[发明专利]基于关键点检测的输电线路提取方法

说明书

本发明涉及基于关键点检测的输电线路提取方法，包括：S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本，用该训练样本对关键点检测模型进行训练，获得源域中的关键点检测模型；S2、利用S1获得的关键点检测模型的模型参数对目标域中的关键点检测模型进行参数初始化；S3、用目标域数据对目标域中的关键点检测模型进行微调，得到训练好的关键点检测模型；S4、用S3得到的关键点检测模型进行测试，获得高压线塔的关键点位置；S5、对S4的测试结果进行空间关系分析，挖掘高压线塔之间的拓扑关系，实现输电线路的提取。本发明检测速度快；本发明实现了小样本学习，通过手工制作少量样本，就完成了高压线塔关键点检测的训练。

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及基于关键点检测的输电线路提取方法。

背景技术

输电线路作为电网的动脉，为国民经济社会和人民生活提供电力支持保障。位于无人区的线路海拔高，周边交通条件差，人力难以到达。洪涝和滑坡等地质灾害发生后，导致地面道路损坏、高压线塔倒塌，人员巡查困难，电网企业难以第一时间掌握现场情况。

遥感数据具有广域普查效率高、低成本、无需人员到达现场的特点。近年来，随着遥感技术飞速发展，遥感影像的空间分辨率有了大幅度的提高，高分辨率遥感影像逐渐成为面向输电线路广域检测的一个重要技术手段。基于高分辨率遥感影像的输电线路提取对于电网的精益化运维具有重要意义。

传统的输电线路提取方法都是基于人工特征展开的，如局部二值模式（LBP）、梯度方向直方图（HOG）、Gabor等特征，然后将这些特征以特征向量的形式输入到一个传统的分类器例如SVM、AdaBoost、决策树等进行分类，其不足在于鲁棒性差、受限于位移旋转等影响、特征提取精度不足。而基于深度学习的关键点检测无需人工设计特征便可获得较高的检测精度，与基于深度学习的目标检测相比，其具有检测速度快、后处理简单的优点。

由于深度学习的特性，要使得训练出来的模型能有较好的泛化能力，需要大量的训练样本，而基于关键点检测的高压线塔提取几乎没有训练样本。如果全部采用人工标注将会十分费时费力，导致无法将基于深度学习的关键点检测技术方法直接用于高压线塔的提取。

发明内容

本发明为了解决上述技术问题提供基于关键点检测的输电线路提取方法。

本发明通过下述技术方案实现：

基于关键点检测的输电线路提取方法，包括以下步骤：

S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本，获得源域中的图像；用源域中的图像对关键点检测模型进行训练，获得训练好的源域中的关键点检测模型；

S2、将训练好的源域中的关键点检测模型的模型参数前移到目标域中的关键点检测模型中，对目标域中的关键点检测模型进行参数初始化；

S3、用目标域中的图像对参数初始化后的目标域中的关键点检测模型进行微调，得到训练好的目标域中的关键点检测模型；

所述目标域中的图像中均包含有高压线塔，且高压线塔上标记了关键点；

S4、用S3得到的目标域中的关键点检测模型对作业区域进行测试，获得作业区域高压线塔的关键点位置；

S5、对S4的测试结果进行空间关系分析，计算所有关键点之间的空间距离，在满足一定空间距离限制下，每个关键点都与其周围的关键点建立拓扑关系。

进一步的，所述S3中，每个关键点都与最近的关键点以及次最近的关键点建立拓扑关系。

进一步的，所述目标域的构建方法为：

用遥感影像生成一定数量的影像切片，每个影像切片内都包含高压线塔；