一種基於K-Mean算法的滑車跳線在線檢測方法
2023-09-17 18:24:50 1
一種基於K-Mean算法的滑車跳線在線檢測方法
【專利摘要】本發明涉及一種基於K-Mean算法的滑車跳線在線檢測方法，包括以下步驟：1)攝像機實時採集線纜在滑車上運動的一組序列圖像數據；2)對獲取的圖像進行去噪增強處理；3)利用K-mean算法對圖像進行初始分割；4)提取初始分割後各區域特徵，結合顏色信息和空間信息對初始分割的圖像進行區域合併，得到最終的分割結果；5)將步驟4)獲得的分割後的圖像與事前訓練圖像樣本進行匹配，獲得監控目標所在圖像；6)將監控目標所在圖像與訓練圖像進行匹配，判斷滑車是否跳線：若圖像中存在目標發生位移，判定滑車發生跳線，並發出警報。與現有技術相比，本發明具有方法實現簡單、可有效對滑車上電纜跳槽進行監控等優點。
【專利說明】一種基於K-Mean算法的滑車跳線在線檢測方法
【技術領域】
[0001] 本發明涉及一種圖像分類和檢測領域，尤其是涉及一種基於K-Mean算法的滑車 跳線在線檢測方法，是一種對視頻或者圖像序列中的運動目標進行檢測的方法，實現了被 監控目標的在線檢測。
【背景技術】
[0002] 電力系統的智能化管理是其主要的發展趨勢，滑車線纜作為其中的一部分，對它 的安全監控勢在必行。對滑車跳線實施智能監控，當滑車出現異常故障時及時地給出報警 或提示，不僅可以提高電力系統安全係數，而且可以減輕工作人員的負擔和工作強度。
[0003] 對滑車的監控屬於"攝像機靜止-目標移動"的組合，將攝像機固定在合適的位 置，採集線纜在滑車上運動的一組序列圖像數據。序列圖像的運動分析主要包括移動目標 檢測、分類、跟蹤以及行為理解，而運動目標檢測所希望達到的目的是從序列圖中將運動變 化的區域或者是感興趣的區域從背景圖像中分割出來，為後期的圖像處理奠定基礎。
【發明內容】
[0004] 本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種方法實現簡單、 可有效對滑車上電纜跳槽進行監控的基於K-Mean算法的滑車跳線在線檢測方法。
[0005] 本發明的目的可以通過以下技術方案來實現：
[0006] 一種基於K-Mean算法的滑車跳線在線檢測方法，包括以下步驟：
[0007] 1)攝像機實時採集線纜在滑車上運動的一組序列圖像數據；
[0008] 2)對獲取的圖像進行去噪增強處理；
[0009] 3)利用K-mean算法對圖像進行初始分割；
[0010] 4)提取初始分割後各區域特徵，結合顏色信息和空間信息對初始分割的圖像進行 區域合併，得到最終的分割結果；
[0011] 5)將步驟4)獲得的分割後的圖像與事前訓練圖像樣本進行匹配，獲得監控目標 所在圖像；
[0012] 6)將監控目標所在圖像與訓練圖像進行匹配，判斷滑車是否跳線：若圖像中存在 目標發生位移，判定滑車發生跳線，並發出警報。
[0013] 所述步驟2)中的去噪增強處理採用中值濾波法。
[0014] 所述步驟3)具體為：
[0015] 301)將RGB圖像轉換到Lab彩色空間中；
[0016] 302)隨機選取K個聚類質心點，記為μ ρ μ 2，…，μ k，計算每個像素點屬於K類 中的某類i，即中心點與相關的像素點的距離最小：
[0017] e<l) = arg min I⑴ _
[0018] c(i)代表某個像素點i與κ個類中距離最近的那個類，取值是聚類類別1?κ中的 一個，χω表示第i個像素點，j = l，2，"·，Κ;
[0019] 303)更新中心點：對於每一類j，計算每一類中的當前像素點與中心點的平均距 離，然後將這個平均值作為新的中心點： yβ, ι?〇ω =
[0020] Mj = 一--廠 J^.=l l{c(l) = j}
[0021] m代表圖像中的像素點數；
[0022] 304)重複步驟302)、303)，直至收斂。
[0023] 所述K的取值為5-7。
[0024] 所述步驟4)中的區域合併具體為：
[0025] 401)計算初始分割後各區域間的顏色距離和邊緣距離：
[議]顏色距離：心=丨:丨+丨丨》丨1K--七If
[0027] 邊緣距離：= | | η「η j |
[0028] 其中，|ri I，|rj I分別代表第i和第j區域中包含的像素個數；λ ρ λ」代表兩個區 域的顏色均值；Μ · 11表示歐式距離；ni、η」表示兩個區域邊緣處對應的像素均值；
[0029] 所有區域的顏色距離組成顏色相似性矩陣，所有區域的邊緣距離組成邊緣相似性 矩陣；
[0030] 402)結合顏色距離和邊緣距離計算最終度量距離：
[0031] D = P*Csort+(1-P)*Esort
[0032] 其中，Csort為對顏色相似性矩陣進行排序後得到的矩陣序號，Esort為對邊緣相 似性矩陣進行排序後得到的矩陣序號，P為權值；
[0033] 403)根據最終度量距離進行區域合併；
[0034] 404)判斷是否滿足區域合併停止準則，若是，則停止區域合併，若否，則返回步驟 401)。
[0035] 所述區域合併停止準則具體為：
[0036] a)計算圖像內的區域合併kl個時，其顏色散度：
[0037]
【權利要求】
1. 一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在於，包括以下步驟： 1) 攝像機實時採集線纜在滑車上運動的一組序列圖像數據； 2) 對獲取的圖像進行去噪增強處理； 3) 利用K-mean算法對圖像進行初始分割； 4) 提取初始分割後各區域特徵，結合顏色信息和空間信息對初始分割的圖像進行區域 合併，得到最終的分割結果； 5) 將步驟4)獲得的分割後的圖像與事前訓練圖像樣本進行匹配，獲得監控目標所在 圖像； 6) 將監控目標所在圖像與訓練圖像進行匹配，判斷滑車是否跳線：若圖像中存在目標 發生位移，判定滑車發生跳線，並發出警報。
2. 根據權利要求1所述的一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在 於，所述步驟2)中的去噪增強處理採用中值濾波法。
3. 根據權利要求1所述的一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在 於，所述步驟3)具體為： 301) 將RGB圖像轉換到Lab彩色空間中； 302) 隨機選取K個聚類質心點，記為μ ρ μ 2,…，μ k,計算每個像素點屬於K類中的 某類，即中心點與相關的像素點的距離最小：
c(i)代表某個像素點i與K個類中距離最近的那個類，取值是聚類類別1?K中的一 個，χω表示第i個像素點，j = l，2，"·，Κ; 303) 更新中心點：對於每一類j，計算每一類中的當前像素點與中心點的平均距離，然 後將這個平抱侑作為新的中心點：
m代表圖像中的像素點數； 304) 重複步驟302)、303)，直至收斂。
4. 根據權利要求3所述的一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在 於，所述K的取值為5-7。
5. 根據權利要求1所述的一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在 於，所述步驟4)中的區域合併具體為： 401)計算初始分割後各區域間的顏色距離和邊緣距離： 顏色距離
邊緣距離：Ευ = | | η廠η』| 其中，IAI，I rj I分別代表第i和第j區域中包含的像素個數；λ i，λ j代表兩個區域的 顏色均值；Μ · 11表示歐式距離；1、L表示兩個區域邊緣處對應的像素均值； 所有區域的顏色距離組成顏色相似性矩陣，所有區域的邊緣距離組成邊緣相似性矩 陣； 402) 結合顏色距離和邊緣距離計算最終度量距離： D = P*Csort+(l-P)*Esort 其中，Csort為對顏色相似性矩陣進行排序後得到的矩陣序號，Esort為對邊緣相似性 矩陣進行排序後得到的矩陣序號，P為權值； 403) 根據最終度量距離進行區域合併； 404) 判斷是否滿足區域合併停止準則，若是，則停止區域合併，若否，則返回步驟 401)。
6.根據權利要求5所述的一種基於K-Mean算法的滑車跳線在線檢測方法，其特徵在 於，所述區域合併停止準則具體為： a) 計算圖像內的區域合併kl個時，其顏色散度：
其中，代表一個區域內的顏色散度，Λ代表圖像內總的顏色散度；N代表總的像素數， Nr代表第r個區域內的像素數；Xi代表第r個區域內的第i個像素的顏色值，Χπ_代表第 r個區域的顏色均值； b) 判斷當前1與前一次區域合併後的顏色散度Γ i間的差值是否大於設定值，若是， 則滿足區域合併停止準則，停止區域合併，若否，則返回步驟401)。
【文檔編號】G06T5/00GK104103044SQ201410325940
【公開日】2014年10月15日 申請日期:2014年7月9日 優先權日:2014年7月9日
【發明者】劉剛, 賀遠, 趙龍, 朱凱 申請人:上海電力學院