[发明专利]基于统计形状模型的绝缘子掉串检测算法

权利要求书

1.基于统计形状模型的绝缘子掉串检测算法，其特征在于：

区别于现有绝缘子掉串检测方法，利用统计形状模型进行绝缘子的准确分割；

在特征描述中使用：(1)梯度定位方向直方图(Gradient Location-OrientationHistogram,GLOH)进行特征描述，具有对尺度旋转、缩放、光照变化能够保持不变性， 并且有较强的抗噪能力；(2)K-Means聚类算法训练视觉字典，排除非绝缘子的特征，保留绝缘子特征，达到检测出图像中绝缘子的目的。

2.如权利要求1 所述的基于统计形状模型的绝缘子掉串检测算法，其特征在于，所述方法采用：

统计形状模型通过广义普氏分析方法进行形状对齐，将训练集中的所有形状对齐在统一的坐标系下，最小化每个形状和平均形状之间的差距作为目标对齐形状；对对齐后的形状进行主成分分析，经过统计分析后，得到一个统计模型来描述形状；使用模型指导分割的过程中，通过调整模型特征参数，迭代模型使之不断与目标匹配而达到分割目标的目的。

3.如权利要求1 所述的基于统计形状模型的绝缘子掉串检测算法，其特征在于，所述方法采用：

GLOH描述子采用对数极坐标对特征点邻域进行划分，即建立三个半径逐渐增大的嵌套圆形区域（半径大小分别为6，11，15）并在最外面两个圆形区域进行8个角度方向的划分，这样就形成17个不重叠的子区域，GLOH描述子对每个子区域建立16柱的梯度方向直方图，这样所构建的描述子维数是17×16=272维。

4.利用PCA算法来选择最具有代表性的128维元素以形成最终的GLOH描述子。

5.如权利要求1 所述的基于统计形状模型的绝缘子掉串检测算法，其特征在于，所述方法采用：

K-Means聚类是一种无监督学习方法，应用非常广的，是一个迭代算法，其学习目标是将所有样本到对应聚类中心的平方和最小化，从而使生成的同类的样本尽可能接近，不同类样本尽可能分开，利用K-Means聚类算法训练的绝缘子的视觉字典可以表示为：

（1）。