基于最近鄰加權灰度均值算法的高壓線目標檢測

唐法帥 高 琦 杜宗展

1(山東大學機械工程學院 山東 濟南 250061) 2(高效潔凈機械制造教育部重點實驗室 山東 濟南 250061) 3(山東大學電氣工程學院 山東 濟南 250061)

0 引 言

高壓輸電線路是現代工業(yè)社會和國民生活的生命線，正常與否事關國民生計和社會安定[1]。然而，遠距離輸電的方式和特殊環(huán)境不可避免地會引起線路故障，造成極大的生命財產損失。因此，對輸電線路進行定期巡檢成為輸電部門的一項必要工作[2]。

線路巡檢的方式多種多樣，先后經歷了人工巡檢、直升機巡檢和無人機巡檢的發(fā)展過程[3]。近年來，隨著機器人技術的進步，采用機器人來代替或協(xié)作人來完成輸電線路巡檢作業(yè)成為可能，輸電線路巡檢機器人迅速成為國內外機器人領域的研究熱點之一[4]。前期巡檢機器人的導航方式主要是多傳感器電磁導航。如文獻[5]在機器人本體上安裝了34個測距傳感器，組成傳感器陣列，先通過自身攜帶的超聲波傳感器檢測輸電線直徑，通過直徑有無變化判斷線路上是否存在障礙物，然后利用機載GPS和輪組里程讀數確定與障礙物的距離，機器人停止運動后，將傳感器陣列采集到的障礙物的距離信息輸入到基于粗糙集的障礙物分類器中，根據分類器輸出判斷障礙物的尺寸范圍，進而確定采用哪種越障方式。

隨著人工智能與機器學習理論的迅速發(fā)展，基于視覺導航的巡檢機器人成為線路巡檢的主要研究方向之一[6]。視覺導航以其重量輕、結構簡單、采集信息量大的特點成為研究熱點[7]。視覺導航在線上完成的任務主要包括兩個：識別定位障礙和識別定位故障。其中識別定位障礙用于指導自主越障，是機器人自主巡檢的基礎，而機器人只有具備了自主越障的能力，才有可能繼續(xù)完成識別定位故障等巡檢工作。

國內外學者在高壓巡檢機器人基于視覺導航進行障礙識別檢測方面開展了大量研究。文獻[8]設計了基于結構約束的障礙物識別算法，利用圖像的邊緣信息，采用改進的基于存在概率圖的圓、橢圓檢測方法和分層決策機制來減少干擾，實驗結果表明，算法能可靠地識別出復雜背景中的障礙物，但是對環(huán)境噪聲的抑制能力弱，結構約束還不完整。文獻[9]提出了基于輪廓視圖合成的障礙物檢測方法，實驗證明輪廓視圖可比較理想地達到識別障礙物的目的，絕緣子和防震錘識別準確率分別達到92%和80%。文獻[10]通過Otsu算法對Canny算子進行改良，提取圖像邊緣，并對邊緣圖中的某些基元添加約束，實現障礙物識別，實驗結果表明，算法能夠有效地檢測出相線、防震錘、懸垂絕緣子和耐張絕緣子，但是當光線強烈時，很容易發(fā)生誤檢。文獻[11]提出一種基于小波矩的障礙物智能視覺識別方法，通過提取障礙物邊緣圖像的小波矩，得到一組局部最優(yōu)的小波矩特征，然后利用小波神經網絡進行分類，實驗表明算法對耐張線夾、防震錘和懸垂線夾的識別準確率分別達到93.2%、95.6%和89.2%。文獻[12]對弱光條件下的障礙物進行識別，首先對圖像進行自適應同態(tài)濾波，然后將圖像劃分為小區(qū)域，用改進的局部二進制模式提取特征，最后用卡方距離進行類別判斷，實驗結果表明，算法具有很高的抗光照干擾的效果，防震錘、耐張線夾和絕緣子的識別正確率分別達到87%、85%和88%。文獻[13]設計了一套障礙物自動識別系統(tǒng)，利用灰度垂直投影進行目標定位，提取出目標的輪廓圖，根據輪廓特征進行識別，實驗結果表明，算法可以較準確地提取出懸垂線夾、左轉彎跳線和右轉彎跳線，但是文章列出的五種輪廓走向圖只適用于本實驗室的線路走向。文獻[14]提出了一種同步障礙物識別和距離估計方法，建立多尺度障礙物模型，通過檢測相線確定候選ROI，然后將相同尺度的障礙物模型和ROI進行FAST和SURF特征匹配，實驗結果表明，算法可以有效地識別出線路中的間隔棒。文獻[15]提出基于粒子群優(yōu)化的小波神經網絡障礙物識別方法，用粒子群算法取代傳統(tǒng)的梯度下降法，并改進了權重因子，實驗結果表明，算法可以有效地識別出防震錘、懸垂線夾和耐張線夾，但是算法主要是為了解決傳統(tǒng)神經網絡的輸出誤差，并沒有解決小目標障礙物的提取問題。文獻[16]基于幀差圖像和閾值圖像提取出了運動目標，實驗結果表明，算法能比較準確地提取出目標ROI，但是文中并沒有提出針對單幅圖像的處理方法。

由上可知，現有研究仍存在以下問題：目標檢測準確率較低；抗干擾能力弱，難以適應復雜的環(huán)境變化；部分研究采用的數據集中目標幾乎占據整幅圖像，沒有考慮小目標識別問題。

為此，本文提出了一種基于最近鄰加權灰度均值算法的高壓線目標檢測算法，實現目標ROI的精確提取，依據機器學習實現分類，可準確地識別出線路障礙物。

1 最近鄰加權灰度均值算法原理

最近鄰加權灰度均值算法原理如圖1所示。以某一目標為例，定義了3種ROI類型，分別為標準ROI(sROI)、非標準ROI(nsROI)和非ROI(nROI)。令：

(1)

式中：D表示ROI；p(i,j)為(i,j)處的像素值；S定義為ROI的面積，可用ROI內部包含的像素總數表示；g視為窗口內的灰度均值。顯然，在sROI內求g值，與在nROI中相比，g值相差較大，表明sROI和nROI能很好地區(qū)分；而在sROI與nsROI內求g值，數值相差較小，兩者不能很好地區(qū)分，但是，隨著nsROI向sROI的靠近，兩者g值相差會越來越小，直至相等。算法的主要思想就是在獲知sROI的基礎上，在所有nsROI中找到一個與sROI的g值最接近的，即視為ROI的提取結果。

一般在拍攝角度固定的情況下，對于同一目標，ROI內的g值是比較穩(wěn)定的。但是，高壓巡檢機器人作業(yè)環(huán)境中存在的光照、鏡頭抖動等干擾因素會對g值產生一定的影響。為了保證g值的穩(wěn)定性，本文對圖像進行不同方式的預處理，將所獲得的不同圖像的加權平均g值作為ROI內的g值，從而提高本算法的抗干擾性。

據此，本文首先對目標ROI進行人工標注，獲得標準圖中待識別目標sROI所對應的g值，當作窗口的篩選依據，然后在待測圖中，通過窗口的滑動，求取每個窗口的g值，并與sROI內的g值進行比較，取差值最小所對應的窗口區(qū)域作為ROI的提取結果。

2 檢測流程

2.1 總 述

整個檢測流程分為四步：(1) 由訓練集生成窗口的篩選依據；(2) 根據篩選依據對測試集進行目標ROI的提取；(3) 對ROI提取結果進行精細調整；(4) 用獲得的ROI進行特征提取和分類器訓練，從而完成目標ROI的分類。具體流程如圖2所示。其中：w、h、x、y分別表示待測圖中窗口的寬度、高度、橫坐標、縱坐標；W、H、Y分別表示標準圖標準ROI的寬度、高度、縱坐標，且坐標原點選擇圖像左上角；ea、ta、ha、la、ls分別表示待測圖中待檢ROI內的邊緣圖灰度均值、閾值圖灰度均值、直方圖均衡圖灰度均值、邏輯圖灰度均值和邏輯圖灰度總值；Ea、Ta、Ha、La、Ls分別表示標準圖中標準ROI內的邊緣圖灰度均值、閾值圖灰度均值、直方圖均衡圖灰度均值、邏輯圖灰度均值和邏輯圖灰度總值。

(1) 基于曲線擬合獲取窗口篩選依據。在訓練集圖像中，人工標注出目標sROI，并映射到邊緣圖、直方圖均衡圖、閾值圖和邏輯圖中，分別計算sROI內的W、H、Y、Ea、Ta、Ha、La、Ls的值，以w為自變量，將各值擬合成關于w的多項式函數，并與相線中軸線定位得到的x坐標合并，綜合成篩選依據。

(2) 基于最近鄰加權灰度均值進行ROI提取。對測試集圖像進行同樣的預處理，根據獲得的篩選依據遍歷所有的w，篩選出若干滿足篩選依據的候選ROI，并求出所有候選ROI與sROI的加權灰度均值距離，距離最小值所對應的窗口，即視為ROI的提取結果。

(3) 基于相線直徑匹配進行ROI調整。將目標當作相線的一部分，在上下邊界的特定范圍內，檢測每行相線直徑與標準直徑的差值是否在允許的范圍內，在所有差值超過范圍的行中，取行號最小的當作新的上邊界，取行號最大的當作新的下邊界，依據曲線擬合結果h(w)，對左右邊界以相線中軸線為基準進行調整，獲得最終的精確ROI。

(4) ROI分類。對獲得的目標ROI進行HOG、GLCM和LBP特征提取，并分別訓練RT、SVM和ANN分類器，實現分類。

2.2 圖像預處理

預處理的目的是獲得穩(wěn)定的圖像，盡量降低光照不均、曝光不均和鏡頭抖動等因素的影響，并且盡可能擴大目標與背景的灰度差值，使ROI內的g值足夠穩(wěn)定。訓練集與測試集要進行完全一樣的預處理，以保證訓練集獲取的篩選依據可以應用到測試集中。為了提高算法對ROI的提取精度，本文通過預處理得到四種圖像，分別為邊緣圖(E)、閾值圖(T)、直方圖均衡圖(H)和邏輯圖(L)，其中邏輯圖由本文首次提出，相對于閾值圖和直方圖均衡圖，其抗干擾能力更強。

對于邊緣圖的獲取，本文選擇了Canny邊緣檢測，其中高閾值取80，低閾值取20，大的高閾值可以保證只檢測到特別明顯的邊緣，小的低閾值是為了讓所有不明顯的邊緣都等可能地連接到主干上去。

對于閾值圖的獲取，本文采用了自適應閾值，閾值窗口的大小是隨搜索窗口大小的變化而變化的，并且閾值化之后，又進行了形態(tài)學開運算，核的大小也隨窗口大小的變化而變化。

對于直方圖均衡圖的獲取，本文首先進行Gamma校正，然后基于亮度均衡進行光照補償[17]，最后進行形態(tài)學開運算，參數選擇與閾值化時的形態(tài)學類似，采用自適應參數。

對于邏輯圖的獲取，本文通過對閾值圖和直方圖均衡圖對應像素求邏輯。這樣可以保證目標輪廓以內的主體部分像素值不易受光照影響，且始終穩(wěn)定為0；而目標輪廓以外且靠近輪廓的部分不會像閾值圖一樣存在0到255的突變，因此邏輯圖的穩(wěn)定性最強。

2.3 基于曲線擬合獲取篩選依據

篩選依據由搜索窗口和篩選條件兩部分組成，其中搜索窗口是指一系列尺寸和位置不同的窗口，在測試集圖片上進行滑動，篩選條件用于判斷每一搜索窗口是否為候選ROI。兩者都是在訓練集圖片上經過訓練得到。

1) 搜索窗口。搜索窗口包括窗口位置和窗口尺寸，窗口位置用左上頂點坐標(x,y)表示，窗口尺寸用寬度和高度(w,h)表示。為了減少搜索窗口的數量，本文將窗口位置和窗口尺寸聯(lián)系起來，即窗口位置(x,y)與窗口尺寸(w,h)一一對應，每一搜索窗口位置都有獨一無二的搜索窗口尺寸，特定尺寸的搜索窗口只會在對應位置進行搜索，可極大地提高搜索速度。

搜索窗口的4個參數(x，y，w，h)，除x坐標外，都是通過多項式函數曲線擬合獲得，擬合的通式如下：

f(x)=anxn+an-1xn-1+…+a1x+a0

(2)

擬合函數以w為自變量，范圍為wmin～wmax且為整數。擬合所需數據是通過計算每一訓練集圖片中目標sROI內的W、H、Y的值獲得。擬合函數結果可表示為：

(3)

對于窗口x坐標的確定，考慮到鏡頭安裝(斜向上)和機器人移動方式(沿相線)，鏡頭視野中的相線縱穿圖像，所有障礙目標位于相線上，因此窗口x坐標可由相線中軸線x坐標與窗口寬度w計算得到。其中窗口寬度w已通過曲線擬合獲得，故只需確定相線中軸線x坐標。本文對于相線中軸線x坐標的確定采用圖像投影的方式，具體如下：

(1) 對預處理結果中的閾值圖做垂直投影，獲得投影圖；(2) 在投影圖上的220行到480行之間的區(qū)域，記錄每一行最左端的黑色像素和最右端的黑色像素的x坐標值，并求平均；(3) 對所有行的平均再求均值，即可獲得相線中軸線的x坐標。相線中軸線檢測結果如圖3所示。

搜索窗口的搜索過程可具體表述為：

(1) 對于wmin～wmax范圍內的某一窗口寬度w，根據式(3)計算搜索窗口的高度h和左上頂點的y坐標；(2) 定位出相線中軸線，并根據寬度w計算出窗口左上頂點的x坐標；(3) 將得到的w、h、x、y組成一個完整的搜索窗口，進行搜索；(4) 遍歷所有w即可獲得所有的搜索窗口。

由于w數量有限，每一個w只對應一個搜索窗口，因此搜索速度快。考慮到搜索窗口的位置精度，給窗口位置(x,y)稍許波動，即每一窗口尺寸(w,h)在與其對應的窗口位置(x,y)附近的鄰域內進行搜索。

2) 篩選條件。篩選條件的作用是從所有的搜索窗口中篩選出sROI或與sROI比較接近的若干候選ROI。根據前面的原理介紹，要想達到篩選效果，必須同時獲得標準圖和待測圖的對應g值，然后將它們進行比較。篩選條件構造的具體過程如下：

(1) 對訓練集進行預處理，分別獲得E、T、H和L圖；(2) 人工在訓練集圖像中標注出目標的sROI，在sROI內分別計算W、Ea、Ta、Ha、La、Ls的值；(3) 以w為自變量，通過多項式函數曲線擬合，分別獲得Ea、Ta、Ha、La、Ls關于w的多項式函數：

(4)

(4) 對于測試集中的圖像，在每一搜索窗口內，用同樣的方式計算出搜索窗口的各g值，并規(guī)定如下的篩選條件：

(5)

式中：pE(i,j)、pT(i,j)、pH(i,j)、pL(i,j)分別表示4幅預處理圖像中(i，j)處的像素值；D為搜索窗口；w為窗口寬度；h為窗口高度；δ1、δ2、δ3、δ4、δ為各差值的允許波動范圍，也是關于w的函數，具體值由實驗獲得。

2.4 基于最近鄰加權灰度均值進行ROI提取

式(5)篩選出的候選ROI一般會在目標sROI附近波動，并且數量大于1，因此需要設法從所有候選ROI中獲得一個最佳ROI。令：

p=w1p1+w2p2+w3p3

(6)

其中：

(7)

式中：p1、p2和p3表示測試集和訓練集對應窗口內三種g值的偏差大小，即灰度均值距離。(p1,p2,p3)乘以對應的權重系數(w1,w2,w3)，得到p，即可視為加權灰度均值距離。

在權重大小的選擇上，由2.2節(jié)的圖像預處理論述可知，邏輯圖的魯棒性最大，閾值圖次之，直方圖均衡圖最小，故得出權重的大小關系為w3>w1>w2，具體數字由實驗獲得。

對于每個候選ROI，p值越小表示與訓練集sROI的加權灰度均值距離越小。因此只需在所有式(5)篩選出的候選ROI內，根據式(6)及式(7)計算出各ROI的p值，然后挑選出最小p值所對應的ROI，即為目標ROI的初步提取結果。

2.5 基于相線直徑匹配進行ROI調整

以上獲得的ROI并不能保證恰好為目標的sROI，而是有更大的可能會在sROI附近波動，需要進一步調整，以提高精度。

由于左右邊界是根據相線中軸線定位得到的，比較穩(wěn)定，因此調整的對象主要集中在ROI的上下界。在新的上下界確定之后，根據w和h的擬合函數關系計算出w值，即可求得左右界的位置。其中，上界的具體調整步驟如下：

步驟一確定初始ROI上界的波動大小，即判斷其是僅在目標上界附近波動，還是在目標上界下方H/2附近波動。若僅在上界附近波動，則只需在原ROI上界所在行上下各H/2的范圍內進行調整；若在目標上界下方H/2處波動，則需在原ROI上界所在行到向上H的范圍進行調整。

步驟二在步驟一確定的調整區(qū)域內，由下到上，檢測圖像每一行是否僅穿過相線。僅穿過相線代表本行不存在目標，否則代表存在目標。在所有存在目標的行里面選擇行號最小的作為新的上邊界。對于如何判斷每一行是否僅穿過相線，采取的步驟如下：

(1) 求無目標圖像的相線直徑d。注意到圖像中相線的直徑大小是隨行號變化的，相線在圖像中具有兩個近似直線的邊緣，定位這兩條直線邊緣，然后求它們與特定水平線的交點，兩交點x坐標之差的絕對值即為此水平線所在行對應的相線直徑(單位是像素)。由于在每幅圖像中，相線幾乎不發(fā)生變化，因此一幅圖像的結果可推廣到其他所有圖像。相線兩直線邊緣的定位方式采用霍夫變換[18]，定位結果如圖4所示。

圖4 Hough變換相線邊緣檢測

OpenCV中Hough變換得到的是直線的極坐標參數ρ和θ，為了計算方便，轉換為直角坐標。根據極坐標和直角坐標的關系，得到對應直角坐標中直線的斜率和截距為：

(8)

b=ρsinθ-ρkcosθ

(9)

設相線兩邊緣的直線方程為：

y1=k1x1+b1

(10)

y2=k2x2+b2

(11)

對于圖中的每一行，令：

y=row

(12)

聯(lián)立式(10)-式(12)得到相線直徑d為：

(13)

(2) 求當前測試集圖像對應的二值圖像中每一行穿過的黑色像素數量之和s。為了降低圖像中除相線與待識別目標以外像素的影響，s的計算范圍規(guī)定在以相線中軸線為中心的4d長度的線段內。

(3) 對于每一行，將步驟(1)求出的參數d和步驟(2)求出的參數s做差。若兩者之差在允許的范圍內(實驗中取12 pixels)，則可認為當前行僅穿過相線，并無其他目標；反之，若s遠大于d，那么當前行除了穿過相線之外，還穿過其他目標。

下界調整的原理與上界相同，只是在步驟二中相應地取行號最小值當作新ROI的下界。

在所有邊界調整完成之后，為了再次保證目標全部包含于ROI內，將ROI的上下左右四個邊界又向外擴大了若干像素。

2.6 ROI分類

對于ROI分類，本文將3種特征與3種分類器進行了組合，獲得了一種適用于不同障礙物特征與分類器的最佳方案。

提取的3種特征分別為梯度方向直方圖(HOG)、灰度共生矩陣(GLCM)和局部二進制(LBP)。對于HOG特征，由于提取出的ROI尺寸不統(tǒng)一，所以特征的維數也不確定，而分類器要求輸入維數固定，采取的措施為將尺寸進行微小縮放。對于GLCM特征，維數固定，選擇了32個灰度級，組成1 024維特征向量。對于LBP特征，其處理方式與HOG類似。

訓練的3種分類器分別為人工神經網絡(ANN)、支持向量機(SVM)和隨機森林(RF)。對于ANN，設計了一個4層的網絡，第一層神經元數量與輸入特征維數對應，輸出層含2個神經元，分別對應是目標和不是目標的概率，根據經驗公式，第二層取第一層和輸出層之積的算術平方根，第三層與第二層相同，訓練終止條件為10 000次迭代或者誤差小于0.001；對于SVM，核函數選擇多項式核函數，參數C為1，Gamma為1，訓練終止條件為1 000次迭代或者誤差小于0.01；對于RF，設置樹的最大深度為30，葉子節(jié)點最小數量為20，隨機選擇特征數量，訓練終止條件為1 000次迭代或者誤差小于0.01。

3 實例驗證

高壓巡檢機器人的圖像采集環(huán)境如圖5所示，機器人靠掛在相線上的兩個行走輪沿相線前進。攝像頭放置在機器人頭部，斜向上30度，置于相線正下方，型號為OV7620，采集圖像分辨率為640×480，采集處理器為TMS320DM642 DSP。原始圖像存在畸變，需通過相機標定進行校正[19]，校正前后的效果如圖6所示。

圖5 巡檢機器人工作環(huán)境

(a) 校正前(b) 校正后圖6 圖像校正

實驗中以防震錘為例，進行算法驗證，實驗在PC上進行，主要硬件配置為8 GB內存、i5-7300HQ CPU、GTX1050 GPU，主要軟件配置為Windows 10系統(tǒng)、OpenCV 3.4.1、VS2017、C++語言。

3.1 ROI提取

在ROI提取之前，首先通過曲線擬合方式構造篩選依據，對測試集中的56幅含有防震錘的圖像進行人工標注sROI，進行圖像預處理，如圖7所示。

(a) 邊緣圖 (b) 閾值圖

計算擬合需要的各統(tǒng)計值，并按照式(2)擬合成以w為自變量的多項式函數。定義擬合誤差為：

(14)

式中：N為樣本點總數；每一樣本點用(xi,yi)表示；函數f(x)為擬合結果。

每一個被擬合變量都是從最高次數為1開始進行擬合，最高次數依次遞增。每一次擬合完成之后，根據式(14)計算擬合誤差ε2，直到ε2滿足：

ε2

(15)

式中：E2表示擬合允許誤差，針對不同的擬合變量，取不同的值。計算方式為：

(16)

此時對應的擬合結果為所需結果，它是在所有滿足式(15)的多項式中，最高次數最小的一個。擬合結果如圖8所示，其中白色點集為標準多項式曲線，灰色點集為樣本點。各多項式為：

y(w)=-6.112 2w+552.96

h(w)=0.014 5w2+2.788w-20.610

ea(w)=-0.000 162w3+0.033 44w2-2.465 4w+

74.802

ta(w)=0.506 2w+38.968

ha(w)=-0.013 98w2+2.522 7w+11.09

la(w)=-8.192 7e-5w3+0.007 485w2+0.485 3w+

29.75

ls(w)=449.277w2-16 578w+197 993.6

(a) h(w)(b) y(w)(c) ea(w)(d) ta(w)

(e) ha(w) (f) la(w) (g) ls(w)圖8 曲線擬合

本文選擇了不同日期不同時段拍攝的2 000幅含有防震錘的正樣本和300幅不含有防震錘的負樣本進行了ROI提取實驗。提取結果顯示，對于負樣本，提取器可以保證100%不會提取出ROI；對于正樣本，規(guī)定提取出的上下界誤差絕對值之和不超過H/8為提取成功，結果顯示有1 972幅提取成功，正樣本的提取正確率達到98.6%。

圖9為單幅圖像的ROI提取效果，最里層窗口為初步提取結果，中間窗口為精細調整的結果，最外層窗口為調整后進一步擴大邊界范圍的結果。

3.2 ROI分類

3.1節(jié)提取出的ROI尺寸一般不同，但是分類器輸入特征向量的維數是固定的，那么為了得到相同維數的特征向量，必須通過圖像縮放以統(tǒng)一ROI的尺寸。然而，通過觀察防震錘的提取結果，發(fā)現不同距離采集的圖像，提取出的防震錘不只在尺寸方面有差別，而且形狀也存在差別。這是由于在對目標由遠到近采集的過程中，目標相對于鏡頭的角度發(fā)生了變化，導致采集到的目標隨距離遠近而發(fā)生了形狀改變，如果不加以處理，分類器的識別正確率就有可能受到影響。理想的處理方式為每一個固定距離對應一個特定的分類器，但這樣會導致分類器的數量非常龐大。因此，本文將提取到的防震錘ROI按H的范圍分為4個部分，在每個部分內部統(tǒng)一尺寸，并對應訓練一個分類器，以盡可能地降低這種影響。具體如表1所示，其中N表示未提取出ROI的情況。

分類器訓練集的正樣本來自表1中4個部分的提取結果，共1 972幅；對于負樣本，采用隨機裁剪的方式獲得，具體方式是在3.1節(jié)的300幅不含防震錘的每一幅圖像中，用每一部分對應尺寸的窗口隨機裁剪相線附近區(qū)域，共獲得4 200幅。訓練集正負樣本的具體分布情況見表2。

表2 訓練集樣本分布

用同樣的方式獲得573幅正樣本和50幅負樣本，組成測試集。由3.1節(jié)對ROI提取的實驗可知，對于不包括目標的原始圖像，提取器100%不會提取出ROI。因此在一般情況下，負樣本沒有機會輸入到分類器當中，它們在分類器之前就已經被提取器正確剔除了。此處只統(tǒng)計了正樣本的預測情況，如表3所示。

實驗結果表明：(1) 對于相線上不存在障礙物的情況，算法發(fā)生誤檢的可能性為0；(2) 對于相線上存在障礙物的情況，算法中的提取器對目標的提取正確率為98.60%；(3) 對提取出的ROI進行分類，GLCM特征與ANN分類器的組合可以達到99.83%的召回率；(4) 總的目標檢測正確率約為98.60%×99.83%≈98.43%。

4 結 語

本文提出了一種最近鄰加權灰度均值算法，可精確地從圖像視野中提取出目標ROI；并且對目標ROI進行特征提取及機器學習分類，獲得了一種特征與分類器的最佳組合方案；最后以防震錘為例進行了實例驗證，證明了算法的有效性，可用于指導高壓巡檢機器人進行線路自主巡檢工作。

未來研究將對算法檢測出的目標進行三維重建，并將算法移植到嵌入式微處理器中，對機器人的越障動作進行實時指導。