基于Adaboost算法的絕緣子圖像識別方法
【專利摘要】本發(fā)明公開了基于Adaboost算法的絕緣子圖像識別方法，本發(fā)明采用了擴大檢測窗口的方法在檢測的最初，檢測窗口和樣本大小一致，然后按照一定的尺度參數(shù)進行移動，遍歷整個圖像，標出可能的目標區(qū)域。遍歷完以后按照指定的放大的倍數(shù)參數(shù)放大檢測窗口，然后再進行一次圖像遍歷；這樣不停的放大檢測窗口對檢測圖像進行遍歷，直到檢測窗口超過原圖像的一半以后停止遍歷；本發(fā)明的優(yōu)點是有效地提升了絕緣子的識別效果，為后續(xù)的故障檢測工作提供了良好的鋪墊，并大大地提高了目標的檢測速度。
【專利說明】基于Adaboost算法的絕緣子圖像識別方法
【技術領域】
[0001]本發(fā)明涉及基于Adaboost算法的絕緣子圖像識別方法，屬于圖像識別【技術領域】?！颈尘凹夹g】
[0002]目前，關于絕緣子的識別問題，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說，得到絕緣子的基于形態(tài)學算法改進最佳熵閾值分割算法分割S分量圖，通過灰度信息復原圖像與濾波計算絕緣子和背景區(qū)域的形狀特征值，并設計分類決策條件；類似地，從重復特征角度上考慮，對有問題的絕緣子檢測、在噪聲和復雜背景情況下具有穩(wěn)定性的優(yōu)點；另外，還有采用投影特點作為識別思路使用側面投影直接從圖像中搜索絕緣子；為了克服負面干擾，用閾值分割的方法；使用基于PCA方法進行傾斜校正，在特征集中選取5個特征，并使用SVM來確定絕緣子的五個特征，但是，該方法局限性較大，容易將桿塔的陰影部分也錯誤地識別成絕緣子，對拍攝的角度和天氣要求比較高。
[0003]利用物理輻射的方法檢測絕緣子，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程中輻射的紫外線，再加以處理分析達到評價設備狀況的目的，該方法可以不受地理環(huán)境條件的限制。但這種方法對靈敏度的統(tǒng)一要求較高。還有選用應用組合方法分割絕緣子串紅外圖像，紅外熱成像技術可將不可見的被測物體的表面溫度轉換為直觀的熱圖像。應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絕緣子盤面的提取問題，該方法最小二乘法對單個絕緣子盤面的邊緣進行了橢圓擬合；此外，還有用自組織映射的方法識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，同時采用S0M(自組織映射)網(wǎng)絡作為檢測方法，用250個現(xiàn)場測試到的局部放電的特征向量進行試驗驗證，該方法識別成本較高，安全性低，對設備的消耗較大，一般來說適用性比較低。
[0004]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、識別效果。

【發(fā)明內容】

[0005]本發(fā)明的目的在于提供一種能夠克服上述技術問題的基于Adaboost算法的絕緣子圖像識別方，本發(fā)明提出的結合3D建模構造正樣本的AdaBoost級聯(lián)分類器的絕緣子識別方法，選用3D模型制作精確純凈的正樣本大大提高了檢測、識別效果。
[0006]Haar-1ike特征集合十分龐大，即使每個特征的計算十分高效，利用所有特征進行分類也是不現(xiàn)實的，本發(fā)明所以需要采用AdaBoost算法的同時進行特征的選擇和分類器的訓練。
[0007]AdaBoost算法采用了擴大檢測窗口的方法在檢測的最初,檢測窗口和樣本大小一致，然后按照尺度參數(shù)，即每次移動的像素個數(shù)，向左然后向下進行移動，遍歷整個圖像，標出可能的目標區(qū)域。遍歷完成以后，按照指定的放大的倍數(shù)參數(shù)放大檢測窗口，然后再進行一次圖像遍歷；這樣不停的放大檢測窗口對檢測圖像進行遍歷，直到檢測窗口超過原圖像的一半以后停止遍歷。AdaBoost算法是一種樣本權重的迭代更新過程，可以將一組弱分類器自適應地提升為強分類器，拓為每個訓練樣本引入一個權重，訓練通過迭代過程實現(xiàn)。每次迭代訓練一弱分類器使其在當前的權重分布下錯誤率最低。每次迭代結束后增大分類錯誤樣本的權重，降低分類正確樣本的權重，從而使得下次迭代若分類器的選擇更加重視錯誤的樣本。本發(fā)明的具體算法步驟如下:
[0008](I)初始化每個樣本的權值，S代表樣本空間訓練集，Xi表示第i個樣本的樣本空間，Yi表示第i個樣本的類別標識集合，Dt表示第t輪訓練后的樣本分布，對每一個(Xi, Yi) e S,令Dt (X^yi) = 1/N, i = I, 2, K，N,表示初始的樣本分布為均勻分布。
[0009](2)對于第i個樣本空間Xi，選擇弱分類器(用h表示)，ht表示第t輪訓練后產生的弱分類器，即
【權利要求】
1.基于Adaboost算法的絕緣子圖像識別方法,其特征在于,采用AdaBoost算法的同時進行特征的選擇和分類器的訓練； 所述AdaBoost算法采用了擴大檢測窗口的方法在檢測的最初，檢測窗口和樣本大小一致，然后按照一定的尺度參數(shù)進行移動，遍歷整個圖像，標出可能的目標區(qū)域，遍歷完以后按照指定的放大的倍數(shù)參數(shù)放大檢測窗口，然后再進行一次圖像遍歷；這樣不停的放大檢測窗口對檢測圖像進行遍歷，直到檢測窗口超過原圖像的一半以后停止遍歷；AdaB00st算法是一種樣本權重的迭代更新過程，可以將一組弱分類器自適應地提升為強分類器，拓為每個訓練樣本引入一個權重，訓練通過迭代過程實現(xiàn)；每次迭代訓練一弱分類器使其在當前的權重分布下錯誤率最低；每次迭代結束后增大分類錯誤樣本的權重，降低分類正確樣本的權重，從而使得下次迭代若分類器的選擇更加重視錯誤的樣本。
2.根據(jù)權利要求1所述的基于Adaboost算法的絕緣子圖像識別方法，其特征在于，具體步驟如下: (1)初始化每個樣本的權值，S代表樣本空間訓練集，Xi表示第i個樣本的樣本空間，yi表不第i個樣本的類別標識集合，Dt表不第t輪訓練后的樣本分布,對每一個(Xi, Yi) e S,令Dt (X^yi) = 1/N, i = I, 2, K，N,表示初始的樣本分布為均勻分布； (2)對于第i個樣本空間Xi，選擇弱分類器，以h表示，ht表示第t輪訓練后產生的弱分類器，即

【文檔編號】G06K9/62GK104021394SQ201410244819
【公開日】2014年9月3日 申請日期:2014年6月5日 優(yōu)先權日:2014年6月5日
【發(fā)明者】翟永杰, 伍洋, 程海燕, 于金生, 王迪 申請人:華北電力大學（保定）