赵小鱼+++徐正飞+++付渊

摘 要： 针对在户外条件下进行图像处理的特点，提出一种适合智能变电站巡检机器人的对变电站设备悬挂异物识别的算法。该算法经过国内某500 kV智能变电站巡检机器人实地反复测试，对有异物与无异物的正负样本图像识别率超过95%，对实时巡检具有高精度高鲁棒性，完全满足变电站现场应用的要求。

关键词： 智能变电站； 巡检机器人； 异物检测； 相似匹配

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2015）10?0124?04

0 引 言

变电站往往建设在四周空旷的农村平原地带，且主要设备安置在室外，经常会受到外来“异物”的侵扰，可能会对变电站设备造成安全运行隐患。智能机器人在对变电站设备状态执行巡检工作任务的同时，对变电站设备中有无悬挂异物进行检测，当发现有外来异物悬挂时提供报警等指示标识功能，保障变电站设备的安全运行。随着近几年图像处理算法的飞速发展，基于计算机视觉技术的缺陷、异物检测算法也在不断的提升[1]。对于异物，或者外来物体的检测与跟踪的算法，在视频应用中主要的研究是采用放置固定摄像机，对连续的输入帧进行高斯背景建模，在这其中位置相对固定的“场景”形成背景图像模型，当有外物进入图像中时则被背景模型自动的分割为前景，可对其进行物体分割、跟踪等处理[2]。虽然变电站中的各类型设备都已安置完毕，位置、形态长期固定，为背景模型的算法提供了有利条件。巡检机器人携带的是一台移动式摄像机，穿梭于各个电力设备之间采集待检测设备的图像，但是系统无法支持对每个设备的周边环境进行背景建模，所以这种算法并不适合用于巡检机器人。

相对于视频的动态的背景建模提取前景移动物体的算法，对静态的两幅或多幅图像差异的比较也是行之有效的异物检测的方法，这类算法被称为帧间差分法。这种算法的主要思想是：首先对相对不变的背景环境采集一幅或多幅作为背景模板，当需要检测在此环境中是否有异物时，再实时采集一幅图像与背景模板进行逐一像素或区域的差异计算。当差异的结果充满一定的图像面积时，则认为采集图像与模板不一致，疑似异物出现在采集图像中。这种算法与高斯背景建模的算法进行比较，优势为背景图像生成简单，使用帧间差分计算图像间的差异时计算量少[3?4]。巡检机器人在进行变电站设备工作状态检测时，采用的即是建立模板图像进行比较的方式，但是帧间差分法仍旧不能适用于巡检机器人进行异物的检测。这是因为巡检机器人进行定点设备检测时，虽然停车位置相同，但机器人运动的航向角与云台转动的角度都与拍摄模板图像的位置存在略微差异，在用帧间差分法处理这些误差时会被误认为前景发生了变化，即差异的部分会错误的检测为异物。

智能机器人需要全天候地对变电站的设备进行工作状态巡检，机器人采集的图像也常受到环境的影响，这使得巡检机器人采用背景建模或者帧差法等流行的异物检测算法都受到了约束，必须研发一种有效的适合变电站巡检机器人的异物检测算法。当前变电站巡检机器人对各种设备进行工作状态检测时，采用的是通过采集待检测设备实时图像与设备的模板图像进行配准，在采集图像中标注出待检测设备区域，从而可以对设备状态进行准确的识别。基于这种工作模式，在本文中提出了一种适用于智能变电站巡检机器人的异物检测算法。首先，依照巡检机器人的模板图像采集方式，对易悬挂异物的设备区域或需要严格防止异物侵入的区域进行无异物状态的标准图像采集，建立待检测设备区域的模板图像库。然后，在机器人执行巡检任务时，根据任务指令，在待测设备前的指定位置停车，按照相同设备模板图像的拍摄角度与焦距设置对待检测设备区域采集实时图像。使用SIFT配准算法，提取两幅图像的特征点对，依照特征点对坐标的映射在采集图像中最大范围地裁剪出与模板图像重合的区域。由于光线与天气环境的变化，为了减少光照强度对识别结果的影响，先对模板图像与采集图像进行消除光照、去阴影操作，再对待检测设备框架进行二值化，分割设备与背景，将采集图像与模板图像的重合区域坐标对齐、截取，并进行相同的4×4分块，对分块的子图像以“不变矩”的算法来评价相似性。相似性高的则认为与模板图像匹配，此子区域内无异物出现，相反则判断在此区域内有异物侵入，对待测设备采集图像中有异物的区域进行标注，并警示变电站值岗人员。此算法经过国内某500 kV智能变电站巡检机器人实地反复测试，对有异物与无异物的正负样本图像识别率超过95%，对实时巡检具有高精度高鲁棒性，完全满足变电站现场应用的要求。

1 异物检测识别算法

1.1 利用SIFT算法实现采集图像在模板图像中的定位

尺度不变特征转换（Scale Invariant Feature Transform，SIFT）是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子，并可基于此进行图像特征点匹配[7]。

1.1.1 构建尺度空间

这是一个初始化操作，尺度空间理论的目的是模拟图像数据的多尺度特征。高斯卷积核是实现尺度变换的惟一线性核，于是一幅二维图像的尺度空间定义为：

[G（x，y）=12πσ2e（-（x2+y2）2σ2）] （1）

相邻尺度的图像相减得到一组Difference of Gaussian（DoG）图像[D（x，y，σ）]，以局部极值点确定特征点。假设图像的像素强度表示为[I（x，y）]，高斯卷积图像为：

[D（x，y，mσ）=（G（x，y，kmσ）-G（x，y，km-1σ））*I（x，y）] （2）

式中：[m=1，2，…，s；k=21s]；[D（x，y，mσ）]表示相邻尺度的DoG图像。

1.1.2 生成SIFT特征向量

（1） 为了寻找尺度空间的极值点，每一个采样点要与它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图1所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。一个点如果在DoG尺度空间本层以及上、下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。endprint

图1 DoG图像尺度空间

（2） 通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度），同时去除低对比度的关键点和不稳定的边缘响应点（因为DoG算子会产生较强的边缘响应），以增强匹配稳定性、提高抗噪声能力，在这里使用近似Harris Corner检测器。

（3） 梯度直方图的范围是0°～360°，其中每10°一个柱，总共36个柱。随着距中心点越远的领域其对直方图的贡献也响应减小。实际计算时，在以关键点为中心的邻域窗口内采样，并采用直方图统计邻域像素的梯度方向。梯度直方图的范围是0°～360°，其中每45°一个柱，总共8个柱，或者每10°一个柱，总共36个柱。Lowe论文中还提到要使用高斯函数对直方图进行平滑，减少突变的影响。直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向，使算子具备旋转不变性。

（4） 图2中蓝色的圈代表高斯加权的范围，越靠近关键点的像素梯度方向信息贡献越大。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图2中的右半部分所示。该图中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

图2 特征向量

1.1.3 根据SIFT特征向量进行匹配

通过上述步骤，对于每一个关键点，拥有三个信息：位置、尺度和方向。接下来为每个关键点建立一个描述符，用一组向量将这个关键点描述出来，使其不随各种变化而改变，比如光照变化、视角变化等。这个描述子不但包括关键点，也包含关键点周围对其有贡献的像素点，并且描述符应该有较高的独特性，以便于提高特征点正确匹配的概率。

得到两幅图像的特征点的匹配关系后，两幅图像存在如下变换过程：

[x′y′1=Hxy1] （3）

式中：H为投影变换矩阵；[x′，y′，1T，x，y，1T]分别为特征匹配点在源图像和待匹配图像上的像点坐标。由已知点的坐标，求得H矩阵，通过比较特征点实现待检测图像中设备区域的准确定位。

1.2 图像预处理

变电站的主要大型设备多置于室外，由于照射光线的强弱和周围环境的影响，在采集的设备图像上常常出现金属器件反射太阳光的亮光光斑，周围设备框架遮挡形成的阴影，天空中的云等，这些与模板图像存在差异的部分会比较容易被误识别为异物。所以，在完成采集图像中待检测设备区域的SIFT特征匹配后，要消除光线在设备上的反光与阴影等，降低光线的不同对识别结果的影响。

1.2.1 模板图像、采集图像去除光斑与阴影

为了提取待检测设备上是否悬挂异物，需要对模板图像及采集图像进行关心区域的二值化分割，在二值图像上进行比较可以有效地减少背景内容对识别结果的干扰，首先先采用标准的平均值法将彩色图像转换为灰度图像，用[g]表示灰度化后的灰度值，有：

[g=0.30R+0.59G+0.11B] （4）

在灰度图像中，为了消除采集图像与模板图像匹配时分割出差异的部分降低光照与阴影给图像对比带来的影响，可利用数学形态学“开”操作有效实现，表示为[A?B]，定义为结构元素B对集合A进行开操作：

[A?B=（AΘB）⊕B] （5）

使用“开”操作之后，使光斑产生的亮点消除、阴影部分得以平滑，在图像分割时可以选取合适的二值化算法提取出完整的待检测设备框架。具体步骤为：首先定义大小为 [（2w+1）×（2w+1）]的模板，并以[（x，y）]为中心，[f（x，y）]为该点灰度值，[T（x，y）]为该点二值化阈值，依据式（6）计算像素的阈值，按照式（7）对该像素进行二值化分类：

[T（x，y）=1（2w+1）2k=-wwl=-wwf（x+k，y+l）] （6）

[I（x，y）=1，f（x，y）≥T0，f（x，y）

式中[I（x，y）]为二值化后各个像素的图像强度。

1.2.2 二值化图像的匹配

将相同设备区域的模板图像与采集图像进行前景设备的二值分割后，消除了光照与背景的影响，相同的设备结构并未产生变化，仅仅由于图像预处理的作用使两幅图像中设备结构的“粗细”略微不同，使得两幅图像的相同区域具备了可比性，使用改进的“不变矩”的算法可以对两幅图像中设备结构的相似度进行评价。这一算法的优点在于，通过计算图像的像素点的关系可以得到多个不变矩，而图像的旋转与尺寸的变化对不变矩的影响不大。

“不变矩”算法的计算规则如下：

在连续情况下，图像函数为[f（x，y）]，那么有：

（1） 标准矩（[p+q] 阶几何矩）

其定义为：

[mpq=-∞∞-∞∞xpyqf（x，y）dxdy， p，q=0，1，2，…]

（2）[p+q] 阶中心矩

其定义为：

[μpq=-∞∞-∞∞（x-x）p（y-y）qf（x，y）dxdy， p，q=0，1，2，…] 式中 [x] 和 [y] 代表图像的重心，[x=m10m00，y=m10m00]。那么如果是数字图像的话，则需要使用其离散形式，采用求和号代替积分：

标准矩：

[mpq=y=1Nx=1Mxpyqf（x，y），p，q=0，1，2，…]

中心矩：

[μpq=y=1Nx=1M（x-x）p（y-y）qf（x，y），p，q=0，1，2…]

式中[N]和[M]分别是图像的高度和宽度。

（3） 归一化的中心矩

其定义为：[ηpq=μpqμρ00]；其中[ρ=（p+q）2+1]，利用二阶和三阶归一化中心矩构造了7个不变矩[M1～M7]：

[M1=η20+η02；M2=（η20-η02）2+4η211；] [M3=（η30-3η12）2+（3η21-η03）2；][M4=（η30+η12）2+（η21+η03）2]

[M5=（η30-3η12）（η30+η12）（（η30+η12）2-3（η21+η03）2）+ （3η21-η03）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

[M6=（η20-η02）（（η30+η12）2-（η21+η03）2）+ 4η11（η30+η12）（η21+η03）]

[M7=（3η21-η03）（η30+η12）（（η30+η12）2-3（η21+η03）2）- （η30-3η12）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

以A，B分别表示模板图像与待比较的采集图像，则利用以上7个不变矩的比较结果为：

[I（A，B）=i=171mAi-1mBi]

式中：[mAi=sign（MAi）?log2（MAi）]；[mBi=sign（MBi）?log2（MBi）]。当 [I（A，B）] 的值越小时，表示A与B的图像相似度越高。这7个不变矩构成一组特征向量。不变矩算法一般用来识别图像中大的物体，对于物体的形状描述得比较好，图像纹理特征不能太复杂，像识别水果的形状，或者对于车牌中的简单字符的识别效果良好。

这一算法的优点是计算速度快并且具有旋转、缩放和平移不变性，非常适合移动式机器人的工作环境，如：对各个设备的拍摄角度与模板图像拍摄时略有不同，这并不影响采集图像与模板图像相似性的判断。

1.3 异物识别结果的优化

如今在全国多个变电站投入运行的智能巡检机器人所携带的可见光摄像机拍摄的图像尺寸为[704×576]像素，由于像风筝、塑料袋这种较小的异物，在摄像机低焦距远距离拍摄时，异物所占的图像比例很小，通过整幅图像计算与模板的相似度时，当前低分辨率的图像输入设备大大限制了异物识别的精确度。

为了在不增加更换硬件成本的前提下提高异物识别的准确率，在将采集图像与模板图像二值化处理后，可先根据图像中设备结构的分布特点进行4×4 或6×6分块，再采用“不变矩”的匹配算法把采集图像中的分块子图像与模板对应的块进行相似度比较。如此一来异物在所在子图像中所占的比例较整幅图像便成倍增加，提高了异物识别的准确度，并且在得出的结果中还可以根据异物所在子图像的位置标出大致区域，以供值岗的工作人员进行鉴定参考。

2 现场应用

某500 kV智能变电站是目前国内首次采用智能巡检机器人自动识别的示范站，实现了智能机器人代替人工进行变电站设备巡检、状态识别的任务。

3 结 语

通过对巡检机器人在户外条件下采集的巡检图像进行大量测试，证实了本文所提算法的鲁棒性。以SIFT算法进行特征配准，在巡检采集图像中标定与模板图像相重叠的区域，而后对图像进行灰度化及开操作预处理后可以有效地对各种不同光照条件的图像进行二值化分割。采用改进的分块不变矩检测算法提高了对低分辨率图像中异物的识别能力，并且具有很高的准确性，进而可以保证变电站监控平台及时地获得异物所在位置。并且通过大量巡检机器人的巡检图片验证，在此图像处理算法下，对异物率在95%以上，完全满足智能变电站异物自动检测识别的要求。

参考文献

[1] LOWE D. Distance image feature from scale?invariant key points [J]. International Journal of Computer Vision， 2004， 60（2）： 91?100.

[2] 邓亚丽，毋立芳，李云腾.一种有效的图像阴影自动去除算法[J].信号处理，2011，27（11）：1724?1728.

[3] 汪海洋，潘德炉，夏德深.二维Otus自适应阈值选取算法的快速实现[J].自动化学报，2007，33（9）：968?971.

[4] ZHANG Deng?sheng， LU Guo?jun. Review of shape representation and description techniques [J]. Pattern Recognition， 2004， 37（1）： 1?19.

[5] 李建勋，童中翔，刘彦，等.单幅图像阴影去除法[J].哈尔滨工程大学学报，2013（5）：628?635.

[6] 高俊钗，韩冰.基于序列图像的阴影检测研究[J].现代电子技术，2011，34（18）：43?45.endprint