安　寧， 閆　斌， 熊　杰

(電子科技大學(xué) 自動(dòng)化工程學(xué)院，四川 成都 611731)

?

基于壓縮感知的多尺度絕緣子跟蹤算法

安寧， 閆斌， 熊杰

(電子科技大學(xué) 自動(dòng)化工程學(xué)院，四川 成都 611731)

摘要:針對(duì)多旋翼無(wú)人機(jī)(UAV)在電力巡檢中的絕緣子跟蹤問(wèn)題，提出一種尺度自適應(yīng)的絕緣子跟蹤算法，采用稀疏投影的方式對(duì)原始圖像特征進(jìn)行降維，使用樸素貝葉斯分類器進(jìn)行二分類，改進(jìn)傳統(tǒng)壓縮感知(CS)跟蹤搜索框固定問(wèn)題，利用絕緣子的Lab空間特性進(jìn)行分割，根據(jù)分割結(jié)果中絕緣子有效像素所占比例來(lái)改變搜索框的尺度，實(shí)現(xiàn)跟蹤中的尺度自適應(yīng)。實(shí)驗(yàn)結(jié)果表明:該算法能夠在實(shí)驗(yàn)室和野外環(huán)境下自適應(yīng)絕緣子尺度變化，對(duì)未來(lái)電力巡檢智能化具有重大意義。

關(guān)鍵詞：壓縮感知； 投影矩陣； 多尺度； 絕緣子； 跟蹤

0引言

絕緣子[1]是輸電線路的重要部分，它是整個(gè)輸電線路安全運(yùn)行的基礎(chǔ)[2]。傳統(tǒng)的絕緣子巡檢主要依靠人力，這種巡檢方式不僅效率低，而且安全隱患非常大。近年來(lái)，隨著無(wú)人機(jī)(UAV)技術(shù)的不斷發(fā)展，無(wú)人機(jī)參與電力巡檢已經(jīng)在全國(guó)多地展開(kāi)[3]。但是，無(wú)人機(jī)巡檢的目的是要對(duì)絕緣子進(jìn)行拍照或者利用絕緣子進(jìn)行測(cè)距，這就要求無(wú)人機(jī)能夠準(zhǔn)確跟蹤絕緣子。

為此，本文提出一種基于壓縮感知(CS)的尺度自適應(yīng)的絕緣子跟蹤算法。該算法使用絕緣子在Lab空間中表現(xiàn)出的顏色特性，對(duì)圖像進(jìn)行局部分割，根據(jù)分割后目標(biāo)框內(nèi)絕緣子的有效像素所占比例來(lái)改變搜索框的尺度。采用稀疏投影的方式對(duì)原始圖像特征進(jìn)行降維，跟蹤的過(guò)程使用樸素貝葉斯分類器轉(zhuǎn)化為一個(gè)二分類問(wèn)題。實(shí)驗(yàn)結(jié)果表明:該算法能夠在實(shí)驗(yàn)室和野外環(huán)境下自適應(yīng)絕緣子尺度變化，對(duì)未來(lái)電力巡檢智能化具有重大意義。

1壓縮感知跟蹤

目前大多數(shù)跟蹤算法在提高精度的時(shí)候，實(shí)時(shí)性得不到有效保證。Zhang K等人在文獻(xiàn)[4]中提出了一種基于壓縮感知的實(shí)時(shí)跟蹤算法，算法將圖像特征進(jìn)行稀疏投影，大大降低了特征維度，但是并沒(méi)有丟失原始圖像的大部分有效信息。壓縮感知跟蹤算法跟蹤準(zhǔn)確率高，算法實(shí)時(shí)性高，具有很大的應(yīng)用前景。

1.1隨機(jī)投影

在壓縮感知的理論[5]中，如果要將高維信號(hào)x∈Rm投影到低維空間v∈Rn(m?n)上，可以使用一個(gè)m×n的隨機(jī)投影矩陣Φ，即

v=Φx.

(1)

可以從觀測(cè)信號(hào)v高精度重建信號(hào)x的充要條件是測(cè)量矩陣滿足限制等距條件(restricted isometry property，RIP)[6]。文獻(xiàn)[7]指出，隨機(jī)投影矩陣只要滿足JL(Johnson-Iindenstrauss)推論，就相當(dāng)于滿足RIP。壓縮感知跟蹤所使用的隨機(jī)投影矩陣形式如下：

(2)

式中p為矩陣元素取值的概率，Achlioptas D[8]證明了此矩陣滿足JL推論。在這里s=m/4，其中，m為原始特征的維數(shù)，一般在106～1010之間。很明顯，此時(shí)隨機(jī)矩陣的大部分元素都是0，所以，計(jì)算量很小。

文章采用類似Haar的像素灰度差異特征，使用積分圖進(jìn)行計(jì)算。圖1是高維特征向量x經(jīng)過(guò)投影矩陣Φ被壓縮為低維向量v的示意圖，矩陣Φ中黑色、灰色和白色的方塊分別代表矩陣中的正、負(fù)和零元素輸入。綠色的箭頭表示矩陣中的一個(gè)非零元素對(duì)x進(jìn)行感知，相當(dāng)于一個(gè)矩形濾波器對(duì)圖像進(jìn)行卷積。

圖1　向量壓縮示意圖Fig 1　Vector compression

1.2分類器的構(gòu)建和更新

算法采用樸素貝葉斯分類器對(duì)壓縮的樣本特征進(jìn)行分類。分類器的數(shù)學(xué)模型如下

(3)

其中,y=0,或者y=1，分別表示正、負(fù)樣本，而且假設(shè)先驗(yàn)概率p(y=1)=p(y=0)。Diaconis和Freedman證實(shí)，高維隨機(jī)向量的投影幾乎總是符合高斯分布[9]，所以,有

(4)

為了保證跟蹤的準(zhǔn)確性，在跟蹤的過(guò)程中需要對(duì)分類器參數(shù)進(jìn)行更新，更新方式如下

(5)

其中，λ>0是一個(gè)學(xué)習(xí)參數(shù)，并且有

(6)

1.3算法的流程

壓縮跟蹤算法在最開(kāi)始假定目標(biāo)的位置和尺度已知，對(duì)于第t幀圖像，算法流程如下：

1) 在第t-1幀的目標(biāo)位置周?chē)x取一部分圖像集合，并且提取特征映射低維空間。

2) 將低維空間的特征向量使用分類器分類，得分最高的特征作為當(dāng)前目標(biāo)位置。

3) 分別在當(dāng)前目標(biāo)周?chē)彤?dāng)前目標(biāo)較遠(yuǎn)處選取一定的圖像集合,并進(jìn)行特征提取，壓縮分類用來(lái)更新分類器參數(shù)。

2多尺度的絕緣子壓縮感知跟蹤

壓縮感知算法由于實(shí)時(shí)性高、跟蹤效果好，可以應(yīng)用于無(wú)人機(jī)電力巡檢對(duì)絕緣子的跟蹤中。但是，原始的壓縮感知算法目標(biāo)框尺度固定，當(dāng)目標(biāo)尺度發(fā)生變化的時(shí)候，會(huì)導(dǎo)致分類器學(xué)習(xí)了錯(cuò)誤的樣本，隨著時(shí)間的增加，導(dǎo)致跟蹤失敗。本文提出了一種尺度自適應(yīng)的絕緣子跟蹤算法，主要工作如下：

1)對(duì)目標(biāo)框的圖像進(jìn)行分割，計(jì)算絕緣子有效像素所占跟蹤框的比例，一旦不在閾值范圍之內(nèi)，根據(jù)當(dāng)前比例改進(jìn)搜索框尺度；

2)尺度改變后，隨機(jī)投影矩陣將不能適應(yīng)目前的尺度，本文進(jìn)行了改進(jìn)；

3)將改進(jìn)后的算法分別在實(shí)驗(yàn)室環(huán)境和野外環(huán)境進(jìn)行測(cè)試，測(cè)試效果表明算法對(duì)絕緣子的尺度變化具有很好的自適應(yīng)性。

2.1絕緣子分割

目前大部分高壓輸電線路都是采用鋼化玻璃絕緣子，絕緣子具有很強(qiáng)的顏色特征，在Lab空間的a通道處于很低的取值，為了排除亮度干擾并且考慮其顏色特征，本文算法在Lab顏色空間的a通道對(duì)絕緣子進(jìn)行分割。

圖2左側(cè)是原始圖像，圖2右側(cè)是經(jīng)過(guò)一系列處理后的圖像。處理過(guò)程主要包括如下幾步：高斯濾波、顏色空間轉(zhuǎn)換為L(zhǎng)ab,a通道圖像OTSU分割、形態(tài)學(xué)處理。

圖2　絕緣子分割示意圖Fig 2　Insulator segmentation

實(shí)際上，為了提高算法的實(shí)時(shí)性，只需要對(duì)目標(biāo)當(dāng)前所在位置周?chē)鷪D像進(jìn)行分割。

2.2目標(biāo)尺寸變化策略

感興趣區(qū)域分割結(jié)束后，求出有效像素所占目標(biāo)框的比例，將這個(gè)比例值和比例閾值對(duì)比。如果比例的變化超出了閾值范圍，認(rèn)為目標(biāo)尺度已經(jīng)發(fā)生變化。此時(shí)，按照變化的系數(shù)(假設(shè)為K)對(duì)目標(biāo)框尺度進(jìn)行改變。

假設(shè)原始目標(biāo)框的長(zhǎng)和寬分別為l和w，頂點(diǎn)坐標(biāo)為(x0,y0)，那么,中心點(diǎn)坐標(biāo)為(x0+l/2,y0+w/2)，則變化后的目標(biāo)框如圖3所示。

圖3為通過(guò)上圖，計(jì)算出新的目標(biāo)框的頂點(diǎn)坐標(biāo)(x0+(l-Kl)/2,y0+(w-Kw)/2)，此時(shí)就可以更新目標(biāo)框的參數(shù)。

圖3　目標(biāo)框變化示意圖Fig 3　Target frame changes

如上述，在更新目標(biāo)框的時(shí)候需要首先確定一個(gè)判定更新條件的閾值，閾值的選取對(duì)于目標(biāo)框尺度變化是否準(zhǔn)確有著直接影響，在本文中，閾值的選取方式如下：

選取視頻的前10幀作為閾值判斷的基礎(chǔ)，統(tǒng)計(jì)每一幀的絕緣子有效像素比，對(duì)前10幀的有效像素比求一個(gè)均值作為尺度變化的判斷閾值，過(guò)程如圖4所示。

圖4　閾值的選取Fig 4　Selection of threshold

2.3投影矩陣的改進(jìn)

在傳統(tǒng)的壓縮感知跟蹤中，目標(biāo)的尺度不會(huì)變化，所以,隨機(jī)投影矩陣也只是在程序剛開(kāi)始的時(shí)候被計(jì)算一次，并且在整個(gè)跟蹤過(guò)程中保持不變。

算法中由于目標(biāo)框的尺度發(fā)生了變化，隨之而來(lái)的就是高維特征的維數(shù)發(fā)生了變化，那么，此時(shí)如果再使用固定的隨機(jī)投影矩陣就不能適應(yīng)特征維數(shù)的變化。所以，提出了投影矩陣變化策略如下：

根據(jù)前面得到的尺度變化系數(shù) ，按比例調(diào)整投影矩陣的行、列、長(zhǎng)、寬即可，投影矩陣變化如圖5所示。

圖5　投影矩陣變化示意圖Fig 5　Projection matrix changes

由于投影矩陣實(shí)際上是非常稀疏的，而且只需要計(jì)算非零元素，雖然投影矩陣在不斷的變化，但是它所帶來(lái)的計(jì)算量的增大并不是很多。所以，算法的實(shí)時(shí)性并沒(méi)有降低。算法的流程是以如圖6所示。

圖6　算法流程示意圖Fig 6　Algorithm flow chart

3實(shí)驗(yàn)結(jié)果與分析

本文選取實(shí)驗(yàn)室和野外實(shí)際環(huán)境下，模擬無(wú)人機(jī)進(jìn)行電力巡檢過(guò)程的視頻作為測(cè)試樣本，實(shí)驗(yàn)環(huán)境為4GB內(nèi)存、2.4GHz,Windows7的電腦，采用VS2012,OPENCV作為平臺(tái)，使用C/C++語(yǔ)言開(kāi)發(fā)。跟蹤測(cè)試結(jié)果如圖7。

圖7　跟蹤測(cè)試結(jié)果Fig 7　Tracking test results

測(cè)試序列1和2屬于實(shí)驗(yàn)室環(huán)境，測(cè)試序列3和4屬于野外輸電線路鐵塔環(huán)境，測(cè)試序列1,3,4模擬無(wú)人機(jī)不斷靠近絕緣子的情況，測(cè)試序列2模擬無(wú)人機(jī)遠(yuǎn)離絕緣子的情況。從實(shí)驗(yàn)結(jié)果可以看出:本文提出的算法在無(wú)人機(jī)靠近絕緣子的情況下，目標(biāo)框隨之變大，在遠(yuǎn)離絕緣子的情況下，目標(biāo)框隨之變小，算法具有很好的尺度自適應(yīng)性。

從測(cè)試3的開(kāi)始幀可以看出:目標(biāo)框的尺度比實(shí)際的偏大。分析可知，整個(gè)算法依賴于絕緣子的分割，而當(dāng)絕緣子尺度變化的時(shí)候，分割的效果可能不一樣，所以,閾值的選取呈非線性。而本文所選取的閾值是固定的，今后的研究可以針對(duì)閾值自適應(yīng)和復(fù)雜環(huán)境進(jìn)行。

4結(jié)束語(yǔ)

本文提出了一種適用于無(wú)人機(jī)輸電線路巡檢的絕緣子跟蹤算法。該算法能夠自適應(yīng)絕緣子尺度變化，對(duì)未來(lái)電力巡檢實(shí)現(xiàn)智能化、科學(xué)化具有重要意義，應(yīng)用前景廣闊。但是可以看到，絕緣子的分割和閾值的選取對(duì)本算法非常重要，閾值選取不合適，會(huì)導(dǎo)致跟蹤效果不佳，進(jìn)一步深入的研究可針對(duì)復(fù)雜環(huán)境進(jìn)行。

參考文獻(xiàn):

[1]吳光亞.我國(guó)絕緣子的發(fā)展現(xiàn)狀及應(yīng)考慮的問(wèn)題[J].電瓷避雷器,2010,19 (5):7-11.

[2]曹婧.航拍輸電線路圖像中絕緣子部件的提取[D].大連:大連海事大學(xué),2012:10-13.

[3]湯明文,戴禮豪,林朝輝,等.無(wú)人機(jī)在電力線路巡視中的應(yīng)用[J].中國(guó)電力,2013,46(3):35-38.

[4]ZhangK,ZhangL,YangMH.Real-timecompressivetracking[C]∥ECCV2012,Berlin:SpringerVerlag,2012:864-877.

[5]DonohoDL.Compressedsensing[J].IEEETransactionsonInformationTheory,2006,52(4):1289-1306.

[6]CandèsEJ,WakinMB.Anintroductiontocompressivesamp-ling[J].SignalProcessingMagazine,IEEE,2008,25(2):21-30.

[7]BaraniukR,DavenportM,DeVoreR,etal.Asimpleproofoftherestrictedisometrypropertyforrandommatrices[J].ConstructiveApproximation,2008,28(3):253-263.

[8]AchlioptasD.Database-friendlyrandomprojections:Johnson-Lindenstrausswithbinarycoins[J].JournalofComputerandSystemSciences,2003,66(4):671-687.

[9]DiaconisP,FreedmanD.Asymptoticsofgraphicalprojectionpursuit[J].TheAnnalsofStatistics,1984,12(3):793-815.

A multi-scale insulator tracking algorithm based on compressive sensing

AN Ning, YAN Bin, XIONG Jie

(School of Automation Engineering,University of Electronic Science and Technology of China,Chengdu 611731,China)

Abstract:Aiming at insulator tracking problems of multi-rotor unmanned aerial vehicle(UAV)in power inspection, put forward a kind of dimension self-adaptive insulator tracking algorithm,adopting way of sparse projection to make dimensionality reduction on original image,it uses naive Bayesian classifier to make secondary classification to improve problem of classical compressive sensing(CS)tracking research frame,uses Lab space characteristics of insulator to make segmentation and changes scale of tracking box according to effective pixel percentage of insulator to solve the fixed search box problem in Compressive Tracking.Experimental result indicates that this algorithm can make change in scale variations of insulator self-adaptively in lab and field environment,it has important meanings for intelligence of power inspection.

Key words:compressive sensing(CS); projection matrix; multi-scale; insulator; tracking

DOI:10.13873/J.1000—9787(2016)03—0140—04

收稿日期：2015—04—29

中圖分類號(hào)：TP 391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000—9787(2016)03—0140—04

作者簡(jiǎn)介:

安寧(1989- )，男，陜西漢中人，碩士研究生，研究方向?yàn)閳D像處理、視頻跟蹤。