改进EDLines算法暨在高空输电线识别与巡检中的应用

陈荣保, 韦 盛, 盛雨婷, 翁东波

(1.合肥工业大学 电气与自动化工程学院，安徽 合肥 230009；2.淮南供电公司 计量管理中心，安徽 淮南 232007)

0 引 言

电力线路在能源建设中占有重要地位，输电线巡检保障国家电网安全。使用人工检修的方式，在测量的过程中消耗经济多、危险系数大、时间长等缺点，这将阻碍电力行业的发展，对电力系统的安全、管理与维护带来不便。然而旋翼飞行器近年来发展迅速，其优点不言而喻，体积小、速度与高度可控、精度高等优势。随着无人机和图像识别等技术的成熟，输电线巡检方案发生变革，以无人机搭载高清相机等各类传感器，完成输电线工作状态的巡检任务[1，2]。

无人机巡检过程中，采集拍摄图像背景复杂，易受树木建筑等环境干扰，图像识别时受阈值差异导致结果产生较大的变化，边缘检测目标间断会造成误检、漏检现象[3,4]。直线拟合时局外噪声点会影响结果的准确，须提高系统抗噪声干扰的能力[5,6]。线状背景干扰会影响无人机自主巡检时目标识别丢失，造成不可预估的损失，同时巡检需降低运算时间，保证图像处理实时性与准确性，因此输电线图像识别算法尤为重要[7,8]。

本文对数字图像处理技术在输电线的应用进行了研究，提出改进EDLines算法快速识别输电线路，方法可去除拟合直线时局外噪声点的干扰。根据输电线路的特征，使用K均值聚类算法滤除线状干扰背景，设计模板匹配优化目标，识别出完整的输电线方便巡检的应用。

1 EDLines设定参数

EDLines是基于Edge Drawing边缘检测的算法，在处理输电线图像数据时，根据搜索的锚点使用启发式算法进行绘制，可得到连续、细长的边缘。

图1 EDLines算法提取框图

1)梯度阈值

计算出各像素点的梯度与方向后，需要去除梯度值小于某个阈值ρ的像素点，因为当像素点的梯度值过小时，该像素点不经过图像的边缘，不会生成直线段。设置阈值ρ时，可忽略角度误差大于角度公差的点，当相邻像素的误差值为+1和-1时最大量化误差等于2，角度的公差为22.5°，梯度的阈值计算方法如下所示

ρ=2/sin22.5°=5.22

(1)

遍历梯度图中的所有值，去除小于阈值ρ的像素点，保留的像素点都是位于图像边缘之上。

2)锚点判定

设I(x,y)表示图像上某点在(x,y)处的像素值,其中{T1,T2,T3,…,T8}分别为当前像素与邻域8个像素的幅值差。锚节点是梯度中的一些极大值点，Tanchor为锚节点阈值，给定梯度阈值TanchorThresh，当I(x，y)≥TanchorThresh，则该像素点可能为边缘点。若Ix(x，y)≥Iy(x，y)并且T5≥Tanchor，T6≥Tanchor，则说明(x，y)是垂直方向的锚节点。当Ix(x，y)

(2)

式中T0为水平或者垂直方向的平均赋值差，权重因子U′可通过下式计算

(3)

若权重因子U′≥1，则说明该点为锚节点。

3)扫描间隔

EDLines扫描间隔是设定图像行列搜索锚点时的区间大小，控制锚点生成的个数，数量多的锚点处理速度相对较长，选择合适的扫描间隔可以增强图像处理的效率。当间隔设置成“k”时，则ED算法搜索第k行/列的锚点。锚点数量减少时，输电线边缘图像的细节也会相应的减少。为满足检测的输电线图像线段的完整性，保留图像中所有细节的边缘，同时保证图像处理的效率，故本文将扫描间隔设置为1。

4)线拟合参数

NFA为错误报警的数量，计算公式如下

(4)

式中N4为图像中潜在线段的数量，n为直线的长度，p为直线方向的准确度。如果NFA(n,k)≤1时，检测出的线段为标准的直线，“k”等于“n”时生成最小长度的线段，计算可得NFA(n,n)=N4×pn≤1，则直线长度为

n≥-4log(N)/log(p)

(5)

式中p=0.125。假设对于600×600图像，生成最小长度有12个像素。在使用算法拟合直线之前，通过公式计算出最小线段长度，将低于此有效值长度的线段剔除，高于有效值线段保留。

5)线段验证参数

线段验证是通过生成的直线长度与直线上对齐像素的个数决定。线段上两点P,Q的角度在π/n内，即对齐，精度为1/n。其中实验与具体的数据应该保持一致，“n”的数值最大应为8，在最大值的计算下，也就是角度在π/8=22.5°的两个点是在同一行的，有8个不同的行同时精度值篇p=1/8=0.125，在计算NFA中使用较频繁。

2 改进EDLines提取输电线方法

2.1 直线拟合随机抽样一致性算法

在输电线检测过程中，由于目标易受树木、杆塔、道路等复杂背景的干扰，提取出的线基元存在多种干扰噪声点[9,10]，最小二乘法拟合直线时会产生不同程度的偏差，故本文使用随机抽样一致性(RANSAC)算法解决线基元含有高噪声点的问题。假定单个像素链包括N个像素点，在图像上对应的坐标是(xi,yi)(i=1,2…,N)，RANSAC算法拟合输电线的像素链的步骤如下:1)单个边缘链线基元中的N个像素点，随机选取两个像素点。2)计算由得到的像素点连接组成的直线Line。3)计算其余N—2个像素点与Line的距离，统计出小于设定阈值T的点数量M，M是直线附近局内点的数量。4)按以上步骤迭代K次，当生成的M值最大时所得到的为目标直线，生成的直线包含局内点的数量是max{M}，局外点数量N-max{M}。

2.2 K均值聚类算法

聚类目标函数使用误差平方和，目标函数如式(6)给出

(6)

式中K为聚类的类别数，Gi(i=1,2,…,K)为第i个聚类簇，Di为聚类簇Gi中的数据对象，Ci为聚类簇Gi的聚类中心点，Obj为数据对象与聚类中心点距离平方和，可以看出，Obj数值越小，聚类生成的效果最好，需要找出使目标函数Obj数值最小的方法。

K均值的算法流程如下：数据输入参数为所需类别个数K，N个数据对象集D；数据输出参数为目标函数据输入参数为所需类别个数K，N个数据对象集D；数据输出参数为目标函数收敛的K个类。1)从N个数据对象中随机抽取K个数据作为初始中心Ci(i=1,2,…,K)；2)计算其余对象与K个初始中心的距离，由最近邻准则可将所有对象聚类到距离最短的聚类中心所在的簇中；3)重新计算聚类中心，生成新的聚类中心点，同时计算新的误差平方目标函数Obj的值；4)若新的中心点之差在预先设定的阈值之内，则算法目标函数收敛，转步骤(5)，得出结果；若新的中心点之差大于设定的阈值，转步骤(2)，继续调整数据对象，直到算法达到收敛条件才可结束;5)输出K个聚类簇。

2.3 模板匹配优化目标

(7)

根据倾斜角集合，定义一个直线模板集合

ω={ω1,ω2,…,ω7}

(8)

图2 直线模板对应关系

集合ω中的直线模板可通过逆时针旋转标准水平直线模板γ度得到，其旋转矩阵为

(9)

一个长度为7的简单水平直线模板可以为

(10)

2.4 总体步骤

1)在输电线图像上，使用改进Edge Drawing算法产生干净的像素链，连接生成的各个像素链，合在一起构成图像的边缘；2)在产生的像素链上，设置最小线段像素，用RANSAC算法拟合直线，提取出线段；3)进行线段验证，将提取达到的线段通过亥姆霍兹原理(Helmholtz principle)[11]去掉虚假线段，为后续精确检测输电线提供保障；4)去除背景线状干扰点，获得精确的直线参数和坐标。其中总体流程如图3所示。

图3 输电线算法流程图

3 实验结果

3.1 RANSAC与最小二乘法结果对比

在一组观测数据中，既有局内点也包含部分局外点，局内点为通过直线或依附直线边缘附近的点，而局外点则与直线产生一定距离。使用最小二乘法拟合直线时，因其需要尽可能包含全部局外点，造成直线与局内点存在偏差。然而，RANSAC算法的原理是通过局内点的数据得出模型，拟合出的直线包含局内点的概率高。使用RANSAC方法拟合直线，需要找出合适的算法参数，提高检测的准确度与合理概率。

如图4所示为一组数据分别使用不同的算法作对比，其中RANSAC的参数设定：模型阈值T=2；迭代次数K=20。结果显示：图中直观上就可以看出直线位置，但最小二乘法生成的结果却是错误的，这是由于图中存在较多局外点的数据，当只有少部分的数据符合模型时，最小二乘法就失去其作用，RANSAC算法可以有效解决此弊端。

图4 直线拟合算法对比

3.2 算法性能测试

比较EDLines算法和本文改进算法的性能，进行提取图像中目标输电线对比实验，如图5(a)所示为实际拍摄原图像，图5(b)为原EDLines算法拟合直线得出的结果，图5(c)为本文改进EDLines算法生成的输电线目标，图5(d)为去除背景干扰得到的最终输电线。其中RANSAC参数设定：误差容忍度T=2，拍摄图像迭代次数K=30。

图5 输电线识别

在图5中可以看出，拍摄图像在使用最小二乘法时，噪声点位置的不同将产生不同的拟合效果，影响识别的精度。拍摄图像中输电线边缘干扰小时，表现为线基元局内点较多，局外点较少，拟合出的直线较为准确，当干扰较多时，表现为局外点多，会造成误检和漏检现象。而RANSAC算法拟合出的直线使其与输电线方向一致，排除了噪声点的干扰，减弱车道边缘的干扰，拟合出了正确的输电线。

结果表明：本文算法可以识别出全部的8条有效输电线，降低了外界因素对识别输电线的影响，提高了EDLines检测输电线的准确率，有效的实现了目标输电线的提取。

对单幅图片使用不同的误差容忍度与迭代次数，统计识别正确率如图6所示，为保证准确度和识别的速度，图像最佳参数设定T=3,K=30。

图6 不同参数识别的准确率

为了检验提取图像中输电线目标算法的鲁棒性，选取139张拍摄得到的输电线图像，共包含输电线400根。每帧分别使用EDLines算法与本文算法识别，统计识别电线数和有效匹配率绘制成柱状图，如图7所示。结果表明，对于不同环境背景下的图像，本算法在总电线数的有效匹配百分比高达94.7 %，相比EDLines算法，准确率增加了13.7 %，有效提高了实测视频图像中输电线路检测的准确性。

图7 拍摄图效果对比

综上所述，本文所提出的改进EDLines快速识别输电线算法，通过Edge Drawing算法产生干净的边缘链拟合直线，去除干扰背景，提高目标识别准确度，满足飞行器巡检的实时性。

4 结 论

本文提出一种改进EDLines算法用于检测输电线路。对采集的图像进行去噪处理后，连接图像中各个锚点实现边缘图的绘制，提高图像处理的速度。使用RANSAC算法在生成的边缘图中拟合直线，减少了局外噪声点对结果产生干扰，设计滤波算法精确提取输电线所在位置，使目标输电线清晰准确。使用大量的样本进行实验，结果表明:本文所提算法有效匹配率为94.7 %，解决了输电线在复杂环境下的识别问题。