一种基于特征点的异物检测方法和系统技术方案

一种基于特征点的异物检测方法和系统，包括以下步骤:对电力隧道内的多个巡检点环境进行拍摄，获取模板图片，并对模板图片进行sift特征点提取，其中模板图片不包含除电力装置以外的异常；获取巡检时的检查图片，对检查图片进行sift特征点提取；根据第一特征点与第二特征点对检查图片与模板图片进行对齐操作；重新对对齐后的模板图片和检测图片进行sift特征点提取，比较对齐后的检测图片以及检测图片，获取两者之间不能相互匹配的特征点；获取模板图片与匹配图片中对应聚类区域的相似度，若相似度低于相似度阈值，则将该聚类区域标记为异常。本方法能够准确高效地自动定位出电力隧道内的遗留物，极大地减少了巡检工作人员的工作量，提高了工作效率。提高了工作效率。提高了工作效率。

【技术实现步骤摘要】
一种基于特征点的异物检测方法和系统


[0001]本专利技术涉及电力巡检
，特别是一种基于特征点的异物检测方法和系统。

技术介绍

[0002]遗留物检测是计算机视觉领域一个重要的研究方向，被广泛用于室内外智能安防监控领域，近些年随着国家智能电网的发展，越来越多的智能巡检机器人被用来代替人工对电网环境和设备进行自动巡检，这将提高电网的工作效率和作业安全。
[0003]但是正在电力隧道中，被遗留的物体具有不确定性，而且有些遗留物的体积较为细小，无法使用常规的模型来对电力隧道里面的遗留物进行识别与判断，导致了目前在电力隧道的遗留物检测中还是采用常规的人为检测，严重的增加了巡检的人工成本以及减低了巡检的效率。

技术实现思路

[0004]针对上述缺陷，本专利技术的目的在于提出一种基于特征点的异物检测方法和系统，其中所述方法包括以下步骤:步骤S1：对电力隧道内的多个巡检点环境进行拍摄，获取模板图片，并对模板图片进行sift特征点提取，得到每个模板图片的至少一个第一特征点；获取巡检时的检查图片，对检查图片进行sift特征点提取，得到每个检查图片中至少一个第二特征点；步骤S2：根据第一特征点与第二特征点对检查图片与模板图片进行对齐操作；步骤S3：重新对对齐后的模板图片和检测图片进行sift特征点提取，分别得到至少一个第三特征点与第四特征点；步骤S4：比较对齐后的检测图片以及检测图片，获取两者之间不能相互匹配的特征点，并对检测图片与模板图片中不匹配的特征点进行保存；步骤S5：对不匹配的特征点进行聚类，获取得到多个聚类区域；获取模板图片与匹配图片中对应聚类区域的相似度，若相似度低于相似度阈值，则将该聚类区域标记为异常。
[0005]优选的，所述步骤S1、步骤S2与步骤S3中提取sift特征点的方法如下：调用第三方图像处理库Opencv自带的API接口cv.sift_create（）；输入待提取sift特征点的图片，获取图片中的sift特征点，其中每一个sift特征点由一个二维坐标点(x,y)和一个128维的特征向量进行表示。
[0006]优选的，步骤S2中对齐操作包括如下步骤:步骤S21：采用K近邻方法对第一特征点与第二特征点进行匹配，获取模板图片与检查图片中的匹配成功的所有匹配点对；步骤S22：调用匹配点对计算法获取得到模板图片的仿射变化矩阵，基于模板图片的仿射变化矩阵对检测图片进行仿射，得到仿射变化后的检测图片；
步骤S23：调用仿射变化矩阵对检测图片的两个对角坐标分别进行仿射变化，得到变化后的对角坐标；基于变化后的对角坐标分别对模板图片与检测图片进行裁剪，分别得到对齐后的模板图片与检测图片。
[0007]优选的，所述步骤S4的具体步骤如下：步骤S41：采用K近邻方法对第三特征点与对应第四特征点进行匹配，获取模板图片与检查图片中的匹配成功的所有匹配点对；步骤S42：在所述检测图片与模板图片中滤除所述匹配点对，分别得到检测图片与模板图片中不匹配的特征点，并进行保存。
[0008]优选的，所述步骤S5的具体步骤如下：步骤S51：选取不匹配的特征点集中的任一特征点，获取该特征点与不匹配的特征点集中所有的特征点的欧氏距离，若两个特征点之间的欧式距离小于距离阈值，则将欧式距离小于距离阈值的特征点作为一个聚类；步骤S52：将形成聚类的特征点从所述不匹配的特征点集中去除；步骤S53：重复步骤S51~S52，直到将所有的不匹配的特征点集中所有的特征点都进行聚类；步骤S54：在每一个聚类中，获取该聚类中特征点的平均纵坐标与平均横坐标，作为该聚类的中心坐标，以所述中心坐标为中心构建出一个矩形框作为所述聚类区域；步骤S55：以所述聚类区域为范围界限分别在所述检测图片与模板图片中裁剪出第一对比图与第二对比图；对比第一对比图与第二对比图之间的相似度，若两者之间的相似度低于相似度阈值，则将该聚类区域标记为异常；步骤S56：重复步骤S54~S55，直至历遍所有的聚类。
[0009]优选的，所述步骤S55中对比第一对比图与第二对比图之间的相似度过程如下：分别获取第一对比图与第二对比图的红色通道图片、绿色通道图片、和蓝色通道图片，分别使用直方图方法计算三个颜色通道图片的相关性，平均三个颜色通道图片的相关性，作为第一相似度；通过SSIM算法计算得到第一对比图片与第二对比图片的结构相似度，作为第二相似度；将第一相似度与第二相似度进行线性相加，得到最终相似度；若两者之间的最终相似度低于相似度阈值，则将该聚类区域标记为异常。
[0010]优选的，使用所述K近邻方法的具体方式如下：调用第三方图像处理库Opencv自带的API接口cv.knnMatch（），输入第一特征点与第二特征点，得到匹配成功的所有匹配点对。
[0011]优选的，获取得到模板图片的仿射变化矩阵的具体方式如下：接调用第三方图像处理库Opencv自带的API接口cv. estimate_affine（），输入匹配点对，得到所述模板图片的仿射变化矩阵；对检测图片进行仿射的具体方式如下：调用第三方图像处理库Opencv自带的API接口cv. warpAffine（），输入仿射变化
矩阵以及检测图片，得到仿射变化后的检测图片。
[0012]一种基于特征点的异物检测系统，使用所述一种基于特征点的异物检测方法，包括：第一特征点获取模块、对齐模块、第二特征点获取模块、去除模块以及判断模块；所述第一特征点获取模块用于对电力隧道内的多个巡检点环境进行拍摄，获取模板图片，并对模板图片进行sift特征点提取，得到每个模板图片的至少一个第一特征点，其中所述模板图片不包含除电力装置以外的异常；获取巡检时的检查图片，对检查图片进行sift特征点提取，得到每个检查图片中至少一个第二特征点；所述对齐模块用于根据第一特征点与第二特征点对检查图片与模板图片进行对齐操作；所述第二特征点获取模块用于重新对对齐后的模板图片和检测图片进行sift特征点提取，分别得到至少一个第三特征点与第四特征点；所述去除模块用于比较对齐后的检测图片以及检测图片，获取两者之间不能相互匹配的特征点，并对检测图片与模板图片中不匹配的特征点进行保存；所述判断模块用于对不匹配的特征点进行聚类，获取得到多个聚类区域；获取模板图片与匹配图片中对应聚类区域的相似度，若相似度低于相似度阈值，则将该聚类区域标记为异常。
[0013]上述技术方案中的有益效果：电力隧道巡检机器人为硬件载体，利用基于sift特征点的图像对比分析技术，判断出当前机器人拍摄的电力隧道巡检点图片中是否存在遗留物。本方法原理简单，实现方便。在实际工程应用中表面，本方法能够准确高效地自动定位出电力隧道内的遗留物，极大地减少了巡检工作人员的工作量，提高了工作效率，提升了机器人整体性能。
附图说明
[0014]图1是本专利技术方法的一个实施例的流程图；图2是模板图片中未匹配的特征点的示意图；图3是检查图片中未匹配的特征点的示意图；图4是检查图片和模板图片中所有未匹配的特征点的示意图。
[0015]图5是检查图片中聚类区域的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征点的异物检测方法，其特征在于，包括以下步骤:步骤S1：对电力隧道内的多个巡检点环境进行拍摄，获取模板图片，并对模板图片进行sift特征点提取，得到每个模板图片的至少一个第一特征点；获取巡检时的检查图片，对检查图片进行sift特征点提取，得到每个检查图片中至少一个第二特征点；步骤S2：根据第一特征点与第二特征点对检查图片与模板图片进行对齐操作；步骤S3：重新对对齐后的模板图片和检测图片进行sift特征点提取，分别得到至少一个第三特征点与第四特征点；步骤S4：比较对齐后的检测图片以及检测图片，获取两者之间不能相互匹配的特征点，并对检测图片与模板图片中不匹配的特征点进行保存；步骤S5：对不匹配的特征点进行聚类，获取得到多个聚类区域；获取模板图片与匹配图片中对应聚类区域的相似度，若相似度低于相似度阈值，则将该聚类区域标记为异常。2.根据权利要求1所述的一种基于特征点的异物检测方法，其特征在于，所述步骤S1、步骤S2与步骤S3中提取sift特征点的方法如下：调用第三方图像处理库Opencv自带的API接口cv.sift_create（）；输入待提取sift特征点的图片，获取图片中的sift特征点，其中每一个sift特征点由一个二维坐标点(x,y)和一个128维的特征向量进行表示。3.根据权利要求1所述的一种基于特征点的异物检测方法，其特征在于，步骤S2中对齐操作包括如下步骤:步骤S21：采用K近邻方法对第一特征点与第二特征点进行匹配，获取模板图片与检查图片中的匹配成功的所有匹配点对；步骤S22：调用匹配点对计算法获取得到模板图片的仿射变化矩阵，基于模板图片的仿射变化矩阵对检测图片进行仿射，得到仿射变化后的检测图片；步骤S23：调用仿射变化矩阵对检测图片的两个对角坐标分别进行仿射变化，得到变化后的对角坐标；基于变化后的对角坐标分别对模板图片与检测图片进行裁剪，分别得到对齐后的模板图片与检测图片。4.根据权利要求1所述的一种基于特征点的异物检测方法，其特征在于，所述步骤S4的具体步骤如下：步骤S41：采用K近邻方法对第三特征点与对应第四特征点进行匹配，获取模板图片与检查图片中的匹配成功的所有匹配点对；步骤S42：在所述检测图片与模板图片中滤除所述匹配点对，分别得到检测图片与模板图片中不匹配的特征点，并进行保存。5.根据权利要求1所述的一种基于特征点的异物检测方法，其特征在于，所述步骤S5的具体步骤如下：步骤S51：选取不匹配的特征点集中的任一特征点，获取该特征点与不匹配的特征点集中所有的特征点的欧氏距离，若两个特征点之间的欧式距离小于距离阈值，则将欧式距离小于距离阈值的特征点作为一个聚类；
步骤S52：将形成聚类的特征点从所述不匹配的特征点集中去除；步骤S53：重复步骤S51~S52，直到将所有的不匹配的特征点集中所有的特征点都进行聚类；步骤S54：在每一个聚类中，获取该聚类中特征点的平均纵坐标与平均横坐标，作...

【专利技术属性】
技术研发人员：钟小芳，魏钰尧，陈曦，王嘉利，
申请(专利权)人：广东科凯达智能机器人有限公司，
类型：发明
国别省市：