复杂背景图像中垂直伸缩式刀闸状态识别研究

吴 宽,李保坤,林 师,姜 文,马玲官,谭守标

(1.海南电网有限责任公司，海南 海口 570203；2.安徽大学电子信息工程学院，安徽 合肥 230601；3.安徽南瑞继远电网技术有限公司，安徽 合肥 230088)

0 引言

为了实现对刀闸状态的自动检测，国内外出现了许多检测方案。这些方案基本上可以归纳为两种：一种是对电路内部进行改动，增加传感器或者信号灯[1]；另一种是基于数字图像处理的方法，例如机器人巡检[2],通过监控图像对刀闸的开关状态进行判断。相应的图像分析有基于红外检测方法[3]，利用尺度不变特征变换(scale invariant feature transform，SIFT)的匹配方法[4]。在复杂背景条件下，这些算法难以正确匹配刀闸，所以如何过滤背景识别刀闸是基于数字图像处理自动检测实际应用中的主要问题。

针对这个问题，本文以垂直伸缩式刀闸为例，对所给图像进行边缘提取和快速分割。通过改进Freeman链码重新表达绝缘子特征，定位分割后的刀闸区域。利用此类刀闸的共同特点定义刀闸的开关状态，实现对刀闸状态的识别。

1 绝缘子的波动点结构

由于绝缘子轮廓具有明显的密集波动特点，所以采用Freeman链码[5]提取绝缘子波动特征，进而实现复杂背景下的绝缘子检测及定位。

波动特征提取前，采用图像二值化方法对图像进行预处理。本文采用自适应二值化[5]，对得到的图像进行预处理。与全局二值化相比，自适应二值化[6-10]方法是由每个像素位置和这个像素周围点局部灰度特性来确定此像素二值化阈值的，对不同亮度的图片适应性强，很好地保留了图片中物体的边缘信息。

Freeman链码是像素曲线[9]的一种表示方法。轮廓像素序列中，像素与像素之间的链接称为链，每条链可以有八个方向(八向链码)，即c{i}={0,1,2,3,4,5,6,7}。c{i}表示由像素i指向像素i+1的链码，八向链码如图 1所示。这样，一条像素曲线可以转化为由n条链组成的链码，表示为一定顺序的连码表{c(i)}n。链码曲线如图2所示。

图1 八向链码 Fig.1 Eight-way chain code

图2 链码曲线 Fig.2 Chain code curve

相对链码[6]，是Freeman链码之间的相互关系。每个像素点都有指向自己的链码(像素i的链码c1和此点指向后一像素点的链码c2)。根据c1、c2的相互关系，链码曲线中第i个像素处的相对链码R(i)的计算公式为：

R(i)=(c2-c1+8)%8

(1)

式中：i为链码曲线中像素序号；c1为第i个像素处的链码；c2为第(i+1)个像素处的链码；%为取模运算。当R(i)≤4时，R(i)=R(i);当R(i)>4时,R(i)=R(i)-8。

根据相对链码可以计算得到绝对链码[6]。设A(i)和A(i-1)分别为链码曲线中第i个像素处和第(i-1)个像素处的绝对链码，则它们之间存在对应关系如下：

(2)

绝对链码可用来计算三点链码和[6]。三点链码和为链码曲线中当前点和其前两点的绝对链码之和。对于闭合曲线，计算起始两点时，前面点的值应该绕到尾部取值，此时需要考虑绝对链码的调整值。链码曲线中第i个像素处三点链码和sum(i)的计算公式为：

(3)

式中：N为链码曲线的像素总数。

得到链码曲线对应的三点链码和序列后，再将序列中每个像素点的三点链码和sum(i)减去sum(0)，即可得到三点链码序列。链码曲线中第i个像素处的三点链码trsum(i)的计算公式为：

trsum(i)=sum(i)-sum(0)

(4)

三点链码主要用来计算三点链码差[7]。三点链码差是指离开此点与进入此点的三点链码之差。链码曲线中，第i个像素处的三点链码差Diff(i)计算如下(间隔三个像素点)：

Diff(i)=trsum(i+3)-trsum(i)

(5)

对于闭合的链码曲线，最后一个位置三点链码差的计算应从三点链码序列的起始点处取得：

Diff(N-1)=trsum(3-i)-trsum(N-i)+24

(6)

根据曲线的Freeman链码，可计算出曲线像素点的链码差，并得到与此曲线对应的三点链码差序列。根据对应位置的三点链码差Diff(i)，对曲线上的凹凸点进行判断。判别公式为：

(7)

三点链码差是一个与曲率成正比的量，可用于发现边界上的角点。Diff(i)为2相当于角度大小为30°，Diff(i)为3相当于角度大小为45°，正负体现凹凸方向。当凹凸角点连续出现时，定义像素点i处存在一个连续波动点结构。

2 绝缘子定位算法

根据连续波动点特征，设计的绝缘子定位算法流程如下。

①检测二值化后图像的轮廓信息，并以Freeman链码表示。

②根据图像的Freeman链码，计算得到图像轮廓的链码差序列Diff；根据链码差序列，查找出具有连续波动性的角点结构并标记，得到连续波动角点的分布图。由于复杂背景下绝缘子边缘出角点出现频繁，可适当更改比较的阈值，从而限制角度与波动结构长度，以减少复杂背景无序角点的干扰。

③定义查找窗口，设置为绝缘子面积的1～1.5倍，之后通过遍历连续波动角点分布图中的连续波动点。根据角点位置对不同的查找窗口投票，查找连续波动性角点最多(票数最高)的窗口位置。

在窗口中，由于连续波动点大多出现在绝缘子周围，所以绝缘子所在窗口得到的票数最高。

3 刀闸状态检测及位置修正

对得到的图像进行图像分割，将图像转换至Lab空间[10]。利用图像在Lab色彩空间中的像素数值l(亮度)、a(从红色到绿色)、b(从黄色到蓝色)、坐标(x,y)的五维信息，对图片进行像素级的聚类，将图片分割成不同区域。每个区域采用不同的标签(label)标明。

对于刀闸不同状态的分割结果，本文使用的分割算法[8]保持了分割图中原区域的连通性，这将有助于对刀闸开关状态的定义与定位。

根据背景的最大连通区域的情况，可以定义图像中刀闸的开关状态。当刀闸断开时，绝缘子以上背景最大连通性区域处宽度与图片宽度相差较小；当刀闸连接时，绝缘子以上背景最大连通性区域处宽度与图片宽度较大。

使用背景最大连通性区域处宽度与图片宽度的差值为判别依据，设置适当的阈值可以简单、有效地区分刀闸开关的两种状态。设阈值为图片宽度的20%。定义D为差值，则刀闸开关状态判别公式为：

2.企业与职业经理人的信息不对称。职业经理人的能力是私人信息，外部很难获得，所以企业在面试职业经理人或者通过猎头公司获得他们信息时，就存在信息不对称的现象，有时甚至出现猎头公司帮助职业经理人掩饰不符合企业要求的信息内容。这就使得企业在对人员筛选时，面临着较大的困难，所以只好通过考察职业经理人的学历、个人财富、职业背景等来减少风险。但是，这些方式不能从根本上解决企业对职业经理人真实信息的需求。

D=W-w

(8)

式中：W为图片的宽度；w为背景中最大连通性区域的宽度。当D≤0.2W，刀闸处于断开状态；当D>0.2W，刀闸处于连接状态。

由于绝缘子定位算法中窗口定义的大小可能大于刀闸的实际区域，可以在查找窗口(即2中定位窗口)中修正绝缘子的实际位置。查找窗口内部波动点，对其位置所属区域投票。得票数最多的区域，表明其边缘占有最多的波动点结构，则此区域为绝缘子区域。

使用波动点结构统计得到绝缘子的定位框后，继续通过波动点投票修正绝缘子的定位框，位置信息更加精确。

4 试验结果与分析

为验证本文提出的利用绝缘子波动点定位绝缘子，根据背景连通性判断刀闸的开关状态方法的有效性，将其应用于各种背景复杂的垂直伸缩式刀闸图像的状态判断。本试验在CPU为Intel Core i5、内存为4 GB的计算机上进行。

图3显示了各个刀闸状态判断结果。图3中，下部的基线，是绝缘子修正位置后得到的绝缘子区域上限，目的是确定图片的判断区域。上部的黑色区域，则是图片经过分割后的判断域中，通过算法自动查找到的最大连通域。根据上述定义的垂直伸缩式刀闸的开关状态，对最大连通域进行判断，得到了刀闸的开(连接)、关(断开)状态的识别结果。

图3 各个刀闸状态判断结果 Fig.3 Judgement of the state of each disconnector

在复杂环境下，以上分析结果验证了本文提出的算法可以正确定位刀闸中绝缘子的位置以及正确判断刀闸的开关状态。

5 结束语

本文提出了一种针对垂直伸缩式刀闸开关状态的识别方法。该方法实现了复杂背景下绝缘子的自动定位，可用于其他含绝缘子物体的辅助定位。根据图像分割后刀闸不同状态下背景连通性的不同，该算法能够区分刀闸的开关状态。

参考文献:

[1] 王德才,曾瑾文.变电站6 kV刀闸状态监控研究分析[J].自动化应用,2011(9):40.

[2] 周立辉,张永生,孙勇,等.智能变电站巡检机器人研制及应用[J].电力系统自动化,2011,35(19):85-88.

[3] 张国灿,苏东青,叶玉云.红外成像技术在电力设备状态检测中的应用[J].电工技术,2012(12):48-49.

[4] 侯一民,邸建铭.改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用[J].中国电机工程学报,2012,32(19):134-139.

[5] WANG H Y,PAN D L,XIA D S.A fast algorithm for two-dimensional adaptive threshold algorithm[J].Journal of Image & Graphics,2005,33(9):968-971.

[6] 余博,郭雷,赵天云,等.Freeman链码描述的曲线匹配方法[J].计算机工程与应用,2012,48(4):5-8.

[7] 谭建豪,章兢.基于链码差的边界凸凹性判别[J].科学技术与工程,2007,7(5):769-772.

[8] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient graph-based image segmentation[J].International Journal of Computer Vision,2004,59(2):167-181.

[9] DONALD H,PAULIN M,WARREN R.计算机图形学[M].蔡士杰,杨若瑜,译.北京： 电子工业出版社,2014.

[10]庞晓敏,闵子建,阚江明.基于HSI和LAB颜色空间的彩色图像分割[J].广西大学学报(自然科学版),2011,36(6):976-980.