CN103020601B - 高压线视觉检测方法和装置 - Google Patents
高压线视觉检测方法和装置 Download PDFInfo
- Publication number
- CN103020601B CN103020601B CN201210540210.0A CN201210540210A CN103020601B CN 103020601 B CN103020601 B CN 103020601B CN 201210540210 A CN201210540210 A CN 201210540210A CN 103020601 B CN103020601 B CN 103020601B
- Authority
- CN
- China
- Prior art keywords
- line
- shaft tower
- sample
- matrix
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高压线视觉检测方法和装置。该方法包括:对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;将所述检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;根据所述高压线判决矩阵,获得所述图像的高压线与杆塔位置集合。本发明技术方案通过对杆塔进行检测,可有效对高压线检测的准确性,提高高压线的检测率。
Description
技术领域
本发明涉及计算机视觉识别技术,尤其涉及一种高压线视觉检测方法和装置。
背景技术
计算机视觉识别技术是利用计算机,采用视觉手段对待定目标自动进行检测和识别的技术,其广泛应用于各种领域,例如人脸识别、高压线检测等,而如何提高计算机视觉识别的准确性和检测效果是视觉识别检测技术的关键。
目前,高压线视觉检测就是利用计算机视觉识别技术,对视觉拍摄装置成像区域中的高压线目标进行检测,由于高压线目标具有典型的线目标的特点,现有高压线视觉检测方法一般采用线检测的方法对高压线检测。高压线视觉检测时,视觉拍摄装置安装在飞行器上,以进行图像的拍摄,在理想场景下,即飞行器位于高压线上方的一定高度,沿高压线方向定向飞行,且视觉拍摄装置按照固定角度拍摄高压线目标,此时高压线在视觉拍摄装置成像区域中位置基本不会发生变化,可以对图像中可能出现的高压线位置进行简单的预先定位,因此,传统的高压线视觉检测方法就是通过对高压线位置进行预先定位,以获得较好的高压线检测效果。
但是,在实际拍摄过程中,飞行器与高压线的相对位置通常是变化的,特别是在低空自由飞行情况下,飞行器与高压线的相对位置是不固定的,此种情况下,由于飞行器与高压线相对位置的不固定,飞行器上的视觉拍摄装置成像区域中高压线出现的位置是时刻发生变化的,这样就无法对成像区域中的高压线进行简单的预定位;此外,高压线目标本身具有微小、静态、几何形状简单的特点,相对于复杂的背景,高压线的几何特征和运动特征都不显著,因此,采用传统的高压线视觉检测方法进行高压线检测将会非常困难的。
综上,现有仅采用线检测方法对高压线进行检测时,其检测结果往往具有很高的漏报率和误报率,高压线检测效果较差。
发明内容
本发明提供一种高压线视觉检测方法和装置,可有效克服现有技术存在的缺陷,提高高压线检测的准确性,提高高压线的检测效果。
本发明提供一种高压线视觉检测方法,包括:
对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;
将所述检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;
根据所述高压线判决矩阵,获得所述图像的高压线与杆塔位置集合。
上述的高压线视觉检测方法中,所述对图像进行杆塔和直线检测包括:
通过尺度不变特征转换特征点匹配方法对图像进行处理,确定所述图像中是否存在杆塔;
所述图像中存在杆塔时,以设定的第一检测阈值对所述图像进行直线检测,获得所述图像中的高压线粗选集。
上述的高压线视觉检测方法中,所述获得检测阶段的杆塔-高压线位置特征统计矩阵包括:
根据检测得到的杆塔位置和高压线粗选集,获得所述高压线粗选集中各高压线的杆塔-高压线特征向量;
对所有高压线的杆塔-高压线特征向量进行统计,获得检测阶段的杆塔-高压线位置特征统计矩阵。
上述的高压线视觉检测方法中,所述根据所述高压线判决矩阵,获得所述图像的高压线与杆塔位置集合包括:
以设定阈值判定所述高压线判决矩阵中,各位置是否存在高压线,获得所述图像的高压线与杆塔位置集合。
上述的高压线视觉检测方法还包括:
对所述图像进行杆塔检测,确定所述图像中不存在杆塔时,以设定的第二检测阈值对所述图像进行直线检测,直接获得所述图像中的高压线位置集合。
上述的高压线视觉检测方法中,所述对图像进行杆塔和直线检测之前还包括:
进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵。
上述的高压线视觉检测方法中,所述进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵包括:
对样本库中的样本进行人工标定,标出样本中杆塔与高压线的位置;
根据标出的样本的杆塔与高压线的位置,生成样本中杆塔-高压线位置特征向量集,得到样本中杆塔-高压线相关性表示向量集;
对所述样本库中所有样本的杆塔-高压线相关性表示向量集进行概率统计,获得样本杆塔-高压线位置相关性矩阵。
本发明提供一种高压线视觉检测装置,包括:
统计矩阵获取单元,用于对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;
判决矩阵计算单元,用于将所述检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;
检测结果获取单元,用于根据所述高压线判决矩阵,获得所述图像的高压线与杆塔位置集合。
上述的高压线视觉检测装置还可包括:
相关性矩阵获取单元,用于进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵。
本发明提供的高压线视觉检测方法,通过对图像中的杆塔和高压线均进行检测,获得杆塔-高压线位置特征统计矩阵,并根据样本杆塔-高压线位置相关性矩阵得到高压线与杆塔位置集合,可有效提高高压线检测的准确性和可靠性,提高高压线的检测效果。
附图说明
图1为本发明高压线视觉检测方法实施例一的流程示意图;
图2为本发明高压线视觉检测方法实施例二的流程示意图;
图3为本发明实施例中进行杆塔-高压线位置相关性学习的流程示意图;
图4为本发明实施例中对图像进行杆塔检测的流程示意图;
图5为本发明高压线视觉检测装置实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明高压线视觉检测方法实施例一的流程示意图。如图1所示,本实施例高压线视觉检测方法包括以下步骤:
步骤101、对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;
步骤102、将检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;
步骤103、根据高压线判决矩阵,获得图像的高压线与杆塔位置集合。
本实施例在对高压线进行检测时,对图像中的杆塔和直线均进行检测,获得图像中杆塔-高压线位置特征统计矩阵,并根据预先得到的样本杆塔-高压线位置相关性矩阵,得到高压线判决矩阵,从而得到高压线位置集合。由于本实施例在对高压线检测中,加入了对杆塔的检测,使得获得的高压线位置集合更加准确、可靠,可有效提高高压线检测的准确性,提高高压线的检测效果。
综上,本实施例高压线视觉检测方法通过对图像中的杆塔和高压线均进行检测,获得杆塔-高压线位置特征统计矩阵,并根据样本杆塔-高压线位置相关性矩阵得到高压线与杆塔位置集合,可有效提高高压线检测的准确性和可靠性,提高高压线的检测效果。
图2为本发明高压线视觉检测方法实施例二的流程示意图。如图2所示,本实施例检测方法包括以下步骤:
步骤201、进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵;
步骤202、通过尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)特征点匹配方法对图像进行处理,确定图像中是否存在杆塔,是则执行步骤203,否则执行步骤207;
步骤203、以设定的第一检测阈值对图像进行直线检测,获得图像中的高压线粗选集;
步骤204、根据检测得到的杆塔位置和高压线粗选集,获得高压线粗选集中各高压线的杆塔-高压线特征向量;
步骤205、对所有高压线的杆塔-高压线特征向量进行统计,获得检测阶段的杆塔-高压线位置特征统计矩阵;
步骤206、将获得的检测阶段的杆塔-高压线位置特征统计矩阵与样本杆塔-高压线位置相关性矩阵相乘,获得高压线判决矩阵;
步骤207、以设定阈值判定高压线判决矩阵中,各位置是否存在高压线,获得图像的高压线与杆塔位置集合,结束高压线检测;
步骤208、以设定的第二检测阈值对图像进行直线检测,直接获得图像中的高压线位置集合。
本实施例中,可首先对待检测图像中的杆塔进行检测,当检测到图像中存在杆塔,即杆塔检测结果为真时,通过设定的数值较低的第一检测阈值,获得图像的直线集合,该直线集合即为高压线粗选集;当检测到图像中不存在杆塔,即杆塔检测结果为假时,通过设定数值较大的第二检测阈值,直接获得图像的高压线位置集合,该高压线位置集合即为最终的检测结果。其中,对图像进行直线检测具体可采用雷顿变换方法进行检测,其具体检测过程与现有技术中直线检测方法相同或类似,在此不再赘述。
本领域技术人员可以理解的是,当待检测图像中存在杆塔时,通过设定的较低值的第一检测阈值对图像进行直线检测,可获得粗选的高压线集合,避免图像中有高压线漏检;而在图像中不存在杆塔时,通过设定较高值的第二检测阈值对图像进行检测,即可获得图像的最终检测结果,由于采用较高的检测阈值,可避免图像中高压线误检,以提高高压线检测结果的准确性。
图3为本发明实施例中进行杆塔-高压线位置相关性学习的流程示意图。如图3所示,上述步骤201中进行杆塔-高压线位置相关性学习具体可包括以下步骤:
步骤2011、读入样本库中的一幅样本;
步骤2012、读入标定杆塔的初始位置信息;
步骤2013、读入标定高压线的初始位置信息;
步骤2014、根据读入的杆塔的初始位置信息和高压线的初始位置信息,得到样本中与读取的高压线对应的杆塔-高压线相关性表示向量;
步骤2015、判断样本中是否有其它标定的高压线,是则执行步骤2013,否则执行步骤2016;
步骤2016、对样本中各高压线对应的杆塔-高压线相关性表示向量出现的次数进行投票统计,获得样本的相关性状态频数矩阵;
步骤2017、将样本的杆塔-高压线相关性状态频数矩阵与样本杆塔-高压线相关性状态总频数矩阵相加,获得新的样本杆塔-高压线相关性状态总频数矩阵;
其中,样本杆塔-高压线相关性状态总频数矩阵初始值为0。
步骤2018、判断样本库中是否还有未读入的样本,是则执行步骤2011,否则,执行步骤2019;
步骤2019、样本学习结束,由样本杆塔-高压线相关性状态总频数矩阵,获得样本杆塔-高压线位置相关性矩阵。
上述步骤2012和步骤2013中,杆塔的初始位置信息和高压线的初始位置信息均是由人工标定。即在进行杆塔-高压线位置相关性学习时,需要对样本库中的样本进行人工标定,标出样本中杆塔与高压线的位置。
上述步骤2012中,杆塔的初始位置信息可包括杆塔最高处纵坐标T_top,杆塔最底处纵坐标T_btm,杆塔最左端横坐标T_left,杆塔最右端横坐标T_right,以及杆塔的朝向信息T_orient;由杆塔初始位置信息(T_top,T_btm,T_left,T_right,T_orient)即可得到杆塔位置特征向量(center_h,center_w,T_length,T_orient),其中,center_h为杆塔中心纵坐标;center_w为杆塔中心横坐标;T_length为杆塔塔高。
上述步骤2013-步骤2015中,读入的一条标定高压线的初始位置信息,具体可包括高压线所在直线与图像左边框交点的纵坐标left_height及直线与图像右边框交点的纵坐标right_height;由高压线的初始位置信息(left_height,right_height)即可计算出横坐标为center_w时,高压线上点的纵坐标L_h与高压线斜率L_angle,进而由L_h、center_h和T_length得到高压线的相对高度L_height;由此,根据杆塔和高压线的初始位置信息即可生成杆塔-高压线位置特征向量集{(center_h,center_w,T_length,T_orient,left_height,right_height)},进而可得到一个样本的杆塔-高压线相关性状态集合{(L_height,L_angle,T_orient)}。集合中元素为一条高压线与图像中杆塔所成的杆塔-高压线相关性状态(L_height,L_angle,T_orient)。
上述步骤2015中,由于图像中高压线的数量一般为多条,因此,只有在所有标定的高压线的位置信息均被读取后,才进行后续步骤。该步骤2015中,对所有的标定的高压线均进行处理后,就可得到样本的杆塔-高压线位置特征向量集。
上述步骤2016-步骤2019中,当获取样本的杆塔-高压线相关性状态集合{(L_height,L_angle,T_orient)}后,即可对该集合中各杆塔-高压线相关性状态(L_height,L_angle,T_orient)出现的次数进行投票统计,获得相应的频数Num_Sample(L_height,L_angle,T_orient);各Num_Sample(L_height,L_angle,T_orient)构成样本的杆塔-高压线相关性状态频数矩阵NUM_SAMPLE。各杆塔-高压线相关性状态频数矩阵累加所成矩阵为杆塔-高压线相关性状态总频数矩阵NUM_TOTAL。杆塔-高压线相关性状态总频数矩阵NUM_TOTAL除以全部样本中标定高压线样本的总数,所得矩阵PR称为样本杆塔-高压线位置相关性矩阵。其中各元素Pr(L_height,L_angle,T_orient)即为相应杆塔-高压线相关性状态(L_height,L_angle,T_orient)在全部杆塔-高压线相关性状态中出现的概率。至此,获得杆塔-高压线位置相关性矩阵。杆塔-高压线位置相关性学习结束。
以上可以看出,上述的步骤2012-步骤2019,就是对样本库中的所有样本进行处理,以对各样本的杆塔-高压线相关性表示向量集进行统计处理,进而得到样本杆塔-高压线位置相关性矩阵,即根据标出的样本的杆塔与高压线的位置,生成样本中杆塔-高压线位置特征向量集,得到样本中杆塔-高压线相关性表示向量集;对样本库中所有样本的杆塔-高压线相关性表示向量集进行概率统计,获得样本杆塔-高压线位置相关性矩阵。
图4为本发明实施例中对图像进行杆塔检测的流程示意图。如图4所示,上述步骤202中通过SIFT特征点匹配方法对图像进行处理,获得图像中是否存在杆塔具体可包括以下步骤:
步骤2021、读取待检测的图像;
步骤2022、对图像进行SIFT特征点检测;
步骤2023、获得图像的SIFT特征点集;
步骤2024、将图像的SIFT特征点集分别与所有杆塔模板的SIFT特征点集进行匹配;
步骤2025、获得与所有杆塔模板匹配后得到的所有匹配特征点对和匹配特征点对数量;
步骤2026、获得所有匹配特征点对数量中数值最大的匹配特征点对数量;
步骤2027、判断数值最大的匹配特征点对数量是否小于设定的杆塔检测阈值,是则执行步骤2028,否则,执行步骤2029;
步骤2028、待检测的图像中不存在杆塔,结束;
步骤2029、图像中存在杆塔,获取杆塔位置信息,结束。
上述步骤2024和步骤2025中,杆塔模板的数量有4个,相应的也就有4个模板的SIFT特征点集T1、T2、T3和T4。其中,杆塔模板的选择可选择典型朝向的4个模板,具体地,可选择4幅典型朝向分别为正面、正侧面、45°左侧面、45°右侧面的高压线杆塔图像作为杆塔模板,并分别检测出各幅图像的全部SIFT特征点,得到各幅图像中杆塔模板的特征点集T1、T2、T3、T4;获得待检测图像的SIFT特征点集I后,即可将I分别与杆塔模板的特征点集T1、、T2、T3、T4进行特征点匹配,分别得到匹配特征点对集P1、P2、P3、P4及匹配特征点对数量N1、N2、N3、N4。
上述步骤2026和步骤2027中,若N1至N4均小于设定的检测阈值N_threshold,即获得所有匹配特征点数量N1、N2、N3和N4中数值最大的匹配特征点数量,小于设定的检测阈值N_threshold,即可确定待检测图像中不存在高压线杆塔,返回杆塔检测判断结果I_existence=0,杆塔检测结束;否则,即可确定待检测图像中存在高压线杆塔,返回杆塔检测判断结果I_existence=1。
上述步骤2029中,当确认待检测的图像中存在杆塔时,即可将N1至N4中最大者N_max对应的朝向作为待测图像中杆塔朝向I_orient;由N_max对应的匹配特征点对P_max中待测图像匹配特征点的几何中心确定待测图像中杆塔中心I_center,由待测图像匹配特征点相对于杆塔模板匹配特征点的放缩尺度确定待测图像中杆塔的长度I_length,从而可获得待检测图像中杆塔的位置信息(I_existence,I_center,I_length,I_orient),杆塔检测结束。
上述步骤203中,以设定的第一检测阈值对图像进行直线检测,获得图像中的高压线粗选集具体可以检测阈值L_threshold=100进行直线检测,获得一个直线集合{L_1=(left_height,right_height)},并将此集合作为高压线粗选集。
上述步骤204中,根据获得的杆塔位置和高压线粗选集,可由各条粗选高压线分别获得一检测阶段杆塔-高压线特征向量(L_height,L_angle,T_orient);对全部粗选高压线的杆塔-高压线特征向量进行统计,即可得到检测阶段的杆塔-高压线位置特征统计矩阵I_NUM。
上述步骤205和步骤206中,将杆塔-高压线位置特征统计矩阵I_NUM和杆塔-高压位置线相关性矩阵PR对应元素相乘,获得最终进行高压线判决的判决矩阵I_JUDGE;分别将I_JUDGE各元素与设定阈值Judge_threshold进行比较,即可判断出相应元素位置是否存在高压线,从而获得最终检测出的高压线与杆塔位置集合{(L_height,L_angle,center_h,center_w,T_length,I_orient)}。
上述步骤207中,图像中无杆塔,即杆塔检测判定结果为I_existence=0时,以检测阈值L_threshold=400进行直线检测,获得的直线集合{L_0=(left_height,right_height)},该直线集合即可作为最终的高压线位置集合。
本实施例中,高压线相对高度可设定为7种状态中的一种,该7种状态分别为>1、1~0.8、0.8~0.6、0.6~0.4、0.4~0.2、0.2~0以及<0;高压线的斜率可设定为以10°为一个区间、从0°至180°变化的18个区间状态中的一种;杆塔朝向可设定为4中典型朝向,即正面、正侧面、45°左侧面、45°右侧面,以及无杆塔5种状态中的一种,这样,检测阶段得到的杆塔-高压线位置特征统计矩阵就是一个多维矩阵I_NUM[7][18][5],矩阵中各元素的值I_num(L_height,L_angle,T_orient)表示该杆塔-高压线位置相关性状态下高压线的数量。同理,学习阶段得到的杆塔-高压线位置相关性矩阵也为一个多维矩阵PR[7][18][5],矩阵中各元素的值Pr(L_height,L_angle,T_orient)表示该杆塔-高压线位置相关性状态下存在高压线的概率大小。
本实施例中,设定的杆塔检测阈值N_threshold=3,由于朝向差异较大的杆塔图像之间的匹配点很少,因此设一个较低的检测阈值,可以保证杆塔的检测率,且可以取得较好的检测效果;直线检测可采用雷顿变换检测,且杆塔检测结果I_existence=1,即图像中存在杆塔时,可将设定的第一检测阈值设为L_threshold=100,且判决矩阵进行判决的阈值为Judge_threshold=0.2*3=0.6;若杆塔检测结果I_existence=0,即图像中无杆塔时,可将设定的第二检测阈值设为L_threshold=400。
为对本发明有更好的了解,发明人对采用传统的高压线视觉检测方法、简单的直线检测方法以及采用本发明检测方法的检测效果进行了对比,详细请见下表1。
以上对比可以看出,在相同测试样本下,本发明检测方法在检测率上比传统的预定位机制高压线检测方法及简单直线检测提取高压线方法均有大幅度提高。
本发明实施例提供的高压线视觉检测方法,可有效提高无高压线预定位时高压线的检测率。原因如下:如果采用传统的高压线检测方法,在预定位过程中会对直线特征检测的位置进行很大程度的限定,当飞行器在低空自由飞行时,由于成像区域中高压线出现的位置是变化不定的,无法对高压线进行预定位,此时,依照传统高压线检测方法对检测区域人为加以限定是不现实的,且会降低高压线的检测率;而不做任何限定,简单采用直线检测的方法对高压线进行检测,由于高压线的几何特征和运动特征在图像中都不显著,因此难以在大量线特征中有效提取出真实的高压线特征,故检测效果同样不理想。本发明技术方案通过检测高压线杆塔这种易于进行视觉检测,且与高压线在空间位置上密切相关的物体,通过学习建立起杆塔-高压线间相关性,既进行杆塔检测也进行高压线检测,通过引入杆塔-高压线间相关性,使两者形成一种联合探测,从而提高了对高压线的检测率。
综上可以看出,本发明实施例提供了一种联合机制的高压线视觉探测方法,可在传统高压线检测方法的基础上,增加对高压线杆塔的检测,通过学习获得杆塔与高压线之间的相对位置的相关性,根据两者间相关性将高压线检测与杆塔检测相结合,形成一种联合检测,弥补了传统检测方法在低空自由飞行场景中空对地高压线检测的不足,无需预定位,可有效提高高压线的检测率。特别适合某些应用场合无法预先确定高压线位置,如灾后航空应急救援等。
图5为本发明高压线视觉检测装置实施例的结构示意图。如图5所示,本实施例检测装置包括统计矩阵获取单元1、判决矩阵计算单元2和检测结果获取单元3,其中:
统计矩阵获取单元1,用于对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;
判决矩阵计算单元2,用于将检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;
检测结果获取单元3,用于根据高压线判决矩阵,获得图像的高压线与杆塔位置集合。
本实施例中,如图5所示,本实施例装置还可包括相关性矩阵获取单元4,用于进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵。以便判决矩阵计算单元2可根据获得的样本杆塔-高压线位置相关性矩阵获得高压线判决矩阵。
本实施例装置可应用于高压线检测中,可有效提高高压线检测准确性,提高高压线检测率,其具体实现过程可参考上述本发明方法实施例的说明,在此不再赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种高压线视觉检测方法,其特征在于,包括:
进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵;
通过尺度不变特征转换特征点匹配方法对图像进行处理,确定图像中是否存在杆塔;
当检测到图像中存在杆塔时,以设定的第一检测阈值对图像进行直线检测,获得图像中的高压线粗选集;
根据检测得到的所述杆塔位置和高压线粗选集,获得高压线粗选集中各高压线的杆塔-高压线特征向量;
对所有高压线的杆塔-高压线特征向量进行统计,获得检测阶段的杆塔-高压线位置特征统计矩阵;
将获得的所述检测阶段的杆塔-高压线位置特征统计矩阵与所述样本杆塔-高压线位置相关性矩阵相乘,获得高压线判决矩阵;
以设定阈值判定所述高压线判决矩阵中,各位置是否存在高压线,获得图像的高压线与杆塔位置集合;
其中,所述进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵,包括:
读入样本库中的一幅样本;
读入标定杆塔的初始位置信息;
读入标定高压线的初始位置信息;
根据读入的所述杆塔的初始位置信息和所述高压线的初始位置信息,得到样本中与读取的高压线对应的杆塔-高压线相关性表示向量;
判断所述样本中是否有其它标定的高压线;
当有其它标定的高压线时,则执行所述读入标定高压线的初始位置信息步骤,以及所述根据读入的所述杆塔的初始位置信息和所述高压线的初始位置信息,得到样本中与读取的高压线对应的杆塔-高压线相关性表示向量步骤;
当没有其它标定的高压线时,则对样本中各高压线对应的所述杆塔-高压线相关性表示向量出现的次数进行投票统计,获得样本的相关性状态频数矩阵;
将样本的杆塔-高压线相关性状态频数矩阵与样本杆塔-高压线相关性状态总频数矩阵相加,获得新的样本杆塔-高压线相关性状态总频数矩阵;其中,样本杆塔-高压线相关性状态总频数矩阵初始值为0;
当所述样本库中还有未读入的样本时,重复执行从所述读入样本库中的一幅样本开始的上述所有步骤;
当所述样本库中没有未读入的样本时,样本学习结束,由所述样本杆塔-高压线相关性状态总频数矩阵,获得所述样本杆塔-高压线位置相关性矩阵。
2.根据权利要求1所述的高压线视觉检测方法,其特征在于,还包括:
对所述图像进行杆塔检测,确定所述图像中不存在杆塔时,以设定的第二检测阈值对所述图像进行直线检测,直接获得所述图像中的高压线位置集合。
3.一种高压线视觉检测装置,其特征在于,包括:
相关性矩阵获取单元,用于进行杆塔-高压线位置相关性学习,获得样本杆塔-高压线位置相关性矩阵;
统计矩阵获取单元,用于对图像进行杆塔和直线检测,获得检测阶段的杆塔-高压线位置特征统计矩阵;所述统计矩阵获取单元具体用于:
通过尺度不变特征转换特征点匹配方法对图像进行处理,确定图像中是否存在杆塔;
当检测到图像中存在杆塔时,以设定的第一检测阈值对图像进行直线检测,获得图像中的高压线粗选集;
根据检测得到的所述杆塔位置和高压线粗选集,获得高压线粗选集中各高压线的杆塔-高压线特征向量;
对所有高压线的杆塔-高压线特征向量进行统计,获得检测阶段的杆塔-高压线位置特征统计矩阵;
判决矩阵计算单元,用于将所述检测阶段的杆塔-高压线位置特征统计矩阵与预先得到的所述样本杆塔-高压线位置相关性矩阵相乘,得到高压线判决矩阵;
检测结果获取单元,用于根据所述高压线判决矩阵,获得所述图像的高压线与杆塔位置集合,具体用于以设定阈值判定所述高压线判决矩阵中,各位置是否存在高压线,获得所述图像的高压线与杆塔位置集合;
其中,所述相关性矩阵获取单元具体用于:
读入样本库中的一幅样本;
读入标定杆塔的初始位置信息;
读入标定高压线的初始位置信息;
根据读入的所述杆塔的初始位置信息和所述高压线的初始位置信息,得到样本中与读取的高压线对应的杆塔-高压线相关性表示向量;
判断所述样本中是否有其它标定的高压线;
当有其它标定的高压线时,则执行所述读入标定高压线的初始位置信息步骤,以及所述根据读入的所述杆塔的初始位置信息和所述高压线的初始位置信息,得到样本中与读取的高压线对应的杆塔-高压线相关性表示向量步骤;
当没有其它标定的高压线时,则对样本中各高压线对应的所述杆塔-高压线相关性表示向量出现的次数进行投票统计,获得样本的相关性状态频数矩阵;
将样本的杆塔-高压线相关性状态频数矩阵与样本杆塔-高压线相关性状态总频数矩阵相加,获得新的样本杆塔-高压线相关性状态总频数矩阵;其中,样本杆塔-高压线相关性状态总频数矩阵初始值为0;
当所述样本库中还有未读入的样本时,重复执行从所述读入样本库中的一幅样本开始的上述所有步骤;
当所述样本库中没有未读入的样本时,样本学习结束,由所述样本杆塔-高压线相关性状态总频数矩阵,获得所述样本杆塔-高压线位置相关性矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210540210.0A CN103020601B (zh) | 2012-12-13 | 2012-12-13 | 高压线视觉检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210540210.0A CN103020601B (zh) | 2012-12-13 | 2012-12-13 | 高压线视觉检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020601A CN103020601A (zh) | 2013-04-03 |
CN103020601B true CN103020601B (zh) | 2015-08-05 |
Family
ID=47969192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210540210.0A Active CN103020601B (zh) | 2012-12-13 | 2012-12-13 | 高压线视觉检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020601B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711368B (zh) * | 2018-12-29 | 2023-04-14 | 华东理工大学 | 高空电缆线危险区域图像识别方法 |
CN112162565B (zh) * | 2020-08-21 | 2023-05-30 | 云南电网有限责任公司昆明供电局 | 一种基于多机协同作业的不间断自主杆塔巡检方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
CN101950357A (zh) * | 2010-09-21 | 2011-01-19 | 上海大学 | 基于位置关系识别高压线路杆塔、引流线、导线的方法 |
CN102353355A (zh) * | 2011-06-14 | 2012-02-15 | 西安工程大学 | 一种基于视频差异的输电线路杆塔倾斜的测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101032446B1 (ko) * | 2009-11-26 | 2011-05-03 | 광주과학기술원 | 영상의 정점 검출 장치 및 방법 |
-
2012
- 2012-12-13 CN CN201210540210.0A patent/CN103020601B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
CN101950357A (zh) * | 2010-09-21 | 2011-01-19 | 上海大学 | 基于位置关系识别高压线路杆塔、引流线、导线的方法 |
CN102353355A (zh) * | 2011-06-14 | 2012-02-15 | 西安工程大学 | 一种基于视频差异的输电线路杆塔倾斜的测量方法 |
Non-Patent Citations (2)
Title |
---|
一种基于综合特征向量的图像检索算法;刘军等;《陕西理工学院学报》;20070915;第23卷(第3期);42-45 * |
陈磊等.基于视觉的无人作战飞机跑道障碍物检测方案.《北京航空航天大学学报》.2007,第33卷(第11期), * |
Also Published As
Publication number | Publication date |
---|---|
CN103020601A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10410292B2 (en) | Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
US8885048B2 (en) | Computer vision and radio frequency identification technology based book enrolment management apparatus | |
US20180018528A1 (en) | Detecting method and device of obstacles based on disparity map and automobile driving assistance system | |
US20190362193A1 (en) | Eyeglass positioning method, apparatus and storage medium | |
CN104217203B (zh) | 复杂背景卡面信息识别方法及*** | |
CN105957059B (zh) | 电子元件漏件检测方法和*** | |
CN105335726B (zh) | 人脸识别置信度获取方法和*** | |
US20140270362A1 (en) | Fast edge-based object relocalization and detection using contextual filtering | |
CN105096307A (zh) | 在成对的立体图像中检测物体的方法 | |
US10997702B2 (en) | Inspection apparatus, inspection method, and computer readable recording medium storing inspection program | |
CN113361354A (zh) | 轨道部件巡检方法、装置、计算机设备和存储介质 | |
US9323989B2 (en) | Tracking device | |
US11315229B2 (en) | Method for training defect detector | |
TW201317904A (zh) | 標籤檢測系統、裝置及其檢測標籤的方法 | |
CN103488966A (zh) | 一种能够识别实名制车票信息的智能手机 | |
CN110346704A (zh) | 板卡测试中测试文件的确定方法、装置、设备及存储介质 | |
CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
CN103020601B (zh) | 高压线视觉检测方法和装置 | |
CN117152145B (zh) | 一种基于图像的板卡工艺检测方法及装置 | |
CN112686122A (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
CN116843677A (zh) | 钣金件的外观质量检测***及其方法 | |
CN110017998A (zh) | 车辆检测方法、装置和设备 | |
US11048958B1 (en) | Object detection improvement using a foreground occupancy map | |
WO2017179728A1 (ja) | 画像認識装置、画像認識方法および画像認識プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |