一種基于K-Mean算法的滑車跳線在線檢測方法
【專利摘要】本發(fā)明涉及一種基于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(jī)實(shí)時采集線纜在滑車上運(yùn)動的一組序列圖像數(shù)據(jù)；2)對獲取的圖像進(jìn)行去噪增強(qiáng)處理；3)利用K-mean算法對圖像進(jìn)行初始分割；4)提取初始分割后各區(qū)域特征，結(jié)合顏色信息和空間信息對初始分割的圖像進(jìn)行區(qū)域合并，得到最終的分割結(jié)果；5)將步驟4)獲得的分割后的圖像與事前訓(xùn)練圖像樣本進(jìn)行匹配，獲得監(jiān)控目標(biāo)所在圖像；6)將監(jiān)控目標(biāo)所在圖像與訓(xùn)練圖像進(jìn)行匹配，判斷滑車是否跳線：若圖像中存在目標(biāo)發(fā)生位移，判定滑車發(fā)生跳線，并發(fā)出警報(bào)。與現(xiàn)有技術(shù)相比，本發(fā)明具有方法實(shí)現(xiàn)簡單、可有效對滑車上電纜跳槽進(jìn)行監(jiān)控等優(yōu)點(diǎn)。
【專利說明】一種基于K-Mean算法的滑車跳線在線檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像分類和檢測領(lǐng)域，尤其是涉及一種基于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(yùn)動目標(biāo)進(jìn)行檢測的方法，實(shí)現(xiàn)了被 監(jiān)控目標(biāo)的在線檢測。

【背景技術(shù)】
[0002] 電力系統(tǒng)的智能化管理是其主要的發(fā)展趨勢，滑車線纜作為其中的一部分，對它 的安全監(jiān)控勢在必行。對滑車跳線實(shí)施智能監(jiān)控，當(dāng)滑車出現(xiàn)異常故障時及時地給出報(bào)警 或提示，不僅可以提高電力系統(tǒng)安全系數(shù)，而且可以減輕工作人員的負(fù)擔(dān)和工作強(qiáng)度。
[0003] 對滑車的監(jiān)控屬于"攝像機(jī)靜止-目標(biāo)移動"的組合，將攝像機(jī)固定在合適的位 置，采集線纜在滑車上運(yùn)動的一組序列圖像數(shù)據(jù)。序列圖像的運(yùn)動分析主要包括移動目標(biāo) 檢測、分類、跟蹤以及行為理解，而運(yùn)動目標(biāo)檢測所希望達(dá)到的目的是從序列圖中將運(yùn)動變 化的區(qū)域或者是感興趣的區(qū)域從背景圖像中分割出來，為后期的圖像處理奠定基礎(chǔ)。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種方法實(shí)現(xiàn)簡單、 可有效對滑車上電纜跳槽進(jìn)行監(jiān)控的基于K-Mean算法的滑車跳線在線檢測方法。
[0005] 本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：
[0006] 一種基于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(jī)實(shí)時采集線纜在滑車上運(yùn)動的一組序列圖像數(shù)據(jù)；
[0008] 2)對獲取的圖像進(jìn)行去噪增強(qiáng)處理；
[0009] 3)利用K-mean算法對圖像進(jìn)行初始分割；
[0010] 4)提取初始分割后各區(qū)域特征，結(jié)合顏色信息和空間信息對初始分割的圖像進(jìn)行 區(qū)域合并，得到最終的分割結(jié)果；
[0011] 5)將步驟4)獲得的分割后的圖像與事前訓(xùn)練圖像樣本進(jìn)行匹配，獲得監(jiān)控目標(biāo) 所在圖像；
[0012] 6)將監(jiān)控目標(biāo)所在圖像與訓(xùn)練圖像進(jìn)行匹配，判斷滑車是否跳線：若圖像中存在 目標(biāo)發(fā)生位移，判定滑車發(fā)生跳線，并發(fā)出警報(bào)。
[0013] 所述步驟2)中的去噪增強(qiáng)處理采用中值濾波法。
[0014] 所述步驟3)具體為：
[0015] 301)將RGB圖像轉(zhuǎn)換到Lab彩色空間中；
[0016] 302)隨機(jī)選取K個聚類質(zhì)心點(diǎn)，記為μ ρ μ 2，…，μ k，計(jì)算每個像素點(diǎn)屬于K類 中的某類i，即中心點(diǎn)與相關(guān)的像素點(diǎn)的距離最?。?br> [0017] e<l) = arg min I⑴ _
[0018] c(i)代表某個像素點(diǎn)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(diǎn)，j = l，2，"·，Κ;
[0019] 303)更新中心點(diǎn)：對于每一類j，計(jì)算每一類中的當(dāng)前像素點(diǎn)與中心點(diǎn)的平均距 離，然后將這個平均值作為新的中心點(diǎn)： 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(diǎn)數(shù)；
[0022] 304)重復(fù)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(qū)域合并具體為：
[0025] 401)計(jì)算初始分割后各區(qū)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(qū)域中包含的像素個數(shù)；λ ρ λ」代表兩個區(qū) 域的顏色均值；Μ · 11表示歐式距離；ni、η」表示兩個區(qū)域邊緣處對應(yīng)的像素均值；
[0029] 所有區(qū)域的顏色距離組成顏色相似性矩陣，所有區(qū)域的邊緣距離組成邊緣相似性 矩陣；
[0030] 402)結(jié)合顏色距離和邊緣距離計(jì)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(jìn)行排序后得到的矩陣序號，Esort為對邊緣相 似性矩陣進(jìn)行排序后得到的矩陣序號，P為權(quán)值；
[0033] 403)根據(jù)最終度量距離進(jìn)行區(qū)域合并；
[0034] 404)判斷是否滿足區(qū)域合并停止準(zhǔn)則，若是，則停止區(qū)域合并，若否，則返回步驟 401)。
[0035] 所述區(qū)域合并停止準(zhǔn)則具體為：
[0036] a)計(jì)算圖像內(nèi)的區(qū)域合并kl個時，其顏色散度：
[0037]

【權(quán)利要求】
1. 一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在于，包括以下步驟： 1) 攝像機(jī)實(shí)時采集線纜在滑車上運(yùn)動的一組序列圖像數(shù)據(jù)； 2) 對獲取的圖像進(jìn)行去噪增強(qiáng)處理； 3) 利用K-mean算法對圖像進(jìn)行初始分割； 4) 提取初始分割后各區(qū)域特征，結(jié)合顏色信息和空間信息對初始分割的圖像進(jìn)行區(qū)域 合并，得到最終的分割結(jié)果； 5) 將步驟4)獲得的分割后的圖像與事前訓(xùn)練圖像樣本進(jìn)行匹配，獲得監(jiān)控目標(biāo)所在 圖像； 6) 將監(jiān)控目標(biāo)所在圖像與訓(xùn)練圖像進(jìn)行匹配，判斷滑車是否跳線：若圖像中存在目標(biāo) 發(fā)生位移，判定滑車發(fā)生跳線，并發(fā)出警報(bào)。
2. 根據(jù)權(quán)利要求1所述的一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在 于，所述步驟2)中的去噪增強(qiáng)處理采用中值濾波法。
3. 根據(jù)權(quán)利要求1所述的一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在 于，所述步驟3)具體為： 301) 將RGB圖像轉(zhuǎn)換到Lab彩色空間中； 302) 隨機(jī)選取K個聚類質(zhì)心點(diǎn)，記為μ ρ μ 2,…，μ k,計(jì)算每個像素點(diǎn)屬于K類中的 某類，即中心點(diǎn)與相關(guān)的像素點(diǎn)的距離最?。?br> c(i)代表某個像素點(diǎn)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(diǎn)，j = l，2，"·，Κ; 303) 更新中心點(diǎn)：對于每一類j，計(jì)算每一類中的當(dāng)前像素點(diǎn)與中心點(diǎn)的平均距離，然 后將這個平抱侑作為新的中心點(diǎn)：
m代表圖像中的像素點(diǎn)數(shù)； 304) 重復(fù)步驟302)、303)，直至收斂。
4. 根據(jù)權(quán)利要求3所述的一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在 于，所述K的取值為5-7。
5. 根據(jù)權(quán)利要求1所述的一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在 于，所述步驟4)中的區(qū)域合并具體為： 401)計(jì)算初始分割后各區(qū)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(qū)域中包含的像素個數(shù)；λ i，λ j代表兩個區(qū)域的 顏色均值；Μ · 11表示歐式距離；1、L表示兩個區(qū)域邊緣處對應(yīng)的像素均值； 所有區(qū)域的顏色距離組成顏色相似性矩陣，所有區(qū)域的邊緣距離組成邊緣相似性矩 陣； 402) 結(jié)合顏色距離和邊緣距離計(jì)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(jìn)行排序后得到的矩陣序號，Esort為對邊緣相似性 矩陣進(jìn)行排序后得到的矩陣序號，P為權(quán)值； 403) 根據(jù)最終度量距離進(jìn)行區(qū)域合并； 404) 判斷是否滿足區(qū)域合并停止準(zhǔn)則，若是，則停止區(qū)域合并，若否，則返回步驟 401)。
6.根據(jù)權(quán)利要求5所述的一種基于K-Mean算法的滑車跳線在線檢測方法，其特征在 于，所述區(qū)域合并停止準(zhǔn)則具體為： a) 計(jì)算圖像內(nèi)的區(qū)域合并kl個時，其顏色散度：
其中，代表一個區(qū)域內(nèi)的顏色散度，Λ代表圖像內(nèi)總的顏色散度；N代表總的像素?cái)?shù)， Nr代表第r個區(qū)域內(nèi)的像素?cái)?shù)；Xi代表第r個區(qū)域內(nèi)的第i個像素的顏色值，Χπ_代表第 r個區(qū)域的顏色均值； b) 判斷當(dāng)前1與前一次區(qū)域合并后的顏色散度Γ i間的差值是否大于設(shè)定值，若是， 則滿足區(qū)域合并停止準(zhǔn)則，停止區(qū)域合并，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(yōu)先權(quán)日:2014年7月9日
【發(fā)明者】劉剛, 賀遠(yuǎn), 趙龍, 朱凱 申請人:上海電力學(xué)院