CN109712112B - 基于局部特征的航拍绝缘子图像的定位方法 - Google Patents
基于局部特征的航拍绝缘子图像的定位方法 Download PDFInfo
- Publication number
- CN109712112B CN109712112B CN201811401151.2A CN201811401151A CN109712112B CN 109712112 B CN109712112 B CN 109712112B CN 201811401151 A CN201811401151 A CN 201811401151A CN 109712112 B CN109712112 B CN 109712112B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- scale
- matrix
- points
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉中的图像处理技术领域，应用在电力***中输电线路巡检方面。基于局部特征的航拍绝缘子图像的定位方法，通过无人机采集沿着输电线路拍摄采集图像，对采集和参考绝缘子图像均进行灰度化处理；在MATLAB平台上利用Harris‑Laplace检测方法提取灰度化处理后图像的特征点，在MATLAB平台上，用SURF算法提取经过步骤二处理的灰度化处理后图像的特征点，在MATLAB平台上，用估计几何变换进行图像配准，绝缘子定位。本发明充分发挥局部特征的旋转、尺度、仿射不变性的优势，并且局部特征点配准定位的话，特征点数量少，计算量降低。
Description
技术领域
本发明属于计算机视觉中的图像处理技术领域，应用在电力***中输电线路巡检方面。
背景技术
输电线路是电网***中的一个至关重要的组成部分，其作为电网***的主干线路，对整个电网是否可靠、长期、安全稳定运行起到了决定性的作用，并且电网***长期有效的运行直接关系到国家经济的健康发展。随着输电网建设工程的实施，输电线路急剧増加，线路检修工作量剧增，地理环境复杂、气候条件多变等情况，使传统人工巡检作业更加危险，巡检效率和准确率不高。相对于传统的巡检方式，直升机巡检和无人机巡检方式效率高、巡线方式灵活、获取图像周期短、不受自然环境影响等优势，逐渐成为输电线路巡检的主流方式。在电力巡检目标中，绝缘子是重要的检查目标，其在电力传输网络中类型多，数量大，并且容易损坏。在长期的运行中，受到强风、雷雨、冰霉、覆冰等恶劣天气的影响，绝缘子容易受到损坏，进一步影响电力***输电网络的正常运行，严重的会造成大面积停电事故的发生。飞行器巡检方式是通过直升机或者无人机稳定的速度和相对固定的角度沿着输电线路拍摄采集图像，在拍摄过程中会经过各种地貌，如山川，河流，草地，房屋，耕地等，也可能是在各种气象条件下(雨、雪、雾等)，这些不同地貌和不同气候环境形成的不同背景和噪声对于输电线的检测和故障检测的适用性和鲁棒性是个极大的挑战。
目前，对于绝缘子图像检测方法基于颜色、纹理、形状等分割方法居多，这些方法对于背景简单和分辨率高等情形，检测和定位效果不错。但是，大部分实际航拍绝缘子的背景非常复杂，尤其对于较长的输电线路的情况各异，检测和定位效果不佳，故利用局部特征定位的算法。而基于局部特征点的绝缘子定位方法可以做到对图像的水平旋转、平移、尺度变化及光照变化具有保持不变的特性，同时对目标形变、局部遮挡及噪声干扰有一定的稳定性，适用于复杂航拍图像中的绝缘子定位。本发明使用Harris-Laplace与SURF算法相结合，并利用估计几何变换进行配准定位航拍绝缘子。
Harris角点检测算法是基于图像灰度的检测算法，通过搜索目标图像中灰度剧烈变化的极大值点完成角点检测。其是通过泰勒级数展开，算法鲁棒性得以增强，解决了Moravec算子不能良好适应的图像旋转与斜边的配准问题。
Harris算法对于旋转、平移等几何攻击都有高度的抵抗能力，但是不具有尺度不变性。一般来说，在较大尺度下能有效减少错误检测，能提取到真正的特征点，但定位不易准确；在较小尺度下能对特征点进行准确的定位，但误检率会增加。Mikolajczyk和Schmid学者针对问题提出改善方法，提出了Harris-Laplace检测方法，基于现在较大尺度下检测特征点，再在较小尺度下对真正的特征点精确定位这一原理，借由建立尺度空间来侦测角点更能准确定位出真正的角点。此方法是利用M矩阵估计特征的强度，通过阀值则视为角点，然后再求特征尺度。算法检测出的特征点不仅能抵抗压缩、滤波等一般的图像处理，还能在大尺度缩放的情况下保持良好的稳定性，同时缩放变换前后的特征尺度比例等于缩放比例。
SURF特征点对局部或全局扰动具有稳定性，具有尺度不变性和旋转不变性，且对噪声、遮挡、仿射变换、光照及3D视角偏移具有鲁棒性。该算法也是基于局部特征的，它也同样具有SIFT算法的优点。由于SURF算法进行特征点检测时，运用的是近似Hessian矩阵的行列式和积分图像的方法，而不是SIFT算法中的高斯差分算法 (DoG算法)，所以SURF算法能够有效的减少其中的计算量，有效地提高了其速度。SURF算法是运用的64维的向量以及采用 Laplacian符号来表示的，能够进一步提高其配准速度，而且还可以减少其配准的次数。故SURF算法在其运算速度和分辨性能上，还是特征点的配准上，都较SIFT算法更好，具有更好的优势。
估计几何变换算法简单，运算良好，鲁棒性好。其是基于随机抽样一致性算法的，算法为一种估计数学模型的参数的迭代算法，主要特点是模型的参数随着迭代次数的增加其正确率会逐步提高。主要思路是通过采样和验证的策略，求解大部分特点都能满足数学模型的参数。
发明内容
本发明所要解决的技术问题是：如何针对航拍绝缘子图像的复杂背景，弥补基于颜色、形状、纹理特征进行检测和定位的不足，充分利用局部特征检测算法进行配准和定位，提高定位准确率。
本发明所采用的技术方案是：基于局部特征的航拍绝缘子图像的定位方法，按照如下的步骤进行
步骤一、通过无人机采集沿着输电线路拍摄采集图像，对采集和参考绝缘子图像均进行灰度化处理；
步骤二、在MATLAB平台上利用Harris-Laplace检测方法提取灰度化处理后图像的特征点，包括以下步骤
a1.首先通过不同尺度参数的高斯核函数与原始图像卷积运算生成尺度空间，
式中，L(x,y,σ)为尺度空间，
表示卷积运算，I(x,y)为灰度图像，g(x,y,σ)为高斯函数，
a2.然后确定尺度自适应的自相关矩阵M，自相关矩阵经常被用来做特征提取和对图像局部特征结构描述，利用Harris角点检测中的二阶矩的表示方法，使用M＝μ(x,y,σ1,σD)为多尺度的二阶矩：
式中，g(σ1)表示尺度σ1的高斯卷积核，(x,y)表示像素点在图像中的位置，L(x)表示经过高斯平滑后的图像，符号
表示卷积，Lx(x,y,σD) 和Ly(x,y,σD)分别表示对图像使用高斯g(σD)函数进行平滑后在x或y 方向的结果，σ1为积分尺度，σD为微分尺度，σ1表示Harris角点当前尺度的变量，σD表示角点附近微分值变化的变量；
a3.计算灰度化处理后图像I(x,y)在像素点(x,y)的特征强度函数R， R＝det(u(x,y,σ1,σD))-k·trace2(u(x,y,σ1,σD))，式中，R代表角点强度，det 代表矩阵的行列式，trace代表矩阵的迹，k为常数，一般取(0.04～0.06)。相应函数R的局部极大值位置即为候选特征点pk的坐标。
a4.计算LoG函数，并利用LoG函数对每一个特征点进行判断，看候选特征点pk是否可以使LoG函数取得极值，LoG函数为：
式中，Lxx(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积，Lyy(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积；
a5.利用迭代法验证每个尺度空间候选特征点pk的LoG函数运算得到的结果是否是在整个尺度空间搜索范围内的区域极值，如果不是区域极值，则放弃该点，继续搜索，直到找到特征强度R最大特征点pmax为止，否则重复步骤a3和a4；
步骤三、在MATLAB平台上，用SURF算法提取经过步骤二处理的灰度化处理后图像I(x,y)的特征点，包括以下步骤
b1.极值点检测，SURF选择图像尺度空间中的LoG函数取得极值的点作为候选特征点，用不同尺寸的方框滤波器对原始图像进行滤波处理，组成图像金字塔，对图像金字塔中的每一层使用Hessian矩阵进行极值点检测，在图像I'中一个点(x',y')，在点(x',y')处，尺度为σ'的Hessian 矩阵H(x',σ')定义如下：
式中，σ'为图像中的尺度，Lx'x'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Lx'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Ly'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积；
b2.特征点定位，根据Hessian矩阵求出尺度图像在(x',y',σ')处的极值后，首先在极值点的3×3×3立体领域内进行非极大抑制，同一层内有 8个邻域像素，下层和上层各有9个邻域像素，只有比上一尺度、下一尺度及本尺度周围的26个领域都大或者都小的极值点，才能作为候选特征点，然后在尺度空间和图像空间中利用泰勒级数展开式进行插值运算，得到稳定特征点位置及所在尺度值；
b3.主方向确定，为了保持选择不变性，首先以特征点为中心，计算半径为6S(S为特征点的尺度值)领域内的点在水平和垂直方向上的 Harr小波相应，然后给这些相应值赋予高斯权重系数，接着将600范围内的响应累加形成新的矢量，最后遍历整个圆形区域，选择最长矢量方向作为特征点的主方向；
b4.生成特征描述符，以特征点为中心，将坐标轴旋转到主方向，主方向指横轴或者纵轴，按照主方向选取边长为20S的正方形区域，将该窗口区域划分为4×4的子区域，计算5S×5S范围内的小波相应，相对于主方向的水平、垂直方向的Harr小波相应的dx'和dy'，同样赋予响应值系数，然后将每个子区域的相应系数及其绝对值相加形成特征矢量ν＝(∑dx',∑dy',∑|dx'|,∑|dy'|)，S代表采样步长，也为特征点的尺度值，因此，对每一个特征点生成4×(4×4)＝64维的特征描述向量，再进行向量的归一化，从而对光照具有一定的鲁棒性；
步骤四、在MATLAB平台上，用估计几何变换进行图像配准，按照如下步骤进行；
c1.变换矩阵H初始化为零；
c2.设置参数count＝0，开始随机抽样，count为计数；
c3.设置参数K为随机抽样总数，如果count<K，将进行以下运算
①增加计数，即count＝count+1；
②采样仿射变换方法，从两幅图像参考图像A与B采集图像中随机选择3对配准点；
③在被选择的配准点的基础上，计算变换矩阵，矩阵
点 [x,y]被仿射后的投影点
④采取随机抽样一致性RANSAC算法进行计算距离度量，计算公式为：
为A图像的一个特征点，
为B 图像的一个特征点，
表示基于矩阵H的映射点，
表示特征点之间的距离，t'为阈值，Num为特征点数；
判断距离度量，如果其小于矩阵H，将新矩阵H'代替H。然后进而动态更新K，如果配准点被映射到矩阵H'，将退出抽样循环；
c4.如果两幅图像A与B的所有特征点被映射到矩阵H'的话，计算精细的变换矩阵H”。
c5.进行迭代精炼
一、将可以映射到矩阵H”的所有特征点显示为内联点；
二、使用内联点计算转换矩阵H”'；
三、如果矩阵H”'的距离度量小于矩阵H”'的话，新的矩阵H””替代之前矩阵H”'，否则继续循环；
步骤五、绝缘子定位，通过基于几何变换的配准之后，基于局部特征的SURF特征点在参考绝缘子图像和实际采集到的绝缘子图像之间显示，然后将对绝缘子目标进行定位，首先获取参考图像的尺寸，将尺寸转换为坐标，接着利用仿射几何变换的方法将参考图像的坐标系 (x,y)转换为配准图像的坐标系(u0,v0)，然后对配准图像中的目标绝缘子图像进行矩形框标注表示定位成功，将目标绝缘子进行分割。对分割后的图像可以进行二值化、几何特征提取等操作，进而判断其是否正常工作。
本发明的有益效果是：本发明充分发挥局部特征的旋转、尺度、仿射不变性的优势，并且局部特征点配准定位的话，特征点数量少，计算量降低；特征点的配准值对位置变化较敏感，提高配准的精确度；提取特征点可以抑制噪声，较好地适应灰度变化、局部形变和干扰遮挡等情况。对采集到的绝缘子精确定位，便于对绝缘子状态进行分析，保证电网安全运行。
附图说明
图1是本发明的流程图。
具体实施方式
如图1所示，基于局部特征的航拍绝缘子图像的定位方法，按照如下的步骤进行
步骤一、通过无人机采集沿着输电线路拍摄采集图像，对采集和参考绝缘子图像均进行灰度化处理；
步骤二、在MATLAB平台上利用Harris-Laplace检测方法提取灰度化处理后图像的特征点，包括以下步骤
a1.首先通过不同尺度参数的高斯核函数与原始图像卷积运算生成尺度空间，
式中，L(x,y,σ)为尺度空间，
表示卷积运算，I(x,y)为灰度图像，g(x,y,σ)为高斯函数，
x和y是指灰度图像的横轴和纵轴坐标，σ表示图像中的尺度。
a2.然后确定尺度自适应的自相关矩阵M，自相关矩阵经常被用来做特征提取和对图像局部特征结构描述，利用Harris角点检测中的二阶矩的表示方法，使用M＝μ(x,y,σ1,σD)为多尺度的二阶矩：
式中，g(σ1)表示尺度σ1的高斯卷积核，(x,y)表示像素点在图像中的位置，L(x)表示经过高斯平滑后的图像，符号
表示卷积，Lx(x,y,σD) 和Ly(x,y,σD)分别表示对图像使用高斯g(σD)函数进行平滑后在x或y 方向的结果，σ1为积分尺度，σD为微分尺度，σ1表示Harris角点当前尺度的变量，σD表示角点附近微分值变化的变量；
a3.计算灰度化处理后图像I(x,y)在像素点(x,y)的特征强度函数R， R＝det(u(x,y,σ1,σD))-k·trace2(u(x,y,σ1,σD))，式中，R代表角点强度，det 代表矩阵的行列式，trace代表矩阵的迹，k为常数，一般取(0.04～0.06)。相应函数R的局部极大值位置即为候选特征点pk的坐标。
a4.计算LoG函数，并利用LoG函数对每一个特征点进行判断，看候选特征点pk是否可以使LoG函数取得极值，LoG函数为：
式中，Lxx(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积，Lyy(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积；
a5.利用迭代法验证每个尺度空间候选特征点pk的LoG函数运算得到的结果是否是在整个尺度空间搜索范围内的区域极值，如果不是区域极值，则放弃该点，继续搜索，直到找到特征强度R最大特征点pmax为止，否则重复步骤a3和a4；
步骤三、在MATLAB平台上，用SURF算法提取经过步骤二处理的灰度化处理后图像I(x,y)的特征点，包括以下步骤
b1.极值点检测，SURF选择图像尺度空间中的LoG函数取得极值的点作为候选特征点，用不同尺寸的方框滤波器对原始图像进行滤波处理，组成图像金字塔，对图像金字塔中的每一层使用Hessian矩阵进行极值点检测，在图像I'中一个点(x',y')，在点(x',y')处，尺度为σ'的Hessian 矩阵H(x',σ')定义如下：
式中，σ'为图像中的尺度，Lx'x'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Lx'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Ly'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积；
b2.特征点定位，根据Hessian矩阵求出尺度图像在(x',y',σ')处的极值后，首先在极值点的3×3×3立体领域内进行非极大抑制，同一层内有 8个邻域像素，下层和上层各有9个邻域像素，只有比上一尺度、下一尺度及本尺度周围的26个领域都大或者都小的极值点，才能作为候选特征点，然后在尺度空间和图像空间中利用泰勒级数展开式进行插值运算，得到稳定特征点位置及所在尺度值；
b3.主方向确定，为了保持选择不变性，首先以特征点为中心，计算半径为6S(S为特征点的尺度值)领域内的点在水平和垂直方向上的 Harr小波相应，然后给这些相应值赋予高斯权重系数，接着将600范围内的响应累加形成新的矢量，最后遍历整个圆形区域，选择最长矢量方向作为特征点的主方向；
b4.生成特征描述符，以特征点为中心，将坐标轴旋转到主方向，主方向指横轴或者纵轴，按照主方向选取边长为20S的正方形区域，将该窗口区域划分为4×4的子区域，计算5S×5S范围内的小波相应，相对于主方向的水平、垂直方向的Harr小波相应的dx'和dy'，同样赋予响应值系数，然后将每个子区域的相应系数及其绝对值相加形成特征矢量ν＝(∑dx',∑dy',∑|dx'|,∑|dy'|)，S代表采样步长，也为特征点的尺度值，因此，对每一个特征点生成4×(4×4)＝64维的特征描述向量，再进行向量的归一化，从而对光照具有一定的鲁棒性；
步骤四、在MATLAB平台上，用估计几何变换进行图像配准，按照如下步骤进行；
(1)变换矩阵H初始化为零；
(2)设置参数count＝0，开始随机抽样，count为计数；
(3)设置参数K为随机抽样总数，如果count＜K，将进行以下运算
①增加计数，即count＝count+1；
②采样仿射变换方法，从两幅图像参考图像A与B采集图像中随机选择3对配准点；
③在被选择的配准点的基础上，计算变换矩阵，矩阵
点[x,y]被仿射后的投影点
④采取随机抽样一致性RANSAC算法进行计算距离度量，计算公式为：
为A图像的一个特征点，
为B 图像的一个特征点，
表示基于矩阵H的映射点，
表示特征点之间的距离，t'为阈值，Num为特征点数；
判断距离度量，如果其小于矩阵H，将新矩阵H'代替H。然后进而动态更新K，如果配准点被映射到矩阵H'，将退出抽样循环；
(4)如果两幅图像A与B的所有特征点被映射到矩阵H'的话，计算精细的变换矩阵H”。
(5)进行迭代精炼
①将可以映射到矩阵H”的所有特征点显示为内联点；
②使用内联点计算转换矩阵H”'；
③如果矩阵H”'的距离度量小于矩阵H”'的话，新的矩阵H””替代之前矩阵H”'，否则继续循环；
步骤五、绝缘子定位，通过基于几何变换的配准之后，基于局部特征的SURF特征点在参考绝缘子图像和实际采集到的绝缘子图像之间显示，然后将对绝缘子目标进行定位，首先获取参考图像的尺寸，将尺寸转换为坐标，接着利用仿射几何变换的方法将参考图像的坐标系 (x,y)转换为配准图像的坐标系(u0,v0)，然后对配准图像中的目标绝缘子图像进行矩形框标注表示定位成功，将目标绝缘子进行分割，对分割后的图像进行二值化、几何特征提取操作，进而判断其是否正常工作。
说明一下，本发明不涉及绝缘子状态识别。做到定位结束，即为结束。
Claims (1)
1.基于局部特征的航拍绝缘子图像的定位方法，其特征在于：按照如下的步骤进行
步骤一、通过无人机采集沿着输电线路拍摄采集图像，对采集和参考绝缘子图像均进行灰度化处理；
步骤二、在MATLAB平台上利用Harris-Laplace检测方法提取灰度化处理后图像的特征点，包括以下步骤
a1.首先通过不同尺度参数的高斯核函数与原始图像卷积运算生成尺度空间，
式中，L(x,y,σ)为尺度空间，
表示卷积运算，I(x,y)为灰度图像，g(x,y,σ)为高斯函数，
a2.然后确定尺度自适应的自相关矩阵M，自相关矩阵经常被用来做特征提取和对图像局部特征结构描述，利用Harris角点检测中的二阶矩的表示方法，使用M＝μ(x,y,σ1,σD)为多尺度的二阶矩：
式中，g(σ1)表示尺度σ1的高斯卷积核，(x,y)表示像素点在图像中的位置，L(x)表示经过高斯平滑后的图像，符号
表示卷积，Lx(x,y,σD)和Ly(x,y,σD)分别表示对图像使用高斯g(σD)函数进行平滑后在x和y方向的结果，σ1为积分尺度，σD为微分尺度，σ1表示Harris角点当前尺度的变量，σD表示角点附近微分值变化的变量；
a3.计算灰度化处理后图像I(x,y)在像素点(x,y)的特征强度函数R，R＝det(μ(x,y,σ1,σD))-k·trace2(μ(x,y,σ1,σD))，式中，R代表角点强度，det代表矩阵的行列式，trace代表矩阵的迹，k为常数，值为0.04～0.06；
函数R的局部极大值位置即为候选特征点pk的坐标；
a4.计算LoG函数，并利用LoG函数对每一个特征点进行判断，看候选特征点pk是否可以使LoG函数取得极值，LoG函数为：
式中，Lxx(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积，Lyy(x,y,σ1)是高斯二阶微分
在点(x,y)处与图像I的卷积；
a5.利用迭代法验证每个尺度空间候选特征点pk的LoG函数运算得到的结果是否是在整个尺度空间搜索范围内的区域极值，如果不是区域极值，则放弃该点，继续搜索，直到找到特征强度R最大特征点pmax为止，否则重复步骤a3和a4；
步骤三、在MATLAB平台上，用SURF算法提取经过步骤二处理的灰度化处理后图像I(x,y)的特征点，包括以下步骤
b1.极值点检测，SURF选择图像尺度空间中的LoG函数取得极值的点作为候选特征点，用不同尺寸的方框滤波器对原始图像进行滤波处理，组成图像金字塔，对图像金字塔中的每一层使用Hessian矩阵进行极值点检测，在图像I'中一个点(x',y')，在点(x',y')处，尺度为σ'的Hessian矩阵H(x',σ')定义如下：
式中，σ'为图像中的尺度，Lx'x'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Lx'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积，Ly'y'(x',y',σ')是高斯二阶微分
在点(x',y')处与图像I'的卷积；
b2.特征点定位，根据Hessian矩阵求出尺度图像在(x',y',σ')处的极值后，首先在极值点的3×3×3立体领域内进行非极大抑制，同一层内有8个邻域像素，下层和上层各有9个邻域像素，只有比上一尺度、下一尺度及本尺度周围的26个领域都大或者都小的极值点，才能作为候选特征点，然后在尺度空间和图像空间中利用泰勒级数展开式进行插值运算，得到稳定特征点位置及所在尺度值；
b3.主方向确定，为了保持选择不变性，首先以特征点为中心，计算半径为6S领域内的点在水平和垂直方向上的Harr小波响应，S为特征点的尺度值，然后给这些响应值赋予高斯权重系数，接着将60°范围内的响应累加形成新的矢量，最后遍历整个圆形区域，选择最长矢量方向作为特征点的主方向；
b4.生成特征描述符，以特征点为中心，将坐标轴旋转到主方向，主方向指横轴或者纵轴，按照主方向选取边长为20S的正方形区域，将该区域划分为4×4的子区域，计算5S×5S范围内的小波响应，相对于主方向的水平和垂直方向的Harr小波响应的dx'和dy'，同样赋予响应值系数，然后将每个子区域的响应系数及其绝对值相加形成特征矢量v＝(∑dx',∑dy',∑|dx'|,∑|dy'|)，S代表采样步长，也为特征点的尺度值，因此，对每一个特征点生成4×(4×4)＝64维的特征描述向量，再进行向量的归一化，从而对光照具有一定的鲁棒性；
步骤四、在MATLAB平台上，用估计几何变换进行图像配准，按照如下步骤进行；
c1.变换矩阵H初始化为零；
c2.设置参数count＝0，开始随机抽样，count为计数；
c3.设置参数K为随机抽样总数，如果count＜K，将进行以下运算
①增加计数，即count＝count+1；
②采样仿射变换方法，从两幅图像参考图像A与B采集图像中随机选择3对配准点；
③在被选择的配准点的基础上，计算变换矩阵，矩阵
点[x,y]被仿射后的投影点
④采取随机抽样一致性RANSAC算法进行计算距离度量，计算公式为：
为A图像的一个特征点，
为B图像的一个特征点，
表示基于矩阵H的映射点，
表示特征点之间的距离，t为阈值，Num为特征点数；
判断距离度量，如果其小于矩阵H，将新矩阵H'代替H；然后进而动态更新K，如果配准点被映射到矩阵H'，将退出抽样循环；
c4.如果两幅图像A与B的所有特征点被映射到矩阵H'的话，计算精细的变换矩阵H”；
c5.进行迭代精炼
i、将可以映射到矩阵H”的所有特征点显示为内联点；
ii、使用内联点计算转换矩阵H”'；
iii、如果矩阵H”'的距离度量小于矩阵H”'的话，新的矩阵H””替代之前矩阵H”'，否则继续循环；
步骤五、绝缘子定位，通过基于几何变换的配准之后，基于局部特征的SURF特征点在参考绝缘子图像和实际采集到的绝缘子图像之间显示，然后将对绝缘子目标进行定位，首先获取参考图像的尺寸，将尺寸转换为坐标，接着利用仿射几何变换的方法将参考图像的坐标系(x,y)转换为配准图像的坐标系(u0,v0)，然后对配准图像中的目标绝缘子图像进行矩形框标注表示定位成功，将目标绝缘子进行分割，对分割后的图像进行二值化和几何特征提取操作，进而判断其是否正常工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401151.2A CN109712112B (zh) | 2018-11-22 | 2018-11-22 | 基于局部特征的航拍绝缘子图像的定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401151.2A CN109712112B (zh) | 2018-11-22 | 2018-11-22 | 基于局部特征的航拍绝缘子图像的定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109712112A CN109712112A (zh) | 2019-05-03 |
| CN109712112B true CN109712112B (zh) | 2022-06-24 |
Family
ID=66254933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811401151.2A Active CN109712112B (zh) | 2018-11-22 | 2018-11-22 | 基于局部特征的航拍绝缘子图像的定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712112B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533635B (zh) * | 2019-07-30 | 2023-07-14 | 江苏理工学院 | 一种基于机器视觉的软包装表面质量检测方法 |
| CN110852146B (zh) * | 2019-09-23 | 2023-05-16 | 合肥赛为智能有限公司 | 一种无人机图像特征点检测方法 |
| CN110764529B (zh) * | 2019-10-21 | 2020-07-21 | 安徽诺乐知识产权服务有限公司 | 基于目标定位大数据的飞行方向修正平台、方法及存储介质 |
| CN111754465B (zh) * | 2020-06-04 | 2023-06-09 | 四川大学 | 一种绝缘子定位与掉串检测方法 |
| CN112013830B (zh) * | 2020-08-20 | 2024-01-30 | 中国电建集团贵州电力设计研究院有限公司 | 一种输电线路无人机巡检影像检测缺陷的精确定位方法 |
| CN113156274B (zh) * | 2021-01-27 | 2024-05-28 | 南京工程学院 | 基于无人机的劣化绝缘子非接触式检测***及方法 |
| CN115546568B (zh) * | 2022-12-01 | 2023-03-10 | 合肥中科类脑智能技术有限公司 | 绝缘子缺陷检测方法、***、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102629330A (zh) * | 2012-02-29 | 2012-08-08 | 华南理工大学 | 一种深度图像与彩色图像的快速高精度匹配方法 |
| CN102865859A (zh) * | 2012-09-21 | 2013-01-09 | 西北工业大学 | 一种基于surf特征的航空序列图像位置估计方法 |
| CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
| CN103442180A (zh) * | 2013-08-27 | 2013-12-11 | 桂林电子科技大学 | 基于sopc的双目视频拼装置及双目视频拼接方法 |
| CN104764748A (zh) * | 2015-05-04 | 2015-07-08 | 成都唐源电气有限责任公司 | 定位绝缘子的方法、***以及故障检测的方法和*** |
| CN107689058A (zh) * | 2017-09-01 | 2018-02-13 | 哈尔滨理工大学 | 一种基于surf特征提取的图像配准算法 |
| CN108426566A (zh) * | 2018-02-28 | 2018-08-21 | 中国计量大学 | 一种基于多摄像机的移动机器人定位方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8358840B2 (en) * | 2007-07-16 | 2013-01-22 | Alexander Bronstein | Methods and systems for representation and matching of video content |
| CN103063166B (zh) * | 2013-01-05 | 2015-03-18 | 山西省电力公司大同供电分公司 | 悬式复合绝缘子串风偏角的检测方法及装置 |
| CN106940876A (zh) * | 2017-02-21 | 2017-07-11 | 华东师范大学 | 一种基于surf的快速无人机航拍图像拼接算法 |
-
2018
- 2018-11-22 CN CN201811401151.2A patent/CN109712112B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102629330A (zh) * | 2012-02-29 | 2012-08-08 | 华南理工大学 | 一种深度图像与彩色图像的快速高精度匹配方法 |
| CN102865859A (zh) * | 2012-09-21 | 2013-01-09 | 西北工业大学 | 一种基于surf特征的航空序列图像位置估计方法 |
| CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
| CN103442180A (zh) * | 2013-08-27 | 2013-12-11 | 桂林电子科技大学 | 基于sopc的双目视频拼装置及双目视频拼接方法 |
| CN104764748A (zh) * | 2015-05-04 | 2015-07-08 | 成都唐源电气有限责任公司 | 定位绝缘子的方法、***以及故障检测的方法和*** |
| CN107689058A (zh) * | 2017-09-01 | 2018-02-13 | 哈尔滨理工大学 | 一种基于surf特征提取的图像配准算法 |
| CN108426566A (zh) * | 2018-02-28 | 2018-08-21 | 中国计量大学 | 一种基于多摄像机的移动机器人定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| Algorithm of Remote Sensing Image Matching Based on Corner-Point;Wang Changjie等;《2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP)》;20170626;第1-4页 * |
| 基于改进SUＲF 算法的人脸点云配准;郭昱等;《光学技术》;20180515;第44卷(第3期);第333-338页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109712112A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712112B (zh) | 基于局部特征的航拍绝缘子图像的定位方法 | |
| CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
| CN109949340A (zh) | 基于OpenCV的目标尺度自适应跟踪方法 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| Li et al. | Adaptive building edge detection by combining LiDAR data and aerial images | |
| CN103295232B (zh) | 基于直线和区域的sar图像配准方法 | |
| CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
| CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
| CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
| CN109523528B (zh) | 一种基于无人机双目视觉sgc算法的输电线路提取方法 | |
| CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
| CN110245566B (zh) | 一种基于背景特征的红外目标远距离追踪方法 | |
| CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
| CN103400379A (zh) | 一种基于图像的覆冰检测和厚度估计方法 | |
| CN109410248B (zh) | 一种基于r-K算法的浮选泡沫运动特征提取方法 | |
| CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
| CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及*** | |
| CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
| Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
| CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
| Tong et al. | Transmission line extraction and recognition from natural complex background | |
| CN109544609A (zh) | 一种基于sift算法的侧扫声呐图像匹配方法 | |
| CN112419198A (zh) | 一种用于sar干涉图滤波的非局部均值定权方法 | |
| CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 | |
| CN116958837A (zh) | 基于无人机的市政设施故障检测*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |