本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及基于毫米波雷達(dá)決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

超高壓輸電線(xiàn)路一直擔(dān)負(fù)著我國(guó)電力傳輸?shù)闹厝?，針?duì)輸電線(xiàn)路巡檢管理是有效保證輸配電線(xiàn)路及其設(shè)備安全的一項(xiàng)基礎(chǔ)工作。為了滿(mǎn)足日常巡檢的需求，無(wú)人機(jī)巡檢作為一種常規(guī)巡檢模式被引入到巡檢任務(wù)中。但是受到地形、天氣情況的諸多因素影響，無(wú)人機(jī)可能出現(xiàn)圖像數(shù)據(jù)無(wú)法傳回至地面站的情況，使地面操控人員失去對(duì)無(wú)人機(jī)的有效控制，從而造成無(wú)人機(jī)撞線(xiàn)的危險(xiǎn)，進(jìn)而造成安全事故。為了保證巡檢安全，提高巡檢效率需要無(wú)人機(jī)可以實(shí)時(shí)的識(shí)別出電力線(xiàn)的位置并判斷出與無(wú)人機(jī)的距離，從而避免撞線(xiàn)事故的發(fā)生。

電力線(xiàn)檢測(cè)技術(shù)在國(guó)內(nèi)外進(jìn)行了許多研究，通過(guò)使用可見(jiàn)光、激光和紅外傳感器等設(shè)備采集電力線(xiàn)數(shù)據(jù)，然后進(jìn)行后期處理實(shí)現(xiàn)電力線(xiàn)的識(shí)別。

中國(guó)發(fā)明專(zhuān)利CN103761521A基于高清分辨率遙感圖像，通過(guò)圖像預(yù)處理、邊緣提取和聚類(lèi)分析等操作實(shí)現(xiàn)了電力線(xiàn)的識(shí)別。但是此方法是基于衛(wèi)星拍攝的遙感圖像進(jìn)行分析處理，不適用于無(wú)人機(jī)巡檢任務(wù)。

中國(guó)發(fā)明專(zhuān)利CN104866840A利用LiDAR設(shè)備獲取輸電線(xiàn)路的三維點(diǎn)云信息，通過(guò)點(diǎn)云數(shù)據(jù)建模等一些列操作提取出輸電線(xiàn)路電力線(xiàn)部件。但是LiDAR設(shè)備通常體積、重量較大而無(wú)人機(jī)通常載荷有限，無(wú)法將LiDAR裝配到普通無(wú)人機(jī)上進(jìn)行數(shù)據(jù)采集，而且采集到的LiDAR要通過(guò)專(zhuān)門(mén)的軟件進(jìn)行數(shù)據(jù)解析，處理耗時(shí)較長(zhǎng)，無(wú)法滿(mǎn)足巡檢過(guò)程中實(shí)時(shí)識(shí)別、檢測(cè)電力線(xiàn)的要求。

中國(guó)發(fā)明專(zhuān)利CN 101625723A實(shí)現(xiàn)了基于可見(jiàn)光圖像的電力線(xiàn)實(shí)時(shí)提取技術(shù)，但由于輸電線(xiàn)路處于野外環(huán)境背景復(fù)雜，而且受光照、拍攝角度等因素的影響造成電力線(xiàn)在圖像中不顯著，從而造成檢測(cè)效率的下降。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述缺點(diǎn)，本發(fā)明提供了一種基于毫米波雷達(dá)決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)方法及系統(tǒng)，它具有可以實(shí)時(shí)、有效的檢測(cè)出電力線(xiàn)目標(biāo)，而且具有很低的虛警概率的優(yōu)點(diǎn)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于毫米波雷達(dá)決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)方法，包括如下步驟：

步驟(1)：獲取電力線(xiàn)的雷達(dá)圖像；

步驟(2)：坐標(biāo)變換：利用坐標(biāo)轉(zhuǎn)換方法將電力線(xiàn)的雷達(dá)圖像由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系中；

步驟(3)：圖像分塊處理：以圖像中距離為標(biāo)準(zhǔn)，設(shè)定閾值，按設(shè)定閾值對(duì)圖像進(jìn)行分塊；

步驟(4)：利用Hough變換檢測(cè)圖像分塊中存在的直線(xiàn)段；得到形成候選直線(xiàn)段集合；

步驟(5)：利用決策樹(shù)分類(lèi)模型對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行分類(lèi)，從而檢測(cè)出電力線(xiàn)的位置。

所述電力線(xiàn)的雷達(dá)圖像是利用無(wú)人機(jī)搭載的毫米波雷達(dá)掃描輸電線(xiàn)路區(qū)域獲取的。

所述步驟(1)的步驟包括：

獲取到場(chǎng)景中各物體的方位角；

雷達(dá)圖像經(jīng)過(guò)傅里葉變換(FFT)后，從頻譜中獲取場(chǎng)景中物體與雷達(dá)之間的距離，距離與方位角組合形成方位-距離二維圖像。

所述步驟(2)的步驟包括：利用坐標(biāo)轉(zhuǎn)換的方法對(duì)方位-距離二維圖像進(jìn)行坐標(biāo)轉(zhuǎn)換，由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系，將方位-距離二維圖像中每個(gè)方位的斜距變?yōu)榇怪本嚯x，使電力線(xiàn)和類(lèi)似電力線(xiàn)的線(xiàn)性目標(biāo)在圖像中表現(xiàn)為直線(xiàn)段。

所述步驟(3)的步驟包括：

步驟(3-1)：獲取距離直方圖：將采集到的雷達(dá)圖像上所有點(diǎn)與發(fā)射源之間的距離整數(shù)化，獲取雷達(dá)圖像上所有點(diǎn)的距離直方圖；

步驟(3-2)：計(jì)算分塊閾值：將距離直方圖等分成若干個(gè)分塊，并求每塊的距離均值，將距離均值作為雷達(dá)圖像分塊的分割閾值；按分割閾值對(duì)雷達(dá)圖像進(jìn)行分塊；

步驟(3-3)：如果圖像塊無(wú)法完整地顯示電力線(xiàn)，把相鄰的圖像塊進(jìn)行疊加。

所述步驟(3-3)的疊加，是以分塊大小為基礎(chǔ)，把相鄰的圖像塊按照重疊圖像塊的設(shè)定比例進(jìn)行疊加。設(shè)定比例可以是十分之一。

所述步驟(5)的步驟包括：

步驟(5-1)：對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行特征提取得到測(cè)試集；

步驟(5-2)：構(gòu)造決策樹(shù)分類(lèi)模型，利用訓(xùn)練集對(duì)決策樹(shù)分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的決策樹(shù)分類(lèi)模型；

步驟(5-3)：利用訓(xùn)練好的決策樹(shù)分類(lèi)模型對(duì)測(cè)試集的特征進(jìn)行分類(lèi)處理，確定電力線(xiàn)的位置。

所述步驟(5-2)在訓(xùn)練過(guò)程中矯正節(jié)點(diǎn)屬性，引入交叉驗(yàn)證策略，最終得到?jīng)Q策樹(shù)分類(lèi)模型。

所述步驟(5-2)的訓(xùn)練集包含的特征的屬性和類(lèi)別與測(cè)試集中的是一樣的。

所述步驟(5-2)的步驟包括：

步驟(5-2-1)：尋找初始分裂，整個(gè)訓(xùn)練集作為產(chǎn)生決策樹(shù)的集合，訓(xùn)練集每個(gè)記錄必須是已經(jīng)分好類(lèi)的，依據(jù)信息增益決定作為目前分類(lèi)指標(biāo)的屬性域(Field)。信息增益越小表示該信息增益所對(duì)應(yīng)的屬性域作為分類(lèi)指標(biāo)越好。

步驟(5-2-2)：窮舉所有的屬性域，通過(guò)計(jì)算每個(gè)屬性域分裂的多樣性(Diversity)指標(biāo)來(lái)對(duì)每個(gè)屬性域分裂的好壞做出量化，依據(jù)決策樹(shù)分類(lèi)訓(xùn)練集合的信息增益值來(lái)計(jì)算出最好的一個(gè)分裂屬性，信息增益越大說(shuō)明該屬性的分類(lèi)效果越好；

步驟(5-2-3)：返回步驟(5-2-1)，直至每個(gè)葉節(jié)點(diǎn)內(nèi)的記錄都屬于同一類(lèi)且增長(zhǎng)到一棵完整的樹(shù)。

所述信息熵的計(jì)算方法為：

其中，p_i是S中屬于類(lèi)別i的比例，Entropy(S)表示對(duì)于類(lèi)別個(gè)數(shù)為C的情況，樣本集S相對(duì)于C分類(lèi)的信息熵。

信息增益是屬性分類(lèi)訓(xùn)練數(shù)據(jù)的能力的度量標(biāo)準(zhǔn)，一個(gè)屬性的信息增益就是由于使用這個(gè)屬性分割樣例而導(dǎo)致的期望熵降低。由于不同的分支節(jié)點(diǎn)所包含的樣本數(shù)不同，給分支節(jié)點(diǎn)賦予權(quán)重即樣本數(shù)越多的分支節(jié)點(diǎn)的影響越大。

所述信息增益被定義為：

其中，Value(A)是屬性A的所有可能值的集合，S_v是樣本S中屬性A的值為v的子集(即，S_v＝{s∈S|A(s)＝v})。計(jì)算每個(gè)屬性的信息增益，并選取具有最高信息增益的屬性作為給定集合S的測(cè)試屬性，創(chuàng)建一個(gè)節(jié)點(diǎn)。

以該屬性為分類(lèi)標(biāo)準(zhǔn)，劃分樣本集合。

在分類(lèi)過(guò)程中每一步劃分都是局部最優(yōu)的，從而建立一棵分類(lèi)樹(shù)。

所述步驟(5-1)的步驟包括：

為了在雷達(dá)圖像中檢出電力線(xiàn)路，提取具備10維度屬性的特征向量來(lái)表征電力線(xiàn)。

記候選直線(xiàn)段上的數(shù)據(jù)為v＝(v(1),v(2),...,v(n))，n為候選直線(xiàn)段上的點(diǎn)數(shù)，v(i)為候選直線(xiàn)段上第i個(gè)數(shù)據(jù)點(diǎn)的強(qiáng)度；

設(shè)x為10維的特征向量，其分量分別為x＝(x(1),x(2),...,x(10))；

分量分別取自時(shí)域、頻域和自相關(guān)曲線(xiàn)；

第一組時(shí)域特征分量由數(shù)據(jù)點(diǎn)的基本統(tǒng)計(jì)特征值確定，依次表示數(shù)據(jù)v的均值mean(v)，最大值max(v)，方差var(v)，標(biāo)準(zhǔn)差std(v)。

x(1)＝mean(v)；

x(2)＝max(v)；

x(3)＝var(v)；

x(4)＝std(v)；

接下來(lái)的一組頻域特征分量由數(shù)據(jù)點(diǎn)頻譜的特點(diǎn)確定，V表示對(duì)v做2048點(diǎn)的離散傅里葉變換(DFT)；x(5)是直流分量，x(6)是低頻分量，x(7)是高頻分量，x(8)是平均功率。

x(5)＝V(1)；

最后一組自相關(guān)特征分量取自時(shí)域信號(hào)的自相關(guān)序列，x(9)為序列v的自相關(guān)函數(shù)的中位數(shù)，x(10)為序列v的自相關(guān)函數(shù)的均值。

基于毫米波雷達(dá)決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)系統(tǒng)，包括：

圖像獲取模塊：獲取電力線(xiàn)的雷達(dá)圖像；

坐標(biāo)變換模塊：利用坐標(biāo)轉(zhuǎn)換方法將電力線(xiàn)的雷達(dá)圖像由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系中；

圖像分塊處理模塊：以圖像中距離為標(biāo)準(zhǔn)，設(shè)定閾值，按設(shè)定閾值對(duì)圖像進(jìn)行分塊；

直線(xiàn)段檢測(cè)模塊：利用Hough變換檢測(cè)圖像分塊中存在的直線(xiàn)段；得到形成候選直線(xiàn)段集合；

分類(lèi)模塊：利用決策樹(shù)分類(lèi)模型對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行分類(lèi)，從而檢測(cè)出電力線(xiàn)的位置。

所述電力線(xiàn)的雷達(dá)圖像是利用無(wú)人機(jī)搭載的毫米波雷達(dá)掃描輸電線(xiàn)路區(qū)域獲取的。

所述圖像獲取模塊包括：

方位角獲取單元：獲取到場(chǎng)景中各物體的方位角；

傅里葉變換單元：雷達(dá)圖像經(jīng)過(guò)傅里葉變換(FFT)后，從頻譜中獲取場(chǎng)景中物體與雷達(dá)之間的距離，距離與方位角組合形成方位-距離二維圖像。

所述坐標(biāo)變換模塊：利用坐標(biāo)轉(zhuǎn)換的方法對(duì)方位-距離二維圖像進(jìn)行坐標(biāo)轉(zhuǎn)換，由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系，將方位-距離二維圖像中每個(gè)方位的斜距變?yōu)榇怪本嚯x，使電力線(xiàn)和類(lèi)似電力線(xiàn)的線(xiàn)性目標(biāo)在圖像中表現(xiàn)為直線(xiàn)段。

所述圖像分塊處理模塊包括：

距離直方圖獲取單元：獲取距離直方圖：將采集到的雷達(dá)圖像上所有點(diǎn)與發(fā)射源之間的距離整數(shù)化，獲取雷達(dá)圖像上所有點(diǎn)的距離直方圖；

分塊閾值計(jì)算單元：計(jì)算分塊閾值：將距離直方圖等分成若干個(gè)分塊，并求每塊的距離均值，將距離均值作為雷達(dá)圖像分塊的分割閾值；按分割閾值對(duì)雷達(dá)圖像進(jìn)行分塊；

圖像塊疊加單元：如果圖像塊無(wú)法完整地顯示電力線(xiàn)，把相鄰的圖像塊進(jìn)行疊加。

所述圖像塊疊加單元的疊加，是以分塊大小為基礎(chǔ)，把相鄰的圖像塊按照重疊圖像塊的設(shè)定比例進(jìn)行疊加。設(shè)定比例可以是十分之一。

所述分類(lèi)模塊包括：

特征提取單元：對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行特征提取得到測(cè)試集；

決策樹(shù)分類(lèi)模型訓(xùn)練單元：構(gòu)造決策樹(shù)分類(lèi)模型，利用訓(xùn)練集對(duì)決策樹(shù)分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的決策樹(shù)分類(lèi)模型；

分類(lèi)處理單元：利用訓(xùn)練好的決策樹(shù)分類(lèi)模型對(duì)測(cè)試集的特征進(jìn)行分類(lèi)處理，確定電力線(xiàn)的位置。

所述決策樹(shù)分類(lèi)模型訓(xùn)練單元在訓(xùn)練過(guò)程中矯正節(jié)點(diǎn)屬性，引入交叉驗(yàn)證策略，最終得到?jīng)Q策樹(shù)分類(lèi)模型。

所述決策樹(shù)分類(lèi)模型訓(xùn)練單元的訓(xùn)練集包含的特征的屬性和類(lèi)別與測(cè)試集中的是一樣的。

所述決策樹(shù)分類(lèi)模型訓(xùn)練單元包括：

分類(lèi)指標(biāo)的屬性域確定子單元：尋找初始分裂，整個(gè)訓(xùn)練集作為產(chǎn)生決策樹(shù)的集合，訓(xùn)練集每個(gè)記錄必須是已經(jīng)分好類(lèi)的，依據(jù)信息增益決定作為目前分類(lèi)指標(biāo)的屬性域(Field)；信息增益越小表示該信息增益所對(duì)應(yīng)的屬性域作為分類(lèi)指標(biāo)越好。

屬性域分裂好壞量化子單元：窮舉所有的屬性域，通過(guò)計(jì)算每個(gè)屬性域分裂的多樣性(Diversity)指標(biāo)來(lái)對(duì)每個(gè)屬性域分裂的好壞做出量化，依據(jù)決策樹(shù)分類(lèi)訓(xùn)練集合的信息增益值來(lái)計(jì)算出最好的一個(gè)分裂屬性，信息增益越大說(shuō)明該屬性的分類(lèi)效果越好；

決策樹(shù)形成子單元：返回分類(lèi)指標(biāo)的屬性域確定子單元，直至每個(gè)葉節(jié)點(diǎn)內(nèi)的記錄都屬于同一類(lèi)且增長(zhǎng)到一棵完整的樹(shù)。

本發(fā)明的有益效果：

通過(guò)坐標(biāo)轉(zhuǎn)換后，可以應(yīng)用通用的直線(xiàn)檢測(cè)手段完成電力線(xiàn)的檢測(cè)，降低了直線(xiàn)檢測(cè)難度；將變換后的圖像進(jìn)行有重疊的分塊處理操作，在保證直線(xiàn)連續(xù)的情況下可以實(shí)現(xiàn)數(shù)據(jù)的并行處理運(yùn)算，提高方法的計(jì)算速度；針對(duì)電力線(xiàn)提取描述特征，并利用決策分類(lèi)樹(shù)分類(lèi)方法對(duì)檢測(cè)到的直線(xiàn)進(jìn)行分類(lèi)，計(jì)算簡(jiǎn)單而且更加符合電力線(xiàn)檢測(cè)的應(yīng)用。本發(fā)明可以實(shí)時(shí)、有效的檢測(cè)出電力線(xiàn)目標(biāo)，而且具有很低的虛警概率。將基于毫米波雷達(dá)波決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)方法引入到無(wú)人機(jī)在輸電領(lǐng)域巡檢時(shí)的應(yīng)用中，從而判斷無(wú)人機(jī)距離電力線(xiàn)的距離，為無(wú)人機(jī)的巡檢提供一種有效的安全預(yù)警手段，保證了無(wú)人機(jī)巡檢輸電線(xiàn)路的工作安全。

附圖說(shuō)明

圖1(a)為關(guān)于電力線(xiàn)的原始雷達(dá)圖像；

圖1(b)為經(jīng)過(guò)坐標(biāo)變換后的關(guān)于電力線(xiàn)的雷達(dá)圖像；

圖2(a)為根據(jù)閾值分塊后的雷達(dá)圖像；

圖2(b)為添加區(qū)域重疊的雷達(dá)分塊圖像；

圖3(a)為未處理過(guò)的雷達(dá)圖像實(shí)例一；

圖3(b)為手動(dòng)提取電力線(xiàn)位置的圖像實(shí)例一；

圖3(c)為經(jīng)過(guò)Hough變換后的電力線(xiàn)圖像實(shí)例一；

圖3(d)為經(jīng)過(guò)決策樹(shù)分類(lèi)檢測(cè)后的電力線(xiàn)圖像實(shí)例一；

圖3(e)為未處理過(guò)的雷達(dá)圖像實(shí)例二；

圖3(f)為手動(dòng)提取電力線(xiàn)位置的圖像實(shí)例二；

圖3(g)為經(jīng)過(guò)Hough變換后的電力線(xiàn)圖像實(shí)例二；

圖3(h)為經(jīng)過(guò)決策樹(shù)分類(lèi)檢測(cè)后的電力線(xiàn)圖像實(shí)例二；

圖4為電力線(xiàn)檢測(cè)框圖；

圖5為基于毫米波雷達(dá)決策樹(shù)分類(lèi)的無(wú)人機(jī)實(shí)時(shí)檢測(cè)電力線(xiàn)系統(tǒng)框圖；

圖6為圖像獲取模塊內(nèi)部功能架構(gòu)圖；

圖7為圖像分塊處理模塊內(nèi)部功能架構(gòu)圖；

圖8為分類(lèi)模塊內(nèi)部功能架構(gòu)圖；

圖9為決策樹(shù)分類(lèi)模型訓(xùn)練單元內(nèi)部功能架構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

基于毫米波雷達(dá)決策樹(shù)分類(lèi)的電力線(xiàn)檢測(cè)方法，包括如下步驟：

步驟(1)：利用毫米波雷達(dá)獲取電力線(xiàn)雷達(dá)圖像并進(jìn)行坐標(biāo)轉(zhuǎn)換，作為后續(xù)處理的基礎(chǔ)信息；

步驟(2)：圖像分塊處理。以圖像中距離信息為標(biāo)準(zhǔn)，確定閾值將圖像按距離進(jìn)行分塊；

步驟(3)：利用Hough變換檢測(cè)圖像分塊中存在的直線(xiàn)；

步驟(4)：決策樹(shù)分類(lèi)：對(duì)提取到的候選直線(xiàn)進(jìn)行分類(lèi)處理，確定最終的電力線(xiàn)位置。

所述步驟(1)的步驟包括：

步驟(1-1)：利用機(jī)械掃描方式獲取掃描圖，電力線(xiàn)在毫米波雷達(dá)波照射下有布拉格散射曲線(xiàn)，在極坐標(biāo)系下呈現(xiàn)彎曲特性；

步驟(1-2)：坐標(biāo)變換。電力線(xiàn)在雷達(dá)圖中呈現(xiàn)彎曲特性，不利于后期的處理。這里利用坐標(biāo)系轉(zhuǎn)換，將每個(gè)方位的斜距變?yōu)榇怪本嚯x，這樣像電力線(xiàn)這樣的線(xiàn)性目標(biāo)就在圖像中表現(xiàn)為直線(xiàn)段了，便于后續(xù)處理。變換前的圖像如圖1(a)所示，變換后的圖像如圖1(b)所示。

由雷達(dá)方程可知，距離遠(yuǎn)的目標(biāo)對(duì)電磁波反射后的回波功率小于近距離目標(biāo)，由于在后面直線(xiàn)檢測(cè)中需要對(duì)圖像取峰值點(diǎn)，減少參與直線(xiàn)檢測(cè)的像素點(diǎn)，可以減少計(jì)算量。取峰值點(diǎn)就要對(duì)圖像設(shè)定閾值，超過(guò)閾值的點(diǎn)保留，低于閾值的點(diǎn)去掉。如果對(duì)整幀圖像取定一個(gè)統(tǒng)一的閾值，那么對(duì)于遠(yuǎn)距離目標(biāo)就可能因其回波功率小而低于閾值，這不利于整幅圖像峰值選取的公平性，所以對(duì)不同距離的目標(biāo)就要有不同的閾值。但是距離是漸變的，要顧全每個(gè)距離點(diǎn)的話(huà)，將設(shè)置很多的閾值，處理起來(lái)很麻煩。

步驟(2)所示圖像分塊處理，主要包括：

步驟(2-1)：統(tǒng)計(jì)直方圖信息。將圖像中所有點(diǎn)的距離信息整數(shù)化，統(tǒng)計(jì)距離直方圖信息；

步驟(2-2)：計(jì)算分塊閾值。根據(jù)直方圖信息，將直方圖10等分并求每個(gè)分塊的距離均值，作為分塊的閾值。

步驟(2-3)：如圖2(a)所示分塊結(jié)果，當(dāng)電力線(xiàn)處理圖像塊的邊緣時(shí)無(wú)法完整的檢出電力線(xiàn)，造成電力線(xiàn)信息的丟失，為此把圖像分成互相疊加的塊。如圖2(b)所示。

雷達(dá)圖像經(jīng)過(guò)坐標(biāo)轉(zhuǎn)換、分塊處理等預(yù)處理后，對(duì)得到的圖像進(jìn)行Hough變換以提取圖像中的直線(xiàn)。由于背景、噪聲的影響這些也會(huì)被檢測(cè)呈直線(xiàn)，形成候選直線(xiàn)集合。為了精確的檢測(cè)出直線(xiàn)位置，利用決策樹(shù)分類(lèi)器對(duì)候選直線(xiàn)集合進(jìn)行分類(lèi)處理。

決策樹(shù)是利用信息論中的信息增益尋找數(shù)據(jù)庫(kù)中具有最大信息量的屬性字段，建立決策樹(shù)的一個(gè)結(jié)點(diǎn)，再根據(jù)該屬性字段的不同取值建立樹(shù)的分支，在每個(gè)子分支子集中重復(fù)建立樹(shù)的下層結(jié)點(diǎn)和分支的一個(gè)過(guò)程。構(gòu)造決策樹(shù)的具體過(guò)程為：

首先，尋找初始分裂，整個(gè)訓(xùn)練集作為產(chǎn)生決策樹(shù)的集合，訓(xùn)練集每個(gè)記錄必須是已經(jīng)分好類(lèi)的，以決定哪個(gè)屬性域(Field)作為目前最好的分類(lèi)指標(biāo)。

其次，窮舉所有的屬性域，對(duì)每個(gè)屬性域分裂的好壞做出量化，計(jì)算出最好的一個(gè)分裂。量化的標(biāo)準(zhǔn)是計(jì)算每個(gè)分裂的多樣性(Diversity)指標(biāo)。

最后，重復(fù)第一步，直至每個(gè)葉節(jié)點(diǎn)內(nèi)的記錄都屬于同一類(lèi)且增長(zhǎng)到一棵完整的樹(shù)。

對(duì)于類(lèi)別個(gè)數(shù)為C的情況，樣本集S相對(duì)于C分類(lèi)的熵定義為：

其中，p_i是S中屬于類(lèi)別i的比例。

信息增益是屬性分類(lèi)訓(xùn)練數(shù)據(jù)的能力的度量標(biāo)準(zhǔn)，一個(gè)屬性的信息增益就是由于使用這個(gè)屬性分割樣例而導(dǎo)致的期望熵降低。它被定義為：

其中，Value(A)是屬性A的所有可能值的集合，S_v是S中屬性A的值為v的子集(即，S_v＝{s∈S|A(s)＝v})。計(jì)算每個(gè)屬性的信息增益，并選取具有最高信息增益的屬性作為給定集合S的測(cè)試屬性，創(chuàng)建一個(gè)節(jié)點(diǎn)，并以該屬性標(biāo)記，對(duì)該屬性的每個(gè)值創(chuàng)建一個(gè)分支，并據(jù)此劃分樣本，每一步劃分都是局部最優(yōu)的，從而建立一棵分類(lèi)樹(shù)。

在建立決策樹(shù)對(duì)候選直線(xiàn)段分類(lèi)之前需要對(duì)候選直線(xiàn)段進(jìn)行特征提取，本方法根據(jù)電力線(xiàn)檢測(cè)的需求，提取具備10維度屬性的特向量來(lái)表征電力線(xiàn)。記候選直線(xiàn)上的數(shù)據(jù)為v＝(v(1),v(2),...,v(n))，n為候選直線(xiàn)上的點(diǎn)數(shù)，v(i)為候選直線(xiàn)上第i個(gè)數(shù)據(jù)點(diǎn)的強(qiáng)度。設(shè)x為10維的特征向量，其分量分別為x＝(x(1),x(2),...,x(10))。這些分量分別取自時(shí)域、頻域和自相關(guān)曲線(xiàn)。第一組特征分量由數(shù)據(jù)點(diǎn)的基本統(tǒng)計(jì)特征值確定，依次表示v的均值，最大值，方差，標(biāo)準(zhǔn)差。

x(1)＝mean(v)

x(2)＝max(v)

x(3)＝var(v)

x(4)＝std(v)

接下來(lái)的一組特征向量分量由數(shù)據(jù)點(diǎn)頻譜的特點(diǎn)確定，V表示對(duì)v做2048點(diǎn)的DFT。x(5)是直流分量，x(6)是低頻分量，x(7)是高頻分量，x(8)是平均功率。

x(5)＝V(1)

最后一組特征分量取自時(shí)域信號(hào)的自相關(guān)序列，x(9)，x(10)分別為序列v的自相關(guān)函數(shù)的中位數(shù)和均值。

為了使用決策樹(shù)算法對(duì)輸入數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測(cè)分類(lèi)，就必須獲取包含這些屬性和相應(yīng)類(lèi)別的訓(xùn)練集，用這些訓(xùn)練集構(gòu)造一棵決策樹(shù)。為了在訓(xùn)練過(guò)程中矯正節(jié)點(diǎn)屬性，引入交叉驗(yàn)證策略，最終得到?jīng)Q策樹(shù)分類(lèi)模型。最終測(cè)試結(jié)果如圖3(a)-圖3(h)所示。

方法的整體流程如圖4所示。

如圖5所示，基于毫米波雷達(dá)決策樹(shù)分類(lèi)的無(wú)人機(jī)實(shí)時(shí)檢測(cè)電力線(xiàn)系統(tǒng)，包括：

圖像獲取模塊：獲取電力線(xiàn)的雷達(dá)圖像；

坐標(biāo)變換模塊：利用坐標(biāo)轉(zhuǎn)換方法將電力線(xiàn)的雷達(dá)圖像由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系中；

圖像分塊處理模塊：以圖像中距離為標(biāo)準(zhǔn)，設(shè)定閾值，按設(shè)定閾值對(duì)圖像進(jìn)行分塊；

直線(xiàn)段檢測(cè)模塊：利用Hough變換檢測(cè)圖像分塊中存在的直線(xiàn)段；得到形成候選直線(xiàn)段集合；

分類(lèi)模塊：利用決策樹(shù)分類(lèi)模型對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行分類(lèi)，從而檢測(cè)出電力線(xiàn)的位置。

所述電力線(xiàn)的雷達(dá)圖像是利用無(wú)人機(jī)搭載的毫米波雷達(dá)掃描輸電線(xiàn)路區(qū)域獲取的。

如圖6所示，所述圖像獲取模塊包括：

方位角獲取單元：獲取到場(chǎng)景中各物體的方位角；

傅里葉變換單元：雷達(dá)圖像經(jīng)過(guò)傅里葉變換(FFT)后，從頻譜中獲取場(chǎng)景中物體與雷達(dá)之間的距離，距離與方位角組合形成方位-距離二維圖像。

所述坐標(biāo)變換模塊：利用坐標(biāo)轉(zhuǎn)換的方法對(duì)方位-距離二維圖像進(jìn)行坐標(biāo)轉(zhuǎn)換，由極坐標(biāo)系轉(zhuǎn)化到平面直角坐標(biāo)系，將方位-距離二維圖像中每個(gè)方位的斜距變?yōu)榇怪本嚯x，使電力線(xiàn)和類(lèi)似電力線(xiàn)的線(xiàn)性目標(biāo)在圖像中表現(xiàn)為直線(xiàn)段。

如圖7所示，所述圖像分塊處理模塊包括：

距離直方圖獲取單元：獲取距離直方圖：將采集到的雷達(dá)圖像上所有點(diǎn)與發(fā)射源之間的距離整數(shù)化，獲取雷達(dá)圖像上所有點(diǎn)的距離直方圖；

分塊閾值計(jì)算單元：計(jì)算分塊閾值：將距離直方圖等分成若干個(gè)分塊，并求每塊的距離均值，將距離均值作為雷達(dá)圖像分塊的分割閾值；按分割閾值對(duì)雷達(dá)圖像進(jìn)行分塊；

圖像塊疊加單元：如果圖像塊無(wú)法完整地顯示電力線(xiàn)，把相鄰的圖像塊進(jìn)行疊加。

所述圖像塊疊加單元的疊加，是以分塊大小為基礎(chǔ)，把相鄰的圖像塊按照重疊圖像塊的設(shè)定比例進(jìn)行疊加。設(shè)定比例可以是十分之一。

如圖8所示，所述分類(lèi)模塊包括：

特征提取單元：對(duì)候選直線(xiàn)段集合中的直線(xiàn)段進(jìn)行特征提取得到測(cè)試集；

決策樹(shù)分類(lèi)模型訓(xùn)練單元：構(gòu)造決策樹(shù)分類(lèi)模型，利用訓(xùn)練集對(duì)決策樹(shù)分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的決策樹(shù)分類(lèi)模型；

分類(lèi)處理單元：利用訓(xùn)練好的決策樹(shù)分類(lèi)模型對(duì)測(cè)試集的特征進(jìn)行分類(lèi)處理，確定電力線(xiàn)的位置。

所述決策樹(shù)分類(lèi)模型訓(xùn)練單元在訓(xùn)練過(guò)程中矯正節(jié)點(diǎn)屬性，引入交叉驗(yàn)證策略，最終得到?jīng)Q策樹(shù)分類(lèi)模型。

所述決策樹(shù)分類(lèi)模型訓(xùn)練單元的訓(xùn)練集包含的特征的屬性和類(lèi)別與測(cè)試集中的是一樣的。

如圖9所示，所述決策樹(shù)分類(lèi)模型訓(xùn)練單元包括：

分類(lèi)指標(biāo)的屬性域確定子單元：尋找初始分裂，整個(gè)訓(xùn)練集作為產(chǎn)生決策樹(shù)的集合，訓(xùn)練集每個(gè)記錄必須是已經(jīng)分好類(lèi)的，依據(jù)信息增益決定作為目前分類(lèi)指標(biāo)的屬性域(Field)；信息增益越小表示該信息增益所對(duì)應(yīng)的屬性域作為分類(lèi)指標(biāo)越好。

屬性域分裂好壞量化子單元：窮舉所有的屬性域，通過(guò)計(jì)算每個(gè)屬性域分裂的多樣性(Diversity)指標(biāo)來(lái)對(duì)每個(gè)屬性域分裂的好壞做出量化，依據(jù)決策樹(shù)分類(lèi)訓(xùn)練集合的信息增益值來(lái)計(jì)算出最好的一個(gè)分裂屬性，信息增益越大說(shuō)明該屬性的分類(lèi)效果越好；

決策樹(shù)形成子單元：返回分類(lèi)指標(biāo)的屬性域確定子單元，直至每個(gè)葉節(jié)點(diǎn)內(nèi)的記錄都屬于同一類(lèi)且增長(zhǎng)到一棵完整的樹(shù)。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以?xún)?nèi)。