针对智能变电站系统中对于仪表定位的难点问题,提出一种基于方向梯度直方图特征和稀疏表示的变电站仪表自动识别方法。该方法中首先利用方向梯度直方图特征分别提取训练样本和待检测目标信息,通过稀疏表示的方法将训练样本训练为过完备字典,最后通过待检测目标在字典中稀疏度和重构误差判定目标是否为仪表并标注其位置。实验结果表明,该方法在变电站复杂场景中有较好的识别率和实时性。本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/ 基于移动机器人的变电站仪表自动识别研究Vol.33No.11好地解决问题。稀疏表示理论是近年来研究与应用的热点领域。它与传统的奈奎斯特采样定理不同，通过训练一个过完备且与变换基不相关的字典变电站仪表识别框架-数控滚圆机滚弧机折弯机张家港滚圆机滚弧机，将高维信号映射到低维空间上，在求得映射的最优化稀疏向量后，可从少量的信号重构出原信号。稀疏表示具有特征保持性、稀疏性等特点，目标信号可以通过该理论采集的少量信号值实现精确重建。将稀疏表示理论引入到智能变电站移动机器人的仪表识别中，对复杂场景下该理论的应用进行适应性研究。图1为本文的自动识别变电站仪表的技术路线。首先选用方向梯度直方图特征对图像中的目标进行特征提龋另一方面，采集代表性样本进行基于稀疏表示方法的过完备字典训练，训练得到的字典具有非负性。最后通过待测目标在字典中稀疏度和重构残差判定目标类别。实验结果表明，本文提出的方法在复杂的变电站场景中有较好的识别率和实时性。图1基于HOG特征和稀疏表示的变电站仪表识别框架1研究方法1.1仪表的HOG特征提取变电站仪表在图像上的形态特征具有一定的规律，其外形一般为圆型或者由于成像角度的原因导致变形呈椭圆形。然而实际的拍摄条件下不同的拍摄姿态，光照条件可能不一致，因此在基于图像信息提取仪表特征时，要求特征向量对光照等条件具有不敏感性。Dalal于2005年提出的HOG特征[9]是一种能有效地描述图像中对象边缘信息的描述符，用于描述图像局部区域的梯度强度以及梯度方向分布。考虑到HOG特征在计算过程中是在图像的局部单元进行的，因此受光照变化和噪声影响较小，具有良好的鲁棒性。HOG特征具有良好的表达图像中目标变电站仪表识别框架-数控滚圆机滚弧机折弯机张家港滚圆机滚弧机本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/