基于无人全景拍摄的输电线路走廊全景展示方法研究

引言

近年来,我国电力领域的快速发展与进步加快了电网建设步伐,电网运行状态与社会生产、社会稳定息息相关,因此维护电网整体运行安全,及时检修电网故障具有重要意义。输电线路走廊具有地形复杂多样、线路分布广阔的特点,其中包含大部分架空输电线路,导致传统人工检修输电线路的难度与失误大大增加,并且人工检修线路的危险系数较高,因此必须采用一种更加智能、精准的方式代替人工检修输电线路的方式,以符合现代电力发展的高标准趋势。针对险峻的地形与自然环境,无人机逐渐应用到输电线路走廊全景拍摄中,对无人机拍摄的高清全景输电线路走廊图像加以处理,即可在计算机显示端呈现清晰的输电线路走廊全景,据此展开检修,有效降低检修的难度与危险性。基于此,本文研究了一种基于无人全景拍摄的输电线路走廊全景展示方法,为精准获取输电线路全景提供参考。本文方法思路如下:采用无人机搭载摄像系统获取全方位输电线路图像,在计算机端对拍摄的图像加以重建和拼接,即可得到高清的全景图像,实现输电线路走廊全景展示。

1摄机输路走廊全景电像展示

1.1无人机全景拍摄

无人机在民用领域的普及得益于无人机技术的飞速革新与进步,基于无人拍摄图像为展示输电线路走廊全景提供了高性价比的方式,其优势如下:(1）无人机拍摄高空输电线路走廊图像,使高空作业人员从危险环境中解放出来,另外,无人机的成本较低,在节约支出成本的同时提升了检修线路的效率:(2）技术人员通过飞行控制软件指挥无人机飞行器的飞行状态,满足了针对性全景拍摄需求。

顺利获取无人机拍摄的输电线路全景图像的前提是合理控制飞行软件,保障飞行的有序进行。基于无人机拍摄输电线路的全景图像时往往采用智能软件控制飞行角度、方向等参数,无人机在预设的飞行参数下自主采集图像。无人机智能操控软件是保障飞行顺利的重要部分,因此提升无人机性能的研究可从更新控制软件的角度入手。

无人机全景拍摄重点是搭载成像系统采集高精度的多角度图像,是重建、拼接输电线路走廊全景的基础。无人机拍摄搭载的成像系统一般由摄像机、检测设备、传输设备构成,确保机器采集的图像符合人工采集的高标准,以准确展示输电线路走廊的全景,为后期展开线路巡检、故障排查等工作打好基础。

本次研究采用大疆品牌无人机配合Dronepan飞行控制软件共同操纵无人机飞行状态,无人机拍摄参数设置如下:设置延迟拍摄时间为1.5S,根据需求飞行高度最高可达130m:无人机拍摄的图像分辨率为4000×3000mpd,焦距为18mm,偏航角与俯仰角分别为45°、22.5°:在水平方向分四行进行拍摄,每行拍摄i张图像,垂直方向拍摄35张图像,拍摄行数为1行。图1展示了无人机拍摄输电线路走廊全景图像的全过程。

1.2基于立体匹配方法实现摄机输路走廊电像重建

无人机在拍摄输电线路图像过程中,以同一个观察点为基准,拍摄不同视觉位置下的图像,基于立体匹配的重建方法通过挖掘同一场景不同角度图像的对应关系,得到图像的深层次信息,实现图像重建,以确保输电线路图像采集的高精度。

不确定性是立体视觉重建方法的一个特点,图像信息的丢失往往由立体匹配的投影过程导致,可通过一系列的约束条件防止图像内容丢失。立体匹配方法计算得到图像的深层次信息即可实现图像重建,而匹配问题与深度求取是立体匹配方法的两个阶段。

图2为无人机拍摄点平面图。

图像空间的8点投影分别用81与82表示,图2中描述的图像拍摄位置是无人机的水平方向保持不变,81与82的横坐标分别用x1与x2表示,f是拍摄焦距,两个拍摄点的中心距离用H表示,图中G的表达式为GMf,设置dMx1-x2表示无人机拍摄的视觉视差,则用GMf描述深度输电线路走廊图像。

定义输电线路走廊图像(x,y）的灰度值为f1(x,y）、f2(x,y）,图像为Na×Nb大小,结合无人机拍摄的左右两幅图像得到图像立体匹配表达式,如式(1）所示:

式中,d(x,y）为图像视差:B为无人机拍摄视差上限。

基于上述方法重建无人机采集的输电线路走廊图像,在此基础上拼接图像构建全景图像,实现输电线路走廊全景展示。

1.3输电线路全景图像拼接

将无人机采集的输电线路走廊图像导入计算机处理系统中后,基于SURF算法提取图像特征点,基于UFA+FN算法实现数据拟合,降低特征点匹配误差,得到高精度的全景拼接图像。

1.3.1特征提取

SURF算法提取图像特征点具有尺度不变性,能够真正缩短输电线路走廊图像匹配时长。SURF算法提取特征点步骤为:(1）为得到差异性尺度空间,SURF算法以差异性尺寸的盒式滤波器为中介对采集的原始输电线路图像的积分图像实施滤波处理。(2）基于Hessian矩阵检测各层图像中的影像极值点,由此定义Hessian矩阵上限与下限,精准选取极值点,以获取特征点的尺度值与位置。

得到特征点位置后,将该特征点作为圆形的中心点,设置半径值为5.5,在该圆形区域中求取像素点水平与垂直方向的Haar小波响应值,制作响应值的统计直方图以得到圆形区域中矢量方向最大值,特征点的主方向即为该矢量的方向,通过这种方式保证配准算法旋转不变。

特征点描述如下:确定以特征点为中心点的邻域范围,即20"×20"区域内,令该区域与特征点的主方向相同。对任意一个像素点进行高斯加权,分别求取加权后像素点的Haar小波在水平与垂直方向的响应值,分别用ex与ev表示。∑ex与∑ev表示区域中全部像素点的响应值和,∑|ex|与∑|ev|表示子区域中响应值的绝对值,基于求取的∑ex与∑ev、∑|ex|与∑|ev|构建思维特征向量。最后通过归一化处理特征点描述向量的方式,确保特征点描述的尺度不变性。

1.3.2特征匹配

基于上述方法得到两幅输电线路走廊图像的SURF特征向量,采用向量间的欧式距离评估特征点的相似程度[7]。确定特征点的匹配点条件如下:两个特征点的最小距离和第二小距离的比值在55%以下。基于该方法得到的匹配点为粗匹配,为提升匹配精准度,需采用UFA+FN数据拟合算法剔除错误的匹配点。UFA+FN算法的优点是容错能力强、鲁棒性优,基于UFA+FN算法精细化匹配点的途径如下:(1）定义目标函数:(2）估计函数的参数初始值,以循环提取最小点集的方式实现,数据基于初始值被划分成内点与外点两种形式,函数参数的求取即通过内点的重新计算得到。这样通过UFA+FN算法重新得到高精度的特征匹配点,提升输电线路走廊拼接的精准度。

2全景重建测试

2.1测试环境设置

以某输电线路走廊作为对象,采用本文方法展开全景展示测试研究。测试中,基于无人机拍摄大量输电线路走廊图像,根据测试需求选取特定图像作为研究对象。输电线路走廊拍摄图像处理的计算机硬件设置如下:NPs主频为2.3GHz,携带2GB内存,在MicrosoftVisualN＋＋6.0编程条件中运行。

2.2拼接时间开销测试

选取场景1作为测试研究对象,采用本文方法拼接的场景1全景图像如图3所示。

图3采用本文方法拼接的输电线路走廊全景图像展示

图3中,采用本文方法拼接而成的输电线路走廊全景图像几乎没有不自然的拼接痕迹:图4为未进行图像重建的输电线路走廊全景图像,即无人机拍摄的原始图像。和图4相比,图3中的输电线路走廊图像清晰、完整,可作为有效的全景图像使用,突出了本文方法中重建图像的重要性。

图4未进行图像重建的输电线路走廊全景图像

另外,图3描述的场景1由6幅图像为基础拼接而成,本文方法拼接图像的时间开销如图5所示。图5中,本文方法拼接5个输电线路场景图像的时间开销均在0.8～1.0s,各幅图像拼接的时间差较小,用时较短。上述数据显示,本文方法拼接输电线路走廊全景图像的用时短,在全景展示输电线路走廊方面效率较高。

由于场景1输电线路走廊全景图像由6幅图像拼接而成,所以进行5次拼接,本文方法拼接该图像的偏差如表1所示。

表1显示,以基准图像为基准,从x轴考虑,本文方法拼接偏差最大值仅为4行,从y轴考虑,本文方法拼接偏差最大值仅为1列,拼接偏差较小,可以忽略不计。由此证明本文方法拼接的输电线路全景图像精度较高,这是因为本文基于sURF算法提取图像特征点后,采用RANsAC数据拟合算法剔除错误的匹配点,RANsAC算法具有容错能力强、鲁棒性优的优势,将错误的特征点排除在外,由此提升输电线路走廊图像拼接的精度。

3结语

本文研究了基于无人全景拍摄的输电线路走廊全景展示方法,首先采用无人机拍摄输电线路走廊各角度图像,但是无人机采集的原始图像在外界干扰下存在模糊、失真现象,导致最终展示的输电线路全景不理想,所以基于立体匹配方法挖掘同一场景不同角度图像的对应关系,得到图像深层次信息,重建清晰的输电线路图像:然后利用sURF算法提取图像特征点,基于RANsAC算法剔除错误的匹配点,实现输电线路走廊全景图像的高精度拼接。

经测试证明了本文方法重建输电线路走廊全景图像的可行性与精准度。在以后的研究中,可从改善无人机控制软件的角度,优化无人机拍摄图像的效果,从根本上控制原始拍摄图像的精准程度,减少全景图像处理部分的时间开销,提升输电线路走廊全景展示效率。