[发明专利]基于巡检机器人的滑块式断路器识别方法

权利要求书

1.基于巡检机器人的滑块式断路器识别方法，其特征在于，包括以下步骤：

步骤1、为每个巡检点选取一张在该巡检点拍摄的断路器居中的图像作为模板图像，利用提前采集的滑块式断路器图像数集训练SVM多分类器；

步骤2、巡检机器人通过定位导航到达指定巡检点，获取现场滑块式断路器图像并以灰度图的形式读入，用于滑块式断路器检测识别；

步骤3、对待检测的目标区域进行粗定位和精确定位，筛选目标候选区域得到滑块式断路器图像；

步骤4、对获取到的现场滑块式断路器图像进行预处理，提取出连通面积最大的两个区域，按照位置分为左右两个部分；

步骤5、对两个分离出的区域分别进行像素调整，以长m像素，宽n像素的滑动窗口在图像上滑动，对窗口提取HOG特征，将计算得到的HOG特征算子送入SVM多分类器得到最终的识别结果。

2.根据权利要求1所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1中训练SVM多分类器的具体方法为：

步骤1-1、采集滑块式断路器图像数集作为正负训练样本集合；

步骤1-2、提取正负训练样本集合的HOG特征；

步骤1-3、给所有正负训练样本集合赋予样本标签，将训练样本集合的HOG特征以及样本标签送入SVM中进行训练。

3.根据权利要求2所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1-1中准备训练样本集合的具体方法为：

(1)采集滑块式断路器的图片，将处于储能状态的图片作为正样本集，处于未储能状态的图片作为负样本集；

(2)裁剪图片，删除滑块式断路器上滑块显示窗口区域之外的多余信息；

(3)将图片缩放为长m像素，宽n像素，m和n的取值范围为36-64。

4.根据权利要求2所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1-2中提取正负训练样本集合HOG特征的具体方法为：

(1)将彩色图像转化为灰度图像；

(2)对灰度图像进行Gamma矫正，减少图像局部的阴影和光照变化，Gamma矫正的公式为：

I(x,y)＝I(x,y)^gamma (1)

其中，I(x,y)表示图像第x行第y列的像素值，gamma取0-1之间的数；

(3)根据下式计算图像每个像素的梯度：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (2)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (3)

其中，G_x(x,y)，G_y(x,y)，H(x,y)分别表示图像中像素点(x,y)处的水平方向梯度，垂直方向梯度和像素值，像素点(x,y)处的梯度幅值G(x,y)与梯度方向α(x,y)则可根据下式得到：

(4)将图像分割为一个个边长为a像素的正方形单元格，a为m和n的最大公因数，为每个单元格创建梯度方向直方图，将梯度方向360度划分为k个方向块，第i个方向块的方向范围为统计单元格内各个像素的梯度方向，如果梯度方向属于某个方向块，则对应方向块的计数值加上这个梯度对应的幅值；

(5)将单元格组合成块，块内归一化梯度直方图将每个单元格对应的梯度直方图改写为向量形式，将每个块内的所有梯度向量串联起来，形成这个块的梯度方向直方图向量；将向量乘上对应的归一化因子，归一化因子的计算公式为：

其中，v表示还未归一化的向量，||v||₂表示v的2阶范数，e表示常数；

(6)将图像中所有块的归一化后的向量串联起来得到训练样本集合HOG特征。