结合角点的边缘检测法实现输电线路杆塔标牌图像定位

邢晓敏，董 行，林永清，丁志敏，陈 舸

(1.东北电力大学，吉林 吉林 132012；2.江苏和网源电气有限公司，江苏 南通 226400；3.贵州电网有限责任公司凯里供电局，贵州 凯里 556000)

杆塔标牌是检修人员确定工作地点的重要标识，也是接地线工作位置的重要标志，是输电线路中必不可少的元件。通过图像处理手段对标牌内容进行识别并保存，为工作人员确认工作地点的同时，也为管理人员提供实时的数据支撑，具有重要的工程意义。其中，定位是整个过程的关键环节，直接影响识别的准确率和效率。

本文以手持设备获取的杆塔标牌图像为研究对象，杆塔标牌在输电线路中安装位置较高，因此，工作人员采集的图像存在背景因素复杂、冗余像素信息较多、干扰较大、标牌有效区域在图像中占比较小等问题，尤其塔架在图像中所占面积和明显的线条特征，为杆塔标牌的精确定位带来极大负面影响。

传统的图像定位方法主要有灰度积分投影算法[1-2]、基于多特征融合的定位方法[3-4]、基于边缘检测的定位方法[5]。其中，灰度积分投影算法根据图像的投影分布信息对局部图像进行定位，但鲁棒性较差，易受拍摄角度和图像曝光强度的影响，准确率并不理想。多特征融合的方法主要应用于视觉系统的视盘定位，该方法从多角度提取图像的特征向量，提高图像对比度和定位精度，但处理时间较长，处理效率有待提升。基于边缘检测的定位方法在交通系统的车牌定位中较为常见，通过勾勒车牌的边缘轮廓提取图像中车牌所在位置，缺点是漏检率较大，速度不佳。另外，卷积神经网络在图像定位识别领域亦受到广泛关注，但由于其所需样本数量较多，训练时间较长，定位速度较慢[6]，对于杆塔标牌图像并不适用。

综合上述因素，本文提出了结合角点特征的边缘检测方法。对获取的图像进行倾斜矫正处理，获得标准坐标系下的杆塔标牌图像；再检测图像边缘并进行像素灰度值的累计，初步确定标牌行、列的起始位置和终止位置，完成标牌的初步定位。最后结合图像中有效角点特征，计算与初步定位边缘顶点的最小欧几里得距离，进而实现标牌的精确定位。

1 图像预处理

1.1 滤波处理

由于自然环境、背景因素等影响，使获取的图像存在一定噪声，为后续定位识别的准确性带来极大干扰，甚至无法识别，因此，需要进行滤波处理。鉴于获取的标牌图像为RGB形式，因此，将其分为R、G、B三个通道采用3×3的均值滤波器进行分别处理，通过将邻域的均值赋给中心元素达到降低噪声的目的。图1显示了图像降噪的过程，滤波后的图像各分量像素更为均匀,噪声有效减少使得图像更加平滑。

图1 滤波前后对比结果

1.2 倾斜矫正

杆塔标牌图像获取过程中由于拍摄角度的多样性，使得标牌视觉轮廓发生畸变。为使得在标准坐标系下标牌区域呈现矩形的二维图像，本文采用透视变换法对图像进行倾斜矫正。所谓透视变换，即将平面上一点投影到另一个平面中，从而获取所期望的正视图。对二维图像而言，可看做三维图像向二维图像投影的特殊形式[7-9]。

(1)

(2)

设(xi，yi)是原图像中杆塔标牌边缘顶点的初始坐标，其中(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)分别左上、右上、左下、右下点坐标。式中w、h分别表示新坐标系下矩形的宽和高；将w、h、xi、yi带入式(3)方程组求解透视变换的全局变换系数R。

(3)

得到的R是8×1矩阵，将其记为：

R=[abcdefgh]T

(4)

(5)

采用Matlab对获取的杆塔标牌图像按照以上方法进行倾斜矫正，使得标牌区域在二维图像中呈现形状近乎矩形，消除视觉上的远近差异。本文以输电线路110 kV镇坪线117号牌为例进行透视变换处理，最终得到的图像见图2。

图2 倾斜矫正结果

此时的图像可以清晰呈现标牌轮廓，但周围背景区域的干扰依旧存在，需通过定位的手段准确提取感兴趣区域(ROI)。

2 基于边缘检测法的标牌图像初步定位

倾斜矫正处理后的图像背景干扰并未剔除，为后期的输电线路杆塔标牌识别带来极大干扰。本文采用边缘检测法实现杆塔标牌图像的初步定位，去除部分干扰区域，具体过程如下。

a.将预处理后的图像像素尺寸调整为400×200，先后进行二值化、Canny算子边缘检测和形态学闭运算处理。使得前景像素值为1，背景像素值为0。

b.分别横、纵向扫描图像，累计行列像素值。结合图像尺寸，考虑到像素累计和一定小于图像尺寸最大值，且采用手持设备获取图像时习惯性将图像置于中心位置，标牌边框像素和大于横、纵扫描时的字符像素，为确保标牌区域可完整被截取，本文设定的阈值为尺寸值的十分之一，即行、列像素阈值分别为40、20。通过使用较小的阈值获取较大的标牌可能存在空间。

c.在行像素值最大处向两侧扫描，若该行像素值大于阈值，则继续向上或向下扫描，反之，该行为行起始PY1或终止位置PY2。

d.列的起始终止位置PX1、PX2确定与行相同。

根据上述方法，最终可得到边缘检测法初步定位后杆塔标牌图像(见图3)。其中，A、B、C、D分别是由PY1、PY2、PX1、PX2截取图像的边缘顶点。由图3可知，经边缘检测法处理后的杆塔标牌图像，定位结果较为明显，但仍存在些冗余成分，对后续的识别工作产生极大干扰。对于杆塔背景区域应进一步剔除，定位精度有待提高。

图3 图像的初步定位

3 结合角点的边缘检测法实现标牌图像精确定位

3.1 拉东算法提取角点特征

图像中杆塔标牌区域占据空间近似矩形，角点特征明显。通过提取特殊角点与图像初步定位目标范围相结合的方式获取的图像ROI可更为精确。本文采用拉东变换的方法提取边缘检测法定位后杆塔标牌的特殊角点。

拉东变换，对二维图像而言，是通过对平面内不同直线做线性积分得到响应图的过程[10-11]。其函数表达式具有线性、半对称、关于参数θ的周期为2π的性质：

(6)

L={(x,y)∈R2:xcosθ+ysinθ=ρ}

(7)

式中：L为直线的参数表达式；f(x,y)为原图像；Rf为函数f(x,y)的拉东变换响应；δ为冲击函数，体现直线上的点对积分的贡献程度；ρ为原点与直线L的距离；θ为直线L与x轴之间的夹角。

对图3进行拉东变换，亮度极值点(ρ，θ)对应原始空间中的直线ax+by+c=0,该直线在对偶空间中对应的点为(a/c,b/c),其中,a=cosθ,b=sinθ,c=-ρ。原始空间中的公共线对应对偶空间中的公共点，同理，原始空间中线的距离可转换为对偶空间中点的距离，联立原始空间的直线方程得到潜在角点，以该角点为中心建立半径为7的邻域，计算经过该角点的直线在邻域内的有效距离d，若大于设定阈值3且有效直线数目大于等于2，则为有效角点，反之，视为伪角点进行剔除，角点提取结果见图4，标记处即为角点所在位置。

图4 角点检测

由图4可知，检测得到的角点种类繁多，包括X型、Y型、T型、L型、斜T型角点，由于标牌的几何形态为矩形，其顶点位置的角点形态属于L型，角度为90°，因此，图4中大部分为与目标区域无关的无效角点，且主要分布在杆塔背景区域与标牌边缘的连接处和标牌内部字符的拐角位置。因此需要通过角度的估计完成角点的筛选，进一步提取有效角点，过程如下：

a.设角点坐标为(x0,y0)；

b.以角点为中心搜索由附近折线经方差为σ0的高斯函数沿长度卷积所得的边缘线链码，并通过插值获取单位σ1、σ2；

c.采用方差为、的高斯函数分别对角点进行卷积，得到新位置(x1,y1)和(x2,y2)，分别计算(x1,y1)与(x0,y0)的距离l1和(x2,y2)与(x0,y0)的距离l2，本文取σ1=1，σ2=6。其中，l1、l2,有如下关系：

(8)

解得：

(9)

d.根据式(9)计算k值。设角点角度为α，且α∈(0,π)，根据式(10)计算角度α值。

(10)

由于上述方法对角度的计算是估计值，若仅提取α=90°的角点，极有可能发生漏选现象，为避免该情况发生，在提取有效角点过程中，对目标范围进行一定程度的扩大，本文选择的85°≤α≤95°角点作为最终确定的有效角点，并进行标记，见图5。标记处为筛选后角点所在位置。由图5可知，大部分干扰角点得以被去除。

图5 角点筛选结果

3.2 结合角点的边缘检测法的标牌图像精确定位

将经过筛选后的特殊角点所在位置(xi,yi)与图3的图像边缘检测定位顶点A、B、C、D相结合，计算两者的欧几里得距离d，选择与边缘顶点距离最小的4个点所构成的最小有效区域作为标牌的最终精确定位结果，具体过程如下。

a.分别计算角点与A、B、C、D个顶点的欧几里得距离dAi、dBi、dCi、dDi，标注d最小时角点所在位置(xA，yA)、(xB，yB)、(xC，yC)、(xD，yD)，结果见图6a，其中，标记处为角点所在位置。

b.选择xA、xB中较大值为定位图像起始行位置PX1，xC、xD中较小值为终止行位置PX2。

c.选择yA、yC中的较大值为起始列位置PY1，yB、yD中较小值为终止列位置PY2。

d.获取最终由PX1、PX2、PY1、PY2组成范围的精确定位图像，见图6b。

图6 角点检测与精确定位结果

相比图3初步定位结果，与角点相结合的边缘检测定位方法对杆塔标牌图像有效区域的提取更为精确，进一步缩小目标区域的有效范围，干扰像素的排除更为彻底，使得标牌主要内容更为清晰的展现，更适合后续的识别处理。

4 试验验证及结果分析

4.1 光学字符识别(OCR)技术验证

为验证定位精度对字符识别的影响及本文方法的有效性，采用光学字符识别(OCR)技术对定位后的图像进行字符识别，使图像信息转化为文字形式。考虑到标牌底层字符过小，不适于通过识别检验，因此，将图像进行二值化处理，使得背景像素为0，前景像素为1，去除联通区域像素小于100的小字符部分，识别标牌中的线路位置和标牌号码。本文以110 kV镇坪线117号牌为例，试验步骤如下：

a.初步定位处理后的图像经上述处理后，见图7a，保存为文档1.jpg形式进行OCR识别，输出结果见图7b；

b.精确定位的图像经上述处理，见图7c，保存为文档形式2.jpg形式进行OCR识别处理，输出识别结果见图7d。

图7 OCR结果

根据图7OCR技术验证结果可知，采用边缘检测法进行像素灰度值累计，最终确定标牌的行、列起始位置和终止位置，该方法泛化能力较强，但定位结果仍存在些许冗余，边缘区域的干扰像素无法全部剔除，导致识别结果出现多检、误检的情况；将边缘检测定位法与角点特征相结合，在原有方法基础上，通过计算特殊角点与边缘检测定位顶点的最小距离，实现杆塔标牌区域的精确定位，识别显示结果与标牌内容相符，结果较为理想。

4.2 试验对比分析

本文以某公司检修时采用手持设备获取的杆塔标牌图像为试验样本，共2 114张，将其像素尺寸归一化为400×200，将本文方法与传统的的灰度积分投影、多特征融合法分别进行试验，以OCR能否准确识别线路名称和牌号作为评定定位是否精确的指标，最终定位准确率见表1。

表1 采用不同方法的图像定位

由试验结果可知，本文方法相比于传统方法，具有更高的定位准确率，且较改进前的边缘检测法提高10.64%。

5 结论

本文提出了改进边缘检测的图像定位方法。通过将滤波后的图像进行倾斜矫正，而后对边缘检测法进行改进，将之与拉东变换角点检测相结合，进而对图像中的ROI区域进行精确定位，并得到如下结论。

a.本文以110 kV镇坪线117号牌为例，采用本文方法对通过手持设备现场拍摄的杆塔标牌图像进行精确定位，体现了该方法的有效性。

b.通过实验可知，本文方法相对于单独使用边缘检测法对图像精确定位的准确率有所提高，相比于传统经典的灰度积分法和多特征融合法更具优势。

c.针对获取图像像素较低的情况，本文方法的定位效果不佳，后期要进一步研究如何添加有效的模糊化特征，进行模糊图像的精确定位。