基于Harr特征的快速输电线识别

胡玮骏，张 明

（1.武汉大学 动力与机械学院， 湖北 武汉 430072）

基于Harr特征的快速输电线识别

胡玮骏1，张 明1

（1.武汉大学 动力与机械学院， 湖北 武汉 430072）

野外采集的输电线图像边缘模糊，对比度差，空间域上存在随机分布的点和小块噪声。采用中值滤波方法，在不丢失图像边缘细节信息的前提下，用分段线性变换增强了图像边缘的对比度，提高了图像的亮度分辨力和空间分辨力。采用基于统计的Adaboost算法和Harr特征，完成了图像中符合地线特征的所有子区域的定位，并对离散的子区域集进行最小二乘法拟合，最终确定地线的实际位姿。以一组地线的手眼视觉图像为应用实例，验证了图像预处理及目标检测方法的有效性。

Adaboost；目标检测；Harr特征

输电线检测[1]是指利用计算机从高压输电线巡线过程中拍摄到的照片中自动找到输电线区域的过程。输电线图像的拍摄是在伴随有振动、雨雾天气影响等恶劣条件下完成的，往往存在较大程度的形变。采用总体泛化性强的基于统计的方法能较好地解决输电线特征形变的问题。近年来出现的 Adaboost算法[2]是第一个实时的目标检测算法，从根本上解决了检测的速度问题，同时具有较好的识别效果。

1 Adaboost目标检测的基本原理

1.1 Harr型特征介绍

Harr型特征[3]是一种矩形特征，定义为黑色矩形和白色矩形各自在图像子窗口中对应区域的灰度值总和之差，反映了图像局部的灰度变化。

矩形特征和其他类型的滤波器如方向可控的边缘滤波器比起来不如他们精细。如图1所示，和方向可控滤波器不同，矩形特征可用的位姿只有垂直、水平还有倾斜。和积分图像相结合，矩形特征集的高效性很大程度上弥补了其有限的适应性。

图 1 Harr型特征示例

矩形特征的特征值能够通过一种原图像间接的表示方法计算出来，称之为积分图[4]。积分图在x、y位置的值包含了x、y左方及上方所有像素点值之和：

式中，ii（x，y）表示积分图像；i（x'，y'）表示原图像；ii（x，y）可用式（2）、式（3）迭代计算。

式中，s（x，y）表示一列的积分，且s（x，-1）=0，ii（-1，y）= 0。一幅积分图像，只需遍历一次原图像。图2b所示图像矩形窗口D的像素灰度值之和可以用积分图像中相应的1～4共4个点计算出来，即窗口D的像素灰度值之和为4+1-（2+3）。

图 2 积分图像及其用法示意

1.2 Adaboost算法

Adaboost算法[4]是在Boosting算法基础上发展而来的。对一组样本集，只要检测率比随机分类（检测率为50%）稍好就称之为弱分类器。通过统计学习算法，将弱分类器赋以相应的权重后线性组合，能够大大增强它们的检测率，得到的分类器称为强分类器。

下面给出Adaboost算法的详细流程[5]：

1）设一组包含正样本和负样本的训练集xi，及其对应的分类号ωi。

2）初始化待分辨特征的数目K。

3）令k=1，对每个样本xi，初始化权重：

4）对k≠1，标准化权重以产生概率分布列：

5）对每一个特征fi，训练一个仅针对单一特征的分类器估计每一个分类器在计入了当前与每一个样本xi相关联的权重的分类误差

7）更新对所有样本xi的权重：

8）设k：=k+1。

9）如果k≤K，转到步骤4。

10）最终的强分类器S（xi）被定义为：式中，αk=log（1/βk）； j标志着对应被用在K个弱分类器里的单一特征集。

1.3 增强型级联分类器

1.3.1 级联分类器介绍

级联分类器可以提升检测效果，极大地缩短计算时间。它在排除掉大多数负子窗口的同时也检测出几乎所有正样本。在更加复杂的分类器被调用来实现低的虚正率之前，简单的分类器被用来排除大多数的子窗口。

级联中的级[6]是先通过Adaboost算法训练分类器，然后调整阈值来最小化虚负率。默认的AdaBoost阈值被设计成在训练数据上输出最小错误率。总体上讲，一个较低的阈值能够得出更高的检测率和更高的虚正率。

1.3.2 级联分类器的训练

级联的训练过程包括类型的取舍。在大多数情况下更多的特征会达到更高的检测率和更低的虚正率，同时有更多特征的分类器需要更多的时间去计算。原则上讲，我们能够定义一个优化框架在里面：①分类器级的数目；②每一级的特征数目；③每一级的阈值被用来最小化已估计特征的个数期望。

实际运用中，级联的每一级都能降低误正率并降低检测率。一个目标被选择达到最小的虚正率和最大的检测率。每一级的训练都通过增加特征数直到实现目标检测和虚正率为止。级数不断地被增加直到总体的虚正率和检测率达到目标为止。

2 Adaboost算法检测地线的OpenCV实现

图3 检测流程图

1）使用cascade类中的成员函数load加载训练好的xml文件，完成加载分类器的步骤。格式为：

其中cascade_name为定义的xml分类器文件名。

2）将分类器转化为OpenCV的内部格式这一步骤必不可少，因为OpenCV只能处理内部优化格式的分类器。

3） 检测要用到cascade类中的detectMultiScale函数，该函数使用针对某目标训练的级联分类器在图像中找到包含有目标物体的矩形框体，并将这些区域作为一系列矩形框返回。可以通过设置同一邻域内最少矩形窗口检出数来对目标检测的精度进行设定。其格式为：

detectMultiScale(const Mat& image,CV_OUT vector＜Rect＞

2.1 图像预处理

对一组待处理的输电线实拍图像进行实验，通过中值滤波过滤掉随机噪声干扰和Gaussian噪声干扰，通过灰度变换增强图像的对比度。

2.2 地线矩形区域检测

基于Adaboost的目标检测包含2个模块：一个是使用采集到的正样本集和搜集到的负样本集训练出分类器；另一个是使用训练出来的分类器对测试样本集的图片进行处理。训练模块需要正样本文件和负样本文件。正样本文件是实地拍摄并统一缩放到24×24像素并对齐了的地线子区域图片。负样本图片采用的是MIT数据库提供的背景图片集，由人工筛选确认不含有地线。

2.2.1 OpenCV检测流程

OpenCV是由Intel公司资助的开源计算机视觉库。它由一系列C函数和少量的C++类构成，可以方便地实现图像处理和计算机视觉方面的很多通用算法[7]。使用OpenCV中的createsamples和traincascade函数训练出分类器，得到包含有对应所有弱分类器的Harr特征的参数的xml文件。检测模块的流程图如图3。& objects,double scaleFactor=1.1,int minNeighbors=3, int flags=0,Size minSize=Size(),Size maxSize=Size() );

其中image是待检测的图像，objects是检测到的目标区域的矩形框，scaleFactor是前后两次相继检查过程中检测窗口的放大比例，minNeighbors是检测到目标所需的同邻域中最少的矩形框数。Flags表示操作方式。min_size是检测窗口的最小尺寸，默认情况下被设为分类器训练时采用的样本尺寸。

4）评价分类器的性能能采用Performance.exe程序。该程序能够对训练得到的检测器文件进行评定得出检测率、检测速度。

2.2.2 检测结果及分析

以500张地线图片作为测试集，地线区域全部检出。设计的检测器对500条地线漏检53条，检测率达89.5%;检测速率可达到20帧 /s左右。OpenCV图像处理软件与Adaboost检测算法结合，基本实现了复杂背景下的快速输电线检测。拟合后的地线轴线仍有偏差，通过强分类器个数可以改善。

3 结 语

利用OpenCV图像处理软件与Adaboost检测算法，选取扩展的Harr特征，实现了地线检测并给出检测结果，设计的检测器对500条地线漏检53条，可达到20 帧 /s左右，实现了符合工程要求的实时地线检测，为机器人手眼视觉伺服控制提供了目标地线的位姿信息。

[1] 肖晓辉，杜蛾，谌青昊，等. 高压输电线路红外图像的边缘检测 [J]. 中国电力，2005,38(1)：31-33

[2] Jacobs A, Baldwin T. Rapid Object Detection [C]. Kauai H I：IEEE Computer Soc,2001

[3] Lienhart T R，Mayd T J. An Extended Set of Haar-like Features for Rapid Object Detection [C]. IEEE ICIP,2002

[4] Freund Y，Schapir E R. A Short Introduction to Boosting [J]. Journal of Japanese Society for Artificial Inteligence， 1999，14(5): 771-780

[5] Sonka M， Hlavac V，Boyle R. Image Processing, Analysis and Machine Vision [M]. United States of America： Thomson Learning， 2008

[6] 严云洋，郭志波，杨静宇. 基于空间划分的Adaboost人脸检测算法 [J]. 小型微型计算机系统，2007(11):2 106-2 109

[7] 刘瑞祯，于仕琪. OpenCV教程-基础篇 [M]. 北京： 航空航天大学出版社， 2007

P237.3

B

1672-4623（2015）01-0102-03

10.3969/j.issn.1672-4623.2015.01.034

胡玮骏，硕士，研究方向为数字图像处理与机器视觉。

2014-11-12。