本發(fā)明屬于計(jì)算機(jī)數(shù)字圖像處理與模式識(shí)別技術(shù)領(lǐng)域，主要涉及電動(dòng)牽引機(jī)車使用的受電弓在線自動(dòng)檢測(cè)方法，具體涉及一種基于主動(dòng)形狀模型的受電弓在線自動(dòng)檢測(cè)方法。

背景技術(shù)：
電力牽引機(jī)車受電弓是電氣化鐵路電力機(jī)車從接觸網(wǎng)上受取電源的裝置。在實(shí)際機(jī)車運(yùn)行過(guò)程中，受電弓碳滑板與接觸網(wǎng)導(dǎo)線直接接觸，從接觸網(wǎng)導(dǎo)線上受取電流供機(jī)車使用。在高速電氣化鐵路系統(tǒng)中，機(jī)車必須保持穩(wěn)定的受流狀態(tài)。受電弓弓頭破損、碳滑板過(guò)度磨耗不僅影響電力機(jī)車的正常供電，甚至?xí)斐绍壍澜煌ǖ闹袛?。因此作為直接與接觸網(wǎng)接觸的取流關(guān)鍵設(shè)備-受電弓碳滑板的狀態(tài)極為關(guān)鍵，它關(guān)系到機(jī)車能否穩(wěn)定、可靠地從接觸線取電。實(shí)際管理中，相關(guān)部門(mén)需要對(duì)受電弓碳滑板運(yùn)行狀態(tài)進(jìn)行定期檢測(cè)，以保證機(jī)車的穩(wěn)定、安全運(yùn)行。隨著我國(guó)軌道交通和高速鐵路的飛速發(fā)展，對(duì)受電弓的可靠運(yùn)行提出了更高的要求，實(shí)現(xiàn)對(duì)受電弓運(yùn)行狀態(tài)的在線自動(dòng)檢測(cè)具有重要意義。目前國(guó)內(nèi)外受電弓狀態(tài)的檢測(cè)方法主要包括入庫(kù)靜態(tài)檢測(cè)、機(jī)載檢測(cè)系統(tǒng)和在線定點(diǎn)式檢測(cè)3種方式。入庫(kù)靜態(tài)檢測(cè)即在機(jī)車進(jìn)入檢修庫(kù)停車后，降下受電弓，截?cái)嘟佑|網(wǎng)電源，檢修人員登上車頂通過(guò)測(cè)量?jī)x器手工測(cè)量碳滑板磨損和變形狀況。該檢測(cè)方法存在一定的局限性，首先要求接觸網(wǎng)必須在受電弓檢測(cè)前斷電，且通常只能在機(jī)車入庫(kù)停車后才能檢測(cè)，屬于一種靜態(tài)檢測(cè)方法。不能實(shí)現(xiàn)受電弓的在線自動(dòng)檢測(cè)。在實(shí)際運(yùn)作中需要投入較大規(guī)模的人力、成本較高。詳見(jiàn)文獻(xiàn)：謝力.基于圖像處理的受電弓狀態(tài)檢測(cè)技術(shù)研究：[碩士學(xué)位論文]：西南交通大學(xué)，2009。機(jī)載受電弓檢測(cè)方法屬于一種在線自動(dòng)檢測(cè)方法。主要包括2種方式，其一是通過(guò)在機(jī)車上安裝光、電、力學(xué)等多種傳感器采集受電弓位置、碳滑板的磨耗，以及受電弓弓頭左右偏移量狀態(tài)等信息對(duì)受電弓進(jìn)行檢測(cè)，但傳感器獲取的受電弓運(yùn)行狀態(tài)信息容易受機(jī)車運(yùn)行過(guò)程中產(chǎn)生的震動(dòng)的干擾；其二是將光纖內(nèi)埋式磨損傳感器嵌入受電弓滑板中，當(dāng)受電弓滑板收到接觸網(wǎng)的沖擊作用而產(chǎn)生磨損時(shí)或者產(chǎn)生缺失時(shí)，傳感器給出相應(yīng)的磨損信號(hào)。根據(jù)不同的信號(hào)強(qiáng)度給出不同等級(jí)的報(bào)警信號(hào)，從而獲得受電弓滑板的磨損狀態(tài)。該方法的主要缺點(diǎn)是：一是對(duì)于材料的要求比較高，要在受電弓滑板中內(nèi)嵌傳感器，材料工藝要求高，受電弓滑板材料結(jié)構(gòu)改變可能會(huì)降低受電弓的使用壽命，提高了成本；二是傳感器不能布滿整個(gè)受電弓碳滑板，因此得到的數(shù)據(jù)是幾個(gè)點(diǎn)的，不能得到各個(gè)點(diǎn)的磨損狀態(tài)；三是整個(gè)系統(tǒng)裝置比較多，比較復(fù)雜，系統(tǒng)安裝維修不方便。在線定點(diǎn)式自動(dòng)檢測(cè)方式，國(guó)內(nèi)外主要有基于超聲波傳感器的檢測(cè)和基于圖像的檢測(cè)方法。超聲波傳感器檢測(cè)方法多見(jiàn)于國(guó)外機(jī)車系統(tǒng)，其基本方法是：在機(jī)車行駛的路段上安裝多個(gè)超聲波傳感器發(fā)送超聲波，超聲波通過(guò)空氣傳輸?shù)竭_(dá)被測(cè)受電弓碳滑板上，然后超聲波反射返回到傳感器上。根據(jù)超聲波的傳輸時(shí)間與當(dāng)時(shí)的波速，經(jīng)計(jì)算后獲得受電弓碳滑板的厚度信息，進(jìn)而實(shí)現(xiàn)對(duì)受電弓碳滑板的磨損狀態(tài)進(jìn)行在線檢測(cè)。該方法存在的顯著不足是超聲波信號(hào)容易受超聲波工作距離、超聲波信號(hào)強(qiáng)弱和受電弓運(yùn)行中的姿態(tài)的影響。近年來(lái)，國(guó)內(nèi)外出現(xiàn)了許多基于在線獲取圖像的受電弓檢測(cè)方法。該方法核心包括拍照和檢測(cè)2部分，首先將在線拍照系統(tǒng)安裝在機(jī)車行駛的路段上方，待機(jī)車受電弓行駛通過(guò)拍照系統(tǒng)時(shí)，同步觸發(fā)相機(jī)和閃光燈對(duì)受電弓進(jìn)行拍照，完成受電弓圖像的在線采集，然后采用數(shù)字圖像處理方法對(duì)采集到的圖像進(jìn)行仔細(xì)分析，最終獲取受電弓在線運(yùn)行狀態(tài)。該方法的優(yōu)勢(shì)非常明顯，可以在機(jī)車行駛過(guò)程中做到在線自動(dòng)檢測(cè)；缺點(diǎn)是檢測(cè)精度依賴于拍照系統(tǒng)采集圖像的質(zhì)量，對(duì)受電弓在線拍照系統(tǒng)精度要求比較高。國(guó)內(nèi)目前已有廠商和科研單位正在研發(fā)基于圖像的受電弓在線運(yùn)行狀態(tài)的檢測(cè)系統(tǒng)，存在的問(wèn)題主要集中于：1)受電弓圖像采集質(zhì)量較低，不利于后續(xù)圖像處理與分析；2)對(duì)機(jī)車運(yùn)行速度有限制，難以實(shí)現(xiàn)真正的在線檢測(cè)；3)采集到的受電弓圖像背景復(fù)雜、不統(tǒng)一，圖像處理方法難以進(jìn)行精確的受電弓定量檢測(cè)，相關(guān)方法亟需進(jìn)一步改進(jìn)。詳見(jiàn)南京大學(xué)于2012年公開(kāi)的專利《高速機(jī)車受電弓滑板磨損自動(dòng)檢測(cè)裝置》，專利公開(kāi)號(hào)：CN102507600A?；诳勺兡Ｐ蛯?duì)目標(biāo)物體特征點(diǎn)定位的研究取得了很大成就，特別是對(duì)于圖像中的目標(biāo)物體變化很大的情況?？勺兡Ｐ偷幕舅枷胧牵航⒁粋€(gè)目標(biāo)物體的通用模型，對(duì)于任意給定圖像，如果圖像中有與該模型相同的目標(biāo)物體，則可以根據(jù)物體圖像的內(nèi)部和外部特征與模型之間的差異，通過(guò)調(diào)整模型參數(shù)將模型進(jìn)行變化，其形狀和紋理能夠與目標(biāo)物體在一定誤差內(nèi)實(shí)現(xiàn)匹配，詳見(jiàn)文獻(xiàn)：CootesT.F.DeformableObjectModellingandMatching.In：KimmelR，KletteR，SugimotoA，eds.ComputerVision-Accv2010，PtI.Berlin：Springer-VerlagBerlin；2011：1-10.英國(guó)曼徹斯特大學(xué)(UniversityofManchester)的Tim.Cootes等人提出的主動(dòng)形狀模型ASM(ActiveShapeModels)是實(shí)現(xiàn)上述思想的一個(gè)典型代表。該方法已成為當(dāng)前主流的目標(biāo)定位方法，在目標(biāo)對(duì)象的定位中，特別是在人臉檢測(cè)、手勢(shì)識(shí)別和醫(yī)學(xué)人體器官圖像檢測(cè)方面得到了廣泛的應(yīng)用，詳見(jiàn)文獻(xiàn)：CootesT.F.，C.J.Taylor，D.H.Cooper，etal.ActiveShapeModels-TheirTrainingandApplication.ComputerVisionandImageUnderstanding.1995，61(1)：38-59.ASM是一種基于統(tǒng)計(jì)學(xué)的灰度和形狀分離的可變形模型，允許待定位目標(biāo)有一定程度的形變，同時(shí)采用灰度和梯度信息指導(dǎo)形狀模型收斂，其收斂速度較快。其主要方法是通過(guò)對(duì)樣本圖像中的目標(biāo)物體進(jìn)行關(guān)鍵特征點(diǎn)手動(dòng)標(biāo)定，進(jìn)而形成樣本集目標(biāo)點(diǎn)分布模型(PointDistributionModel)，然后對(duì)點(diǎn)分布模型進(jìn)行訓(xùn)練、統(tǒng)計(jì)分析建立ASM模型，再以此模型作為依據(jù)，在測(cè)試圖像中與目標(biāo)特征進(jìn)行快速匹配，找到被定位目標(biāo)的位置。其優(yōu)點(diǎn)是容易選擇目標(biāo)輪廓特征點(diǎn)作為建?；A(chǔ)，但ASM的匹配精度與匹配起始位置密切相關(guān)，因此獲取ASM匹配起始位置的目標(biāo)定位方法是影響ASM最終匹配結(jié)果優(yōu)劣的一個(gè)重要因素。實(shí)際應(yīng)用ASM方法進(jìn)行目標(biāo)精確定位時(shí)，需要首先進(jìn)行目標(biāo)的初略定位，否則匹配過(guò)程容易陷入局部最優(yōu)，導(dǎo)致匹配不到實(shí)際的目標(biāo)上。隨著我國(guó)高速鐵路建設(shè)的不斷發(fā)展，機(jī)車的行駛速度越來(lái)越快，對(duì)受電弓運(yùn)行質(zhì)量的要求越來(lái)越高，同時(shí)也對(duì)受電弓在線自動(dòng)檢測(cè)的精確性、穩(wěn)定性提出了更高的要求。針對(duì)目前國(guó)內(nèi)基于圖像的受電弓在線檢測(cè)方法精度差的問(wèn)題，迫切需要研發(fā)一種新型的受電弓運(yùn)行狀態(tài)在線自動(dòng)檢測(cè)方法。

技術(shù)實(shí)現(xiàn)要素：
(一)發(fā)明目的本發(fā)明的目的是：針對(duì)基于圖像的受電弓檢測(cè)，提供一種基于主動(dòng)形狀模型的受電弓在線自動(dòng)檢測(cè)方法，在機(jī)車正常行駛過(guò)程中，能夠?qū)κ茈姽蓟搴穸冗M(jìn)行定量檢測(cè)。(二)技術(shù)解決方案本發(fā)明提供了一種基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法，包括以下步驟：步驟10、獲取受電弓圖像學(xué)習(xí)樣本集；步驟20、構(gòu)建受電弓主動(dòng)形狀模型；步驟30、對(duì)新獲取、待檢測(cè)的圖像進(jìn)行受電弓初始定位；步驟40、結(jié)合初始定位和主動(dòng)形狀模型的受電弓精確匹配；步驟50、受電弓定量檢測(cè)和分析。所述步驟10中獲取受電弓圖像學(xué)習(xí)樣本集，具體通過(guò)安裝于電力牽引車接觸網(wǎng)上方的受電弓在線拍照系統(tǒng)采集若干受電弓圖像，形成受電弓圖像學(xué)習(xí)樣本集，學(xué)習(xí)樣本集至少包含50張受電弓圖像，且各受電弓圖像的分辨率保持一致。所述步驟20中構(gòu)建受電弓主動(dòng)形狀模型，具體步驟是：采用形態(tài)學(xué)濾波運(yùn)算方法對(duì)步驟10采集的受電弓圖像逐一進(jìn)行圖像降噪預(yù)處理；在每張圖像中選取受電弓輪廓的角點(diǎn)、邊界點(diǎn)作為特征點(diǎn)，通過(guò)人工手動(dòng)的方式，對(duì)受電弓特征點(diǎn)進(jìn)行標(biāo)記，且每張受電弓圖像中的特征標(biāo)記點(diǎn)必須相互對(duì)應(yīng)、數(shù)量保持一致；將標(biāo)記完成的受電弓特征點(diǎn)的圖像坐標(biāo)保存于文本文件中，不同受電弓圖像的特征點(diǎn)分開(kāi)保存，且受電弓圖像文件名稱與對(duì)應(yīng)的特征點(diǎn)文件名稱保持一致。圖像坐標(biāo)指以圖像左上角為坐標(biāo)原點(diǎn)，水平向右方向?yàn)閄軸，垂直向下方向?yàn)閅軸的坐標(biāo)體系的像素坐標(biāo)。此時(shí)，所有受電弓圖像可以采用特征點(diǎn)的點(diǎn)分布模型(Pointdistributionmodel，PDM)對(duì)受電弓形狀進(jìn)行描述，即受電弓圖像i的形狀可以通過(guò)其所有特征點(diǎn)數(shù)學(xué)表示為：N為受電弓圖像的特征點(diǎn)總數(shù)。受電弓圖像學(xué)習(xí)樣本集可以表示為：，i＝1，2，3，…，M，M為受電弓圖像總數(shù)目；基于受電弓圖像和相應(yīng)的特征點(diǎn)，根據(jù)主動(dòng)形狀模型(ActiveShapeModel，ASM)算法原理，建立受電弓主動(dòng)形狀模型，該模型以文件的形式存在。具體步驟包括：1、采用GeneralizedProcrustesanalysis(GPA)方法對(duì)所有受電弓圖像的點(diǎn)分布模型進(jìn)行對(duì)齊(Align)。對(duì)齊步驟如下：(1)對(duì)于受電弓形狀xi，i＝2，3，…，M，逐個(gè)進(jìn)行旋轉(zhuǎn)、縮放和平移，并與形狀x1做對(duì)齊，得到變換后的形狀集合(2)計(jì)算變換后的所有受電弓圖像形狀的平均值m；其中：(3)將平均形狀m進(jìn)行旋轉(zhuǎn)、縮放和平移，與樣本做對(duì)齊；(4)將進(jìn)行旋轉(zhuǎn)、縮放和平移，與調(diào)整后的平均形狀進(jìn)行對(duì)齊匹配；(5)如果平均形狀收斂，停止。否則跳至第(2)步。最終收斂的判定是依據(jù)重新對(duì)齊的各個(gè)受電弓形狀與平均形狀之間的差別，即尋找到變換(Ti)，使得下式取值最小?！苵m-Ti(xi)|2所述受電弓形狀之間通過(guò)旋轉(zhuǎn)、縮放和平移進(jìn)行對(duì)齊描述為：以兩個(gè)受電弓形狀為例，每個(gè)形狀有N個(gè)坐標(biāo)對(duì)：首先定義一個(gè)變換T，T是由一個(gè)平移(tx，ty)，旋轉(zhuǎn)θ和尺度s組成，則形狀x2的變換可以表示為：設(shè)將形狀x2經(jīng)過(guò)變換T對(duì)齊到x1，最佳的變換可以通過(guò)最小化下面的表達(dá)式得到：E＝[x1-Rx2-(tx，ty)T]T[x1-Rx2-(tx，ty)T]這個(gè)最小化是最小二乘法的常規(guī)應(yīng)用：E對(duì)未知變量θ，s，tx，ty的偏微分可以計(jì)算出來(lái)，并令它們?yōu)榱?，?lián)立這些方程，既可求解得變換T。2、ASM模型建立：假設(shè)目前已經(jīng)存在經(jīng)過(guò)對(duì)齊處理的M個(gè)訓(xùn)練形狀每個(gè)形狀可以由N對(duì)坐標(biāo)給出：平均形狀設(shè)為：然后計(jì)算協(xié)方差矩陣(2N×2N維)：訓(xùn)練形狀在某些方向上的變化是描述受電弓形狀的重要性質(zhì)，可以從協(xié)方差矩陣S的特征向量中得到，亦即，求解線性方程：Spi＝λipi。協(xié)方差矩陣S的特征向量為(對(duì)應(yīng)的特征值已按降序排列)：P＝(p1p2p3…p2N)則對(duì)于任何向量X，存在向量b(形狀模型參數(shù))，滿足也可表示為：特征值較大的特征向量描述了訓(xùn)練形狀變化最大的方向，在描述“合理”的形狀與平均形狀偏差有多大時(shí)，p2N，p2N-1，…方向上的貢獻(xiàn)是微不足道的。因此可以設(shè)：Pt＝(p1p2p3…pt)t≤2Nbt＝(b1，b2，…，bt)T可以得到估計(jì)如果X是與訓(xùn)練集相關(guān)的合理形狀，對(duì)于足夠大的t，該估計(jì)可以很好地?cái)M合真實(shí)形狀。向量bt定義了一組可變模型參數(shù)，不同的bt可以擬合出不同變化的形狀。研究表明，bi在訓(xùn)練集上的方差將會(huì)與特征值λi相關(guān)；相應(yīng)地，對(duì)于較好的形狀，bi通常要求滿足下面的不等式所述步驟30待檢測(cè)受電弓圖像受電弓初始定位包括一系列圖像處理方法，具體步驟是：利用形態(tài)學(xué)濾波運(yùn)算方法對(duì)待檢測(cè)受電弓圖像進(jìn)行圖像降噪預(yù)處理；采用canny算子對(duì)待檢測(cè)受電弓圖像進(jìn)行處理，提取受電弓邊緣信息，邊緣信息結(jié)果形式為與待檢測(cè)受電弓圖像尺寸一致的二值圖像，其中檢測(cè)到的受電弓邊緣像素用255表示，其他像素則用0表示；對(duì)受電弓邊緣像素提取結(jié)果進(jìn)行矢量化：存儲(chǔ)各個(gè)邊緣所有像素的位置，對(duì)于邊緣存在分叉的情況，則分別進(jìn)行存儲(chǔ)；采用曲線數(shù)據(jù)壓縮算法(Douglas-Peucker算法)對(duì)上述邊緣進(jìn)行簡(jiǎn)化，簡(jiǎn)化后的canny邊緣由若干不同長(zhǎng)度、方向的折線段組成，Douglas-Peucker算法原理描述如下：1、對(duì)給定一系列頂點(diǎn)：(x1，y1)，(x2，y2)，(x3，y3)，...，(xn，yn)和距離閾值threshold，選定初始起點(diǎn)(x1，y1)和終點(diǎn)(xn，yn)作為邊緣線的兩端點(diǎn)，見(jiàn)圖2(a)；2、連接兩端點(diǎn)形成一條直線段，檢測(cè)所有邊緣線上的點(diǎn)與直線段的最大距離。即計(jì)算剩余各頂點(diǎn)到直線段的垂直距離，在所有距離大于閾值threshold的點(diǎn)集中搜索最大距離對(duì)應(yīng)的頂點(diǎn)(xm，ym)，見(jiàn)圖2(b)；3、從最大點(diǎn)處開(kāi)始將其分為兩個(gè)部分。分別將原來(lái)的初始起點(diǎn)和終點(diǎn)與此頂點(diǎn)(xm，ym)相連，生成兩條新的直線段，見(jiàn)圖2(c)；4、重復(fù)2，3過(guò)程，不斷對(duì)每一條新的直線段進(jìn)行下一輪的逼近，直至所有點(diǎn)到相應(yīng)直線段的距離小于事先定義閾值threshold即終止，當(dāng)所有邊緣線都處理完畢時(shí)，依次連接各個(gè)分割點(diǎn)形成的折線，即可以作為邊緣線的近似，見(jiàn)圖2(d)。去除較短的邊緣線段，并根據(jù)受電弓邊緣趨于水平方向的特性，去除邊緣線段方向與受電弓方向差異較大的邊緣線段；基于剔除了較短邊緣和方向不一致邊緣的像素，采用霍夫變換(Hough)檢測(cè)直線段；最后基于直線段檢測(cè)結(jié)果，采用模板匹配的思路，尋找趨于水平方向的直線段高密集區(qū)域?qū)κ茈姽M(jìn)行初始定位。所述步驟40中結(jié)合初始定位和主動(dòng)形狀模型的受電弓精確匹配，具體采用單分辨率搜索算法精確匹配受電弓形狀，具體步驟包括：1、根據(jù)步驟20建立受電弓主動(dòng)形狀模型過(guò)程中生成的平均形狀和待檢測(cè)圖像中受電工的初始位置，初始化受電弓形狀，表示如下：2、在初始化受電弓形狀的每一個(gè)標(biāo)記點(diǎn)處，在邊界附近沿邊界的法向進(jìn)行搜索，確定具有最高梯度的像素點(diǎn)，給該點(diǎn)打上最佳目標(biāo)位置的標(biāo)志，將標(biāo)記點(diǎn)向這個(gè)標(biāo)志點(diǎn)移動(dòng)，如果沒(méi)有明顯的新目標(biāo)點(diǎn)，標(biāo)記點(diǎn)位置不作移動(dòng)，算法示意如圖3所示。3、通過(guò)上述標(biāo)記點(diǎn)移動(dòng)后，形狀發(fā)生了改變，發(fā)生改變的形狀與初始化受電弓形狀之間存在一個(gè)位移向量由上述知：發(fā)生位移后可以表示為：可得進(jìn)一步推導(dǎo)得4、重復(fù)第2、3步，直到姿態(tài)參數(shù)變化可以忽略不計(jì)。所述步驟50中受電弓定量檢測(cè)和分析，指在精確匹配結(jié)果基礎(chǔ)上對(duì)受電弓碳滑板厚度進(jìn)行定量檢測(cè)和分析。具體步驟是：根據(jù)受電弓精確匹配結(jié)果，獲取受電弓厚度；由于受電弓支架厚度與受電弓類型相關(guān)，且對(duì)于特定的受電弓類型，受電弓支架厚度是固定已知的，可作為先驗(yàn)知識(shí)。因此，碳滑板厚度可以通過(guò)受電弓厚度與受電弓支架厚度相減得到。(三)技術(shù)效果本發(fā)明與現(xiàn)有的技術(shù)方案相比具有如下的優(yōu)點(diǎn)及有益效果：本發(fā)明對(duì)受電弓進(jìn)行圖像檢測(cè)僅需一張圖像，不必要求拍照系統(tǒng)對(duì)同一受電弓成像多次；由于受電弓圖像具有復(fù)雜多變的背景，不能簡(jiǎn)單地通過(guò)邊緣提取、模版匹配常規(guī)方法對(duì)受電弓進(jìn)行定量檢測(cè)。本發(fā)明提出的基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法，事先通過(guò)受電弓形狀的學(xué)習(xí)，結(jié)合受電弓邊緣提取初始定位，能保證受電弓在運(yùn)行狀態(tài)下有較大角度、大小變化情況下的檢測(cè)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明：本發(fā)明提出的基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法準(zhǔn)確率比邊緣提取、模版匹配等常規(guī)方法明顯提高，且能更好地為后續(xù)的受電弓的定量檢測(cè)分析打下基礎(chǔ)。附圖說(shuō)明圖1是本發(fā)明實(shí)施例的基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法流程圖圖2是曲線數(shù)據(jù)壓縮Douglas-Peucker算法示意圖圖3是ASM單分辨率搜索算法示意圖圖4是采集的若干受電弓圖像集(部分)圖5是受電弓特征點(diǎn)標(biāo)記示意圖圖6是受電弓初始定位結(jié)果圖7是受電弓厚度定量檢測(cè)結(jié)果具體實(shí)施方式下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。如圖1所示，是本發(fā)明實(shí)施例的基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法流程圖，本實(shí)施例包括如下步驟：步驟10：獲取受電弓圖像學(xué)習(xí)樣本集；本實(shí)施例受電弓圖像至少包含50張，部分采集的受電弓圖像如圖4所示，各受電弓圖像的分辨率保持一致。步驟20：構(gòu)建受電弓主動(dòng)形狀模型；本實(shí)施例構(gòu)建受電弓主動(dòng)形狀模型步驟是：21：采用形態(tài)學(xué)濾波運(yùn)算方法對(duì)步驟10采集的受電弓圖像逐一進(jìn)行圖像降噪預(yù)處理；22：在每張圖像中選取受電弓輪廓的角點(diǎn)、邊界點(diǎn)作為特征點(diǎn)，通過(guò)人工手動(dòng)的方式，對(duì)受電弓特征點(diǎn)進(jìn)行標(biāo)記，且每張受電弓圖像中的特征標(biāo)記點(diǎn)必須相互對(duì)應(yīng)、數(shù)量保持一致；23：將標(biāo)記完成的受電弓特征點(diǎn)的圖像坐標(biāo)保存于文本文件中，不同受電弓圖像的特征點(diǎn)分開(kāi)保存，且受電弓圖像文件名稱與對(duì)應(yīng)的特征點(diǎn)文件名稱保持一致，標(biāo)記結(jié)果如圖5所示。圖像坐標(biāo)指以圖像左上角為坐標(biāo)原點(diǎn)，水平向右方向?yàn)閄軸，垂直向下方向?yàn)閅軸的坐標(biāo)體系的像素坐標(biāo)。此時(shí)，所有受電弓圖像可以采用特征點(diǎn)的點(diǎn)分布模型(Pointdistributionmodel，PDM)對(duì)受電弓形狀進(jìn)行描述，即受電弓圖像i的形狀可以通過(guò)其所有特征點(diǎn)數(shù)學(xué)表示為：N為受電弓圖像的特征點(diǎn)總數(shù)。受電弓圖像學(xué)習(xí)樣本集可以表示為：，i＝1，2，3，…，M，M為受電弓圖像總數(shù)目；24：基于受電弓圖像和相應(yīng)的特征點(diǎn)，根據(jù)主動(dòng)形狀模型(ActiveShapeModel，ASM)算法原理，建立受電弓主動(dòng)形狀模型。具體步驟包括：241：采用GeneralizedProcrustesanalysis(GPA)方法對(duì)所有受電弓圖像的點(diǎn)分布模型進(jìn)行對(duì)齊(Align)。對(duì)齊步驟如下：(1)對(duì)于受電弓形狀xi，i＝2，3，…，M，逐個(gè)進(jìn)行旋轉(zhuǎn)、縮放和平移，并與形狀x1做對(duì)齊，得到變換后的形狀集合(2)計(jì)算變換后的所有受電弓圖像形狀的平均值m；其中：(3)將平均形狀m進(jìn)行旋轉(zhuǎn)、縮放和平移，與樣本做對(duì)齊；(4)將進(jìn)行旋轉(zhuǎn)、縮放和平移，與調(diào)整后的平均形狀進(jìn)行對(duì)齊匹配；(5)如果平均形狀收斂，停止。否則跳至第(2)步。最終收斂的判定是依據(jù)重新對(duì)齊的各個(gè)受電弓形狀與平均形狀之間的差別，即尋找到變換(Ti)，使得下式取值最小。∑|m-Ti(xi)|2所述受電弓形狀之間通過(guò)旋轉(zhuǎn)、縮放和平移進(jìn)行對(duì)齊描述為：以兩個(gè)受電弓形狀為例，每個(gè)形狀有N個(gè)坐標(biāo)對(duì)：首先定義一個(gè)變換T，T是由一個(gè)平移(tx，ty)，旋轉(zhuǎn)θ和尺度s組成，則形狀x2的變換可以表示為：設(shè)將形狀x2經(jīng)過(guò)變換T對(duì)齊到x1，最佳的變換可以通過(guò)最小化下面的表達(dá)式得到：E＝[x1-Rx2-(tx，ty)T]T[x1-Rx2-(tx，ty)T]這個(gè)最小化是最小二乘法的常規(guī)應(yīng)用：E對(duì)未知變量θ，s，tx，ty的偏微分可以計(jì)算出來(lái)，并令它們?yōu)榱?，?lián)立這些方程，既可求解得變換T。242：ASM模型建立：假設(shè)目前已經(jīng)存在經(jīng)過(guò)對(duì)齊處理的M個(gè)訓(xùn)練形狀每個(gè)形狀可以由N對(duì)坐標(biāo)給出：平均形狀設(shè)為：然后計(jì)算協(xié)方差矩陣(2N×2N維)：訓(xùn)練形狀在某些方向上的變化是描述受電弓形狀的重要性質(zhì)，可以從協(xié)方差矩陣S的特征向量中得到，亦即，求解線性方程：Spi＝λipi。協(xié)方差矩陣S的特征向量為(對(duì)應(yīng)的特征值已按降序排列)：P＝(p1p2p3…p2N)則對(duì)于任何向量X，存在向量b(形狀模型參數(shù))，滿足也可表示為：特征值較大的特征向量描述了訓(xùn)練形狀變化最大的方向，在描述“合理”的形狀與平均形狀偏差有多大時(shí)，p2N，p2N-1，…方向上的貢獻(xiàn)是微不足道的。因此可以設(shè)：Pt＝(p1p2p3…pt)t≤2Nbt＝(b1，b2，…，bt)T可以得到估計(jì)如果X是與訓(xùn)練集相關(guān)的合理形狀，對(duì)于足夠大的t，該估計(jì)可以很好地?cái)M合真實(shí)形狀。向量bt定義了一組可變模型參數(shù)，不同的bt可以擬合出不同變化的形狀。研究表明，bi在訓(xùn)練集上的方差將會(huì)與特征值λi相關(guān)；相應(yīng)地，對(duì)于較好的形狀，bi通常要求滿足下面的不等式步驟30：對(duì)新獲取、待檢測(cè)的圖像進(jìn)行受電弓初始定位；本實(shí)施例對(duì)待檢測(cè)受電弓圖像受電弓初始定位包括一系列圖像處理方法，具體步驟是：31：利用形態(tài)學(xué)濾波運(yùn)算方法對(duì)待檢測(cè)受電弓圖像進(jìn)行圖像降噪預(yù)處理；32：采用canny算子對(duì)待檢測(cè)受電弓圖像進(jìn)行處理，提取受電弓邊緣信息，邊緣信息結(jié)果形式為與待檢測(cè)受電弓圖像尺寸一致的二值圖像，其中檢測(cè)到的受電弓邊緣像素用255表示，其他像素則用0表示；33：對(duì)受電弓邊緣像素提取結(jié)果進(jìn)行矢量化：存儲(chǔ)各個(gè)邊緣所有像素的位置，對(duì)于邊緣存在分叉的情況，則分別進(jìn)行存儲(chǔ)；34：采用曲線數(shù)據(jù)壓縮算法(Douglas-Peucker算法)對(duì)上述邊緣進(jìn)行簡(jiǎn)化，簡(jiǎn)化后的canny邊緣由若干不同長(zhǎng)度、方向的折線段組成，Douglas-Peucker算法原理描述如下：341：對(duì)給定一系列頂點(diǎn)：(x1，y1)，(x2，y2)，(x3，y3)，...，(xn，yn)和距離閾值threshold，選定初始起點(diǎn)(x1，y1)和終點(diǎn)(xn，yn)作為邊緣線的兩端點(diǎn)，見(jiàn)圖2(a)；342：連接兩端點(diǎn)形成一條直線段，檢測(cè)所有邊緣線上的點(diǎn)與直線段的最大距離。即計(jì)算剩余各頂點(diǎn)到直線段的垂直距離，在所有距離大于閾值threshold的點(diǎn)集中搜索最大距離對(duì)應(yīng)的頂點(diǎn)(xm，ym)，見(jiàn)圖2(b)；343：從最大點(diǎn)處開(kāi)始將其分為兩個(gè)部分。分別將原來(lái)的初始起點(diǎn)和終點(diǎn)與此頂點(diǎn)(xm，ym)相連，生成兩條新的直線段，見(jiàn)圖2(c)；344：重復(fù)342，343過(guò)程，不斷對(duì)每一條新的直線段進(jìn)行下一輪的逼近，直至所有點(diǎn)到相應(yīng)直線段的距離小于事先定義閾值threshold即終止，當(dāng)所有邊緣線都處理完畢時(shí)，依次連接各個(gè)分割點(diǎn)形成的折線，即可以作為邊緣線的近似，見(jiàn)圖2(d)。35：去除較短的邊緣線段，并根據(jù)受電弓邊緣趨于水平方向的特性，去除邊緣線段方向與受電弓方向差異較大的邊緣線段；36：基于剔除了較短邊緣和方向不一致邊緣的像素，采用霍夫變換(Hough)檢測(cè)直線段；37：最后基于直線段檢測(cè)結(jié)果，采用模板匹配的思路，尋找趨于水平方向的直線段高密集區(qū)域?qū)κ茈姽M(jìn)行初始定位。步驟40：結(jié)合初始定位和主動(dòng)形狀模型的受電弓精確匹配；本實(shí)施例結(jié)合初始定位和主動(dòng)形狀模型的受電弓精確匹配，具體采用單分辨率搜索算法精確匹配受電弓形狀，具體步驟包括：41、根據(jù)步驟20建立受電弓主動(dòng)形狀模型過(guò)程中生成的平均形狀和待檢測(cè)圖像中受電工的初始位置，初始化受電弓形狀，表示如下：42、在初始化受電弓形狀的每一個(gè)標(biāo)記點(diǎn)處，在邊界附近沿邊界的法向進(jìn)行搜索，確定具有最高梯度的像素點(diǎn)，給該點(diǎn)打上最佳目標(biāo)位置的標(biāo)志，將標(biāo)記點(diǎn)向這個(gè)標(biāo)志點(diǎn)移動(dòng)，如果沒(méi)有明顯的新目標(biāo)點(diǎn)，標(biāo)記點(diǎn)位置不作移動(dòng)，算法示意如圖3所示。43、通過(guò)上述標(biāo)記點(diǎn)移動(dòng)后，形狀發(fā)生了改變，發(fā)生改變的形狀與初始化受電弓形狀之間存在一個(gè)位移向量由上述知：發(fā)生位移后可以表示為：可得進(jìn)一步推導(dǎo)得44、重復(fù)第42、43步，直到姿態(tài)參數(shù)變化可以忽略不計(jì)。步驟50：受電弓定量檢測(cè)和分析。本實(shí)例在精確匹配結(jié)果基礎(chǔ)上對(duì)受電弓碳滑板厚度進(jìn)行定量檢測(cè)和分析。具體步驟是：51：根據(jù)受電弓精確匹配結(jié)果，獲取受電弓厚度；52：由于受電弓支架厚度與受電弓類型相關(guān)，且對(duì)于特定的受電弓類型，受電弓支架厚度是固定已知的，可作為先驗(yàn)知識(shí)。因此，碳滑板厚度可以通過(guò)受電弓厚度與受電弓支架厚度相減得到。最后，通過(guò)設(shè)定受電弓碳滑板厚度磨損的標(biāo)準(zhǔn)，與檢測(cè)結(jié)果進(jìn)行對(duì)比，若判斷檢測(cè)受電弓碳滑板磨損超出標(biāo)準(zhǔn)，則發(fā)出報(bào)警并提示更換受電弓。實(shí)驗(yàn)結(jié)果表明，通過(guò)本技術(shù)方案，可以對(duì)復(fù)雜背景下、不同角度和不同尺度變化的受電弓作出更加精確的定位和識(shí)別。相比現(xiàn)有的相關(guān)算法，本發(fā)明在保證精確率的同時(shí)，增強(qiáng)了算法的魯棒性，實(shí)現(xiàn)了受電弓的線上自動(dòng)檢測(cè)。本發(fā)明跳出了傳統(tǒng)多圖像、安裝檢測(cè)裝置的受電弓在線檢測(cè)設(shè)計(jì)思路，提出一種全新的基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法。該方法只需在線獲取一張受電弓圖像，加入基于主動(dòng)形狀模型的學(xué)習(xí)算法，從而能夠自適應(yīng)地把具有形狀可變性的受電弓精確檢測(cè)出來(lái)，可更加快速地進(jìn)行車輛維護(hù)，節(jié)約受電弓檢測(cè)成本。以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變型，這些改進(jìn)和變型也應(yīng)視為本發(fā)明的保護(hù)范圍。