高压线视觉检测方法和装置的制作方法.docx

高压线视觉检测方法和装置的制作方法专利名称：高压线视觉检测方法和装置的制作方法技术领域：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，提闻闻压线检测的准确性，提闻闻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一高压线位置特征统计矩阵；将所述检测阶段的杆塔一高压线位置特征统计矩阵与预先得到的样本杆塔一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一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一闻压线特征向量；对所有高压线的杆塔一高压线特征向量进行统计，获得检测阶段的杆塔一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一高压线位置相关性学习，获得样本杆塔一高压线位置相关性矩阵上述的高压线视觉检测方法中，所述进行杆塔一高压线位置相关性学习，获得样本杆塔一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闻压线的位置，生成样本中杆塔一闻压线位置特征向量集，得到样本中杆塔一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一高压线相关性表示向量集进行概率统计，获得样本杆塔一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一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一高压线位置特征统计矩阵与预先得到的样本杆塔一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，用于进行杆塔一高压线位置相关性学习，获得样本杆塔一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，获得杆塔一高压线位置特征统计矩阵，并根据样本杆塔一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1为本发明高压线视觉检测方法实施例一的流程示意图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一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例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一高压线位置特征统计矩阵；步骤102、将检测阶段的杆塔一高压线位置特征统计矩阵与预先得到的样本杆塔一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，获得图像中杆塔一高压线位置特征统计矩阵，并根据预先得到的样本杆塔一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，力口入了对杆塔的检测，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，获得杆塔一高压线位置特征统计矩阵，并根据样本杆塔一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、进行杆塔一高压线位置相关性学习，获得样本杆塔一高压线位置相关性矩阵；步骤202、通过尺度不变特征转换(Scale-1nvariant 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一闻压线特征向量；步骤205、对所有高压线的杆塔一高压线特征向量进行统计，获得检测阶段的杆塔一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一高压线位置特征统计矩阵与样本杆塔一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中进行杆塔一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闻压线对应的杆塔一闻压线相关性表不向量；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一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、将样本的杆塔一闻压线相关性状态频数矩阵与样本杆塔一闻压线相关性状态总频数矩阵相加，获得新的样本杆塔一高压线相关性状态总频数矩阵；其中，样本杆塔一高压线相关性状态总频数矩阵初始值为O。

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，由样本杆塔一高压线相关性状态总频数矩阵，获得样本杆塔一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一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。