引言
视觉空间定位技术在电力行业的运用拥有广阔应用前景。该技术中运用的图像处理技术最大优点是作为观察者和被观察对象并没有实际接触和直接联系。此外，该技术对人眼观测不同区域物体和标的物间的空间距离同样可以运用机器视觉进行图像处理。利用视觉空间定位技术可形成红外线、可见光两种图像对异物进行定位，这些都是运检人员在屏幕前观察图像时下无法准确观测的。
1视觉空间定位技术研究
视觉空间定位技术反馈外界环境特征功能不仅包括对外界光信号的反射，还包括反馈过程中的获取、传输、处理与理解的视觉信息。通过摄像机获取图像并将其装换成数字图像数据，最终利用计算机代替人脑实现对视觉信息进行全部处理，这些构想依赖于信号处理理论进步和计算机技术发展。视觉空间定位技术在自动获取目标物体图像的前提下，对图像各种特征量进行分析、处理与测量操作，完成定性分析和定量解释测量结果，最终经过判断，做出基于相应有关目标物体认识的合理决策。视觉空间定位技术功能包括：目标定位、特征检测、缺陷判断、目标识别、目标计数以及目标运动跟踪等。机器视觉系统一般由多个子系统联合组成，如下图所示：
本课题将双目机器视觉运用于异物对输电线路的智能定位，运用图像处理技术获取目标图像的坐标并传输给智能告警系统，实现对输电线路的智能化远程监控。
2存在的问题与分析
输电线路视觉空间定位技术的研究存下以下难题。
1、尺度变化：指的是目标物体位置的变化导致距离概率，造成本身的视觉尺度 发生变化，例如对于吊车或风筝等的分析任务，在目标由远到近的运动过程中， 目标在图像中也由大到小发生变化，对于此类问题，需要生成大量不同尺度的预 测框对目标进行检测。
2、背景杂斑：指的是在背景信息中，存在与待跟踪目标相似的物体，由于相似的物体在外观上具有相似的视觉特征，以及相似的外观模型，容易对跟踪任务产生干扰。不同于目标检测任务，目标跟踪任务通常是对于某个特定的个体进行跟 踪，所以需要提取更多的目标的状态信息，从而预测目标的运动轨迹。
运动模糊：该问题是指目标或者摄影机的运动使得图像变模糊，从而影响跟踪的效果，这是基于视觉的目标跟踪任务中常见的问题，对于该问题，目前的方 法主要利用均值偏移进行跟踪。
光照：光照问题是指在光照不均的情况下，会影响跟踪器对目标特征信息获 取的准确性，从而影响跟踪效果。对于该问题，采用RGB的颜色信息和纹理的信息进行融合，以此提高目标跟踪器在光照变化的情况下的跟踪性能。
于上述目标跟踪任务所面临的难题进行分析可知，不同类型的问题造成的 跟踪困难都是围绕目标的外观特征变化而产生的。例如遮挡问题，其核心为目标 的部分特征或全部特征被物理遮挡而导致外观特征模型发生变化，从而使得模板 特征的鲁棒性降低。又如形变问题是目标自身形状或姿态发生变化，导致外观特征发生改变。并且此类问题在目标运动过程中是难以避免的。此外光照问题是光照不均带来的视觉特征变化，而背景杂斑是相似特征造成的干扰。所以，基于视觉特征的目标跟踪器需要通过适应目标外观特征的变化以及提高抗干扰能力以 此提升自身的性能。
目前基于深度学习的目标跟踪器已经取得了优异的成绩，深度学习方法依赖 于大量样本的离线学习对模型进行参数更新而不需要在线调整。所以基于深度学 习方法的目标跟踪器采用的深度特征相比于传统的手工特征更具有鲁棒性，对于一些简单的形变因素具有更强的适应能力。然而，由于没有在线更新环节，只能依赖初始的模板图像，不能反映出目标在运动过程中的状态变化，当目标状态与初始阶段差异较大时，会造成对跟踪任务的干扰。并且，目标跟踪任务不同于目标检测任务以及其他常规的图像识别任务，并不是简单地对于某个类别的分类，而是基于视觉特征对特定目标的持续匹配，这对深度学习方法带来了难题，因为深度学习方法通过学习抽象特征进行分类，例如深层的卷积神经网络，所以深度学习更适用于对抽象类别的区分，而不擅长对于具体目标的匹配，这是因为具体目标之间通常存在相似的抽象特征，而这样的匹配过程类似于单样本学习任务，是小样本学习中的一种特殊情况。所以采用小样本学习方法会为目标跟踪任务缺 乏标注数据这个难题提供新的解决方法。
3运用小样本技术解决视觉空间分析难题
通过采用多距离度量的方式可以实现对图像进行多层特征融合分析，在不同类别之间特征差异较小的分类任务中，更多地关注浅层特征信息更有利于实现类别之间的有效分类。因为深层网络学习到的是图像的抽象特征，而浅层网 络所学习到的是图像的普通特征。对于特征相似的类别，它们拥有相似的抽象特征，所以提取浅层特征进行辅助分类是有意义的，并且在目标跟踪任务中，目标与背景之间通常存在相似的抽象特征，所以更适合通过关注浅层特征进行辅助分 类。本文通过实验验证了采用多距离度量的方式可以获得更高的识别率。
通过设计自适应类间距的距离损失函数结合交叉熵损失对模型进行迭代训练，可以帮助模型对类别之间的微小特征差异更加敏感。由于在损失函数中 加入了自适应变化的距离损失，当计算得到的距离值差异较大时，表明模型对于当前任务已经实现了有效的分类，而当距离值差异较小时则表明模型对于当前分 类任务仍无法实现可靠的区分。通过自适应的距离损失函数，对返回的损失值进 行调整，使得模型优化的方向更加趋向于分类不明显的分类任务。显然，不同的 跟踪任务涉及不同的场景信息，所以采用自适应类间距的方法更有利于提高模型的泛化性，使其适应不同的任务。
将多距离度量的小样本学习方法应用于目标跟踪任务，提出自适应的模板更新策略。通过将目标跟踪任务转化为小样本学习中的单样本学习任务，可以将模板图像作为支持集数据并实现对目标物体的有效匹配，从而达到目标跟踪的效果。并通过设计自适应模板更新策略，不仅可以实现将单样本匹配任务继续转化为多样本学习任务，提高目标跟踪的准确性，同时也实现了模板自适应的动态化的调整，避免了在目标变化不明显的情况下产生不必要的模板更新操作，从而提高目标跟踪器的跟踪效率。
