改進(jìn)EDLines算法暨在高空輸電線(xiàn)識(shí)別與巡檢中的應(yīng)用

陳榮保, 韋 盛, 盛雨婷, 翁?hào)|波

(1.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院，安徽 合肥 230009；2.淮南供電公司 計(jì)量管理中心，安徽 淮南 232007)

0 引 言

電力線(xiàn)路在能源建設(shè)中占有重要地位，輸電線(xiàn)巡檢保障國(guó)家電網(wǎng)安全。使用人工檢修的方式，在測(cè)量的過(guò)程中消耗經(jīng)濟(jì)多、危險(xiǎn)系數(shù)大、時(shí)間長(zhǎng)等缺點(diǎn)，這將阻礙電力行業(yè)的發(fā)展，對(duì)電力系統(tǒng)的安全、管理與維護(hù)帶來(lái)不便。然而旋翼飛行器近年來(lái)發(fā)展迅速，其優(yōu)點(diǎn)不言而喻，體積小、速度與高度可控、精度高等優(yōu)勢(shì)。隨著無(wú)人機(jī)和圖像識(shí)別等技術(shù)的成熟，輸電線(xiàn)巡檢方案發(fā)生變革，以無(wú)人機(jī)搭載高清相機(jī)等各類(lèi)傳感器，完成輸電線(xiàn)工作狀態(tài)的巡檢任務(wù)[1，2]。

無(wú)人機(jī)巡檢過(guò)程中，采集拍攝圖像背景復(fù)雜，易受樹(shù)木建筑等環(huán)境干擾，圖像識(shí)別時(shí)受閾值差異導(dǎo)致結(jié)果產(chǎn)生較大的變化，邊緣檢測(cè)目標(biāo)間斷會(huì)造成誤檢、漏檢現(xiàn)象[3,4]。直線(xiàn)擬合時(shí)局外噪聲點(diǎn)會(huì)影響結(jié)果的準(zhǔn)確，須提高系統(tǒng)抗噪聲干擾的能力[5,6]。線(xiàn)狀背景干擾會(huì)影響無(wú)人機(jī)自主巡檢時(shí)目標(biāo)識(shí)別丟失，造成不可預(yù)估的損失，同時(shí)巡檢需降低運(yùn)算時(shí)間，保證圖像處理實(shí)時(shí)性與準(zhǔn)確性，因此輸電線(xiàn)圖像識(shí)別算法尤為重要[7,8]。

本文對(duì)數(shù)字圖像處理技術(shù)在輸電線(xiàn)的應(yīng)用進(jìn)行了研究，提出改進(jìn)EDLines算法快速識(shí)別輸電線(xiàn)路，方法可去除擬合直線(xiàn)時(shí)局外噪聲點(diǎn)的干擾。根據(jù)輸電線(xiàn)路的特征，使用K均值聚類(lèi)算法濾除線(xiàn)狀干擾背景，設(shè)計(jì)模板匹配優(yōu)化目標(biāo)，識(shí)別出完整的輸電線(xiàn)方便巡檢的應(yīng)用。

1 EDLines設(shè)定參數(shù)

EDLines是基于Edge Drawing邊緣檢測(cè)的算法，在處理輸電線(xiàn)圖像數(shù)據(jù)時(shí)，根據(jù)搜索的錨點(diǎn)使用啟發(fā)式算法進(jìn)行繪制，可得到連續(xù)、細(xì)長(zhǎng)的邊緣。

圖1 EDLines算法提取框圖

1)梯度閾值

計(jì)算出各像素點(diǎn)的梯度與方向后，需要去除梯度值小于某個(gè)閾值ρ的像素點(diǎn)，因?yàn)楫?dāng)像素點(diǎn)的梯度值過(guò)小時(shí)，該像素點(diǎn)不經(jīng)過(guò)圖像的邊緣，不會(huì)生成直線(xiàn)段。設(shè)置閾值ρ時(shí)，可忽略角度誤差大于角度公差的點(diǎn)，當(dāng)相鄰像素的誤差值為+1和-1時(shí)最大量化誤差等于2，角度的公差為22.5°，梯度的閾值計(jì)算方法如下所示

ρ=2/sin22.5°=5.22

(1)

遍歷梯度圖中的所有值，去除小于閾值ρ的像素點(diǎn)，保留的像素點(diǎn)都是位于圖像邊緣之上。

2)錨點(diǎn)判定

設(shè)I(x,y)表示圖像上某點(diǎn)在(x,y)處的像素值,其中{T1,T2,T3,…,T8}分別為當(dāng)前像素與鄰域8個(gè)像素的幅值差。錨節(jié)點(diǎn)是梯度中的一些極大值點(diǎn)，Tanchor為錨節(jié)點(diǎn)閾值，給定梯度閾值TanchorThresh，當(dāng)I(x，y)≥TanchorThresh，則該像素點(diǎn)可能為邊緣點(diǎn)。若Ix(x，y)≥Iy(x，y)并且T5≥Tanchor，T6≥Tanchor，則說(shuō)明(x，y)是垂直方向的錨節(jié)點(diǎn)。當(dāng)Ix(x，y)

(2)

式中T0為水平或者垂直方向的平均賦值差，權(quán)重因子U′可通過(guò)下式計(jì)算

(3)

若權(quán)重因子U′≥1，則說(shuō)明該點(diǎn)為錨節(jié)點(diǎn)。

3)掃描間隔

EDLines掃描間隔是設(shè)定圖像行列搜索錨點(diǎn)時(shí)的區(qū)間大小，控制錨點(diǎn)生成的個(gè)數(shù)，數(shù)量多的錨點(diǎn)處理速度相對(duì)較長(zhǎng)，選擇合適的掃描間隔可以增強(qiáng)圖像處理的效率。當(dāng)間隔設(shè)置成“k”時(shí)，則ED算法搜索第k行/列的錨點(diǎn)。錨點(diǎn)數(shù)量減少時(shí)，輸電線(xiàn)邊緣圖像的細(xì)節(jié)也會(huì)相應(yīng)的減少。為滿(mǎn)足檢測(cè)的輸電線(xiàn)圖像線(xiàn)段的完整性，保留圖像中所有細(xì)節(jié)的邊緣，同時(shí)保證圖像處理的效率，故本文將掃描間隔設(shè)置為1。

4)線(xiàn)擬合參數(shù)

NFA為錯(cuò)誤報(bào)警的數(shù)量，計(jì)算公式如下

(4)

式中N4為圖像中潛在線(xiàn)段的數(shù)量，n為直線(xiàn)的長(zhǎng)度，p為直線(xiàn)方向的準(zhǔn)確度。如果NFA(n,k)≤1時(shí)，檢測(cè)出的線(xiàn)段為標(biāo)準(zhǔn)的直線(xiàn)，“k”等于“n”時(shí)生成最小長(zhǎng)度的線(xiàn)段，計(jì)算可得NFA(n,n)=N4×pn≤1，則直線(xiàn)長(zhǎng)度為

n≥-4log(N)/log(p)

(5)

式中p=0.125。假設(shè)對(duì)于600×600圖像，生成最小長(zhǎng)度有12個(gè)像素。在使用算法擬合直線(xiàn)之前，通過(guò)公式計(jì)算出最小線(xiàn)段長(zhǎng)度，將低于此有效值長(zhǎng)度的線(xiàn)段剔除，高于有效值線(xiàn)段保留。

5)線(xiàn)段驗(yàn)證參數(shù)

線(xiàn)段驗(yàn)證是通過(guò)生成的直線(xiàn)長(zhǎng)度與直線(xiàn)上對(duì)齊像素的個(gè)數(shù)決定。線(xiàn)段上兩點(diǎn)P,Q的角度在π/n內(nèi)，即對(duì)齊，精度為1/n。其中實(shí)驗(yàn)與具體的數(shù)據(jù)應(yīng)該保持一致，“n”的數(shù)值最大應(yīng)為8，在最大值的計(jì)算下，也就是角度在π/8=22.5°的兩個(gè)點(diǎn)是在同一行的，有8個(gè)不同的行同時(shí)精度值篇p=1/8=0.125，在計(jì)算NFA中使用較頻繁。

2 改進(jìn)EDLines提取輸電線(xiàn)方法

2.1 直線(xiàn)擬合隨機(jī)抽樣一致性算法

在輸電線(xiàn)檢測(cè)過(guò)程中，由于目標(biāo)易受樹(shù)木、桿塔、道路等復(fù)雜背景的干擾，提取出的線(xiàn)基元存在多種干擾噪聲點(diǎn)[9,10]，最小二乘法擬合直線(xiàn)時(shí)會(huì)產(chǎn)生不同程度的偏差，故本文使用隨機(jī)抽樣一致性(RANSAC)算法解決線(xiàn)基元含有高噪聲點(diǎn)的問(wèn)題。假定單個(gè)像素鏈包括N個(gè)像素點(diǎn)，在圖像上對(duì)應(yīng)的坐標(biāo)是(xi,yi)(i=1,2…,N)，RANSAC算法擬合輸電線(xiàn)的像素鏈的步驟如下:1)單個(gè)邊緣鏈線(xiàn)基元中的N個(gè)像素點(diǎn)，隨機(jī)選取兩個(gè)像素點(diǎn)。2)計(jì)算由得到的像素點(diǎn)連接組成的直線(xiàn)Line。3)計(jì)算其余N—2個(gè)像素點(diǎn)與Line的距離，統(tǒng)計(jì)出小于設(shè)定閾值T的點(diǎn)數(shù)量M，M是直線(xiàn)附近局內(nèi)點(diǎn)的數(shù)量。4)按以上步驟迭代K次，當(dāng)生成的M值最大時(shí)所得到的為目標(biāo)直線(xiàn)，生成的直線(xiàn)包含局內(nèi)點(diǎn)的數(shù)量是max{M}，局外點(diǎn)數(shù)量N-max{M}。

2.2 K均值聚類(lèi)算法

聚類(lèi)目標(biāo)函數(shù)使用誤差平方和，目標(biāo)函數(shù)如式(6)給出

(6)

式中K為聚類(lèi)的類(lèi)別數(shù)，Gi(i=1,2,…,K)為第i個(gè)聚類(lèi)簇，Di為聚類(lèi)簇Gi中的數(shù)據(jù)對(duì)象，Ci為聚類(lèi)簇Gi的聚類(lèi)中心點(diǎn)，Obj為數(shù)據(jù)對(duì)象與聚類(lèi)中心點(diǎn)距離平方和，可以看出，Obj數(shù)值越小，聚類(lèi)生成的效果最好，需要找出使目標(biāo)函數(shù)Obj數(shù)值最小的方法。

K均值的算法流程如下：數(shù)據(jù)輸入?yún)?shù)為所需類(lèi)別個(gè)數(shù)K，N個(gè)數(shù)據(jù)對(duì)象集D；數(shù)據(jù)輸出參數(shù)為目標(biāo)函數(shù)據(jù)輸入?yún)?shù)為所需類(lèi)別個(gè)數(shù)K，N個(gè)數(shù)據(jù)對(duì)象集D；數(shù)據(jù)輸出參數(shù)為目標(biāo)函數(shù)收斂的K個(gè)類(lèi)。1)從N個(gè)數(shù)據(jù)對(duì)象中隨機(jī)抽取K個(gè)數(shù)據(jù)作為初始中心Ci(i=1,2,…,K)；2)計(jì)算其余對(duì)象與K個(gè)初始中心的距離，由最近鄰準(zhǔn)則可將所有對(duì)象聚類(lèi)到距離最短的聚類(lèi)中心所在的簇中；3)重新計(jì)算聚類(lèi)中心，生成新的聚類(lèi)中心點(diǎn)，同時(shí)計(jì)算新的誤差平方目標(biāo)函數(shù)Obj的值；4)若新的中心點(diǎn)之差在預(yù)先設(shè)定的閾值之內(nèi)，則算法目標(biāo)函數(shù)收斂，轉(zhuǎn)步驟(5)，得出結(jié)果；若新的中心點(diǎn)之差大于設(shè)定的閾值，轉(zhuǎn)步驟(2)，繼續(xù)調(diào)整數(shù)據(jù)對(duì)象，直到算法達(dá)到收斂條件才可結(jié)束;5)輸出K個(gè)聚類(lèi)簇。

2.3 模板匹配優(yōu)化目標(biāo)

(7)

根據(jù)傾斜角集合，定義一個(gè)直線(xiàn)模板集合

ω={ω1,ω2,…,ω7}

(8)

圖2 直線(xiàn)模板對(duì)應(yīng)關(guān)系

集合ω中的直線(xiàn)模板可通過(guò)逆時(shí)針旋轉(zhuǎn)標(biāo)準(zhǔn)水平直線(xiàn)模板γ度得到，其旋轉(zhuǎn)矩陣為

(9)

一個(gè)長(zhǎng)度為7的簡(jiǎn)單水平直線(xiàn)模板可以為

(10)

2.4 總體步驟

1)在輸電線(xiàn)圖像上，使用改進(jìn)Edge Drawing算法產(chǎn)生干凈的像素鏈，連接生成的各個(gè)像素鏈，合在一起構(gòu)成圖像的邊緣；2)在產(chǎn)生的像素鏈上，設(shè)置最小線(xiàn)段像素，用RANSAC算法擬合直線(xiàn)，提取出線(xiàn)段；3)進(jìn)行線(xiàn)段驗(yàn)證，將提取達(dá)到的線(xiàn)段通過(guò)亥姆霍茲原理(Helmholtz principle)[11]去掉虛假線(xiàn)段，為后續(xù)精確檢測(cè)輸電線(xiàn)提供保障；4)去除背景線(xiàn)狀干擾點(diǎn)，獲得精確的直線(xiàn)參數(shù)和坐標(biāo)。其中總體流程如圖3所示。

圖3 輸電線(xiàn)算法流程圖

3 實(shí)驗(yàn)結(jié)果

3.1 RANSAC與最小二乘法結(jié)果對(duì)比

在一組觀測(cè)數(shù)據(jù)中，既有局內(nèi)點(diǎn)也包含部分局外點(diǎn)，局內(nèi)點(diǎn)為通過(guò)直線(xiàn)或依附直線(xiàn)邊緣附近的點(diǎn)，而局外點(diǎn)則與直線(xiàn)產(chǎn)生一定距離。使用最小二乘法擬合直線(xiàn)時(shí)，因其需要盡可能包含全部局外點(diǎn)，造成直線(xiàn)與局內(nèi)點(diǎn)存在偏差。然而，RANSAC算法的原理是通過(guò)局內(nèi)點(diǎn)的數(shù)據(jù)得出模型，擬合出的直線(xiàn)包含局內(nèi)點(diǎn)的概率高。使用RANSAC方法擬合直線(xiàn)，需要找出合適的算法參數(shù)，提高檢測(cè)的準(zhǔn)確度與合理概率。

如圖4所示為一組數(shù)據(jù)分別使用不同的算法作對(duì)比，其中RANSAC的參數(shù)設(shè)定：模型閾值T=2；迭代次數(shù)K=20。結(jié)果顯示：圖中直觀上就可以看出直線(xiàn)位置，但最小二乘法生成的結(jié)果卻是錯(cuò)誤的，這是由于圖中存在較多局外點(diǎn)的數(shù)據(jù)，當(dāng)只有少部分的數(shù)據(jù)符合模型時(shí)，最小二乘法就失去其作用，RANSAC算法可以有效解決此弊端。

圖4 直線(xiàn)擬合算法對(duì)比

3.2 算法性能測(cè)試

比較EDLines算法和本文改進(jìn)算法的性能，進(jìn)行提取圖像中目標(biāo)輸電線(xiàn)對(duì)比實(shí)驗(yàn)，如圖5(a)所示為實(shí)際拍攝原圖像，圖5(b)為原EDLines算法擬合直線(xiàn)得出的結(jié)果，圖5(c)為本文改進(jìn)EDLines算法生成的輸電線(xiàn)目標(biāo)，圖5(d)為去除背景干擾得到的最終輸電線(xiàn)。其中RANSAC參數(shù)設(shè)定：誤差容忍度T=2，拍攝圖像迭代次數(shù)K=30。

圖5 輸電線(xiàn)識(shí)別

在圖5中可以看出，拍攝圖像在使用最小二乘法時(shí)，噪聲點(diǎn)位置的不同將產(chǎn)生不同的擬合效果，影響識(shí)別的精度。拍攝圖像中輸電線(xiàn)邊緣干擾小時(shí)，表現(xiàn)為線(xiàn)基元局內(nèi)點(diǎn)較多，局外點(diǎn)較少，擬合出的直線(xiàn)較為準(zhǔn)確，當(dāng)干擾較多時(shí)，表現(xiàn)為局外點(diǎn)多，會(huì)造成誤檢和漏檢現(xiàn)象。而RANSAC算法擬合出的直線(xiàn)使其與輸電線(xiàn)方向一致，排除了噪聲點(diǎn)的干擾，減弱車(chē)道邊緣的干擾，擬合出了正確的輸電線(xiàn)。

結(jié)果表明：本文算法可以識(shí)別出全部的8條有效輸電線(xiàn)，降低了外界因素對(duì)識(shí)別輸電線(xiàn)的影響，提高了EDLines檢測(cè)輸電線(xiàn)的準(zhǔn)確率，有效的實(shí)現(xiàn)了目標(biāo)輸電線(xiàn)的提取。

對(duì)單幅圖片使用不同的誤差容忍度與迭代次數(shù)，統(tǒng)計(jì)識(shí)別正確率如圖6所示，為保證準(zhǔn)確度和識(shí)別的速度，圖像最佳參數(shù)設(shè)定T=3,K=30。

圖6 不同參數(shù)識(shí)別的準(zhǔn)確率

為了檢驗(yàn)提取圖像中輸電線(xiàn)目標(biāo)算法的魯棒性，選取139張拍攝得到的輸電線(xiàn)圖像，共包含輸電線(xiàn)400根。每幀分別使用EDLines算法與本文算法識(shí)別，統(tǒng)計(jì)識(shí)別電線(xiàn)數(shù)和有效匹配率繪制成柱狀圖，如圖7所示。結(jié)果表明，對(duì)于不同環(huán)境背景下的圖像，本算法在總電線(xiàn)數(shù)的有效匹配百分比高達(dá)94.7 %，相比EDLines算法，準(zhǔn)確率增加了13.7 %，有效提高了實(shí)測(cè)視頻圖像中輸電線(xiàn)路檢測(cè)的準(zhǔn)確性。

圖7 拍攝圖效果對(duì)比

綜上所述，本文所提出的改進(jìn)EDLines快速識(shí)別輸電線(xiàn)算法，通過(guò)Edge Drawing算法產(chǎn)生干凈的邊緣鏈擬合直線(xiàn)，去除干擾背景，提高目標(biāo)識(shí)別準(zhǔn)確度，滿(mǎn)足飛行器巡檢的實(shí)時(shí)性。

4 結(jié) 論

本文提出一種改進(jìn)EDLines算法用于檢測(cè)輸電線(xiàn)路。對(duì)采集的圖像進(jìn)行去噪處理后，連接圖像中各個(gè)錨點(diǎn)實(shí)現(xiàn)邊緣圖的繪制，提高圖像處理的速度。使用RANSAC算法在生成的邊緣圖中擬合直線(xiàn)，減少了局外噪聲點(diǎn)對(duì)結(jié)果產(chǎn)生干擾，設(shè)計(jì)濾波算法精確提取輸電線(xiàn)所在位置，使目標(biāo)輸電線(xiàn)清晰準(zhǔn)確。使用大量的樣本進(jìn)行實(shí)驗(yàn)，結(jié)果表明:本文所提算法有效匹配率為94.7 %，解決了輸電線(xiàn)在復(fù)雜環(huán)境下的識(shí)別問(wèn)題。