楊豐萍，李遠征，彭云帆

（華東交通大學(xué) 電氣與自動化工程學(xué)院，南昌330013）

我國電氣化鐵路高速發(fā)展對接觸網(wǎng)系統(tǒng)的安全運行提出了更高的要求，而利用非接觸式檢測設(shè)備對接觸網(wǎng)懸掛系統(tǒng)運行狀態(tài)進行檢測是當(dāng)前的研究熱點。在接觸網(wǎng)裝置中，定位裝置是保證接觸網(wǎng)穩(wěn)定運行的關(guān)鍵，而定位支座是接觸網(wǎng)定位器和定位管連接的樞紐，對其進行快速準(zhǔn)確的檢測是接觸網(wǎng)懸掛部件狀態(tài)檢測的重要部分。目前，基于圖像處理的非接觸式檢測技術(shù)是接觸網(wǎng)故障檢測領(lǐng)域的研究熱點，它解決了傳統(tǒng)人工巡檢中工作量大、效率低、故障判斷相對滯后等問題，并且取得了一定的研究成果。

文獻[1]闡述了接觸網(wǎng)圖像檢測的最新研究成果和尚未解決的問題，明確提出了要提升接觸網(wǎng)各零部件檢測的準(zhǔn)確性與時效性。文獻[2]利用視頻圖像處理技術(shù)設(shè)計了一種識別機車司機行為的檢測系統(tǒng)。文獻[3]采用了圖像方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征和二維Gabor 小波相結(jié)合的方法進行接觸網(wǎng)旋轉(zhuǎn)雙耳區(qū)域的定位。文獻[4]利用SIFT 算法和改進的RANSAC 算法對接觸網(wǎng)支撐及懸掛裝置圖像進行分析，實現(xiàn)雙耳部件的定位。文獻[5]結(jié)合了二代曲波變換和SURF 匹配的圖像檢測方法對旋轉(zhuǎn)雙耳進行檢測。

接觸網(wǎng)的穩(wěn)定運行是以各零部件的正常工作為基礎(chǔ)的，作為接觸網(wǎng)定位器關(guān)鍵組成部分的定位支座，由于列車經(jīng)過時的震動，工作時的電化學(xué)腐蝕都會導(dǎo)致定位支座出現(xiàn)裂紋、斷裂和磨損等不良狀態(tài)，對其運行狀態(tài)進行檢測是必不可少的。在當(dāng)前接觸網(wǎng)的旋轉(zhuǎn)雙耳、絕緣子、吊弦等懸掛部件的識別和檢測都已取得了較為理想的成果。但是，對接觸網(wǎng)定位支座的運行狀態(tài)的檢測研究還不夠完善。文獻[6]采用基于SURF 特征匹配的方法對接觸網(wǎng)定位支座進行定位檢測，進而進行運行狀態(tài)的監(jiān)測。但采用SURF 特征匹配的方法進行檢測的時效性不夠理想，在復(fù)雜環(huán)境下易出現(xiàn)誤匹配的情況。文獻[7]將局部二值模式（Local Binary Pattern，LBP）和方向梯度直方圖特征相結(jié)合對圖案織物的缺陷進行檢測。鑒于此方法在其他領(lǐng)域取得的良好效果，現(xiàn)將特征融合的圖像檢測方法應(yīng)用于接觸網(wǎng)定位支座的快速檢測中。文中將對圖像經(jīng)過降維處理的LBP 特征和HOG 特征進行串行融合提取與SVM 支持向量機結(jié)合對接觸網(wǎng)的定位支座區(qū)域快速檢測。

1 接觸網(wǎng)懸掛檢測系統(tǒng)和定位支座結(jié)構(gòu)

1.1 接觸網(wǎng)懸掛狀態(tài)檢測裝置

鐵路接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測系統(tǒng)(4C 系統(tǒng))是用來檢測接觸網(wǎng)懸掛及其部件。用于狀態(tài)檢測的圖像是由安裝在接觸網(wǎng)檢測車上的工業(yè)相機拍攝所得，通過圖像處理算法進行分析處理。即可識別出接觸網(wǎng)支持裝置、平腕臂及斜腕臂、接觸懸掛、附加懸掛及定位裝置等部件。再通過圖像處理技術(shù)檢測各部件缺失、斷裂等故障，并同時根據(jù)故障接觸網(wǎng)的桿號來獲取位置信息，以供維修人員及時處理故障。

1.2 接觸網(wǎng)定位支座區(qū)域結(jié)構(gòu)

目前的接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測中，對于各零部件的檢測大多是通過特征匹配或者滑動窗口檢測特征的方法進行具體零部件的定位檢測，檢測效率和準(zhǔn)確率不夠理想。作為接觸網(wǎng)定位裝置的重要組成部分，定位支座具有清晰的紋理特征和邊緣特征，如圖1 所示。

圖1 定位支座結(jié)構(gòu)模型

2 定位支座區(qū)域的快速檢測

對于接觸網(wǎng)定位支座區(qū)域的檢測識別，采用提取定位支座區(qū)域的正樣本和負樣本LBP 特征和HOG 特征進行融合，與支持向量機SVM 相結(jié)合進行檢測。

接觸網(wǎng)定位支座區(qū)域的識別檢測包含2 個過程，分別是正、負樣本圖像訓(xùn)練和待檢測圖像的定位識別。正、負樣本圖像訓(xùn)練部分主要有目標(biāo)樣本收集、圖像的預(yù)處理、正負特征提取、SVM 支持向量機訓(xùn)練分類器等，待檢測圖像的定位識別部分主要包括圖像預(yù)處理、特征提取、多尺度滑動窗口檢測、窗口合并識別等步驟，最終輸出目標(biāo)矩形。檢測流程見圖2。

圖2 檢測算法流程圖

3 圖像LBP+HOG 特征提取

3.1 LBP 特征

LBP 是一種對圖像進行描述的算子，它可以很好的表達出目標(biāo)圖像的局部紋理特征。對比其他用來描述圖像特征的算子，LBP 算子具有旋轉(zhuǎn)不變性及灰度不變性等特點。它在1996 年由Ojala 等人[8]提出，被廣泛應(yīng)用于紋理檢測、圖像識別、人臉檢測等領(lǐng)域。原始的LBP 算子的原理是:在一個大小為3×3 的網(wǎng)絡(luò)中，設(shè)定網(wǎng)絡(luò)中心點(xc，yc)的像素作為網(wǎng)絡(luò)的閾值，將除了中心點外的其余的8 個像素點的灰度值與之作比較。原理如圖3 所示，若某一點的閾值小于該網(wǎng)絡(luò)中心像素點的閾值，則該像素點的位置被標(biāo)記為0，若某一點的閾值大于中心像素點的閾值，則標(biāo)記為1。這樣，在3×3的網(wǎng)絡(luò)中，中心點的閾值與其他相8 個像素點的值分別進行比較，對應(yīng)會得到8 個二進制數(shù)，通常會將其轉(zhuǎn)化為十進制數(shù)（即LBP 碼，共256 種），這個十進制數(shù)就代表了該3×3 的網(wǎng)絡(luò)中心像素點的LBP 值。該LBP 值由式（1）求得，紋理T 定義如式（2）:

式中，(xc，yc)表示中心像素；ic表示中心像素點的亮度；s為符號函數(shù)，表達式為:

圖3 原始LBP 算法基本思想

每一個LBP 算子都會產(chǎn)生一個二進制模式，隨著鄰域集內(nèi)采樣點數(shù)的增加，二進制模式的種類是遞增的。過量的二進制模式種類會對圖像紋理的提取、識別和分類產(chǎn)生影響。因此，需要對原始的LBP 模式進行降維處理。為了解決原始LBP 算子條件下二進制模式種類過多的問題，Ojala 等提出了采用一種“等價LBP 模式”（Uniform Pattern）來對LBP 算子的二進制模式種類進行降維處理。在實際圖像中，絕大多數(shù)LBP 模式最多只包含兩次從1 到0 或從0 到1 的跳變。因此，Ojala將“等價LBP 模式”定義為:當(dāng)某個LBP 模式所對應(yīng)的循環(huán)二進制數(shù)從0～1 或從1～0 最多有兩次跳變時，該LBP 模式所對應(yīng)的二進制就稱為一個等價模式類。計算公式如下:

采用等價LBP 模式的二進制模式會從原來的2P種降低至P(P?1)+2 種，其中P表示采樣點數(shù)。對于圖3 中8 個采樣點，二進制模式的數(shù)量由256 種降低至59種。本試驗將采用等價LBP 特征進行檢測。

3.2 HOG 特征

HOG 特征是 Dalal 等人在 2005 年提出的[9]，主要是用來對物體的局部外觀和形狀特征通過其梯度或邊緣的方向密度分布進行描述，即使圖像缺乏精確的梯度與邊緣位置信息。由于定位支座區(qū)域結(jié)構(gòu)在接觸網(wǎng)定位與懸掛狀態(tài)檢測圖像中有明顯的邊緣形狀，因此采用HOG 特征可以很好的描述定位支座區(qū)域的形狀特征。HOG 特征提取的實現(xiàn)方法如下。

3.2.1 灰度處理和Gamma 空間矯正

為了避免光線因素對于檢測結(jié)果的影響，因此需要對所有圖像進行規(guī)范化處理，包括灰度處理和Gamma空間矯正[10]。在圖像的紋理強度中，局部的表層曝光貢獻的比重較大，所以，對圖像做Gamma 矯正處理能夠有效地提升圖像的對比度，降低局部的陰影和光照變化對檢測結(jié)果的影響。因為圖像RGB 色彩空間對于檢測的結(jié)果無影響，所以在檢測前將圖像統(tǒng)一做灰度處理。

其中R指RGB 色彩的紅色通道，G指灰色通道。

進行Gamma 空間矯正:

3.2.2 梯度的計算方法

先對圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度進行計算，在此基礎(chǔ)上計算每個像素的梯度方向值。圖像在水平方向梯度值由式（8）求得，垂直方向梯度值由式（9）求得，每個像素的梯度值和方向可由式（10）、式（11）求得。梯度算子 如 下 。 水 平 方 向 為 [ ? 1，0，1]，垂 直 方 向為[? 1，0，1]T。

構(gòu)建梯度方向直方圖的目的是為局部圖像區(qū)域提供一個編碼。將圖像分割成等面積的小細胞單元（cellls），計算每個 cell 的梯度直方圖，每 4 個 cells 組成一個完整的塊（block），即該block 的梯度直方圖是由4個cell 的直方圖串聯(lián)起來組成。對每個block 進行梯度歸一化處理，對光照、陰影和邊緣進行壓制。如式（12）～式（15），其中v是未歸一化的特征向量，ε是無窮小的常量 ，‖vk‖是v的k階 范 數(shù)。本實 驗對圖像 進 行L2?Hys 歸一化處理。計算過程如下式:

最后將所有的block 的直方圖串聯(lián)起來即得到該圖像的HOG 特征直方圖。

3.2.3 PCA 特征降維

HOG 特征向量有很高的維度，從而影響檢測的速度。采用PCA（主成分分析法）對HOG 特征進行降維[11]。PCA 的原理是在維持原特征成分不變的條件下，對原特征做空間線性變換，映射到低緯度且相互正交的空間上，投影形成新的變量。

特征的主成分由式（16）計算:

式中y指主特征成分，xi指待降維處理的HOG 特征向量表示樣本的特征均值，UT表示協(xié)方差矩陣。UT的計算方法如式（17）所示。

對圖像中每一像素點的HOG 特征的做零均值化處理，即減去這一行的均值。由訓(xùn)練樣本的HOG 特征，樣本均值，根據(jù)式（17）可以計算協(xié)方差矩陣及協(xié)方差矩陣對應(yīng)的特征值及特征向量。將特征向量按對應(yīng)特征值大小從上到下按行排列成矩陣，取前k行組成矩陣。對訓(xùn)練樣本中的每個HOG 特征向量，通過式（16）進行降維，得到向量維數(shù)為k的特征。即降維處理后的HOG特征。

3.3 LBP+HOG 特征融合

為了能更加快速、準(zhǔn)確的檢測接觸網(wǎng)定位支座區(qū)域，采用降維處理后的LBP 和HOG 特征串行融合的方法進行檢測，如圖5。假設(shè)A和B是一樣本空間中任意2 個 子特 征空間，即A為 LBP 特征，B為 HOG 特征。對任意樣本空間，這 2 個子特征向量α∈A和β∈B。進行串行融合后的特征矩陣如式（18）:

其中θ為權(quán)重系數(shù)。特征維數(shù)是2 個特征向量的維數(shù)之和。則γ的維數(shù)F為：

特征融合如圖4 所示。

圖4 特征融合示意圖

4 試驗結(jié)果分析

4.1 試驗數(shù)據(jù)

文中使用的接觸網(wǎng)檢測圖像來自華東地區(qū)某鐵路局供電段接觸網(wǎng)檢測車的跑車圖像集。正、負樣本圖像分辨率為5 120×5 120，正樣本為包含接觸網(wǎng)定位支座區(qū)域的圖像集，如圖5；負樣本為不包含接觸網(wǎng)定位支座區(qū)域的圖像集，如圖6。

4.2 試驗方法

圖5 部分正樣本圖

圖6 部分負樣本圖

在對比試驗階段，分別進行了SURF 特征匹配檢測、LBP+SVM 方法檢 測、HOG+SVM 方法檢測和LBP+HOG 特征融合方法檢測，共4 組試驗。試驗發(fā)現(xiàn)采用SURF 特征匹配的方法檢測定位支座區(qū)域，會因曝光問題，丟失關(guān)鍵特征點，導(dǎo)致檢測時出現(xiàn)匹配失敗情況，如圖7(a)；對于LBP+SVM 算法檢測接觸網(wǎng)定位支座區(qū)域失敗的圖像，研究后發(fā)現(xiàn)檢測失敗的圖像存在背景復(fù)雜，有大量邊緣特征的干擾物，如圖7(b)。失敗的原因是LBP 為紋理描述算子，當(dāng)目標(biāo)區(qū)域的紋理信息被大量干擾時，檢測結(jié)果會不理想。而對于HOG+SVM 算法檢測失敗的圖像，存在目標(biāo)區(qū)域靠近圖像邊緣這一個共同點。如圖7(c)。HOG 是方向描述算子，當(dāng)目標(biāo)區(qū)域過于靠近圖像邊緣時，會導(dǎo)致檢測不準(zhǔn)確。

圖7 檢測失敗圖像

將LBP+HOG 特征融合數(shù)據(jù)送入SVM 支持向量機學(xué)習(xí)分類得到檢測分類器，利用該分類器即可在圖片中利用滑動窗口快速準(zhǔn)確的檢測接觸網(wǎng)定位支座區(qū)域取得了理想的效果。

4.3 試驗結(jié)果

試驗所用計算機處理器為AMD Ryzen3 2200G，內(nèi)存為8G，WIN10 系統(tǒng)，編程環(huán)境為Pycharm?Python。利用OpenCV 計算機視覺庫分別使用SURF 特征匹配的方 法、LBP+SVM 的 方法、HOG+SVM 的方法和LBP+HOG+SVM 的方法對接觸網(wǎng)巡檢圖像集中3830 張包含接觸網(wǎng)定位支座區(qū)域進行識別檢測。試驗結(jié)果對比如表1 所示。

表1 試驗結(jié)果對比

試驗結(jié)果中，檢測成功圖像如圖8，表中檢測失敗圖像包括了漏檢和誤檢。其中漏檢指的是沒有識別出定位支座區(qū)域，誤檢指的是識別出了錯誤的區(qū)域，誤檢率和漏檢率為誤檢張數(shù)和漏檢張數(shù)與待檢測圖像張數(shù)比值。

圖8 檢測成功圖像

分析試驗結(jié)果發(fā)現(xiàn)，相較于SURF 特征匹配檢測的方法，LBP+HOG 特征融合方法檢測明顯的降低了誤檢率，在檢測時間上也有很大的優(yōu)勢；而采用HOG+SVM 方法相比SURF 特征匹配檢測的方法也同樣降低了誤檢率和檢測時間；提出的LBP+HOG+SVM 的檢測方法試驗中，檢測效率和檢測準(zhǔn)確率均有明顯的提升，檢測成功圖像如圖8 所示。

5 結(jié) 論

依據(jù)接觸網(wǎng)檢測裝置所拍攝圖像中定位支座區(qū)域的結(jié)構(gòu)特征，利用圖像處理技術(shù)實現(xiàn)了接觸網(wǎng)定位支座區(qū)域快速準(zhǔn)確檢測。分別使用了SURF 特征匹配、LBP+SVM、HOG+SVM 及 LBP+HOG+SVM 的方法進行接觸網(wǎng)定位支座區(qū)域的對比試驗。試驗表明，LBP+HOG 特征串行融合結(jié)合SVM 檢測的方法檢測成功率達到了96.54%，每張圖像檢測時間為3.151 s。檢測成功率比SURF 特征匹配的方法提高了9.37%，每張圖片檢測時間節(jié)約5.519 s；比LBP+SVM 方法和HOG+SVM 方法檢測成功率提高了6.35% 和4.43%，每張圖像的檢測時間減少了0.812 s 和3.38 s。

試驗表明，文中提出的LBP+HOG 特征串行融合后，結(jié)合SVM 檢測的方法明顯的提升檢測的準(zhǔn)確率，并提高了檢測效率，具有較高的工程應(yīng)用價值。