基于組合特征和級(jí)聯(lián)分類器的防震錘檢測(cè)算法

王賽嬌，李 黎，徐曉宇

(1.臺(tái)州廣播電視大學(xué) 高職學(xué)院，浙江 臺(tái)州 318000；2.杭州電子科技大學(xué) 計(jì)算機(jī)學(xué)院,浙江 杭州 310018)

0 引 言

目前，無人機(jī)(unmanned aerial vehicle，UAV)技術(shù)用于高壓輸電線路巡檢已受到廣泛關(guān)注，用于檢測(cè)防震錘的圖像處理相關(guān)技術(shù)得到了一定的發(fā)展。算法主要有基于LSD算法和機(jī)器學(xué)習(xí)的防震錘變形檢測(cè)算法、巡線機(jī)器人視覺檢測(cè)算法、基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法以及基于Haar特征與級(jí)聯(lián)AdaBoost的檢測(cè)算法等[1,2]。雖然這些算法在防震錘檢測(cè)和定位上取得了一定的進(jìn)展，但同時(shí)對(duì)于待檢測(cè)圖像的拍攝要求也比較嚴(yán)格，在某些環(huán)境下存在著誤檢率較高的現(xiàn)象。

針對(duì)以上算法存在的問題，現(xiàn)提出基于分塊的Haar特征、基于區(qū)域的LBP特征以及HOG特征一起作為組合特征來檢測(cè)防震錘[3]的方法。實(shí)驗(yàn)結(jié)果表明，該算法能較好地提高防震錘檢測(cè)的精確率、召回率和準(zhǔn)確率。

1 算法基本思想

無人機(jī)巡檢作業(yè)方式得到的防震錘圖像測(cè)試集有如下特征：

(1)尺寸大小不一，形狀、顏色等信息差別較大。由于無人機(jī)在巡檢拍攝時(shí)離高壓輸電線路的距離不同，以致近景拍攝的防震錘圖像形狀大而清晰，得到的信息會(huì)比較多，而遠(yuǎn)景拍攝的防震錘圖像形狀小而模糊，得到的信息則會(huì)比較少；

(2)存在漏檢或誤檢現(xiàn)象。高壓輸電線上環(huán)境復(fù)雜，拍攝時(shí)防震錘可能會(huì)被電路塔等設(shè)施所遮擋，造成漏檢或誤檢；

(3)存在著傾斜角度各異的現(xiàn)象。無人機(jī)在飛行過程中采用的是多角度拍攝，因此，得到的防震錘圖像存在著傾斜角度各異的現(xiàn)象。

基于以上3個(gè)特征，對(duì)于高壓輸電線上的防震錘檢測(cè)，現(xiàn)提出基于組合特征和級(jí)聯(lián)分類器的算法。具體步驟包括：①對(duì)待檢測(cè)的圖像進(jìn)行去噪、調(diào)整亮度、調(diào)整大小等預(yù)處理操作。②對(duì)歸一化互相關(guān)匹配算法進(jìn)行優(yōu)化與改進(jìn)，再通過縮放和旋轉(zhuǎn)模板進(jìn)行模板匹配，得到防震錘疑似區(qū)域樣本集。③提取防震錘疑似區(qū)域的組合特征，包括基于區(qū)域的Haar特征BHaar、基于區(qū)域的LBP特征RLBP和HOG特征。④使用級(jí)聯(lián)分類器對(duì)防震錘疑似區(qū)域進(jìn)行多級(jí)分類(初分類使用HOG特征，多級(jí)分類使用BHaar特征和RLBP特征)。⑤統(tǒng)計(jì)分類的準(zhǔn)確率。算法流程如圖1所示。

圖1 算法流程

2 防震錘檢測(cè)的實(shí)施

2.1 預(yù)處理

無人機(jī)在巡檢作業(yè)時(shí)，因受到天氣或其它意外因素的影響，拍攝得到的圖像容易存在著曝光不足或曝光過度等問題，這會(huì)影響后續(xù)圖像特征的提取操作。因此，首先對(duì)拍攝得到圖像進(jìn)行預(yù)處理，處理過程包括去除噪聲、調(diào)整亮度和調(diào)整大小等共3個(gè)步驟。

2.1.1 圖像亮度情況判別

設(shè)待檢測(cè)圖像為Iu，首先使用中值濾波的圖像去噪方法進(jìn)行處理，然后進(jìn)行圖像灰度化，得到灰度圖Ig。 計(jì)算Ig的平均偏差MD(mean deviation)，根據(jù)MD判斷圖像的亮度是否正常，MD的計(jì)算方法如式(1)所示

(1)

2.1.2 圖像亮度調(diào)整

通過分析圖像測(cè)試集獲得正常圖像的亮度值mean(本文mean值取128)。比較MD和mean值的大小并選擇相應(yīng)的圖像亮度調(diào)整策略(圖2)：若MD=mean，表示圖像亮度合適，不作任何處理；若MD>mean，表示圖像偏亮，使用Gamma校正的方法進(jìn)行處理；若MD

圖2 圖像亮度調(diào)整策略

如圖2所示，灰度圖Ig經(jīng)圖像亮度調(diào)整策略調(diào)整后，得到了整體亮度較為均勻的初始化圖像Ir。

2.1.3 圖像大小調(diào)整

由于防震錘檢測(cè)的速度和準(zhǔn)確率會(huì)受到圖像分辨率的影響，為了避免圖像測(cè)試集中存在著圖像分辯率過高現(xiàn)象，故將所有圖像的分辨率歸一化為1024×768。

設(shè)預(yù)處理后的圖像為Ir，表1列出了預(yù)處理圖像Ir的結(jié)果示例。從表1中可知，處理后的圖像具有更多的細(xì)節(jié)信息。

表1 預(yù)處理結(jié)果示例

2.2 防震錘疑似區(qū)域生成

由于防震錘都是懸掛在輸電線上的，無人機(jī)在拍攝圖像時(shí)，防震錘可能會(huì)被高壓輸電線上的電路塔等設(shè)施所遮擋，因此，待檢測(cè)圖像Iu中可能存在著“防震錘疑似區(qū)域”，該區(qū)域包括防震錘區(qū)域，也可能包括電路塔、絕緣子等干擾區(qū)域。為了減少漏檢和誤檢，需先對(duì)防震錘進(jìn)行初定位，再進(jìn)行模板的匹配。

2.2.1 匹配模板歸一化

如圖3所示，初始化后的圖像Ir經(jīng)過尺度歸一化、灰度化處理和求平均的3個(gè)步驟生成統(tǒng)一尺寸大小的最終模板圖像It。 其中，初始化后圖像Ir是以人工方式在原始圖像中選擇若干張防震錘信息比較清晰的圖像，再標(biāo)定圖像中的防震錘區(qū)域得到。

圖3 模板圖像生成方法

2.2.2 改進(jìn)歸一化互相關(guān)匹配算法

防震錘疑似區(qū)域樣本集的生成可通過模板匹配技術(shù)實(shí)現(xiàn)。模板匹配是圖像識(shí)別中最基本的也是最具代表性的方法。在現(xiàn)有的模板匹配算法中，歸一化互相關(guān)匹配算法具有較好的抗噪能力和抗光照能力，是一種常用的經(jīng)典算法。但另一方面，該算法也存在著一些不足之處，如不具有抗旋轉(zhuǎn)和縮放的能力等，而且該算法計(jì)算量大、匹配速度慢，難以滿足系統(tǒng)較高的實(shí)時(shí)匹配要求，因此，需對(duì)該算法進(jìn)行適當(dāng)?shù)膬?yōu)化與改進(jìn)。

設(shè)待匹配圖Ir為r(x,y)，圖像尺寸為w×h，Ir的子圖像的尺寸為m×n，匹配的模板圖像It為t(x,y)，圖像尺寸也為m×n。歸一化互相關(guān)匹配算法計(jì)算相似度NCC(x,y) 的方法如式(2)所示

(2)

其中，μr為Ir子圖像的灰度均值，計(jì)算方法如式(3)所示

(3)

μt為模板圖像的灰度均值，計(jì)算方法如式(4)所示

(4)

相似度NCC(x,y) 的取值范圍為[-1,-1]，相似度值的大小反映了圖像匹配度的高低。

Sμ(x,y)=r(x,y)+Sμ(x-1,y)+
Sμ(x,y-1)-Sμ(x-1,y-1)

(5)

Sσ(x,y)=r2(x,y)+Sσ(x-1,y)+
Sσ(x,y-1)-Sσ(x-1,y-1)

(6)

Sc(x,y)=r(x,y)·t(x,y)+Sc(x-1,y)+
Sc(x,y-1)-Sc(x-1,y-1)

(7)

其中，當(dāng)參數(shù)x或y<0時(shí)，Sμ(x,y)=Sσ(x,y)=Sc(x,y)。

待匹配圖像Ir的子圖像在x,y處的灰度均值的計(jì)算方法如式(8)所示，平方值的計(jì)算方法如式(9)所示、互相關(guān)值的計(jì)算方法如式(10)所示

電網(wǎng)調(diào)控模型中心體系架構(gòu)與關(guān)鍵技術(shù)//季學(xué)純,徐春雷,楊志宏,吳海偉,李昊,楊啟京//(16):127

(8)

(9)

(10)

模板圖像It在x,y處的灰度均值、平方和互相關(guān)值的計(jì)算方法只需構(gòu)造相應(yīng)的求和表并計(jì)算即可，與待匹配圖像Ir的子圖像的計(jì)算方法類似。

2.2.3 模板匹配

通過分析模板匹配結(jié)果取最合適的值為閾值T(本文中T取值為0.85)，對(duì)初始化后的圖像Ir使用改進(jìn)的歸一化互相關(guān)匹配算法進(jìn)行模板匹配，則當(dāng)相似度值NCC>T時(shí)，說明當(dāng)前窗口為防震錘疑似區(qū)域，為防止再次匹配到重疊區(qū)域，將該結(jié)果值賦值為-1。

2.2.4 旋轉(zhuǎn)模板再匹配

將模板圖像It旋轉(zhuǎn)得到新模板圖像I′t，旋轉(zhuǎn)角度為-30°、-20°、-10°、10°、20°、30°，并重復(fù)模板匹配過程。

2.2.5 縮放模板再匹配

將模板圖像It進(jìn)行縮放并重復(fù)模板匹配，縮放比例為原尺寸的70%、80%、90%、110%、120%、130%，并重復(fù)模板匹配過程。

圖4列出了檢測(cè)防震錘疑似區(qū)域的結(jié)果示例。圖4中3列分別為初始化后圖像Ir、 匹配結(jié)果圖和防震錘疑似區(qū)域Isr。 其中第二列的匹配結(jié)果圖是由初始化后的圖像Ir與匹配模板圖像It進(jìn)行相似度計(jì)算后得到，計(jì)算方法是：若圖像Ir與匹配模板的相似區(qū)域相近則表現(xiàn)為白色(且越相近顏色越亮)，若不相近則表現(xiàn)為黑色。第三列的防震錘疑似區(qū)域Isr為最終檢測(cè)結(jié)果圖，其尺寸與使用的模板圖像的尺寸相同。另外，由于模板圖像經(jīng)過了匹配與再匹配的過程，雖然減小了漏檢區(qū)域，但同時(shí)也相應(yīng)地增多了誤檢區(qū)域。

圖4 模板匹配示例

2.3 組合特征提取

分析圖像測(cè)試集中的防震錘以及電路塔等區(qū)域的特點(diǎn)，提取基于分塊的Haar特征(BHaar)和基于區(qū)域的LBP特征(RLBP)，并與HOG特征一同作為組合特征來描述圖像中的防震錘。實(shí)驗(yàn)結(jié)果表明，該方法能有效地區(qū)分防震錘區(qū)域以及電路塔等干擾區(qū)域。

Haar特征是計(jì)算機(jī)視覺領(lǐng)域一種常用的特征描述算子，在人臉檢測(cè)、車輛檢測(cè)以及行人檢測(cè)等目標(biāo)檢測(cè)上應(yīng)用廣泛。Haar特征值反映了圖像的灰度變化情況，是像素分模塊求差值的一種特征。現(xiàn)有的Haar主要分為以下4類：邊緣特征、線性特征、對(duì)角線持征和中心特征，共有15種，如圖5所示。

圖5 Haar特征分類

Haar特征用于檢測(cè)物體時(shí)，主要通過平移與縮放來獲得特征值。當(dāng)Haar模板在待檢測(cè)圖像中進(jìn)行平移時(shí)，滑動(dòng)的位置是從左到右再從上到下，每次滑動(dòng)的位置都會(huì)得到一個(gè)對(duì)應(yīng)的特征值。同時(shí)，Haar模板也可以進(jìn)行任意比例的縮放，縮放時(shí)模板中的黑白區(qū)域的面積比不會(huì)發(fā)生改變，所以Haar特征值用于目標(biāo)檢測(cè)是比較方便的。但是，Haar特征值的計(jì)算量非常大，因?yàn)镠aar模板的每一次滑動(dòng)與縮放都會(huì)產(chǎn)生一定數(shù)量的特征值，即使使用積分圖像的圖像處理算法進(jìn)行加速，其計(jì)算效率仍然偏低。

防震錘是由兩個(gè)鑄鐵錘頭、一根短鋼絞線以及固定在鋼絞線上的夾線板組成，具有較明顯的線性特征以及較好的對(duì)稱性。另外，對(duì)防震錘疑似區(qū)域樣本集中的正樣本進(jìn)行分析，可以發(fā)現(xiàn)大部分的防震錘處于圖像Isr的中心位置。根據(jù)這個(gè)特點(diǎn)，現(xiàn)設(shè)計(jì)改進(jìn)的Haar特征模板4種，如圖6所示。

圖6 本文改進(jìn)的Haar特征模板

由于防震錘疑似區(qū)域檢測(cè)算法得到的防震錘疑似區(qū)域Isr中至多存在一個(gè)防震錘，所以，若Haar特征模板的尺寸大小與防震錘疑似區(qū)域Isr的尺寸大小相同，則可以省去原Haar特征模板的平移以及縮放的計(jì)算過程，僅需將圖像Isr灰度圖中對(duì)應(yīng)的位置與Haar特征模板相乘累加即可，這樣就可以減小計(jì)數(shù)量，有效提高計(jì)算效率。計(jì)算時(shí)，模板中白色區(qū)域與黑色區(qū)域的權(quán)值分別設(shè)為1和-1。

表2給出了改進(jìn)的Haar特征示例，第一列至第三列分別為防震錘疑似區(qū)域Isr、 本節(jié)使用的Haar特征以及Haar結(jié)果圖。其中第三列的Haar結(jié)果圖為圖像Isr的灰度圖與Haar特征模板對(duì)應(yīng)的位置相乘得到。由于Haar特征模板中白色區(qū)域的權(quán)值為1，黑色區(qū)域的權(quán)值為-1，所以，對(duì)應(yīng)的Haar結(jié)果圖中白色區(qū)域的值與圖像Isr的灰度圖對(duì)應(yīng)區(qū)域的值相等，黑色區(qū)域的值則與圖像Isr的灰度圖對(duì)應(yīng)區(qū)域的值相反。

表2 改進(jìn)的Haar特征示例

為了比較Haar模板的有效性，集中隨機(jī)抽取若干張防震錘疑似區(qū)域的正樣本與負(fù)樣本，分別計(jì)算這些圖像對(duì)應(yīng)于4個(gè)Haar模板的特征值。計(jì)算結(jié)果如圖7所示。

圖7 Haar特征值的計(jì)算結(jié)果

比較4個(gè) Haar模板特征值的計(jì)算結(jié)果圖，發(fā)現(xiàn)Haar模板1、Haar模板2和Haar模板4中正樣本和負(fù)樣本的特征值有較大的交集，而Haar模板3中正樣本和負(fù)樣本的特征值沒有交集，說明Haar模板3在區(qū)分正樣本和負(fù)樣本上存在著明顯的優(yōu)勢(shì)，能更好地區(qū)分防震錘以及電路塔等干擾區(qū)域。因此，本文的分類特征采用Haar模板3。

2.3.2 基于分塊的Haar特征(BHaar)的提取

因?yàn)镠aar模板的尺寸與防震錘疑似區(qū)域Isr的尺寸大小一樣，計(jì)算得到的特征維度較低。同時(shí)，考慮到防震錘具有較好的對(duì)稱性，所以把防震錘疑似區(qū)域樣本Isr進(jìn)行左右二等分，并計(jì)算兩個(gè)子圖像塊對(duì)應(yīng)的Haar特征值。其計(jì)算過程如下：

(1)灰度化處理防震錘疑似區(qū)域Isr，同時(shí)歸一化圖像尺寸為96×48，得到防震錘疑似區(qū)域灰度圖Isg。

(2)對(duì)圖Isg進(jìn)行二等分，得到尺寸為48×48的兩個(gè)左右子圖像塊Isg1和Isg2。

(3)設(shè)定Haar模板3的尺寸為48×48，計(jì)算子圖像Isg1和Isg2對(duì)應(yīng)的Haar特征值，分別記為value1和value2。其計(jì)算方法如式(11)所示

valuei=sum(白色區(qū)域像素)-2·sum(黑色區(qū)域像素)

(11)

(4)計(jì)算value1、value2差值的絕對(duì)值，記為D-value，如式(12)所示。D-value在此用于衡量子圖像Isg1、Isg2的相似度，D-value越小，則相似度越高

D-value=|value1-value2|

(12)

(5)得到最終的BHaar特征。如式(13)所示

BHaar=[value1,value2,D-value]

(13)

表3列出了基于分塊的Haar特征(BHaar)的示例。由表中數(shù)據(jù)可知，若防震錘位于圖像Isr的中心區(qū)域附近，則得出對(duì)應(yīng)的value值較大。其次，由于防震錘的結(jié)構(gòu)對(duì)稱性較好，子圖像Isg1、Isg2的相似度較高，對(duì)應(yīng)的value值比較接近，因此D-value值比較小，而電路塔等干擾區(qū)域像素值分布沒有規(guī)律可循且不具有對(duì)稱性，子圖像Isg1、Isg2的相似度較低，對(duì)應(yīng)的value值比較小，因此D-value值比較大。但也存在著特殊情況，表3中最后一行結(jié)果顯示，當(dāng)干擾區(qū)域的對(duì)稱性較好時(shí)，也會(huì)造成誤檢。

表3 BHaar特征示例

2.3.3 基于區(qū)域的LBP新特征(RLBP)的提取

LBP主要用于提取圖像的紋理特征，常用在人臉識(shí)別、行人檢測(cè)、紋理分析等，在計(jì)算機(jī)視覺的許多領(lǐng)域都得到了廣泛的應(yīng)用，由于原始的LBP特征的計(jì)算存在著一定的隨機(jī)性。因此，借鑒LBP特征以及超像素的概念，提出基于區(qū)域的LBP特征(RLBP)，其計(jì)算過程如下：

(1)灰度化處理防震錘疑似區(qū)域Ir，同時(shí)歸一化處理圖像尺寸為96×48，得到灰度圖Isg。

(2)將圖Isg進(jìn)行3×3的九等分，則每個(gè)子圖像塊的尺寸大小為32×16。以左上角子圖像為起點(diǎn)，按順時(shí)針方向依次標(biāo)記各個(gè)子圖像塊為Isg1、Isg2、 …、Isg9，其中，中心區(qū)域的圖像塊為Isg9。

(3)計(jì)算9個(gè)子圖像Isg1、Isg2、 …、Isg9的灰度均值，分別記為g1、g1、 …、g9。

(4)比較8個(gè)相鄰子圖像Isg1、Isg2、 …、Isg8與中心圖像Isg9的灰度均值大小，若gi(1≤i≤8)大于g9則記為1，小于g9記則為0，如式(14)所示

(14)

(5)得到最終的RLBP特征，如式(15)所示

RLBP=[K1,K2, …,K8]

(15)

表4列出了RLBP特征的示例。表中前三行圖像中，RLBP特征中的元素基本全為1，這是因?yàn)檫@3個(gè)圖像中周圍8個(gè)相鄰子圖像的內(nèi)容主要為天空或?qū)Ь€或電路塔，其對(duì)應(yīng)的灰度均值gi(1≤i≤8)較大，而中心區(qū)域的圖像塊Isg9的主要內(nèi)容為防震錘部分，其對(duì)應(yīng)的灰度均值g9較小，所以得出的RLBP特征為1的個(gè)數(shù)比較多。而表中的第四和第五行圖像中，RLBP特征中0的個(gè)數(shù)比較多，僅含有少數(shù)的1，這是因?yàn)楦鱾€(gè)子圖像的內(nèi)容變化性大，對(duì)應(yīng)的RLBP特征的元素值比較任意，周圍相鄰子圖像的灰度值低于圖像中心區(qū)域的灰度值。另外，表中最后一行的結(jié)果同時(shí)也說明了當(dāng)電路塔等圖像的灰度分布接近于防震錘區(qū)域時(shí)，會(huì)出現(xiàn)誤檢的情況。

表4 RLBP特征示例

2.4 級(jí)聯(lián)分類器

級(jí)聯(lián)分類器是一種層次型分類器，是由若干個(gè)強(qiáng)分類器或弱分類器按照一定的次序組合而成。使用級(jí)聯(lián)分類器的優(yōu)勢(shì)是：在保證分類準(zhǔn)確性的前提下能降低計(jì)算的復(fù)雜度。級(jí)聯(lián)分類器的結(jié)構(gòu)如圖8所示。

圖8 級(jí)聯(lián)分類器結(jié)構(gòu)

圖中級(jí)聯(lián)分類器主要由3個(gè)SVM分類器級(jí)聯(lián)組成，使用級(jí)聯(lián)分類器分類的具體過程如下：

(1)對(duì)防震錘疑似區(qū)域樣本集進(jìn)行初分類。以HOG特征作為SVM1分類器的分類特征對(duì)防震錘疑似區(qū)域樣本集進(jìn)行初分類，所得的預(yù)測(cè)結(jié)果中有正樣本和負(fù)樣本，分別記為PS_1和NS_1。

(2)對(duì)PS_1進(jìn)行二次分類。以基于分塊的Haar特征(BHaar)作為SVM2分類器的分類特征對(duì)PS_1進(jìn)行二次分類，分類所得的預(yù)測(cè)結(jié)果同樣也有正樣本和負(fù)樣本，分別記為PS_2和NS_2。

(3)對(duì)NS_1進(jìn)行二次分類。以基于區(qū)域的LBP特征(RLBP)作為SVM3分類器的分類特征對(duì)NS_1進(jìn)行二次分類，分類所得的預(yù)測(cè)結(jié)果同樣也有正樣本和負(fù)樣本，分別記為PS_3和NS_3。

2.5 統(tǒng)計(jì)級(jí)聯(lián)分類器的分類結(jié)果

統(tǒng)計(jì)級(jí)聯(lián)分類器的分類結(jié)果，正樣本數(shù)NPS(number of positive sample)的計(jì)算方法如式(16)所示

NPS=PS_2+PS_3

(16)

級(jí)聯(lián)分類器分類的準(zhǔn)確率Accuracy表示正樣本和負(fù)樣本被正確預(yù)測(cè)的比例，計(jì)算方法如式(17)所示

(17)

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的合理性和有效性，本文使用MS-660四旋翼無人機(jī)對(duì)高壓輸電線路進(jìn)行巡檢，采用的是無人機(jī)飛控程序自動(dòng)控制和人工操控相結(jié)合的飛行控制方式，即巡檢過程中先使用飛控程序控制無人機(jī)，當(dāng)?shù)竭_(dá)已知線路路徑信息的目標(biāo)桿塔上方且與桿塔的距離約為15 m時(shí)，切換為人工控制模式進(jìn)一步靠近目標(biāo)桿塔。巡檢采集得到的測(cè)試集圖像共2980張，其中含有防震錘的圖像1960張。對(duì)含有防震錘的圖像依據(jù)防震錘疑似區(qū)域檢測(cè)的算法進(jìn)行防震錘疑似區(qū)域檢測(cè)，得到防震錘疑似區(qū)域樣本集Isr。Isr中共有6400張圖像，去除電路塔等干擾區(qū)域圖像2270張，余下含防震錘區(qū)域的圖像有4130張。

3.1 不同算法的比較

表5列出了基于Haar特征、基于LBP特征、基于 GLCM 特征與本文算法的比較結(jié)果，比較以精確率、召回率和準(zhǔn)確率這3個(gè)指標(biāo)作為測(cè)評(píng)指標(biāo)。

由表5中的精確率、召回率和準(zhǔn)確率可知，基于 GLCM 特征的算法所對(duì)應(yīng)的這3項(xiàng)指標(biāo)最低，說明該算法具有較差的性能，而本文提出的算法這3項(xiàng)指標(biāo)最高，說明具有最好的性能。這是因?yàn)樵谂臄z圖像時(shí)，拍攝距離不

表5 不同算法比較/%

同，得到的圖像中防震錘的紋理也不同，電路塔等干擾區(qū)域的紋理復(fù)雜度也不同，而本文提出的算法綜合考慮了局部紋理信息、梯度信息、圖像的灰度分布等情況，所以相比其它算法具有最好的性能。

3.2 組合特征性能比較

表6列出了僅使用Haar特征、BHaar特征、RLBP特征以及使用HOG+BHaar+RLBP的組合特征的性能比較結(jié)果。由表中可知，雖然HOG的精確率、召回率和準(zhǔn)確率比BHaar和RLBP均要高，性能比較好，但HOG+BHaar+RLBP的組合特征的精確率、召回率和準(zhǔn)確率得到了更進(jìn)一步的提高，性能更好。另外，BHaar特征對(duì)應(yīng)的精確率值比RLBP特征高，說明BHaar特征對(duì)負(fù)樣本的識(shí)別能力相對(duì)較強(qiáng)，因此，剔除PS_1中被誤分的負(fù)樣本時(shí)使用BHaar特征作為SVM2的分類特征。但BHaar特征對(duì)應(yīng)的召回率比RLBP特征低，說明BHaar特征對(duì)正樣本的識(shí)別能力沒有RLBP特征強(qiáng)，因此，剔除NS_1中被誤分的正樣本時(shí)使用RLBP特征作為SVM3的分類特征。

表6 不同特征性能比較/%

3.3 級(jí)聯(lián)分類器性能驗(yàn)證

圖9為比較不同級(jí)聯(lián)程度的SVM分類器對(duì)應(yīng)的性能指標(biāo)。圖中的SVM_1、SVM_2和SVM_3分別表示級(jí)聯(lián)了不同分類器對(duì)應(yīng)的分類性能。

圖9 級(jí)聯(lián)分類器性能比較

從圖9可知，SVM_1、SVM_2、SVM_3對(duì)應(yīng)的精確率、召回率和準(zhǔn)確率中，僅使用SVM1分類器的SVM_1性能值最低，而級(jí)聯(lián)了SVM1、SVM2和SVM3分類器的SVM_3性能值最高。SVM_2級(jí)聯(lián)了SVM1和SVM2，相比SVM_1精確率和準(zhǔn)確率有所提高，是因?yàn)镾VM_2在初次分類的基礎(chǔ)上對(duì)PS_1進(jìn)行了二次分類，部分被誤分的負(fù)樣本被剔除了，但由于正樣本沒有二次分類，所以召回率沒有提高。而SVM_3在SVM_2的基礎(chǔ)上再增加了對(duì)NS_1 的二次分類，被誤分的正樣本在這個(gè)過程中被剔除，所以精確率、召回率和準(zhǔn)確率這3個(gè)指標(biāo)均得到了提高。

3.4 特征參數(shù)設(shè)定對(duì)性能的影響

實(shí)驗(yàn)中將BHaar特征維度設(shè)為3維，特征計(jì)算時(shí)將圖像Isr進(jìn)行分塊，分成左右兩個(gè)子塊。為了驗(yàn)證分塊的有效性，在分塊的基礎(chǔ)上再繼續(xù)分塊，分成4塊、8塊、16塊和32塊，對(duì)應(yīng)的BHaar特征的維數(shù)分別為5維、9維、17維和33維。分塊時(shí)計(jì)算左右兩邊圖像塊對(duì)應(yīng)的value均值的差值，并作為這些分塊方式對(duì)應(yīng)的BHaar特征的最后一維元素的D-value值。依次將這些特征作為SVM2分類器的分類特征對(duì)PS_1進(jìn)行分類，得出結(jié)果如圖10所示。從圖10中可知，BHaar特征中特征維數(shù)越多，精確率、召回率以及準(zhǔn)確率越低，當(dāng)維數(shù)為3時(shí)，3個(gè)性能指標(biāo)最高。

圖10 BHaar特征中特征維數(shù)與值的關(guān)系

4 結(jié)束語

圖像處理算法應(yīng)用在輸電線路上的防震錘智能巡檢具有重要意義。本文算法基于分塊的Haar特征、基于區(qū)域的LBP特征以及HOG特征一起作為組合特征來檢測(cè)防震錘。在檢測(cè)防震錘時(shí)，進(jìn)行了預(yù)處理、模板匹配、提取組合特征、多級(jí)分類等過程。實(shí)驗(yàn)結(jié)果表明，該算法有效地提高了高壓輸電線路上的防震錘檢測(cè)的準(zhǔn)確率，為后續(xù)高壓輸電線路上防震錘的移位、脫落等故障檢測(cè)工作奠定了良好的基礎(chǔ)。