基于压缩感知的多尺度绝缘子跟踪算法

安　宁， 闫　斌， 熊　杰

(电子科技大学 自动化工程学院，四川 成都 611731)



基于压缩感知的多尺度绝缘子跟踪算法

安宁， 闫斌， 熊杰

(电子科技大学 自动化工程学院，四川 成都 611731)

摘要:针对多旋翼无人机(UAV)在电力巡检中的绝缘子跟踪问题，提出一种尺度自适应的绝缘子跟踪算法，采用稀疏投影的方式对原始图像特征进行降维，使用朴素贝叶斯分类器进行二分类，改进传统压缩感知(CS)跟踪搜索框固定问题，利用绝缘子的Lab空间特性进行分割，根据分割结果中绝缘子有效像素所占比例来改变搜索框的尺度，实现跟踪中的尺度自适应。实验结果表明:该算法能够在实验室和野外环境下自适应绝缘子尺度变化，对未来电力巡检智能化具有重大意义。

关键词：压缩感知； 投影矩阵； 多尺度； 绝缘子； 跟踪

0引言

绝缘子[1]是输电线路的重要部分，它是整个输电线路安全运行的基础[2]。传统的绝缘子巡检主要依靠人力，这种巡检方式不仅效率低，而且安全隐患非常大。近年来，随着无人机(UAV)技术的不断发展，无人机参与电力巡检已经在全国多地展开[3]。但是，无人机巡检的目的是要对绝缘子进行拍照或者利用绝缘子进行测距，这就要求无人机能够准确跟踪绝缘子。

为此，本文提出一种基于压缩感知(CS)的尺度自适应的绝缘子跟踪算法。该算法使用绝缘子在Lab空间中表现出的颜色特性，对图像进行局部分割，根据分割后目标框内绝缘子的有效像素所占比例来改变搜索框的尺度。采用稀疏投影的方式对原始图像特征进行降维，跟踪的过程使用朴素贝叶斯分类器转化为一个二分类问题。实验结果表明:该算法能够在实验室和野外环境下自适应绝缘子尺度变化，对未来电力巡检智能化具有重大意义。

1压缩感知跟踪

目前大多数跟踪算法在提高精度的时候，实时性得不到有效保证。Zhang K等人在文献[4]中提出了一种基于压缩感知的实时跟踪算法，算法将图像特征进行稀疏投影，大大降低了特征维度，但是并没有丢失原始图像的大部分有效信息。压缩感知跟踪算法跟踪准确率高，算法实时性高，具有很大的应用前景。

1.1随机投影

在压缩感知的理论[5]中，如果要将高维信号x∈Rm投影到低维空间v∈Rn(m≫n)上，可以使用一个m×n的随机投影矩阵Φ，即

v=Φx.

(1)

可以从观测信号v高精度重建信号x的充要条件是测量矩阵满足限制等距条件(restricted isometry property，RIP)[6]。文献[7]指出，随机投影矩阵只要满足JL(Johnson-Iindenstrauss)推论，就相当于满足RIP。压缩感知跟踪所使用的随机投影矩阵形式如下：

(2)

式中p为矩阵元素取值的概率，Achlioptas D[8]证明了此矩阵满足JL推论。在这里s=m/4，其中，m为原始特征的维数，一般在106～1010之间。很明显，此时随机矩阵的大部分元素都是0，所以，计算量很小。

文章采用类似Haar的像素灰度差异特征，使用积分图进行计算。图1是高维特征向量x经过投影矩阵Φ被压缩为低维向量v的示意图，矩阵Φ中黑色、灰色和白色的方块分别代表矩阵中的正、负和零元素输入。绿色的箭头表示矩阵中的一个非零元素对x进行感知，相当于一个矩形滤波器对图像进行卷积。

图1　向量压缩示意图Fig 1　Vector compression

1.2分类器的构建和更新

算法采用朴素贝叶斯分类器对压缩的样本特征进行分类。分类器的数学模型如下

(3)

其中,y=0,或者y=1，分别表示正、负样本，而且假设先验概率p(y=1)=p(y=0)。Diaconis和Freedman证实，高维随机向量的投影几乎总是符合高斯分布[9]，所以,有

(4)

为了保证跟踪的准确性，在跟踪的过程中需要对分类器参数进行更新，更新方式如下

(5)

其中，λ>0是一个学习参数，并且有

(6)

1.3算法的流程

压缩跟踪算法在最开始假定目标的位置和尺度已知，对于第t帧图像，算法流程如下：

1) 在第t-1帧的目标位置周围选取一部分图像集合，并且提取特征映射低维空间。

2) 将低维空间的特征向量使用分类器分类，得分最高的特征作为当前目标位置。

3) 分别在当前目标周围和当前目标较远处选取一定的图像集合,并进行特征提取，压缩分类用来更新分类器参数。

2多尺度的绝缘子压缩感知跟踪

压缩感知算法由于实时性高、跟踪效果好，可以应用于无人机电力巡检对绝缘子的跟踪中。但是，原始的压缩感知算法目标框尺度固定，当目标尺度发生变化的时候，会导致分类器学习了错误的样本，随着时间的增加，导致跟踪失败。本文提出了一种尺度自适应的绝缘子跟踪算法，主要工作如下：

1)对目标框的图像进行分割，计算绝缘子有效像素所占跟踪框的比例，一旦不在阈值范围之内，根据当前比例改进搜索框尺度；

2)尺度改变后，随机投影矩阵将不能适应目前的尺度，本文进行了改进；

3)将改进后的算法分别在实验室环境和野外环境进行测试，测试效果表明算法对绝缘子的尺度变化具有很好的自适应性。

2.1绝缘子分割

目前大部分高压输电线路都是采用钢化玻璃绝缘子，绝缘子具有很强的颜色特征，在Lab空间的a通道处于很低的取值，为了排除亮度干扰并且考虑其颜色特征，本文算法在Lab颜色空间的a通道对绝缘子进行分割。

图2左侧是原始图像，图2右侧是经过一系列处理后的图像。处理过程主要包括如下几步：高斯滤波、颜色空间转换为Lab,a通道图像OTSU分割、形态学处理。

图2　绝缘子分割示意图Fig 2　Insulator segmentation

实际上，为了提高算法的实时性，只需要对目标当前所在位置周围图像进行分割。

2.2目标尺寸变化策略

感兴趣区域分割结束后，求出有效像素所占目标框的比例，将这个比例值和比例阈值对比。如果比例的变化超出了阈值范围，认为目标尺度已经发生变化。此时，按照变化的系数(假设为K)对目标框尺度进行改变。

假设原始目标框的长和宽分别为l和w，顶点坐标为(x0,y0)，那么,中心点坐标为(x0+l/2,y0+w/2)，则变化后的目标框如图3所示。

图3为通过上图，计算出新的目标框的顶点坐标(x0+(l-Kl)/2,y0+(w-Kw)/2)，此时就可以更新目标框的参数。

图3　目标框变化示意图Fig 3　Target frame changes

如上述，在更新目标框的时候需要首先确定一个判定更新条件的阈值，阈值的选取对于目标框尺度变化是否准确有着直接影响，在本文中，阈值的选取方式如下：

选取视频的前10帧作为阈值判断的基础，统计每一帧的绝缘子有效像素比，对前10帧的有效像素比求一个均值作为尺度变化的判断阈值，过程如图4所示。

图4　阈值的选取Fig 4　Selection of threshold

2.3投影矩阵的改进

在传统的压缩感知跟踪中，目标的尺度不会变化，所以,随机投影矩阵也只是在程序刚开始的时候被计算一次，并且在整个跟踪过程中保持不变。

算法中由于目标框的尺度发生了变化，随之而来的就是高维特征的维数发生了变化，那么，此时如果再使用固定的随机投影矩阵就不能适应特征维数的变化。所以，提出了投影矩阵变化策略如下：

根据前面得到的尺度变化系数 ，按比例调整投影矩阵的行、列、长、宽即可，投影矩阵变化如图5所示。

图5　投影矩阵变化示意图Fig 5　Projection matrix changes

由于投影矩阵实际上是非常稀疏的，而且只需要计算非零元素，虽然投影矩阵在不断的变化，但是它所带来的计算量的增大并不是很多。所以，算法的实时性并没有降低。算法的流程是以如图6所示。

图6　算法流程示意图Fig 6　Algorithm flow chart

3实验结果与分析

本文选取实验室和野外实际环境下，模拟无人机进行电力巡检过程的视频作为测试样本，实验环境为4GB内存、2.4GHz,Windows7的电脑，采用VS2012,OPENCV作为平台，使用C/C++语言开发。跟踪测试结果如图7。

图7　跟踪测试结果Fig 7　Tracking test results

测试序列1和2属于实验室环境，测试序列3和4属于野外输电线路铁塔环境，测试序列1,3,4模拟无人机不断靠近绝缘子的情况，测试序列2模拟无人机远离绝缘子的情况。从实验结果可以看出:本文提出的算法在无人机靠近绝缘子的情况下，目标框随之变大，在远离绝缘子的情况下，目标框随之变小，算法具有很好的尺度自适应性。

从测试3的开始帧可以看出:目标框的尺度比实际的偏大。分析可知，整个算法依赖于绝缘子的分割，而当绝缘子尺度变化的时候，分割的效果可能不一样，所以,阈值的选取呈非线性。而本文所选取的阈值是固定的，今后的研究可以针对阈值自适应和复杂环境进行。

4结束语

本文提出了一种适用于无人机输电线路巡检的绝缘子跟踪算法。该算法能够自适应绝缘子尺度变化，对未来电力巡检实现智能化、科学化具有重要意义，应用前景广阔。但是可以看到，绝缘子的分割和阈值的选取对本算法非常重要，阈值选取不合适，会导致跟踪效果不佳，进一步深入的研究可针对复杂环境进行。

参考文献:

[1]吴光亚.我国绝缘子的发展现状及应考虑的问题[J].电瓷避雷器,2010,19 (5):7-11.

[2]曹婧.航拍输电线路图像中绝缘子部件的提取[D].大连:大连海事大学,2012:10-13.

[3]汤明文,戴礼豪,林朝辉,等.无人机在电力线路巡视中的应用[J].中国电力,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

中图分类号：TP 391.4

文献标识码：A

文章编号：1000—9787(2016)03—0140—04

作者简介:

安宁(1989- )，男，陕西汉中人，硕士研究生，研究方向为图像处理、视频跟踪。