基于改進(jìn)Meanshift算法的刀閘實(shí)時狀態(tài)的精準(zhǔn)跟蹤

臺德群，翁士狀，羅 希，李 宇，孫長翔

(1．國網(wǎng)安徽電力有限公司 銅陵供電公司,安徽 銅陵 244099；2.安徽大學(xué) 電子與信息工程學(xué)院,安徽 合肥 230601；3.安徽南瑞繼遠(yuǎn)電網(wǎng)技術(shù)有限公司,安徽 合肥 230088)

刀閘是電力輸送線路中主要的通斷控制器件，對其狀態(tài)的識別是線路巡檢中的常規(guī)工作[1-2].最為直接的識別是工作人員的目測，這種方式勞動強(qiáng)度大、操作時間長[3-4].有科研人員通過在刀閘上加裝傳感器或信號燈等來識別其狀態(tài)，但上述裝置無法準(zhǔn)確識別刀閘高壓側(cè)的開合狀態(tài)[5-6].目前，刀閘狀態(tài)多數(shù)是基于圖像自動識別的，此方式無須加裝設(shè)備且不易受高壓的影響，有廣泛的應(yīng)用.文獻(xiàn)[7]使用Hough 變換處理刀閘邊界圖像，可快速獲得刀閘狀態(tài).文獻(xiàn)[8]融合尺度不變特征變換(scale-invariant feature transform，簡稱SIFT)和 Hough變換，實(shí)現(xiàn)圖像的模板匹配和信息提取，進(jìn)而判別刀閘狀態(tài).文獻(xiàn)[9]提出利用全卷積神經(jīng)網(wǎng)絡(luò)對刀閘組件進(jìn)行分割，引入幾何關(guān)系獲得其狀態(tài).文獻(xiàn)[10]通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對復(fù)雜背景下的刀閘圖像進(jìn)行學(xué)習(xí)，完成對位置的確定，并借助圖像獲得刀閘狀態(tài).這些方法存在訓(xùn)練復(fù)雜、訓(xùn)練數(shù)據(jù)大及實(shí)時性差等問題.

Meanshift算法對特征空間的樣本點(diǎn)進(jìn)行分析，無須先驗(yàn)知識，收斂速度快，在視頻圖像平滑、濾波、分割及目標(biāo)跟蹤等領(lǐng)域得到廣泛應(yīng)用[11-13].考慮到刀閘顏色紋理特征弱，引入局部二元模式(local binary patterns, 簡稱LBP)編碼[14-15]對刀閘刀口局部梯度特征進(jìn)行編碼，使其在視頻的局部區(qū)域擁有更好的區(qū)分度.基于該思路，以雙柱式水平刀閘為例，筆者在圖像顏色特征統(tǒng)計(jì)的基礎(chǔ)上，為Meanshift算法引入特異性更強(qiáng)的LBP顏色梯度編碼，對刀閘實(shí)時狀態(tài)進(jìn)行精準(zhǔn)跟蹤.

1 刀閘實(shí)時狀態(tài)的精準(zhǔn)跟蹤

1.1 Meanshift算法

1.1.1 核函數(shù)的選擇

Meanshift是視頻分析中目標(biāo)跟蹤的經(jīng)典算法.Meanshift算法主要依靠無參密度估計(jì)，常用的無參密度估計(jì)法有：直方圖法、最近鄰域法和核密度法.核密度法根據(jù)實(shí)際案例特征，選擇跟蹤準(zhǔn)確性最高的Epannechnikov核函數(shù)[16]，其表達(dá)式為

(1)

其中：C為d維歐氏空間，x為該空間的點(diǎn)對應(yīng)的向量.

1.1.2 目標(biāo)模型的構(gòu)建

Meanshift算法用特征值加權(quán)概率分布q={qu}描述目標(biāo)特征.初始幀中，通過核函數(shù)加權(quán)計(jì)算目標(biāo)窗口區(qū)域各點(diǎn)特征值的概率分布.為了減少計(jì)算量，將特征空間量化，這樣第u種特征值qu就可表示為

(2)

其中：u∈(1,2，…,m]，i∈(1,2，…,n]，t為標(biāo)準(zhǔn)化系數(shù)，H為核函數(shù)寬度，Xi-X0為目標(biāo)窗口的坐標(biāo)向量與中心坐標(biāo)向量的差值，F(xiàn)(Xi)為坐標(biāo)向量的特征值.

在跟蹤序列的第N幀，若候選目標(biāo)在以Y為中心的搜索窗口內(nèi)，則候選目標(biāo)模型為

(3)

其中：u∈(1,2，…,m]，i∈(1,2，…,n]，th為標(biāo)準(zhǔn)化系數(shù)，Hh為核函數(shù)寬度.

1.1.3 相似性函數(shù)構(gòu)建和目標(biāo)定位

相似性函數(shù)用于評估目標(biāo)模型和候選目標(biāo)模型間的相似程度，該文用Bhattacharyya系數(shù)對其進(jìn)行匹配計(jì)算.相似性函數(shù)的表達(dá)式為

(4)

其中：ρ(Y)的值在0～1之間，其值越大，兩個模型就越相似.視頻中目標(biāo)對象的位置位于ρ(Y)值最大的區(qū)域.為了找到目標(biāo)區(qū)域的最佳匹配位置，以當(dāng)前幀目標(biāo)窗口的中心為起點(diǎn)，搜索下一幀圖像中與之對應(yīng)的最佳匹配位置，通過分別計(jì)算當(dāng)前幀目標(biāo)區(qū)域和下一幀候選區(qū)域內(nèi)像素的特征值概率，得到關(guān)于目標(biāo)模型和候選模型的描述，然后利用相似函數(shù)量度當(dāng)前幀目標(biāo)模型與下一幀的候選模型的相似性，選擇使相似函數(shù)最大的候選模型，得到關(guān)于目標(biāo)模型的Meanshift向量.Meanshift向量的表達(dá)式為

(5)

經(jīng)過反復(fù)迭代，當(dāng)Meanshift向量小于給定值時，則完成了目標(biāo)的定位.

1.2 改進(jìn)的Meanshift算法

1.2.1 算法思路

傳統(tǒng)Meanshift算法在刀閘檢測中存在如下難點(diǎn)：由于刀閘沒有明顯的顏色特征，在刀閘狀態(tài)跟蹤過程中，刀閘的顏色和紋理信息區(qū)分度弱，目標(biāo)特征與背景特征之間差異較小，易出現(xiàn)跟蹤偏移，從而嚴(yán)重影響刀閘狀態(tài)的判斷.

針對顏色特征區(qū)分度弱的問題，可用LBP編碼對刀閘刀口的局部梯度特征進(jìn)行編碼[17].由于刀閘刀口處具有相對穩(wěn)定的梯度特征，此特征與背景相比在視頻局部區(qū)域擁有更好的區(qū)分度.基于此思路，筆者構(gòu)建便于直方統(tǒng)計(jì)的LBP編碼方案，在保持原有圖像顏色特征統(tǒng)計(jì)不變的基礎(chǔ)上，為Meanshift算法引入特異性更強(qiáng)的LBP顏色梯度編碼方案.

1.2.2 LBP編碼原理

LBP編碼是借助LBP算子[18]實(shí)現(xiàn)的，LBP算子有計(jì)算簡單迅速且對目標(biāo)灰度變化不敏感的優(yōu)點(diǎn).LBP算子被定義為一個3×3的紋理單元(見圖1)，中間的像素點(diǎn)灰度值為pc，8個相鄰的像素點(diǎn)灰度值分別為p0～p7.令該紋理單元中間的像素點(diǎn)的灰度值pc為編碼閥值，將8個相鄰的像素點(diǎn)灰度值與編碼閾值進(jìn)行比較，大于閾值時取此像素點(diǎn)的編碼值為1，小于時取為0.

圖1 LBP算子的紋理單元

對于一個3×3的紋理單元，LBP算子的計(jì)算公式為

(6)

在以pc為中心的鄰域空間內(nèi)，pi對應(yīng)的編碼值為S(pi-pc)乘以權(quán)值2i，依序?qū)?鄰域空間內(nèi)像素點(diǎn)的編碼值進(jìn)行累加，將此累加值替換原圖pc位置的顏色特征值，此轉(zhuǎn)換可用公式表達(dá)為

(7)

圖2給出了LBP算子的計(jì)算過程.通過LBP編碼處理后的刀閘特征更清晰，刀口部分特異性更強(qiáng)，編碼映射結(jié)果仍保持為0～255級灰度，便于進(jìn)行概率密度統(tǒng)計(jì).

圖2 LBP算子的計(jì)算過程

2 實(shí)驗(yàn)及其結(jié)果

在某變電站監(jiān)控系統(tǒng)采集87個刀閘開合視頻,從每個視頻中隨機(jī)截取100幀數(shù)據(jù)進(jìn)行連續(xù)的跟蹤實(shí)驗(yàn).實(shí)驗(yàn)運(yùn)行環(huán)境為： Windows 10、Matlab R2016、CPU為Intel Core i7-6700、主頻為3.40 GHz、內(nèi)存為16 GB.

選定雙柱式水平刀閘局部突起處(圖3中的紅框區(qū)域)作為算法跟蹤的目標(biāo)區(qū)域.對選定區(qū)域的視頻截圖進(jìn)行信息提取，可得到目標(biāo)區(qū)域的顏色灰度特征(見圖4)和LBP編碼特征(見圖5).

圖3 刀閘上跟蹤的目標(biāo)區(qū)域 圖4 目標(biāo)區(qū)域的顏色灰度特征 圖5 目標(biāo)區(qū)域的LBP編碼特征

根據(jù)獲得的特征，構(gòu)建候選幀的目標(biāo)模型，以相似度函數(shù)最大為評估標(biāo)準(zhǔn)，使跟蹤窗口沿相似度變化最快的方向移動，最后收斂至目標(biāo)的真實(shí)位置.圖6，7分別給出了傳統(tǒng)的和改進(jìn)的Meanshift算法的跟蹤結(jié)果，圖中的藍(lán)點(diǎn)為對目標(biāo)區(qū)域跟蹤的結(jié)果.

圖6 傳統(tǒng)的Meanshift算法的跟蹤結(jié)果

圖7 改進(jìn)的Meanshift算法的跟蹤結(jié)果

比較圖6，7可知，增加了LBP編碼特征的改進(jìn)Meanshift算法對目標(biāo)區(qū)域的跟蹤有更高的準(zhǔn)確性.

為了量化評估刀閘實(shí)時狀態(tài)的跟蹤效果，在每個場景中選取100幀100×40像素的目標(biāo)圖像，對其進(jìn)行連續(xù)跟蹤，得到不同算法目標(biāo)跟蹤的橫向和縱向偏移程度比較(見表1).由表1可知，改進(jìn)的Meanshift算法對刀閘狀態(tài)的識別有更高的精度，X方向的跟蹤精度提高了120%，Y軸方向的跟蹤精度提高了800%.

表1 不同算法目標(biāo)跟蹤的橫向和縱向偏移程度比較

3 結(jié)束語

筆者基于傳統(tǒng)Meanshift算法和LBP編碼增強(qiáng)結(jié)構(gòu)特征，提出了改進(jìn)的Meanshift算法.實(shí)驗(yàn)結(jié)果表明：改進(jìn)的Meanshift算法在X軸方向跟蹤精度提高了120%，Y軸方向精度提高了800%，因此融合了LBP編碼特征的改進(jìn)的Meanshift算法可精確完成刀閘實(shí)時狀態(tài)的跟蹤.