CN111428748A

CN111428748A - 一种基于hog特征和svm的红外图像绝缘子识别检测方法

Info

Publication number: CN111428748A
Application number: CN202010105915.4A
Authority: CN
Inventors: 李佳璇; 杨帆; 刘一阳; 韩升; 王皓; 王梦珺
Original assignee: Chongqing University
Current assignee: Chongqing University
Priority date: 2020-02-20
Filing date: 2020-02-20
Publication date: 2020-07-17
Anticipated expiration: 2040-02-20
Also published as: CN111428748B

Abstract

本发明公开一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，包括以下步骤：进行红外图像预处理；通过方向梯度直方图(HOG)获取正负样本的轮廓信息；采用PCA主成分分析方法对轮廓数据进行降维；采用粒子群算法(PSO)优化SVM的惩罚系数C值和径向基核函数(RBF)的gamma值；采用SVM训练模型，生成并保存目标识别模型和初次识别结果；将剩余的负样本集带入目标识别模型，进行难例挖掘，将假阳性负样本加入负样本集中，迭代训练，增强模型分类性能。本发明能够有效降低人力成本、提升训练速度、降低误检率和漏报率，提高绝缘子检测率。

Description

一种基于HOG特征和SVM的红外图像绝缘子识别检测方法

技术领域

本发明属于输电设备运行状态检修领域，尤其涉及到一种基于HOG特征和 SVM的绝缘子检测方法。

背景技术

绝缘子是在发电和配电过程中，来支持和固定电气设备的载流导体，并使载流导体的相与相之间和对地绝缘。由于绝缘子常在高温，潮湿，多尘埃污垢等环境下运行，并承受着导线的重量，拉力和过电压，所以在电网工作中监测绝缘子的状态是一项非常重要的工作。由于目前电网智能化的要求的提出，相较于传统的人工巡检和停电巡检，新的数字化检测方式无疑是更为高效，安全的监测方式，而数字化检测首先需要解决的即是要在不同的情况下识别出绝缘子为之后的故障判断，维修等工作做好准备。

目前，配电线路绝缘子的检测方法种类繁多，包括基于红外图像的、基于激光的、基于声学的、基于可见光图像的等等。基于激光的图像识别方法其器材经济成本高昂且需要稳定的工作环境，基于声学的检测识别方法极易受到复杂环境的影响导致反射回来的信息准确率极低。鉴于此，国内外普遍使用基于可见光图像的绝缘子识别方法，主要分为依据其轮廓信息、颜色信息或纹理信息完成识别工作。基于轮廓特征的可见光图像绝缘子识别方法准确度受航拍的姿态角影响较大；基于颜色特征的可见光绝缘子识别方法中的绝缘子图像分割算法以绝缘子颜色已知作为分割前提；基于纹理特征的可见光绝缘子识别方法易受复杂背景下纹理相似的伪目标干扰。然而电力系统中绝缘子图像采集多由人工或航拍来完成，以需求的特定角度及焦距在特定的光照环境下进行拍摄，且由于背景变化多且较为复杂，这些方法对于大规模、频繁性的巡检工作来说，会消耗大量时间成本和经济成本，且易受环境的影响，准确率和及时性都较低，并不能广泛应用于实际情况当中。

发明内容

针对现有技术的缺陷，本发明的提供了一种投入少、维护成本低、准确性和实时性高的基于图像处理技术的绝缘子识别方法，为及时排查输电线路路中绝缘子的温度异常提供方法。

为实现本发明的上述目的，本发明采用的技术方案是：

一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于包括以步骤：

1)从初始的红外图像中截取绝缘子区域作为初始训练集。

2)进行红外图像预处理，为符合HOG特征提取的要求，对初始训练集进行角度矫正和尺度归一化，将完成处理后的红外绝缘子图像集作为正式训练集。

3)对正式训练集提取HOG特征描述符，按维度组合成HOG特征矩阵。

4)针对所述HOG特征矩阵，对数据进行去均值和方差归一化，计算PCA 协方差矩阵C，对特征矩阵进行降维，得到特征向量；

cov(X，Y)表示X维度和Y维度的协方差，X_i表示第i个样本的X维度特征值，Y_i表示第i个样本的Y维度特征值，

表示所有样本X维度特征的平均值，

表示所有样本Y维度特征的平均值，n表示样本总数，即协方差矩阵的维度；以2维数据(X，Y)作为例子，C表示构建的协方差矩阵，cov(X，X)表示X维度和X维度的协方差，cov(X，Y)表示X维度和Y维度的协方差，cov(Y，X)表示 Y维度和X维度的协方差，cov(Y，Y)表示Y维度和Y维度的协方差；X和Y 分别代表两个维度的特征值。

5)将步骤4)得到的特征向量带入SVM分类器训练，生成并保存绝缘子识别模型和初次识别结果，采用粒子群算法PSO优化SVM分类器的惩罚系数c 值和径向基核函数RBF的gamma值，径向基核函数如下：

K(x_i，x_j)＝exp(-gamma·||x_i-x_j||²)

x_i，x_j表示二维平面上的两个不同样本点，||-||表示样本点之间距离。

6)将训练集中未用到的负样本带入初步训练好的SVM分类器进行难例挖掘，将被当前模型误判为正样本的负样本定义为困难样本，将其加入负样本集中，迭代训练模型，得到最终的SVM检测模型。

7)提取待测样本的HOG特征向量并利用步骤4)的PCA协方差矩阵进行降维，得到待测样本的特征向量。

8)将步骤7)中的特征向量输入步骤6)训练得到的SVM检测模型进行绝缘子的检测。若待测红外图像判断为负样本，认为待测目标图像中没有绝缘子，移动摄像头重新获取新的图像，并重复步骤7起始的两个步骤；若待测红外图像判断为正样本，则认为图像中有绝缘子目标，固定摄像头进行温度监测。

进一步，所述步骤2)的具体处理过程包括，根据Sobel分别提取初始训练集中红外图像水平和竖直方向的梯度，得到提取绝缘子轮廓后的图片，通过最小外接矩形原理确认旋转角度和旋转中心，通过旋转角度归类处理实现角度矫正，根据判别分析原理进行图片的尺寸归一化，得到正式训练集。

进一步，所述步骤3)还包括采用gamma校正法对输入图像进行对比度调整：

I(x，y)_new＝I(x，y)^gamma

i(x，y)表示坐标点(x，y)处的灰度值，I(x，y)表示进行归一化处理后的灰度值，gamma为预补偿因子，是[0，1]之间的实数。

通过HOG获取像素点梯度，并对窗口内的像素用梯度方向在直方图中进行加权投影，获得训练集正负样本的轮廓特征。

进一步，步骤4)中所述计算PCA协方差矩阵C，对特征矩阵进行降维，得到特征向量具体包括，确定降维后的期望维度m，求出数据归一化矩阵的协方差矩阵；以维度作为变量空间，求出协方差矩阵的特征值及特征值对应的特征向量；根据特征值大小从大到小，将得到的特征向量从左至右按行排列成矩阵，取前m行组成新的矩阵，与协方差矩阵相乘，降维后的数据保存为特征向量。

进一步，步骤5)采用粒子群算法PSO获取SVM的惩罚系数C和径向基核函数的g值得全局最优解；将步骤4得到的降维后的特征向量，通过RBF径向核函数提升可分性，随后投入SVM分类器进行训练，生成并保存绝缘子识别模型和初次识别结果。

步骤5)具体包括以下实施步骤：

5.1确定PSO算法在终止条件无法满足情况下的最大迭代次数N_max、粒子速度限值V_max与最大搜索范围X_max三个参数；

5.2随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化，其中每个粒子包含两个分量，分别为SVM固有参数惩罚系数C和径向基核函数核参数 gamma，并初始化每一个粒子的速度和位置向量；

5.3将粒子作为支持向量机的固有参数惩罚系数C和径向基核函数参数 gamma带入SVM进行训练，并将返回的交叉验证意义下的分类准确率作为粒子适应度值；

5.4根据粒子适应度值的情况不断更新个体极值及群体极值：一旦出现了更优的适应度值则更新相应的个体或者群体适应度，同时检查各个粒子的不同维度是否在允许的限度之内，更新公式如下：

V_i＝ω·V_i+c₁·rand()·(P_i-X_i)+c₂·rand()·(P_g-X_i)

X_i＝X_i+V_i

其中V_i是粒子的速度，X_i是粒子的位置，ω是惯性权重，c₁和c₂是学习因子， rand()是0-1的随机值，P_i是第i个粒子搜索到的最优位置，P_g是整个粒子群搜索到的最优位置；

5.5判断是否满足退出迭代条件：如果超过最大迭代次数或接连两次的适应度的变化没有超过±0.002，则退出迭代过程，并且此时的鸟群极值即为所要求的SVM模型最优参数。

进一步，步骤6)所述难例挖掘，具体包括：按照与正样本3∶1的比例从负样本集中随机抽取图片作为测试负样本，并利用当前SVM模型预测，将预测偏差较大的负样本加入训练负样本集，构造出新训练负样本集，使用新训练负样本集对模型进行重新训练，重复以上步骤迭代训练至SVM模型达到稳定状态，即分类器性能不再提升，将其作为最终的SVM分类器。其中，SVM模型预测结果的返回参数是[0，1]的实数，预测结果的分类标准是将0.5以下归为0即负样本，0.5及以上归为1即正样本，因此预测数值靠近1的负样本就是预测偏差较大的负样本，本发明中定义为0.7以上。

与现有技术相比，本发明的有益效果是：能够有效降低人力成本、提升训练速度、降低误检率和漏报率，提高绝缘子检测率。

本发明的主要优点：1.使用红外图像，减少了背景因素的干扰，为进一步的故障诊断提供了方便；2.为了优化SVM支持向量机的分类效果，使用PSO粒子群算法找寻SVM支持向量机在RBF核参数的全局最优解，提高了识别正确率； 3.为了降低SVM分类模型的训练时间，使用了PCA主成分分析法，在保留HOG 轮廓信息的基础上降低了维度，从而减少模型训练时间；4.针对较难识别的负样本使用了难例挖掘算法，提升假阳性负样本与正样本的相似度，降低误检率，增强模型分类性能。

在本发明中，PCA主成分分析法是用于提取后的HOG特征，原来HOG特征维度是106020，通过PCA主成分分析法把特征维度降到了100，同时保留了完整的HOG特征信息，因此输入SVM分类器的特征维度很小，降低了分类器模型的训练时间。PSO粒子群算法、难例挖掘算法同时用于SVM分类器，可以大大提高识别准确率和识别精确度。

附图说明

图1是本发明的流程图；

图2是原始图片经过数据准备、图像预处理后的正式训练集示意图；

图3是Sobel算子在水平、垂直方向的梯度示意图；

图4是本发明HOG特征提取的效果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本发明提供的基于红外图像的绝缘子检测方法，具体按照以下步骤实施：

步骤1，数据准备；

步骤2，进行图像预处理；

步骤3，通过方向梯度直方图(HOG)获取训练集正负样本的轮廓特征；

步骤4，对提取后的HOG特征使用PCA主成分分析方法降维；

步骤5，使用PSO优化SVM参数,使用RBF核训练初始SVM支持向量机；

步骤6，结合难例挖掘迭代训练优化SVM模型；

步骤7，对待测红外图像提取特征向量并应用训练集的PCA斜方矩阵降维；

步骤8，带入训练好的模型进行预测。

本发明的特点还在于，

步骤1，如图1所示，包括如下步骤：

进行数据准备工作，准备基于红外图像包含绝缘子图像的正样本和不含绝缘子的红外设备图像各两千张，人工标注其绝缘子区域。正样本为图像中的绝缘子图片，负样本为母线、高压电缆、变压器、避雷器、天空等其他图片。

步骤2，如图1所示，包括如下步骤：

进行红外图像预处理，从输入的红外图像中截取绝缘子区域作为初始训练集；利用Sobel算子提取计算x，y方向上的梯度，处理结果如图3所示，Sobel 边缘检测算子如下：

其给定邻域方向梯度矢量g的幅度为：

通过数学运算保留高水平梯度和低垂直梯度的图像区域；随后进行边缘滤波，以滤除边缘强度小和边缘链短的边缘，得到提取绝缘子轮廓后的图片；边缘强度小表示边缘的界限不明显，边缘链短表示边缘长度很短，此处边缘强度小和边缘连短的边缘就是杂乱背景中的无效边缘。通过最小外接矩形原理，根据绝缘子轮廓的最小外接矩形，获得绝缘子的中心和倾斜角度，进行倾斜校正；根据判别分析原理按原始图片尺寸分类进行尺度归一化，处理流程与结果附图2 所示。

步骤3，如图1所示，包括如下步骤：

通过方向梯度直方图HOG获取训练集正负样本的轮廓特征，采用gamma 校正法对输入图像进行颜色空间归一化，通过方向梯度直方图(HOG)获取像素点梯度幅值和方向，并对窗口内的像素用梯度方向在直方图中进行加权投影，统计每个扫描滑动窗口内的细胞梯度构成方向特征直方图，得到最终的向量特征，可视化结果如附图4所示。

步骤4，如图1所示，包括如下步骤：

对提取后的HOG特征使用PCA主成分分析方法降维，HOG特征矩阵的每一维度进行零均值化、方差归一化作为预处理操作。确定降维后的期望维度m,求出数据归一化矩阵的协方差矩阵；求出协方差矩阵的特征值及对应的特征向量；将得到的特征向量按对应特征值大小从大到小按行排列成矩阵；取矩阵的前m 行组成PCA协方差矩阵，将其与初始特征矩阵相乘，得到降维后的特征向量。

步骤5，如图1所示，包括如下步骤：

确定PSO算法在终止条件无法满足情况下的最大迭代次数N_max、粒子速度限值V_max与最大搜索范围X_max三个参数；

随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化，其中每个粒子包含两个分量，分别为SVM固有参数惩罚系数C和径向基核函数核参数 gamma，并初始化每一个粒子的速度和位置向量；

将粒子作为支持向量机的固有参数惩罚系数C和径向基核函数参数gamma 带入SVM进行训练，并将返回的交叉验证意义下的分类准确率作为粒子适应度值；

根据粒子适应度值的情况不断更新个体极值及群体极值：一旦出现了更优的适应度值则更新相应的个体或者群体适应度，同时检查各个粒子的不同维度是否在允许的限度之内；，更新公式如下：

V_i＝ω·V_i+c₁·rand()·(P_i-X_i)+c₂·rand()·(P_g-X_i)

X_i＝X_i+V_i

判断是否满足退出迭代条件：如果超过最大迭代次数或接连两次的适应度的变化没有超过±0.002，则退出迭代过程，并且此时的鸟群极值即为所要求的 SVM模型最优参数；

使用沿径向对称的标量函数，经过RBF核映射后，使得步骤4后的特征向量的可分性得到了改善，随后将其用于SVM分类器选取支持向量界定最大边际的超平面位置。

步骤6，如图1所示，包括如下步骤：

结合难例挖掘迭代训练优化SVM模型，按照与正样本3∶1的比例从负样本集中随机抽取图片作为训练负样本集，并利用当前SVM模型预测，将预测偏差较大的负样本作为新负样本集，使用新负样本集对模型进行重新训练，重复以上步骤迭代训练至SVM模型达到稳定状态，即分类器性能不再提升，将其作为最终的SVM分类器；

步骤7，如图1所示，包括如下步骤：

对待测红外图像提取特征向量并应用训练集的PCA斜方矩阵降维，采用 gamma校正法对输入图像进行颜色空间归一化，通过方向梯度直方图(HOG)获取像素点梯度幅值和方向，并对窗口内的像素用梯度方向在直方图中进行加权投影，统计每个扫描滑动窗口内的细胞梯度构成方向特征直方图，从而提取待测红外图像的HOG特征，应用步骤4的PCA斜方矩阵对HOG特征进行降维，得到测试图片特征向量。

步骤8，如图1所示，包括如下步骤：

带入训练好的模型进行预测，将步骤7处理后的测试图片特征向量，输入步骤6训练后的模型进行分类。若待测红外图像判断为负样本，认为待测目标图像中没有绝缘子，移动摄像头重新获取新的图像，并重复步骤8起始的两个步骤；若待测红外图像判断为正样本，则认为图像中有绝缘子目标，固定摄像头进行温度监测。

以上所述实施例仅表达了本发明所提出基于红外图像的HOG和SVM方法，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于包括以步骤：

1)从初始的红外图像中截取绝缘子区域作为初始训练集；

2)对初始训练集进行角度矫正和尺度归一化，将完成处理后的红外绝缘子图像集作为正式训练集；

3)对正式训练集提取HOG特征描述符，按维度组合成HOG特征矩阵；

4)针对所述HOG特征矩阵，对数据进行去均值和方差归一化，计算PCA协方差矩阵C，对特征矩阵进行降维，得到特征向量；

5)将步骤4)得到的特征向量带入SVM分类器训练，生成并保存绝缘子识别模型和初次识别结果，采用粒子群算法PSO优化SVM分类器的惩罚系数c值和径向基核函数RBF的gamma值，径向基核函数如下：

K(x_i,x_j)＝exp(-gamma·‖x_i-x_j‖²)

x_i，x_j表示二维平面上的两个不同样本点，‖-‖表示样本点之间距离；

6)将训练集中未用到的负样本带入初步训练好的SVM分类器进行难例挖掘，迭代训练模型，得到最终的SVM检测模型；

7)提取待测样本的HOG特征向量并利用步骤4)的PCA协方差矩阵进行降维，得到待测样本的特征向量；

8)将步骤7)中的特征向量输入步骤6)训练得到的SVM检测模型进行绝缘子的检测。

2.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于：所述步骤2)的具体处理过程包括，根据Sobel分别提取初始训练集中红外图像水平和竖直方向的梯度，得到提取绝缘子轮廓后的图片，通过最小外接矩形原理确认旋转角度和旋转中心，通过旋转角度归类处理实现角度矫正，根据判别分析原理进行图片的尺寸归一化，得到正式训练集。

3.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于：所述步骤3)还包括采用gamma校正法对输入图像进行对比度调整：

I(x,y)_new＝I(x,y)^gamma

i(x,y)表示坐标点(x,y)处的灰度值，I(x,y)表示进行归一化处理后的灰度值，gamma为预补偿因子，是[0,1]之间的实数；

4.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于：步骤4)中所述计算PCA协方差矩阵C，对特征矩阵进行降维，得到特征向量具体包括，确定降维后的期望维度m，求出数据归一化矩阵的协方差矩阵；以维度作为变量空间，求出协方差矩阵的特征值及特征值对应的特征向量；根据特征值大小从大到小，将得到的特征向量从左至右按行排列成矩阵，取前m行组成新的矩阵，与协方差矩阵相乘，降维后的数据保存为特征向量。

5.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于：步骤5)所述粒子群算法PSO具体包括：

随机生成鸟群并根据SVM模型对PSO算法进行参数的初始化，其中每个粒子包含两个分量，分别为SVM固有参数惩罚系数c和径向基核函数参数gamma，并初始化每一个粒子的速度和位置向量；

将粒子作为支持向量机的固有参数惩罚系数c和径向基核函数参数gamma带入SVM进行训练，并将返回的交叉验证意义下的分类准确率作为粒子适应度值；

根据粒子适应度值的情况不断更新个体极值及群体极值：一旦出现了更优的适应度值则更新相应的个体或者群体适应度，同时检查各个粒子的不同维度是否在允许的限度之内，更新公式如下：

V_i＝ω·V_i+c₁·rand()·(P_i-X_i)+c₂·rand()·(P_g-X_i)

X_i＝X_i+V_i

其中V_i是粒子的速度，X_i是粒子的位置，ω是惯性权重，c₁和c₂是学习因子，rand()是0-1的随机值，P_i是第i个粒子搜索到的最优位置，P_g是整个粒子群搜索到的最优位置；

判断是否满足退出迭代条件：如果超过最大迭代次数或接连两次的适应度的变化没有超过±0.002，则退出迭代过程，并且此时的鸟群极值即为所要求的SVM模型最优参数。

6.根据权利要求1所述一种基于HOG特征和SVM的红外图像绝缘子识别检测方法，其特征在于：步骤6)所述难例挖掘，具体包括：按照与正样本3:1的比例从负样本集中随机抽取图片作为训练负样本集，并利用当前SVM模型预测，将预测偏差较大的负样本作为新负样本集，使用新负样本集对模型进行重新训练，重复以上步骤迭代训练至SVM模型达到稳定状态，即分类器性能不再提升，将其作为最终的SVM分类器。