基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法

摘要

本发明公开了一种基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法，对旋转双耳耳片断裂故障进行检测。包括以下步骤：首先建立旋转双耳的正负样本库；再提取正负样本的HOG特征，生成样本的特征描述符；然后基于AdaBoost算法，对Cascade级联分类器进行训练，并利用训练好的分类器对图像中的旋转双耳的所在区域与非旋转双耳所在区域进行分类识别，完成旋转双耳在图中的定位。最后利用二维Gabor小波变换对旋转双耳子图像中的边缘信息进行筛选，进而对耳片断裂故障引起的故障裂痕进行识别。本发明方法能在复杂的接触网悬挂装置图像中准确识别发生断裂故障的耳片，与人工筛查的方法相比可大大提高检测的效率。

说明书

技术领域

本发明涉及HOG特征提取，Cascade级联分类器训练，二维Gabor小波变换，边缘信息筛选以及耳片断裂故障识别等技术领域。 

背景技术

旋转双耳位于定位器的连接处，是高铁接触网支撑结构中重要的承力部件，对列车安全运行起到至关重要的作用。在铁路实际运营中，常因列车震动而引发耳片断裂故障，导致接触网支撑装置结构强度降低，严重时甚至有定位器脱落的危险。因此有必要对旋转双耳部件进行检测，及时发现并更换故障部件。 

长期以来，接触网零部件不良工作状态的检测的主要依靠人工巡视的方法，工作量极大，且具有一定的危险性，不能满足高速铁路对检测效率与检测结果可靠性等的要求。基于图像处理的非接触式检测方法具有远离电磁干扰、检测精度高、结构简洁、成本低等优点，可利用单一设备同时对多种弓网零部件进行检测，投资较高，在弓网检测中具有明显的优势，目前已成为弓网检测领域的研究热点。 

基于图像处理的非接触式检测技术在铁路上的应用主要包括接触网几何参数测量与弓网不良状态检测等几个方面。段汝娇等采用Hough变换方法实现对定位器倾斜度的检测[段汝娇，赵伟，黄松岭等.基于计算机视觉的接触网定位器倾斜度自动测量方法[J].中国铁道科学，2011，32(4)：82-89.]。张桂南等根据图像坐标与世界坐标系中三维空间坐标的对应关系，实现导高与拉出值的测量[张桂南，刘志刚，刘文强，等.基于摄像机标定的非接触式接触线导高和拉出值的检测[J].铁道学报，2014，36(3)：25-30.]。周伟提出了一种基于机器视觉的接触网风偏量检测方法[周伟.风区铁路接触网风偏检测技术及数值模拟方法研究[D].长沙：中南大学，2012.]。杨红梅等利用仿射不变矩实现绝缘子的定位，并使用膨胀运算与灰度统计参数实现绝缘子异物检测。[杨红梅，刘志刚，韩志伟，等.基于仿射不变矩的电气化铁路绝缘子片间夹杂异物检测[J].铁道学报，2013，35(4)：30-36.]。韩志伟等利用二代曲波系数定向映射的方法实现受电弓滑板裂纹的检测[韩志伟，刘志刚，陈坤峰，等.基于二代曲波系数定向映射的受电弓滑板裂纹检测技术[J].铁道学报，2011，33(11)：63-69.]。然而，现有非接触式检测装置的自动化程度普遍不高，许多零部件的故障检测尚不能实现。 

发明内容

本发明的目的在于提供一种高铁接触网旋转双耳而片断裂故障的检测方法，能够不受拍摄距离、拍摄角度与光照强度等的影响，从检测车获取的接触网待检测图像中准确识别并提取出旋转双耳，进而对是否发生耳片断裂故障进行自动诊断。 

实现本发明目的的实施手段是： 

基于HOG特征与二维Gabor小波的高铁接触网支撑装置耳片断裂检测方法；利用HOG特征对待检测图像中的旋转双耳部件进行识别，消除铁路沿线拍摄环境差异和视角变化等因素对检测结果的影响，其具体工作步骤包含： 

A、采集旋转双耳的正负样本，建立样本库； 

B、提取正负样本的HOG特征，生成样本的特征描述符； 

C、利用AdaBoost算法，按照一定的检测率与虚警率对Cascade级联分类器的每一层进行训练； 

a、对样本图像中的HOG特征量进行筛选，每一个HOG特征对应一个“弱分类器”，选取最具区分力的“弱分类器”完成“强分类器”的构建； 

b、对a)中选取的“弱分类器”的权值进行计算，将该“弱分类器”与之前得到的所有“弱分类器”按照一定权重进行线性组合，得到作为级联分类器中每一层的“强分类器”； 

c、返回a)选取新的HOG特征，直到所得“强分类器”的检测率与虚警率满足预设指标； 

D、检测窗口在待检测图像表面滑动，利用C中训练得到的级联分类器，对图像中的旋转双耳的所在区域与非旋转双耳所在区域进行分类识别，完成旋转双耳在图中的定位； 

E、提取旋转双耳的子图像，利用图像中的边缘信息对耳片断裂故障产生的故障裂痕进行检测； 

a、利用Canny算子对图像中的边缘信息进行提取； 

b、对旋转双耳子图像进行不同尺度与不同方向的二维Gabor小波变换，计算每个像素点二维Gabor小波变换后的能量值； 

c、根据二维Gabor小波变换后的能量分布结果，对旋转双耳表面纹理产生的伪裂痕进行滤除； 

d、提取旋转双耳的上下边界曲线，利用形态学膨胀运算方法对c)中保留下来的图像边缘进行进一步筛选，得到与边界曲线相连的图像边缘作为可能对应故障裂痕的候选边缘，绘制反应候选边缘纵向跨度分布的纵向跨度直方图； 

根据纵向跨度直方图的峰值分布情况判断旋转双耳是否存在故障裂痕。 

采用本发明的方法，通过构建旋转双耳的正负样本库，并利用HOG特征对正负样本进行描述，进而对基于Adaboost算法的Cascade分类器进行训练，利用级联分类器对检测窗口内部的图像区域是否包含旋转双耳进行判别(检测窗口在待检测图像上滑动)。利用二维Gabor小波变换对Canny算子提取的旋转双耳边缘信息进行筛选，实现对转双耳表面纹理产生的伪裂痕的滤除，进而根据与旋转双耳边界曲线相连的图像边缘的纵向跨度直方图对耳片断裂故障进行诊断，可减少人工检测的巨大工作量，提高检测的准确性。 

与现有技术相比，本发明的有益效果是： 

1、本发明利用图像处理方法对高铁接触网旋转双耳部件进行检测，具有较高的智能水平，能够大大减少人工识别的工作量，提高检测效率。 

2、本发明利用HOG特征对旋转双耳进行描述，利用Cascade分类器对图像中的旋转双耳区域进行提取，可以对不同拍摄距离、拍摄角度以及光照环境下的旋转双耳目标进行检测， 

3、本发明直接对耳片断裂故障发生时产生的裂纹进行提取，同时利用二维Gabor小波变换对旋转双耳表面纹理产生的伪裂痕进行滤除，能够提取到清晰的故障特征，检测结果客观、准确，具有较高的故障识别率。 

附图说明

图1为用于训练级联分类器的旋转双耳样本，其中图1(a)为正样本，图1(b)为负样本。 

图2为待检测的包含旋转双耳的接触网支撑与悬挂装置图像。 

图3为级联分类器的结构示意图 

图4为旋转双耳的边缘信息提取效果图。 

图5为二维Gabor小波变换的能量分布图。 

图6为伪边缘的滤除结果图 

图7为利用膨胀算法得到的与边界曲线相连的图像边缘示意图 

图8为存在耳片断裂故障时最终保留下来的边缘信息的纵向跨度直方图。 

图9为耳片正常时最终保留下来的边缘信息的纵向跨度直方图。 

具体实施方式：

下面结合附图对本发明的实施方式作进一步的详述。 

实施步骤为： 

A、在先期采集的接触网支撑与悬挂装置图像中人工截取旋转双耳的正负样本，并将其归一化为检测窗口的大小(128×64像素)。 

B、对正负样本的HOG特征进行提取，生成样本的特征描述符。利用积分图算法提高HOG特征的计算速度。 

C、利用AdaBoost算法，按照一定的检测率与虚警率对Cascade级联分类器的每一层进行训练。 

a、对样本图像中的HOG特征量进行筛选，每一个HOG特征对应一个“弱分类器”。在弱分类器的集合中选取对样本库中所有样本进行分类时错误率最小的一个。用于构建“强分类器”。 

b、计算a)中选取的“弱分类器”的权值，将该“弱分类器”与之前得到的所有“弱分类器”按照一定权重进行线性组合，得到作为级联分类器中每一层的“强分类器”。 

c、计算“强分类器”的检测率与虚警率，如果不满足预设指标，则返回a)选取新的“弱分类器”对“强分类器”进行加强。 

D、将检测窗口在待检测图像表面滑动，计算检测窗口内图像区域的HOG特征，将其输入C中训练得到的级联分类器，对该区域是否包含旋转双耳进行分类识别，从而完成旋转双耳在图中的定位。为应对拍摄距离不同所带来的旋转双耳尺度变化，检测过程在不同尺度下进行，相邻尺度之间待检测图像以1.05倍的比例进行缩小，检测窗口大小保持不变。 

E、提取旋转双耳的子图像，利用图像中的边缘信息对耳片断裂故障产生的故障裂痕进行检测。 

a、利用Canny算子对图像中的边缘信息进行提取。 

b、对旋转双耳子图像进行不同尺度与不同方向的二维Gabor小波变换，计算每个像素点二维Gabor小波变换后的能量值。 

c、根据二维Gabor小波变换后的能量分布结果，对旋转双耳表面纹理产生的伪裂痕进行滤除。 

d、提取旋转双耳的上下边界曲线，利用形态学膨胀运算方法对c)中保留下来的图像边缘进行进一步筛选，得到与边界曲线相连的图像边缘作为可能对应故障裂痕的候选边缘，绘制反应候选边缘纵向跨度分布的纵向跨度直方图。 

e、根据纵向跨度直方图的峰值分布情况判断旋转双耳是否存在故障裂痕。 

实施例： 

在先期采集的接触网支撑与悬挂装置图像人工截取训练样本。其中，正样本中包含旋转双耳，且旋转双耳占据图像正中的主体位置，图1(a)所示。负样本随机包含与旋转双耳无关的其他接触网零部件，图1(b)所示。为减小因“对齐问题”而导致的HOG特征差异，正负样本在截取时长宽比固定为2:1，且尺寸归一化为128×64像素(检测窗口的大小)。 

对正负样本提取HOG特征：首先将图像划分为大小相同的若干个正方形单元格(cell)。之后将每四个相邻的单元格合并为一个正方形块(block)，块与块之间可相互交叠。利用(1)-(4)式计算每个像素点的梯度幅值(m(x,y))与方向(θ(x,y))，并计算每个单元格的梯度直方图，每个梯度直方图包含9个方向直方柱。为提高梯度直方图的计算速度，计算过程中采用积分图方法。将同一块中4个单元格的梯度直方图连接在一起，生成一个4×9＝36维的特征向量。利用(5)式对该特征向量进行L2归一化，从而消除光照与背景对比度的影响。式中，v代表未经归一化的特征向量，||v||₂为v的二范数，无穷小量ε用于防止分母为0。 

dx＝I(x+1,y)-I(x-1,y)                (1) 

dy＝I(x,y+1)-I(x,y-1)                (2) 

$m(x,y)=\sqrt{{\mathrm{dx}}^2+{\mathrm{dy}}^2}---\left(3\right)$

$\theta (x,y)={\tan }^{-1}\left(\frac{\mathrm{dy}}{\mathrm{dx}}\right)---\left(4\right)$

$v_{\mathrm{norm}}\leftarrow v/\sqrt{{\left|\right|v\left|\right|}_2^2+{ϵ}^2}---\left(5\right)$

利用AdaBoost算法，按照一定的检测率与虚警率对Cascade级联分类器的每一层进行训练。训练步骤如下： 

a、对样本图像中的HOG特征量进行筛选。并在“弱分类器”的集合中选取对样本库中所有样本进行分类时错误率最小的一个。用于构建“强分类器”。每一个块中的HOG特征对应一个“弱分类器”h_j，首先计算每一个“弱分类器”的最优阈值。对于一个特定的HOG特征f_j，计算每一个训练样本在该处的值，按照从小到大的顺序将其进行排序，令表示排在第k位的第j个HOG特征(f_j)的值。每一个的值均可作为弱分类器h_j的分类阈值(f_j特征的值小于的样本被视为包含旋转双耳，f_j特征的值大于的样本被视为不包含旋转双耳)。计算每一个的值在作为分类阈值时所带来的分类误差。选择分类误差最小时的值作为“弱分类器”h_j的最优阈值。选取对所有训练样本的分类误差最低的那个“弱分类器”作为当前的“最佳弱分类器”，参与“强分类器”的构建。 

b、对a)中选取的“弱分类器”的权值进行计算，将该“弱分类器”与之前得到的所有 “弱分类器”按照一定权重进行线性组合，得到作为级联分类器中每一层的“强分类器”。强分类器的表达式如(6)所示。 

式中，α_t即为每一个“弱分类器”的权重，其中ε_t为“弱分类器”h_j的错分率 

c、计算“强分类器”的检测率与虚警率，如果不满足预设指标，则返回a)继续进行a)、b)两部运算，选取更多的HOG特征(“弱分类器”)用于强分类器的构造。 

将大小为128×64像素的检测窗口在如图2所示的待检测图像表面滑动，提取窗口内区域的HOG特征，输入之前训练得到的级联分类器，级联分类器的结构如图3所示。检测窗口依次通过每一级分类器，如果检测窗口中包含旋转双耳，则能顺利通过每一级分类器，如果检测窗口不能通过其中的任意一级分类器，则说明该检测窗口不包含旋转双耳，无需再通过之后的分类器进行检测。大部分的检测窗口都会被前两级分类器排除。为应对拍摄距离不同所带来的旋转双耳尺度变化，检测过程在不同尺度下进行，相邻尺度之间待检测图像以1.05倍的比例进行缩小，检测窗口大小保持不变。 

提取旋转双耳的子图像，利用图像中的边缘信息对耳片断裂故障产生的故障裂痕进行检测。检测步骤如下： 

a、利用Canny算子对图像中的边缘信息进行提取，提取效果如图4所示 

b、对旋转双耳子图像进行不同尺度与不同方向的二维Gabor小波变换，计算每个像素点二维Gabor小波变换后的能量值。二维Gabor小波的母小波如式(7)所示，其频域形式如(8)所示。 

$\left(\begin{array}{c}g(x,y)=\frac{1}{{2\mathrm{\pi \sigma }}_x{\sigma }_y}\exp [-\frac{1}{2}(\frac{x^2}{{\sigma }_x}+\frac{y^2}{{\sigma }_y})]\\ ·\exp \left[2\mathrm{\pi jWx}\right]\end{array}\right)---\left(7\right)$

$G(u,v)=\exp \{-\frac{1}{2}[\frac{{(u-W)}^2}{{\sigma }_u^2}+\frac{v^2}{{\sigma }_v^2}\left]\right\}---\left(8\right)$

式中，W＝U_H，σ_u＝1/2πσ_x，σ_v＝1/2πσ_y，U_L与U_H分别表示处理过程中所关心的最低与最高中心频率。 

在已知U_L与U_H的情况下计算σ_u与σ_v的公式如下，进而对σ_x与σ_y进行求解： 

${\sigma }_u=\frac{(a-1)U_H}{(a+1)\sqrt{2\ln 2}}---\left(9\right)$

$\left(\begin{array}{c}{\sigma }_v=\tan \left(\frac{\pi }{2K}\right)[U_H-2\ln \left(\frac{{\sigma }_u^2}{U_H}\right)]·\\ [2\ln 2-\frac{{\left(2\ln 2\right)}^2{\sigma }_u^2}{U_H^2}{]}^{-\frac{1}{2}}\end{array}\right)---\left(10\right)$

通过对母小波进行尺度变换与方向旋转，可得到一系列不同尺度与方向下的小波函数，如式 (11)所示： 

g_mn(x,y)＝a^-mG(x′,y′)   a＞1,m,n∈Z           (11) 

其中，x′＝a^-m(xcosθ+ysinθ)，y′＝a^-m(-xsinθ+ycosθ)，θ＝nπ/K，m＝0,1,……S-1，n＝1,……,K，S与K分别表示Gabor小波的尺度与方向总数。a^-m为尺度因子，用于保证变换后的能量值与m无关，

每个像素点二维Gabor小波变换后的能量值E(x,y)的定义如式(12)所示： 

$E(x,y)=\underset{m=0}{\overset{S-1}{\Sigma }}\underset{n=1}{\overset{K}{\Sigma }}|I(x,y)*g_{m,n}(x,y)|---\left(12\right)$

二维Gabor小波变换后的能量分布结果如图5所示，根据二维Gabor小波变换后的能量对图4中由表面纹理产生的伪裂痕进行滤除，伪裂痕的滤除结果如图6所示。 

提取旋转双耳的上下边界曲线，利用形态学膨胀运算方法对图6中保留下来的图像边缘进行进一步筛选，得到与边界曲线相连的图像边缘作为可能对应故障裂痕的候选边缘，如图7所示，绘制反应候选边缘纵向跨度分布的纵向跨度直方图。每一条候选边缘的纵向跨度定义为： 

ΔY＝|y_max-y_min|      (13) 

y_max与y_min分别表示纵坐标的最大值与最小值 

图9为图8中各条边缘的纵向跨度直方图。其纵坐标表示ΔY的值，横坐标表示图像边缘的索引。当发生耳片断裂故障时，纵向跨度直方图呈现出特定的分布规律。对应于故障裂痕的图像边缘会在直方图中产生显著的峰值点，如图8所示。从图8中可以看出，边缘7与边缘8的纵向跨度远大于图像中的其他边缘，因此可以断定边缘7与边缘8对应于耳片断裂故障产生的故障裂痕， 

对于不存在耳片断裂故障的旋转双耳，利用同样方法得到的弯曲度差分曲线通常如如图9所示，图9中没有出现明显的峰值，因此不存在故障裂痕，可判定为没有发生耳片断裂故障。