基于特征识别的输电线路上的鸟巢识别方法

摘要

本发明公开了一种基于特征识别的输电线路上的鸟巢识别方法，本发明通过引入具有人工智能意义的计算机视觉分析技术，使得现有的巡检系统将具备人眼的识别和人脑的分析能力，通过视觉分析，识别分析输电线路杆塔上的鸟巢等潜在威胁事件，并达到实时预警，降低事故发生率。

主权项

一种基于特征识别的输电线路上的鸟巢识别方法，其特征在于，采用如下步骤实现：(1)对RGB彩色图像进行灰度化处理：通过无人机从输电线路上拍摄大量RGB彩色图像，并将RGB彩色图像转换为灰度图像，转换公式表示如下：Y＝0.3R+0.59G+0.11B                                (1)；公式(1)中：Y表示灰度图像的像素点的灰度值；R、G、B分别表示RGB图像的像素点的红色分量、绿色分量、蓝色分量；(2)灰度图像的LSD直线检测：首先将灰度图像缩小为原来的80％，并分别计算灰度图像的每个像素点的梯度值和梯度幅值，计算公式表示如下：$\begin{array}{c}{g}_x(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\\ g_y(x,y)=\frac{i(x+1,y)+i(x+1,y+1)-i(x,y)-i(x,y+1)}{2}\end{array}---\left(2\right);$$G_{(x,y)}=\sqrt{g_x^2(x+y)+g_y^2(x,y)}---\left(3\right);$公式(2)、(3)中：gx(x，y)和gy(x，y)分别表示像素点在X方向和Y方向上的梯度值；G(x，y)表示像素点的梯度幅值；i(x，y)是坐标中心像素点[i，j]的灰度值；然后将梯度幅值最大的像素点作为种子点，对灰度图像的每个像素点由小到大进行排序，由此得到排序列表；然后以排序列表中一个未使用的像素点作为种子点进行递归以进行区域增长，并对区域增长结果进行矩形估计，由此检测出灰度图像中局部的直的轮廓；(3)灰度图像的形态学膨胀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为0，则对应的像素点为0，否则对应的像素点为1，由此得到膨胀后的灰度图像；(4)灰度图像的Harris角点检测：首先计算灰度图像的每个像素点在X方向和Y方向上的梯度值的乘积，并用高斯函数对乘积进行高斯加权形成矩阵元素；然后计算灰度图像的每个像素点的Harris响应值，并对小于阈值的Harris响应值进行忽略；然后在邻域内对Harris响应值进行最大值抑制，抑制得到的局部最大值即为灰度图像的Harris角点，由此检测出灰度图像的Harris角点；(5)灰度图像的形态学腐蚀运算：首先用3×3的结构元素扫描灰度图像的每个像素点，并用结构元素与其覆盖的二值图像进行与运算；如果运算结果为1，则对应的像素点为1，否则对应的像素点为0，由此得到腐蚀后的灰度图像；(6)杆塔区域的识别：将膨胀后的灰度图像和腐蚀后的灰度图像进行与运算，由此得到新的灰度图像；然后从新的灰度图像中识别出杆塔区域；(7)鸟巢位置的识别：首先对杆塔区域中疑似鸟巢的关键区域进行粗提取，并对粗提取后的关键区域进行HOG特征提取；然后通过SVM分类器对HOG特征提取后的关键区域进行精确提取，由此识别出鸟巢位置。