系，從而完成圖像背景的補償.

2 背景差分法

完成背景補償后，即可將動態(tài)場景轉(zhuǎn)換為靜態(tài)場景，進而采用背景差分法完成運動目標檢測任務.背景差分法利用當前圖像與背景圖像之間的差分，能夠簡單、快速地完成對運動目標的檢測.本文在分析了傳統(tǒng)高斯模型的背景差分法后，對其完成進一步的優(yōu)化以滿足實際使用的需求.

2.1 高斯模型

基于高斯模型的背景差分法是一種以統(tǒng)計學原理為基礎的運動目標檢測方法，該方法首先需要為視頻圖像的每個背景像素點建立初始高斯模型η(p，μ0，σ0)，其中，p為像素點(x，y)像素值，μ0為初始像素均值，σ0為初始像素均方差.初始像素值和均方差可通過計算T時間段內(nèi)的圖像得到.假設某時間段內(nèi)視頻中共有N幀圖像，則μ0與σ0可以表示為

(6)

(7)

由概率論相關理論可知，隨機變量X服從正態(tài)分布時，在區(qū)間(μ-3σ，μ+3σ)內(nèi)的概率為0.997 4，即可認定X落在區(qū)間(μ-3σ，μ+3σ)外的事件不會發(fā)生.對應于視頻圖像的高斯模型，閾值變量Th在滿足2

2)裝卸。新鮮果蔬鮮嫩，含水量高，如裝卸搬運中操作粗放、野蠻，就會導致商品機械損傷、腐爛，造成巨大的經(jīng)濟損失。我國果品蔬菜多為人工裝卸搬運，其勞動強度大，機械傷嚴重。裝卸時要求箱子要捆實扎緊，搬運要輕拿輕放，快裝快運。

視頻圖像始終處于一個動態(tài)場景，因此需要對其進行更新.高斯分布的均值和方差是決定高斯曲線形狀的兩個關鍵參數(shù)，故基于高斯模型的背景模型更新即是對各像素點均值和方差參數(shù)的更新.引入高斯模型的更新參數(shù)a，對高斯模型參數(shù)進行表達式更新為

μt+1=(1-a)μt+apt

(8)

(9)

通過對高斯模型的更新，可以使其適應視頻圖像的背景變化，與實際背景相匹配.由高斯背景模型即可判斷各像素點是背景點還是運動目標點，從而完成對運動目標的檢測.

2.2 改進高斯模型

實際視頻圖像的背景較為復雜，除了會發(fā)生明顯的運動外，還受多種因素的影響.實際應用過程中，可以從更新率的選擇和更新策略的改進兩方面對高斯模型進行優(yōu)化.

高斯模型的均值和方差決定了高斯曲線的形狀.當高斯模型的均值和方差采用統(tǒng)一的更新速率進行更新時，難以做到更新速度與模型穩(wěn)定性之間的匹配.因此對高斯模型的均值賦予較大的更新速率，以提高模型的更新速度和收斂性.對于方差則采用分段更新的方式，即模型訓練初期采用較大的更新率以提高收斂性；模型訓練后期采用較小的更新速率以維持穩(wěn)定性.

對于更新策略的優(yōu)化，需要考慮前景和背景的轉(zhuǎn)化問題：1)鏡頭中存在運動目標時，隨著目標的移動會發(fā)生前景和背景區(qū)域的轉(zhuǎn)化；2)運動物體運動狀態(tài)的變化也會導致前景和背景的轉(zhuǎn)化.

高斯模型還要有較強的抗干擾能力，需要在高斯模型的更新過程中剔除運動物體的像素點，僅保留背景點參與更新.同時還需要考慮到運動目標的運動狀態(tài)發(fā)生變化時，對物體的運動狀態(tài)進行判斷，決定是否參與更新.優(yōu)化后高斯模型更新策略表達式為

(10)

(11)

式中：aμ與aσ分別為均值和方差的更新速率；Cn為幀計數(shù)器，用于判斷像素點是否需要參與更新，初始值為0.若該點為背景點，則Cn置0并對其進行更新；若該點為前景點，則Cn加1并與幀計數(shù)器的閾值Cn0進行比較.當Cn

3 實驗結果分析

實驗采用分辨率為1 080×1 920機載相機拍攝得到的圖片來檢驗算法性能.硬件仿真平臺為Intel Core i7處理器，開發(fā)環(huán)境為Windows 10操作系統(tǒng)，VS2015編程環(huán)境.

本文選擇巡檢過程中5段典型樣本視頻對其進行目標檢測分析.每段視頻樣本時長為20 s，拍攝幀率為30幀/s，即每個樣本約600幀畫面.其中：樣本1為無人機起飛過程中的視頻片段；樣本2為無人機正常巡檢的視頻片段；樣本3和4為巡檢過程中發(fā)現(xiàn)漂浮搭掛物的視頻片段；樣本5為鳥類在線路桿塔附近活動的視頻片段.

3.1 特征點提取

對樣本1中的圖像進行特征點提取，共得到435個特征點.對相鄰幀進行特征點的匹配，共有153對匹配點，匹配結果如圖1所示.

圖1 SIFT特征點匹配結果

在特征點提取過程中發(fā)現(xiàn)，采用上述方法對圖像進行處理時，耗時量較大，圖像處理效率較低，上述方法存在一定的局限性.

SIFT在特征點提取過程中每個特征點需要128維向量對其進行描述，對于本文而言這些向量有一定程度的冗余，因此文中選擇以特征點為中心的8×8個區(qū)域作為采樣點，將該區(qū)域分成4個4×4的子區(qū)域，這樣每個特征點即可由2×2共4個種子點組成，每個種子點有8個方向的信息量，即每個特征點生成4×8維的特征向量.優(yōu)化后SIFT每個特征點的特征向量數(shù)目減少了3/4.

采用優(yōu)化后的SIFT對樣本圖像進行特征點的提取與匹配，結果如圖2所示，共得到424個特征點，124對匹配點.可以看到，優(yōu)化后的特征點位置基本處于優(yōu)化前特征點的覆蓋范圍之內(nèi)，降低維數(shù)后仍可滿足實際工作的需求.

圖2 優(yōu)化后的SIFT特征點匹配結果

采用優(yōu)化后的SIFT對樣本片段進行處理，統(tǒng)計特征向量的生成時間后發(fā)現(xiàn)：對于不同的樣本，特征向量的生成時間是原來的30%～40%，結果如圖3所示.雖然優(yōu)化后匹配特征點有所減少，但本文只需估算8個背景運動參數(shù)，這些特征點完全可以滿足需要，可以通過降低維數(shù)的方法縮短特征提取時間.

圖3 特征向量生成時間比較

SIFT特征匹配算法是通過全局匹配的方式來尋找匹配點.采用該算法需要在全局范圍內(nèi)尋找匹配點，耗時較多，因此本文采用局部匹配的方式以縮短運算時間.

假設第t-1幀圖像中特征點的集合為Pt-1={Pt-1，1，Pt-1，2，…，Pt-1，N}.對于每一個特征點Pt-1，n，在以點Pt-1，n為中心的鄰域內(nèi)，搜索符合條件的特征點集，并對其進行匹配.以測試樣本為例，對相關匹配算法運行時間進行比較分析，結果如圖4所示.

圖4 提取特征點時間比較

由圖4可知，采用局部匹配算法后可以進一步提升系統(tǒng)的運行效率.局部匹配算法與經(jīng)典SIFT算法相比，提取特征點的總時間是原來的30%～50%.改進SIFT算法可以縮短20%～30%的時間，這對于進一步提高算法的運行效率具有重要意義.

3.2 目標檢測

由目標檢測結果可知，移動鏡頭下的視頻圖像若不采用運動估算的方式加以糾正，則檢測結果中會出現(xiàn)大量陰影和誤檢的情況，從而難以滿足實際工作的需求.如圖5所示，無人機在巡檢過程中發(fā)現(xiàn)桿塔頂端懸掛了明顯的漂浮物，在風力的作用下發(fā)生抖動，對線路安全造成威脅.未進行背景補償時檢測效果較差，圖像背景會對檢測目標產(chǎn)生較多干擾.

圖5 目標檢測結果比較

樣本圖片中，無人機巡檢過程中發(fā)現(xiàn)桿塔周圍有活動的鳥類.鳥類既是運動目標，但也是干擾目標.圖6為本文提出的背景補償和背景差分法建立的背景模型與原始圖片的比較.可見所提算法具有較好的抗干擾能力.

圖6 原始與背景模型圖片比較

4 結 論

本文研究了無人機電網(wǎng)巡檢中移動鏡頭的目標檢測方法，得出主要結論如下：

1)利用SIFT特征提取技術實現(xiàn)對視頻圖片特征點的提取.在此基礎上，結合無人機運動模型完成對場景的運動估算，從而實現(xiàn)背景補償.

2)通過特征向量降維和采用局部匹配的方法對SIFT算法進行優(yōu)化，使其特征向量生成時間縮減為原來的30%～40%.與經(jīng)典SIFT算法相比，局部匹配算法提取特征點的總時間僅為原來的30%～50%.

3)利用背景差分法對運動目標進行檢測，移動鏡頭下的視頻圖像采用背景補償后可以消除陰影和誤檢，能夠明顯提高運動目標檢測的準確率.