基于角点特征的电力设备精确测温方法

摘要

本发明公开了一种基于角点特征的电力设备精确测温方法，通过采用Harris算子提取角点特征，精确检测电力设备的异常情况，只用到了灰度的一阶差分以及滤波,所以即使存在图像的旋转、灰度的变化、噪声影响和视觉变换,对角点的提取也是比较稳定的，具有较高的稳定性及鲁棒性，且操作简单。本发明结合电力设备中的特点和Harris角点特征，有效地解决了电力设备的精确定位与测温。同时，对红外图像中含有云彩的图像有很大的适应性。实验表明，该方法可有效地解决电力设备的识别与测温，这对于智能变电站的电力设备监测自动化方面具有重要的作用，可以减轻变电站巡视人员的负担。

主权项

一种基于角点特征的电力设备精确测温方法，其特征是，步骤如下：1）建立红外图像模板库，把已采集的单张设备红外图像加入模板库，标记设备区域位置；2）检测模板图像的Harris角点；3）利用红外热像仪设备获取待检测设备的红外图像；4）检测待识别图像的Harris角点，并与模板库中对应图像进行图像匹配，得到H矩阵；5）根据模板库图像中的设备位置和第4）步中所得H矩阵，获得待识别图像中设备的对应位置；6）获取上一步中设备对应位置的红外图像，并取其中的最高温度值为设备温度；7）判断温度是否越限，若超温进行报警提示；所述第2）、第4）步中，检测Harris角点步骤如下：a）确定Harris角点使图像I点(u,v)向任意方向作小的偏移，记录图像灰度在偏移为(x,y)的变化情况，以最小的灰度变化值E(x,y)作为该点的标记量，记为该点的角点量，若该点的角点量大于某一特定阈值，且为局部极大值，则认为其为角点；使用公式（1）衡量某图像点(u,v)在偏移为(x,y)时该点灰度变化情况： E ( x , y ) = Σ u , v w u , v [ I u + x , v + y - I u , v ] 2 - - - ( 1 ) 其中，wu,v＝exp‑(u2+v2)/2σ2为以图像点(u,v)为中心的邻域窗口平滑函数；Iu+x,v+y为图像I在(u+x,v+y)上的灰度值，Iu,v为图像I在(u,v)上的灰度值，Σu,v为所有像素点(u,v)的值的累加和；将公式（1）进行泰勒级数展开，忽略高阶项可得公式（2）如下：E(x,y)＝Ax2+2Cxy+By2     （2）其中， A = d 2 x ⊗ w , B = d 2 y ⊗ w , C = dx * dy ⊗ w , 改写成矩阵形式： E ( x , y ) = [ x , y ] A C C B [ x , y ] T = [ x , y ] M [ x , y ] T - - - ( 3 ) 根据公式（3），我们可知灰度变化情况E随偏移(x,y)的变化情况由M矩阵来决定， M矩阵为实对称矩阵，对其进行正交相似对角化，必能分解为如下公式： M = P λ 1 0 0 λ 2 P - 1 - - - ( 4 ) 其中P为正交矩阵，可将其看作旋转因子，并不影响图像点的灰度变化，λ1,λ2为矩阵的特征值，我们可以通过λ1,λ2来分析图像点作微小偏移的灰度变化，通过以上分析我们可以得到如下公式：E(x,y)∝λ1x2+λ2y2     （5）其中，λ1,λ2为矩阵的特征值；b）角点提取由公式（5）可得以下结论：(i)若λ1,λ2同时很小，则任意方向上的偏移(x,y)都不会导致灰度的明显变化，故认为该点处于平坦区域；(ii)若λ1远大于λ2时，则E(x,y)∝λ1x2，x方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个竖直的边界区；(iii)若λ1远小于λ2时，则E(x,y)∝λ2y2，Y方向上的偏移(x,y)都导致灰度的明显变化，则认为该图像点处于一个水平的边界区；(iv)若λ1,λ2同时很大，则E(x,y)∝λ1x2+λ2y2，任意方向上的偏移(x,y)都会导致灰度的明显变化，该图像点被认为是角点；以上结论由公式（6）来描述：R＝Det(M)‑kTr(M)2     (6)其中Tr(M)=λ1+λ2为矩阵M的迹，Det(M)=λ1×λ2为矩阵M的行列式；当R值大于某一阈值且其邻域内取得局部极值时，则标记该点为角点；所述步骤4）中图像匹配过程主要有两个步骤：a）使用以各特征点为中心的16×16窗口内边缘图像的共生矩阵间的相似度来度量特征点对间的相似性，提取出两幅图像中若干对特征点；b）H参数估计：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换 过程： x ′ y ′ 1 = h 0 h 1 h 2 h 3 h 4 h 5 h 6 h 7 1 x y 1 或者 x ′ y ′ 1 = H x y 1 H为投影变换矩阵，有[x′ y′ 1]T＝H*[x,y,1]T，[x′ y′ 1]，[x,y,1]分别为某组特征匹配点在源图像I1和待检测图像I2上的像点坐标，为了求该矩阵的8个参数，至少需要4组匹配点，问题转换为求解线性方程的解，即完成矩阵H的参数估计；为消除匹配过程中有可能存在的错误匹配点，这里采用RANSAC来排除外点即错误匹配点Outliers；在一定的置信概率P下，M组抽样中至少有一组数据全是内点Inliers1‑(1‑εm)M＝P     （7）其中ε为内点率，m为模型参数计算过程中报需要的最小数据量，根据式(5)通过增加采样次数M提高算法找到好的参数的概率。