光流场输电导线监测分析

引言

输电线路作为电网的重要组成部分，地域分布广泛，运行条件复杂，易受自然环境影响和外力破坏。近年来输电线路覆冰、舞动事故的强度和出现的频率明显加强，成为危害我国输电线路安全运行的主要电力事故之一［1-2］。随着传感器技术及通信技术的快速发展，架空输电导线舞动在线监测技术发展起来。早期研究人员通过导线舞动基础理论分析来仿真实际线路的舞动情况，但由于导线舞动数学模型和机理研究的不完善（尤其是数学模型中出现了更为精确和复杂的多自由度）及微气象条件的影响，通过计算方法得到的舞动状态信息存在误差很大、乱报警的情况，使得该在线监测方法的应用和推广存在一定的局限性［3］。近几年，采用摄像技术来实现的输电导线舞动在线监测技术在实践中得到了一定的应用，它主要通过摄像机给出输电导线现场舞动的图片或视频，工作人员根据传回的现场图片或视频对输电导线的运行状况做出判断，进行巡检或检修，来防止输电导线舞动的发生，但该方法只能通过人眼直观地观看，未实现对导线舞动的定量监测，不能给出输电导线舞动幅值和频率等特征信息的精确结果，且无法满足智能电网建设的自动诊断要求，制约了其在实际中的推广。文献［4］研发了基于ZigBee网络的输电线路舞动在线监测技术，主要通过加速度传感器获取导线单点舞动轨迹，并利用输电导线舞动的数学模型计算导线舞动的特征数据（导线舞动频率、舞动幅值、波数等）。但该方法存在导线轨迹还原误差大、多点采集同步困难及系统运行稳定性较低等缺点。基于以上分析，本文提出了一种基于光流场的输电导线舞动监测技术，以输电导线舞动视频中截取的多帧连续图像为研究对象，计算出导线舞动的位移，实现了对输电线路现场视频或图像的自动处理和分析，克服了视频监测单纯依靠工作人员观看的弊端，实现了自动监测的功能。

1光流的计算

光流的计算方法一般分成4类：基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法。Horn和Schunck提出的基于梯度的光流计算方法［5］是目前应用最多、最成熟的一种方法。基于梯度的方法利用图像灰度的梯度来计算光流，根据运动前后图像灰度保持不变的假设，导出光流约束方程。由于光流约束方程并不能唯一确定光流，因此需引入其他约束。根据引入约束的不同，基于梯度的方法可以分成全局约束的方法和局部约束的方法：全局约束的方法假定光流在整个图像范围内满足一定的约束条件；局部约束的方法假定在给定点周围的一个小区域内，光流满足一定的约束条件。基于像素递归的光流算法是预测校正型的位移估算器，它是基于梯度局部约束的一种方法。预测值可以作为前一个像素位置的运动估算值或当前像素邻域内的运动估算线性组合。依据该像素上位移帧差的梯度最小值，对预测作进一步的修正，该方法称为Lucas-Kanade算法［6］。假设两图像为A（x，y）和B（x，y），图像相应的位移差为：

2一种改进光流法的运动目标提取方法

Horn和Schunck结合梯度约束和全局平滑条件来约束速度的估计区域以计算光流。Lucas和Kanade假设在一个小的空间邻域上运动向量保持恒定，即局部一阶约束，再使用加权最小二乘法估计光流。Lucas-Kanade算法假设图像间线性相关，使式（1）较小，否则误差较大。若递归过程中v收敛，图像大小为NN，搜索窗口范围为MM，则平均需做M2logN步。为避免式（1）较大时产生较大误差，本文采用一种改进的光流计算方法———基于金字塔的光流法。

2.1金字塔光流法的基本原理图像的金字塔表示法是计算机视觉中常用的一种多分辨率表示法。利用金字塔表示法，能分析图像中不同大小的物体，如高分辨率的下层可用于分析细节，低分辨率的上层可用于分析较大的物体。同时，通过对低分辨率、尺寸较小的上层进行分析所得到的信息还能用来指导对高分辨率、尺寸较大的下层进行分析，从而极大简化了分析和计算［7］。金字塔光流法的算法步骤如下：将图像设定为最细尺度；对每一层，从最细层的上一层到最粗层，通过对上一个最细一层使用高斯函数进行平滑处理，然后重采样获得这一层；结束。令S表示对图像重采样，具体而言，S（I）的第（i，j）个元素是原图像I的第（2i，2j）个元素。金字塔P（I）的第n层表示为P（I）n，金字塔各层表达式为：设导线图像为原图I，并把它作为金字塔的底层即第L层，第L层的上层第L+1层构造方法为：将导线图像I经过高斯低通滤波器，并把结果进行隔行隔列取样。依此类推，这样就形成了高斯金字塔。

2.2算法流程本文采用了一种基于改进光流法的运动目标提取方法，算法流程如图1所示。

2.2.1基于金字塔光流法的光流值计算导线图像光流值计算的基本思想是利用图像金字塔，将相邻2帧降采样到最底层，计算这2帧间的光流值，在上一层中将前一帧图像平移一定的值（下层计算出的光流），与后一帧利用光流法求出运动向量，最后与下层计算出的光流进行叠加，直到金字塔的最上层，即原始图像。本文就是使用该方法解决传统光流法中运动导线的识别问题［8］。基于金字塔光流法的原理框图如图2所示。a.降采样和升采样：降采样采用高斯5×5低通滤波器［1／161／43／81／41／16］×［1／161／43／81／41／16］T，将图像与滤波器卷积，并把结果进行隔行隔列取样，得到上一层的图像。设第L－1层的图像为IL－1（x，y），则通过降采样，得到第L层的图像为：升采样为降采样的逆过程，将图像隔行插入0点，再与滤波器卷积并乘以4，得到下一层的图像［9］。b.光流的计算：为使计算时运动向量较小，对光流法进行改进，即先将前一帧图像平移一定的值（下层计算出的光流），再与后一帧利用光流法求出运动向量hL，最后与下层计算出的光流进行叠加，得到运动向量dL，如图3所示。采用3层金字塔结构，对图像中的点（x，y），在金字塔最下层g2=0，经光流法计算出h2，然后d2=h2+g2=h2，经过乘2及升采样，第2层的初始运动向量g1=2h2，经过对第2层的前一帧图像平移g1=2h2，再计算光流值h1，依此类推，最终得出第1层光流值：由于金字塔最下层像素点较少，故计算得到的光流值较小，所选用的窗口（ωx，ωy）可以较小，这样就提高了检测的准确性，节省了计算资源，又可允许目标有较大的位移［10-12］。

2.2.2基于改进光流法的形态学滤波首先利用闭运算填充导线图片的光流值与结构元素不吻合的凹区域，同时保留相吻合的凹区域。即将计算出的离散点光流值连成一片区域，利于下一步进行面积阈值判断。然后利用形态学滤波的去噪运算，可以由式（9）表示：其中，I为图像，S为结构元素。噪声在某些区域可能会先扩大，然后逐步去掉。实践证明，只有当噪声比结构元素小时才能被去除。

2.2.3基于改进光流法的面积阈值算法检测结果可能会出现一些孤立的小区域，它们是在分割的过程中被错误分割出来的，如果不过滤掉，可能会误认为是运动目标区域。一个简单的办法是设定一个面积阈值，面积小于此阈值的区域将会被过滤掉，反之，则认为是运动目标区域。由于区域的形状是不确定的，可以利用包含区域的最小外接矩形的面积来近似区域的面积［13-15］。通过一系列这样的处理后，可以获得相对比较精确的运动目标区域，利用此运动区域可以提取出一些需要的运动目标特征信息，如运动目标的轮廓、长宽比、包含运动目标的最小矩形、目标的颜色等。

3基于光流场的导线舞动监测算法的实现

本文采集的视频数据源为AVI格式，基于上述算法，利用HALCON编程实现了输电导线舞动位移的监测，图4是本算法实现过程的总流程图。为验证本算法的有效性和准确性，在导线舞动视频中截取多帧图像，按照本文算法的流程图，先对图像进行预处理、循环监测和灰度处理，再和背景图匹配得到光流场及其实值图，见图5和图6。通过阈值滤波和多层亚像素滤波，再通过横向和纵向估算光流像素点位置来实现位置标定，见图7。最后用箭头的大小和方向描绘导线舞动的位移和方向，见图8。

4实例分析

为更好地验证本算法的优越性，从晋中供电公司220kV阳北Ⅱ回线2010年10月27日的某导线舞动视频中截取相邻2帧图像，见图9和图10。通过用本文算法进行计算，用箭头的大小和方向表示出了相邻2帧图像中导线舞动的位移和方向，见图11。将图9和图10中导线的位置进行对比可以发现，由第1帧图像到第2帧图像，最左边的导线向下摆动，右边2根导线向右上方摆动。图11的计算结果正好体现了相邻2帧图片导线摆动的方向和大小。选择10个特征点进行标注（见图11），并记录了这10个点光流的速度向量数据V，如表1所示。光流是图像上像素运动的瞬时速度，表1中10个数据是通过计算相应像素点横向和纵向的速度向量，然后进行速度合成得到的，即V=sqrt（Vx2+V2y），还可以计算出速度向量的方向，即α=arctan（Vx／Vy）。图中第1个点的像素坐标是（1.667，142.0），得到其速度方向角是46.63°，再由其速度16.24乘以采样间隔0.1s，得到该点的位移距离是1.624个像素，这样就可以计算出第1个点位移的终点像素坐标是（2.3472，143.115）。利用标定摄像机时求得的摄像机参数（确定了地球坐标系和图像坐标系之间的相对位置），把二维的图像坐标转化为世界坐标，得到2点在地球坐标系下的坐标分别为（-0.862，-0.518）、（-0.635，-1.363），这样就计算出第1个点在地球坐标系下的实际位移是0.96m。按照同样的方法计算出其他9个点的实际位移，如表2所示。为了更直观地反映导线舞动的位移，表中以这2幅图片采样间隔内的平均速度，分别计算了这10个点1s内的位移。上述计算结果表明当时导线舞动情况比较严重，这与10月27日当天现场风力比较大等情况相符，通过工作人员肉眼观看视频录像来估计导线舞动位移，认为本文的计算结果比较准确。5结论由实验结果可见，改进光流场算法的计算结果能够准确地检测出导线舞动的目标区域，实验结果表明：在静止背景的图像序列中，该方法与传统方法相比有更好的鲁棒性。但是实际的测试和实验发现，本文方法比一般的梯度计算方法更耗时，如何在保证监测质量的前提下减少运算时间，仍需要深入研究。