张强

摘  要：输电线路中的杆塔部件因长期经受自然环境的影响，易产生锈蚀、磨损、自爆等损坏，会对电力系统的稳定运行造成极大威胁。对于杆塔部件背景复杂、目标不易识别且多角度拍摄操作危险性高等情况下，传统的区域分割算法已不能满足需求，故本文提出了基于深度分层背景去除的杆塔区域分割算法，利用双目立体匹配算法构建场景深度分层模型，获取场景各目标的三维层次信息，从而准确去除背景，提取并锁定待检测杆塔区域。

关键词：杆塔区域检测;双目立体匹配算法;深度分层;区域分割

0 引言

近年来，我国电网建设高速发展阶段，为电网巡检带来了更多困难与挑战。利用无人机进行输电线路巡检有望成为一种常态化作业趋势[1]。其中输电线路的杆塔检测尤为关键，对电力系统稳定运行有着重要的影响。然而杆塔部件因长期经受自然环境的影响，易产生锈蚀、磨损、自爆等损坏，为巡检造成极大困难。

为解决杆塔部件检测过程中背景复杂，目标不易识别，且多角度拍摄操作危险性高、效率低等问题，本文提出利用双目立体匹配算法构建场景深度分层模型，获取场景各目标的三维层次信息，从而准确去除背景，提取待检测输电线路杆塔区域。

1 基于场景深度分层模型的背景去除

（1）双目立体匹配算法

首先对原始图像进行2D卷积特征提取操作[2]，利用共享权值的双通道网络分别对左右目图像进行特征提取，保证特征提取的一致。其次使用空间金字塔池化提取层次化上下文信息，利用反卷积操作将四个不同大小的特征图恢复到原来的尺度，再和2D卷积提取的特征图堆叠起来，最终得到包含层次化上下文信息的特征图;然后利用堆叠的方式构建匹配代价容器，在堆叠过程中加入双目立体几何约束。最后，结合双目视觉标定的参数求得真实深度图。

（2）深度图分层

本文采用了扩展的大津法[3]对深度图进行分割，算法假设图像中仅含有前景和背景两类像素点，通过最大化这两类的类间方差以寻找将这两类像素点分割开的最佳阈值。具体的最优分割阈值集合如下公式所示：

通过大律法进行深度分层，需要不同的N值来分割，本文直接利用 之间的所有整数作为输入值对深度图像进行分割，得到一个 张的深度分层合集 ，从中自动选取出合适的深度分层。利用算法自动选取合适深度分层的具体步骤如下：

① 深度图像是灰度图像，灰度值越小距离越远，灰度值越大距离越近，选取深度图中灰度值最小的点集合作为种子点。

② 设深度分层中白色前景像素值为1，黒色背景为0，则遍历深度分层合集 ，从中寻找满足以下条件的深度分层形成候选深度分层合集 ：种子点的坐标信息集合 包含的所有坐标在深度图层中的像素值全为0。

③ 计算候选深度分层合集 中每一分层的背景（像素值为0）和前景（像素值为1）面积之比，按照比例对深度分层进行非递减排序得到序列 。

④ 去除序列 中的面积之比小于1的深度分层，在剩余的深度分层集合中选取序列中中间的一张。

（3）基于平面法向图对深度分层优化

通过利用法向图[4]找到场景中大的平面即背景，进而去除其在深度分层中残余的部分来优化深度分层。具体实现步骤如下：

① 对于深度图中的每一个像素点选取其 的邻域中的两个像素点组成两个向量 和 。计算向量的叉积得到与两者垂直的向量 ，即该点的法向。通过遍历选取所有的邻域像素点与该点构成不同的向量，并计算得到该点的法向，最后取平均值进行平滑，得到最终的法向图。

② 将法向图中灰度值相似的像素点合并成区域，并统计各区域的面积大小，选出面积最大的区域 。

③ 由于物体边缘上深度的急剧变化，地方法向也会急剧变化，所以物体轮廓上会产生一条边界，因而两者之间的连接并不稳固，通过形态学上的开操作消除此类连接，得到新的平面区域 。

④ 将深度分层中属于 的残余部分去除得到新的深度分层，基于深度分层结果对可见光图像进行分割，获得去除背景的目标图像。

2 实验结果与分析

本文采用无人机拍摄的输电线路杆塔区域图像作为实验对象，部分输电线路杆塔区域背景去除效果如图1所示，由结果可以看出，该方法可以准确地完成输电线路杆塔区域的背景去除，可以为无人机输电线路巡检电力配件识别与缺陷检测、异常发热检测等功能标注待处理区域。

3 结论

本文针对杆塔部件检测过程中背景复杂，目标不易识别，且多角度拍摄操作危险性高、效率低等问题，提出利用双目立体匹配算法构建场景深度分层模型，获取场景各目标的三维层次信息，从而准确去除背景，提取待检测输电线路杆塔区域。

参考文献

[1]杨喆，邓超怡. 无人机在特高压输电线路巡检中的应用研究[J].南方能源建设，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. 基于大津法和区域生长法结合的彩色图像分割方法研究[D]. 2016.

[4]肖志光. 基于图和深度分层的前景物体提取研究[D]. 2017.