一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法
【專利摘要】本發(fā)明公開了一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法。首先利用隨機森林對“分”和“合”兩種狀態(tài)的開關模型進行學習，形成對應的投票碼本；其次利用兩種開關模型生成的投票碼本通過霍夫變換對開關中心位置進行投票，獲得開關位置的矩形框描述，完成開關的檢測與定位；最后根據(jù)兩種開關模型的檢測結果判斷開關的狀態(tài)。本發(fā)明能夠實現(xiàn)開關狀態(tài)的自動識別，具有較高的準確率，并且具有穩(wěn)定性好，抗干擾能力強，通用性高等優(yōu)點，具有良好的魯棒性，能夠應用于機器人巡檢系統(tǒng)或者是變電站智能視頻監(jiān)控系統(tǒng)。
【專利說明】
-種基于霍夫森林的高壓隔離開關狀態(tài)識別方法
技術領域
[0001] 本發(fā)明設及了一種識別變電站開關狀態(tài)的方法，尤其是設及了一種基于霍夫森林 的高壓隔離開關狀態(tài)識別方法。
【背景技術】
[0002] 變電站遠程視頻監(jiān)控系統(tǒng)雖然可W代替操作人員的現(xiàn)場核對工作，但是還是需要 監(jiān)控中屯、的運行操作人員去判斷隔離開關、斷路器的工作狀態(tài)。運樣的操作模式雖然能夠 縮短倒閩操作時間，但還是依賴于工作人員的主觀判斷，容易受到工作人員知識、經驗等自 身條件因素的影響。因此，如果能夠在變電站中實現(xiàn)無人參與的"一鍵式"順序控制的倒閩 操作，對于實現(xiàn)變電站的無人值守化具有重要意義。借助于圖像處理技術對斷路器、隔離開 關的位置狀態(tài)進行識別是實現(xiàn)倒閩操作自動化的關鍵一步，也是亟需解決的難題之一。

【發(fā)明內容】

[0003] 為了解決【背景技術】中的問題，本發(fā)明提出了一種基于霍夫森林的高壓隔離開關狀 態(tài)識別方法，能高效識別開關狀態(tài)并具有良好穩(wěn)定性。
[0004] 本發(fā)明的技術方案包括W下步驟：
[0005] 1)采集開關樣本圖片，開關樣本圖片包含電網(wǎng)開關目標物，目標物分為"分"和 "合"的兩類開關；
[0006] 2)遍歷所有開關樣本圖片，根據(jù)已設定的采集步長將圖片進行分割，并依據(jù)采集 步長從中提取多個相同大小的圖像塊，對于每塊圖像塊提取其特征，特征包括梯度特征、顏 色特征和邊緣輪廓特征，形成獲得訓練集；
[0007] 3)將步驟2)獲得的所有圖像塊的數(shù)據(jù)在基于霍夫森林在有監(jiān)督判斷的分類器中 進行學習訓練，訓練獲得一系列決策樹，從而獲得由決策樹形成的決策森林:每一棵決策樹 由一個根節(jié)點W及若干分支節(jié)點和葉節(jié)點組成，根節(jié)點存儲所有訓練集{pi}，葉節(jié)點存儲 到達該節(jié)點的訓練集{pi}(即圖像塊的信息），分支節(jié)點存儲分類結果信息；
[0008] 4)對于待測圖片，重復步驟2)和步驟3)采用與樣本圖片相同的處理方式獲得待測 圖片所有圖像塊的訓練集W及一系列決策樹，再對各個圖像塊進行檢測，獲得圖像塊中每 個像素作為目標物中屯、位置的概率，W概率作為像素值組成霍夫圖像，尋找霍夫圖像像素 值最大點所在的坐標為目標物的中屯、位置；
[0009] 5)結合一種啟發(fā)性方法W避免非極大值抑制，由于拍攝角度、距離等因素的影響， 圖像中的開關大小會有所不同，因此對原始的圖像塊進行多尺度縮放，每次求取霍夫圖像 目標物的中屯、位置，直至檢測和定位出圖片中所有的開關，不能檢測得到目標物的中屯、位 置則認為沒有開關；
[0010] 所述的多尺度縮放是指在原圖像塊尺寸的1/2~2倍范圍內進行縮放。
[0011] 6)變電站最常見的開關設備是高壓=相隔離開關，其包含3個刀閩開關，并且運3 個刀閩開關之間有聯(lián)動機構保證它們能夠保持相同的狀態(tài)。因此，構建高壓隔離開關的 "合"開關模型和"分"開關模型，然后判別：
[0012]當"合"開關模型檢測出的開關個數(shù)大于等于2且大于"分"開關模型檢測到的開關 數(shù)，則識別得到=相隔離開關的狀態(tài)為閉合；
[OOU]當"分"開關模型檢測出的開關個數(shù)大于等于2且大于"合"開關模型檢測到的開關 數(shù)，則識別得到=相隔離開關的狀態(tài)為斷開；
[0014] 當兩種開關模型的檢測結果相同，則表示運次開關狀態(tài)識別失敗。
[0015] 所述的開關樣本圖片是指人站在地面上，W電網(wǎng)開關作為目標物，正對目標物的 左右偏差15度和仰視30-45度的范圍內采集獲得圖片。
[0016] 所述的訓練集中，每個圖像塊為16X16像素，第i個圖像塊Pi表示為：
[0017] Pi=(Ky) ,c(y) ,d(y))
[001引其中，i為圖像塊編號，I(y)為圖像塊特征集，I(y) = {li，I2，...P...，lC}，表示圖像 塊在不同特征通道的特征信息，j為特征通道號，C表示特征通道總數(shù);c(y)表示用于前景或 背景的標記，來自前景的圖像塊標記為1，為正樣本;來自背景的圖像塊標記為0,為負樣本； d(y)表示正樣本中圖像塊中屯、至目標物中屯、的偏移量，負樣本d(y)不做定義，y表示圖像塊 的中屯、坐標.
[0019] W包含目標物的區(qū)域作為前景，前景作為正樣本，W包含目標物的區(qū)域作為背景， 背景作為負樣本；
[0020] 所述步驟2)中對于每一圖像塊提取梯度特征具體采用W下過程：
[0021] 2.1)提取圖像塊的梯度特征，在圖像塊的每個5X5像素的單元格內，采用梯度直 方圖來統(tǒng)計獲得單元格的各像素的梯度信息，
[0022] 2.2)將單元格的梯度方向360度分為9個方向區(qū)間，對單元格內的每個像素用梯度 方向在直方圖中進行加權投影，權值為梯度幅值，方向直方圖的幅值作為特征向量，由此提 取9個梯度特征向量。
[0023] 所述步驟2.2)具體是：
[0024] 將單元格的梯度方向360度分為9個方向區(qū)間，采用W下公式計算單元格中像素點 的梯度，梯度幅值為：
[0025]
[0026] 式中，Gx(x，y)和Gy(x，y)分別表示每個像素點X方向和y方向的梯度幅值。
[0027] 梯度方向為：
[002引
[0029] 然后采用W下公式計算單元格內各個像素點在[-V2，V2]梯度方向上的多個均 勻區(qū)間內的加巧巧影，
[0030]
[0031] 式中，Gk(x，y)表示單元格內不同梯度方向梯度幅值累加值，b表示直方柱，用來表 示不同的梯度方向范圍，k表示不同直方柱的編號。
[0032] 所述步驟2)顏色特征采用W下方式進行提取:對于每一圖像塊，采用Lab顏色模型 作為顏色特征，將原始圖像轉換為Lab顏色空間模型表示，L、a、b顏色分量分別作為S個顏 色特征，組成顏色特征向量集。
[0033] 所述步驟2)邊緣輪廓特征采用W下方式進行提?。?br>[0034] 對于每一圖像塊，分別提取圖像塊沿水平方向和豎直方向的一階、二階微分，共計 四個微分作為四個邊緣輪廓特征向量，組成邊緣輪廓特征向量集，其中一階、二階微分用 Sobel微分算子實現(xiàn)。
[0035] 共提取獲得電網(wǎng)開關設備的16個特征向量組成開關的特征通道集I，每個特征向 量即為一個特征通道，每個特征通道是與圖像塊大小相同的矩陣圖塊。
[0036] 所述的步驟3)具體為：
[0037] 輸入訓練集{pi}，W二值測試作為分裂方式，即從訓練集{pi}的圖像塊特征集中選 取任一特征通道，并在該特征通道上任意選取兩個不同位置上的點，對運兩點上的值進行 判斷，具體定義如下公式所示，獲得的分類結果存儲在在分支節(jié)點處，由此獲得特征通道集 I的分類結果集Ta,p,q,r,s,S(I):
[00；3 引
[0039] 式中，a表示特征通道號，aG{l，2,…，C}，I表示特征通道集合，（p，q)和(r，s)表示 特征通道上的兩個像素點坐標，S表示分裂闊值，運些信息存儲在每一個分支節(jié)點中，用來 對樣本進行分類.
[0040] 所述的分裂闊值S采用W下方式計算：
[0041] 在分支節(jié)點處分別用類不確定度化(A)和偏移量不確定度化(A)來度量到達該分支 節(jié)點前景圖像塊的不純度，對于負樣本的前景圖像塊不計算不純度，類不確定度化(A)和偏 移量不確定度化(A)分別采用W下公式計算：
[0042]
[0043] Q2(A) = E(di+dA)2
[0044] 式中，Pi是子節(jié)點沖訓練集占父節(jié)點訓練集的比例，K表示子節(jié)點數(shù)量，E(A)是子 節(jié)點中訓練集類別的信息賭，賭越小則代表類別的不確定度越?。籨A表示目標類別訓練集 偏移量的均值，di表示目標類別訓練集的偏移量，i為圖像塊編號，A表示到達該節(jié)點的訓練 集。
[0045] 在決策樹每一個分支節(jié)點的構造過程中，從類不確定度化(A)和偏移量不確定度化 (A)中選取值最小的作為該分支節(jié)點的分裂闊值。
[0046] 所述步驟3)中，當決策樹的深度大于最大深度cUx或該訓練集中正樣本的數(shù)量小 于最小樣本數(shù)量Nmin,則該節(jié)點作為葉子節(jié)點。在葉子節(jié)點，若正樣本圖像塊到達葉節(jié)點的 百分數(shù)比例Cl=100%，L表示葉節(jié)點，則表示到達該葉節(jié)點的所有圖像塊均為正樣本(前景 圖像塊）?；?{di}記錄到達該葉節(jié)點的所有圖像塊中屯、距離目標中屯、的偏移量，其中L表示 葉節(jié)點。葉節(jié)點所承載的信息形成一個可判別的碼本，該碼本保存了可能的目標物體中屯、 位置信息，并W此進行下一步的目標定位。
[0047] 所述步驟4)中圖像塊中每個像素作為目標物中屯、位置的概率采用W下方式計算 獲得：
[0048] 4.1)建立大小為MXN的矩形框作為檢測窗口，假設霍夫空間H其中的點h(xc)表示 目標物，Xe表示目標物中屯、位置；
[0049] 若Xi = h(Xc) GH，則表示該圖像塊來自于目標物h(Xc)，若Xi = O,則表示該圖像塊 來自于背景；
[0050] 4.2)將來自不同圖像塊線性累加到霍夫空間H，霍夫空間中采集W下公式計算獲 得圖像塊的像素位于目標物中屯、位置的概率P化(Xe) = 111 (y)):
[0化1 ]
[0052] 式中，P表示所有投票元素i的集合，山表示每一個可能的偏移量，T為霍夫森林中 決策樹總數(shù)，t表示霍夫森林中決策樹的序數(shù)，Dl記錄到達該葉節(jié)點L的所有圖像塊中屯、距 罔目柄中心的偏移重；
[0053] 上述隨機變量Xi的概率分布函數(shù)采用W下公式的核密度來估計計算，核函數(shù)為高 斯核函數(shù)：
[0化4]
[005引其中，P康示位于節(jié)點L處的投票元素i屬于目標類別的概率，Dl記錄到達該葉節(jié)點 L的所有圖像塊中屯、距離目標中屯、的偏移量，O表示高斯核函數(shù)的標準差。
[0056] 本發(fā)明的"合"開關模型和"分"開關模板構建采用W下文獻中所使用的方法:張 浩，王諱，徐麗杰，等.圖像識別技術在電力設備監(jiān)測中的應用[J].電力系統(tǒng)保護與控制， 2010,38(6):88-91。
[0057] 本發(fā)明具有的有益的效果是：
[00曰引相比于W往的開關狀態(tài)識別方法，本發(fā)明方法準確率高，魯棒性好，且對其他類型 的刀閩式隔離開關具有通用性；
[0059] 根據(jù)變電站開關設備的特點，本發(fā)明選擇了梯度特征、邊緣輪廓特征、顏色特征作 為霍夫森林的分類屬性，彌補了單一特征描述的缺陷；
[0060] 由于霍夫森林是基于隨機森林的霍夫變換方法，具有隨機森林與霍夫變換的優(yōu) 點，而在變電站開關檢測過程中圖像背景往往比較復雜，并且容易受到各種因素的干擾，比 如遮擋、噪聲等，將霍夫森林應用到變電站開關的檢測中能夠在一定程度上減少各種因素 的干擾，提高變電站開關檢測與定位的準確率，進而提高開關狀態(tài)識別的準確率。
[0061 ]通過建立霍夫變換的概率框架來描述投票元素與目標假設之間的關系，減少投票 元素的虛假投票，避免非極大值抑制的步驟，解決多個開關的檢測與定位問題。
[0062] 本發(fā)明方法完全不受圖片中高斯噪聲和椒鹽噪聲的影響，且在部分遮擋的情況下 也能夠準確地檢測與定位出待檢測圖片中的刀閩開關，具有較強的抗干擾能力。
【附圖說明】
[0063] 圖1為實施例訓練樣本圖片。
[0064] 圖2為實施例本方法開關檢測與定位。
[0065] 圖3為實施例本方法在高斯噪聲與椒鹽噪聲下的開關檢測與定位。
[0066] 圖4為實施例本方法對于閉合開關的檢測與定位。
[0067] 圖5為實施例本方法對于斷開開關的檢測與定位。
[0068] 圖6為實施例本方法在不同光照強度下的開關檢測與定位。
[0069] 圖7為實施例本方法在遮擋情況下的開關檢測與定位。
【具體實施方式】
[0070] 下面結合附圖及具體實施例對本發(fā)明作進一步詳細說明。
[0071] 本發(fā)明的實施例如下：
[0072] 實驗圖片共有300張，其中用于訓練的圖片有100張，每種開關狀態(tài)的圖片各有50 張，其余200張圖片作為測試集圖片，圖像塊的大小為16X16像素。正訓練樣本圖片只包含 隔離開關，負訓練樣本圖片為實驗中用于訓練的圖片的背景區(qū)域，將正負訓練樣本圖片歸 一化為相同的尺寸大小，如圖1所示，第一行圖片為負訓練樣本圖片，第二行圖片為正訓練 樣本圖片。W訓練"合"開關模型為例，由于每張實驗圖片包含3個開關刀閩，因此，正訓練樣 本圖片共有150張，從每張正訓練樣本圖片中提取150個圖像塊，所W正訓練集有22500個圖 像塊。負訓練集由兩部分組成:一是從每張"合"訓練樣本圖片背景區(qū)域中提取的450個圖像 塊，共22500個圖像塊;二是從"分"訓練樣本圖片集中提取22500個圖像塊，故負訓練集共有 45000個圖像塊。每個開關模型訓練15棵樹，每棵樹的最大深度為15。當開關90%被矩形框 覆蓋時，即判定為開關被正確檢測。
[0073] 采用"合"和"分"開關模型分別去檢測兩種狀態(tài)隔離開關測試圖片，得到的結果如 表1和表2所示：
[0074] 表r合"開關模型檢測結果
[0075]
[C
[C 12 從表1中可W看出，用"合"開關模型檢測閉合狀態(tài)開關的準確率達到94.3%，檢測 斷開狀態(tài)開關的誤檢率只有1%;從表2中可W看出，"分"開關模型檢測斷開狀態(tài)開關的準 確率為93%，檢測閉合狀態(tài)開關的誤檢率為1.7%。因此，可W根據(jù)兩類開關模型的檢測結 果判斷=相隔離開關的狀態(tài)。表3給出了 =相隔離開關狀態(tài)識別結果，準確率都在90% W 上。 2 表3開關狀態(tài)識別結果
[0080]
[0081] 圖2為常規(guī)情況下本發(fā)明方法的檢測和定位結果示意。
[0082] 并且，本發(fā)明實施例同時對多種不同情況進行實施，在高斯噪聲與椒鹽噪聲下的 實施例結果如圖3所示，在閉合開關和斷開開關的實施例結果分別如圖4和5所示，在不同光 照強度下的實施例結果如圖6所示，在遮擋情況下的實施例結果如圖7所示。
[0083] 椒鹽噪聲和高斯噪聲是數(shù)字圖像處理領域內最常見的兩種噪聲，圖3表示在待檢 測圖片中加入高斯噪聲情況下開關檢測與定位效果。從實驗結果來看，本方法完全不受圖 片中兩種噪聲的影響，能夠準確地檢測與定位出待檢測圖片中的刀閩開關，具有較強的抗 干擾能力，為下一步的狀態(tài)判別做好準備。
[0084] 在圖7中可W看到，在部分遮擋的情況下，本發(fā)明方法也能夠準確地檢測與定位出 圖像中的刀閩開關，運可W讓攝像機的擺放位置W及巡檢機器人的定點巡檢位置更加自 由，可W有效地應對一些復雜的環(huán)境狀況。
[0085] 由此可見，本發(fā)明能夠實現(xiàn)開關狀態(tài)的自動識別，具有較高的準確率，并且具有穩(wěn) 定性好，抗干擾能力強，通用性高等優(yōu)點，對開關的局部遮擋也具有魯棒性，能夠應用于機 器人巡檢系統(tǒng)或者是變電站智能視頻監(jiān)控系統(tǒng)。
[0086] 上述【具體實施方式】用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的 精神和權利要求的保護范圍內，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護范 圍。
【主權項】
1. 一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，包括以下步驟： 1) 采集開關樣本圖片，開關樣本圖片包含電網(wǎng)開關目標物，目標物分為"分"和"合"的 兩類開關； 2) 遍歷所有開關樣本圖片，根據(jù)已設定的采集步長將圖片進行分割，并依據(jù)采集步長 從中提取多個相同大小的圖像塊，對于每塊圖像塊提取其特征，特征包括梯度特征、顏色特 征和邊緣輪廓特征，形成獲得訓練集； 3) 將步驟2)獲得的所有圖像塊的數(shù)據(jù)在基于霍夫森林在有監(jiān)督判斷的分類器中進行 學習訓練，訓練獲得一系列決策樹，從而獲得由決策樹形成的決策森林:每一棵決策樹由一 個根節(jié)點以及若干分支節(jié)點和葉節(jié)點組成，根節(jié)點存儲所有訓練集{ Pl}，葉節(jié)點存儲到達 該節(jié)點的訓練集{Pl}(即圖像塊的信息），分支節(jié)點存儲分類結果信息； 4) 對于待測圖片，重復步驟2)和步驟3)采用與樣本圖片相同的處理方式獲得待測圖片 所有圖像塊的訓練集以及一系列決策樹，再對各個圖像塊進行檢測，獲得圖像塊中每個像 素作為目標物中心位置的概率，以概率作為像素值組成霍夫圖像，尋找霍夫圖像像素值最 大點所在的坐標為目標物的中心位置； 5) 對原始的圖像塊進行多尺度縮放，每次求取霍夫圖像目標物的中心位置，直至檢測 和定位出圖片中所有的開關； 6) 構建高壓隔離開關的"合"開關模型和"分"開關模型，然后判別： 當"合"開關模型檢測出的開關個數(shù)大于等于2且大于"分"開關模型檢測到的開關數(shù)， 則識別得到三相隔離開關的狀態(tài)為閉合； 當"分"開關模型檢測出的開關個數(shù)大于等于2且大于"合"開關模型檢測到的開關數(shù)， 則識別得到三相隔離開關的狀態(tài)為斷開。2. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述的開關樣本圖片是指人站在地面上，以電網(wǎng)開關作為目標物，正對目標物的左右偏 差15度和仰視30-45度的范圍內采集獲得圖片。3. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述的訓練集中，每個圖像塊為16X16像素，第i個圖像塊 ?1表示為： Pi=(Ky) ,c(y) ,d(y)) 其中，i為圖像塊編號，Ky)為圖像塊特征集，〖⑷二⑴^廣中…^:^表示圖像塊在 不同特征通道的特征信息，j為特征通道號，C表示特征通道總數(shù);c(y)表示用于前景或背 景的標記，來自前景的圖像塊標記為1，為正樣本;來自背景的圖像塊標記為0,為負樣本;d (y)表示正樣本中圖像塊中心至目標物中心的偏移量，y表示圖像塊的中心坐標。4. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述步驟2)中對于每一圖像塊提取梯度特征具體采用以下過程： 2.1) 提取圖像塊的梯度特征，在圖像塊的每個5X5像素的單元格內，采用梯度直方圖 來統(tǒng)計獲得單元格的各像素的梯度信息， 2.2) 將單元格的梯度方向360度分為9個方向區(qū)間，對單元格內的每個像素用梯度方向 在直方圖中進行加權投影，權值為梯度幅值，方向直方圖的幅值作為特征向量，由此提取9 個梯度特征向量。5. 根據(jù)權利要求4所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述步驟2.2)具體是： 將單元格的梯度方向360度分為9個方向區(qū)間，采用以下公式計算單元格中像素點的梯 度，梯度幅值為：式中，Gx (X，y)和Gy (X，y)分別表示每個像素點X方向和y方向的梯度幅值。 梯度方向為：然后采用以下公式計算單元格內各個像素點在[4/2 3/2]梯度方向上的多個均勻區(qū) P η?π的七η 士T7姐輿5 -式中，Gk(x，y)表示單元格內不同梯度方向梯度幅值累加值，b表示直方柱，用來表示不 同的梯度方向范圍，k表示不同直方柱的編號。6. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述步驟2)顏色特征采用以下方式進行提取:對于每一圖像塊，采用Lab顏色模型作為 顏色特征，將原始圖像轉換為Lab顏色空間模型表示，L、a、b顏色分量分別作為三個顏色特 征，組成顏色特征向量集。7. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述步驟2)邊緣輪廓特征采用以下方式進行提取:對于每一圖像塊，分別提取圖像塊沿 水平方向和豎直方向的一階、二階微分，共計四個微分作為四個邊緣輪廓特征向量，組成邊 緣輪廓特征向量集。8. 根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述的步驟3)具體為： 輸入訓練集{Pl}，以二值測試作為分裂方式，即從訓練集{Pl}的圖像塊特征集中選取任 一特征通道，并在該特征通道上任意選取兩個不同位置上的點，對這兩點上的值進行判斷， 具體定義如下公式所示，獲得的分類結果存儲在在分支節(jié)點處，由此獲得特征通道集I的分 類結果集Ta ，P，q，r，s，S (I)：式中，a表示特征通道號，ae {1，2，···，C}，1表示特征通道集合，（p，q)和(r，s)表示特征 通道上的兩個像素點坐標，S表示分裂閾值。9. 根據(jù)權利要求8所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述的分裂閾值S采用以下方式計算： 在分支節(jié)點處分別用類不確定度Qi(A)和偏移量不確定度Q2(A)來度量到達該分支節(jié)點 前景圖像塊的不純度，類不確定度Q1(A)和偏移量不確定度Q2(A)分別采用以下公式計算：Q2(A) = Σ (di+dA)2 式中，Pi是子節(jié)點i中訓練集占父節(jié)點訓練集的比例，K表示子節(jié)點數(shù)量，E (A)是子節(jié)點 中訓練集類別的信息熵，熵越小則代表類別的不確定度越小;dA表示目標類別訓練集偏移 量的均值，Cl 1表示目標類別訓練集的偏移量，i為圖像塊編號，A表示到達該節(jié)點的訓練集； 在決策樹每一個分支節(jié)點的構造過程中，從類不確定度Qi(A)和偏移量不確定度Q 2(A) 中選取值最小的作為該分支節(jié)點的分裂閾值。10.根據(jù)權利要求1所述的一種基于霍夫森林的高壓隔離開關狀態(tài)識別方法，其特征在 于:所述步驟4)中圖像塊中每個像素作為目標物中心位置的概率采用以下方式計算獲得： 4.1) 建立大小為MXN的矩形框作為檢測窗口，假設霍夫空間H其中的點h(x。)表示目標 物，X。表示目標物中心位置； 若11 = 11(^)￡!1，則表示該圖像塊來自于目標物11(1)，若11 = 0，則表示該圖像塊來自于 背景； 4.2) 將來自不同圖像塊線性累加到霍夫空間H，霍夫空間中采集以下公式計算獲得圖 像塊的像素位于目標物中心位置的概率P (h (X。) = I 11 (y)):式中，P表示所有投票元素 i的集合，di表示每一個可能的偏移量，T為霍夫森林中決策樹 總數(shù)，t表示霍夫森林中決策樹的序數(shù)，Dl記錄到達該葉節(jié)點L的所有圖像塊中心距離目標 中心的偏移量； 上述隨機變量^的概率分布函數(shù)采用以下公式的核密度來估計計算，核函數(shù)為高斯核 函數(shù)：其中，Pl表示位于節(jié)點L處的投票元素 i屬于目標類別的概率，〇表示高斯核函數(shù)的標準 差。
【文檔編號】G06K9/62GK106022345SQ201610347693
【公開日】2016年10月12日
【申請日】2016年5月24日
【發(fā)明人】齊冬蓮, 閆云鳳, 邵建雄, 顧弘, 李超勇, 馬必煥, 陳拓
【申請人】杭州遠鑒信息科技有限公司