CN103442209A - 一种输电线路的视频监控方法 - Google Patents

Abstract

本发明属于图像处理领域，公开了一种输电线路的视频监控方法，包括：雾天等级识别，覆冰/雪识别，导线舞动识别，周界报警。雾天等级识别提取矢量夹角特征，选用支持向量机进行分类。覆冰/雪识别采用图像分割、边缘检测及改进的Hough变换等图像处理技术实现覆冰/雪厚度的测量。导线舞动识别检测出导线中的多个波谷点与波峰点，通过比较所有的波谷点与波峰点，得到导线舞动的最低点与最高点，继而计算导线舞动幅值与频率。周界报警采用自动更新背景的方法，在异物判断过程中大大减少了噪声的影响，采用百分比的形式判断是否有异物进入监控区域。本发明实现了恶劣气候环境下对输电线路的视频监控。

Description

一种输电线路的视频监控方法

技术领域

本发明属于图像处理领域，涉及一种输电线路的视频监控方法。通过输电线路的图像识别，实现输电线路在各种气象环境中监控与预警。 

背景技术

输电线路是远距离输配电力的主要方式，绝大部分线路设在地形复杂、自然环境恶劣的地方。架空输电线路导线及杆塔附件长期暴露在野外，因受到持续的机械张力、电气闪络、材料老化的影响而产生磨损、腐蚀等损伤，如不及时修复更换，有可能造成严重事故。 

当前,输电线路的巡检方式以人工为主。这种方法不仅消耗大量的人力、物力、财力，而且不能完成实时监测，从而极大地降低了系统的可靠性和可信度。相比之下，图像处理及图像识别技术在输电线路方面的应用能很好完成杆塔、导地线及其金具、绝缘子等运行状态以及输电环境的变化的检测。 

随着计算机技术及图像处理技术的不断发展，输电线路的智能化监控技术已日益成熟。专利号为2010101454535的、东南大学申报的发明“一种基于图像灰度直方图的雾天检测方法”，提出了一种基于图像灰度直方图的雾天检测方法，该发明使用图像的灰度直方图来检测天气，利用灰度直方图中像素点数目和灰度值的对应关系，以及一系列阈值，检测出非雾天、小雾天以及大雾天三个等级。该发明存在的问题是，由于基于基本的像素信息进行分类，影响了分类的准确性。东南大学早报的、专利号为2012102266424的另一项发明“一种基于图像颜色空间特征的雾天检测方法”，首先对背景图片进行颜色空间转换，从RGB颜色空间转换到HSV颜色空间，然后根据图像包含信息提取出HSV各个分量的特征，根据设置的判定条件将图像包含天气信息划分为非雾天、小雾天气和大雾天气。该发明进行了颜色空间的转换，提取颜色特征分量进行分类，在分类准确率上有所提高，但还是不能很好的表达出雾天图像的特征。 

专利号为201110049858.3的、中科华核电技术研究院有限公司及中国广东核电集团有限公司申报的发明“运动目标检测方法以及无线传感器网络头节点设备”，公开了一种运动目标检测技术，其缺点是对传感器等硬件设备的要求较高，原因是在山林地带进行安装容易受到恶劣天气环境的影响，不能进行准确的检测。 

专利号为CN201120499408、延安供电局申报的发明“输电线路舞动在线监测系统”，提出了一种通过在导线中安装适当数量的导线舞动监测仪，采集3个方向的加速度信息，之后 依据对监测点加速度的计算分析及线路基本信息，分析舞动线路的舞动半波长数及计算导线运动的轨迹相关参数，分析线路是否发生舞动危害，发生报警信息。该发明的不足仍然是对硬件要求较高，实现难度大。 

发明内容

针对现有技术中存在的上述问题，本发明提出了一种输电线路的视频监控方法，旨在实现恶劣气候环境下对输电线路的监控。 

本发明通过对输电线路中的绝缘子、导线、间隔棒、防振锤、塔下走廊环境和气象环境等进行图像识别，完成输电线路的视频监控。变电站图像识别的观察对象主要为母线、母跨、瓷瓶等。本发明以输电线路图像识别为主，根据实际需要，还可将本发明应用到变电站智能识别领域。 

一种输电线路的视频监控方法，其特征在于包括： 

1.雾天等级识别 

雾天对输电线路视频监控过程的影响非常大，它将严重降低视频图像的清晰度，干扰线路分析的结果，造成隐患。因此，及时检测雾天等级对输电线路监控系统来说是非常重要的。 

受大气散射的作用，雾天时所获得的可见光图像的显著特点是对比度很低，平均色调较低，饱和度较高，且各个像素之间的色调差较小。成都信息工程学院大气探测重点开放实验室在《基于双色大气散射模型的视程障碍类天气现象识别》中提出了一种基于双色大气散射模型的视程障碍类天气现象的识别算法，通过计算图像中所选区域像素与像素之间的矢量夹角来实现不同视程障碍类天气现象的分类。本发明在此基础上，使用HSI模型处理图像，使用双色大气散射模型，提取矢量夹角。通过计算矢量夹角值对雾天图像进行分类。在分析先验图像的基础上，通过支持向量机进行训练，从而确定上述参数在雾天情况下的阈值并进行报警。 

2.导线覆冰/雪厚度识别 

在输变电系统中，输电线路的覆冰/雪现象十分普遍。覆冰/雪可引起导线舞动、倒杆、断线等重大事故，严重威胁电力系统的安全运行，并造成巨大的经济损失。 

导线覆冰/雪厚度识别是根据提供的图片，对现场是否有覆冰/雪进行识别，并初步识别覆冰/雪的厚度。 

现有的输电线路覆冰/雪厚度在线监测方法主要有两种：第一种是通过监测导线覆冰/雪前后重量的变化、绝缘子倾斜角度以及环境风速等气象条件，利用导线覆冰/雪厚度计算模型得到当前线路的覆冰/雪厚度。由于这种方法需要现场安装力学传感器，不仅改变了原有的力学结构，而且需要对力学传感器进行机械强度、疲劳破坏等性能测试，因而应用受到了限制。 第二种方法是在杆塔上安装视频监控系统，通过视频图像观察现场覆冰/雪情况。这种方法虽然将现场的情况直观地展现给工作人员，但是只能通过人眼判断覆冰/雪而不能实现对覆冰/雪的定量分析。 

本发明以图像处理及识别为基础，获取输电线覆冰/雪前后的边界，进而定量地计算导线的覆冰/雪厚度。采用图像分割、边缘检测及Hough变换等图像处理技术，并对边缘检测（Canny算子）后的二值图像进行边缘过滤，提高了覆冰/雪厚度测量精度。 

3.导线舞动识别 

输电线舞动是偏心覆冰导线在风激励下产生的一种低频、大振幅自激振动。在某些地区导线舞动已成为线路主要危害，需对输电线舞动进行实时监测预警，保证输电线的安全运用。 

本发明提出的舞动检测方法结合以往舞动监测手段的优点，通过安装在输电线路现场的监测终端采集摄像头画面，应用数字图像处理技术处理现场图片数据，从而得出舞动的特征参数并结合现场气象条件判定输电线的舞动级别。首先对图片进行图像预处理——图像灰度化，以便获取原图像的灰度化图像。之后采用中值滤波的方法对图像进行平滑处理，再对图像进行Canny算子的边缘检测。通过以上处理便可获取清晰的导线轮廓。完成对舞动图像的预处理过程后，通过求导线的最低、最高点计算导线舞动的幅度和频率。 

4.周界报警 

周界报警分为两大类：导线周界报警和杆塔周界报警。 

导线周界报警包括： 

（1）来自于地面的缓动体（如树木长高）的报警； 

（2）来自于地面的速动体（如吊车作业）的报警； 

（3）空中异物（如风筝）挂线的报警； 

杆塔周界报警包括： 

（1）来自于地面的缓动体（如人员）闯入的报警； 

（2）塔下异物的报警； 

（3）来自于地面的速动体（如挖掘机、卡车等大型机械）闯入视野的报警； 

为了解决光线变化及四季变化使监测环境的背景产生变化不利于异物监测等问题，本发明采用背景更新方法，实时地对背景进行更新以确保系统的实时性。对前景检测的基础为背景差分法，为了提高前景检测的准确率，在进行背景差分之前对背景及待检测图片进行一系列的图像预处理，如图像的灰度化，二值化等。为了解决复杂背景如树叶的飘动等对检测结果的影响，在得到差分图像之后再对得到的差分图像进行处理，如对其进行形态学的处理等。提取出前景后，为了能准确地进行报警，减少人员监控的负担，将对提取出的前景区进行图 像的周长计算，将小轮廓丢弃掉只保存大轮廓，根据周长的预设值进行报警。为了能准确报警，尽量不出现误报的情况，在保存大轮廓的基础上将再分小区域扫描确定是否有异物进入到监控区，若出现，报警；若没有出现，通过时间判断是否需要背景更新：若时长大于等于设定的背景更新时长，将此图代替前背景图片作为下一次前景检测的背景；若时长小于设定的背景更新时长，则说明上一次更新的背景还是可信任背景图片，不进行背景更新。 

与现有技术相比，本发明具有以下优点： 

（1）本发明在进行雾天等级分类时不仅提取对比度、饱和度、色度三个颜色分量，并且使用双色大气散射模型，提取矢量夹角。通过比较，最终选取矢量夹角值作为分类特征值。选用支持向量机进行分类，使各类分界阈值选取更智能化。 

（2）本发明在进行覆冰/雪厚度检测时采用改进的Hough变换进行导线边缘噪声过滤，提取导线边缘。由于在分类器选取方面进行了改进，并引入了等距取点机制，减少了参数空间内存的开销及Hough变换出现的伪峰值，提高了算法的运算速度。 

（3）本发明在计算导线舞动的幅值与频率时，可检测出导线中的多个波谷点与波峰点，通过比较所有的波谷点与波峰点，得到更加准确的导线舞动的最低点与最高点，继而计算出更为准确的导线舞动幅值与频率。相对通过选定目标点（最低点，最高点）进行检测的方法是一种改进。 

（4）本发明的周界报警算法不包含大量的计算过程，处理时间短，能在极短的时间内检测出是否有异物闯入，并及时报警，具有很强的实时性。本发明采用自动更新背景的方法，与一般处理中使用固定背景的技术相比，在异物判断过程中大大减少了噪声的影响。采用百分比的形式判断是否有异物进入监控区域，大大提高了周界报警的准确性。 

附图说明

图1为本发明的系统组成框图； 

图2为本发明所涉及的雾天等级识别方法流程图； 

图3为本发明所涉及的导线覆冰/雪厚度识别方法流程图； 

图4为本发明所涉及的导线舞动识别方法流程图； 

图5为本发明所涉及的周界报警方法流程图； 

图6为同一场景点E在三种不同雾天等级下同一像素的矢量坐标位置示意图； 

图7为不同等级的雾天图像：(a)～(d)分别为不同等级的RGB图像，(e)～(h)为对应的HSI空间图像； 

图8为计算导线覆冰/雪厚度示意图； 

图9为导线覆冰/雪厚度识别图像处理过程示意图：(a)为覆冰/雪原始图像，(b)为边缘检测后的图像，(c)为进行Hough后的导线图像； 

图10为导线舞动图像处理过程示意图：（a）为导线大轨迹运动原图，（b）为灰度化图，（c）为中值滤波效果图，（d）为边缘检测效果图； 

图11为周界报警图像处理过程示意图：（a）为背景图像，（b）为待检测图像，（c）为差值图像，（d）为差值图二值化图像，（e）为形态学处理图像。 

具体实施方式

本发明所采用的编程语言为C++语言，在Windows XP环境下利用Microsoft Visual Studio2008开发工具实现编程开发。 

本发明的组成框图如图1所示，包括：雾天等级识别，导线覆冰/雪厚度识别，导线舞动识别和周界报警。其中， 

雾天等级识别的方法流程如图2所示，包括以下步骤： 

步骤一，把彩色图像由RGB模式转化为HSI模式，公式如下： 

$I=\frac{1}{\sqrt{3}}(R+G+B)$

$S=1-\frac{\sqrt{3}\min (R,G,B)}{I}$

$H=\left\{\begin{array}{cc}\mathrm{\&theta;},& G\&GreaterEqual;B\\ 2\mathrm{\&pi;}-\mathrm{\&theta;},& G<B\end{array}\right.$

$\mathrm{\&theta;}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}$

式中，R，G，B分别为RGB空间中红、绿、蓝三个通道的分量；H表示色度；I表示强度；S表示饱和度。 

图7给出了一组不同等级的雾天图像，图7(a)～(d)分别为不同等级的RGB图像，图7(e)～(h)为对应的HSI空间图像。从图可以看出，在HSI图像空间中，不同雾天等级图像的整体色调基本相同，符合HSI颜色空间具有反映物体固有颜色信息的特征。不同等级的雾天图像中前景与背景的对比度增强，直观视觉效果更加明显。 

步骤二，提取图像的夹角特征。 

图像的颜色特征和夹角特征均随雾天等级的变化而变化。实验表明，图像的饱和度特征和色度特征随雾天等级的变化曲线是非单调的，所以这两个特征不能作为分类的特征依据。虽然夹角特征和对比度特征随雾天等级的变化曲线均是单调的，但根据双色大气散射模型所 计算的夹角特征，比对比度特征能更好地表达不同等级雾天图像像素之间内在联系，所以本发明选取夹角特征作为雾天等级的分类参数。 

夹角特征即双色模型特征。所谓双色模型矢量夹角就是不同雾天等级情况下同一场景点的两个像素，在RGB空间中矢量方向上的夹角。同一场景中同一点的像素在RGB空间中的矢量方向会因为雾天等级的不同而发生变化。图6为同一场景点E在三种不同雾天等级下同一像素的矢量坐标位置示意图，根据双色模型的矢量分解原理，像素点的矢量方向与大气光散射方向越靠近，雾天等级条件越恶劣。 

在RGB空间，同一像素点在不同雾天等级下的矢量表示为：

i=1，2，3，4，分别代表晴天，轻度雾天，中度雾天，重度雾天四种不同雾天等级。根据双色大气模型，选E₁所代表的天气条件为晴天，即晴天下景物的像素，像素矢量用

表示，

代表同一像素点不同雾天等级下的像素矢量。则两个矢量在双色模型中的矢量夹角计算公式为： 

$\cos <{\stackrel{\&RightArrow;}{\mathrm{OE}}}_i,{\stackrel{\&RightArrow;}{\mathrm{OE}}}_j>=\frac{r_i{r}_j+g_i{g}_j+b_i{b}_j}{\sqrt{{r_i}^2+g_i^2+b_i^2}\sqrt{{r_j}^2+g_j^2+b_j^2}}$

提取图像夹角特征的方法如下： 

（1）求不同雾天等级下特定点像素与晴天下该点像素之间的矢量夹角值，特定点可根据图片的不同自行选取图片中标志性的点。 

（2）取该像素点周围m邻域像素亮度的平均值；m值越大效果越好，但过大会影响运算速度，本发明实施例选取m=5。 

（3）对二者进行加权相乘得双色模型矢量作为分类特征输入分类器。 

步骤三，在分析先验图像的基础上，通过支持向量机对夹角数据进行训练分类，根据分类效果设定分类阈值，根据夹角特征值α的大小进行雾天等级分类： 

当0.0000≤α<0.0150时，为晴天； 

当0.0150≤α<0.0300时，为轻度雾天，即小雾； 

当0.0300≤α<0.0450时，为中度雾天，即中雾； 

当α≥0.0450时，为重度雾天，即大雾。 

本实施例将398幅图片分为两类，一类为训练300幅图片，另一类为测试98幅图片。将300幅图片得到的夹角数据作为训练样本进行训练，另将剩下的98幅图片得到的夹角数据作为测试样本进行预测训练。实验结果显示，在测试的98幅图片中，96幅的测试结果是正确的，只有两幅误判，准确率达到97.9592%。所以，本发明选用的特征值和分类器能达到准确的分类效果。 

导线覆冰/雪厚度识别的方法流程如图3所示，包括以下步骤： 

步骤一，对图像进行灰度化处理。 

步骤二，采取中值滤波法进行滤波处理。 

由于现实中的导线和绝缘子均处在自然环境下，其背景不可能完全理想，而且摄像过程和图像在由输电线路现场传回控制中心的过程中不可避免地会引入一些噪声。这些噪声将会影响图像边缘的提取，有时可能会产生伪边缘，直接致使边缘检测精度的下降，甚至导致无法找到准确的边缘。传统的滤波方式有高斯滤波、双边滤波、中值滤波等。本发明针对待处理图像的特性，采取中值滤波方式。中值滤波器输出的像素是由邻域像素的中间值决定的，可在去除图像的同时避免图像边缘的模糊，从而更有利于图像边缘的检测和提取。 

步骤三，采用Canny算子进行边缘检测，从而提取图像边缘。 

提取边缘的方法主要有Robert、Prewitt、LOG、Canny等算子边缘检测。这些方法都是基于空间运算，通过将算子模板与图像进行卷积完成，算法简单，速度快。其中，基于最优化理论的Canny边缘检测算法具有信噪比大，检测精度高和计算量小等优点。Canny算子的特点在于非极大值抑制和双门限检测思想。“非极大值抑制”过程用于细化梯度幅值矩阵，寻找图像中的可能边缘点。因为仅仅得到全局的梯度并不足以确定边缘，而为了确定边缘，必须保留局部梯度最大值信息。而双门限检测是通过双阈值递归寻找图像边缘点，实现边缘提取。这是为了解决传统的单门限检测方法的弊端。基于以上优点，本发明采用Canny算子进行边缘检测。 

步骤四，进行边缘过滤。 

边缘检测后，图像存在大量的噪声边缘，如图9(b)所示。为了提高覆冰/雪厚度的测量精度，需对噪声边缘进行过滤。 

输电线边缘近似直线，本发明通过Hough变换定位直线。将满足直线的边缘点保留，不满足直线的边缘点过滤。传统Hough变换存在以下缺陷：需要参数空间，且计算精度与空间的大小成正比，计算量大；“一对多的映射”造成参数空间所需的存储量大；单纯的参数空间没有图像边缘点的信息，认为参数空间的峰值对应图像空间的直线，伪峰值容易导致误检测。为了解决传统Hough变换的缺陷，本发明提出了两个方面的改进：分类器的选取及等距取点配对机制。 

边缘过滤的具体方法如下： 

（1）根据sobel算子提供的梯度信息，将边缘特征点分为四类：水平、垂直、正45度、负45度。 

（2）将垂直、水平、正45度、负45度四种分类器中包含边缘特征点的数目最多的分类 器中的边缘特征点进行Hough变换，每次映射运算选取满足式（1）～（3）约束条件的两个特征点(x_i,y_i)，(x_j,y_j)，计算其直线参数，并在参数空间上投影。 

ρ＝x_i*cosθ+y_i*sinθ         （1） 

ρ＝x_j*cosθ+y_j*sinθ         （2） 

$\mathrm{\&theta;}=\arctan \left(\frac{y_i-y_j}{x_j-x_i}\right)---\left(3\right)$

式中，θ为坐标原点到直线边缘的垂直线与x轴的夹角，ρ为坐标原点到直线边缘的垂直距离，如图8所示。 

把θ代入式（1）或式（2）可得到ρ。参数空间域(ρ,θ)中对应的单元值加1，依次扫描子类中的边缘特征点，按上述算法进行Hough变换。 

（3）定位直线。 

（4）扫描边缘检测后的所有特征点集合，保留满足直线约束条件的边缘特征。 

步骤五，计算覆冰/雪厚度。 

如图8所示，Line1和Line2分别为经边缘检测后得到的导线两侧的边缘直线，两条直线近似平行，通过Hough变换可得到θ角，覆冰/雪厚度的计算方法如下： 

（1）查找在直线Line2附近或线上的第一个黑点p21（x₂₁，y₂₁），在以p21为中心的一定区域内在直线Line1附近或线上查找黑点p11（x₁₁，y₁₁），使得p11与p21满足如下关系： 

$\tan \left(\mathrm{\&theta;}\right)=\frac{y_{21}-y_{11}}{x_{21}-x_{11}}$

（2）计算两个黑点之间的距离h，公式如下： 

$h=\sqrt{{(y_{21}-y_{11})}^2+{(x_{21}-x_{11})}^2}$

（3）沿直线Line2逐点扫描，重复步骤（1）、（2）求出黑点之间的距离h_i，然后求平均值，公式如下： 

$\stackrel{\&OverBar;}{D}=\frac{1}{N}\underset{i=0}{\overset{N}{\mathrm{\&Sigma;}}}{h}_i$

式中，N为每条直线上的黑点总数。 

（4）计算覆冰/雪厚度，公式如下： 

$h=(\stackrel{\&OverBar;}{D}-d)/2$

式中，d为无冰/雪导线直径。 

检测过程的图像如图9，图9(b)显示边缘检测后导线边界存在很多无用的边缘信息，图 9(c)为利用Hough变换提取导线边缘的最终结果图，基本都是导线的边缘，之前的无用噪点均被滤掉，所有的导线边缘皆清晰可见，效果非常理想。 

导线舞动识别的方法流程图如图4所示，包括以下步骤： 

步骤一，对图像进行灰度化处理。 

步骤二，进行滤波处理。 

出现导线舞动时的天气状况一般都不理想，再加上由于摄像机的因素以及图像在由输电线路现场传回控制中心的过程中不可避免的会引入一些噪声。为了消除这些噪声对图像产生的影响，需对图像进行滤波处理，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制。本发明针对待处理图像的特性，采取中值滤波方式消除孤立的噪声点。 

步骤三，进行边缘检测。 

方法同导线覆冰/雪厚度识别方法的步骤三。 

图10（a）为导线大轨迹运动原图，（b）为灰度化图，（c）为中值滤波效果图，经中值滤波后消除了图像中的一些干扰噪声，再进行Canny算子边缘检测可得到效果更好的图像，如图10（d）所示，导线具有清晰的边缘，有利于导线的幅值和频率计算。 

步骤四，计算导线舞动的幅值及频率，方法如下： 

（1）计算每条导线中的所有波谷点以及最低点。 

从图片的左下角开始逐行对每个像素点进行逐行扫描，直到扫描到图像的右上角。在扫描过程中，根据每个像素点的灰度值进行判断，如果判断结果为黑色，则不做任何处理，对下一个像素点进行判断；如果判断结果为白色，则对此像素点的下一行的所有像素点进行判断，如果结果不全为黑色，则不做任何处理，对下一点像素进行判断，如果结果全部为黑色，则此点确定为波谷点。 

将所得的所有波谷点进行比较，最小点为导线的最低点。 

（2）计算每条导线中的所有波峰点以及最高点 

波峰点的计算方法类似于波谷点。在扫描过程中，根据每个像素点的灰度值进行判断，如果判断结果为黑色，则不做任何处理，对下一个像素点进行判断；如果判断结果为白色，则对此像素点的上一行的所有像素点进行判断；如果结果不全为黑色，则不做任何处理，对下一点像素进行判断，如果结果全部为黑色，则此点确定为波峰点。 

将所得的所有波峰点进行比较，最大点为导线的最高点。 

（3）计算导线舞动的幅值 

求最高点与最低点的差值即为导线舞动的幅值。 

（4）计算导线舞动频率 

选定一张已记录的舞动位置最高或最低的图片，以此图片为中心向两边搜索，直到找到该图片最近邻域的舞动位置最高或最低的图片，设这两张图片之间间隔的张数为n。导线的舞动频率f为： 

$f=\frac{1}{2n\&times;\frac{1}{f_p}}$

式中，f_p为照相机每秒钟拍摄照片的张数。 

周界报警的方法流程如图5所示，包括以下步骤： 

步骤一，采取中值滤波法对图像进行滤波处理。 

步骤二，采用背景差分法分离闯入的运动目标。 

背景差分法是通过输入图像与背景求差分离出闯入运动目标。求差公式为： 

d＝|I_L(x,y,i)-B_l(x,y)| 

式中，d为输入图像与背景的差，L_L(x,y,i)为输入图像中像素点灰度值，B_L(x,y)为背景图像中对应位置像素点的灰度值。 

如果d≥T，为运动目标像素点；否则，为背景像素点。T为阈值，其值根据经验选取。 

图11为周界报警处理过程示意图。（c）图即为由背景图像（a）与待检测图像（b）求差得到的图像。由图（c）可知，虽然分离出了异物但还有其它一些干扰因素，为了处理掉这些干扰因素只保留异物信息，还需对此图做进一步处理。 

步骤三，对图像进行二值化处理。 

本发明采用自适应阈值方法进行二值化。对每个像素，在以其为中心的一个领域内寻找像素的最大值和最小值，并取二者的平均值作为二值化的阈值。图11（d）即为二值化图像，该图像像素的灰度值只有255及0。 

步骤四，进行形态学运算，消除图像中的干扰因素。 

为了消除图像中所包含的干扰因素，使最终图像只包含异物信息，本发明采用了多次形态学闭运算及腐蚀与膨胀运算，方法如下： 

（1）对图像进行腐蚀运算。 

腐蚀是一种消除边界点使边界向内部收缩的过程，可以用来消除小且无意义的物体。 

采用2×2的结构元素，对扫描图像的每一个像素，用结构元素与其覆盖的二值图像进行“与”操作，使二值图像减小一圈。 

（2）对图像进行膨胀运算。 

腐蚀运算在消除噪声的同时对有用的目标信号同样具有削弱作用。为了补偿目标信号的 损失，需对图像进行与腐蚀运算相同次数的膨胀运算。 

膨胀运算是与腐蚀运算相对的运算。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。膨胀可以用来填补物体中的空洞。 

采用2×2的结构元素，对扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“或”操作，使二值图像扩大一圈。 

（3）对图像进行闭运算。 

在进行上述的腐蚀、膨胀运算之后，还可能存在体内有细小的洞或不过平滑等问题，对图像采用闭运算可消除这些存在的问题。 

闭运算是指先膨胀后腐蚀的过程。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。 

形态学运算处理的图像如图11（e）所示。由图可知，经形态学运算处理后，已经没有了图11（d）中的噪声点，使进入的异物清晰可辨。 

步骤五，判断是否进入异物。 

图像在二值化处理之后，差值图片中有异物的地方像素灰度为255，非异物处为0。本发明在形态学处理完成之后对差值图片进行扫描，首先计算图片中灰度为255的像素总和S，然后在很小的区域（此区域大小为经验值）内进行像素扫描并同时记下此小区域内灰度为255的像素总和S_小，最后根据若S_小/S的值进行判断、报警，方法如下： 

若S_小/S≥50%，有异物闯入，系统报警，人工处理检测是否有异物、闯入者； 

若S_小/S<50%，没有异物闯入。 

若没有出现异物，通过时间判断是否需要背景更新：若时长大于等于设定的背景更新时长，将此图代替前一张背景图片作为下一次前景检测的背景；否则，说明上一次更新的背景还是可信任背景图片，不进行背景更新。 

Claims (10)

1.一种输电线路的视频监控方法，其特征在于包括：雾天等级识别，导线覆冰/雪厚度识别，导线舞动识别，周界报警；

所述雾天等级识别方法包括以下步骤：

步骤一，把彩色图像由RGB模式转化为HSI模式；

步骤二，提取图像的夹角特征，方法如下：

（1）求不同雾天等级下特定点像素与晴天下该点像素之间的矢量夹角值，特定点可根据图片的不同自行选取图片中标志性的点；

在RGB空间，同一像素点在不同雾天等级下的矢量表示为：

r、g、b分别为R、G、B三通道分量，i=1，2，3，4，分别代表晴天，轻度雾天，中度雾天，重度雾天四种不同雾天等级；根据双色大气模型，选E₁所代表的天气条件为晴天，即晴天下景物的像素，像素矢量用表示，代表同一像素点不同雾天等级下的像素矢量；特定点像素i与晴天下该点像素之间的矢量夹角可由下式在j=1时求得：

$\cos <{\stackrel{\&RightArrow;}{\mathrm{OE}}}_i,{\stackrel{\&RightArrow;}{\mathrm{OE}}}_j>=\frac{r_i{r}_j+g_i{g}_j+b_i{b}_j}{\sqrt{{r_i}^2+g_i^2+b_i^2}\sqrt{{r_j}^2+g_j^2+b_j^2}}$

（2）取该像素点周围m邻域像素亮度的平均值；m值越大效果越好，但过大会影响运算速度，本发明实施例选取m=5；

（3）对二者进行加权相乘得双色模型矢量作为分类特征输入分类器；

步骤三，在分析先验图像的基础上，通过支持向量机对夹角数据进行训练分类，根据分类效果设定分类阈值，根据夹角特征值α的大小进行雾天等级分类。

2.根据权利要求1所述的一种输电线路的视频监控方法，其特征在于，步骤三所述根据夹角特征值α的大小进行雾天等级分类的方法为：

当0.0000≤α<0.0150时，为晴天；

当0.0150≤α<0.0300时，为轻度雾天，即小雾；

当0.0300≤α<0.0450时，为中度雾天，即中雾；

当α≥0.0450时，为重度雾天，即大雾。

3.一种输电线路的视频监控方法，其特征在于包括：雾天等级识别，导线覆冰/雪厚度识别，导线舞动识别，周界报警；

所述导线覆冰/雪厚度识别方法包括以下步骤：

步骤一，对图像进行灰度化处理；

步骤二，采取中值滤波法进行滤波处理；

步骤三，采用Canny算子进行边缘检测，从而提取图像边缘；

步骤四，进行边缘过滤处理；

步骤五，计算覆冰/雪厚度。

4.根据权利要求3所述的一种输电线路的视频监控方法，其特征在于，步骤四所述边缘过滤处理采用改进的Hough变换进行导线边缘噪声过滤，在分类器选取方面进行了改进，并引入了等距取点机制，减少了参数空间内存的开销及Hough变换出现的伪峰值，提高了算法的运算速度；具体方法如下：

（1）根据sobel算子提供的梯度信息，将边缘特征点分为四类：水平、垂直、正45度、负45度；

（2）将垂直、水平、正45度、负45度四种分类器中包含边缘特征点的数目最多的分类器中的边缘特征点进行Hough变换，每次映射运算选取满足式（1）～（3）约束条件的两个特征点(x_i,y_i)，(x_j,y_j)，计算其直线参数，并在参数空间上投影；

ρ＝x_i*cosθ+y_i*sinθ          （1）

ρ＝x_j*cosθ+y_j*sinθ         （2）

$\mathrm{\&theta;}=\arctan \left(\frac{y_i-y_j}{x_j-x_i}\right)---\left(3\right)$

式中，θ为坐标原点到直线边缘的垂直线与x轴的夹角，ρ为坐标原点到直线边缘的垂直距离；

把θ代入式（1）或式（2）可得到ρ；参数空间域(ρ,θ)中对应的单元值加1，依次扫描子类中的边缘特征点，按上述算法进行Hough变换；

（3）定位直线；

（4）扫描边缘检测后的所有特征点集合，保留满足直线约束条件的边缘特征。

5.根据权利要求3所述的一种输电线路的视频监控方法，其特征在于，步骤五计算覆冰/雪厚度的方法如下：

假设Line1和Line2分别为经边缘检测后得到的导线两侧的边缘直线，两条直线近似平行，通过Hough变换可得到θ角；

（1）查找在直线Line2附近或线上的第一个黑点p21（x₂₁，y₂₁），在以p21为中心的一定区域内在直线Line1附近或线上查找黑点p11（x₁₁，y₁₁），使得p11与p21满足如下关系：

$\tan \left(\mathrm{\&theta;}\right)=\frac{y_{21}-y_{11}}{x_{21}-x_{11}}$

（2）计算两个黑点之间的距离h，公式如下：

$h=\sqrt{{(y_{21}-y_{11})}^2+{(x_{21}-x_{11})}^2}$

（3）沿直线Line2逐点扫描，重复步骤（1）、（2）求出黑点之间的距离h_i，然后求平均值，公式如下：

$\stackrel{\&OverBar;}{D}=\frac{1}{N}\underset{i=0}{\overset{N}{\mathrm{\&Sigma;}}}{h}_i$

式中，N为每条直线上的黑点总数；

（4）计算覆冰/雪厚度，公式如下：

$h=(\stackrel{\&OverBar;}{D}-d)/2$

式中，d为无冰/雪导线直径。

6.一种输电线路的视频监控方法，其特征在于包括：雾天等级识别，导线覆冰/雪厚度识别，导线舞动识别，周界报警；

所述导线舞动识别方法包括以下步骤：

步骤一，对图像进行灰度化处理；

步骤二，采取中值滤波法进行滤波处理；

步骤三，采用Canny算子进行边缘检测；

步骤四，计算导线舞动的幅值及频率。

7.根据权利要求6所述的一种输电线路的视频监控方法，其特征在于步骤四所述计算导线舞动的幅值及频率的方法如下：

（1）计算每条导线中的所有波谷点和最低点；

从图片的左下角开始逐行对每个像素点进行逐行扫描，直到扫描到图像的右上角，扫描过程中根据每个像素点的灰度值进行判断，如果判断结果为黑色，不做任何处理，对下一个像素点进行判断；如果判断结果为白色，则对此像素点的下一行的所有像素点进行判断，如果结果不全为黑色，则不做任何处理，对下一点像素进行判断；如果结果全部为黑色，则此点确定为波谷点；

将所得的所有波谷点进行比较，最小点为导线的最低点；

（2）计算每条导线中的所有波峰点和最高点；

从图片的左下角开始逐行对每个像素点进行逐行扫描，直到扫描到图像的右上角，扫描过程中，根据每个像素点的灰度值进行判断，如果判断结果为黑色，不做任何处理，对下一个像素点进行判断；如果判断结果为白色，对此像素点的上一行的所有像素点进行判断，如果结果不全为黑色，不做任何处理，对下一点像素进行判断；如果结果全部为黑色，此点确定为波峰点；

将所得的所有波峰点进行比较，最大点为导线的最高点；

（3）计算导线舞动的幅值；

求最高点与最低点的差值即为导线舞动的幅值；

（4）计算导线舞动频率；

选定一张已记录的舞动位置最高或最低的图片，以此图片为中心向两边搜索，直到找到该图片最近邻域的舞动位置最高或最低的图片，设这两张图片之间间隔的张数为n；导线的舞动频率f为：

$f=\frac{1}{2n\&times;\frac{1}{f_p}}$

式中，f_p为照相机每秒钟拍摄照片的张数。

8.一种输电线路的视频监控方法，其特征在于包括：雾天等级识别，导线覆冰/雪厚度识别，导线舞动识别，周界报警；

所述周界报警方法包括以下步骤：

步骤一，采取中值滤波法对图像进行滤波处理；

步骤二，采用背景差分法分离闯入的运动目标；

背景差分法是通过输入图像与背景求差分离出闯入运动目标，求差公式为：

d＝|I_L(x,y,i)-B_l(x,y)|

式中，d为输入图像与背景的差，L_L(x,y,i)为输入图像中像素点灰度值，B_L(x,y)为背景图像中对应位置像素点的灰度值；

如果d≥T，为运动目标像素点；否则，为背景像素点；T为阈值，其值根据经验选取；

步骤三，采用自适应阈值方法对图像进行二值化处理；

步骤四，进行形态学运算，消除图像中的干扰因素；

步骤五，判断是否进入异物。

9.根据权利要求8所述的一种输电线路的视频监控方法，其特征在于步骤四所述形态学运算中采用了多次形态学闭运算及腐蚀与膨胀运算，方法如下：

（1）对图像进行腐蚀运算；

采用2×2的结构元素，对扫描图像的每一个像素，用结构元素与其覆盖的二值图像进行“与”操作，使二值图像减小一圈；

（2）对图像进行膨胀运算；

采用2×2的结构元素，对扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“或”操作，使二值图像扩大一圈；

（3）对图像进行闭运算；

指先膨胀后腐蚀，用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。

10.根据权利要求8所述的一种输电线路的视频监控方法，其特征在于步骤五所述判断是否进入异物的方法如下：

在形态学处理完成之后对差值图片进行扫描，首先计算图片中灰度为255的像素总和S，然后在很小的区域内进行像素扫描，并同时记下此小区域内灰度为255的像素总和S_小，最后根据若S_小/S的值进行判断、报警：

若S_小/S≥50%，有异物闯入，系统报警，人工处理检测是否有异物、闯入者；

若S_小/S<50%，没有异物闯入；

若没有出现异物，当时长大于等于设定的背景更新时长，将此图代替前一张背景图片作为下一次前景检测的背景；否则，说明上一次更新的背景还是可信任背景图片，不进行背景更新。

Images