[发明专利]基于云台相机的风漂异物识别方法

说明书

本发明公开了一种基于云台相机的风漂异物识别方法，步骤包括：S1，云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄，得到每次环扫拍摄的图像集；S2，对相同拍摄角度下前后两次环扫拍摄的图像图像作基于ORB特征点的图像对准预处理；S3，通过图像比对标记算法比较图像和图像的差异，并将差异区域判定为图像上的风漂异物区域并标记然后报警。本发明克服了传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端，且解决了神经网络算法识别风漂异物所需的训练样本难以获取，实现难度较大的问题。

技术领域

本发明涉及变电站无人巡检技术领域，具体涉及一种基于云台相机的风漂异物识别方法。

背景技术

变电站往往建设在郊区或农村的开阔地带，大量设备、线路密集裸露在外，在受到大棚塑料薄膜、塑料袋、气球、风筝、鸟巢等风漂异物侵袭时，极可能对变电站的安全运行造成严重威胁。由于侵入事件的偶发性，单靠人工巡检的方式很难及时消除隐患。

电力系统的无人巡检主要采取摄像机巡检、无人机巡检、机器人巡检等方式，由于风漂异物的主要威胁在于高空电力设备，且变电站内部电塔林立、输电线密布，并不适合无人机巡检或机器人巡检，因此当前一般采用摄像机巡检方式，采取在变电站内架设多台摄像机实现实时检测，这种方式需要额外布设多台对高空区域监视的专用摄像机、成本较高。同时，在识别方式上，被讨论最多的是采取深度学习的方法，比如Faster R-CNN、YOLO等神经网络算法，然而由于风漂异物种类、材质、形态多变，在真是变电站环境下样本稀少，很难收集到足够的训练数据集，因此此类方法的实现难度很大。

发明内容

本发明以克服传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端，且解决神经网络算法识别风漂异物所需的训练样本难以获取，实现难度较大的问题为目的，提供了一种基于云台相机的风漂异物识别方法。

为达此目的，本发明采用以下技术方案：

提供一种基于云台相机的风漂异物识别方法，包括：

步骤S1，云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄，得到每次环扫拍摄的图像集；

步骤S2，对相同拍摄角度下前后两次环扫拍摄的图像图像作基于ORB特征点的图像对准预处理；

步骤S3，通过图像比对标记算法比较所述图像和所述图像的差异，并将差异区域判定为所述图像上的风漂异物区域并标记然后报警。

优选地，所述云台相机为全方位云台相机，所述云台相机在同一次环扫拍摄中按照固定的垂直俯仰角定速旋转拍摄。

优选地，所述步骤S2中，对所述图像和所述图像作基于ORB特征点的图像对准预处理包括：

步骤S21，通过BF暴力匹配算法对所述图像和所述图像进行ORB特征点匹配；

步骤S22，利用所述图像和所述图像中的ORB特征点间的映射关系，并对所述图像进行透视变换以与所述图像对准，使得所述图像和所述图像的错位偏差控制在5个像素范围内。

优选地，所述步骤S3中，所述图像比对标记算法在所述图像上比对并标记出所述风漂异物区域的方法包括：

步骤S31，设定风漂异物的最小分辨率，并以风漂异物的最小分辨率为依据对所述图像和所述图像进行网格划分，所述图像中的每个网格对应的第一子图与所述图像中的多个网格分别对应的第二子图具有一对多的位置对应关系；

步骤S32，计算每张所述第二子图与具有位置对应关系的所述第一子图间的图像亮度差异指标值对比度差异指标值以及结构差异指标值

步骤S33，根据所述亮度差异指标值所述对比度差异指标值和所述结构差异指标值计算每张所述第二子图与具有位置对应关系的所述第一子图间的结构相似性加权指标值SSIM(A,B)；