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 自動化工程學院，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 自動化工程學院，四川 成都 611731)

摘要:針對多旋翼無人機(UAV)在電力巡檢中的絕緣子跟蹤問題，提出一種尺度自適應的絕緣子跟蹤算法，采用稀疏投影的方式對原始圖像特征進行降維，使用樸素貝葉斯分類器進行二分類，改進傳統壓縮感知(CS)跟蹤搜索框固定問題，利用絕緣子的Lab空間特性進行分割，根據分割結果中絕緣子有效像素所占比例來改變搜索框的尺度，實現跟蹤中的尺度自適應。實驗結果表明:該算法能夠在實驗室和野外環境下自適應絕緣子尺度變化，對未來電力巡檢智能化具有重大意義。

關鍵詞：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，它是整個輸電線路安全運行的基礎[2]。傳統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，隨著無人機(UAV)技術的不斷發展，無人機參與電力巡檢已經在全國多地展開[3]。但是，無人機巡檢的目的是要對絕緣子進行拍照或者利用絕緣子進行測距，這就要求無人機能夠準確跟蹤絕緣子。

為此，本文提出一種基于壓縮感知(CS)的尺度自適應的絕緣子跟蹤算法。該算法使用絕緣子在Lab空間中表現出的顏色特性，對圖像進行局部分割，根據分割后目標框內絕緣子的有效像素所占比例來改變搜索框的尺度。采用稀疏投影的方式對原始圖像特征進行降維，跟蹤的過程使用樸素貝葉斯分類器轉化為一個二分類問題。實驗結果表明:該算法能夠在實驗室和野外環境下自適應絕緣子尺度變化，對未來電力巡檢智能化具有重大意義。

1壓縮感知跟蹤

目前大多數跟蹤算法在提高精度的時候，實時性得不到有效保證。Zhang K等人在文獻[4]中提出了一種基于壓縮感知的實時跟蹤算法，算法將圖像特征進行稀疏投影，大大降低了特征維度，但是并沒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確率高，算法實時性高，具有很大的應用前景。

1.1隨機投影

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

v=Φx.

(1)

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

(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，一般在106～1010之間。很明顯，此時隨機矩陣的大部分元素都是0，所以，計算量很小。

文章采用類似Haar的像素灰度差異特征，使用積分圖進行計算。圖1是高維特征向量x經過投影矩陣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、負和零元素輸入。綠色的箭頭表示矩陣中的一個非零元素對x進行感知，相當于一個矩形濾波器對圖像進行卷積。

圖1　向量壓縮示意圖Fig 1　Vector compression

1.2分類器的構建和更新

算法采用樸素貝葉斯分類器對壓縮的樣本特征進行分類。分類器的數學模型如下

(3)

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

(4)

為了保證跟蹤的準確性，在跟蹤的過程中需要對分類器參數進行更新，更新方式如下

(5)

其中，λ>0是一個學習參數，并且有

(6)

1.3算法的流程

壓縮跟蹤算法在最開始假定目標的位置和尺度已知，對于第t幀圖像，算法流程如下：

1) 在第t-1幀的目標位置周圍選取一部分圖像集合，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前目標位置。

3) 分別在當前目標周圍和當前目標較遠處選取一定的圖像集合,并進行特征提取，壓縮分類用來更新分類器參數。

2多尺度的絕緣子壓縮感知跟蹤

壓縮感知算法由于實時性高、跟蹤效果好，可以應用于無人機電力巡檢對絕緣子的跟蹤中。但是，原始的壓縮感知算法目標框尺度固定，當目標尺度發生變化的時候，會導致分類器學習了錯誤的樣本，隨著時間的增加，導致跟蹤失敗。本文提出了一種尺度自適應的絕緣子跟蹤算法，主要工作如下：

1)對目標框的圖像進行分割，計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，根據當前比例改進搜索框尺度；

2)尺度改變后，隨機投影矩陣將不能適應目前的尺度，本文進行了改進；

3)將改進后的算法分別在實驗室環境和野外環境進行測試，測試效果表明算法對絕緣子的尺度變化具有很好的自適應性。

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通道對絕緣子進行分割。

圖2左側是原始圖像，圖2右側是經過一系列處理后的圖像。處理過程主要包括如下幾步：高斯濾波、顏色空間轉換為Lab,a通道圖像OTSU分割、形態學處理。

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

實際上，為了提高算法的實時性，只需要對目標當前所在位置周圍圖像進行分割。

2.2目標尺寸變化策略

感興趣區域分割結束后，求出有效像素所占目標框的比例，將這個比例值和比例閾值對比。如果比例的變化超出了閾值范圍，認為目標尺度已經發生變化。此時，按照變化的系數(假設為K)對目標框尺度進行改變。

假設原始目標框的長和寬分別為l和w，頂點坐標為(x0,y0)，那么,中心點坐標為(x0+l/2,y0+w/2)，則變化后的目標框如圖3所示。

圖3為通過上圖，計算出新的目標框的頂點坐標(x0+(l-Kl)/2,y0+(w-Kw)/2)，此時就可以更新目標框的參數。

圖3　目標框變化示意圖Fig 3　Target frame changes

如上述，在更新目標框的時候需要首先確定一個判定更新條件的閾值，閾值的選取對于目標框尺度變化是否準確有著直接影響，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，統計每一幀的絕緣子有效像素比，對前10幀的有效像素比求一個均值作為尺度變化的判斷閾值，過程如圖4所示。

圖4　閾值的選取Fig 4　Selection of threshold

2.3投影矩陣的改進

在傳統的壓縮感知跟蹤中，目標的尺度不會變化，所以,隨機投影矩陣也只是在程序剛開始的時候被計算一次，并且在整個跟蹤過程中保持不變。

算法中由于目標框的尺度發生了變化，隨之而來的就是高維特征的維數發生了變化，那么，此時如果再使用固定的隨機投影矩陣就不能適應特征維數的變化。所以，提出了投影矩陣變化策略如下：

根據前面得到的尺度變化系數 ，按比例調整投影矩陣的行、列、長、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

由于投影矩陣實際上是非常稀疏的，而且只需要計算非零元素，雖然投影矩陣在不斷的變化，但是它所帶來的計算量的增大并不是很多。所以，算法的實時性并沒有降低。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實驗結果與分析

本文選取實驗室和野外實際環境下，模擬無人機進行電力巡檢過程的視頻作為測試樣本，實驗環境為4GB內存、2.4GHz,Windows7的電腦，采用VS2012,OPENCV作為平臺，使用C/C++語言開發。跟蹤測試結果如圖7。

圖7　跟蹤測試結果Fig 7　Tracking test results

測試序列1和2屬于實驗室環境，測試序列3和4屬于野外輸電線路鐵塔環境，測試序列1,3,4模擬無人機不斷靠近絕緣子的情況，測試序列2模擬無人機遠離絕緣子的情況。從實驗結果可以看出:本文提出的算法在無人機靠近絕緣子的情況下，目標框隨之變大，在遠離絕緣子的情況下，目標框隨之變小，算法具有很好的尺度自適應性。

從測試3的開始幀可以看出:目標框的尺度比實際的偏大。分析可知，整個算法依賴于絕緣子的分割，而當絕緣子尺度變化的時候，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閾值自適應和復雜環境進行。

4結束語

本文提出了一種適用于無人機輸電線路巡檢的絕緣子跟蹤算法。該算法能夠自適應絕緣子尺度變化，對未來電力巡檢實現智能化、科學化具有重要意義，應用前景廣闊。但是可以看到，絕緣子的分割和閾值的選取對本算法非常重要，閾值選取不合適，會導致跟蹤效果不佳，進一步深入的研究可針對復雜環境進行。

參考文獻:

[1]吳光亞.我國絕緣子的發展現狀及應考慮的問題[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,2012:10-13.

[3]湯明文,戴禮豪,林朝輝,等.無人機在電力線路巡視中的應用[J].中國電力,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：TP 391.4

文獻標識碼：A

文章編號：1000—9787(2016)03—0140—04

作者簡介:

安寧(1989- )，男，陜西漢中人，碩士研究生，研究方向為圖像處理、視頻跟蹤。