CN107609556B - 一种输电线路环境中高空作业机械的检测方法 - Google Patents

Abstract

本发明公开了一种输电线路环境中高空作业机械的检测方法，它首先对图像进行相关预处理，然后利用边缘检测获得其边缘图像，再根据边缘图像分割出图像中的天空区域；在检测时，利用边缘图像进行差分，得到候选检测区域，利用背景模型去除候选区域中假的隐患区域，再利用颜色信息和边缘曲率信息去除不符合规定特征的目标，最终剩余候选区域中的目标将被视为高空作业机械，进行报警。本发明结合了背景模型、颜色信息及边缘纹理信息进行识别，能够较好地检测出图片中天际线以上的作业机械，提醒人们关注这些目标，为预防输电线路断电事故提供了科学依据，具备较大的实用价值。

Description

一种输电线路环境中高空作业机械的检测方法

技术领域

本发明涉及一种输电线路环境中高空作业机械的检测方法，属于计算机视觉技术领域。

背景技术

随着国民经济的发展，各行各业对电力的需求不断扩大，各种人为和自然事故导致的断电造成的损失也越来越大。如何提早发现、处理和预防危害输电线路的自然灾害及意外事故，时刻保障电力正常供应，成为人们关注的焦点。

2009年我国国家电网公司提出“坚强智能电网”发展规划，输电线路智能化巡检开始受到人们的重视。目前在我国许多地方已开始通过在各个高压输电线路的杆塔上安装摄像头来监控输电线路情况，代替传统的人工巡线。最初时，摄像头拍摄图像或视频传回服务器，再由人工观察来排查隐患，工作量非常大，而且主观性强，效率低下。随着智能信息处理技术的发展，人们开始探索自动检测场景中隐患的方法，也取得了一定的进展。

例如，2012年何川在《高压输电线路视频监控技术研究》一文中提出了自适应阈值目标提取算法、基于减法运算及纹理特性的识别算法、改进的模版匹配算法和基于特征值点的插值算法，降低了环境对识别的干扰，在输电线路覆冰、断线、施工机械入侵和线路弧垂越限等异常的视频监控中有一定作用；2015年张烨在《输电线路防外力破坏智能预警系统研究》中提出利用高斯混合模型、背景差分和最小外界矩形等算法实现对云台摄像机捕捉的运动目标进行检测和识别的方法，在输电线路防外力破坏方面起到了积极的作用。

事实上，拍摄视频进行监控的方式还存在一些不足，如大量信息冗余、传输流量消耗、不间断电力供应难等问题。针对这些不足，部分人开始改变思路，尝试间隔性拍摄图片来进行监控，该方式以牺牲部分实时性为代价减少了大量的冗余信息及流量、能源消耗，比视频监控模式具备更好的前景和应用价值。但是由于间隔拍摄的图片之间缺少连续性，缺少动态信息，原来基于视频的隐患检测算法就不再适用，需要设计新的基于间隔拍摄的图像相应检测算法，在这一方面，人们尚处于起步阶段，还没有成熟健全的检测方法。

输电线路场景中的隐患多种多样，主要包括施工工地、堆积物、工程车辆、大型机械、线下植物、火灾等等。其相应的检测方法也很难统一，应该具体问题具体分析，对不同隐患设计不同的检测算法。这里，我们仅讨论高空作业机械检测的相关内容。

输电线路场景中的超高施工机械主要包括塔吊和吊车等，由于其本身高度较高，在操作不当时很可能会碰触高压输电线，造成断电，所以是一种危险较大的隐患，需要通过监控及时掌握其动态，并提醒操作人员注意。

由于天空环境不像地面环境那样复杂，检测与识别都相对简单，但也受到一些其他因素的影响和干扰，主要的干扰因素有：电线晃动、云彩、山脉和建筑受天气变化时隐时现、树梢晃动等。这些干扰因素各自具备不同的特点，需要针对性地设计算法进行消除。

发明内容

针对上述不足，本发明提供了一种输电线路环境中高空作业机械的检测方法，其基于间隔拍摄的图像结合背景模型、颜色信息及边缘纹理信息对高空作业机械进行识别，得到了较好的检测效果，为预防输电线路断电事故提供了科学依据，具备较大的实用价值。

本发明解决其技术问题采取的技术方案是：一种输电线路环境中高空作业机械的检测方法，其特征是，通过对安装在输电线路杆塔上的摄像头拍摄的输电线路环境图像结合背景模型、颜色信息及边缘纹理信息进行分析处理，检测出其中的高空作业机械。

进一步地，所述的检测方法包括以下步骤：

步骤1：对当前待检测图像做图像预处理，并进行边缘检测得到其边缘图像；

步骤2：利用边缘图像分割出天空区域；

步骤3：选择当前待检测图像的前一张图像作为对比图像，对对比图像按照步骤1进行同样操作，利用当前待检测图像和对比图像的边缘图像进行差分处理，并根据差分结果确定候选区域；

步骤4：将每个候选区域与单高斯背景模型进行匹配，将与单高斯背景模型匹配成功的区域去除，同时更新单高斯背景模型；

步骤5：计算当前图像每个候选区域中物体边缘附近的平均亮度值，去除亮度过大的区域以消除云彩的影响；

步骤6：计算当前图像每个候选区域中物体边缘的曲率信息，并据此消除其中剩余的树梢及云彩目标；

步骤7：将剩余区域视为存在的高空作业机械，并在图像上进行标记示警。

进一步地，所述步骤1的具体步骤如下：

步骤11，将彩色图像转化为灰度图；

步骤12，对图像进行核大小为5*5的中值滤波，消除噪声并保留边缘信息；

步骤13，利用Sobel算子对图像进行边缘检测；

步骤14，利用大津法求得图像二值化的自适应阈值T，并将图像中小于该阈值的像素置为0。

进一步地，所述步骤2的具体步骤如下：对步骤1中得到的边缘图像的连通域进行分析，保留面积最大且重心位置最靠上的区域作为最终的天空区域。

进一步地，所述步骤3的具体步骤如下：

步骤31，对当前待检测图像的边缘图像与对比图像的边缘图像进行差分处理，得到差分结果图；

步骤32，遍历差分结果图中所有连通区域，去除像素数过少的区域；

步骤33，提取剩余连通区域，以每个连通区域的外接矩形作为候选检测区域。

进一步地，所述步骤4的具体步骤如下：

步骤41，将背景模型中每个像素的颜色分布用一个高斯函数η(X_t,μ_t,Σ_t)来表示，其中下标t表示时间，μ_t表示t时刻高斯分布的均值，Σ_t为高斯分布的协方差矩阵，初始值均设为0；

步骤42，用图像中的每个非零像素与背景模型匹配，假设某个像素的当前颜色值为I_t，记d_t＝I_t-μ_t，如果

的值大于某个阈值T，就认为该像素与高斯分布不匹配，为前景目标，保留该像素，否则就认为它是背景，将该像素置为0；

步骤43，利用以下公式更新背景模型：

μ_t+1＝(1-α)μ_t+αI_t

其中，α表示模型的学习速率，I_t表示像素的当前颜色值，d_t＝I_t-μ_t。

进一步地，所述步骤5的具体步骤如下：

步骤51，对步骤1中得到的边缘图像作核大小为5*5的形态学膨胀，得到边缘像素的邻域；

步骤52，计算图像中每个候选区域中边缘像素的邻域中的像素在原始图像中的平均亮度值，如果平均亮度值大于设定阈值，则认为该区域有较大可能是云彩，排除该区域。

进一步地，所述步骤6的具体步骤如下：

步骤61，在边缘检测的基础上利用链码表示每个候选区域的轮廓；

步骤62，计算从轮廓上某点出发到在两个方向上各b个边界像素位置处的两条线段间的角度β作为该点附近的曲率的估算值，β的计算公式为：

β＝α₁+2π-α₂

其中α₁表示从第i个点到第i+b个点的直线的倾角，α₂表示从第i-b个点到第i个点的直线的倾角，b的值决定了计算的灵敏程度；

步骤63，计算轮廓上所有点处的曲率估算值β，并求平均值，将平均值大于阈值的区域排除。

本发明的有益效果是：

本发明首先对图像进行相关预处理，然后利用边缘检测获得其边缘图像，再根据边缘图像分割出图像中的天空区域；在检测时，利用边缘图像进行差分，得到候选检测区域，利用背景模型去除候选区域中假的隐患区域，例如山脉、建筑、电线及树梢等目标，再利用颜色信息和边缘曲率信息去除不符合规定特征的目标，最终剩余候选区域中的目标将被视为高空作业机械，进行报警。本发明通过对安装在输电线路杆塔上的摄像头拍摄的图像进行分析，检测其中高空的吊车和塔吊隐患，为预防输电线路外力破坏事故提供科学依据。

本发明结合了背景模型、颜色信息及边缘纹理信息进行识别，能够较好地检测出图片中天际线以上的作业机械，提醒人们关注这些目标，为预防输电线路断电事故提供了科学依据，具备较大的实用价值。

附图说明

图1为本发明的方法流程图；

图2(a)和图2(b)为天空区域分割结果对比示意图，图2(a)为天空区域分割前待检测图像的示意图，图2(b)为对待检测图像进行天空区域分割后的示意图；

图3为离散情况下曲率估算的示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

本发明的一种输电线路环境中高空作业机械的检测方法，它通过对安装在输电线路杆塔上的摄像头拍摄的输电线路环境图像结合背景模型、颜色信息及边缘纹理信息进行分析处理，检测出其中的高空作业机械。本发明结合了背景模型、颜色信息及边缘纹理信息进行识别，能够较好地检测出图片中天际线以上的作业机械，提醒人们关注这些目标，为预防输电线路断电事故提供了科学依据，具备较大的实用价值。

如图1所示，本发明的一种输电线路环境中高空作业机械的检测方法具体包括以下步骤：

步骤1：对如图2(a)所示的当前待检测图像做图像预处理，并进行边缘检测得到其边缘图像。

所述步骤1的具体步骤如下：

步骤11，将彩色图像转化为灰度图；

步骤12，对图像进行核大小为5*5的中值滤波，消除噪声并保留边缘信息；

步骤13，利用Sobel算子对图像进行边缘检测；

步骤14，利用大津法求得图像二值化的自适应阈值T，并将图像中小于该阈值的像素置为0。

步骤2：利用步骤1得到的边缘图像分割出天空区域。

所述步骤2的具体步骤如下：对步骤1中得到的边缘图像的连通域进行分析，保留面积最大且重心位置最靠上的区域作为最终的天空区域，结果如图2所示，其中图2(b)中的白色部分为图2(a)分割出的天空区域。

步骤3：选择当前待检测图像的前一张图像(即拍摄当前待检测图像的摄像头拍摄的当前待检测图像前一张图像)作为对比图像，对对比图像按照步骤1进行同样操作，利用当前待检测图像和对比图像的边缘图像进行差分处理，并根据差分结果确定候选区域。

所述步骤3的具体步骤如下：

步骤31，对当前待检测图像的边缘图像与对比图像的边缘图像进行差分处理，得到差分结果图；

步骤32，遍历差分结果图中所有连通区域，去除像素数过少的区域；

步骤33，提取剩余连通区域，以每个连通区域的外接矩形作为候选检测区域。

步骤4：将每个候选区域与单高斯背景模型进行匹配，将与单高斯背景模型匹配成功的区域去除，目的是消除其中的建筑、山脉、电线、树木等背景目标，同时更新单高斯背景模型。

所述步骤4的具体步骤如下：

步骤41，如果还没有建立背景模型，则建立新的背景模型，将背景模型中每个像素的颜色分布用一个高斯函数η(X_t,μ_t,Σ_t)来表示，其中下标t表示时间，μ_t表示t时刻高斯分布的均值，Σ_t为高斯分布的协方差矩阵，初始值均设为0；

步骤42，用图像中的每个非零像素与背景模型匹配，假设某个像素的当前颜色值为I_t，记d_t＝I_t-μ_t，如果

的值大于某个阈值T，就认为该像素与高斯分布不匹配，为前景目标，保留该像素，否则就认为它是背景，将该像素置为0，这里的T为经验阈值，取T＝2；

步骤43，利用以下公式更新背景模型：

μ_t+1＝(1-α)μ_t+αI_t

其中，α表示模型的学习速率，取α＝0.05，I_t表示像素的当前颜色值，d_t＝I_t-μ_t。

步骤5：计算当前图像每个候选区域中物体边缘附近的平均亮度值，去除亮度过大的区域以消除云彩的影响。

所述步骤5的具体步骤如下：

步骤51，对步骤1中得到的边缘图像作核大小为5*5的形态学膨胀，得到边缘像素的邻域；

步骤52，计算图像中每个候选区域中边缘像素的邻域中的像素在原始图像中的平均亮度值，如果平均亮度值大于设定阈值，则认为该区域有较大可能是云彩，排除该区域，其中设定的阈值为经验阈值，取值为190。

步骤6：计算当前图像每个候选区域中物体边缘的曲率信息，并据此消除其中剩余的树梢及云彩目标。

所述步骤6的具体步骤如下：

步骤61，在边缘检测的基础上利用链码(Freeman码)表示每个候选区域的轮廓；

步骤62，如图3所示，计算从轮廓上某点出发到在两个方向上各b个边界像素位置处的两条线段间的角度β作为该点附近的曲率的估算值，β的计算公式为：

β＝α₁+2π-α₂

其中α₁表示从第i个点到第i+b个点的直线的倾角，α₂表示从第i-b个点到第i个点的直线的倾角，b的值决定了计算的灵敏程度，本申请优选取b＝3；

步骤63，计算轮廓上所有点处的曲率估算值β，并求平均值，将平均值大于阈值的区域排除，本申请将此处的阈值取0.262，此时β约等于15度。

步骤7：将剩余区域视为存在的高空作业机械，并在图像上进行标记示警。

本发明通过对安装在输电线路杆塔上的摄像头拍摄的图像进行分析，检测其中高空的吊车和塔吊隐患，为预防输电线路外力破坏事故提供科学依据。本发明首先对图像进行相关预处理，然后利用边缘检测获得其边缘图像，再根据边缘图像分割出图像中的天空区域；在检测时，利用边缘图像进行差分，得到候选检测区域，利用背景模型去除候选区域中假的隐患区域，例如山脉、建筑、电线及树梢等目标，再利用颜色信息和边缘曲率信息去除不符合规定特征的目标，最终剩余候选区域中的目标将被视为高空作业机械，进行报警。本发明结合了背景模型、颜色信息及边缘纹理信息进行识别，能够较好地检测出图片中天际线以上的作业机械，提醒人们关注这些目标，为预防输电线路断电事故提供了科学依据，具备较大的实用价值。

此外，本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容，作为本领域的普通技术人员将容易地理解，对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤，其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果，依照本发明可以对它们进行应用。因此，本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。

Claims (6)

1.一种输电线路环境中高空作业机械的检测方法，其特征是，通过对安装在输电线路杆塔上的摄像头拍摄的输电线路环境图像结合背景模型、颜色信息及边缘纹理信息进行分析处理，检测出其中的高空作业机械；

所述的检测方法包括以下步骤：

步骤1：对当前待检测图像做图像预处理，并进行边缘检测得到其边缘图像；

步骤2：利用边缘图像分割出天空区域；

步骤3：选择当前待检测图像的前一张图像作为对比图像，对对比图像按照步骤1进行同样操作，利用当前待检测图像和对比图像的边缘图像进行差分处理，并根据差分结果确定候选区域；

步骤4：将每个候选区域与单高斯背景模型进行匹配，将与单高斯背景模型匹配成功的区域去除，同时更新单高斯背景模型；

步骤5：计算当前图像每个候选区域中物体边缘附近的平均亮度值，去除亮度过大的区域以消除云彩的影响；

步骤6：计算当前图像每个候选区域中物体边缘的曲率信息，并据此消除其中剩余的树梢及云彩目标；

步骤7：将剩余区域视为存在的高空作业机械，并在图像上进行标记示警；

所述步骤6的具体步骤如下：

步骤61，在边缘检测的基础上利用链码表示每个候选区域的轮廓；

步骤62，计算从轮廓上某点出发到在两个方向上各b个边界像素位置处的两条线段间的角度β作为该点附近的曲率的估算值，β的计算公式为：

β＝α₁+2π-α₂

其中α₁表示从第i个点到第i+b个点的直线的倾角，α₂表示从第i-b个点到第i个点的直线的倾角，b的值决定了计算的灵敏程度；

步骤63，计算轮廓上所有点处的曲率估算值β，并求平均值，将平均值大于阈值的区域排除。

2.根据权利要求1所述的一种输电线路环境中高空作业机械的检测方法，其特征是，所述步骤1的具体步骤如下：

步骤11，将彩色图像转化为灰度图；

步骤12，对图像进行核大小为5*5的中值滤波，消除噪声并保留边缘信息；

步骤13，利用Sobel算子对图像进行边缘检测；

步骤14，利用大津法求得图像二值化的自适应阈值T，并将图像中小于该阈值的像素置为0。

3.根据权利要求1所述的一种输电线路环境中高空作业机械的检测方法，其特征是，所述步骤2的具体步骤如下：对步骤1中得到的边缘图像的连通域进行分析，保留面积最大且重心位置最靠上的区域作为最终的天空区域。

4.根据权利要求1所述的一种输电线路环境中高空作业机械的检测方法，其特征是，所述步骤3的具体步骤如下：

步骤31，对当前待检测图像的边缘图像与对比图像的边缘图像进行差分处理，得到差分结果图；

步骤32，遍历差分结果图中所有连通区域，去除像素数过少的区域；

步骤33，提取剩余连通区域，以每个连通区域的外接矩形作为候选检测区域。

5.根据权利要求1所述的一种输电线路环境中高空作业机械的检测方法，其特征是，所述步骤4的具体步骤如下：

步骤41，将背景模型中每个像素的颜色分布用一个高斯函数η(X_t,μ_t,Σ_t)来表示，其中下标t表示时间，μ_t表示t时刻高斯分布的均值，Σ_t为高斯分布的协方差矩阵，初始值均设为0；

步骤42，用图像中的每个非零像素与背景模型匹配，假设某个像素的当前颜色值为I_t，记d_t＝I_t-μ_t，如果

的值大于某个阈值T，就认为该像素与高斯分布不匹配，为前景目标，保留该像素，否则就认为它是背景，将该像素置为0；

步骤43，利用以下公式更新背景模型：

μ_t+1＝(1-α)μ_t+αI_t

其中，α表示模型的学习速率，I_t表示像素的当前颜色值，d_t＝I_t-μ_t。

6.根据权利要求1所述的一种输电线路环境中高空作业机械的检测方法，其特征是，所述步骤5的具体步骤如下：

步骤51，对步骤1中得到的边缘图像作核大小为5*5的形态学膨胀，得到边缘像素的邻域；

步骤52，计算图像中每个候选区域中边缘像素的邻域中的像素在原始图像中的平均亮度值，如果平均亮度值大于设定阈值，则认为该区域有较大可能是云彩，排除该区域。

Images