基于HOG特征與二維Gabor小波變換的高鐵接觸網(wǎng)支撐裝置耳片斷裂檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于HOG特征與二維Gabor小波變換的高鐵接觸網(wǎng)支撐裝置耳片斷裂檢測(cè)方法，對(duì)旋轉(zhuǎn)雙耳耳片斷裂故障進(jìn)行檢測(cè)。包括以下步驟：首先建立旋轉(zhuǎn)雙耳的正負(fù)樣本庫(kù)；再提取正負(fù)樣本的HOG特征，生成樣本的特征描述符；然后基于AdaBoost算法，對(duì)Cascade級(jí)聯(lián)分類器進(jìn)行訓(xùn)練，并利用訓(xùn)練好的分類器對(duì)圖像中的旋轉(zhuǎn)雙耳的所在區(qū)域與非旋轉(zhuǎn)雙耳所在區(qū)域進(jìn)行分類識(shí)別，完成旋轉(zhuǎn)雙耳在圖中的定位。最后利用二維Gabor小波變換對(duì)旋轉(zhuǎn)雙耳子圖像中的邊緣信息進(jìn)行篩選，進(jìn)而對(duì)耳片斷裂故障引起的故障裂痕進(jìn)行識(shí)別。本發(fā)明方法能在復(fù)雜的接觸網(wǎng)懸掛裝置圖像中準(zhǔn)確識(shí)別發(fā)生斷裂故障的耳片，與人工篩查的方法相比可大大提高檢測(cè)的效率。
【專利說(shuō)明】基于HOG特征與二維Gabor小波變換的高鐵接觸網(wǎng)支撐裝 置耳片斷裂檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及H0G特征提取，Cascade級(jí)聯(lián)分類器訓(xùn)練，二維Gabor小波變換，邊緣 信息篩選以及耳片斷裂故障識(shí)別等【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 旋轉(zhuǎn)雙耳位于定位器的連接處，是高鐵接觸網(wǎng)支撐結(jié)構(gòu)中重要的承力部件，對(duì)列 車安全運(yùn)行起到至關(guān)重要的作用。在鐵路實(shí)際運(yùn)營(yíng)中，常因列車震動(dòng)而引發(fā)耳片斷裂故障， 導(dǎo)致接觸網(wǎng)支撐裝置結(jié)構(gòu)強(qiáng)度降低，嚴(yán)重時(shí)甚至有定位器脫落的危險(xiǎn)。因此有必要對(duì)旋轉(zhuǎn) 雙耳部件進(jìn)行檢測(cè)，及時(shí)發(fā)現(xiàn)并更換故障部件。
[0003] 長(zhǎng)期以來(lái)，接觸網(wǎng)零部件不良工作狀態(tài)的檢測(cè)的主要依靠人工巡視的方法，工作 量極大，且具有一定的危險(xiǎn)性，不能滿足高速鐵路對(duì)檢測(cè)效率與檢測(cè)結(jié)果可靠性等的要求。 基于圖像處理的非接觸式檢測(cè)方法具有遠(yuǎn)離電磁干擾、檢測(cè)精度高、結(jié)構(gòu)簡(jiǎn)潔、成本低等優(yōu) 點(diǎn)，可利用單一設(shè)備同時(shí)對(duì)多種弓網(wǎng)零部件進(jìn)行檢測(cè)，投資較高，在弓網(wǎng)檢測(cè)中具有明顯的 優(yōu)勢(shì)，目前已成為弓網(wǎng)檢測(cè)領(lǐng)域的研究熱點(diǎn)。
[0004] 基于圖像處理的非接觸式檢測(cè)技術(shù)在鐵路上的應(yīng)用主要包括接觸網(wǎng)幾何參數(shù)測(cè) 量與弓網(wǎng)不良狀態(tài)檢測(cè)等幾個(gè)方面。段汝嬌等采用Hough變換方法實(shí)現(xiàn)對(duì)定位器傾斜度的 檢測(cè)[段汝嬌，趙偉，黃松嶺等.基于計(jì)算機(jī)視覺(jué)的接觸網(wǎng)定位器傾斜度自動(dòng)測(cè)量方法[J]. 中國(guó)鐵道科學(xué)，2011,32(4) :82-89.]。張桂南等根據(jù)圖像坐標(biāo)與世界坐標(biāo)系中三維空間坐 標(biāo)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)導(dǎo)高與拉出值的測(cè)量[張桂南，劉志剛，劉文強(qiáng)，等.基于攝像機(jī)標(biāo)定的 非接觸式接觸線導(dǎo)高和拉出值的檢測(cè)[J].鐵道學(xué)報(bào)，2014, 36 (3) :25-30.]。周偉提出了一 種基于機(jī)器視覺(jué)的接觸網(wǎng)風(fēng)偏量檢測(cè)方法[周偉.風(fēng)區(qū)鐵路接觸網(wǎng)風(fēng)偏檢測(cè)技術(shù)及數(shù)值模 擬方法研究[D].長(zhǎng)沙：中南大學(xué)，2012.]。楊紅梅等利用仿射不變矩實(shí)現(xiàn)絕緣子的定位，并 使用膨脹運(yùn)算與灰度統(tǒng)計(jì)參數(shù)實(shí)現(xiàn)絕緣子異物檢測(cè)。[楊紅梅，劉志剛，韓志偉，等.基于仿 射不變矩的電氣化鐵路絕緣子片間夾雜異物檢測(cè)[J].鐵道學(xué)報(bào)，2013,35(4) :30-36.]。韓 志偉等利用二代曲波系數(shù)定向映射的方法實(shí)現(xiàn)受電弓滑板裂紋的檢測(cè)[韓志偉，劉志剛， 陳坤峰，等.基于二代曲波系數(shù)定向映射的受電弓滑板裂紋檢測(cè)技術(shù)[J].鐵道學(xué)報(bào)，2011， 33(11) :63-69.]。然而，現(xiàn)有非接觸式檢測(cè)裝置的自動(dòng)化程度普遍不高，許多零部件的故障 檢測(cè)尚不能實(shí)現(xiàn)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種高鐵接觸網(wǎng)旋轉(zhuǎn)雙耳而片斷裂故障的檢測(cè)方法，能夠 不受拍攝距離、拍攝角度與光照強(qiáng)度等的影響，從檢測(cè)車獲取的接觸網(wǎng)待檢測(cè)圖像中準(zhǔn)確 識(shí)別并提取出旋轉(zhuǎn)雙耳，進(jìn)而對(duì)是否發(fā)生耳片斷裂故障進(jìn)行自動(dòng)診斷。
[0006] 實(shí)現(xiàn)本發(fā)明目的的實(shí)施手段是：
[0007] 基于H0G特征與二維Gabor小波的高鐵接觸網(wǎng)支撐裝置耳片斷裂檢測(cè)方法；利用 HOG特征對(duì)待檢測(cè)圖像中的旋轉(zhuǎn)雙耳部件進(jìn)行識(shí)別，消除鐵路沿線拍攝環(huán)境差異和視角變 化等因素對(duì)檢測(cè)結(jié)果的影響，其具體工作步驟包含：
[0008] A、采集旋轉(zhuǎn)雙耳的正負(fù)樣本，建立樣本庫(kù)；
[0009] B、提取正負(fù)樣本的H0G特征，生成樣本的特征描述符；
[0010] C、利用AdaBoost算法，按照一定的檢測(cè)率與虛警率對(duì)Cascade級(jí)聯(lián)分類器的每一 層進(jìn)行訓(xùn)練；
[0011] a、對(duì)樣本圖像中的H0G特征量進(jìn)行篩選，每一個(gè)H0G特征對(duì)應(yīng)一個(gè)"弱分類器"，選 取最具區(qū)分力的"弱分類器"完成"強(qiáng)分類器"的構(gòu)建；
[0012] b、對(duì)a)中選取的"弱分類器"的權(quán)值進(jìn)行計(jì)算，將該"弱分類器"與之前得到的所 有"弱分類器"按照一定權(quán)重進(jìn)行線性組合，得到作為級(jí)聯(lián)分類器中每一層的"強(qiáng)分類器"；
[0013] c、返回a)選取新的H0G特征，直到所得"強(qiáng)分類器"的檢測(cè)率與虛警率滿足預(yù)設(shè) 指標(biāo)；
[0014] D、檢測(cè)窗口在待檢測(cè)圖像表面滑動(dòng)，利用C中訓(xùn)練得到的級(jí)聯(lián)分類器，對(duì)圖像中 的旋轉(zhuǎn)雙耳的所在區(qū)域與非旋轉(zhuǎn)雙耳所在區(qū)域進(jìn)行分類識(shí)別，完成旋轉(zhuǎn)雙耳在圖中的定 位；
[0015] E、提取旋轉(zhuǎn)雙耳的子圖像，利用圖像中的邊緣信息對(duì)耳片斷裂故障產(chǎn)生的故障裂 痕進(jìn)行檢測(cè)；
[0016] a、利用Canny算子對(duì)圖像中的邊緣信息進(jìn)行提?。?br> [0017] b、對(duì)旋轉(zhuǎn)雙耳子圖像進(jìn)行不同尺度與不同方向的二維Gabor小波變換，計(jì)算每個(gè) 像素點(diǎn)二維Gabor小波變換后的能量值；
[0018] C、根據(jù)二維Gabor小波變換后的能量分布結(jié)果，對(duì)旋轉(zhuǎn)雙耳表面紋理產(chǎn)生的偽裂 痕進(jìn)行濾除；
[0019] d、提取旋轉(zhuǎn)雙耳的上下邊界曲線，利用形態(tài)學(xué)膨脹運(yùn)算方法對(duì)c)中保留下來(lái)的 圖像邊緣進(jìn)行進(jìn)一步篩選，得到與邊界曲線相連的圖像邊緣作為可能對(duì)應(yīng)故障裂痕的候選 邊緣，繪制反應(yīng)候選邊緣縱向跨度分布的縱向跨度直方圖；
[0020] 根據(jù)縱向跨度直方圖的峰值分布情況判斷旋轉(zhuǎn)雙耳是否存在故障裂痕。
[0021] 采用本發(fā)明的方法，通過(guò)構(gòu)建旋轉(zhuǎn)雙耳的正負(fù)樣本庫(kù)，并利用H0G特征對(duì)正負(fù)樣 本進(jìn)行描述，進(jìn)而對(duì)基于Adaboost算法的Cascade分類器進(jìn)行訓(xùn)練，利用級(jí)聯(lián)分類器對(duì)檢 測(cè)窗口內(nèi)部的圖像區(qū)域是否包含旋轉(zhuǎn)雙耳進(jìn)行判別（檢測(cè)窗口在待檢測(cè)圖像上滑動(dòng)）。利 用二維Gabor小波變換對(duì)Canny算子提取的旋轉(zhuǎn)雙耳邊緣信息進(jìn)行篩選，實(shí)現(xiàn)對(duì)轉(zhuǎn)雙耳表 面紋理產(chǎn)生的偽裂痕的濾除，進(jìn)而根據(jù)與旋轉(zhuǎn)雙耳邊界曲線相連的圖像邊緣的縱向跨度直 方圖對(duì)耳片斷裂故障進(jìn)行診斷，可減少人工檢測(cè)的巨大工作量，提高檢測(cè)的準(zhǔn)確性。
[0022] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0023] 1、本發(fā)明利用圖像處理方法對(duì)高鐵接觸網(wǎng)旋轉(zhuǎn)雙耳部件進(jìn)行檢測(cè)，具有較高的智 能水平，能夠大大減少人工識(shí)別的工作量，提高檢測(cè)效率。
[0024] 2、本發(fā)明利用H0G特征對(duì)旋轉(zhuǎn)雙耳進(jìn)行描述，利用Cascade分類器對(duì)圖像中的旋 轉(zhuǎn)雙耳區(qū)域進(jìn)行提取，可以對(duì)不同拍攝距離、拍攝角度以及光照環(huán)境下的旋轉(zhuǎn)雙耳目標(biāo)進(jìn) 行檢測(cè)，
[0025] 3、本發(fā)明直接對(duì)耳片斷裂故障發(fā)生時(shí)產(chǎn)生的裂紋進(jìn)行提取，同時(shí)利用二維Gabor 小波變換對(duì)旋轉(zhuǎn)雙耳表面紋理產(chǎn)生的偽裂痕進(jìn)行濾除，能夠提取到清晰的故障特征，檢測(cè) 結(jié)果客觀、準(zhǔn)確，具有較高的故障識(shí)別率。

【專利附圖】

【附圖說(shuō)明】
[0026] 圖1為用于訓(xùn)練級(jí)聯(lián)分類器的旋轉(zhuǎn)雙耳樣本，其中圖1(a)為正樣本，圖1(b)為負(fù) 樣本。
[0027] 圖2為待檢測(cè)的包含旋轉(zhuǎn)雙耳的接觸網(wǎng)支撐與懸掛裝置圖像。
[0028] 圖3為級(jí)聯(lián)分類器的結(jié)構(gòu)示意圖
[0029] 圖4為旋轉(zhuǎn)雙耳的邊緣信息提取效果圖。
[0030] 圖5為二維Gabor小波變換的能量分布圖。
[0031] 圖6為偽邊緣的濾除結(jié)果圖
[0032] 圖7為利用膨脹算法得到的與邊界曲線相連的圖像邊緣示意圖
[0033] 圖8為存在耳片斷裂故障時(shí)最終保留下來(lái)的邊緣信息的縱向跨度直方圖。
[0034] 圖9為耳片正常時(shí)最終保留下來(lái)的邊緣信息的縱向跨度直方圖。

【具體實(shí)施方式】：
[0035] 下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步的詳述。
[0036] 實(shí)施步驟為：
[0037] A、在先期采集的接觸網(wǎng)支撐與懸掛裝置圖像中人工截取旋轉(zhuǎn)雙耳的正負(fù)樣本，并 將其歸一化為檢測(cè)窗口的大?。?28X64像素）。
[0038] B、對(duì)正負(fù)樣本的H0G特征進(jìn)行提取，生成樣本的特征描述符。利用積分圖算法提 高H0G特征的計(jì)算速度。
[0039] C、利用AdaBoost算法，按照一定的檢測(cè)率與虛警率對(duì)Cascade級(jí)聯(lián)分類器的每一 層進(jìn)行訓(xùn)練。
[0040] a、對(duì)樣本圖像中的H0G特征量進(jìn)行篩選，每一個(gè)H0G特征對(duì)應(yīng)一個(gè)"弱分類器"。在 弱分類器的集合中選取對(duì)樣本庫(kù)中所有樣本進(jìn)行分類時(shí)錯(cuò)誤率最小的一個(gè)。用于構(gòu)建"強(qiáng) 分類器"。
[0041] b、計(jì)算a)中選取的"弱分類器"的權(quán)值，將該"弱分類器"與之前得到的所有"弱 分類器"按照一定權(quán)重進(jìn)行線性組合，得到作為級(jí)聯(lián)分類器中每一層的"強(qiáng)分類器"。
[0042] c、計(jì)算"強(qiáng)分類器"的檢測(cè)率與虛警率，如果不滿足預(yù)設(shè)指標(biāo)，則返回a)選取新的 "弱分類器"對(duì)"強(qiáng)分類器"進(jìn)行加強(qiáng)。
[0043] D、將檢測(cè)窗口在待檢測(cè)圖像表面滑動(dòng)，計(jì)算檢測(cè)窗口內(nèi)圖像區(qū)域的H0G特征，將 其輸入C中訓(xùn)練得到的級(jí)聯(lián)分類器，對(duì)該區(qū)域是否包含旋轉(zhuǎn)雙耳進(jìn)行分類識(shí)別，從而完成 旋轉(zhuǎn)雙耳在圖中的定位。為應(yīng)對(duì)拍攝距離不同所帶來(lái)的旋轉(zhuǎn)雙耳尺度變化，檢測(cè)過(guò)程在不 同尺度下進(jìn)行，相鄰尺度之間待檢測(cè)圖像以1. 05倍的比例進(jìn)行縮小，檢測(cè)窗口大小保持不 變。
[0044] E、提取旋轉(zhuǎn)雙耳的子圖像，利用圖像中的邊緣信息對(duì)耳片斷裂故障產(chǎn)生的故障裂 痕進(jìn)行檢測(cè)。
[0045] a、利用Canny算子對(duì)圖像中的邊緣信息進(jìn)行提取。
[0046] b、對(duì)旋轉(zhuǎn)雙耳子圖像進(jìn)行不同尺度與不同方向的二維Gabor小波變換，計(jì)算每個(gè) 像素點(diǎn)二維Gabor小波變換后的能量值。
[0047] c、根據(jù)二維Gabor小波變換后的能量分布結(jié)果，對(duì)旋轉(zhuǎn)雙耳表面紋理產(chǎn)生的偽裂 痕進(jìn)行濾除。
[0048] d、提取旋轉(zhuǎn)雙耳的上下邊界曲線，利用形態(tài)學(xué)膨脹運(yùn)算方法對(duì)c)中保留下來(lái)的 圖像邊緣進(jìn)行進(jìn)一步篩選，得到與邊界曲線相連的圖像邊緣作為可能對(duì)應(yīng)故障裂痕的候選 邊緣，繪制反應(yīng)候選邊緣縱向跨度分布的縱向跨度直方圖。
[0049] e、根據(jù)縱向跨度直方圖的峰值分布情況判斷旋轉(zhuǎn)雙耳是否存在故障裂痕。
[0050] 實(shí)施例：
[0051] 在先期采集的接觸網(wǎng)支撐與懸掛裝置圖像人工截取訓(xùn)練樣本。其中，正樣本中包 含旋轉(zhuǎn)雙耳，且旋轉(zhuǎn)雙耳占據(jù)圖像正中的主體位置，圖1(a)所示。負(fù)樣本隨機(jī)包含與旋轉(zhuǎn) 雙耳無(wú)關(guān)的其他接觸網(wǎng)零部件，圖1 (b)所示。為減小因"對(duì)齊問(wèn)題"而導(dǎo)致的H0G特征差異， 正負(fù)樣本在截取時(shí)長(zhǎng)寬比固定為2:1，且尺寸歸一化為128X64像素（檢測(cè)窗口的大?。?br> [0052] 對(duì)正負(fù)樣本提取H0G特征：首先將圖像劃分為大小相同的若干個(gè)正方形單元格 (cell)。之后將每四個(gè)相鄰的單元格合并為一個(gè)正方形塊（block)，塊與塊之間可相互交 疊。利用（1)-⑷式計(jì)算每個(gè)像素點(diǎn)的梯度幅值（m(x，y))與方向（Θ (x，y))，并計(jì)算每個(gè) 單元格的梯度直方圖，每個(gè)梯度直方圖包含9個(gè)方向直方柱。為提高梯度直方圖的計(jì)算速 度，計(jì)算過(guò)程中采用積分圖方法。將同一塊中4個(gè)單元格的梯度直方圖連接在一起，生成一 個(gè)4X9 = 36維的特征向量。利用（5)式對(duì)該特征向量進(jìn)行L2歸一化，從而消除光照與背 景對(duì)比度的影響。式中，v代表未經(jīng)歸一化的特征向量，|卜|| 2為^的二范數(shù)，無(wú)窮小量ε 用于防止分母為0。
[0053] dx = I (x+1, y) -I (x~l, y) (1)
[0054] dy = I (x, y+1) -I (x, y-1) (2)

【權(quán)利要求】
1.基于HOG特征與二維Gabor小波變換的高鐵接觸網(wǎng)支撐裝置耳片斷裂檢測(cè)方法；利 用HOG特征對(duì)待檢測(cè)圖像中的旋轉(zhuǎn)雙耳部件進(jìn)行識(shí)別，消除鐵路沿線拍攝環(huán)境差異和視角 變化等因素對(duì)檢測(cè)結(jié)果的影響，其具體工作步驟包含： A、 采集旋轉(zhuǎn)雙耳的正負(fù)樣本，建立樣本庫(kù)； B、 提取正負(fù)樣本的HOG特征，生成樣本的特征描述符； C、 利用AdaBoost算法，按照一定的檢測(cè)率與虛警率對(duì)Cascade級(jí)聯(lián)分類器的每一層進(jìn) 行訓(xùn)練； a、 對(duì)樣本圖像中的HOG特征量進(jìn)行篩選，每一個(gè)HOG特征對(duì)應(yīng)一個(gè)"弱分類器"，選取最 具區(qū)分力的"弱分類器"完成"強(qiáng)分類器"的構(gòu)建； b、 對(duì)a)中選取的"弱分類器"的權(quán)值進(jìn)行計(jì)算，將該"弱分類器"與之前得到的所有"弱 分類器"按照一定權(quán)重進(jìn)行線性組合，得到作為級(jí)聯(lián)分類器中每一層的"強(qiáng)分類器"； c、 返回a)選取新的HOG特征，直到所得"強(qiáng)分類器"的檢測(cè)率與虛警率滿足預(yù)設(shè)指標(biāo)； D、 檢測(cè)窗口在待檢測(cè)圖像表面滑動(dòng)，利用C中訓(xùn)練得到的級(jí)聯(lián)分類器，對(duì)圖像中的旋 轉(zhuǎn)雙耳的所在區(qū)域與非旋轉(zhuǎn)雙耳所在區(qū)域進(jìn)行分類識(shí)別，完成旋轉(zhuǎn)雙耳在圖中的定位； E、 提取旋轉(zhuǎn)雙耳的子圖像，利用圖像中的邊緣信息對(duì)耳片斷裂故障產(chǎn)生的故障裂痕進(jìn) 行檢測(cè)； a、 利用Canny算子對(duì)圖像中的邊緣信息進(jìn)行提??； b、 對(duì)旋轉(zhuǎn)雙耳子圖像進(jìn)行不同尺度與不同方向的二維Gabor小波變換，計(jì)算每個(gè)像素 點(diǎn)二維Gabor小波變換后的能量值； c、 根據(jù)二維Gabor小波變換后的能量分布結(jié)果，對(duì)旋轉(zhuǎn)雙耳表面紋理產(chǎn)生的偽裂痕進(jìn) 行濾除； d、 提取旋轉(zhuǎn)雙耳的上下邊界曲線，利用形態(tài)學(xué)膨脹運(yùn)算方法對(duì)c)中保留下來(lái)的圖像 邊緣進(jìn)行進(jìn)一步篩選，得到與邊界曲線相連的圖像邊緣作為可能對(duì)應(yīng)故障裂痕的候選邊 緣，繪制反應(yīng)候選邊緣縱向跨度分布的縱向跨度直方圖； e、 根據(jù)縱向跨度直方圖的峰值分布情況判斷旋轉(zhuǎn)雙耳是否存在故障裂痕。
【文檔編號(hào)】G06K9/62GK104281838SQ201410502240
【公開(kāi)日】2015年1月14日 申請(qǐng)日期:2014年9月23日 優(yōu)先權(quán)日:2014年9月23日
【發(fā)明者】劉志剛, 韓燁, 鐘俊平, 劉文強(qiáng), 張桂南 申請(qǐng)人:西南交通大學(xué)