專利名稱：高壓線視覺檢測方法和裝置的制作方法
技術領域：
本發明涉及計算機視覺識別技術，尤其涉及一種高壓線視覺檢測方法和裝置。
背景技術：
計算機視覺識別技術是利用計算機，采用視覺手段對待定目標自動進行檢測和識別的技術，其廣泛應用于各種領域，例如人臉識別、高壓線檢測等，而如何提高計算機視覺識別的準確性和檢測效果是視覺識別檢測技術的關鍵。目前，高壓線視覺檢測就是利用計算機視覺識別技術，對視覺拍攝裝置成像區域中的高壓線目標進行檢測，由于高壓線目標具有典型的線目標的特點，現有高壓線視覺檢測方法一般采用線檢測的方法對高壓線檢測。高壓線視覺檢測時，視覺拍攝裝置安裝在飛行器上，以進行圖像的拍攝，在理想場景下，即飛行器位于高壓線上方的一定高度，沿高壓線方向定向飛行，且視覺拍攝裝置按照固定角度拍攝高壓線目標，此時高壓線在視覺拍攝裝置成像區域中位置基本不會發生變化，可以對圖像中可能出現的高壓線位置進行簡單的預先定位，因此，傳統的高壓線視覺檢測方法就是通過對高壓線位置進行預先定位，以獲得較好的高壓線檢測效果。但是，在實際拍攝過程中，飛行器與高壓線的相對位置通常是變化的，特別是在低空自由飛行情況下，飛行器與高壓線的相對位置是不固定的，此種情況下，由于飛行器與高壓線相對位置的不固定，飛行器上的視覺拍攝裝置成像區域中高壓線出現的位置是時刻發生變化的，這樣就無法對成像區域中的高壓線進行簡單的預定位；此外，高壓線目標本身具有微小、靜態、幾何形狀簡單的特點，相對于復雜的背景，高壓線的幾何特征和運動特征都不顯著，因此，采用傳統的高壓線視覺檢測方法進行高壓線檢測將會非常困難的。綜上，現有僅采用線檢測方法對高壓線進行檢測時，其檢測結果往往具有很高的漏報率和誤報率，高壓線檢測效果較差。
發明內容
本發明提供一種高壓線視覺檢測方法和裝置，可有效克服現有技術存在的缺陷，提聞聞壓線檢測的準確性，提聞聞壓線的檢測效果。本發明提供一種高壓線視覺檢測方法，包括對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣；將所述檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合。上述的高壓線視覺檢測方法中，所述對圖像進行桿塔和直線檢測包括通過尺度不變特征轉換特征點匹配方法對圖像進行處理，確定所述圖像中是否存在桿塔；所述圖像中存在桿塔時，以設定的第一檢測閾值對所述圖像進行直線檢測，獲得所述圖像中的高壓線粗選集。上述的高壓線視覺檢測方法中，所述獲得檢測階段的桿塔一高壓線位置特征統計矩陣包括根據檢測得到的桿塔位置和高壓線粗選集，獲得所述高壓線粗選集中各高壓線的桿塔一聞壓線特征向量；對所有高壓線的桿塔一高壓線特征向量進行統計，獲得檢測階段的桿塔一高壓線位置特征統計矩陣。上述的高壓線視覺檢測方法中，所述根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合包括以設定閾值判定所述高壓線判決矩陣中，各位置是否存在高壓線，獲得所述圖像的高壓線與桿塔位置集合。上述的高壓線視覺檢測方法還包括對所述圖像進行桿塔檢測，確定所述圖像中不存在桿塔時，以設定的第二檢測閾值對所述圖像進行直線檢測，直接獲得所述圖像中的高壓線位置集合。上述的高壓線視覺檢測方法中，所述對圖像進行桿塔和直線檢測之前還包括進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣。上述的高壓線視覺檢測方法中，所述進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣包括對樣本庫中的樣本進行人工標定，標出樣本中桿塔與高壓線的位置；根據標出的樣本的桿塔與聞壓線的位置，生成樣本中桿塔一聞壓線位置特征向量集，得到樣本中桿塔一高壓線相關性表示向量集；對所述樣本庫中所有樣本的桿塔一高壓線相關性表示向量集進行概率統計，獲得樣本桿塔一高壓線位置相關性矩陣。本發明提供一種高壓線視覺檢測裝置，包括統計矩陣獲取單元，用于對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣；判決矩陣計算單元，用于將所述檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；檢測結果獲取單元，用于根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合。上述的高壓線視覺檢測裝置還可包括相關性矩陣獲取單元，用于進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣。本發明提供的高壓線視覺檢測方法，通過對圖像中的桿塔和高壓線均進行檢測，獲得桿塔一高壓線位置特征統計矩陣，并根據樣本桿塔一高壓線位置相關性矩陣得到高壓線與桿塔位置集合，可有效提高高壓線檢測的準確性和可靠性，提高高壓線的檢測效果。
圖1為本發明高壓線視覺檢測方法實施例一的流程示意圖2為本發明高壓線視覺檢測方法實施例二的流程示意圖；圖3為本發明實施例中進行桿塔一高壓線位置相關性學習的流程示意圖；圖4為本發明實施例中對圖像進行桿塔檢測的流程示意圖；圖5為本發明高壓線視覺檢測裝置實施例的結構示意圖。
具體實施例方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。圖1為本發明高壓線視覺檢測方法實施例一的流程示意圖。如圖1所示，本實施例高壓線視覺檢測方法包括以下步驟步驟101、對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣；步驟102、將檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；步驟103、根據高壓線判決矩陣，獲得圖像的高壓線與桿塔位置集合。本實施例在對高壓線進行檢測時，對圖像中的桿塔和直線均進行檢測，獲得圖像中桿塔一高壓線位置特征統計矩陣，并根據預先得到的樣本桿塔一高壓線位置相關性矩陣，得到高壓線判決矩陣，從而得到高壓線位置集合。由于本實施例在對高壓線檢測中，力口入了對桿塔的檢測，使得獲得的高壓線位置集合更加準確、可靠，可有效提高高壓線檢測的準確性，提高高壓線的檢測效果。綜上，本實施例高壓線視覺檢測方法通過對圖像中的桿塔和高壓線均進行檢測，獲得桿塔一高壓線位置特征統計矩陣，并根據樣本桿塔一高壓線位置相關性矩陣得到高壓線與桿塔位置集合，可有效提高高壓線檢測的準確性和可靠性，提高高壓線的檢測效果。圖2為本發明高壓線視覺檢測方法實施例二的流程示意圖。如圖2所示，本實施例檢測方法包括以下步驟步驟201、進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣；步驟202、通過尺度不變特征轉換(Scale-1nvariant Feature Transform, SIFT)特征點匹配方法對圖像進行處理，確定圖像中是否存在桿塔，是則執行步驟203，否則執行步驟207 ；步驟203、以設定的第一檢測閾值對圖像進行直線檢測，獲得圖像中的高壓線粗選集;步驟204、根據檢測得到的桿塔位置和高壓線粗選集，獲得高壓線粗選集中各高壓線的桿塔一聞壓線特征向量；步驟205、對所有高壓線的桿塔一高壓線特征向量進行統計，獲得檢測階段的桿塔一高壓線位置特征統計矩陣；步驟206、將獲得的檢測階段的桿塔一高壓線位置特征統計矩陣與樣本桿塔一高壓線位置相關性矩陣相乘，獲得高壓線判決矩陣；步驟207、以設定閾值判定高壓線判決矩陣中，各位置是否存在高壓線，獲得圖像的高壓線與桿塔位置集合，結束高壓線檢測；步驟208、以設定的第二檢測閾值對圖像進行直線檢測，直接獲得圖像中的高壓線位置集合。本實施例中，可首先對待檢測圖像中的桿塔進行檢測，當檢測到圖像中存在桿塔，即桿塔檢測結果為真時，通過設定的數值較低的第一檢測閾值，獲得圖像的直線集合，該直線集合即為高壓線粗選集；當檢測到圖像中不存在桿塔，即桿塔檢測結果為假時，通過設定數值較大的第二檢測閾值，直接獲得圖像的高壓線位置集合，該高壓線位置集合即為最終的檢測結果。其中，對圖像進行直線檢測具體可采用雷頓變換方法進行檢測，其具體檢測過程與現有技術中直線檢測方法相同或類似，在此不再贅述。本領域技術人員可以理解的是，當待檢測圖像中存在桿塔時，通過設定的較低值的第一檢測閾值對圖像進行直線檢測，可獲得粗選的高壓線集合，避免圖像中有高壓線漏檢；而在圖像中不存在桿塔時，通過設定較高值的第二檢測閾值對圖像進行檢測，即可獲得圖像的最終檢測結果，由于采用較高的檢測閾值，可避免圖像中高壓線誤檢，以提高高壓線檢測結果的準確性。圖3為本發明實施例中進行桿塔-高壓線位置相關性學習的流程示意圖。如圖3所示，上述步驟201中進行桿塔一高壓線位置相關性學習具體可包括以下步驟步驟2011、讀入樣本庫中的一幅樣本；步驟2012、讀入標定桿塔的初始位置信息；步驟2013、讀入標定高壓線的初始位置信息；步驟2014、根據讀入的桿塔的初始位置信息和高壓線的初始位置信息，得到樣本中與讀取的聞壓線對應的桿塔一聞壓線相關性表不向量；步驟2015、判斷樣本中是否有其它標定的高壓線，是則執行步驟2013，否則執行步驟2016 ；步驟2016、對樣本中各高壓線對應的桿塔一高壓線相關性表示向量出現的次數進行投票統計，獲得樣本的相關性狀態頻數矩陣；步驟2017、將樣本的桿塔一聞壓線相關性狀態頻數矩陣與樣本桿塔一聞壓線相關性狀態總頻數矩陣相加，獲得新的樣本桿塔一高壓線相關性狀態總頻數矩陣；其中，樣本桿塔一高壓線相關性狀態總頻數矩陣初始值為O。步驟2018、判斷樣本庫中是否還有未讀入的樣本，是則執行步驟2011，否則，執行步驟2019 ；步驟2019、樣本學習結束，由樣本桿塔一高壓線相關性狀態總頻數矩陣，獲得樣本桿塔一高壓線位置相關性矩陣。上述步驟2012和步驟2013中，桿塔的初始位置信息和高壓線的初始位置信息均是由人工標定。即在進行桿塔-高壓線位置相關性學習時，需要對樣本庫中的樣本進行人工標定，標出樣本中桿塔與高壓線的位置。上述步驟2012中，桿塔的初始位置信息可包括桿塔最高處縱坐標T_top，桿塔最底處縱坐標T_btm，桿塔最左端橫坐標T_left，桿塔最右端橫坐標T_right，以及桿塔的朝向信息 T_orient ;由桿塔初始位置信息(T_top, T_btm, T_left, T_right, T_orient)即可得到桿塔位置特征向量(center_h, center_w, T_length, T_orient),其中，center_h 為桿塔中心縱坐標；center_w為桿塔中心橫坐標；T_length為桿塔塔高。上述步驟2013-步驟2015中，讀入的一條標定高壓線的初始位置信息，具體可包括高壓線所在直線與圖像左邊框交點的縱坐標left_height及直線與圖像右邊框交點的縱坐標right_height ;由高壓線的初始位置信息(left_height, right_height)即可計算出橫坐標為center_w時，高壓線上點的縱坐標L_h與高壓線斜率L_angle,進而由L_h、center_h和T_length得到高壓線的相對高度L_height ;由此,根據桿塔和高壓線的初始位置信息即可生成桿塔一高壓線位置特征向量集{ (center_h, center_w, T_length, T_orient, left_height, right_height) },進而可得到一個樣本的桿塔_高壓線相關性狀態集合{ (L_height, L_angle, T_orient) }。集合中元素為一條高壓線與圖像中桿塔所成的桿塔_高壓線相關性狀態(L_height, L_angle, T_orient)。上述步驟2015中，由于圖像中高壓線的數量一般為多條，因此，只有在所有標定的高壓線的位置信息均被讀取后，才進行后續步驟。該步驟2015中，對所有的標定的高壓線均進行處理后，就可得到樣本的桿塔一高壓線位置特征向量集。上述步驟2016-步驟2019中，當獲取樣本的桿塔-高壓線相關性狀態集合{ (L_height, L_angle, T_orient) }后，即可對該集合中各桿塔-高壓線相關性狀態(L_height, L_angle, T_orient)出現的次數進行投票統計，獲得相應的頻數Num_Sample (L_height, L_angle, T_orient);各 Num_Sample (L_height, L_angle, T_orient)構成樣本的桿塔-高壓線相關性狀態頻數矩陣NUM_SAMPLE。各桿塔-高壓線相關性狀態頻數矩陣累加所成矩陣為桿塔-高壓線相關性狀態總頻數矩陣NUM_T0TAL。桿塔-高壓線相關性狀態總頻數矩陣NUM_T0TAL除以全部樣本中標定高壓線樣本的總數，所得矩陣PR稱為樣本桿塔_高壓線位置相關性矩陣。其中各元素Pr(L_height，L_angle，T_orient)即為相應桿塔-高壓線相關性狀態(L_height, L_angle, T_orient)在全部桿塔-高壓線相關性狀態中出現的概率。至此，獲得桿塔-高壓線位置相關性矩陣。桿塔一高壓線位置相關性學習結束。以上可以看出，上述的步驟2012-步驟2019，就是對樣本庫中的所有樣本進行處理，以對各樣本的桿塔-高壓線相關性表示向量集進行統計處理，進而得到樣本桿塔-高壓線位置相關性矩陣，即根據標出的樣本的桿塔與高壓線的位置，生成樣本中桿塔-高壓線位置特征向量集，得到樣本中桿塔-高壓線相關性表示向量集；對樣本庫中所有樣本的桿塔-高壓線相關性表示向量集進行概率統計，獲得樣本桿塔-高壓線位置相關性矩陣。圖4為本發明實施例中對圖像進行桿塔檢測的流程示意圖。如圖4所示，上述步驟202中通過SIFT特征點匹配方法對圖像進行處理，獲得圖像中是否存在桿塔具體可包括以下步驟步驟2021、讀取待檢測的圖像；步驟2022、對圖像進行SIFT特征點檢測；步驟2023、獲得圖像的SIFT特征點集；步驟2024、將圖像的SIFT特征點集分別與所有桿塔模板的SIFT特征點集進行匹配；步驟2025、獲得與所有桿塔模板匹配后得到的所有匹配特征點對和匹配特征點對數量；步驟2026、獲得所有匹配特征點對數量中數值最大的匹配特征點對數量；步驟2027、判斷數值最大的匹配特征點對數量是否小于設定的桿塔檢測閾值，是則執行步驟2028，否則，執行步驟2029 ；步驟2028、待檢測的圖像中不存在桿塔，結束；步驟2029、圖像中存在桿塔，獲取桿塔位置信息，結束。上述步驟2024和步驟2025中，桿塔模板的數量有4個，相應的也就有4個模板的SIFT特征點集Tl、T2、T3和Τ4。其中，桿塔模板的選擇可選擇典型朝向的4個模板，具體地， 可選擇4幅典型朝向分別為正面、正側面、45°左側面、45°右側面的高壓線桿塔圖像作為桿塔模板，并分別檢測出各幅圖像的全部SIFT特征點，得到各幅圖像中桿塔模板的特征點集Tl、Τ2、Τ3、Τ4 ;獲得待檢測圖像的SIFT特征點集I后，即可將I分別與桿塔模板的特征點集Tl、、Τ2、Τ3、Τ4進行特征點匹配，分別得到匹配特征點對集Ρ1、Ρ2、Ρ3、Ρ4及匹配特征點對數量Ν1、Ν2、Ν3、Ν4。上述步驟2026和步驟2027中，若NI至Ν4均小于設定的檢測閾值N_threshold，即獲得所有匹配特征點數量N1、N2、N3和N4中數值最大的匹配特征點數量，小于設定的檢測閾值threshold，即可確定待檢測圖像中不存在高壓線桿塔，返回桿塔檢測判斷結果I_eXiStenCe=0，桿塔檢測結束；否則，即可確定待檢測圖像中存在高壓線桿塔，返回桿塔檢測判斷結果I_existence=l。上述步驟2029中，當確認待檢測的圖像中存在桿塔時，即可將NI至N4中最大者N_max對應的朝向作為待測圖像中桿塔朝向I_orient ；由N_max對應的匹配特征點對P_max中待測圖像匹配特征點的幾何中心確定待測圖像中桿塔中心I_center，由待測圖像匹配特征點相對于桿塔模板匹配特征點的放縮尺度確定待測圖像中桿塔的長度I_length，從而可獲得待檢測圖像中桿塔的位置信息(I_existence, I_center, I_length, I_orient),桿塔檢測結束。上述步驟203中，以設定的第一檢測閾值對圖像進行直線檢測，獲得圖像中的高壓線粗選集具體可以檢測閾值1_訪1^也01(1=100進行直線檢測，獲得一個直線集合{L_l=(left_height, right_height) },并將此集合作為高壓線粗選集。上述步驟204中，根據獲得的桿塔位置和高壓線粗選集，可由各條粗選高壓線分別獲得一檢測階段桿塔-高壓線特征向量(L_height, L_angle, T_orient);對全部粗選高壓線的桿塔-高壓線特征向量進行統計，即可得到檢測階段的桿塔-高壓線位置特征統計矩陣I_NUM。上述步驟205和步驟206中，將桿塔-高壓線位置特征統計矩陣I_NUM和桿塔-高壓位置線相關性矩陣PR對應元素相乘，獲得最終進行高壓線判決的判決矩陣1_JUDGE ;分別將I_JUDGE各元素與設定閾值Judge_threshold進行比較，即可判斷出相應元素位置是否存在高壓線，從而獲得最終檢測出的高壓線與桿塔位置集合{ (L_height,L_angle, center_h, center_w, T_length, I_orient) }。上述步驟207中，圖像中無桿塔，即桿塔檢測判定結果為IjXistence=O時，以檢測閾值L_threshold=400進行直線檢測，獲得的直線集合{L_0= (left_height, right_height) }，該直線集合即可作為最終的高壓線位置集合。
本實施例中，高壓線相對高度可設定為7種狀態中的一種，該7種狀態分別為>1、I O. 8,0. 8 O. 6,0. 6 O. 4,0. 4 O. 2,0. 2 O以及〈O ;高壓線的斜率可設定為以10。為一個區間、從0°至180°變化的18個區間狀態中的一種；桿塔朝向可設定為4中典型朝向，即正面、正側面、45°左側面、45°右側面，以及無桿塔5種狀態中的一種，這樣，檢測階段得到的桿塔一高壓線位置特征統計矩陣就是一個多維矩陣I_NUM[7] [18] [5]，矩陣中各元素的值I_num (L_height, L_angle, T_orient)表示該桿塔-高壓線位置相關性狀態下高壓線的數量。同理，學習階段得到的桿塔-高壓線位置相關性矩陣也為一個多維矩陣PR[7][5],矩陣中各元素的值Pr (L_height, L_angle, T_orient)表示該桿塔-高壓線位置相關性狀態下存在高壓線的概率大小。本實施例中，設定的桿塔檢測閾值N_ threshold=3,由于朝向差異較大的桿塔圖像之間的匹配點很少，因此設一個較低的檢測閾值，可以保證桿塔的檢測率，且可以取得較好的檢測效果；直線檢測可采用雷頓變換檢測，且桿塔檢測結果I_eXiStenCe=l，即圖像中存在桿塔時，可將設定的第一檢測閾值設為L_threShold=100，且判決矩陣進行判決的閾值為Judge_threshoId=0. 2*3=0. 6 ;若桿塔檢測結果l_existence=0,即圖像中無桿塔時，可將設定的第二檢測閾值設為L_threshold=400。為對本發明有更好的了解，發明人對采用傳統的高壓線視覺檢測方法、簡單的直線檢測方法以及采用本發明檢測方法的檢測效果進行了對比，詳細請見下表I。
本發明檢測傳統檢測筒單直線檢測
_方法__方法__方法_
平原有塔
,89.7%23.7%36.7%
有線____
平原無塔
^88.0%32.3%70.3%
有線____
山地無塔
_25.9%13.6%10.2%
有線____
天空__97.6%__92.0%__91.6%_
山脈__77.8%__27.3%__43.2%_
建筑79.8%25.2%49.8%_以上對比可以看出，在相同測試樣本下，本發明檢測方法在檢測率上比傳統的預定位機制高壓線檢測方法及簡單直線檢測提取高壓線方法均有大幅度提高。本發明實施例提供的高壓線視覺檢測方法，可有效提高無高壓線預定位時高壓線的檢測率。原因如下如果采用傳統的高壓線檢測方法，在預定位過程中會對直線特征檢測的位置進行很大程度的限定，當飛行器在低空自由飛行時，由于成像區域中高壓線出現的位置是變化不定的，無法對高壓線進行預定位，此時，依照傳統高壓線檢測方法對檢測區域人為加以限定是不現實的，且會降低高壓線的檢測率；而不做任何限定，簡單采用直線檢測的方法對高壓線進行檢測，由于高壓線的幾何特征和運動特征在圖像中都不顯著，因此難以在大量線特征中有效提取出真實的高壓線特征，故檢測效果同樣不理想。本發明技術方案通過檢測高壓線桿塔這種易于進行視覺檢測，且與高壓線在空間位置上密切相關的物體，通過學習建立起桿塔-高壓線間相關性，既進行桿塔檢測也進行高壓線檢測，通過引入桿塔-高壓線間相關性，使兩者形成一種聯合探測，從而提高了對高壓線的檢測率。綜上可以看出，本發明實施例提供了一種聯合機制的高壓線視覺探測方法，可在傳統高壓線檢測方法的基礎上，增加對高壓線桿塔的檢測，通過學習獲得桿塔與高壓線之間的相對位置的相關性，根據兩者間相關性將高壓線檢測與桿塔檢測相結合，形成一種聯合檢測，彌補了傳統檢測方法在低空自由飛行場景中空對地高壓線檢測的不足，無需預定位，可有效提高高壓線的檢測率。特別適合某些應用場合無法預先確定高壓線位置，如災后航空應急救援等。圖5為本發明高壓線視覺檢測裝置實施例的結構示意圖。如圖5所示，本實施例檢測裝置包括統計矩陣獲取單元1、判決矩陣計算單元2和檢測結果獲取單元3，其中統計矩陣獲取單元1，用于對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣；判決矩陣計算單元2，用于將檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；檢測結果獲取單元3，用于根據高壓線判決矩陣，獲得圖像的高壓線與桿塔位置集
口 ο本實施例中，如圖5所示，本實施例裝置還可包括相關性矩陣獲取單元4，用于進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣。以便判決矩陣計算單元2可根據獲得的樣本桿塔-高壓線位置相關性矩陣獲得高壓線判決矩陣。本實施例裝置可應用于聞壓線檢測中，可有效提聞聞壓線檢測準確性，提聞聞壓線檢測率，其具體實現過程可參考上述本發明方法實施例的說明，在此不再贅述。本領域普通技術人員可以理解實現上述方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成，前述的程序可以存儲于一計算機可讀取存儲介質中，該程序在執行時，執行包括上述方法實施例的步驟；而前述的存儲介質包括R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質。最后應說明的是以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
權利要求
1.一種高壓線視覺檢測方法，其特征在于，包括 對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣； 將所述檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣； 根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合。
2.根據權利要求1所述的高壓線視覺檢測方法，其特征在于，所述對圖像進行桿塔和直線檢測包括 通過尺度不變特征轉換特征點匹配方法對圖像進行處理，確定所述圖像中是否存在桿塔； 所述圖像中存在桿塔時，以設定的第一檢測閾值對所述圖像進行直線檢測，獲得所述圖像中的高壓線粗選集。
3.根據權利要求2所述的高壓線視覺檢測方法，其特征在于，所述獲得檢測階段的桿塔一高壓線位置特征統計矩陣包括 根據檢測得到的桿塔位置和高壓線粗選集，獲得所述高壓線粗選集中各高壓線的桿塔一聞壓線特征向量； 對所有高壓線的桿塔一高壓線特征向量進行統計，獲得檢測階段的桿塔一高壓線位置特征統計矩陣。
4.根據權利要求1所述的高壓線視覺檢測方法，其特征在于，所述根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合包括 以設定閾值判定所述高壓線判決矩陣中，各位置是否存在高壓線，獲得所述圖像的高壓線與桿塔位置集合。
5.根據權利要求1所述的高壓線視覺檢測方法，其特征在于，還包括 對所述圖像進行桿塔檢測，確定所述圖像中不存在桿塔時，以設定的第二檢測閾值對所述圖像進行直線檢測，直接獲得所述圖像中的高壓線位置集合。
6.根據權利要求1所述的高壓線視覺檢測方法，其特征在于，所述對圖像進行桿塔和直線檢測之前還包括 進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣。
7.根據權利要求6所述的高壓線視覺檢測方法，其特征在于，所述進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣包括 對樣本庫中的樣本進行人工標定，標出樣本中桿塔與高壓線的位置； 根據標出的樣本的桿塔與高壓線的位置，生成樣本中桿塔一高壓線位置特征向量集，得到樣本中桿塔一高壓線相關性表示向量集； 對所述樣本庫中所有樣本的桿塔一高壓線相關性表示向量集進行概率統計，獲得樣本桿塔一高壓線位置相關性矩陣。
8.一種高壓線視覺檢測裝置，其特征在于，包括 統計矩陣獲取單元，用于對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔一高壓線位置特征統計矩陣； 判決矩陣計算單元，用于將所述檢測階段的桿塔一高壓線位置特征統計矩陣與預先得到的樣本桿塔一高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；檢測結果獲取單元，用于根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合。
9.根據權利要求8所述的高壓線視覺檢測裝置，其特征在于，還包括 相關性矩陣獲取單元，用于進行桿塔一高壓線位置相關性學習，獲得樣本桿塔一高壓線位置相關性矩陣。
全文摘要
本發明公開了一種高壓線視覺檢測方法和裝置。該方法包括對圖像進行桿塔和直線檢測，獲得檢測階段的桿塔－高壓線位置特征統計矩陣；將所述檢測階段的桿塔－高壓線位置特征統計矩陣與預先得到的樣本桿塔－高壓線位置相關性矩陣相乘，得到高壓線判決矩陣；根據所述高壓線判決矩陣，獲得所述圖像的高壓線與桿塔位置集合。本發明技術方案通過對桿塔進行檢測，可有效對高壓線檢測的準確性，提高高壓線的檢測率。
文檔編號G06K9/00GK103020601SQ201210540210
公開日2013年4月3日 申請日期2012年12月13日 優先權日2012年12月13日
發明者張軍, 曹先彬, 單昊天 申請人:北京航空航天大學