曹珊珊

（沈陽航空航天大學電子信息工程學院，沈陽 110136）

0 引言

在社會飛速發(fā)展的同時，電力設(shè)備成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?，維持電力設(shè)備的安全運行也成為了一個重要課題，定期巡檢與維護變電站的正常運轉(zhuǎn)則是其中至關(guān)重要的一步。為了進一步解放人工，降低人力成本，目前我國已將變電站自主巡檢機器人投入使用，而紅外與可見光圖像處理及傳輸技術(shù)作為巡檢機器人進行電力系統(tǒng)的故障檢測關(guān)鍵技術(shù)之一展現(xiàn)出了極大潛力。

圖像配準的目的在于使兩幅圖像達到信息上的融合，再結(jié)合圖像識別深度學習將一個設(shè)備不同狀態(tài)下的信息融合于單個圖像中，使設(shè)備的信息更加直觀化，診斷效率也得以提高。導(dǎo)致電力設(shè)備的診斷系統(tǒng)的資源利用率和運行效率較為低下的主要原因是人工處理大量的圖像數(shù)據(jù)時占用了較多的人力資源，因此，為了使自主診斷系統(tǒng)更加高效準確，對電力設(shè)備紅外與可見光圖像的自動配準研究具有重大意義。

1 算法流程

在工程實際中，巡檢機器人和無人機在圖像取景時，由于傳感器裝配差異及拍攝視角，距離和光照等客觀因素，拍攝圖像間難免出現(xiàn)清晰度及視角差異等問題，進而導(dǎo)致配準準度降低，最終無法準確匹配紅外與可見光圖像。

針對以上問題，本文提出一種基于輪廓特征的紅外與可見光配準方法。該方法使用基于SUSAN+CSS 算法的角點檢測方法來進行特征點提取，在圖像輪廓上提取特征點并將輪廓中線特征方向作為特征點的主方向，以此解決紅外與可見光圖像之間存在視角差異的問題，獲得正確的特征匹配點，最后使用本文算法進行特征匹配，篩選出正確匹配的特征點，得到配準圖像，本文算法流程如圖1所示。

圖1 算法流程

2 算法實現(xiàn)

當紅外和可見光圖像在拍攝時因客觀因素導(dǎo)致拍出的圖像存在視角差異時，現(xiàn)有的主方向分配算法的配準精度較低，進而導(dǎo)致無法準確匹配紅外與可見光圖像。針對此問題，在方向分配與匹配算法上進行改進，本文提出一種新的分配方法，由圖像輪廓中線來決定主方向。

2.1 方向分配

平面上任意一條曲線的曲率定義式寫作下式：

圖像的輪廓曲線Γ為一種平面曲線，其坐標集合可定義為式（3）：

因輪廓曲線Γ中存在噪聲，所以在計算其曲率前需要先對Γ進行平滑濾波，式（4）中G為高斯核函數(shù)，?為卷積運算符號，最終可得到輪廓曲線Γ的曲率，如式（5）。

將此方向向量定義為特征點的主方向：

同一特征點在不同尺度下的采樣得到的輪廓在λ和λ以上述取值后得到相似結(jié)果，使得三角形中線指向的方向向量方向相同。

2.2 匹配算法

將紅外圖像與可見光圖像進行特征點提取后，理論上得到的所有能夠正確匹配的特征點連線長度相等，且傾斜角度一致，錯誤匹配的特征點則不然。這些錯誤匹配的特征點的存在，是由于紅外圖像與可見光圖像之間經(jīng)常存在相對旋轉(zhuǎn)，為了得到紅外圖像與可見光圖像之間的精準匹配，需要篩選出正確的匹配點。

本文采用雙邊匹配方法進行匹配，可獲得候選匹配特征點集合，見式（11），其中n為匹配點對數(shù)。

假設(shè)紅外圖像相對于可見光圖像存在旋轉(zhuǎn)角度為?，將紅外圖像匹配點旋轉(zhuǎn)負旋轉(zhuǎn)角度后縮放于可見光圖像尺度，可得旋轉(zhuǎn)變換矩陣與紅外候選匹配點如下：

匹配特征點連線后得到的長度與傾斜角記為式（13），為紅外圖像橫向分辨率：

將區(qū)間［0，360°）平均分為36份，每份角度為10°，將每份所包含的Δ中的元素數(shù)量作出統(tǒng)計，可以得到包含元素數(shù)量最多的區(qū)間，將此區(qū)間的中間值作為旋轉(zhuǎn)角?，代入式（13）后可求出對應(yīng)的與。

3 實驗與結(jié)果分析

3.1 實驗平臺與參數(shù)設(shè)置

本實驗硬件仿真環(huán)境為Intel（R）Core（TM）i5-9400F CPU @ 2.50 GHZ，軟件仿真環(huán)境為MATLAB R2019b。在以上硬件與軟件的基礎(chǔ)上，從電力設(shè)備圖像數(shù)據(jù)庫獲取本文需要的紅外與可見光圖像，調(diào)整圖像大小為768×576進行仿真實驗，采用MATLAB代碼實現(xiàn)本文算法。

3.2 實驗評價指標

表1 數(shù)據(jù)集概述

3.3 配準實驗結(jié)果

按本文算法進行圖像配準，結(jié)果如圖2所示。

圖2 第一組圖像配準及融合結(jié)果

算法一為文獻［8］算法；算法二為文獻［9］算法。由表格中的評價參數(shù)可知，相較于算法一與算法二，本文算法RMSE 值更低，即本文算法匹配點定位精度以及整個配準算法精度較高；Precision 和Recall 值高，即匹配算法區(qū)分正誤匹配點能力越強，因此可得出結(jié)論，本文算法得到的匹配點更為精確，驗證了本文算法擁有較優(yōu)的特征點匹配性能。

4 結(jié)語

為了增強配準后圖像的特征信息，消除拍攝過程中由視角差異等帶來的負面影響，本文采用基于圖像輪廓特征的匹配方法可有效篩選出正確匹配點，從而保證紅外與可見光圖像配準后視角一致，極大地提升了配準后圖像的精度。實驗數(shù)據(jù)表明，本文算法與其他算法相比有一定的優(yōu)勢，對變電站巡檢機器人進行電力設(shè)備故障的自主診斷有研究意義。