沈繼忱，劉志杰，邸建銘，趙世榮

(東北電力大學(xué)自動(dòng)化工程學(xué)院，吉林吉林132012)

0 引言

隨著風(fēng)力發(fā)電的大規(guī)模建設(shè)，風(fēng)力發(fā)電表現(xiàn)出了面廣、點(diǎn)多的特點(diǎn)。因此，隨著風(fēng)力發(fā)電系統(tǒng)并網(wǎng)技術(shù)不斷深入，必須加強(qiáng)風(fēng)力機(jī)葉片的跟蹤與識(shí)別，以使風(fēng)力機(jī)能夠安全可靠運(yùn)行，保證電網(wǎng)系統(tǒng)穩(wěn)定并在出現(xiàn)故障時(shí)快速恢復(fù)穩(wěn)定的供電能力［1］。

傳統(tǒng)模式識(shí)別技術(shù)一般包括模板匹配法［2－5］、統(tǒng)計(jì)特征法等。在20世紀(jì)90年代前期，隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展，開(kāi)始出現(xiàn)目標(biāo)識(shí)別的系統(tǒng)化研究。1990年A．S．Johnson等運(yùn)用圖像處理方法實(shí)現(xiàn)了目標(biāo)的自動(dòng)識(shí)別。1990年R．A．Lotufo等使用視覺(jué)識(shí)別技術(shù)分析所獲取的圖像，實(shí)現(xiàn)了目標(biāo)的跟蹤［6］。這個(gè)時(shí)期應(yīng)用在識(shí)別正確率方面有所突破，但還沒(méi)有考慮到識(shí)別實(shí)時(shí)性的要求，識(shí)別的速度有待進(jìn)一步提高。1994年M．M．M．FAHMY等成功地運(yùn)用了BAM神經(jīng)網(wǎng)絡(luò)方法對(duì)目標(biāo)進(jìn)行自動(dòng)識(shí)別。由于神經(jīng)網(wǎng)絡(luò)技術(shù)能夠較好對(duì)處理和解決問(wèn)題進(jìn)行記憶、聯(lián)想、推理，避免了繁重的數(shù)據(jù)分析和數(shù)學(xué)建模工作，大大提高了運(yùn)行速度，因此越來(lái)越受到人們的廣泛關(guān)注，但其沒(méi)能力來(lái)解釋自己的推理過(guò)程和推理依據(jù)、不能向用戶(hù)提出必要的詢(xún)問(wèn)、理論和學(xué)習(xí)等缺點(diǎn)，制約著其發(fā)展。對(duì)此，本文利用Adaboost識(shí)別算法對(duì)風(fēng)力機(jī)葉片進(jìn)行了跟蹤與識(shí)別的研究。

1 Adaboost跟蹤與識(shí)別的原理

AdaBoost算法是在整個(gè)訓(xùn)練集上維護(hù)一個(gè)分布權(quán)值向量wt，用賦予權(quán)值的訓(xùn)練集通過(guò)弱分類(lèi)算法產(chǎn)生簡(jiǎn)單分類(lèi)器hi(x)，然后計(jì)算出其錯(cuò)誤率，用得到的錯(cuò)誤率去更新分布權(quán)值向量wt，錯(cuò)誤分類(lèi)的樣本賦予更大的權(quán)值，正確分類(lèi)的樣本分配更小的權(quán)值。每次更新后用相同的簡(jiǎn)單分類(lèi)器產(chǎn)生新的分類(lèi)假設(shè)，這些分類(lèi)假設(shè)的序列構(gòu)成多分類(lèi)器。對(duì)這些多分類(lèi)器用加權(quán)的方法進(jìn)行聯(lián)合，最后得到?jīng)Q策結(jié)果。AdaBoost算法的任務(wù)就是完成將容易找到的識(shí)別率不高的簡(jiǎn)單分類(lèi)器提升為識(shí)別率很高的強(qiáng)分類(lèi)器，在分類(lèi)時(shí)，只要找到一個(gè)比隨機(jī)猜測(cè)略好的簡(jiǎn)單分類(lèi)器，就可以將其提升為強(qiáng)分類(lèi)器，而不必直接去找通常情況下很難獲得的強(qiáng)分類(lèi)器，也就是給定一個(gè)簡(jiǎn)單分類(lèi)算法和訓(xùn)練集，在訓(xùn)練集的不同子集上，多次調(diào)用簡(jiǎn)單分類(lèi)器，最終按加權(quán)方式聯(lián)合多次簡(jiǎn)單分類(lèi)器的預(yù)測(cè)結(jié)果得到最終學(xué)習(xí)結(jié)果。

在Adaboost算法中，每一個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)值，表明它被某個(gè)簡(jiǎn)單分類(lèi)器選入訓(xùn)練集的概率。如果某個(gè)樣本點(diǎn)己經(jīng)被準(zhǔn)確地分類(lèi)，那么在構(gòu)造下一個(gè)訓(xùn)練集的過(guò)程中，它被選入的概率就被降低;相反，如果某個(gè)樣本點(diǎn)沒(méi)有被正確分類(lèi)，那么它的權(quán)值就得到提高。在具體實(shí)現(xiàn)上，最初令每個(gè)樣本的權(quán)值相等，對(duì)于第t次迭代操作，根據(jù)這些權(quán)值來(lái)選取樣本點(diǎn)，進(jìn)而訓(xùn)練分類(lèi)器ht。利用這個(gè)分類(lèi)器，提高被它錯(cuò)分的那些樣本點(diǎn)的權(quán)值，降低被正確分類(lèi)的樣本權(quán)值，然后權(quán)值更新過(guò)的樣本集被用來(lái)分類(lèi)下一個(gè)分類(lèi)器ht+1，整個(gè)訓(xùn)練過(guò)程如此進(jìn)行下去［7］，算法的示意圖如圖1所示。

圖1 AdaBoost算法框架

1．1 AdaBoost算法框架［8］

設(shè)給出的樣本圖像集為(x1，y1)，…，(xn，yn)，yi={0，1}(i=1，2，…，n)對(duì)應(yīng)負(fù)樣本和正樣本。對(duì)于第i個(gè)訓(xùn)練樣本xi，其特征值為fi(xi)。yi=0時(shí)時(shí);其中m表示負(fù)樣本圖像個(gè)數(shù);l表示正樣本圖像的個(gè)數(shù)。重復(fù)以下過(guò)程T次，t=1，…，T。

2)選取具有最小的錯(cuò)誤率的εt，并將其對(duì)應(yīng)的弱分類(lèi)器作為ht。

4)求得強(qiáng)分類(lèi)器:

由上所述可以得出，如果每一次篩選出來(lái)特征ht+1的錯(cuò)誤為εt+1≤0．5，否則下一次篩選出來(lái)的特征必為 ht，又得出 ε ≤1。因?yàn)閠+1wt+1，i←wt+1，iβt+1，如果得到的被 ht+1分類(lèi)的樣本是正確的，那么所有的權(quán)值都變會(huì)變小。相反，被錯(cuò)誤分類(lèi)的樣本權(quán)值都會(huì)變大，原因在于 w′t+1，i←對(duì)于新的 h一定是相對(duì)于t+2ht+1能更多地正確分類(lèi)出弱分類(lèi)器，因?yàn)樗蟹诸?lèi)器h的錯(cuò)誤率ε只由錯(cuò)誤分類(lèi)的樣本的權(quán)值來(lái)決定，所以，只有這樣才能達(dá)到減小錯(cuò)誤率的效果。

1．2 Adaboost訓(xùn)練耗時(shí)原因

在樣本的訓(xùn)練過(guò)程中，樣本數(shù)量非常多，因此需要的時(shí)間和空間比較大。對(duì)于每個(gè)樣本特征值在每一輪循環(huán)中都要進(jìn)行計(jì)算，此外，還要加上每輪循環(huán)運(yùn)算中選擇最佳閾值時(shí)必須進(jìn)行的排序、遍歷等運(yùn)算時(shí)間，使得在訓(xùn)練過(guò)程中消耗大量的時(shí)間。

對(duì)于每個(gè)特征j，訓(xùn)練出其簡(jiǎn)單分類(lèi)器hj的過(guò)程比較耗時(shí)，因?yàn)樵撨^(guò)程中需要確定閾值θj，偏置pj，并使目標(biāo)函數(shù)達(dá)到最小，從確定的簡(jiǎn)單分類(lèi)器中，找出一個(gè)具有最小的錯(cuò)誤εt的簡(jiǎn)單分類(lèi)器ht。對(duì)于每個(gè)簡(jiǎn)單分類(lèi)器都有上萬(wàn)個(gè)訓(xùn)練樣本，而訓(xùn)練一個(gè)簡(jiǎn)單分類(lèi)器需要對(duì)這些樣本進(jìn)行分析并確定閾值θj和偏置pj。提取完最優(yōu)簡(jiǎn)單分類(lèi)器后，訓(xùn)練樣本的概率分布已經(jīng)改變，那么下一次進(jìn)行訓(xùn)練簡(jiǎn)單分類(lèi)器時(shí)，所有的簡(jiǎn)單分類(lèi)器必須完全重新訓(xùn)練，如此反復(fù)。

1．3 Adaboost訓(xùn)練的優(yōu)化

針對(duì)訓(xùn)練樣本耗時(shí)的缺點(diǎn)，本文提出了一種訓(xùn)練簡(jiǎn)單分類(lèi)器快速訓(xùn)練算法，可以有效地避免迭代訓(xùn)練以及統(tǒng)計(jì)概率分布耗時(shí)的過(guò)程［9］。

若訓(xùn)練樣本分別用(x1，y1)，…，(xn，yn)表示，一共有n個(gè)。yi=0，1分別表示樣本的負(fù)樣本和正樣本。設(shè)在訓(xùn)練樣本中負(fù)樣本有m個(gè)，正例樣本l個(gè)。

計(jì)算特征fj的簡(jiǎn)單分類(lèi)器hj時(shí)，同時(shí)計(jì)算出閾值偏置pj和θj。有前面的分析可知，簡(jiǎn)單分類(lèi)器εj與 θj和 pj為函數(shù)關(guān)系，即 εj(θj，pj)。pj可分為 ± 1兩種情況進(jìn)行討論。

特征fj的值小于閾值θj時(shí)為真，則

把所有的訓(xùn)練的特征樣本fi按照從小到大的順序進(jìn)行排列，得到一個(gè)次序表S。最小的樣本特征fi的值的序號(hào)用S(1)來(lái)表示，用fj(x(s(1)))來(lái)表示其相應(yīng)的特征所得到的值，假設(shè)其所得的值就是該值的閾值，有:

特征fi的值次小的訓(xùn)練樣本x(S(2))，根據(jù)式(5)得出:

由式(5)知，y(S(2))=1時(shí)，δ= －1;y(S(2))=0時(shí)，δ=1;可知:

根據(jù)式(8)，可以得出各個(gè)不同閾值下的εj(θ，1)，最后篩選出最小的 εjmin(θ，1)。此刻 θ值定義為 θ1，有 θ1= θj|εj=εjmin(θ，1)的值就是對(duì)應(yīng)特征 j分類(lèi)器的最優(yōu)閾值。

2) 當(dāng) pj= －1 時(shí)，可求得 εj(θ，1)，εj(θ，1)的值和pj=1時(shí)互補(bǔ)，有 εj(θ，－1)=1－εj(θ，1)，也就是 εjmin(θ，－1)=1 － εjmax(θ，1)。

由此可知，只要利用式(8)累加一次，再比較εjmin(θ，1)與1 － εjmax(θ，1)，就能確定簡(jiǎn)單分類(lèi)器的最優(yōu)閾值、偏置和εj。

2 實(shí)驗(yàn)結(jié)果及分析

2．1 Adaboost算法訓(xùn)練過(guò)程

本實(shí)驗(yàn)在OpenCV平臺(tái)上，對(duì)Adaboost原程序和改進(jìn)后的算法進(jìn)行了分類(lèi)器的訓(xùn)練［10－11］，在實(shí)驗(yàn)中共用到1 000幅40×40的葉片樣本和不包含建筑物、大樹(shù)、藍(lán)天等圖片中截取而來(lái)的1 000幅40×40非葉片樣本，原算法和改進(jìn)后的算法的訓(xùn)練樣本數(shù)目、訓(xùn)練時(shí)間如表1所示。

在檢測(cè)速度上，取大小為596×486圖像50幅作統(tǒng)計(jì)，原算法的平均檢測(cè)時(shí)間為1．426 s，改進(jìn)后的平均檢測(cè)時(shí)間為0．685 s。

表1 Adaboost算法訓(xùn)練結(jié)果

2．2 檢測(cè)實(shí)例及結(jié)果

本實(shí)例對(duì)單個(gè)葉片和多個(gè)葉片進(jìn)行了檢測(cè)，圖2是對(duì)單個(gè)葉片的檢測(cè)結(jié)果，圖3為多葉片檢測(cè)結(jié)果，圖4是在有干擾的情況下進(jìn)行的檢測(cè)。

圖2 單個(gè)葉片的檢測(cè)結(jié)果

從測(cè)試的結(jié)果來(lái)看，對(duì)于單個(gè)葉片的檢測(cè)(圖2)準(zhǔn)確性相當(dāng)好，對(duì)葉片的中心定位也相當(dāng)準(zhǔn)確。但存在的最大缺點(diǎn)就是算法復(fù)雜度太高，檢測(cè)處理時(shí)間太長(zhǎng)。在多個(gè)葉片存在的情況下也能準(zhǔn)確的檢測(cè)出來(lái)(見(jiàn)圖3)。但是在圖像模糊或有樹(shù)木及其它情況下未能檢測(cè)出來(lái)(見(jiàn)圖4)。

由于本文在訓(xùn)練分類(lèi)器時(shí)采集的樣本不夠多，可能造成檢測(cè)的失敗和漏檢，要增加精確程度，還需要進(jìn)一步增加樣本的數(shù)目。

3 結(jié)束語(yǔ)

通過(guò)對(duì)Adaboost弱分類(lèi)器中目標(biāo)函數(shù)的直接求解，避免了統(tǒng)計(jì)和迭代訓(xùn)練長(zhǎng)耗時(shí)過(guò)程，提高了訓(xùn)練和分類(lèi)的速度，同時(shí)，利用少量的弱分類(lèi)器構(gòu)成的強(qiáng)分類(lèi)器，較好地簡(jiǎn)化了系統(tǒng)結(jié)構(gòu)，減少了訓(xùn)練時(shí)間，提高了檢測(cè)速度，實(shí)現(xiàn)了對(duì)風(fēng)力機(jī)葉片的實(shí)時(shí)跟蹤與識(shí)別。另外，通過(guò)圖像分析檢測(cè)葉片運(yùn)行狀態(tài)，可以及時(shí)做出準(zhǔn)確的操作，避免風(fēng)機(jī)葉片損害。

［1］吳越明．發(fā)電機(jī)組對(duì)電網(wǎng)穩(wěn)定的適應(yīng)能力分析［J］．華東電力，2004，32(10):646 －648．

［2］王哲峰．基于提升小波變換的圖像匹配算法研究［D］．吉林:吉林大學(xué)，2006:19－26．

［3］劉雅軒，蘇秀琴，王萍．一種基于局部投影熵的圖像匹配新算法［J］．光子學(xué)報(bào)，2004，33(1):105－107．

［4］薛嬌．基于改進(jìn)遺傳算法的圖像匹配方法研究［D］．太原:太原理工大學(xué)，2011:25－29．

［5］鄭軍，諸靜．基于自適應(yīng)遺傳算法的圖像匹配［J］．浙江大學(xué)學(xué)報(bào)(工學(xué)版)，2003，37(6):689 －692．

［6］王晗．基于Adaboost算法的車(chē)牌識(shí)別研究［D］．太原:太原理工大學(xué)，2011:25 －29．

［7］嚴(yán)超，蘇光大．人臉特征的定位與提取［J］．中國(guó)圖像圖形學(xué)，1998，3(5):375 －380．

［8］李蘇．基于Adaboost算法的人臉檢測(cè)技術(shù)研究［D］．哈爾濱:哈爾濱理工大學(xué)，2010:21－23．

［9］魏冬生，李林青．Adaboost人臉檢測(cè)方法的改進(jìn)［J］．計(jì)算機(jī)應(yīng)用，2006，26(3):619 －621．

［10］蒙豐博．快速人臉檢測(cè)與跟蹤［D］．天津:天津大學(xué)，2010:32－36．

［11］秦小文，溫志芳，喬維維．基于OpenCV的圖像處理［J］．電子測(cè)試，2011，7:39 －41．