CN104103044A - 一种基于K-Mean算法的滑车跳线在线检测方法 - Google Patents

Abstract

本发明涉及一种基于K-Mean算法的滑车跳线在线检测方法，包括以下步骤：1)摄像机实时采集线缆在滑车上运动的一组序列图像数据；2)对获取的图像进行去噪增强处理；3)利用K-mean算法对图像进行初始分割；4)提取初始分割后各区域特征，结合颜色信息和空间信息对初始分割的图像进行区域合并，得到最终的分割结果；5)将步骤4)获得的分割后的图像与事前训练图像样本进行匹配，获得监控目标所在图像；6)将监控目标所在图像与训练图像进行匹配，判断滑车是否跳线：若图像中存在目标发生位移，判定滑车发生跳线，并发出警报。与现有技术相比，本发明具有方法实现简单、可有效对滑车上电缆跳槽进行监控等优点。

Description

一种基于K-Mean算法的滑车跳线在线检测方法

技术领域

本发明涉及一种图像分类和检测领域，尤其是涉及一种基于K-Mean算法的滑车跳线在线检测方法，是一种对视频或者图像序列中的运动目标进行检测的方法，实现了被监控目标的在线检测。

背景技术

电力系统的智能化管理是其主要的发展趋势，滑车线缆作为其中的一部分，对它的安全监控势在必行。对滑车跳线实施智能监控，当滑车出现异常故障时及时地给出报警或提示，不仅可以提高电力系统安全系数，而且可以减轻工作人员的负担和工作强度。

对滑车的监控属于“摄像机静止-目标移动”的组合，将摄像机固定在合适的位置，采集线缆在滑车上运动的一组序列图像数据。序列图像的运动分析主要包括移动目标检测、分类、跟踪以及行为理解，而运动目标检测所希望达到的目的是从序列图中将运动变化的区域或者是感兴趣的区域从背景图像中分割出来，为后期的图像处理奠定基础。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种方法实现简单、可有效对滑车上电缆跳槽进行监控的基于K-Mean算法的滑车跳线在线检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于K-Mean算法的滑车跳线在线检测方法，包括以下步骤：

1)摄像机实时采集线缆在滑车上运动的一组序列图像数据；

2)对获取的图像进行去噪增强处理；

3)利用K-mean算法对图像进行初始分割；

4)提取初始分割后各区域特征，结合颜色信息和空间信息对初始分割的图像进行区域合并，得到最终的分割结果；

5)将步骤4)获得的分割后的图像与事前训练图像样本进行匹配，获得监控目标所在图像；

6)将监控目标所在图像与训练图像进行匹配，判断滑车是否跳线：若图像中存在目标发生位移，判定滑车发生跳线，并发出警报。

所述步骤2)中的去噪增强处理采用中值滤波法。

所述步骤3)具体为：

301)将RGB图像转换到Lab彩色空间中；

302)随机选取K个聚类质心点，记为μ₁，μ₂，…，μ_k，计算每个像素点属于K类中的某类i，即中心点与相关的像素点的距离最小：

$c^{\left(i\right)}=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\μ}}_j\left|\right|}^2$

c⁽ⁱ⁾代表某个像素点i与K个类中距离最近的那个类，取值是聚类类别1～K中的一个，x⁽ⁱ⁾表示第i个像素点，j＝1，2，…，K；

303)更新中心点：对于每一类j，计算每一类中的当前像素点与中心点的平均距离，然后将这个平均值作为新的中心点：

${\mathrm{\μ}}_j=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=0}^{m}1\{c^{\left(i\right)}=j\}}$

m代表图像中的像素点数；

304)重复步骤302)、303)，直至收敛。

所述K的取值为5-7。

所述步骤4)中的区域合并具体为：

401)计算初始分割后各区域间的颜色距离和边缘距离：

颜色距离： $C_{\mathrm{ij}}=\frac{\left|r_i\right|\·\left|r_j\right|}{\left|r_i\right|+\left|r_j\right|}\left|\right|{\mathrm{\λ}}_i-{\mathrm{\λ}}_j{\left|\right|}^2$

边缘距离：E_ij＝||η_i-ηj||

其中，|r_i|，|r_j|分别代表第i和第j区域中包含的像素个数；λ_i，λ_j代表两个区域的颜色均值；||·||表示欧式距离；η_i、η_j表示两个区域边缘处对应的像素均值；

所有区域的颜色距离组成颜色相似性矩阵，所有区域的边缘距离组成边缘相似性矩阵；

402)结合颜色距离和边缘距离计算最终度量距离：

D＝P*Csort+(1-P)*Esort

其中，Csort为对颜色相似性矩阵进行排序后得到的矩阵序号，Esort为对边缘相似性矩阵进行排序后得到的矩阵序号，P为权值；

403)根据最终度量距离进行区域合并；

404)判断是否满足区域合并停止准则，若是，则停止区域合并，若否，则返回步骤401)。

所述区域合并停止准则具体为：

a)计算图像内的区域合并k1个时，其颜色散度：

$J_1=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}{J}_W^r}{J_t}=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}\underset{i=0}{\overset{\mathrm{Nr}}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}$

其中，代表一个区域内的颜色散度，J_i代表图像内总的颜色散度；N代表总的像素数，Nr代表第r个区域内的像素数；X_i代表第r个区域内的第i个像素的颜色值，X_mean代表第r个区域的颜色均值；

b)判断当前J₁与前一次区域合并后的颜色散度J′_I间的差值是否大于设定值，若是，则满足区域合并停止准则，停止区域合并，若否，则返回步骤401)。

与现有技术相比，本发明具有以下优点：

(1)本发明采用K-Mean算法对图像进行初始分割，将颜色特征相近的像素点划分到一类中。k-mean算法具有高效性以及可伸缩的优点，能简化聚类在图像分类上的应用，不需要确定隶属度阈值，方法实现简单。

(2)本发明能够实现滑车上电缆跳槽时的报警，克服监控环境恶劣、难以到达的困难，减轻工作人员的工作强度和压力，以达到智能监控的要求。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于K-Mean算法的滑车跳线在线检测方法，是基于计算机视觉的复杂环境下的电力系统中滑车跳线的在线监测方法，包括以下步骤：

步骤s1，摄像机实时采集线缆在滑车上运动的一组序列图像数据。

步骤s2，对获取的图像进行预处理。由于人类视觉系统的第一处理级是非线性的，所以利用中值滤波法进行去噪，增强像素之间的对比度。中值滤波能够在滤除噪声的同时，最大限度的保持图像信号的高频细节，使图像清晰、逼真，具体做法是：

1)设图像的目标像素的邻域像素为x₁、x₂、…x_n，把n个数按灰度值的大小顺序排列：x₁≤x₂≤…≤x_n。

2)将图像中的每个像素用其邻域中像素的中间值代替，则当邻域中像素总数为奇数时，滤波后的新目标像素为中间像素；当邻域中像素总数为偶数时，滤波后的新目标像素为中间两个像素之和的平均值。

步骤s3，利用K-mean算法对图像进行初始分割。

图像的分割问题可看成是像素分类问题，所以可以通过使用特征空间聚类算法实现。特征空间聚类分割将图像的所有像素都一一映射在特征空间的每个点上，对特征空间进行分割，最后再次通过映射关系将分割结果定位在原始图像上，从而实现了图像目标的分割。该过程不需要训练样本，是一种无监督、迭代式的统计分割过程。

假设图像的像素集是{X₁、X₂、…X_n}，所要分成的区域数为K，K可在5～7之间取值，适当增加聚类数可以细化多个区域。然后将每个像素归入均值离它最近的类，并计算新的类均值，迭代执行前面的步骤直到新旧类均值之差小于某一阈值。根据需要将我们不感兴趣的区域进行特征融合，从而更加突出我们所要监控的目标区域。初始分割的具体步骤为：

301)将RGB图像转换到Lab彩色空间中；

302)随机选取K个聚类质心点，记为μ₁，μ₂，…，μ_k，计算每个像素点属于K类中的某类i，即中心点与相关的像素点的距离最小：

$c^{\left(i\right)}=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\μ}}_j\left|\right|}^2$

c⁽ⁱ⁾代表某个像素点i与K个类中距离最近的那个类，取值是聚类类别1～K中的一个，x⁽ⁱ⁾表示第i个像素点，j＝1，2，…，K；

303)更新中心点：对于每一类j，计算每一类中的当前像素点与中心点的平均距离，然后将这个平均值作为新的中心点：

${\mathrm{\μ}}_j=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=0}^{m}1\{c^{\left(i\right)}=j\}}$

m代表图像中的像素点数；

304)重复步骤302)、303)，直至收敛。

步骤s4，提取初始分割后各区域特征，结合颜色信息和空间信息对初始分割的图像进行区域合并，得到最终的分割结果。

运用k-mean算法对图像进行初始分割，由于只利用了图像的颜色信息，得到的是一个过分割的结果，区域与区域之间仍然存在许多相似性，所以需要结合颜色信息和空间信息对初始分割的图像进行区域合并，得到最终的分割结果。

1)距离度量

区域距离度量是进行区域合并的一个重要标准，距离度量准则直接决定着区域合并的结果和最终的分割结果。一般来说，两个区域进行合并的必要条件是：两个区域在颜色上相近，空间上相邻，并且其邻接处没有显著的边缘出现。定义区域间的颜色距离和边缘距离如下：

颜色距离： $C_{\mathrm{ij}}=\frac{\left|r_i\right|\·\left|r_j\right|}{\left|r_i\right|+\left|r_j\right|}\left|\right|{\mathrm{\λ}}_i-{\mathrm{\λ}}_j{\left|\right|}^2$

边缘距离：E_ij＝||η_i-η_j||

其中，|r_i|，|r_j|分别代表第i和第j区域中包含的像素个数；λ_i，λ_j代表两个区域的颜色均值；||·||表示欧式距离；η_i、η_j表示两个区域边缘处对应的像素均值。

所有区域的颜色距离组成颜色相似性矩阵，所有区域的边缘距离组成边缘相似性矩阵。

在区域合并的过程中，采用颜色距离度量区域间的相似性有利于对小区域优先合并，采用边缘距离有利于对有平缓过渡边缘的区域优先进行合并。结合区域间的颜色和边缘距离，得到如下的度量距离公式：

D＝P*Csort+(1-P)*Esort

其中，Csort为对颜色相似性矩阵进行排序后得到的矩阵序号，Esort为对边缘相似性矩阵进行排序后得到的矩阵序号，P为权值。由于颜色距离和边缘距离的量级不同，将两者直接进行结合并不一定能得到满意的结果，对于过分割过程中分别得到的颜色相似性矩阵和边缘相似性矩阵，首先进行排序，对得到的矩阵序号Esort和Csort进行运算，P用来调整颜色距离和边缘距离各自的作业大小。

2)区域合并停止准则

首先定义一个表示图像区域颜色散度的函数，来表示图像中每个区域的总的颜色不统一程度。当图像内的区域合并k1个时，其颜色的散度定义为：

$J_1=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}{J}_W^r}{J_t}=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}\underset{i=0}{\overset{\mathrm{Nr}}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}$

其中，代表一个区域内的颜色散度，J_i代表图像内总的颜色散度；N代表总的像素数，Nr代表第r个区域内的像素数；X_i代表第r个区域内的第i个像素的颜色值，X_mean代表第r个区域的颜色均值。

判断当前J₁与前一次区域合并后的颜色散度J′_I间的差值是否大于设定值，若是，则满足区域合并停止准则，停止区域合并。

假定原来图像的每一个初始区域只包含一种颜色，此时，每一个区域内的所有像素的颜色值等于这个区域的颜色均值，这时图像的区域颜色散度为0，即J₁＝0。随着区域的不断合并，图像的区域颜色散度会不断增加。当图像内的所有区域合并成一个区域时J₁＝1。区域合并的过程中，当某一个区域合并前后J₁的变化较大时，说明该区域的合并会使图像的散度明显增大，该区域就不应该被合并，此时区域合并过程终止。

步骤s5，将分割后的图像与事前训练图像样本进行匹配，获得监控目标所在图像。

步骤s6，将监控目标所在图像与训练图像进行匹配，判断滑车是否跳线：若图像中存在目标发生位移，判定滑车发生跳线，并发出警报。

Claims (6)

1.一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，包括以下步骤：

1)摄像机实时采集线缆在滑车上运动的一组序列图像数据；

2)对获取的图像进行去噪增强处理；

3)利用K-mean算法对图像进行初始分割；

4)提取初始分割后各区域特征，结合颜色信息和空间信息对初始分割的图像进行区域合并，得到最终的分割结果；

5)将步骤4)获得的分割后的图像与事前训练图像样本进行匹配，获得监控目标所在图像；

6)将监控目标所在图像与训练图像进行匹配，判断滑车是否跳线：若图像中存在目标发生位移，判定滑车发生跳线，并发出警报。

2.根据权利要求1所述的一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，所述步骤2)中的去噪增强处理采用中值滤波法。

3.根据权利要求1所述的一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，所述步骤3)具体为：

301)将RGB图像转换到Lab彩色空间中；

302)随机选取K个聚类质心点，记为μ₁，μ₂，…，μ_k，计算每个像素点属于K类中的某类，即中心点与相关的像素点的距离最小：

$c^{\left(i\right)}=\arg \underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\μ}}_j\left|\right|}^2$

c⁽ⁱ⁾代表某个像素点i与K个类中距离最近的那个类，取值是聚类类别1～K中的一个，x⁽ⁱ⁾表示第i个像素点，j＝1，2，…，K；

303)更新中心点：对于每一类j，计算每一类中的当前像素点与中心点的平均距离，然后将这个平均值作为新的中心点：

${\mathrm{\μ}}_j=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{c^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=0}^{m}1\{c^{\left(i\right)}=j\}}$

m代表图像中的像素点数；

304)重复步骤302)、303)，直至收敛。

4.根据权利要求3所述的一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，所述K的取值为5-7。

5.根据权利要求1所述的一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，所述步骤4)中的区域合并具体为：

401)计算初始分割后各区域间的颜色距离和边缘距离：

颜色距离：

边缘距离：E_ij＝||η_i-η_j||

其中，|r_i|，|r_j|分别代表第i和第j区域中包含的像素个数；λ_i，λ_j代表两个区域的颜色均值；||·||表示欧式距离；η_i、η_j表示两个区域边缘处对应的像素均值；

所有区域的颜色距离组成颜色相似性矩阵，所有区域的边缘距离组成边缘相似性矩阵；

402)结合颜色距离和边缘距离计算最终度量距离：

D＝P*Csort+(1-P)*Esort

其中，Csort为对颜色相似性矩阵进行排序后得到的矩阵序号，Esort为对边缘相似性矩阵进行排序后得到的矩阵序号，P为权值；

403)根据最终度量距离进行区域合并；

404)判断是否满足区域合并停止准则，若是，则停止区域合并，若否，则返回步骤401)。

6.根据权利要求5所述的一种基于K-Mean算法的滑车跳线在线检测方法，其特征在于，所述区域合并停止准则具体为：

a)计算图像内的区域合并k1个时，其颜色散度：

$J_1=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}{J}_W^r}{J_t}=\frac{\underset{r=0}{\overset{k1}{\mathrm{\Σ}}}\underset{i=0}{\overset{\mathrm{Nr}}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}{\underset{i=0}{\overset{N}{\mathrm{\Σ}}}\left|\right|X_i-X_{\mathrm{mean}}\left|\right|}$

其中，代表一个区域内的颜色散度，J_i代表图像内总的颜色散度；N代表总的像素数，Nr代表第r个区域内的像素数；X_i代表第r个区域内的第i个像素的颜色值，X_mean代表第r个区域的颜色均值；

b)判断当前J₁与前一次区域合并后的颜色散度J′₁间的差值是否大于设定值，若是，则满足区域合并停止准则，停止区域合并，若否，则返回步骤401)。