基于深度分層背景去除的桿塔區域分割算法

張強

摘 ?要：輸電線路中的桿塔部件因長期經受自然環境的影響，易產生銹蝕、磨損、自爆等損壞，會對電力系統的穩定運行造成極大威脅。對于桿塔部件背景復雜、目標不易識別且多角度拍攝操作危險性高等情況下，傳統的區域分割算法已不能滿足需求，故本文提出了基于深度分層背景去除的桿塔區域分割算法，利用雙目立體匹配算法構建場景深度分層模型，獲取場景各目標的三維層次信息，從而準確去除背景，提取并鎖定待檢測桿塔區域。

關鍵詞：桿塔區域檢測;雙目立體匹配算法;深度分層;區域分割

0 引言

近年來，我國電網建設高速發展階段，為電網巡檢帶來了更多困難與挑戰。利用無人機進行輸電線路巡檢有望成為一種常態化作業趨勢[1]。其中輸電線路的桿塔檢測尤為關鍵，對電力系統穩定運行有著重要的影響。然而桿塔部件因長期經受自然環境的影響，易產生銹蝕、磨損、自爆等損壞，為巡檢造成極大困難。

為解決桿塔部件檢測過程中背景復雜，目標不易識別，且多角度拍攝操作危險性高、效率低等問題，本文提出利用雙目立體匹配算法構建場景深度分層模型，獲取場景各目標的三維層次信息，從而準確去除背景，提取待檢測輸電線路桿塔區域。

1 基于場景深度分層模型的背景去除

（1）雙目立體匹配算法

首先對原始圖像進行2D卷積特征提取操作[2]，利用共享權值的雙通道網絡分別對左右目圖像進行特征提取，保證特征提取的一致。其次使用空間金字塔池化提取層次化上下文信息，利用反卷積操作將四個不同大小的特征圖恢復到原來的尺度，再和2D卷積提取的特征圖堆疊起來，最終得到包含層次化上下文信息的特征圖;然后利用堆疊的方式構建匹配代價容器，在堆疊過程中加入雙目立體幾何約束。最后，結合雙目視覺標定的參數求得真實深度圖。

（2）深度圖分層

本文采用了擴展的大津法[3]對深度圖進行分割，算法假設圖像中僅含有前景和背景兩類像素點，通過最大化這兩類的類間方差以尋找將這兩類像素點分割開的最佳閾值。具體的最優分割閾值集合如下公式所示：

通過大律法進行深度分層，需要不同的N值來分割，本文直接利用 之間的所有整數作為輸入值對深度圖像進行分割，得到一個 張的深度分層合集 ，從中自動選取出合適的深度分層。利用算法自動選取合適深度分層的具體步驟如下：

① 深度圖像是灰度圖像，灰度值越小距離越遠，灰度值越大距離越近，選取深度圖中灰度值最小的點集合作為種子點。

② 設深度分層中白色前景像素值為1，黒色背景為0，則遍歷深度分層合集 ，從中尋找滿足以下條件的深度分層形成候選深度分層合集 ：種子點的坐標信息集合 包含的所有坐標在深度圖層中的像素值全為0。

③ 計算候選深度分層合集 中每一分層的背景（像素值為0）和前景（像素值為1）面積之比，按照比例對深度分層進行非遞減排序得到序列 。

④ 去除序列 中的面積之比小于1的深度分層，在剩余的深度分層集合中選取序列中中間的一張。

（3）基于平面法向圖對深度分層優化

通過利用法向圖[4]找到場景中大的平面即背景，進而去除其在深度分層中殘余的部分來優化深度分層。具體實現步驟如下：

① 對于深度圖中的每一個像素點選取其 的鄰域中的兩個像素點組成兩個向量 和 。計算向量的叉積得到與兩者垂直的向量 ，即該點的法向。通過遍歷選取所有的鄰域像素點與該點構成不同的向量，并計算得到該點的法向，最后取平均值進行平滑，得到最終的法向圖。

② 將法向圖中灰度值相似的像素點合并成區域，并統計各區域的面積大小，選出面積最大的區域 。

③ 由于物體邊緣上深度的急劇變化，地方法向也會急劇變化，所以物體輪廓上會產生一條邊界，因而兩者之間的連接并不穩固，通過形態學上的開操作消除此類連接，得到新的平面區域 。

④ 將深度分層中屬于 的殘余部分去除得到新的深度分層，基于深度分層結果對可見光圖像進行分割，獲得去除背景的目標圖像。

2 實驗結果與分析

本文采用無人機拍攝的輸電線路桿塔區域圖像作為實驗對象，部分輸電線路桿塔區域背景去除效果如圖1所示，由結果可以看出，該方法可以準確地完成輸電線路桿塔區域的背景去除，可以為無人機輸電線路巡檢電力配件識別與缺陷檢測、異常發熱檢測等功能標注待處理區域。

3 結論

本文針對桿塔部件檢測過程中背景復雜，目標不易識別，且多角度拍攝操作危險性高、效率低等問題，提出利用雙目立體匹配算法構建場景深度分層模型，獲取場景各目標的三維層次信息，從而準確去除背景，提取待檢測輸電線路桿塔區域。

參考文獻

[1]楊喆，鄧超怡. 無人機在特高壓輸電線路巡檢中的應用研究[J].南方能源建設，2016，3（S1）：135-138.

[2] Zeng X， Li Y， Chen Z and Zhu L. A Hybrid 2D and 3D Convolution Neural Network for Stereo Matching[C]. 2018 IEEE International Conference on Computational Science and Engineering （CSE）， Bucharest， 2018， pp. 152-156.

[3]張洪超. 基于大津法和區域生長法結合的彩色圖像分割方法研究[D]. 2016.

[4]肖志光. 基于圖和深度分層的前景物體提取研究[D]. 2017.