[發(fā)明專利]基于AdaBoost算法的絕緣子圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410244819.2
• 申請(qǐng)日: 2014-06-05
• 公開(kāi)（公告）號(hào): CN104021394B
• 公開(kāi)（公告）日: 2017-12-01
• 發(fā)明（設(shè)計(jì)）人: 翟永杰;伍洋;程海燕;于金生;王迪
• 申請(qǐng)（專利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/66
• 代理公司: 北京中海智圣知識(shí)產(chǎn)權(quán)代理有限公司11282
• 代理人: 楊樹(shù)芬

技術(shù)領(lǐng)域

本發(fā)明涉及基于AdaBoost算法的絕緣子圖像識(shí)別方法，屬于圖像識(shí)別技術(shù)領(lǐng)域。

背景技術(shù)

目前，關(guān)于絕緣子的識(shí)別問(wèn)題，傳統(tǒng)的很多方法已經(jīng)被提出，傳統(tǒng)的不同的方法各有利弊：從顏色特征的角度上來(lái)說(shuō)，得到絕緣子的基于形態(tài)學(xué)算法改進(jìn)最佳熵閾值分割算法分割S分量圖，通過(guò)灰度信息復(fù)原圖像與濾波計(jì)算絕緣子和背景區(qū)域的形狀特征值，并設(shè)計(jì)分類決策條件；類似地，從重復(fù)特征角度上考慮，對(duì)有問(wèn)題的絕緣子檢測(cè)、在噪聲和復(fù)雜背景情況下具有穩(wěn)定性的優(yōu)點(diǎn)；另外，還有采用投影特點(diǎn)作為識(shí)別思路使用側(cè)面投影直接從圖像中搜索絕緣子；為了克服負(fù)面干擾，用閾值分割的方法；使用基于PCA方法進(jìn)行傾斜校正，在特征集中選取5個(gè)特征，并使用SVM來(lái)確定絕緣子的五個(gè)特征，但是，該方法局限性較大，容易將桿塔的陰影部分也錯(cuò)誤地識(shí)別成絕緣子，對(duì)拍攝的角度和天氣要求比較高。

利用物理輻射的方法檢測(cè)絕緣子，用紫外線電暈成像法即采用高靈敏度的紫外線輻射接受器，錄電暈和表面放電過(guò)程中輻射的紫外線，再加以處理分析達(dá)到評(píng)價(jià)設(shè)備狀況的目的，該方法可以不受地理環(huán)境條件的限制。但這種方法對(duì)靈敏度的統(tǒng)一要求較高。還有選用應(yīng)用組合方法分割絕緣子串紅外圖像，紅外熱成像技術(shù)可將不可見(jiàn)的被測(cè)物體的表面溫度轉(zhuǎn)換為直觀的熱圖像。應(yīng)用組合方法分割絕緣子串紅外圖像。為了解決絕緣子串中單個(gè)絕緣子盤面的提取問(wèn)題，該方法最小二乘法對(duì)單個(gè)絕緣子盤面的邊緣進(jìn)行了橢圓擬合；此外，還有用自組織映射的方法識(shí)別絕緣子的局部放電，其中明顯的局部放電用非線性PCA方法提取，同時(shí)采用SOM(自組織映射)網(wǎng)絡(luò)作為檢測(cè)方法，用250個(gè)現(xiàn)場(chǎng)測(cè)試到的局部放電的特征向量進(jìn)行試驗(yàn)驗(yàn)證，該方法識(shí)別成本較高，安全性低，對(duì)設(shè)備的消耗較大，一般來(lái)說(shuō)適用性比較低。

綜上所述，上述傳統(tǒng)方法都不能有效地提升絕緣子的檢測(cè)、識(shí)別效果。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種能夠克服上述技術(shù)問(wèn)題的基于AdaBoost算法的絕緣子圖像識(shí)別方法，本發(fā)明提出的結(jié)合3D建模構(gòu)造正樣本的AdaBoost級(jí)聯(lián)分類器的絕緣子識(shí)別方法，選用3D模型制作精確純凈的正樣本大大提高了檢測(cè)、識(shí)別效果。

Haar-like特征集合十分龐大，即使每個(gè)特征的計(jì)算十分高效，利用所有特征進(jìn)行分類也是不現(xiàn)實(shí)的，本發(fā)明所以需要采用AdaBoost算法的同時(shí)進(jìn)行特征的選擇和分類器的訓(xùn)練。

AdaBoost算法采用了擴(kuò)大檢測(cè)窗口的方法在，檢測(cè)的最初，檢測(cè)窗口和樣本大小一致，然后按照一定的尺度參數(shù)進(jìn)行移動(dòng)，遍歷整個(gè)圖像，標(biāo)出可能的目標(biāo)區(qū)域，遍歷完以后，按照指定的放大的倍數(shù)參數(shù)放大檢測(cè)窗口，然后再進(jìn)行一次圖像遍歷；這樣不停的放大檢測(cè)窗口對(duì)檢測(cè)圖像進(jìn)行遍歷，直到檢測(cè)窗口超過(guò)原圖像的一半以后停止遍歷；AdaBoost算法是一種樣本權(quán)重的迭代更新過(guò)程，可以將一組弱分類器自適應(yīng)地提升為強(qiáng)分類器，為每個(gè)訓(xùn)練樣本引入一個(gè)權(quán)重，訓(xùn)練通過(guò)迭代過(guò)程實(shí)現(xiàn)；每次迭代訓(xùn)練一弱分類器，使其在當(dāng)前的權(quán)重分布下錯(cuò)誤率最低；每次迭代結(jié)束后增大分類錯(cuò)誤樣本的權(quán)重，降低分類正確樣本的權(quán)重，從而使得下次迭代弱分類器的選擇更加重視錯(cuò)誤的樣本。本發(fā)明的具體算法步驟如下：

(1)初始化每個(gè)樣本的權(quán)值，S代表樣本空間訓(xùn)練集，x_i表示第i個(gè)樣本的樣本空間，y_i表示第i個(gè)樣本的類別標(biāo)識(shí)集合，D_t表示第t輪訓(xùn)練后的樣本分布，對(duì)每一個(gè)(x_i,y_i)∈S，令D_t＝(x_i,y_i)＝1/N,i＝1,2,...,N，表示初始的樣本分布為均勻分布。

(2)對(duì)于第i個(gè)樣本空間x_i，選擇弱分類器，以h表示，h_t表示第t輪訓(xùn)練后產(chǎn)生的弱分類器，即