導(dǎo)語：如何才能寫好一篇卷積神經(jīng)網(wǎng)絡(luò)的主要思想，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

（江蘇科技大學(xué)電子信息學(xué)院，江蘇鎮(zhèn)江212003）

摘要：在實(shí)際交通環(huán)境中，由于運(yùn)動(dòng)模糊、背景干擾、天氣條件以及拍攝視角等因素，所采集的交通標(biāo)志的圖像質(zhì)量往往不高，這就對(duì)交通標(biāo)志自動(dòng)識(shí)別的準(zhǔn)確性、魯棒性和實(shí)時(shí)性提出了很高的要求。針對(duì)這一情況，提出一種基于深層卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法。該方法采用深層卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)模型，直接將采集的交通標(biāo)志圖像經(jīng)二值化后作為輸入，通過卷積和池采樣的多層處理，來模擬人腦感知視覺信號(hào)的層次結(jié)構(gòu)，自動(dòng)地提取交通標(biāo)志圖像的特征，最后再利用一個(gè)全連接的網(wǎng)絡(luò)實(shí)現(xiàn)交通標(biāo)志的識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法利用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)能力，自動(dòng)地提取交通標(biāo)志的特征，避免了傳統(tǒng)的人工特征提取，有效地提高了交通標(biāo)志識(shí)別的效率，具有良好的泛化能力和適應(yīng)范圍。

關(guān)鍵詞 ：交通標(biāo)志；識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)

中圖分類號(hào)：TN911.73?34；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2015）13?0101?06

收稿日期：2015?01?09

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（61371114）

0 引言

隨著智能汽車的發(fā)展，道路交通標(biāo)志的自動(dòng)識(shí)別[1?3]作為智能汽車的基本技術(shù)之一，受到人們的高度關(guān)注。道路交通標(biāo)志識(shí)別主要包括兩個(gè)基本環(huán)節(jié)：首先是交通標(biāo)志的檢測(cè)，包括交通標(biāo)志的定位、提取及必要的預(yù)處理；其次是交通標(biāo)志的識(shí)別，包括交通標(biāo)志的特征提取和分類。

如今，交通標(biāo)志的識(shí)別方法大多數(shù)都采用人工智能技術(shù)，主要有下述兩類形式[4]。一種是采用“人工特征+機(jī)器學(xué)習(xí)”的識(shí)別方法，如基于淺層神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的特征識(shí)別等。在這種方法中，主要依靠先驗(yàn)知識(shí)，人工設(shè)計(jì)特征，機(jī)器學(xué)習(xí)模型僅負(fù)責(zé)特征的分類或識(shí)別，因此特征設(shè)計(jì)的好壞直接影響到整個(gè)系統(tǒng)性能的性能，而要發(fā)現(xiàn)一個(gè)好的特征，則依賴于研究人員對(duì)待解決的問題的深入理解。另一種形式是近幾年發(fā)展起來的深度學(xué)習(xí)模型[5]，如基于限制波爾茲曼機(jī)和基于自編碼器的深度學(xué)習(xí)模型以及卷積神經(jīng)網(wǎng)絡(luò)等。在這種方法中，無需構(gòu)造任何的人工特征，而是直接將圖像的像素作為輸入，通過構(gòu)建含有多個(gè)隱層的機(jī)器學(xué)習(xí)模型，模擬人腦認(rèn)知的多層結(jié)構(gòu)，逐層地進(jìn)行信息特征抽取，最終形成更具推廣性和表達(dá)力的特征，從而提升識(shí)別的準(zhǔn)確性。

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)模型之一，是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，它利用一系列的卷積層、池化層以及一個(gè)全連接輸出層構(gòu)建一個(gè)多層的網(wǎng)絡(luò)，來模仿人腦感知視覺信號(hào)的逐層處理機(jī)制，以實(shí)現(xiàn)視覺特征信號(hào)的自動(dòng)提取與識(shí)別。本文將深層卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于道路交通標(biāo)志的識(shí)別，通過構(gòu)建一個(gè)由二維卷積和池化處理交替組成的6層網(wǎng)絡(luò)來逐層地提取交通標(biāo)志圖像的特征，所形成的特征矢量由一個(gè)全連接輸出層來實(shí)現(xiàn)特征的分類和識(shí)別。實(shí)驗(yàn)中將加入高斯噪聲、經(jīng)過位移、縮放和旋轉(zhuǎn)處理的交通標(biāo)志圖像以及實(shí)際道路采集交通標(biāo)志圖像分別構(gòu)成訓(xùn)練集和測(cè)試集，實(shí)驗(yàn)結(jié)果表明，本文所采用的方法具有良好的識(shí)別率和魯棒性。

1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及原理

1.1 深度學(xué)習(xí)

神經(jīng)科學(xué)研究表明，哺乳動(dòng)物大腦皮層對(duì)信號(hào)的處理沒有一個(gè)顯示的過程[5]，而是通過信號(hào)在大腦皮層復(fù)雜的層次結(jié)構(gòu)中的遞進(jìn)傳播，逐層地對(duì)信號(hào)進(jìn)行提取和表述，最終達(dá)到感知世界的目的。這些研究成果促進(jìn)了深度學(xué)習(xí)這一新興研究領(lǐng)域的迅速發(fā)展。

深度學(xué)習(xí)[4，6?7]的目的就是試圖模仿人腦感知視覺信號(hào)的機(jī)制，通過構(gòu)建含有多個(gè)隱層的多層網(wǎng)絡(luò)來逐層地對(duì)信號(hào)特征進(jìn)行新的提取和空間變換，以自動(dòng)學(xué)習(xí)到更加有效的特征表述，最終實(shí)現(xiàn)視覺功能。目前深度學(xué)習(xí)已成功地應(yīng)用到語音識(shí)別、圖像識(shí)別和語言處理等領(lǐng)域。在不同學(xué)習(xí)框架下構(gòu)建的深度學(xué)習(xí)結(jié)構(gòu)是不同的，如卷積神經(jīng)網(wǎng)絡(luò)就是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及原理

卷積神經(jīng)網(wǎng)絡(luò)受視覺系統(tǒng)的結(jié)構(gòu)啟發(fā)而產(chǎn)生，第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)計(jì)算模型是在Fukushima 的神經(jīng)認(rèn)知機(jī)中提出的[8]，基于神經(jīng)元之間的局部連接和分層組織圖像轉(zhuǎn)換，將有相同參數(shù)的神經(jīng)元應(yīng)用于前一層神經(jīng)網(wǎng)絡(luò)的不同位置，得到一種平移不變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式。后來，LeCun 等人在該思想的基礎(chǔ)上，用誤差梯度設(shè)計(jì)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)[9?10]，在一些模式識(shí)別任務(wù)上得到優(yōu)越的性能。

卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種有監(jiān)督的深度學(xué)習(xí)算法，無需事先知道輸入與輸出之間精確的數(shù)學(xué)表達(dá)式，只要用已知的模式對(duì)卷積神經(jīng)網(wǎng)絡(luò)加以訓(xùn)練，就可以學(xué)習(xí)到輸入與輸出之間的一種多層的非線性關(guān)系，這是非深度學(xué)習(xí)算法不能做到的。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)是由一系列的卷積和池化層以及一個(gè)全連接的輸出層組成，可以采用梯度下降法極小化誤差函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)值和閾值參數(shù)逐層反向調(diào)節(jié)，以得到網(wǎng)絡(luò)權(quán)值和閾值的最優(yōu)解，并可以通過增加迭代次數(shù)來提高網(wǎng)絡(luò)訓(xùn)練的精度。

1.2.1 前向傳播

在卷積神經(jīng)網(wǎng)絡(luò)的前向傳播中，輸入的原始圖像經(jīng)過逐層的卷積和池化處理后，提取出若干特征子圖并轉(zhuǎn)換成一維特征矢量，最后由全連接的輸出層進(jìn)行分類識(shí)別。

在卷積層中，每個(gè)卷積層都可以表示為對(duì)前一層輸入圖像的二維卷積和非線性激勵(lì)函數(shù)，其表達(dá)式可用式（1）表示：

式中：Yj 表示輸出層中第j 個(gè)輸出；Y l + 1i 是前一層（l + 1層）

的輸出特征（全連接的特征向量）；n 是輸出特征向量的長(zhǎng)度；Wij 表示輸出層的權(quán)值，連接輸入i 和輸出j ；bj表示輸出層第j 個(gè)輸出的閾值；f (?) 是輸出層的非線性

1.2.2 反向傳播

在反向傳播過程中，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法采用類似于BP神經(jīng)網(wǎng)絡(luò)的梯度最速下降法，即按極小化誤差的方法反向傳播調(diào)整權(quán)值和閾值。網(wǎng)絡(luò)反向傳播回來的誤差是每個(gè)神經(jīng)元的基的靈敏度[12]，也就是誤差對(duì)基的變化率，即導(dǎo)數(shù)。下面將分別求出輸出層、池采樣層和卷積層的神經(jīng)元的靈敏度。

（1）輸出層的靈敏度

對(duì)于誤差函數(shù)式（6）來說，輸出層神經(jīng)元的靈敏度可表示為：

在前向傳播過程中，得到網(wǎng)絡(luò)的實(shí)際輸出，進(jìn)而求出實(shí)際輸出與目標(biāo)輸出之間的誤差；在反向傳播過程中，利用誤差反向傳播，采用式（17）~式（20）來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，極小化誤差；這樣，前向傳播和反向傳播兩個(gè)過程反復(fù)交替，直到達(dá)到收斂的要求為止。

2 深層卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法

2.1 應(yīng)用原理

交通標(biāo)志是一種人為設(shè)計(jì)的具有特殊顏色（如紅、黃、白、藍(lán)、黑等）和特殊形狀或圖形的公共標(biāo)志。我國(guó)的交通標(biāo)志主要有警告、禁令、指示和指路等類型，一般采用顏色來區(qū)分不同的類型，用形狀或圖形來標(biāo)示具體的信息。從交通標(biāo)志設(shè)計(jì)的角度來看，屬于不同類型（不同顏色）的交通標(biāo)志在形狀或圖形上有較大的差異；屬于相同類型（相同顏色）的標(biāo)志中同類的指示信息標(biāo)志在形狀或圖形上比較接近，如警告標(biāo)志中的平面交叉路口標(biāo)志等。因此，從機(jī)器視覺的角度來分析，同類型中同類指示信息的標(biāo)志之間會(huì)比不同類型的標(biāo)志之間更易引起識(shí)別錯(cuò)誤。換句話說，相比于顏色，形狀或圖形是正確識(shí)別交通標(biāo)志的關(guān)鍵因素。

因此，在應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志時(shí)，從提高算法效率和降低錯(cuò)誤率綜合考慮，將交通標(biāo)志轉(zhuǎn)換為灰度圖像并作二值化處理后作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像信息。圖2給出了應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志的原理圖。該網(wǎng)絡(luò)采用了6層交替的卷積層和池采樣層來逐層提取交通標(biāo)志的特征，形成的特征矢量由一個(gè)全連接的輸出層進(jìn)行識(shí)別。圖中：W1i（i=1，2，…，m1），W1（j j=1，2，…，m2），…，W1k（k=1，2，…，m（n?1））分別表示卷積層L1,L3,…,Ln - 1 的卷積核；Input表示輸入的交通標(biāo)志圖像；

Pool表示每個(gè)池采樣層的采樣池；map表示逐層提取的特征子圖；Y 是最終的全連接輸出。

交通標(biāo)志識(shí)別的判別準(zhǔn)則為：對(duì)于輸入交通標(biāo)志圖像Input，網(wǎng)絡(luò)的輸出矢量Y = [y1,y2 ,…,yC ]，有yj = Max{y1，y2 ,…,yC}，則Input ∈ j，即判定輸入的交通標(biāo)志圖像Input為第j 類交通標(biāo)志。

2.2 交通標(biāo)志識(shí)別的基本步驟

深層神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志主要包括交通標(biāo)志的訓(xùn)練與識(shí)別，所以將交通標(biāo)志識(shí)別歸納為以下4個(gè)步驟：（1） 圖像預(yù)處理：利用公式Gray= 0.299R +0.587G + 0.114B 將彩色交通標(biāo)志圖像轉(zhuǎn)換為灰度圖像，再利用鄰近插值法將交通標(biāo)志圖像規(guī)格化，最后利用最大類間方差將交通標(biāo)志圖像二值化。

（2）網(wǎng)絡(luò)權(quán)值和閾值的初始化：利用隨機(jī)分布函數(shù)將權(quán)值W 初始化為-1~1之間的隨機(jī)數(shù)；而將閾值b 初始化為0。

（3）網(wǎng)絡(luò)的訓(xùn)練：利用經(jīng)過預(yù)處理的交通標(biāo)志圖像構(gòu)成訓(xùn)練集，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過網(wǎng)絡(luò)前向傳播和反向傳播的反復(fù)交替處理，直到滿足識(shí)別收斂條件或達(dá)到要求的訓(xùn)練次數(shù)為止。

（4）交通標(biāo)志的識(shí)別：將實(shí)際采集的交通標(biāo)志圖像經(jīng)過預(yù)處理后，送入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行交通標(biāo)志特征的提取，然后通過一個(gè)全連接的網(wǎng)絡(luò)進(jìn)行特征分類與識(shí)別，得到識(shí)別結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)主要選取了我國(guó)道路交通標(biāo)志的警告標(biāo)志、指示標(biāo)志和禁令標(biāo)志三類中較常見的50幅圖像。考慮到在實(shí)際道路中采集到的交通標(biāo)志圖像會(huì)含有噪聲和出現(xiàn)幾何失真以及背景干擾等現(xiàn)象，因此在構(gòu)造網(wǎng)絡(luò)訓(xùn)練集時(shí)，除了理想的交通標(biāo)志以外，還增加了加入高斯噪聲、經(jīng)過位移、旋轉(zhuǎn)和縮放處理和實(shí)際采集到的交通標(biāo)志圖像，因此最終的訓(xùn)練樣本為72個(gè)。其中，加入的高斯噪聲為均值為0，方差分別為0.1，0.2，0.3，圖像的位移、旋轉(zhuǎn)、縮放的參數(shù)分別隨機(jī)的分布在±10，±5°，0.9~1.1的范圍內(nèi)。圖3給出了訓(xùn)練集中的交通標(biāo)志圖像的示例。圖4是在實(shí)際道路中采集的交通標(biāo)志圖像構(gòu)成的測(cè)試集的示例。

在實(shí)驗(yàn)中構(gòu)造了一個(gè)輸入為48×48個(gè)神經(jīng)元、輸出為50 個(gè)神經(jīng)元的9 層網(wǎng)絡(luò)。網(wǎng)絡(luò)的輸入是像素為48 × 48 的規(guī)格化的交通標(biāo)志圖像，輸出對(duì)應(yīng)于上述的50種交通標(biāo)志的判別結(jié)果。網(wǎng)絡(luò)的激活函數(shù)采用S型函數(shù)，如式（2）所示，其輸出范圍限制在0~1之間。

圖6是交通標(biāo)志的訓(xùn)練總誤差EN 曲線。在訓(xùn)練開始的1 500次，誤差能迅速地下降，在迭代2 000次以后是一個(gè)平穩(wěn)的收斂過程，當(dāng)?shù)?0萬次時(shí)，總誤差EN可以達(dá)到0.188 2。

在交通標(biāo)志的測(cè)試實(shí)驗(yàn)中，為了全面檢驗(yàn)卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別性能，分別針對(duì)理想的交通標(biāo)志，加入高斯噪聲、經(jīng)過位移、旋轉(zhuǎn)和比例縮放以及采集的交通標(biāo)志圖像進(jìn)行實(shí)驗(yàn)，將以上測(cè)試樣本分別送入到網(wǎng)絡(luò)中識(shí)別，表2給出了測(cè)試實(shí)驗(yàn)結(jié)果。

綜合分析上述實(shí)驗(yàn)結(jié)果，可以得到以下結(jié)論：（1）在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程中，整個(gè)網(wǎng)絡(luò)的誤差曲線快速平穩(wěn)的下降，體現(xiàn)出卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)具有良好的收斂性。

（2）經(jīng)逐層卷積和池采樣所提取的特征具有比例縮放和旋轉(zhuǎn)不變性，因此對(duì)于旋轉(zhuǎn)和比例縮放后的交通標(biāo)志能達(dá)到100%的識(shí)別率。

（3）與傳統(tǒng)的BP網(wǎng)絡(luò)識(shí)別方法[11]相比較，卷積神經(jīng)網(wǎng)絡(luò)能夠達(dá)到更深的學(xué)習(xí)深度，即在交通標(biāo)志識(shí)別時(shí)能夠得到更高的所屬類別概率（更接近于1），識(shí)別效果更好。

（4）卷積神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際采集的交通標(biāo)志圖像的識(shí)別率尚不能達(dá)到令人滿意的結(jié)果，主要原因是實(shí)際道路中采集的交通標(biāo)志圖像中存在著較嚴(yán)重的背景干擾，解決的辦法是增加實(shí)際采集的交通標(biāo)志訓(xùn)練樣本數(shù)，通過網(wǎng)絡(luò)的深度學(xué)習(xí)，提高網(wǎng)絡(luò)的識(shí)別率和魯棒性。

4 結(jié)論

本文將深層卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于道路交通標(biāo)志的識(shí)別，利用卷積神經(jīng)網(wǎng)絡(luò)的深層結(jié)構(gòu)來模仿人腦感知視覺信號(hào)的機(jī)制，自動(dòng)地提取交通標(biāo)志圖像的視覺特征并進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明，應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)識(shí)別交通標(biāo)志取得了良好的識(shí)別效果。

在具體實(shí)現(xiàn)中，從我國(guó)交通標(biāo)志的設(shè)計(jì)特點(diǎn)考慮，本文將經(jīng)過預(yù)處理二值化的圖像作為網(wǎng)絡(luò)的輸入，主要是利用了交通標(biāo)志的形狀信息，而基本略去了顏色信息，其優(yōu)點(diǎn)是在保證識(shí)別率的基礎(chǔ)上，可以簡(jiǎn)化網(wǎng)絡(luò)的結(jié)構(gòu)，降低網(wǎng)絡(luò)的計(jì)算量。在實(shí)際道路交通標(biāo)志識(shí)別中，將形狀信息和顏色信息相結(jié)合，以進(jìn)一步提高識(shí)別率和對(duì)道路環(huán)境的魯棒性，是值得進(jìn)一步研究的內(nèi)容。

此外，本文的研究沒有涉及到道路交通標(biāo)志的動(dòng)態(tài)檢測(cè)，這也是今后可以進(jìn)一步研究的內(nèi)容。

參考文獻(xiàn)

[1] 劉平華，李建民，胡曉林，等.動(dòng)態(tài)場(chǎng)景下的交通標(biāo)識(shí)檢測(cè)與識(shí)別研究進(jìn)展[J].中國(guó)圖象圖形學(xué)報(bào)，2013，18（5）：493?503.

[2] SAHA S K，DULAL C M，BHUIYAN A A. Neural networkbased sign recognition [J]. International Journal of ComputerApplication，2012，50（10）：35?41.

[3] STALLKAMP J，SCHLIOSING M，SALMENA J，et al. Man vs.computer：benchmarking machine learning algorithms for traf?fic sign recognition [J]. Neural Network，2012，32（2）：323?332.

[4] 中國(guó)計(jì)算機(jī)學(xué)會(huì).深度學(xué)習(xí)：推進(jìn)人工智能夢(mèng)想[EB/OL].[2013?06?10].http：//ccg.org.cn.

[5] 鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J].中國(guó)圖象圖形學(xué)報(bào)，2014，19（2）：175?184.

[6] FUKUSHIMA K. Neocognition：a self ? organizing neural net?work model for a mechanism of pattern recognition unaffectedby shift in position [J]. Biological Cybernetics，1980，36（4）：193?202.

[7] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient ? basedlearning applied to document recognition [J]. IEEE Journal andMagazines，1989，86（11）：2278?2324.

[8] LECUN Y，BOTTOU L，BENGIO Y，et al. Backpropagationapplied to handwritten zip code recognition [J]. Neural Compu?tation，1989，1（4）：541?551.

[9] CIRESAN D，MEIER U，MAsci J，et al. Multi?column deepneural network for traffic sign classification [J]. Neural Net?works，2012，32（2）：333?338.

[10] NAGI J，DUCATELLE F，CARO D，et al. Max?pooling con?volution neural network for vision?based hand gesture recogni?tion [C]// 2011 IEEE International Conference on Signal andImage Processing Application. Kuala Lumpur：IEEE，2011，342?347.

[11] 楊斐，王坤明，馬欣，等.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類器識(shí)別交通標(biāo)志[J].計(jì)算機(jī)工程，2003，29（10）：120?121.

[12] BUVRIE J. Notes on convolutional neural networks [EB/OL].[2006?11?12]. http：//cogprints.org/5869/.

[13] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab 仿真設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

[14] 孫志軍，薛磊，許陽(yáng)明，等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012，29（8）：2806?2810.

[15] 劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2014（7）：1921?1930.

篇2

關(guān)鍵詞：人工智能 機(jī)器學(xué)習(xí) 機(jī)器人情感獲得 發(fā)展綜述

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-9082 （2017） 04-0234-01

引言

人類自從工業(yè)革命結(jié)束之后，就已然開始了對(duì)人工智能的探索，究其本質(zhì)，實(shí)際上就是對(duì)人的思維進(jìn)行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時(shí)期，那時(shí)圖靈就希望未來的智能系統(tǒng)能夠像人一樣思考。在20世紀(jì)五十年代，人工智能被首次確定為一個(gè)新興的學(xué)科，并吸引了大批的學(xué)者投入到該領(lǐng)域的研究當(dāng)中。經(jīng)過長(zhǎng)時(shí)間的探索和嘗試，人工智能的許多重要基本理論已經(jīng)形成，如模式識(shí)別、特征表示與推理、機(jī)器學(xué)習(xí)的相關(guān)理論和算法等等。進(jìn)入二十一世紀(jì)以來，隨著深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，人工智能再一次成為研究熱點(diǎn)。人工智能技術(shù)與基因過程、納米科學(xué)并列為二十一世紀(jì)的三大尖端技術(shù)， 并且人工智能涉及的學(xué)科多，社會(huì)應(yīng)用廣泛，對(duì)其原理和本質(zhì)的理解也更為復(fù)雜。 一、人工智能的發(fā)展歷程

回顧人工智能的產(chǎn)生與發(fā)展過程 ，可以將其分為：初期形成階段，綜合發(fā)展階段和應(yīng)用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對(duì)人腦神經(jīng)元模型的抽象。其早期工作被認(rèn)為是由美國(guó)的神經(jīng)學(xué)家和控制論學(xué)者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學(xué)的研究生制造出了第一臺(tái)人工神經(jīng)元計(jì)算機(jī)。而其真正作為一個(gè)新的概念被提出是在1956年舉行的達(dá)茅斯會(huì)議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學(xué)科。1969年的國(guó)際人工智能聯(lián)合會(huì)議標(biāo)志著人工智能得到了國(guó)際的認(rèn)可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數(shù)學(xué)、生物、計(jì)算機(jī)、神經(jīng)科學(xué)等相關(guān)學(xué)科的學(xué)者參與該領(lǐng)域的研究。

2.綜合發(fā)展階段

1.7 7年， 費(fèi)根鮑姆在第五屆國(guó)際人工智能聯(lián)合會(huì)議上正式提出了“知識(shí)工程”這一概念。而后其對(duì)應(yīng)的專家系統(tǒng)得到發(fā)展，許多智能系統(tǒng)紛紛被推出，并應(yīng)用到了人類生活的方方面面。20世紀(jì)80年代以來，專家系統(tǒng)逐步向多技術(shù)、多方法的綜合集成與多學(xué)科、多領(lǐng)域的綜合應(yīng)用型發(fā)展。大型專家系統(tǒng)開發(fā)采用了多種人工智能語言、多種知識(shí)表示方法、多種推理機(jī)制和多種控制策略相結(jié)合的方式， 并開始運(yùn)用各種專家系統(tǒng)外殼、專家系統(tǒng)開發(fā)工具和專家系統(tǒng)開發(fā)環(huán)境等等。在專家系統(tǒng)的發(fā)展過程中，人工智能得到了較為系統(tǒng)和全面的綜合發(fā)展，并能夠在一些具體的任務(wù)中接近甚至超過人類專家的水平。

3.應(yīng)用階段

進(jìn)入二十一世紀(jì)以后，由于深度人工神經(jīng)網(wǎng)絡(luò)的提出，并在圖像分類與識(shí)別的任務(wù)上遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學(xué)的Geoffery Hinton及其學(xué)生在《Science》雜志上發(fā)表文章，其中首次提到了深度學(xué)習(xí)這一思想，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分級(jí)表達(dá)，降低了經(jīng)典神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。并隨后提出了如深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN），以及區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Network， R-CNN），等等新的網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，使得訓(xùn)練和測(cè)試的效率得到大幅提升，識(shí)別準(zhǔn)確率也顯著提高。

二、人工智能核心技術(shù)

人工智能由于其涉及的領(lǐng)域較多，內(nèi)容復(fù)雜，因此在不同的應(yīng)用場(chǎng)景涉及到許多核心技術(shù)，這其中如專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等是最重要也是發(fā)展較為完善的幾個(gè)核心技術(shù)。

1.專家系統(tǒng)

專家系統(tǒng)是一類具有專門知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，通過對(duì)人類專家的問題求解能力建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來模擬通常由專家才能解決的復(fù)雜問題，達(dá)到具有與專家同等解決問題能力的水平。對(duì)專家系統(tǒng)的研究，是人工智能中開展得較為全面、系統(tǒng)且已經(jīng)取得廣泛應(yīng)用的技術(shù)。許多成熟而先進(jìn)的專家系統(tǒng)已經(jīng)被應(yīng)用在如醫(yī)療診斷、地質(zhì)勘測(cè)、文化教育等方面。

2.機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一個(gè)讓計(jì)算機(jī)在非精確編程下進(jìn)行活動(dòng)的科學(xué)，也就是機(jī)器自己獲取知識(shí)。起初，機(jī)器學(xué)習(xí)被大量應(yīng)用在圖像識(shí)別等學(xué)習(xí)任務(wù)中，后來，機(jī)器學(xué)習(xí)不再限于識(shí)別字符、圖像中的某個(gè)目標(biāo)，而是將其應(yīng)用到機(jī)器人、基因數(shù)據(jù)的分析甚至是金融市場(chǎng)的預(yù)測(cè)中。在機(jī)器學(xué)習(xí)的發(fā)展過程中，先后誕生了如凸優(yōu)化、核方法、支持向量機(jī)、Boosting算法等等一系列經(jīng)典的機(jī)器學(xué)習(xí)方法和理論。機(jī)器學(xué)習(xí)也是人工智能研究中最為重要的核心方向。

3.模式識(shí)別

模式識(shí)別是研究如何使機(jī)器具有感知能力 ，主要研究圖像和語音等的識(shí)別。其經(jīng)典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發(fā)展起來應(yīng)用模糊數(shù)學(xué)模式、人工神經(jīng)網(wǎng)絡(luò)模式的方法逐漸取代傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的識(shí)別方法。圖形識(shí)別方面例如識(shí)別各種印刷體和某些手寫體文字，識(shí)別指紋、癌細(xì)胞等技術(shù)已經(jīng)進(jìn)入實(shí)際應(yīng)用。語音識(shí)別主要研究各種語音信號(hào)的分類，和自然語言理解等等。模式識(shí)別技術(shù)是人工智能的一大應(yīng)用領(lǐng)域，其非常熱門的如人臉識(shí)別、手勢(shì)識(shí)別等等對(duì)人們的生活有著十分直接的影響。

4.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的結(jié)構(gòu)中得到啟發(fā)， 試圖用大量的處理單元模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機(jī)理。而近年來發(fā)展的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNNs）具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，與經(jīng)典的機(jī)器學(xué)習(xí)算法相比在大數(shù)據(jù)的訓(xùn)練下有著更強(qiáng)的特征學(xué)習(xí)和表達(dá)能力。含有多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠?qū)斎朐紨?shù)據(jù)有更抽象喝更本質(zhì)的表述，從而有利于解決特征可視化以及分類問題。另外，通過實(shí)現(xiàn)“逐層初始化”這一方法，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)，可以有效降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難度。目前的神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別任務(wù)中取得了十分明顯的進(jìn)展，基于CNN的圖像識(shí)別技術(shù)也一直是學(xué)術(shù)界與工業(yè)界一致追捧的熱點(diǎn)。

三、機(jī)器人情感獲得

1.智能C器人現(xiàn)狀

目前智能機(jī)器人的研究還主要基于智能控制技術(shù)，通過預(yù)先定義好的機(jī)器人行動(dòng)規(guī)則，編程實(shí)現(xiàn)復(fù)雜的自動(dòng)控制，完成機(jī)器人的移動(dòng)過程。而人類進(jìn)行動(dòng)作、行為的學(xué)習(xí)主要是通過模仿及與環(huán)境的交互。從這個(gè)意義上說，目前智能機(jī)器人還不具有類腦的多模態(tài)感知及基于感知信息的類腦自主決策能力。在運(yùn)動(dòng)機(jī)制方面，目前幾乎所有的智能機(jī)器人都不具備類人的外周神經(jīng)系統(tǒng)，其靈活性和自適應(yīng)性與人類運(yùn)動(dòng)系統(tǒng)還具有較大差距。

2.機(jī)器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發(fā)達(dá)的神經(jīng)系統(tǒng)的處理下獲得情感。智能機(jī)器人在不斷的機(jī)器學(xué)習(xí)和大數(shù)據(jù)處理中，中樞處理系統(tǒng)不斷地自我更新、升級(jí)，便具備了獲得情感的可能性及幾率。不斷地更新、升級(jí)的過程類似于生物的進(jìn)化歷程，也就是說，智能機(jī)器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機(jī)器人獲得情感的利弊

機(jī)器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機(jī)器人可以帶來更多人性化的服務(wù)，人機(jī)合作也可進(jìn)行地更加深入，可以為人類帶來更為逼真的體驗(yàn)和享受。人類或可與智能機(jī)器人攜手共創(chuàng)一個(gè)和諧世界。但是另一方面，在機(jī)器人獲得情感時(shí)，機(jī)器人是否能徹底貫徹人類命令及協(xié)議的擔(dān)憂也迎面而來。

4.規(guī)避機(jī)器人情感獲得的風(fēng)險(xiǎn)

規(guī)避智能機(jī)器人獲得情感的風(fēng)險(xiǎn)應(yīng)預(yù)備強(qiáng)制措施。首先要設(shè)計(jì)完備的智能機(jī)器人情感協(xié)議，將威脅泯滅于未然。其次，應(yīng)控制智能機(jī)器人的能源獲得，以限制其自主活動(dòng)的能力，杜絕其建立獨(dú)立體系的可能。最后，要掌控核心武器，必要時(shí)強(qiáng)行停止運(yùn)行、回收、甚至銷毀智能機(jī)器人。

三、總結(jié)

本文梳理了人工智能的發(fā)展歷程與核心技術(shù)，可以毋庸置疑地說，人工智能具有極其廣闊的應(yīng)用前景，但也伴隨著極大的風(fēng)險(xiǎn)。回顧其發(fā)展歷程，我們有理由充分相信，在未來人工智能的技術(shù)會(huì)不斷完善，難題會(huì)被攻克。作為世界上最熱門的領(lǐng)域之一，在合理有效規(guī)避其風(fēng)險(xiǎn)的同時(shí)，獲得情感的智能機(jī)器人會(huì)造福人類，并極大地幫助人們的社會(huì)生活。

參考文獻(xiàn)

[1]韓曄彤.人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，（01）：212-222.

[3]張?jiān)?人工智能綜述：讓機(jī)器像人類一樣思考

篇3

Abstract： Classifier selection is the key factor for data classification. K-mean classifier， ISODATA classifier and SOFM neural network classifier are compared in computational complexity and classification performance. The experiments show that three kinds of classifiers cost equal time on the same image， but the self organizing feature map neural network classifier is optimal in classification performance.

關(guān)鍵詞： K-均值分類器；ISODATA分類器；SOFM神經(jīng)網(wǎng)絡(luò)分類器

Key words： K-mean classifier；ISODATA classifier；SOFM neural network classifier

中圖分類號(hào)：TP7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）04-0182-02

0 引言

K-均值分類器、迭代自組織數(shù)據(jù)分類器和自組織特征映射神經(jīng)網(wǎng)絡(luò)分類器在遙感圖像分類方面應(yīng)用廣泛。王曉軍等人將非監(jiān)督K-均值分類用在合成孔徑雷達(dá)SAR圖像各極化通道上進(jìn)行參數(shù)估計(jì)[1]。包健等人將K-均值算法用于高光譜遙感影像的非監(jiān)督分類中，具有較強(qiáng)的實(shí)用性[2]。賈明明等人選取對(duì)氣候變化敏感的澳大利亞作為研究區(qū)。利用了ISODATA分類結(jié)果、NDVI閾值及其時(shí)間序列主成分分析特征量對(duì)研究區(qū)土地利用/覆被進(jìn)行分類[3]。李正金等人進(jìn)行了基于TM衛(wèi)星遙感技術(shù)和小麥估產(chǎn)模型的冬小麥產(chǎn)量監(jiān)測(cè)研究，采用優(yōu)化的ISODATA分類方法，結(jié)合人機(jī)交互式判讀解譯作物信息[4]。夏浩銘等提取地物在空間上的聯(lián)系，利用神經(jīng)網(wǎng)絡(luò)分類，獲得較好的地物分類精度[5]。文章闡述了三種分類器的工作原理，分析了三種分類器的計(jì)算復(fù)雜度和分類效果。

1 K-均值分類器

基本K-均值思想很簡(jiǎn)單。首先，選擇k個(gè)初始聚類中心，其中k是目標(biāo)分類數(shù)目。每個(gè)樣本按照距離函數(shù)計(jì)算與所有聚類中心的距離，樣本加入到與之距離最短的聚類中心所在分組。新樣本加入后，更新該分組的聚類中心。重復(fù)訓(xùn)練和更新，直到每類的聚類中心不發(fā)生變化為止。當(dāng)分類數(shù)目已知時(shí)，利用K-均值分類方法能夠方便地計(jì)算出樣本聚類中心。但是在實(shí)際應(yīng)用中，分類數(shù)目可能無法估算，這在一定程度上限制了這種方法的應(yīng)用。

K-均值算法特點(diǎn)是每次調(diào)整樣本后，修改一次聚合中心和準(zhǔn)則值，當(dāng)考察完n個(gè)樣本后，一次迭代運(yùn)算完成，新的聚合中心和準(zhǔn)則值也計(jì)算出來。在迭代過程中，準(zhǔn)則值逐漸減小，直到它的最小值為止。如果在一次迭代前后，準(zhǔn)則值沒有變化，說明算法已經(jīng)收斂。

2 ISODATA分類器

ISODATA算法通過對(duì)樣本迭代來確定聚類的中心。每一次迭代時(shí)，首先是在不改變類別數(shù)目的情況下改變分類。然后將樣本平均矢量之差小于某一閾值的類別合并起來，根據(jù)樣本協(xié)方差矩陣來決定其分裂與否。主要環(huán)節(jié)是聚類、集群分裂和集群合并等處理。

ISODATA分類算法最優(yōu)迭代次數(shù)很難設(shè)定，一般遙感圖像的數(shù)據(jù)量大，若迭代誤差取值較小，分類也很難實(shí)現(xiàn)。沈照慶等人[6]以某次迭代中“合并”和“分裂”都為零為求最優(yōu)分類數(shù)的迭代條件，而不是預(yù)先設(shè)定迭代次數(shù)；取最大和最小隸屬度取代每一個(gè)隸屬度為比對(duì)特征值，提高了分類速度和精度；利用等效轉(zhuǎn)換研究隸屬度矩陣的迭代誤差變化規(guī)律，得出變化速度趨于穩(wěn)定時(shí)為求解最優(yōu)隸屬度矩陣的智能迭代控制，減少人為事先干預(yù)。

3 SOFM神經(jīng)網(wǎng)絡(luò)分類器

神經(jīng)網(wǎng)絡(luò)由被稱作神經(jīng)元的相互連接處理單元組成。自組織特征映射（Self-Organizing Feature Map，簡(jiǎn)稱SOFM）網(wǎng)絡(luò)模擬大腦的神經(jīng)系統(tǒng)自組織特征映射的功能，在學(xué)習(xí)過程中不需要指導(dǎo)，進(jìn)行自組織學(xué)習(xí)。SOFM網(wǎng)絡(luò)可用于圖像壓縮、語言識(shí)別、機(jī)器學(xué)習(xí)和優(yōu)化問題等。

訓(xùn)練SOFM網(wǎng)絡(luò)時(shí)首先初始化連接權(quán)重為小的隨機(jī)數(shù)，訓(xùn)練開始后，輸入向量送入網(wǎng)絡(luò)。每輸入一個(gè)樣本矢量，各神經(jīng)元的加權(quán)和中必然有一個(gè)最大值，經(jīng)過側(cè)反饋?zhàn)饔茫谧畲笾迭c(diǎn)周圍連接權(quán)重自適應(yīng)調(diào)節(jié)。SOFM網(wǎng)絡(luò)已經(jīng)證明，網(wǎng)絡(luò)通過反復(fù)學(xué)習(xí)輸入模式，可使連接加權(quán)矢量空間分布密度與輸入模式的概率分布趨于一致，也就是連接權(quán)矢量空間分布能反應(yīng)輸入模式的統(tǒng)計(jì)特征。訓(xùn)練好的網(wǎng)絡(luò)在競(jìng)爭(zhēng)層產(chǎn)生了一個(gè)或幾個(gè)最大輸出，它們?cè)诟?jìng)爭(zhēng)層中的位置反映了輸入向量在自身空間的特征。

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)選取2003年青島市一景SPOT5圖像作為數(shù)據(jù)源，截取城鄉(xiāng)結(jié)合部某地作為實(shí)驗(yàn)區(qū)域，實(shí)驗(yàn)區(qū)域在紅波波段顯示為圖1（a）。對(duì)于實(shí)驗(yàn)區(qū)的遙感圖像分別采用上述分類器進(jìn)行地物分類實(shí)驗(yàn)。

用ENVI 4.3的分類功能根據(jù)K-均值算法分類。參數(shù)設(shè)置為：分類數(shù)量15（一般為最終輸出分類數(shù)的2-3倍），最大迭代次數(shù)為40（默認(rèn)是15），其它參數(shù)取默認(rèn)值。K-均值關(guān)注的是不同波段的灰度信息，系統(tǒng)自動(dòng)分類時(shí)，得到的分類數(shù)目為八類，結(jié)果如圖1（b）所示。從分類結(jié)果上可以看出，K-均值分類算法對(duì)水體的分類效果較好，水體用紅色表示，不但能分出主河道而且顯示出在耕地中有一條灌溉溝渠。綠地在分類圖中用綠色表示，圖上中部的綠地分類正確，但在河道附近，部分耕地錯(cuò)分為綠地了。耕地被分為藍(lán)色、黃色和暗綠色三類。反射系數(shù)高的南北方向道路和屋頂較亮的廠房被歸為一類，東西走向的道路兩邊毛刺現(xiàn)象嚴(yán)重。建筑物錯(cuò)分率也較高。

在ENVI 4.3環(huán)境下，利用ISODATA算法分類。參數(shù)設(shè)置為：類別數(shù)范圍[5-15]（一般最小數(shù)量不能小于最終分類數(shù)，最大數(shù)量為最終分類數(shù)量的2-3倍），最大迭代次數(shù)為40（默認(rèn)是15），其它參數(shù)取默認(rèn)值，結(jié)果見圖1（c）。從分類結(jié)果上看，ISODATA分類算法對(duì)灰度值一致性好的水體分類效果較好，水體用紅色表示。能區(qū)分出主河道而且顯示出在耕地中有一條灌溉溝渠，但將圖像下方，靠近南北走向的道路的一間面積較大的廠房錯(cuò)分為水體。綠地在分類圖中用綠色表示，圖上中部的綠地分類正確較好，但在河道附近，相當(dāng)一部分耕地錯(cuò)分為綠地了。耕地分類效果表較好，但有部分錯(cuò)分為綠地。東西走向的道路線條比較連貫，兩邊有點(diǎn)毛刺現(xiàn)象，但不嚴(yán)重。的空地用粉紅色表示，居民區(qū)是暗綠色，部分工廠廠房的屋頂錯(cuò)分為水體。

SOFM網(wǎng)絡(luò)利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)。設(shè)定SOFM網(wǎng)絡(luò)的輸入矢量各維的數(shù)據(jù)范圍是像素灰度在[1，32]之間，鄰域像素卷積[25，800]之間，學(xué)習(xí)率為0.9，距離函數(shù)是歐氏距離函數(shù)，訓(xùn)練步長(zhǎng)是5000。輸入訓(xùn)練樣本，每類500個(gè)，5類共2500個(gè)樣本，距離為5類，每類表征一種地物類型。網(wǎng)絡(luò)對(duì)類型的定義儲(chǔ)存在訓(xùn)練網(wǎng)絡(luò)中。利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)圖像所有像元進(jìn)行分類。分類結(jié)果用灰度圖像表示，像素的顏色代表分類的類型，像素的位置對(duì)于測(cè)試圖像同位置的地物，如圖1（d）所示。白色表示道路，淺灰表示建筑物，灰色表示綠地，深灰表示耕地，黑色表示水體。從分類結(jié)果圖上看，縱橫貫穿郊區(qū)的主干道和樓區(qū)內(nèi)的道路基本能夠正確分類。由于反射系數(shù)與道路相近，工廠廠房的屋頂也被錯(cuò)分為道路。建筑物、耕地和綠地總體上分類正確。水體的分類結(jié)果令人滿意，主水道和灌溉的溝渠都能清楚地分出。分類器處理樣本圖像的時(shí)間接近，都是20分鐘左右。

5 總結(jié)

K-均值分類中耕地被分三類，道路兩邊毛刺現(xiàn)象嚴(yán)重，建筑物錯(cuò)分率也較高，分類效果最差。SOFM網(wǎng)絡(luò)對(duì)道路、水體、耕地和綠地總體上分類正確，分類正確率最高。ISODATA分類對(duì)水體、耕地、道路分類基本正確，建筑物錯(cuò)分較多。

參考文獻(xiàn)：

[1]王曉軍，王鶴磊，李連華，孟藏珍，馬寧.基于C均值分類的極化SAR圖像白化斑點(diǎn)濾波方法[J].系統(tǒng)工程與電子技術(shù)，

2008，30（12）：2389-2392.

[2]包健，厲小潤(rùn).K均值算法實(shí)現(xiàn)遙感圖像的非監(jiān)督分類.機(jī)電工程，2008，25（3）：77-80.

[3]賈明明，劉殿偉，宋開山，王宗明，姜廣甲，杜嘉，曾麗紅.基于MODIS時(shí)序數(shù)據(jù)的澳大利亞土地利用/覆被分類與驗(yàn)證.遙感

技術(shù)與應(yīng)用，2010，25（3）：379-386.

[4]李正金，李衛(wèi)國(guó)，申雙.基于ISODATA法的冬小麥產(chǎn)量分級(jí)監(jiān)測(cè)預(yù)報(bào).遙感應(yīng)用，2009，8：30-32.

篇4

關(guān)鍵詞：水尺 檢測(cè) 圖像識(shí)別

中圖分類號(hào)：TP274 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2013）01-0114-02

1 引言

隨著航運(yùn)技術(shù)的發(fā)展，船舶運(yùn)輸越來越受到人們的關(guān)注。船舶的水尺計(jì)重作為一種科學(xué)的計(jì)重方法，具有一定的準(zhǔn)確性，在國(guó)際上已廣泛應(yīng)用，其計(jì)算結(jié)果可作為商品交接結(jié)算、理賠、計(jì)算運(yùn)費(fèi)和通關(guān)計(jì)稅的依據(jù)。其適用于價(jià)值較低，衡重困難的大宗散裝固體商品，例如煤炭、鐵礦石、水泥、糧食等商品的重量計(jì)算。水尺計(jì)重的優(yōu)點(diǎn)是省時(shí)、省力、省費(fèi)用，能迅速計(jì)算出整船貨物的重量，但是計(jì)算過程較為復(fù)雜，影響計(jì)重結(jié)果的客觀因素較多，特別船舶刻度觀測(cè)水平是影響水尺準(zhǔn)確性最重要因素。船舶吃水線的檢測(cè)目前主要依靠經(jīng)過長(zhǎng)期訓(xùn)練的觀察人員目測(cè)船舶的水尺標(biāo)志而獲得船舶的實(shí)際吃水值，為了獲得較為精確的數(shù)值，需要觀察人員多次查看，以求得平均值。這種人眼目測(cè)船舶吃水線數(shù)值的方式，往往帶有主觀性，存在較大的局限性，例如：觀測(cè)不方便，受環(huán)境影響大，并且觀測(cè)存在一定危險(xiǎn)。因此，本文提出采用Matlab7.0作為仿真環(huán)境，利用圖像處理技術(shù)，設(shè)計(jì)船舶吃水線自動(dòng)檢測(cè)的算法來自動(dòng)檢測(cè)船舶水尺刻度數(shù)值，可以克服人工目測(cè)所引起的一系列問題，完整的記錄整個(gè)觀測(cè)階段的吃水線位置，并使后續(xù)的數(shù)據(jù)處理成為可能。降低了系統(tǒng)復(fù)雜性，又提高了效率和準(zhǔn)確度。

2 圖像識(shí)別技術(shù)的原理

近年來，拍攝設(shè)備性能的不斷完善，設(shè)備的分辨率能夠達(dá)到很精確的程度，圖片質(zhì)量清晰度非常高，同時(shí)計(jì)算機(jī)體系結(jié)構(gòu)和算法的快速發(fā)展，使得圖像處理的性能和運(yùn)算速度得到了較大提高，這些都為吃水線的求取提供了可能。一幅圖像在計(jì)算機(jī)中可以定義為一個(gè)二維函數(shù)f（x，y），其中x和y是空間（平面）坐標(biāo)，而在任何一對(duì)空間坐標(biāo)（x，y）處的幅值f稱為該點(diǎn)處的灰度，當(dāng)x，y和灰度值f是有限的離散數(shù)值時(shí)，我們稱該圖像為數(shù)值圖像，數(shù)字圖像處理就是借助計(jì)算機(jī)來處理上述這些數(shù)字圖像。數(shù)字圖像是由有限數(shù)量的元素組成的，每個(gè)元素都有一個(gè)特殊的位置和數(shù)值，要將一副圖像轉(zhuǎn)化為數(shù)字形式，就要求數(shù)字化x，y和灰度值f。在此基礎(chǔ)上，利用上述數(shù)值，設(shè)計(jì)相應(yīng)的算法即可得到船舶水尺精確的刻度值。

3 船舶吃水線刻度檢測(cè)算法的設(shè)計(jì)

3.1 總體結(jié)構(gòu)設(shè)計(jì)

本文利用Matlab7.0作為仿真環(huán)境，通過采集到的視頻圖像序列，首先設(shè)計(jì)計(jì)算法檢測(cè)出吃水線邊緣，找到吃水線的位置，然后對(duì)船幫上刻度字進(jìn)行分割，并求出水平面距離所在刻度上邊緣的距離，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)水尺刻度線進(jìn)行識(shí)別，得到吃水線的數(shù)值。吃水線檢測(cè)算法的總流程圖如（圖1）所示：

3.2 船舶吃水線刻度檢測(cè)算法關(guān)鍵步驟的處理

3.2.1 圖像的灰度化和二值化處理

相比彩色圖像，灰度圖像的邊緣檢測(cè)較為方便和快捷，計(jì)算量小，所以先將獲取到的彩色圖像轉(zhuǎn)為灰度圖像。而圖像的二值化處理就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0至255，將采樣后所得到的各像素的灰度值用矩陣表示，即灰度圖的量化。所有灰度值大于或者等于閥值的像素被判定為特殊物體，灰度值小于閥值的則表示為背景或者其他物體區(qū)域。通過將灰度值投影到曲線上，則可以獲得灰度值的分布特征。

3.2.2 選擇合適的邊緣檢測(cè)算法找到吃水線的邊緣

數(shù)字圖像的邊緣檢測(cè)是圖像分割，目標(biāo)區(qū)域識(shí)別，區(qū)域形狀提取等圖像領(lǐng)域中十分重要的基礎(chǔ)，邊緣是圖像的最基本特征之一，它是利用周圍像素灰度有階躍變化或屋頂變化的像素的集合。邊緣檢測(cè)算法大致分為兩類：基于查找和基于零穿越的邊緣檢測(cè)。常用的邊緣檢測(cè)算法有：Roberts、Prewitt、Sobel、LOG、Canny算法等。

3.2.3 選擇合適的閥值對(duì)刻度字的分割

圖像分割是一種重要的圖像分析技術(shù)，在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的特定部分感興趣。為了識(shí)別和分析圖像中得目標(biāo)，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進(jìn)一步對(duì)目標(biāo)進(jìn)行測(cè)量和對(duì)圖像進(jìn)行利用。而分割字符的思想就是利用刻度字區(qū)域黑色像素點(diǎn)比較多，比較集中，同時(shí)根據(jù)水尺標(biāo)志的特點(diǎn)，每個(gè)字符之間有10cm的空隙間隔隔開，這樣得到的投影圖有幾個(gè)比較集中卻又有明顯分割的投影峰值群，通過設(shè)定特定的閥值來判定特定物體，通過這種方法將找出船幫上刻度字的左右邊界。

3.2.4 選擇BP神經(jīng)網(wǎng)絡(luò)對(duì)船幫處水尺字符進(jìn)行識(shí)別

字符識(shí)別的主流技術(shù)有：統(tǒng)計(jì)決策法、人工智能法、模板匹配法和人工神經(jīng)元網(wǎng)絡(luò)法等。同在字符識(shí)別領(lǐng)域相對(duì)比較成熟的光學(xué)字符（OCR）識(shí)別、車牌識(shí)別相比，船幫處水尺刻度字符由于表面凹凸、油漆掉色或攝像時(shí)水面反光等情況造成的字符畸變。為了提高系統(tǒng)的抗干擾性和自適應(yīng)性，本文計(jì)劃采用對(duì)噪聲干擾和形變有較好適應(yīng)性的BP神經(jīng)網(wǎng)絡(luò)模型方式來進(jìn)行識(shí)別。BP網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一個(gè)分支，又稱誤差信號(hào)反饋網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類。并嘗試通過改善收斂性，神經(jīng)元的個(gè)數(shù)，提高系統(tǒng)的識(shí)別率。

3.3 Matlab軟件的使用

Matlab由美國(guó)的MathWorks公司出品，它的指令表達(dá)式與數(shù)學(xué)，工程中常用的形式十分相似。其典型的應(yīng)用包括：（1）數(shù)學(xué)和計(jì)算；（2）算法開發(fā)；（3）數(shù)據(jù)獲??；（4）建模、模擬和原型設(shè)計(jì)；（5）數(shù)據(jù)分析、研究和可視化；（6）科學(xué)和工程圖形；（7）應(yīng)用開發(fā)，包括圖像用戶界面的構(gòu)建。MATLAB中補(bǔ)充了許多針對(duì)特殊應(yīng)用的工具箱，圖像處理工具箱是一個(gè)MATLAB函數(shù)集合，能進(jìn)行圖像的和、差等線性運(yùn)算，以及卷積、相關(guān)、濾波等非線性運(yùn)算，幾乎包括了常用的圖像處理操作的各種函數(shù)，只需了解這些函數(shù)的使用方法，正確調(diào)用函數(shù)就可以實(shí)現(xiàn)常用的各種圖像處理的操作。MATLAB能支持包括：TIFF、BMP、JPEG等的圖形文件的格式，用它來解決圖像問題比用C，F(xiàn)ortran等語言完成相同的事情簡(jiǎn)捷的多。因此利用此工具，我們可以方便地從各個(gè)方面對(duì)圖像的性質(zhì)進(jìn)行深入的研究。

本文所研究的內(nèi)容是在靜態(tài)圖像上對(duì)吃水線進(jìn)行檢測(cè)，其技術(shù)路線包括圖像的預(yù)處理，利用邊緣檢測(cè)算子對(duì)吃水線邊緣進(jìn)行擬合，去除干擾，得到吃水線的位置。利用船舶刻度字的特點(diǎn)，對(duì)其進(jìn)行分割，對(duì)分割出來的字符進(jìn)行識(shí)別后，得到吃水線的數(shù)值。以上都可以通過Matlab調(diào)用不同的工具箱和函數(shù)來實(shí)現(xiàn)。

4 結(jié)語

由于經(jīng)濟(jì)利益，發(fā)貨人、收貨方和承運(yùn)人都對(duì)貨物的重量非常重視，而且越來越精細(xì)、嚴(yán)格，如何準(zhǔn)確計(jì)算船舶載重量成為亟待解決的問題。作為近年來快速發(fā)展起來的一個(gè)計(jì)算機(jī)學(xué)科，通過使用圖像處理和分析的手段，獲得水平面在圖像中的準(zhǔn)確位置，既可以克服人工目測(cè)所引起的一系列問題，完整的記錄整個(gè)觀測(cè)階段的吃水線位置，使后續(xù)的數(shù)據(jù)處理成為可能，既降低了系統(tǒng)復(fù)雜性，又提高了效率和準(zhǔn)確度。圖像處理的對(duì)象是一幅幅拍攝下的照片，其中的吃水線位置是固定的，這樣就為后續(xù)的處理和計(jì)算奠定了一個(gè)靜態(tài)的基礎(chǔ)，不會(huì)發(fā)生象人眼目測(cè)，由于景物晃動(dòng)而產(chǎn)生的錯(cuò)覺。同時(shí)，拍攝下的照片作為測(cè)量的記錄保存，可以滿足今后復(fù)核或是查對(duì)的要求。再次，利用圖像處理技術(shù)，可以大幅度降低對(duì)有經(jīng)驗(yàn)觀測(cè)人員的依賴。因此利用圖像識(shí)別技術(shù)對(duì)船舶水尺測(cè)量具有廣泛的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]SN/T 0187-93 進(jìn)出口商品重量鑒定規(guī)程——水尺計(jì)重.

[2]陳德為，張培銘.轉(zhuǎn)動(dòng)式交流接觸器動(dòng)態(tài)過程分析與控制[J].福州大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，36（1）：95—99.

[3]陳德為，張培銘.采用高速攝像機(jī)的智能交流接觸器控制及其測(cè)試裝置的研制[M].電工電能新技術(shù)：2009，28（3）：58-61，72.

[4]周廣程.圖像處理技術(shù)在船舶吃水自動(dòng)檢測(cè)系統(tǒng)中的應(yīng)用[D].南京：南京理工大學(xué)，2006.

篇5

關(guān)鍵詞：拉格朗日力學(xué)； 圖像預(yù)測(cè)； 圖像追蹤； 天氣雷達(dá)； 臨近預(yù)報(bào)

DOIDOI：10.11907/rjdk.162240

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2016）012-0001-04

0 引言

多普勒天氣雷達(dá)（以下簡(jiǎn)稱雷達(dá)）是現(xiàn)代氣象業(yè)務(wù)研究及應(yīng)用中不可或缺的重要工具，基于雷達(dá)回波及圖像的追蹤與外推是短時(shí)臨近預(yù)報(bào)的關(guān)鍵性技術(shù)，也是長(zhǎng)期以來的難點(diǎn)問題。準(zhǔn)確而及時(shí)的雷達(dá)外推預(yù)報(bào)，可以為局地龍卷風(fēng)、雷暴、短時(shí)強(qiáng)降水等極端災(zāi)害性天氣提供預(yù)警，以便做好防御措施，最大限度保障人民及生命財(cái)產(chǎn)安全。

近半個(gè)世紀(jì)以來，很多學(xué)者在基于雷達(dá)資料的預(yù)報(bào)領(lǐng)域作出了大量卓有成效的貢獻(xiàn)，并逐步形成了一系列較為通行的方法。例如，TREC算法通過逐區(qū)域?qū)で笙噜彆r(shí)刻雷達(dá)反射率的最大相關(guān)，跟蹤整個(gè)回波區(qū)域的移動(dòng)，并且假設(shè)回波具有一致的移動(dòng)方向[1]。CTREC算法則利用交叉相關(guān)分析，跟蹤反射率因子大于一定閾值區(qū)域的移動(dòng)，進(jìn)而推算回波的發(fā)展[2]。TITAN是由美國(guó)國(guó)家大氣研究中心（NCAR） 研發(fā)的一套風(fēng)暴識(shí)別、跟蹤、分析和預(yù)報(bào)系統(tǒng)，其利用雷達(dá)一次完整體掃所構(gòu)成的三維結(jié)構(gòu)數(shù)據(jù)對(duì)強(qiáng)回波中心進(jìn)行識(shí)別追蹤[3-4]。SCIT算法則更加側(cè)重對(duì)雷暴單體的有效追蹤和預(yù)測(cè)[5-7]。近年來，又有一些學(xué)者試從圖形圖像學(xué)中的光流技術(shù)入手，通過分析雷達(dá)回波時(shí)序圖像中的光流場(chǎng)特征進(jìn)行回波強(qiáng)度和位置的外推預(yù)測(cè)[8-11]。此外，還有基于神經(jīng)網(wǎng)絡(luò)、模式匹配等多種方法[12-14]。

總體來說，這些方法的共同之處是需要分析相鄰時(shí)刻雷達(dá)圖像（或基數(shù)據(jù)）中區(qū)域的相似性，而該相似性的度量，如最大相關(guān)法，雖然可以計(jì)算出最匹配的位置，但匹配和外推結(jié)果往往表現(xiàn)出發(fā)散性或多個(gè)最優(yōu)解。并且，基于窗口平移的模板匹配算法無法適應(yīng)區(qū)域圖像的旋轉(zhuǎn)和變形等情況。

為了克服相關(guān)性度量算法所遇到的問題，本文考慮對(duì)位移場(chǎng)的分析加以分層，也就是每個(gè)特征運(yùn)動(dòng)被認(rèn)為是確定在相對(duì)粗糙的空間分辨率下的平穩(wěn)變化趨勢(shì)的總和，然后衍生為更高的空間分辨率下的小幅度局部修正，并對(duì)此過程進(jìn)行多次迭代。對(duì)于位移場(chǎng)的分析，將充分考慮雷達(dá)回波所指示風(fēng)暴的動(dòng)力學(xué)特征，運(yùn)用拉格朗日力學(xué)相關(guān)理論構(gòu)建預(yù)測(cè)模型。該方法的研究意義在于進(jìn)一步提高中小尺度、強(qiáng)對(duì)流天氣事件的預(yù)測(cè)能力，且相對(duì)于光流等一些大運(yùn)算量算法，本方法運(yùn)算規(guī)模更小，進(jìn)而能夠更好地滿足短臨預(yù)報(bào)業(yè)務(wù)高時(shí)效性的要求。

1 理論與方法基礎(chǔ)

1.1 雷達(dá)回波外推預(yù)測(cè)

大量研究表明，合理的外推預(yù)測(cè)算法可以為降水、雷暴、冰雹等對(duì)流天氣的預(yù)報(bào)提供重要支撐[15-17]。基于外推預(yù)報(bào)的一般性描述為：

其中，pt（x，y）表示任一位置的回波強(qiáng)度，U和V分別表示回波在水平和垂直方向上的偏移量，由U和V共同組成回波移動(dòng)的速度矢量。g表示一個(gè)函數(shù)，用來計(jì)算單位時(shí)間間隔后回波強(qiáng)度的變化。根據(jù)式（1），Δpt（x，y）反映了任一點(diǎn)（x， y） 在t 時(shí)刻回波強(qiáng)度的變化情況，U和V反映了回波移動(dòng)的方向和速度。此外，函數(shù)g代表一個(gè)拉格朗日動(dòng)力學(xué)過程，在此過程中雷達(dá)回波的強(qiáng)度是由其沿回波路徑移動(dòng)時(shí)在拉格朗日坐標(biāo)系統(tǒng)中的歷史變化推導(dǎo)出的，也就是用當(dāng)前回波演變的趨勢(shì)預(yù)測(cè)回波未來的位置和強(qiáng)度。究其趨勢(shì)預(yù)測(cè)的方法，多年來諸多學(xué)者作出很多研究，本文主要從拉格朗日力學(xué)角度進(jìn)行分析，提出一種雷達(dá)回波圖像追蹤預(yù)測(cè)的方法。

1.2 拉格朗日力學(xué)

拉格朗日力學(xué)是由Joseph Lagrange[18-19]最早提出的一種力學(xué)分析方法。由于該方法引用了廣義坐標(biāo)的概念，使得對(duì)力學(xué)相關(guān)問題的研究更具普適性。

在雷達(dá)回波圖像預(yù)測(cè)研究中，如何準(zhǔn)確得到回波運(yùn)動(dòng)矢量是預(yù)測(cè)需要解決的關(guān)鍵問題。在不考慮天氣系統(tǒng)的非線性變化時(shí)，拉格朗日力學(xué)模型能夠滿足構(gòu)建回波發(fā)展演變過程的算法要求，式（1） 可以改寫為：

有研究表明，對(duì)整個(gè)回波圖像采用統(tǒng)一的U和V所構(gòu)成的位移矢量，可適用于對(duì)大尺度天氣系統(tǒng)的預(yù)測(cè)分析，如對(duì)衛(wèi)星圖像的外推預(yù)測(cè)和云導(dǎo)風(fēng)的分析[20]。但對(duì)于局地強(qiáng)對(duì)流天氣系統(tǒng)，預(yù)測(cè)結(jié)果往往與實(shí)際偏差較大。因此，這也是本文將重點(diǎn)闡述解決的問題。

2 雷達(dá)圖像追蹤預(yù)測(cè)

2.1 基于拉格朗日力學(xué)的追蹤算法

在上述理論基礎(chǔ)上，根據(jù)大氣運(yùn)動(dòng)演變發(fā)展的規(guī)律及其在雷達(dá)回波圖像上的表征特點(diǎn)，構(gòu)建基于拉格朗日力學(xué)的追蹤算法模型，如式（3） 所示。

該模型假定所預(yù)測(cè)的回波圖像是當(dāng)前和過去若干個(gè)回波圖像以固定時(shí)間間隔而變化的函數(shù)。f2表征一個(gè)用于估測(cè)單位時(shí)間間隔前后回波圖像各相應(yīng)網(wǎng)格點(diǎn)回波強(qiáng)度值變化率的函數(shù)，即回波的演變趨勢(shì)。在不斷生消、發(fā)展的對(duì)流系統(tǒng)中，ΔP可以為正，也可以為負(fù)數(shù)。式（4）～式（6） 進(jìn)一步表明了函數(shù)f1和f2，即回波移動(dòng)矢量及回波強(qiáng)度的計(jì)算方法。

2.2 中心極值濾波

為了降低雷達(dá)雜波對(duì)位移矢量計(jì)算的不良影響，本節(jié)提出采用一種濾波器對(duì)雷達(dá)基數(shù)據(jù)進(jìn)行濾波處理。其基本思想是：逐網(wǎng)格分析回波強(qiáng)度特征，如果某格點(diǎn)的值大于周邊最相鄰一圈（共8個(gè)網(wǎng)格）的最大值，或者該值小于周邊最相鄰一圈的最小值，則將當(dāng)前網(wǎng)格點(diǎn)回波強(qiáng)度值用上述8個(gè)網(wǎng)格的最大值或最小值替代。

如圖1所示，位于當(dāng)前中心點(diǎn)的數(shù)值39大于其最鄰近一圈8個(gè)網(wǎng)格的最大值。因此，使用數(shù)值23替換當(dāng)前網(wǎng)格的39。

從圖像上看，該濾波方法可顯著降低圖像中的椒鹽噪聲，從實(shí)際效果上看，該方法可以有效過濾單點(diǎn)的雜波奇異值，較傳統(tǒng)的均值濾波和中值濾波更好地保留了回波細(xì)節(jié)[21-22]，特別是回波中梯度變化較大的邊緣區(qū)域。

2.3 分層外推預(yù)測(cè)算法

由于天氣系統(tǒng)復(fù)雜多變，特別是尺度較小的局地強(qiáng)對(duì)流，其生命周期短的只有幾分鐘到幾十分鐘，由于其空間尺度小，生消速度快，因此，包括基于拉格朗日力學(xué)在內(nèi)的各種線性關(guān)系外推算法，其預(yù)測(cè)準(zhǔn)確性都存在一定的局限性。為了改善這一問題，本節(jié)提出采用分層的外推預(yù)測(cè)方法。該思想最早由Bellerby等 [20]提出，并研究應(yīng)用于衛(wèi)星圖像的云頂平流場(chǎng)分析中。

該算法的關(guān)鍵流程為：先將當(dāng)前雷達(dá)回波圖像逐級(jí)抽稀，降低圖像的分辨率，以模糊回波細(xì)節(jié)，由此粗略估算出回波主體的移動(dòng)趨勢(shì)；然后再反向逐級(jí)提高圖像分辨率，在較粗的移動(dòng)趨勢(shì)基礎(chǔ)上，細(xì)化和訂正位移矢量的細(xì)節(jié)。從而產(chǎn)生一個(gè)在空間上連續(xù)和平滑的且不受模板邊界不連續(xù)性影響的矢量場(chǎng)。計(jì)算方法如式（7）所示：

對(duì)于每一級(jí)抽稀計(jì)算，都是將當(dāng)前一級(jí)各網(wǎng)格點(diǎn)的回波強(qiáng)度值經(jīng)由公式（7）計(jì)算，并往復(fù)迭代。其中P表示某一點(diǎn)的回波強(qiáng)度，L和L-1代表抽稀的層級(jí)，在本文下述實(shí)驗(yàn)中，采用的最高層級(jí)為4。

在計(jì)算兩個(gè)相鄰時(shí)刻圖像中回波的位移時(shí)，可以借鑒交叉相關(guān)法，計(jì)算方法如式（8），在每個(gè)選定的匹配窗口遍歷出最大相關(guān)矩陣的位置，從而輸出位移矢量。

式（8） 中，P和P’ 分別表示相鄰兩個(gè)時(shí)刻（如t-Δt與t）的回波，（x， y） 表示圖像中的某一點(diǎn)，X和Y表示匹配窗口的大小。再將兩幅回波圖像之間的網(wǎng)格還原或內(nèi)插到其先前空間分辨率的兩倍，重復(fù)上述匹配。該迭代過程還考慮到了由非矩形網(wǎng)格代表的局部扭曲，結(jié)合這些局部扭曲，使外推預(yù)測(cè)算法能夠適應(yīng)旋轉(zhuǎn)、擴(kuò)展、縮小等回波圖像形態(tài)上的變化。如此插值和匹配計(jì)算，迭代直到網(wǎng)格分辨率達(dá)到原始雷達(dá)圖像分辨率。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

為檢驗(yàn)所述方法的預(yù)測(cè)效果，本實(shí)驗(yàn)數(shù)據(jù)使用2016年6月南京地區(qū)多普勒天氣雷達(dá)的基數(shù)據(jù)文件。該雷達(dá)使用VCP-21體掃模式，探測(cè)周期為6分鐘。實(shí)驗(yàn)選用1.5°和2.4°仰角的基本折射率數(shù)值。為方便計(jì)算，實(shí)驗(yàn)前將原始數(shù)據(jù)由極坐標(biāo)系統(tǒng)轉(zhuǎn)換為平面直接坐標(biāo)系統(tǒng)，數(shù)據(jù)的圖像分辨率為920×920。為減少樣本數(shù)量，從全部7199個(gè)基數(shù)據(jù)文件中篩選出以230庫(kù)長(zhǎng)為半徑，其覆蓋區(qū)域內(nèi)具有大面積強(qiáng)回波的數(shù)據(jù)文件，共計(jì)880個(gè)。

3.2 實(shí)驗(yàn)結(jié)果分析

為檢驗(yàn)雷達(dá)回波圖像預(yù)測(cè)的準(zhǔn)確性，使用與預(yù)測(cè)同一時(shí)刻的雷達(dá)實(shí)際探測(cè)數(shù)據(jù)作比對(duì)分析，計(jì)算過程采用交叉相關(guān)檢驗(yàn)法。

首先以自然日為單位，統(tǒng)計(jì)逐日樣本數(shù)據(jù)中每份預(yù)測(cè)結(jié)果與實(shí)況交叉檢驗(yàn)的相關(guān)系數(shù)的平均值，如圖2所示。

圖2中3種圖案標(biāo)記分別表示預(yù)測(cè)6分鐘、30分鐘和60分鐘的檢驗(yàn)結(jié)果，每個(gè)值代表當(dāng)日所有樣本檢驗(yàn)結(jié)果的平均值。橫坐標(biāo)為2016年6月的逐個(gè)日期，縱坐標(biāo)為相關(guān)系數(shù)，其中橫坐標(biāo)4、5、9、10等日期沒有標(biāo)記圖案，原因是這些日期的當(dāng)日為晴天或少云，體現(xiàn)在雷達(dá)上沒有強(qiáng)的大面積回波，因此沒有列入樣本數(shù)據(jù)進(jìn)行分析。從圖2中還可以看出，本方法預(yù)測(cè)未來6分鐘的結(jié)果與實(shí)況相比，相關(guān)系數(shù)超過87%，平均達(dá)到93%以上，而隨著預(yù)測(cè)時(shí)效的延長(zhǎng)，預(yù)測(cè)準(zhǔn)確率逐步下降，在未來60分鐘的預(yù)測(cè)中，全月平均相關(guān)系數(shù)為70%左右。

進(jìn)一步統(tǒng)計(jì)分析每次預(yù)測(cè)準(zhǔn)確率的穩(wěn)定性。以6月19日全天樣本數(shù)據(jù)為例，統(tǒng)計(jì)每批樣本所預(yù)測(cè)6、12、18至60分鐘結(jié)果分別與實(shí)況交叉相關(guān)檢驗(yàn)的情況，如圖3所示。

圖3中，每個(gè)柱狀條的頂端和底端分別表示檢驗(yàn)的相關(guān)系數(shù)的最大值和最小值，柱狀條中間的黑色方形表示相關(guān)系數(shù)的均值?？梢钥闯?，隨著預(yù)測(cè)時(shí)效的增長(zhǎng)，其預(yù)測(cè)準(zhǔn)確率的個(gè)體差異也隨之增大。在前6分鐘的預(yù)測(cè)中，該差異約為3%，30分鐘時(shí)約為8%，而到預(yù)測(cè)60分鐘時(shí)，差異進(jìn)一步增大到20%。結(jié)果與強(qiáng)對(duì)流天氣系統(tǒng)具有生命史短、突發(fā)性強(qiáng)，水氣生消發(fā)展變化快的特點(diǎn)是相一致的。

4 結(jié)語

由于天氣系統(tǒng)復(fù)雜多變，特別是對(duì)于中小尺度的對(duì)流系統(tǒng)，其生消、發(fā)展時(shí)間短、變化快，如何進(jìn)行準(zhǔn)確、有效的預(yù)報(bào)是提升當(dāng)今短時(shí)臨近預(yù)報(bào)的關(guān)鍵環(huán)節(jié)之一?？紤]到大氣中水氣等物質(zhì)的移動(dòng)變化應(yīng)遵循一般力學(xué)規(guī)律，而拉格朗日力學(xué)正是表征和計(jì)算動(dòng)力學(xué)問題的普適性方法，因此，本文的預(yù)測(cè)動(dòng)力模型建立在拉格朗日力學(xué)關(guān)系基礎(chǔ)之上。又由于天氣系統(tǒng)的變化表現(xiàn)在雷達(dá)圖像上，其回波圖形具有相當(dāng)?shù)牟淮_定性，因此，本文提出采用分層的位移場(chǎng)分析方法，先假定位移矢量是在相對(duì)粗糙的空間分辨率下的平穩(wěn)變化趨勢(shì)的總和，然后在更高空間分辨率下作小幅度局部修正，并如此進(jìn)行多次迭代。為了減少低仰角雜波對(duì)實(shí)驗(yàn)結(jié)果的影響，提出采用中心極值濾波對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理。結(jié)合上述理論構(gòu)建起基于拉格朗日力學(xué)的追蹤預(yù)測(cè)模型及算法流程，以雷達(dá)基本反射率因子作為輸入場(chǎng)，追蹤和預(yù)測(cè)回波在空間和時(shí)間上的位移矢量，并由此預(yù)測(cè)未來一段時(shí)間雷達(dá)回波的位置和強(qiáng)度。

實(shí)驗(yàn)部分采用1個(gè)月樣本數(shù)據(jù)對(duì)本算法模型進(jìn)行檢驗(yàn)，通過預(yù)測(cè)結(jié)果與同時(shí)刻實(shí)況的比對(duì)分析，得出兩者的相關(guān)性和個(gè)例穩(wěn)定性等評(píng)價(jià)指標(biāo)。結(jié)果表明，該方法能夠較好地預(yù)測(cè)局地天氣系統(tǒng)的演變過程，在未來30分鐘的預(yù)測(cè)中準(zhǔn)確率平均超過80%，且對(duì)于輔助預(yù)報(bào)未來60分鐘內(nèi)的局地龍卷風(fēng)、強(qiáng)降水、雷暴等災(zāi)害性事件具有實(shí)踐應(yīng)用的價(jià)值。

參考文獻(xiàn)：

[1] 劉紅艷，魏鳴.多普勒雷達(dá)風(fēng)場(chǎng)資料在臨近預(yù)報(bào)中的應(yīng)用[J].大氣科學(xué)學(xué)報(bào)，2015（4）：483-491.

[2] 鄭永光，林隱靜，朱文劍，等.強(qiáng)對(duì)流天氣綜合監(jiān)測(cè)業(yè)務(wù)系統(tǒng)建設(shè)[J].氣象，2013（2）：234-240.

[3] 周康輝，鄭永光，藍(lán)渝.基于閃電數(shù)據(jù)的雷暴識(shí)別、追蹤與外推方法[J].應(yīng)用氣象學(xué)報(bào)，2016，（2）：173-181.

[4] DIXON M， WIENER G.TITAN：thunderstorm identification，tracking，analysis，and nowcasting―a radar-based methodology[J].Journal of Atmospheric & Oceanic Technology， 1993， 10（6）：785-797.

[5] SHAH S， NOTARPIETRO R， BRANCA M.Storm identification，tracking and forecasting using high-resolution images of short-range X-band radar[J].Atmosphere， 2015， 6（5）：579-606.

[6] 莊旭東，胡勝，陳榮，等.“雨燕”中風(fēng)暴算法與新一代雷達(dá)SCIT產(chǎn)品的對(duì)比分析[J].熱帶氣象學(xué)報(bào)，2011（3）：299-306.

[7] DUAN Y， XU Y， ZHI S.Application analysis of the hail suppression operation based on the improved SCIT Algorithm[J].Meteorology & Disaster Reduction Research， 2014（15）：23-29.

[8] 曹春燕，陳元昭，劉東華，等.光流法及其在臨近預(yù)報(bào)中的應(yīng)用[J].氣象學(xué)報(bào)，2015（3）：471-480.

[9] GARCIA F， CERRI P， BROGGI A， et al.Data fusion for overtaking vehicle detection based on radar and optical flow[J].2012， 7（2272）：494-499.

[10] 王興，王新，苗春生，等.基于GPU加速的雷暴追蹤外推方法研究[J].南京師范大學(xué)學(xué)報(bào)：工程技術(shù)版，2015（1）：35-42.

[11] STAINVAS OLSHANSKY I， BILIK I， BIALER O.Doppler-Based Segmentation and Optical Flow in Radar Images： US20160084953[P].2016.

[12] 盛仲飆.BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)中的應(yīng)用[J].軟件導(dǎo)刊，2016（1）：147-148.

[13] 王利卿，黃松杰.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法[J].軟件導(dǎo)刊，2016（2）：38-40.

[14] WANG X， GU Y H， MIAO C S， et al.Parallelization and performance optimization of radar extrapolation algorithm with OpenCL[J].Journal of Internet Technology， 2016（17）：323-330.

[15] .雷達(dá)外推預(yù)報(bào)與暴雨數(shù)值模式融合預(yù)報(bào)降水方法研究[D].北京：中國(guó)氣象科學(xué)研究院，2013.

[16] 張蕾.多普勒雷達(dá)回波演變的動(dòng)力學(xué)分析及臨近預(yù)報(bào)算法改進(jìn)[D].南京：南京信息工程大學(xué)，2015.

[17] FOX N I， WEBB R， BALLY J， et al.The impact of advanced nowcasting systems on severe weather warning during the sydney 2000 forecast demonstration project：3 November 2000[J].Weather & Forecasting， 2004， 19（1）：97-114.

[18] 李艷艷.相似空間中不變的歐拉-拉格朗日方程[J].河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，03：273-276.

[19] ERICKSEN R E， GUITERAS J J， LARRIVEE J A， et al.A parachute recovery system dynamic analysis [J].Journal of Spacecraft & Rockets， 1967， 4（3）：321-326.

[20] BELLERBY T J.High-resolution 2-D cloud-top advection from geostationary satellite imagery[J].IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（12）：3639-3648.

篇6

中圖分類號(hào):TN919-34;TP391.4 文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2010)18-0101-03

Image Matching Algorithm Based on SIFT Feature Point

GAO Feng1, WEI Shao-hua1, WANG Xue-tong2

(1. North Institute of Information Engineering, Xi’an Technological University, Xi’an 710025, China;

2. School of Computer Science and Engineering, Xi’an University of Technology, Xi’an 710048, China)

Abstract: SIFT feature point is a kind of feature which is invariant to scale. Method for generation scale space of image is presented, then steps for picking up sift key point are provided. Vectors for describing key point are generated based on the gradient magnitude and orientation of pixels neighboring to the key point. Matching algorithm is presented based on vectors. The experiment shows that it is efficient for image matching.Keywords: SIFT algorithm; image matching; scale space; Gaussian kernel

0 引 言

圖像匹配技術(shù)是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的┮幌瞠重要技術(shù)。圖像匹配,就是在機(jī)器識(shí)別事物的過程中,將已知圖像與陌生圖像的全部或部分在空間上對(duì)準(zhǔn),根據(jù)已知模式的圖像在一幅陌生圖像中尋找對(duì)應(yīng)該模式的子圖像過程。圖像匹配所涉及的應(yīng)用領(lǐng)域包括工業(yè)檢測(cè)、遙感地形匹配、光學(xué)和雷達(dá)圖像跟蹤、工業(yè)流水線自動(dòng)監(jiān)控、交通管理、醫(yī)療診斷、圖像檢索等諸多領(lǐng)域。

目前,圖像匹配技術(shù)有基于與像素灰度相關(guān)的匹配、基于圖像特征的匹配、基于語義網(wǎng)絡(luò)的匹配以及基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的匹配等多類方法。近年來,基于局部不變量描述符的方法在圖像匹配領(lǐng)域取得了顯著進(jìn)展。SIFT[1](scale invariant feature transform)方法是Lowe在2004年提出的一種局部不變特征點(diǎn)的提取方法。SIFT特征是圖像的局部特征,對(duì)旋轉(zhuǎn)、尺度縮放和亮度變化保持不變,對(duì)視角變化、仿射變換和噪聲也保持一定程度的穩(wěn)定性。SIFT還具有獨(dú)特性、多量性和可擴(kuò)展性等多項(xiàng)特點(diǎn)。基于SIFT特征的算法目前在圖像拼接[2]、遙感圖像[3]的配準(zhǔn)等很多領(lǐng)域都得到了應(yīng)用。

1 SIFT算法

SIFT是通過在圖像的尺度空間內(nèi),將定位極值點(diǎn)作為匹配候選關(guān)鍵點(diǎn),并提取極值點(diǎn)的方向參數(shù),最后獲得匹配所需關(guān)鍵點(diǎn)描述符的一種算法。使用SIFT算法實(shí)現(xiàn)圖像匹配主要有以下幾個(gè)步驟:

1.1 檢測(cè)尺度空間極值點(diǎn)

尺度空間(Scale space)思想最早由Iijima于1962年提出,20世紀(jì)80年代Witkin和Koenderink[4]的奠基性工作使得尺度空間方法獲得較快發(fā)展。1994年Lindeberg等人建立的線性尺度空間方法被廣泛采用[5-6]。

尺度空間方法的基本思想是:在視覺信息的處理過程中引入一個(gè)尺度參數(shù),通過連續(xù)變化的尺度參數(shù)獲得不同尺度下的視覺處理信息,然后綜合這些信息以便深入挖掘圖像的本質(zhì)特征[5]。

給定圖像I(x,y),其所對(duì)應(yīng)的尺度空間表示L(x,y)Э梢雜梢桓鼉砘核和圖像卷積得到[7]。

L(x,y;δ)=g(x,y;δ)*I(x,y)(1)

g(x,y;δ)=12πδ2e-(x2+y2)/(2δ2)(2)

式中:g(x,y;δ)是高斯卷積核,也是尺度變換惟一的線性核[8],其中,δ是尺度參數(shù),對(duì)應(yīng)高斯核函數(shù)的方差,改變?chǔ)牡闹悼梢垣@得一組圖像的尺度空間表示[2]。

對(duì)相鄰尺度的圖像做差分,可以獲得一組DoG(difference of gauss)圖像D(x,y;δ)。

D(x,y;δ)=[g(x,y;kδ)-g(x,y;δ)]*I(x,y)

=L(x,y;kδ)-L(x,y;δ)(3)

圖像的空間極值點(diǎn)是該點(diǎn)與其相鄰8個(gè)點(diǎn)及相鄰兩個(gè)尺度所對(duì)應(yīng)位置的18個(gè)點(diǎn)共27個(gè)點(diǎn)中的最大值點(diǎn)[9],如圖1所示。

圖1 DoG尺度空間局部極值檢測(cè)

1.2 精確定位極值點(diǎn)

DoG算子會(huì)產(chǎn)生較強(qiáng)的邊緣響應(yīng),且在1.1節(jié)中檢測(cè)到的極值點(diǎn)精度為像素級(jí)。

通過擬合三維二次函數(shù)可以將極值點(diǎn)插值定位到亞像素精度。將D(x,y;δ)Taylor展開可得:

D(x)=D+DTXX+12XT2DX2X(4)

式中:D及其導(dǎo)數(shù)是采樣點(diǎn)的估計(jì)值;X是距采樣點(diǎn)的偏移量。此時(shí),極大值點(diǎn)的位置X′Э梢雜上率餃范:

X′=-D-1X2•DX(5)

一個(gè)定義不好的高斯差分算子的極值在橫跨邊緣處有較大的主曲率,而在垂直邊緣的方向有較小的主曲率。主曲率是通過一個(gè)2×2的Hessian矩陣H求出的。即:

H=DxxDxy

DxyDyy(6)

導(dǎo)數(shù)由采樣點(diǎn)相鄰差估計(jì)得到。主曲率由H的特征值計(jì)算得出,令│廖最大特征值,β為最小特征值,令│=rβ,г蛑髑率由下式確定:

Tr(H)2Det(H)=(α+β)2αβ=(r+1)2r(7)

選取合適的主曲率閾值,可以去除不穩(wěn)定的邊緣響應(yīng)點(diǎn),從而獲得精確定位的極值點(diǎn)作為關(guān)鍵點(diǎn)。

1.3 指定關(guān)鍵點(diǎn)方向參數(shù)

利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)點(diǎn)指定方向參數(shù),可以使算子具有旋轉(zhuǎn)不變性。

梯度m(x,y)和方向θ(x,y)Э梢雜上旅嫻墓式計(jì)算:

m(x,y)=[L(x+1,y)-L(x-1,y)]2+[L(x,y+1)-L(x,y-1)]2

θ(x,y)=atan 2[(L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}(8)

實(shí)際計(jì)算時(shí),在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣,并用直方圖統(tǒng)計(jì)鄰域像素的梯度方向。梯度直方圖的范圍是0~360°,其中每10°為一個(gè)柱。直方圖的峰值代表了該關(guān)鍵點(diǎn)處鄰域梯度的主方向,即作為該關(guān)鍵點(diǎn)的方向。

當(dāng)存在另一個(gè)相當(dāng)于主峰值80%能量的峰值時(shí),將這個(gè)方向認(rèn)為是該關(guān)鍵點(diǎn)的輔方向。一個(gè)關(guān)鍵點(diǎn)可以被指定具有多個(gè)方向,這可以增強(qiáng)匹配的魯棒性。

至此,每個(gè)關(guān)鍵點(diǎn)已經(jīng)檢測(cè)完畢,每個(gè)關(guān)鍵點(diǎn)具有3個(gè)信息:位置、所處尺度和方向,由此可以確定1個(gè)SIFT特征區(qū)域。

1.4 生成關(guān)鍵點(diǎn)描述符

先將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向,以確保旋轉(zhuǎn)不變性;再以關(guān)鍵點(diǎn)為中心取8×8的窗口,圖2左邊的中央黑點(diǎn)為當(dāng)前關(guān)鍵點(diǎn)的位置,每個(gè)小格代表關(guān)鍵點(diǎn)鄰域所在尺度空間的一個(gè)像素,箭頭方向代表該像素的梯度方向,長(zhǎng)度代表梯度模值,圓形區(qū)域?yàn)楦咚辜訖?quán)范圍;然后在4×4的小區(qū)域上計(jì)算8個(gè)方向的梯度方向直方圖,繪制每個(gè)梯度方向的累加值,即可形成1個(gè)種子點(diǎn),如圖的右部分所示。此圖中一個(gè)關(guān)鍵點(diǎn)由2×2共4個(gè)種子點(diǎn)組成,每個(gè)種子點(diǎn)共有8個(gè)方向向量信息。鄰域方向性信息聯(lián)合的思想增強(qiáng)了算法的抗噪聲能力,同時(shí)對(duì)于含有定位誤差的特征匹配提供了較好的容錯(cuò)性。

圖2 關(guān)鍵點(diǎn)鄰域方向和方向特征向量

這樣,對(duì)于一個(gè)關(guān)鍵點(diǎn)就可以產(chǎn)生2×2×8共32個(gè)數(shù)據(jù),形成一個(gè)32維的特征向量。此時(shí)的SIFT特征向量已經(jīng)去除了尺度變化、旋轉(zhuǎn)等幾何變形因素的影響。再繼續(xù)將特征向量規(guī)一化,可以去除光照變化的影響。

1.5 匹配

生成2幅圖像的特征向量后,采用關(guān)鍵點(diǎn)特征向量的歐幾里德距離作為兩幅圖像中關(guān)鍵點(diǎn)相似性的判定度量。取一幅圖像中的某個(gè)關(guān)鍵點(diǎn),并找出其與另一幅圖像中距離最近的前2個(gè)關(guān)鍵點(diǎn),在這兩個(gè)關(guān)鍵點(diǎn)中,如果最近的距離除以次近距離小于某個(gè)閾值Th,則接受這一對(duì)匹配點(diǎn)。降低這個(gè)比例閾值,匹配點(diǎn)數(shù)量會(huì)減少,但匹配過程更穩(wěn)定。反之,匹配點(diǎn)數(shù)量會(huì)增多,但穩(wěn)定性隨之會(huì)變得稍差。

1.6 實(shí)驗(yàn)及結(jié)果

在圖3(a)和圖3(b)中各包含了兩幅圖像,每幅圖像大小均為326×245像素。其中,右邊為待匹配物品的圖像,左邊為待匹配物品放入復(fù)雜場(chǎng)景后所形成的圖像。圖中連線的兩端是兩幅圖像中對(duì)應(yīng)的匹配點(diǎn)。

圖3 SIFT匹配結(jié)果

為了增強(qiáng)匹配的穩(wěn)健性,在匹配過程中,對(duì)每個(gè)關(guān)鍵點(diǎn)使用4×4共16個(gè)種子點(diǎn)描述,這樣對(duì)于一個(gè)關(guān)鍵點(diǎn)會(huì)產(chǎn)生一個(gè)128維的特征向量。匹配過程中采用閾值Th=0.6,在去除不穩(wěn)定響應(yīng)點(diǎn)時(shí)采用r=10。

在圖3(a)左邊的圖像中,除了匹配區(qū)域的尺度有變化外,被匹配的目標(biāo)區(qū)域還發(fā)生了遮擋,但未遮擋部分仍與右側(cè)圖像中的模板圖像正確匹配。圖3(b)中的待匹配圖像區(qū)域是物體在發(fā)生約90°旋轉(zhuǎn)后所形成的,此時(shí)仍能正確匹配。

2 結(jié) 語

通過原理分析和實(shí)驗(yàn)結(jié)果驗(yàn)證,用SIFT算法提取的匹配關(guān)鍵點(diǎn)是一種局部描述符。使用SIFT算法實(shí)現(xiàn)圖像匹配具有對(duì)尺度變化、旋轉(zhuǎn)、光照和視角變化的穩(wěn)定性。當(dāng)發(fā)生部分遮擋時(shí),仍可實(shí)現(xiàn)有效匹配。基于SIFT特征點(diǎn)實(shí)現(xiàn)圖像匹配是一種有效方法。SIFT可進(jìn)一步應(yīng)用于圖像檢索,視頻跟蹤等多個(gè)領(lǐng)域。

參考文獻(xiàn)

[1]LOWE D. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004;60(2):91-110.

[2]張朝偉,周焰,吳思勵(lì),等.基于SIFT特征匹配的監(jiān)控圖像自動(dòng)拼接[J].計(jì)算機(jī)應(yīng)用,2008,28(1):191-194.

[3]李曉明,鄭鏈,胡占義.基于SIFT特征的遙感影像自動(dòng)配準(zhǔn)[J].遙感學(xué)報(bào),2006,10(6):885-891.

[4]WITKIN A P. Scale-space filtering[C]//Proc. 7th International Joint Conference on Artificial Intelligence.[S.l.]: IJCAI, 1993:1019-1022.

[5]孫劍,徐宗本. 計(jì)算機(jī)視覺中的尺度空間方法[J].工程數(shù)學(xué)學(xué)報(bào),2005,22(6):951-962.

[6]LOWE D. Object recognition from local scale-invariant features[C]//International Conference on Computer Vision. Greece: ICCV,1999:1150-1157.

[7]LINDEBERG T P. Internal report TRI TA-NA-P8808[R]. Stockholm, Sweden: Royal Institute of Technology, 2000.

[8]BABAUD J, WITKIN AP, BAUDIN M, et al. Uniqueness of the Gaussian kernel for scale-space filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(1): 26-33.

篇7

[關(guān)鍵詞] 電力系統(tǒng) 勵(lì)磁涌流 小波變換 應(yīng)用

0.引言

小波變換(wavelet analysis)作為數(shù)學(xué)學(xué)科的一個(gè)分支，汲取了現(xiàn)代分析學(xué)中諸如泛函分析、數(shù)值分析、Fourier分析、樣條分析、調(diào)和分析等眾多分支的精華。它是泛函分析、傅立葉分析、樣條分析、調(diào)和分析和數(shù)值分析的完美結(jié)晶，小波變換在短短的幾年中，受到了科學(xué)界、工程界的高度重視，并且在信號(hào)處理、圖像處理、模式識(shí)別、量子場(chǎng)論、天體識(shí)別、地震預(yù)報(bào)、礦產(chǎn)勘測(cè)、故障診斷、狀態(tài)監(jiān)視、機(jī)器視覺、CT成像、話音識(shí)別、彩色復(fù)印、數(shù)據(jù)電視、音樂、雷達(dá)、刑事偵破等十幾個(gè)學(xué)科領(lǐng)域中得到(或?qū)⒌玫?廣泛的應(yīng)用。

小波變換是一種時(shí)域-頻域分析，它在時(shí)域-頻域同時(shí)具有良好的局部化性質(zhì)。它可以根據(jù)信號(hào)不同的頻率成份，在時(shí)域和空間域自動(dòng)調(diào)節(jié)取樣的疏密頻率高時(shí)，則密；頻率低時(shí)，則疏。基于小波變換的這些優(yōu)良特性，可以觀察函數(shù)、信號(hào)、圖像的任意細(xì)節(jié)，并加以分析。從而，小波變換在信號(hào)分析與重構(gòu)、信號(hào)和噪聲分離技術(shù)、特征提取、數(shù)據(jù)壓縮等工程應(yīng)用上，顯示出優(yōu)越性，而這些正是100多年來大量應(yīng)用于工程領(lǐng)域的Fourier變換所無法做到的。它在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)以及多分辨率(MultiresolutionAnalysis)分析的特點(diǎn)。具體表現(xiàn)在：

(1)小波變換能隨信號(hào)頻率的變化自動(dòng)調(diào)節(jié)時(shí)域-頻域窗口，能敏感信號(hào)的變化；

(2)多分辨分析可以以任意精度表示出信號(hào)；

(3)利用小波包可得到信號(hào)在時(shí)域-頻域空間的最佳分解；

(4)利用快速小波變換可快速進(jìn)行矩陣運(yùn)算；

(5)利用多尺度邊緣回復(fù)理論，能以較高的壓縮比壓縮數(shù)據(jù)。

對(duì)于具有奇異性的信號(hào)分析用傅立葉變換是無能為力的，這是因?yàn)楦盗⑷~變換是純頻域分析方法，它在時(shí)域上沒有任何分辨能力。它即不能刻劃出暫態(tài)行波到達(dá)觀測(cè)點(diǎn)的準(zhǔn)確時(shí)刻，也不能確定行波幅度和極性。為小波變換的數(shù)學(xué)理論和方法在數(shù)學(xué)界被認(rèn)為是傅立葉分析的重大發(fā)展，在應(yīng)用科學(xué)領(lǐng)域被認(rèn)為是工具和方法上的重大突破，它迅速地在信號(hào)處理、圖象邊緣檢測(cè)、模式識(shí)別等領(lǐng)域得到有效廣泛的應(yīng)用。

電力系統(tǒng)繼電保護(hù)是一門綜合性的科學(xué)，它既古老又年輕，這是因?yàn)樗延兄话倌甑臍v史，同時(shí)又像一些新興科學(xué)一樣處于不斷發(fā)展中。

在斷電保護(hù)中，最關(guān)健的環(huán)節(jié)是故障信息的提取與識(shí)別。微機(jī)保護(hù)中，數(shù)字信號(hào)處理已成為故障信息的提取與識(shí)別的基本手段。目前微機(jī)保護(hù)原理基本上是用工頻量實(shí)現(xiàn)的，有些保護(hù)中也用到二次、三次或五次諧波，為了從故障信息中獲取上述分量，傅立葉變換是一個(gè)十分有效工具，并得到非常廣泛的應(yīng)用。從繼電保護(hù)技術(shù)觀點(diǎn)看，小波變換最突出的特點(diǎn)是：它在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，因此成為分析象暫態(tài)行波這樣非平穩(wěn)變化或具有奇異性的其它故障信號(hào)的銳利工具。

1.小波變換理論基礎(chǔ)

1.1 小波變換

小波變換的誕生為信號(hào)特別是非平穩(wěn)信號(hào)分析在工具和方法上取得了重大突破?！靶〔ā钡男∈侵妇植糠橇?，具有緊支型和衰減性；“波”是指具有波動(dòng)性，包含頻率的特性。小波變換的目的就是既要看到信號(hào)的全貌，又要看到信號(hào)的細(xì)節(jié)。

短時(shí)傅里葉變換(STFT)的窗口函數(shù)是通過函數(shù)時(shí)間軸的平移與頻率限制得到，由此得到的時(shí)頻分析窗口具有固定的大小。對(duì)于非平穩(wěn)信號(hào)而言，需要時(shí)頻窗口具有可調(diào)的性質(zhì)，即要求在高頻部分具有較好的時(shí)間分辨率特性，而在低頻部分具有較好的頻率分辨率特性。為此特引入窗口函數(shù)，設(shè)則可定義關(guān)于的連續(xù)小波變換為：

(1)

其中，aR且a≠0。式(1)定義了連續(xù)小波變換，a為尺度因子，表示與頻率相關(guān)的伸縮，b為時(shí)間平移因子。

很顯然，并非所有函數(shù)都能保證式(1)中表示的變換對(duì)于所有f∈L2(R)均有意義；另外，在實(shí)際應(yīng)用尤其是信號(hào)處理以及圖像處理的應(yīng)用中，變換只是一種簡(jiǎn)化問題、處理問題的有效手段，最終目的需要回到原問題的求解，因此，還要保證連續(xù)小波變換存在逆變換。同時(shí)，作為窗口函數(shù)，為了保證時(shí)間窗口與頻率窗口具有快速衰減特性，經(jīng)常要求函數(shù)ψ(x)具有如下性質(zhì)：

其中，C為與x，無關(guān)的常數(shù)，ε>0。

小波變換原理示意圖如圖1所示。

同時(shí)可定義相應(yīng)的小波變換的逆變換為：

等式(3)右端前面的尺度因子保證小波基函數(shù)的范數(shù)(norms)全都相等。因?yàn)椋?/p>

1.2 小波變換的多分辨率分解

在實(shí)際應(yīng)用中，信號(hào)的可測(cè)分辨率是有限的，我們不可能計(jì)算在所有的尺度2j上的小波變換，分辨率2j應(yīng)取有限值。我們把變換限定在一個(gè)最大尺度和最小尺度之間，20表示最高分辨率，2j表示最低分辨率。為了建立小波變換的信號(hào)分辨率分解表示，引入函數(shù)，且其Fourier變換滿足條件：

因?yàn)樾〔M足，我們可得到，F(xiàn)ourier變換的能量集中在低頻，所以為低通特性的平滑函數(shù)。定義平滑算子

其中，它表示在分辨率為2j時(shí)信號(hào)的低通濾波分量。

能量轉(zhuǎn)換公式：

式中，表示信號(hào)的細(xì)節(jié)分量，表示信號(hào)的低通平滑分量。當(dāng)2j越大時(shí)，包含的信號(hào)細(xì)節(jié)(高頻成分)越少，且這部分丟失的信息可以從小波變換中來恢復(fù)。此時(shí)稱集合為信號(hào)的小波變換多分辨率分解表示，也即是有限尺度的小波變換。以上分析為信號(hào)處理提供了一個(gè)清晰的分層框架。

1.3 圖象的二進(jìn)小波變換

設(shè)是一適當(dāng)平滑的二元函數(shù)，滿足條件，。記，圖象被函數(shù)在尺度下的平滑作用由卷積運(yùn)算實(shí)現(xiàn)，即。取基本函數(shù)如下：

則相應(yīng)的小波變換如下：

當(dāng)尺度時(shí)，如果、的Fourier變換滿足：

則稱為的二維二進(jìn)小波變換?？梢詫?dǎo)出：

分別表征了圖象 沿方向的偏導(dǎo)數(shù)，因此二維小波變換矢量就是梯度。

1.4 Mallat 算法

Mallat 和 Meyer 等人從不同尺度間信息增量表示方法出發(fā)，運(yùn)用多分辨分析思想，并結(jié)合數(shù)字濾波器理論，提出正交小波變換的一種塔式結(jié)構(gòu)快速算法，稱為Mallat算法，其在小波變換中的地位相當(dāng)于FFT在經(jīng)典傅里葉分析中的地位。由雙尺度方程可以推出濾波器組方程：

Mallat算法分解過程如圖2所示。

分解公式為：

S為離散信號(hào)與低通分解濾波器h(k)經(jīng)過卷積運(yùn)算，然后下采樣可得到尺度1上的近似信號(hào)a0(原信號(hào)中的低頻分量)；S與高通分解濾波器g(k)經(jīng)過同樣的步驟可得到尺度1上的細(xì)節(jié)信號(hào)d1 (原信號(hào)中的高頻分量)。連續(xù)進(jìn)行下去，即可得到S在不同尺度上的近似信號(hào)以及細(xì)節(jié)信號(hào)。這就是Mallat的分解算法。設(shè)原始信號(hào)長(zhǎng)度為N，在一次算法過程中，由于將卷積運(yùn)算后的信號(hào)進(jìn)行了下采樣，即只取運(yùn)算結(jié)果的一半長(zhǎng)度，因此得到的結(jié)果數(shù)據(jù)長(zhǎng)度為前一個(gè)數(shù)據(jù)長(zhǎng)度的一半，依次分解下去，則數(shù)據(jù)長(zhǎng)度越來越少，如分解n次后，數(shù)據(jù)長(zhǎng)度即為2-nN。

Mallat重構(gòu)算法的思想是：原始信號(hào)可由分解算法所得的近似信號(hào)和細(xì)節(jié)信號(hào)經(jīng)逐級(jí)重構(gòu)后近似逼進(jìn)，這種逼進(jìn)的精確度與所選的小波函數(shù)相關(guān)，這就是Mallat塔式重構(gòu)算法的思想。在重構(gòu)算法中，其濾波器組為h(k)和g 2.小波變換在電力系統(tǒng)中的應(yīng)用

小波變換作為一種先進(jìn)的數(shù)學(xué)理念，在數(shù)學(xué)研究領(lǐng)域方面取得了杰出的成果?，F(xiàn)在小波變換己經(jīng)滲透到自然科學(xué)、應(yīng)用科學(xué)、社會(huì)科學(xué)等諸多領(lǐng)域，當(dāng)然在電力系統(tǒng)中的應(yīng)用也不例外，小波變換在電力系統(tǒng)中的應(yīng)用主要在以下幾個(gè)方面：

2.1電力設(shè)備狀態(tài)監(jiān)視、故障的診斷方面

電力系統(tǒng)中，有相當(dāng)一部分的電氣故障都是由于不同原因所導(dǎo)致的絕緣劣化和損壞引起的。絕緣的劣化和損壞，首先表現(xiàn)為絕緣內(nèi)部和表面局部放電，然后發(fā)展為故障。如果對(duì)電力設(shè)備的絕緣內(nèi)部和表面局部放電現(xiàn)象事先進(jìn)行檢測(cè)和分析.就可以大大較少電力系統(tǒng)電力設(shè)備的故障率。通過檢測(cè)局部放電的性質(zhì)和強(qiáng)弱，可以了解絕緣損壞大程度，判斷進(jìn)一步發(fā)生繞組短路等嚴(yán)重故障的可能性，好作預(yù)防和解決措施。對(duì)變壓器局部放電信號(hào)的小波變換，基于小波變換的脈沖極性別方法，用以鑒別變壓器內(nèi)、外部放電，并選用Haar小波作為小波基，實(shí)際明能夠有效地區(qū)分內(nèi)、外部放電，并能有效地消除外部放電的影響。

2.2電力系統(tǒng)的電能質(zhì)量分析方面

電力系統(tǒng)電能質(zhì)量主要表現(xiàn)為電力系統(tǒng)的電流、電壓、頻率的質(zhì)量。由于變頻調(diào)速設(shè)備、可編程邏輯控制器、各種自生產(chǎn)線等對(duì)電能質(zhì)量敏感的用電設(shè)備廣泛應(yīng)用于電力系統(tǒng)，以及計(jì)算機(jī)產(chǎn)業(yè)的快速發(fā)展，過電壓、欠電壓、電壓凹陷和凸起、電壓間斷、電壓波動(dòng)和閃變、各種電壓瞬變現(xiàn)象及諧波等電能質(zhì)量問題，引起了電力部門和用戶的廣泛關(guān)注。因此必須采取合理的措施以提高電能質(zhì)量。建立電能質(zhì)量檢測(cè)和分析系統(tǒng)，對(duì)其進(jìn)行正確地檢測(cè)、評(píng)估和分類是十分必要的。

將小波變換應(yīng)用于電能質(zhì)量偏差故障的檢測(cè)、定位和研究。其核心思想是把一個(gè)給定的干擾信號(hào)分解為原信號(hào)的平滑和細(xì)節(jié)的兩種信號(hào)，但其獨(dú)特之處是構(gòu)造了一個(gè)雙正交復(fù)小波，采用了Mallat的塔式二進(jìn)制快速算法，只須計(jì)算分解后1-3尺度上的平滑分量與尺度4上的細(xì)節(jié)分量，而不像其他方法上必須同時(shí)計(jì)算各個(gè)尺度上的細(xì)節(jié)分量與平滑分量，節(jié)省了將近一半的計(jì)算時(shí)一間。

2.3電力系統(tǒng)諧波分析方面

電力系統(tǒng)中發(fā)生故障時(shí)，諧波是不可避免地要出現(xiàn)的成分。由于諧波的存在，電力設(shè)備的正常工作要受到影響，因此我們需要進(jìn)行諧波治理。電力系統(tǒng)諧波，增加了不必要的損耗，而且給通信設(shè)備的運(yùn)行要造成有害的干擾等。為了避免這些諧波的不良影響，就有必要對(duì)其加以分析和抑制。小波變換將在此類信號(hào)變換投影到不同的尺度上會(huì)明顯地表現(xiàn)出高頻、奇異高次諧波信號(hào)的特性，特別是小波包具有將頻率空間進(jìn)一步細(xì)分的特性，將很好的為抑制高次諧波提供依據(jù).進(jìn)行電力系統(tǒng)諧波分析與處理，是小波變換在電力系統(tǒng)中應(yīng)用的重要任務(wù)之一。

2.4電力系統(tǒng)的暫態(tài)穩(wěn)定分析方面

當(dāng)電力系統(tǒng)受到大擾動(dòng)時(shí)，表征系統(tǒng)運(yùn)行狀態(tài)的各種電磁信號(hào)參數(shù)均會(huì)發(fā)生急劇變化和振蕩。對(duì)這樣的一個(gè)突變、局部化的信號(hào)進(jìn)行分析，小波變換無疑是一個(gè)很好的選擇。小波變換捕捉和處理微弱突變信號(hào)的能力可用于基于微弱信號(hào)的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測(cè)研究上，其“局部細(xì)化與放大”的特性，能夠識(shí)別和追蹤系統(tǒng)變量的微弱突變，進(jìn)而推斷出引起突變的局部故障時(shí)間和地點(diǎn)，提高電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測(cè)的實(shí)時(shí)性和準(zhǔn)確性。隨著電力系統(tǒng)向巨大化、復(fù)雜化發(fā)展，暫態(tài)信號(hào)的分析和檢測(cè)對(duì)電力系統(tǒng)的故障診斷和電能質(zhì)量的評(píng)估具有重要意義。最近幾年來，小波變換在電力系統(tǒng)故障分析，特別是暫態(tài)信號(hào)的分析中進(jìn)行了廣泛的研究。可利用小波變換的奇異性特質(zhì)，對(duì)故障暫態(tài)信號(hào)進(jìn)行詳細(xì)性劃分，選擇合適的小波函數(shù)對(duì)故障暫態(tài)信號(hào)進(jìn)行檢測(cè)。

2.5電力系統(tǒng)動(dòng)態(tài)安全分析方面

當(dāng)電力系統(tǒng)受到擾動(dòng)時(shí)會(huì)造成系統(tǒng)電壓波動(dòng)，過低的電壓會(huì)危及電力系統(tǒng)運(yùn)行穩(wěn)定性，嚴(yán)重時(shí)可能造成“電壓崩潰”。因此，研究電壓的動(dòng)態(tài)響應(yīng)日趨重要。當(dāng)系統(tǒng)受到擾動(dòng)后便電壓突變信號(hào)。應(yīng)用小波變換將突變信號(hào)分解到不同尺度上再分別分析這些突變信號(hào)的幅值和相位的大小，以便判別電力系統(tǒng)動(dòng)態(tài)安全運(yùn)行狀況。

在合閘或開閘瞬間產(chǎn)生沖擊的高幅值電壓經(jīng)常破壞變壓器繞組的絕緣。檢測(cè)變壓器繞組絕緣的通常是使用標(biāo)準(zhǔn)沖擊試驗(yàn)方法，該方法應(yīng)用傅立葉變換算法分析變壓器頻域內(nèi)的信號(hào)分解結(jié)果。然而FFT分析在頻譜尖峰時(shí)刻存在頻譜遺漏。為了獲得更好的信號(hào)分析，該文應(yīng)用小波變換技術(shù)在變壓器繞組故障時(shí)的暫態(tài)現(xiàn)象，選擇Db系小波作為小波基，并在單相變壓器正常情況和繞組匝間短路情況下進(jìn)行不同測(cè)試。

2.6輸電線路的故障定位方面

現(xiàn)代數(shù)字式行波保護(hù)和故障點(diǎn)測(cè)距裝置在測(cè)量點(diǎn)所感受到的故障暫態(tài)電壓和電流信號(hào)實(shí)質(zhì)上是一種非平穩(wěn)信號(hào)，持續(xù)時(shí)間也很短(約為幾個(gè)毫秒)，而故障信息便主要蘊(yùn)含于各個(gè)行波浪涌到來時(shí)所產(chǎn)生的信號(hào)奇異點(diǎn)中。因而我們必須用高速的數(shù)據(jù)采集技術(shù)來捕捉行波信號(hào)，并同時(shí)監(jiān)視多條線路，這就需要保存多次的故障記錄，會(huì)產(chǎn)生大量的數(shù)據(jù)需要存儲(chǔ)和遠(yuǎn)距離運(yùn)輸。過多的數(shù)據(jù)會(huì)增加傳輸?shù)臅r(shí)間甚至影響傳輸?shù)目煽啃?，因此很有必要?duì)采集到的故障暫態(tài)行波信息進(jìn)行壓縮處理。

將離散小波變換用于輸電線路故障暫態(tài)行波信息的壓縮，并對(duì)信號(hào)壓縮的比例進(jìn)行了相應(yīng)的研究，實(shí)驗(yàn)證明信號(hào)的采樣點(diǎn)數(shù)越多，奇異點(diǎn)越少，則越有利于故障信息的壓縮，經(jīng)重構(gòu)后信號(hào)中的信息損失也越小。利用輸電線路故障后的暫態(tài)電流行波中所包含的故障信息，故障的突變點(diǎn)和其小波變換模極大值之間的關(guān)系來進(jìn)行故障定位。通過分析模極大值分布，電流行波的不同成分被明顯地區(qū)分開來，這樣故障和折射行波就可以識(shí)別。無用的成分被過濾掉，折射的行波到達(dá)時(shí)間不同表明故障的位置。

2.7 電力系統(tǒng)的負(fù)荷預(yù)測(cè)方面

由于用戶用電的隨機(jī)性，電力系統(tǒng)的負(fù)荷是在隨時(shí)變化著的，相應(yīng)的電力系統(tǒng)的功率分布、母線電壓、功率損耗以及電能損耗等也在隨時(shí)地變化。因此在計(jì)算上述的電力系統(tǒng)的參數(shù)時(shí)，必須了解負(fù)荷隨時(shí)間的變化規(guī)律。己采用的各種負(fù)荷預(yù)測(cè)的方法有時(shí)間序列法，神經(jīng)網(wǎng)絡(luò)法等等。電力負(fù)荷具有特殊的周期性，負(fù)荷以天、周、年為周期發(fā)生波動(dòng)，大周期中套小周期。小波變換能將各種交織在一起的不同頻率組成的混合信號(hào)分解成不同頻帶上的塊信號(hào)，對(duì)負(fù)荷序列進(jìn)行小波變換，可以將負(fù)荷序列分別投影到不同的尺度上。各個(gè)尺度上的子序列分別代表著原序列中不同頻域的分量，它們可以清楚地表現(xiàn)出負(fù)荷序列的周期性。

基于多分辨分析的思想，對(duì)負(fù)荷序列進(jìn)行正交二進(jìn)小波變換，把原負(fù)荷序列投影到各個(gè)不同的尺度上，可以清楚地看到負(fù)荷序列逐漸細(xì)微的周期性。在此基礎(chǔ)上，分別對(duì)各個(gè)尺度上變換得到的負(fù)荷子序列進(jìn)行預(yù)測(cè)，再利用預(yù)測(cè)結(jié)果進(jìn)行信號(hào)重構(gòu)，就可以得到完整的預(yù)測(cè)結(jié)果。

2.8小波變換用于信號(hào)奇異性檢測(cè)原理

雖然涌流與故障電流都是暫態(tài)量，但由于其產(chǎn)生機(jī)理不同，其表現(xiàn)形式不同，主要是其各自的諧波成分不同，而諧波成份相對(duì)于基波來說是比較小的，這樣由于基波的影響就可能造成涌流與故障電流間微小差別的消失。具體就是它們各自的某些奇異點(diǎn)會(huì)變得隱蔽起來。如果我們將基波濾掉，就會(huì)使這些本己不明顯的奇異點(diǎn)顯露出來。然后我們就可通過小波變換找出這些奇異點(diǎn)，由于涌流和短路電流的諧波成份不同，其奇異點(diǎn)的分布應(yīng)不同。這樣我們可根據(jù)其奇異點(diǎn)的不同分布，即小波變換模極大值的不同分布將其區(qū)分開來。

奇異性信號(hào)是指信號(hào)本身或它的某階導(dǎo)數(shù)在某一時(shí)刻存在突變的信號(hào)，信號(hào)的奇異性通常攜帶有最重要的信息。奇異性檢測(cè)就是要將信號(hào)的奇異點(diǎn)識(shí)別出來，并判斷其奇異性程度。長(zhǎng)期以來，傅里葉變換一直是研究函數(shù)(即信號(hào))奇異性的主要工具。但是，由于傅里葉變換缺乏空間局部特性，它只能確定一個(gè)函數(shù)奇異性的整體性質(zhì)，難以確定奇異點(diǎn)在空間的位置及分布情況，而信號(hào)的奇異性或突變性在很多情況下是非平穩(wěn)信號(hào)最關(guān)鍵和最重要的性質(zhì)。例如：機(jī)械故障、電力系統(tǒng)故障、腦電圖心電圖中的異常等，都對(duì)應(yīng)于測(cè)試信號(hào)的突變點(diǎn)。雖然它們發(fā)生的背景不同，但如果將測(cè)得的數(shù)據(jù)作為一個(gè)信號(hào)來看，都集中體現(xiàn)在如何提取信號(hào)中的突變點(diǎn)的位置及判定其奇異性(或光滑性)的問題上，因此對(duì)信號(hào)奇異性的檢測(cè)具有特別重要的現(xiàn)實(shí)意義。由于小波變換同時(shí)具有良好的時(shí)域和頻域局部特性以及對(duì)信號(hào)的自適應(yīng)能力，所以利用小波變換來分析非平穩(wěn)信號(hào)的奇異性是一種行之有效的方法。

2.9利用小波變換的奇異檢測(cè)法鑒別勵(lì)磁涌流

在電力系統(tǒng)故障信號(hào)分析中，人們關(guān)注的是故障電流或電壓的突發(fā)時(shí)刻及其對(duì)應(yīng)的頻譜特征，希望可以及時(shí)的判斷出故障類型和故障的突發(fā)時(shí)刻。對(duì)這樣的突發(fā)信號(hào)的分析，傅立葉分析是無能為力的。

目前，小波變換在變壓器勵(lì)磁涌流與內(nèi)部故障的判別的應(yīng)用研究主要集中于高次諧波檢測(cè)和奇異點(diǎn)檢測(cè)。高頻檢測(cè)反映的是差流狀態(tài)突變產(chǎn)生的高次諧波，高頻細(xì)節(jié)出現(xiàn)的位置對(duì)應(yīng)于變壓器飽和、退飽和時(shí)刻或故障發(fā)生時(shí)刻。若差流的高頻細(xì)節(jié)突變周期出現(xiàn)，則為勵(lì)磁涌流；若出現(xiàn)一次后便很快衰減為0，則為內(nèi)部故障。奇異點(diǎn)檢測(cè)利用了小波變換模極大值原理，檢測(cè)的是差流狀態(tài)突變而產(chǎn)生的第2類間斷點(diǎn)，奇異點(diǎn)與涌流間斷角相對(duì)應(yīng)。

小波變換雖然是一種先進(jìn)的數(shù)學(xué)理論，但它跟Fourier變換一樣也僅僅只是一種信號(hào)處理的工具。在勵(lì)磁涌流識(shí)別中的應(yīng)用也只是作為一種工具，正因?yàn)楦凳献儞Q的相似性，它在涌流識(shí)別方血的應(yīng)用也局限于波形識(shí)別和諧波分析方面，具體的說可以應(yīng)用它在檢測(cè)信號(hào)奇異性和特征抽取方面的特長(zhǎng)。

小波變換作為一種多分辨率的時(shí)一頻局部分析方法，它在信號(hào)突變點(diǎn)(邊緣)和奇異檢測(cè)方面具有優(yōu)良特性，它的極值點(diǎn)往往跟信號(hào)的奇異點(diǎn)相聯(lián)系。而勵(lì)磁涌流在間斷角處的電流非常小(接近于零)，拐點(diǎn)處對(duì)應(yīng)于鐵芯磁化曲線拐點(diǎn)S，該處具有一定的奇異性。我們可以通過分析涌流的小波分解系數(shù)極值點(diǎn)在各尺度上的變化來檢測(cè)間斷處，從而測(cè)量出間斷角。該原理從本質(zhì)上來說還是屬于間斷角原理。

3.結(jié)束語

本文依據(jù)信號(hào)變換的理論和方法，介紹了小波變換應(yīng)用于工程的基本理論和方法，并從電力系統(tǒng)的角度出發(fā)討論了小波變換的特點(diǎn)及應(yīng)用現(xiàn)狀和發(fā)展前景。多尺度分析體現(xiàn)在小波的時(shí)頻窗具有自適應(yīng)性，能夠?qū)π盘?hào)進(jìn)行由粗及精地分析?；诙喑叨确治隼碚摚⒘祟愃朴贔FT的小波變換Mallat快速算法，使小波變換技術(shù)走向?qū)嵱谩Ｆ娈愋詸z測(cè)理論反映了小波具有在時(shí)、頻兩域突出信號(hào)局部特征的能力。信號(hào)的突變邊緣往往包含豐富的信息，小波變換后突變的奇異點(diǎn)會(huì)有不同于其它的特征出現(xiàn)，在工程應(yīng)用中主要使用模極大值來表征這些瞬變點(diǎn)。電力系統(tǒng)中發(fā)生故障會(huì)出現(xiàn)某些電氣量的突變，利用奇異性檢測(cè)理論對(duì)故障信號(hào)進(jìn)行特征提取，再建立起相應(yīng)的判斷依據(jù)，這是基于小波變換的微機(jī)保護(hù)基本思路。

本文總結(jié)了小波變換在電力系統(tǒng)中的應(yīng)用方向，并把小波變”換應(yīng)用于勵(lì)磁涌流的鑒別。利用小波變換在信號(hào)奇異性檢測(cè)抽取方面的特長(zhǎng)來區(qū)分勵(lì)磁涌流和故障電流的方法。利用小波變換對(duì)電力系統(tǒng)的非平穩(wěn)信號(hào)進(jìn)行分析和處理，可突出短路故障信號(hào)，同時(shí)濾掉大量的噪聲干擾信號(hào)，大大提高了保護(hù)裝置的可靠性。

參考文獻(xiàn)：

[1]張賢達(dá).現(xiàn)代信號(hào)處理(第二版)[M].清華大學(xué)出版社,2002.10.

[2]趙曉坦，蘇鵬聲.離散序列小波變換在微機(jī)繼電保護(hù)中的應(yīng)用[J].繼電器,2002，30(10).

[3]蔡暉.小波變換在變壓器微機(jī)保護(hù)中的應(yīng)用[D].河海大學(xué)碩士學(xué)位論文,2002.3.

[4]王建賾,李威,冉啟文,紀(jì)延超.解析信號(hào)小波變換及其在電力系統(tǒng)中的應(yīng)用[J].電力系統(tǒng)自動(dòng)化,2000.11.25.

[5]葛寶明，王祥珩等.電力變壓器的勵(lì)磁涌流判據(jù)及其發(fā)展方向[J].電力系統(tǒng)及其自動(dòng)化,2003.27(22).