[发明专利]基于HOG特征和机器学习的输电线路鸟巢识别方法

摘要

本发明属于电力技术和计算机视觉领域，为将正常的图片和有鸟巢的图片分开，更快的定位和发现问题，满足智能电网建设的需要，本发明，基于HOG特征和机器学习的输电线路鸟巢识别方法，步骤如下：一、方向梯度直方图HOG特征提取；二、主成分分析三、训练支持向量机SVM分类器1)归一化；2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件；3)通过测试找到最佳参数；四、输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。本发明主要应用于利用图像自动识别电力设备鸟巢故障的场合。

主权项

1.一种基于HOG特征和机器学习的输电线路鸟巢识别方法，其特征是，步骤如下：一、方向梯度直方图HOG特征提取，其具体步骤如下：1)将巡检后得到的鸟巢图像收集起来，依据图片中的输电线路中是否有鸟巢存在进行分类，并按照一定的数量比例分为训练集和测试集，规定不含鸟巢的图片为正样本，含鸟巢的图片为负样本，对所有图片进行预处理；2)对图片进行预处理，包括图像的灰度化和伽马校正；3)计算图像的一阶梯度，每个像素有横纵两个梯度，具体采用水平、垂直梯度检测算子；4)单元格梯度投影，图像窗口被分成若干个小区域，这些区域被称为“单元格”，然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中，最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征；5)对比度归一化，一个单元格的特征会以不同的结果多次出现在最后的向量中，得到一个HOG描述符；6)将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成的特征向量；二、主成分分析令数据集为D＝{x(1),x(2),......,x(m)}，K为降维后的维数，1)对所有样本中心化，即一个值减去它的均值：2)计算协方差矩阵：3)对协方差矩阵求特征值和特征向量；4)取最大的前K个特征值对应的特征向量u(1),u(2),......,u(k)；三、训练支持向量机SVM分类器1)归一化，对步骤2得到的数据进行归一化，消除各维数据间数量级的差别，避免因输入输出数据数量级差别较大而造成网络预测误差较大，归一化方式如下：其中xmin为数据序列中的最小数；xmax为序列中的最大数；2)提取上一步中所得的训练集的特征向量组成分类器的训练集，并制作符合SVM格式的标签文件；3)选择核函数类型、SVM所涉及的惩罚因子c，伽马参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值；四、输入测试集图像，利用训练好的分类器进行分类，输出最终的分类结果。