CN108537154B - 基于hog特征和机器学习的输电线路鸟巢识别方法 - Google Patents

Abstract

本发明属于电力技术和计算机视觉领域，为将正常的图片和有鸟巢的图片分开，更快的定位和发现问题，满足智能电网建设的需要，本发明，基于HOG特征和机器学习的输电线路鸟巢识别方法，步骤如下：一、方向梯度直方图HOG特征提取；二、主成分分析三、训练支持向量机SVM分类器1)归一化；2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件；3)通过测试找到最佳参数；四、输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。本发明主要应用于利用图像自动识别电力设备鸟巢故障的场合。

Description

基于HOG特征和机器学习的输电线路鸟巢识别方法

技术领域

本发明属于电力技术和计算机视觉领域，涉及一种基于方向梯度直方图(HOG)特征与机器学习的输电线路鸟巢识别的方法。具体讲,涉及基于HOG特征和机器学习的输电线路鸟巢识别方法。

背景技术

输电线路在电力系统中起着非常重要的作用，直接关系到社会各行各业的用电问题，大规模的断电将会给国家的经济发展带来不可估量的损失。因此，输电线路的安全运行是电力部门高度关注的问题之一。

鸟类活动经常会干扰到输电线路的正常工作。它对输电线路的影响主要体现在以下几个方面：鸟类经常将鸟巢搭建在杆塔上，尤其是在温暖潮湿的南方，筑巢材料的掉落很容易引起输电线路的短路；鸟类的食物或粪便落在绝缘子上，会污染绝缘子，导致绝缘子的绝缘强度降低，引起线路跳闸；蛇等捕食鸟类的动物有可能会攀爬输电线路杆塔，造成输电线路的短路^[1]。以山东省为例，2001年就发生了多起因鸟类活动而引发的大面积停电现象，给国民经济带来了巨大的损失，也给人民的生活造成了十分严重的影响^[2]。

因为鸟巢会给输电线路带来许多隐患，所以为了保障输电线路的可靠运行，必须对输电线路进行检测、巡检和防护。传统方式是由人工对线路进行巡检，发现鸟巢后由工作人员排除故障。人工巡检不但耗时耗力，而且许多输电线路都在崇山峻岭中，巡检有效性也难以保证，无法大规模推广。巡线机器人技术、直升机巡线技术和无人机巡检技术是目前新兴的输电线路巡检方法。以无人机巡检为例，利用无人机来替代人力进行输电线路巡检操作之后将无人机采集来的图像传送至监测中心，完成对输电线路的巡视或实时监测。与传统的人工巡检方法相比，这些巡检方法具有简单、准确、实时、经济等特点。

但是该系统需要工作人员长期监视，受人为因素影响较大，长时间的工作势必会导致工作人员很难长时间集中注意力，并且工作效率下降；此外，如果对这些数据采用工作人员主观判断的话，极易误判或漏判，难以准确发现输电设备的安全隐患，且极大地增加了检修成本，不能满足智能电网建设的需要。

[1]王少华,叶自强.架空输电线路鸟害故障及其防治技术措施[J].高压电器,2011,47(2):61-67.

[2]朱先志.输电线路鸟害规律分析及防治对策[J].华中电力,2000,13(6):47-49。

发明内容

为克服现有技术的不足，本发明旨在提出在输电线路巡视系统的基础上，采用方向梯度直方图(HOG)和机器学习中的支持向量机(SVM)算法对图像分类，将正常的图片和有鸟巢的图片分开，更快的定位和发现问题，满足智能电网建设的需要。为此，本发明采用的技术方案是，基于HOG特征和机器学习的输电线路鸟巢识别方法，步骤如下：

一、方向梯度直方图HOG特征提取，其具体步骤如下：

1)将巡检后得到的鸟巢图像收集起来，依据图片中的输电线路中是否有鸟巢存在进行分类，并按照一定的数量比例分为训练集和测试集，规定不含鸟巢的图片为正样本，含鸟巢的图片为负样本，对所有图片进行预处理；

2)对图片进行预处理，包括图像的灰度化和伽马校正；

3)计算图像的一阶梯度，每个像素有横纵两个梯度，具体采用水平、垂直梯度检测算子；

4)单元格梯度投影，图像窗口被分成若干个小区域，这些区域被称为“单元格”，然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中，最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征；

5)对比度归一化，一个单元格的特征会以不同的结果多次出现在最后的向量中，得到一个HOG描述符；

6)将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成的特征向量；

二、主成分分析

令数据集为D＝{x⁽¹⁾,x⁽²⁾,......,x^(m)}，K为降维后的维数，

1)对所有样本中心化，即一个值减去它的均值：

2)计算协方差矩阵：

3)对协方差矩阵求特征值和特征向量；

4)取最大的前K个特征值对应的特征向量u⁽¹⁾,u⁽²⁾,......,u^(k)；

三、训练支持向量机SVM分类器

1)归一化，对步骤2得到的数据进行归一化，消除各维数据间数量级的差别，避免因输入输出数据数量级差别较大而造成网络预测误差较大，归一化方式如下：

其中x_min为数据序列中的最小数；x_max为序列中的最大数；

2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件；

3)选择核函数类型、SVM所涉及的惩罚因子c，伽马参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值；

四、输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。

灰度化和伽马校正具体步骤如下：

A.灰度化

灰度化公式如下所示：

Gray＝0.3×R+0.59×G+0.11×B

其中R，G，B分别是原彩色图像中的红色，绿色，蓝色分量的像素值，Gray是图像灰度化后的像素值；

B.伽马校正

伽马校正就是对每个像素使用一个伽马系数来压缩，公式如下：

P_out＝(P_in)^gamma

其中P_in表示输入灰度图像的像素值，Po_ut表示输出图像的像素值，gamma表示伽马系数。

其中，水平梯度算子：

[-1，0，1]

垂直梯度算子：

[-1，0，1]^T

对目标图像进行卷积，获得目标图像水平梯度信息G_x(x,y)和垂直梯度信息G_y(x,y)，x，y为坐标，最终得到的结果为：

梯度幅值：

梯度方向：

一个实例中具体步骤如下：

1)对待识别输电线路图像进行预处理，图像尺寸大小统一缩放为600×400，缩放方式选择双三次内插，并对图像做灰度化和伽马校正；

2)提取输电线路图像的HOG特征；

3)对上一步中的特征向量进行主成分分析，提取前400个特征值对应的特征向量；

4)将特征向量用第一步训练好的分类器模型进行预测，根据分类器预测结果输出图片中是否有鸟巢，若分类结果为1，则表明图像中没有鸟巢，一切正常；若分类结果为-1，则表明图像中有鸟巢，应当立即定位并抢修。

本发明的特点及有益效果是：

根据鸟巢对于方向梯度直方图(HOG)特征的影响，利用HOG特征和机器学习算法，通过训练鸟巢图像分类模型，能够及时地分辨出图像中是否有鸟巢，为工作人员清理鸟巢提供基础，以减少因为鸟害引起的接地或跳闸事故。

附图说明：

图1发明流程图。

图2正负样本图。

图3归一化图片。

图4 HOG特征图。

图5 SVM标签格式。

图6参数寻优结果图。

具体实施方式

本发明通过如下步骤得以实现：

1.HOG特征提取，其具体步骤如下：

1)将巡检后得到的鸟巢图像收集起来，依据图片中的输电线路中是否有鸟巢存在进行分类，并按照一定的数量比例分为训练集和测试集。规定不含鸟巢的图片(即正常图片)为正样本，含鸟巢的图片为负样本。对所有图片进行预处理，统一将图片缩放为600×400，缩放方式选择双三次内插。

2)对图片进行预处理，包括图像的灰度化和伽马校正。

A.灰度化

因为颜色信息对于HOG特征提取影响不大，因此在读入图像时就对其灰度化。灰度化公式如下所示：

Gray＝0.3×R+0.59×G+0.11×B

其中R，G，B分别是原彩色图像中的红色，绿色，蓝色分量的像素值，Gray是图像灰度化后的像素值。

B.伽马校正

伽马校正就是对每个像素使用一个伽马系数来压缩，公式如下：

P_out＝(P_in)^gamma

其中P_in表示输入灰度图像的像素值，P_out表示输出图像的像素值，gamma表示伽马系数，本发明中gamma取0.5。

3)计算图像的一阶梯度。求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。每个像素有横纵两个梯度，本发明中使用两个梯度检测算子：

水平梯度算子：

[-1，0，1]

垂直梯度算子：

[-1，0，1]^T

对目标图像进行卷积，获得目标图像水平梯度信息G_x(x,y)和垂直梯度信息G_y(x,y)。最终得到的结果为：

梯度幅值：

梯度方向：

4)单元格梯度投影。图像窗口被分成若干个小区域，这些区域被称为“单元格”。然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中。最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征。

5)对比度归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。通常，每个单元格由多个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中，得到一个HOG描述符。

6)将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成的特征向量。

2.主成分分析

鸟巢图片的尺寸为600×400，块的数量是126，一个块中包含36个特征，则一幅图的特征向量中一共有126×36＝4536维特征，这对于SVM的分类是十分不利的，所以我们需要对特征向量进行主成分分析。令数据集为D＝{x⁽¹⁾,x⁽²⁾,......,x^(m)}，K为降维后的维数。

1)对所有样本中心化，即一个值减去它的均值：

2)计算协方差矩阵：

3)对协方差矩阵求特征值和特征向量。

4)取最大的前K个特征值对应的特征向量u⁽¹⁾,u⁽²⁾,......,u^(k)。在本发明中K取400。

3.训练SVM分类器

1)归一化。对步骤2得到的数据进行归一化，消除各维数据间数量级的差别，避免因输入输出数据数量级差别较大而造成网络预测误差较大。归一化方式如下：

其中xmin为数据序列中的最小数；xmax为序列中的最大数。

2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件，如图5所示。将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为-1。

3)选择核函数类型、SVM所涉及的惩罚因子c，伽马参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型。通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值。

4.输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。

1)对待识别输电线路图像进行预处理，图像尺寸大小统一缩放为600×400，缩放方式选择双三次内插，并对图像做灰度化和伽马校正。

2)提取输电线路图像的HOG特征。

3)对上一步中的特征向量进行主成分分析，提取前400个特征值对应的特征向量。

4)将特征向量用第一步训练好的分类器模型进行预测，根据分类器预测结果输出图片中是否有鸟巢，若分类结果为1，则表明图像中没有鸟巢，一切正常；若分类结果为-1，则表明图像中有鸟巢，应当立即定位并抢修。

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。

1.HOG特征提取，其具体步骤如下：

1)将巡检后得到的鸟巢图像收集起来，依据图片中的输电线路中是否有鸟巢存在进行分类，并按照一定的数量比例分为训练集和测试集。规定不含鸟巢的图片(即正常图片)为正样本，含鸟巢的图片为负样本。对所有图片进行预处理，统一将图片缩放为600×400，缩放方式选择双三次内插。

2)对图片进行预处理，包括图像的灰度化和伽马校正。

A.灰度化

因为颜色信息对于HOG特征提取影响不大，因此在读入图像时就对其灰度化。灰度化公式如下所示：

Gray＝0.3×R+0.59×G+0.11×B

其中R，G，B分别是原彩色图像中的红色，绿色，蓝色分量的像素值，Gray是图像灰度化后的像素值。

B.伽马校正

伽马校正就是对每个像素使用一个伽马系数来压缩，公式如下：

P_out＝(P_in)^gamma

其中P_in表示输入灰度图像的像素值，P_out表示输出图像的像素值，gamma表示伽马系数，本发明中gamma取0.5。

3)计算图像的一阶梯度。求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。每个像素有横纵两个梯度，本发明中使用两个梯度检测算子：

水平梯度算子：

[-1，0，1]

垂直梯度算子：

[-1，0，1]^T

对目标图像进行卷积，获得目标图像水平梯度信息G_x(x,y)和垂直梯度信息G_y(x,y)。最终得到的结果为：

梯度幅值：

梯度方向：

4)单元格梯度投影。图像窗口被分成若干个小区域，这些区域被称为“单元格”。然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中。最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征。

5)对比度归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。通常，每个单元格由多个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中，得到一个HOG描述符。

6)将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成的特征向量。

2.主成分分析

鸟巢图片的尺寸为600×400，块的数量是126，一个块中包含36个特征，则一幅图的特征向量中一共有126×36＝4536维特征，这对于SVM的分类是十分不利的，所以我们需要对特征向量进行主成分分析。令数据集为D＝{x⁽¹⁾,x⁽²⁾,......,x^(m)}，K为降维后的维数。

1)对所有样本中心化，即一个值减去它的均值：

2)计算协方差矩阵：

3)对协方差矩阵求特征值和特征向量。

4)取最大的前K个特征值对应的特征向量u⁽¹⁾,u⁽²⁾,......,u^(k)。在本发明中K取400。

3.训练SVM分类器

1)归一化。对步骤2得到的数据进行归一化，消除各维数据间数量级的差别，避免因输入输出数据数量级差别较大而造成网络预测误差较大。归一化方式如下：

其中x_min为数据序列中的最小数；x_max为序列中的最大数。

2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件，如图5所示。将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为-1。

3)选择核函数类型、SVM所涉及的惩罚因子c，伽马参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型。通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值。

4.输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。

1)对待识别输电线路图像进行预处理，图像尺寸大小统一缩放为600×400，缩放方式选择双三次内插，并对图像做灰度化和伽马校正。

2)提取输电线路图像的HOG特征。

3)对上一步中的特征向量进行主成分分析，提取前400个特征值对应的特征向量。

4)将特征向量用第一步训练好的分类器模型进行预测，根据分类器预测结果输出图片中是否有鸟巢，若分类结果为1，则表明图像中没有鸟巢，一切正常；若分类结果为-1，则表明图像中有鸟巢，应当立即定位并抢修。

Claims (3)

1.一种基于HOG特征和机器学习的输电线路鸟巢识别方法，其特征是，步骤如下：

一、方向梯度直方图HOG特征提取，其具体步骤如下：

1)将巡检后得到的鸟巢图像收集起来，依据图片中的输电线路中是否有鸟巢存在进行分类，并按照一定的数量比例分为训练集和测试集，规定不含鸟巢的图片为正样本，含鸟巢的图片为负样本，对所有图片进行预处理；

2)对图片进行预处理，包括图像的灰度化和伽马校正；

3)计算图像的一阶梯度，每个像素有横纵两个梯度，具体采用水平、垂直梯度检测算子；

4)单元格梯度投影，图像窗口被分成若干个小区域，这些区域被称为“单元格”，然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中，最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征；

5)对比度归一化，一个单元格的特征会以不同的结果多次出现在最后的向量中，得到一个HOG描述符；

6)将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成的特征向量；

二、主成分分析

令数据集为D＝{x⁽¹⁾,x⁽²⁾,......,x^(m)}，K为降维后的维数，

1)对所有样本中心化，即一个值减去它的均值：

2)计算协方差矩阵：

3)对协方差矩阵求特征值和特征向量；

4)取最大的前K个特征值对应的特征向量u⁽¹⁾,u⁽²⁾,......,u^(k)；

三、训练支持向量机SVM分类器

1)归一化，对步骤2得到的数据进行归一化，消除各维数据间数量级的差别，避免因输入输出数据数量级差别较大而造成网络预测误差较大，归一化方式如下：

其中x_min为数据序列中的最小数；x_max为序列中的最大数；

2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件；

3)选择核函数类型、SVM所涉及的惩罚因子c，伽马参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值；

四、输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。

2.如权利要求1所述的基于HOG特征和机器学习的输电线路鸟巢识别方法，其特征是，灰度化和伽马校正具体步骤如下：

A.灰度化

灰度化公式如下所示：

Gray＝0.3×R+0.59×G+0.11×B

其中R，G，B分别是原彩色图像中的红色，绿色，蓝色分量的像素值，Gray是图像灰度化后的像素值；

B.伽马校正

伽马校正就是对每个像素使用一个伽马系数来压缩，公式如下：

P_out＝(P_in)^gamma

其中P_in表示输入灰度图像的像素值，P_out表示输出图像的像素值，gamma表示伽马系数；

其中，水平梯度算子：

[-1，0，1]

垂直梯度算子：

[-1，0，1]^T

对目标图像进行卷积，获得目标图像水平梯度信息G_x(x,y)和垂直梯度信息G_y(x,y)，x，y为坐标，最终得到的结果为：

梯度幅值：

梯度方向：

3.如权利要求1所述的基于HOG特征和机器学习的输电线路鸟巢识别方法，其特征是，一个实例中具体步骤如下：

1)对待识别输电线路图像进行预处理，图像尺寸大小统一缩放为600×400，缩放方式选择双三次内插，并对图像做灰度化和伽马校正；

2)提取输电线路图像的HOG特征；

3)对上一步中的特征向量进行主成分分析，提取前400个特征值对应的特征向量；

4)将特征向量用第一步训练好的分类器模型进行预测，根据分类器预测结果输出图片中是否有鸟巢，若分类结果为1，则表明图像中没有鸟巢，一切正常；若分类结果为-1，则表明图像中有鸟巢，应当立即定位并抢修。

Images