基于改進(jìn)HOG特征提取與SVM分類(lèi)器輸電線(xiàn)路金具識(shí)別

閆樂(lè)樂(lè), 余宏杰

(安徽科技學(xué)院 機(jī)械工程學(xué)院,安徽 鳳陽(yáng) 233100)

遠(yuǎn)距離輸電的主要方式是高壓、超高壓,保障輸電線(xiàn)路安全運(yùn)行,關(guān)系到下游千萬(wàn)人民的安居樂(lè)業(yè)[1]。目前輸電線(xiàn)路巡檢方式主要是人工巡檢,但在偏遠(yuǎn)地區(qū),人工巡檢并不能及時(shí)巡查到故障點(diǎn),那么巡檢機(jī)器人應(yīng)用到輸電線(xiàn)路上,將會(huì)給巡檢工作帶來(lái)巨大便捷。巡檢機(jī)器人在線(xiàn)路上工作時(shí),對(duì)不同的金具采取不同的越障方式,那么金具的識(shí)別檢測(cè)將會(huì)對(duì)巡檢機(jī)器人[2]越障帶來(lái)指導(dǎo)。同時(shí),金具發(fā)生故障時(shí),巡檢機(jī)器人也會(huì)識(shí)別金具種類(lèi),可為后續(xù)工作人員更換設(shè)備帶來(lái)指導(dǎo),保證輸電線(xiàn)路發(fā)生障礙時(shí),及時(shí)排查故障,從而保證電力系統(tǒng)的安全穩(wěn)定,減少因?yàn)榇竺娣e停電帶來(lái)的重大經(jīng)濟(jì)損失[3]。因而針對(duì)輸電線(xiàn)路金具識(shí)別檢測(cè)有極大的經(jīng)濟(jì)實(shí)用價(jià)值。

目前,機(jī)器學(xué)習(xí)對(duì)金具的識(shí)別檢測(cè)主要是從特征提取[4]方面著手。針對(duì)圖像預(yù)處理階段的改進(jìn)研究相對(duì)來(lái)說(shuō)較少,肖志云等[5]對(duì)輸電線(xiàn)路金具檢測(cè)研究主要是采用特征融合技術(shù),將顏色特征與紋理特征相融合,進(jìn)行識(shí)別檢測(cè),比單獨(dú)進(jìn)行顏色特征與紋理特征檢測(cè)精確度提高10%以上。戴玉靜等[6]針對(duì)金具表面腐蝕現(xiàn)象,將顏色特征和紋理特征相融合,識(shí)別腐蝕金具的正確率為93.10%。胡彩石等[7]利用傳感器檢測(cè)識(shí)別障礙物,對(duì)圖像進(jìn)行處理后,利用圖像基元加以約束,實(shí)現(xiàn)障礙物的檢測(cè)識(shí)別,該方法優(yōu)勢(shì)在于實(shí)現(xiàn)方式簡(jiǎn)單,但缺點(diǎn)也很明顯,準(zhǔn)確率不高。

本研究提出IHOG-SVM方法,即在圖像預(yù)處理階段提出改進(jìn)辦法與梯度方向直方圖特征提取IHOG(Image preprocessing improved histogram of oriented gradients)和SVM(Support vector machine)相結(jié)合的輸電線(xiàn)路金具識(shí)別的方法。通過(guò)灰度化處理、圖像濾波、邊緣檢測(cè)[8]等3項(xiàng)預(yù)處理方法改進(jìn)原有的圖像特征提取辦法,能夠有效降低圖像的噪聲,提高圖像的清晰度,使得提取出金具的信息能夠更好地反應(yīng)金具自身的特征。此外,SVM分類(lèi)算法對(duì)于提取更好的數(shù)據(jù)集特征[9-10]具有更好的分類(lèi)能力。為了更加有效地識(shí)別金具種類(lèi),增加金具的識(shí)別準(zhǔn)確率,達(dá)到準(zhǔn)確識(shí)別的效果,本研究將IHOG特征提取和SVM分類(lèi)進(jìn)行結(jié)合,以達(dá)到更好的分類(lèi)效果。

1 材料與方法

1.1 圖像預(yù)處理

金具特征提取前,需要對(duì)數(shù)據(jù)集圖像進(jìn)行預(yù)處理,去除噪聲等因素對(duì)金具識(shí)別帶來(lái)的影響。本研究采用灰度化處理將數(shù)據(jù)集的彩色圖像轉(zhuǎn)化為灰度圖像[11],再用圖像濾波技術(shù)對(duì)圖像進(jìn)行預(yù)處理。預(yù)處理后圖像清晰度顯著提高,噪聲因素影響也降低了。圖像預(yù)處理流程如圖1所示。

圖1 圖像預(yù)處理流程Fig.1 Image preprocessing process

1.1.1 灰度化處理 彩色圖像一般由三通道R/G/B組成[12],當(dāng)3個(gè)通道值相等時(shí),圖像就由彩色轉(zhuǎn)化成一種灰度顏色,此值稱(chēng)作灰度值。本研究采用MATLAB軟件實(shí)現(xiàn)圖像的灰度化轉(zhuǎn)化?；叶葓D像對(duì)比彩色圖像有如下幾點(diǎn)優(yōu)勢(shì)：(1)RGB三通道值相等,可以降低運(yùn)算時(shí)間,同時(shí)運(yùn)算量也極大減少。(2)保持彩色圖像的色素變化特征。圖像灰度化處理方式有最大值法、平均值法、加權(quán)平均法(表1)。人眼在觀察外部事物時(shí),對(duì)于綠色的敏感度最高,對(duì)藍(lán)色敏感最低,因此,在灰度化處理階段采用權(quán)重進(jìn)行處理效果最優(yōu)[12],因此,本研究采用加權(quán)平均值法對(duì)RGB進(jìn)行處理,能夠得到較為合理的灰度圖像。本研究采用的公式為：

表1 圖像灰度化處理方式Table 1 Image graying processing methods

Gray(i,j)=0.299R(i,j)+0.587G(i,j)+0.114B(i,j)

(1)

其中,Gray(i,j)為像素點(diǎn)(i,j)變化之后的灰度值,取值范圍在[0,255]。前面的系數(shù)分別表示在像素點(diǎn)(i,j)的權(quán)重值[13-14]。

1.1.2 圖像濾波 金具分類(lèi)檢測(cè)過(guò)程中噪聲的干擾會(huì)影響其檢測(cè)效果。圖像預(yù)處理階段使用合適的濾波方法可以有效去除噪聲帶來(lái)的干擾,同時(shí)也能夠獲得更多圖像細(xì)節(jié)部分,有利于后續(xù)實(shí)驗(yàn)進(jìn)行。本研究采用中值濾波進(jìn)行濾波處理。中值濾波是非線(xiàn)性信號(hào)處理技術(shù),當(dāng)圖像中某點(diǎn)出現(xiàn)噪聲干擾時(shí),該點(diǎn)的像素值比周?chē)袼刂蹈?中值濾波原理就是將數(shù)字圖像中任一點(diǎn)的值,用該點(diǎn)鄰域范圍內(nèi)各個(gè)點(diǎn)的中值代替,使得噪聲污染處的像素值接近真實(shí)值,進(jìn)而消除噪聲對(duì)圖像帶來(lái)的干擾。中值濾波能夠有效消除噪聲的同時(shí),保護(hù)該圖像的邊緣處信息,使得圖像邊緣信息能夠被很好地保留。

1.2 HOG特征提取

HOG算法是把復(fù)雜的圖像信息簡(jiǎn)化處理的過(guò)程,所以只包括圖像的最基本信息,能夠更加準(zhǔn)確的識(shí)別圖像的邊緣。將一張圖片分為很多個(gè)模塊分別得到梯度信息和方向信息,最后匯總在一起。表2是圖像中列舉的某一點(diǎn)領(lǐng)域信息。圖2是計(jì)算一張圖片特征值的示意圖。

表2 圖片局部信息Table 2 Local information of pictures

圖2 檢測(cè)窗口Fig.2 Detection window

本研究給出了像素值是64×128的圖片具體算法,檢測(cè)窗口橫向是8個(gè)小格,縱向是16個(gè)小格,共計(jì)8×16=128小格,每個(gè)小格代表1個(gè)cell：像素值是8×8,通過(guò)直方圖處理后變成1×9的向量,即維度為9。block有36個(gè)數(shù)據(jù)(維度為36)滑動(dòng)步長(zhǎng)(橫豎都為8)：橫向滑動(dòng)7次,縱向15次,共計(jì)105次,每個(gè)block有36個(gè)數(shù)據(jù),共計(jì)3 780維度。具體特征提取流程見(jiàn)圖3。

圖3 HOG算法流程Fig.3 Flow of HOG algorithm

1.3 SVM分類(lèi)算法

支持向量機(jī)(Support Vector Machines,SVM)是將數(shù)據(jù)映射到高維度的空間[15],并在這個(gè)空間內(nèi)找到并建立一個(gè)最大間隔的超平面,將訓(xùn)練集中的正負(fù)樣本分開(kāi),保證正負(fù)樣本在超平面之間的距離最大,這樣分類(lèi)誤差就越小。并且SVM在解決很復(fù)雜的分類(lèi)問(wèn)題時(shí)候,只需要小樣本進(jìn)行訓(xùn)練[16-18],即可有效分類(lèi),符合機(jī)器學(xué)習(xí)要求,并且相比較神經(jīng)網(wǎng)絡(luò),支持向量機(jī)具有很好的泛化能力。

SVM尋找最優(yōu)平面的具體原理：分別用三角形和圓形表示代表需要分類(lèi)的兩類(lèi)數(shù)據(jù),即在高維空間尋找1個(gè)最優(yōu)超平面劃分兩類(lèi)數(shù)據(jù)。最優(yōu)超平面：全部待分類(lèi)樣本點(diǎn)距離分割線(xiàn)最近,2個(gè)分割線(xiàn)距離最遠(yuǎn),這個(gè)平面稱(chēng)為最優(yōu)超平面。

圖4表示最優(yōu)超平面在二維空間的情況,這時(shí)它是一條直線(xiàn),在三維空間內(nèi),最優(yōu)超平面表示的就是一個(gè)面。以?xún)深?lèi)待分類(lèi)數(shù)據(jù)為例,SVM就是在N維數(shù)據(jù)空間內(nèi)尋找一個(gè)超平面,能夠有效將數(shù)據(jù)分成兩類(lèi)。

圖4 SVM算法分類(lèi)圖Fig.4 SVM algorithm classification diagram

超平面方程具體表達(dá)式為：

(2)

待分類(lèi)樣本能有效分開(kāi),相對(duì)應(yīng)的約束條件為：

數(shù)據(jù)集：(x1,y1)、(x2,y2)…(xn,yn)

Y為樣本類(lèi)別：

當(dāng)X為正樣本時(shí)：

(3)

當(dāng)X為負(fù)樣本時(shí)：

(4)

合并式(3)、(4),得到

(5)

當(dāng)待分類(lèi)樣本滿(mǎn)足等號(hào)成立時(shí),圖4中線(xiàn)上的樣本點(diǎn)就是支持向量機(jī)上的支持向量點(diǎn),稱(chēng)為“支持向量”。

空間上任意一點(diǎn)到最優(yōu)超平面距離為：

(6)

那么最優(yōu)超平面的尋找就可以轉(zhuǎn)化為數(shù)學(xué)上求解d的最大值問(wèn)題,公式進(jìn)一步優(yōu)化得到：

(7)

由數(shù)學(xué)公式推導(dǎo)可知,d的最大值問(wèn)題可以轉(zhuǎn)化為求解‖W‖的最小值問(wèn)題,引入拉格朗日乘子法在約束條件式(5)的情況下得到：

(8)

其中,ai是拉格朗日乘子,ai≥0

對(duì)W求偏導(dǎo)：

(9)

對(duì)b求偏導(dǎo)：

(10)

將式(9)、(10)代入式(8)可得：

(11)

式(11)中的函數(shù)只有ai一個(gè)變量。假設(shè)最優(yōu)解為a0,b0表示分類(lèi)閾值,即可得到最優(yōu)分類(lèi)函數(shù)：

(12)

所得分類(lèi)函數(shù)(12),可以對(duì)二維空間的樣本進(jìn)行有效分類(lèi)。在二維空間難以分類(lèi)的線(xiàn)性不可分?jǐn)?shù)據(jù),可以將這個(gè)分類(lèi)函數(shù)往高維空間映射即可。

1.4 基于IHOG-SVM進(jìn)行輸電線(xiàn)路金具識(shí)別試驗(yàn)整體流程

本研究是將特征提取方法HOG進(jìn)行改進(jìn),提取圖像特征信息輸入到SVM進(jìn)行分類(lèi)。整體試驗(yàn)流程見(jiàn)圖5。

圖5 金具識(shí)別工作流程Fig.5 Process of hardware identification

1.5 試驗(yàn)材料準(zhǔn)備

試驗(yàn)采集的金具數(shù)據(jù)集有2種樣本包括耐張線(xiàn)夾、絕緣子。500個(gè)樣本,訓(xùn)練集400個(gè)樣本,280個(gè)絕緣子,120個(gè)耐張線(xiàn)夾。測(cè)試集100個(gè)樣本,70個(gè)絕緣子,30個(gè)耐張線(xiàn)夾。其中規(guī)定絕緣子為正樣本,耐張線(xiàn)夾為負(fù)樣本。

本研究給出其中1張耐張線(xiàn)夾,給出預(yù)處理階段結(jié)果,如圖6所示。采集到的圖像是彩色圖像,試驗(yàn)第一步進(jìn)行灰度化處理,得到灰度化結(jié)果圖6(b)。

圖6 預(yù)處理各個(gè)階段圖片F(xiàn)ig.6 Preprocessing pictures of various stages

灰度化處理過(guò)程中,參數(shù)系數(shù)的選?。?.30R、0.59G、0.11B。

試驗(yàn)第二步為檢測(cè)中值濾波效果,對(duì)灰度化處理后的圖像加入高斯和脈沖噪聲干擾后分別加入中值濾波、領(lǐng)域均值濾波、加權(quán)平均濾波后得到結(jié)果圖(d)、(e)、(f),對(duì)比結(jié)果可以發(fā)現(xiàn)中值濾波效果更好。

2 結(jié)果與分析

將預(yù)處理后的圖像進(jìn)行HOG特征提取,圖7給出了HOG特征提取的特征圖像和三維網(wǎng)格圖,通過(guò)HOG特征提取的維度具體計(jì)算方法,cell設(shè)置是8×8大小,block是由相鄰4個(gè)cell組成。使用的圖片像素是64×128,得到維度值是3 780維。

先使用訓(xùn)練集訓(xùn)練出所需模型,然后使用測(cè)試集進(jìn)行試驗(yàn)。為區(qū)別本方法的優(yōu)勢(shì),使用2種試驗(yàn)方法進(jìn)行對(duì)比：(1)HOG算法進(jìn)行特征提取;(2)改進(jìn)HOG算法進(jìn)行特征提取,分別使用相同的待試驗(yàn)數(shù)據(jù)集進(jìn)行試驗(yàn),對(duì)比試驗(yàn)流程如圖8所示。

圖8 對(duì)比試驗(yàn)流程圖Fig.8 Flow chart of comparism experiment

本研究預(yù)測(cè)樣本中正樣本(絕緣子)70個(gè),負(fù)樣本(耐張線(xiàn)夾)30個(gè),表3給出了不加預(yù)處理和預(yù)處理HOG特征提取后分類(lèi)的結(jié)果,可知,加入圖像預(yù)處理后的準(zhǔn)確率是96%,未加圖像預(yù)處理的實(shí)驗(yàn)準(zhǔn)確率是81%,但這只能表示兩類(lèi)數(shù)據(jù)中正樣本(絕緣子)被分開(kāi)的可能性很大,存在負(fù)樣本(耐張線(xiàn)夾)被誤分的情況,所以引入了召回率和精準(zhǔn)率,召回率和精準(zhǔn)率預(yù)處理以后的結(jié)果優(yōu)于未處理之前的情況,二者的調(diào)和平均數(shù)(f)預(yù)處理以后的值都優(yōu)于未處理的值。綜合數(shù)據(jù)來(lái)看,在HOG特征提取之前加入圖像預(yù)處理,該方法對(duì)于正負(fù)樣本有著很好的區(qū)分,整體優(yōu)于未加入圖像預(yù)處理的方法。

表3 HOG-SVM和IHOG-SVM直接分類(lèi)結(jié)果Table 3 Direct classification results of HOG-SVM and IHOG-SVM

3 結(jié)論

本研究用相同的訓(xùn)練集和測(cè)試集,分別采用IHOG-SVM和HOG-SVM方法進(jìn)行對(duì)比,IHOG-SVM在圖像預(yù)處理階段加入了灰度化和中值濾波技術(shù),去除圖像本身噪聲對(duì)分類(lèi)結(jié)果產(chǎn)生的影響,得到的準(zhǔn)確率相比較未進(jìn)行圖像預(yù)處理有所提高,為輸電線(xiàn)路金具識(shí)別檢測(cè)實(shí)際應(yīng)用提供了一種方法。

本研究的改進(jìn)點(diǎn)只是在HOG特征提取之前作出一定方法研究,并未對(duì)HOG算法本身和HOG特征提取之后的算法作出改進(jìn),因此后期將對(duì)HOG算法本身和特征提取之后做相關(guān)研究。此外,SVM分類(lèi)器自身參數(shù)調(diào)整將是未來(lái)研究重點(diǎn)。