[发明专利]深度语义分割结合霍夫变换的高压线检测方法

说明书

本发明公开了一种深度语义分割结合霍夫变换的高压线检测方法，采用深度学习语义分割技术结合霍夫变换进行目标的门限判断，实现了高压线的高性能检测，并且经霍夫变换后的门限能够对检测目标进一步确认，对原始图像的虚假目标进行抑制，达到了检测目标与降低虚警的双重效果。本发明公开的技术方案，算法流程简洁，检测率高于传统的参数调节方法，并且通过霍夫变换进一步降低了虚警率，避免了语义分割导致高压线虚警过多的问题。

技术领域

本发明涉及雷达检测技术领域，具体涉及一种深度语义分割结合霍夫变换的高压线检测方法。

背景技术

直升机低空飞行时的最大威胁是高压线，据报道许多直升机与高压线发生碰撞事故。由于直升机速度快、重量大、转弯难度大，因此直升机为避让高压线需要较长的预警时间和制动距离。相对于其它物体来说，高压线体积较小，很难通过视觉或光学设备从远距离找到它。现有技术多使用激光和红外传感器探测高压线，但这两种方式的探测距离有限，而且容易受到天气的严重干扰。

高压线等电力线回波具有布拉格散射特性，常规的恒虚警检测技术在检测高压线方面不能取得良好的效果。尤其是对于需要更远距离检测高压线的情况，现有技术的检测能力将大大降低，并且会产生过多的虚警。

发明内容

本发明是为了解决上述问题而进行的，本发明根据毫米波雷达的特点和高压线的后向散射特性，提出了一种深度语义分割结合霍夫变换的高压线检测方法，包括：(1)以样本回波数据作为输入信息并以真实高压线的位置数据作为标签信息，通过语义分割模型训练建立高压线深度语义分割网络模型；(2)对雷达检测到的初始回波数据进行预处理后获得预处理回波数据(3)通过高压线深度语义分割网络模型对预处理回波数据进行语义分割处理获得输出输出为A或B；(4)当特定俯仰层的输出中A的数目大于等于霍夫变换门限K_min时，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵H_M，N；(5)将矩阵H_M，N中超过高压线判定门限H_k的数据定义为高压线。

优选地，对雷达检测到的初始回波数据进行预处理，包括获得中间回波数据对所述中间回波数据进行缩放，从而获得预处理回波数据

优选地，所述缩放包括根据中间回波数据的最小值和最大值，将中间回波数据转换为0～255之间。

优选地，以经过预处理后的样本回波数据作为输入信息，所述预处理包括获得中间样本回波数据并对所述中间样本回波数据进行缩放。

优选地，所述缩放包括根据中间样本回波数据的最小值和最大值，将中间样本回波数据转换为0～255之间。

优选地，A为1，B为0。

优选地，对所述特定俯仰层的输出进行霍夫变换并将霍夫变换后的数据映射到矩阵H_M，N包括：建立全零矩阵H_m，n，将所述特定俯仰层的输出逐个进行极坐标霍夫变换，并将H_m，n中对应位置的值增加1。

优选地，将矩阵H_m，n中低于高压线判定门限H_k的数据定义为虚警并抛弃。

与现有技术相比，本发明的优点在于：本发明公开的基于深度语义分割结合霍夫变换的高压线检测方法，算法流程简洁，通过深度学习语义分割方法，能够通过高压线的图像进行分割，检测率高于传统的参数调节方法，并且通过霍夫变换进一步降低了虚警率，避免了语义分割导致高压线虚警过多的问题。本方法能够实现了高压线检测能力提升的同时，降低虚警率。

附图说明

图1为本发明的深度语义分割结合霍夫变换的高压线检测方法的流程图；

图2为本发明实施例的采用D-LinkNet模型的深度语义分割模型示意图；