楊豐萍，李遠(yuǎn)征，彭云帆

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

我國電氣化鐵路高速發(fā)展對(duì)接觸網(wǎng)系統(tǒng)的安全運(yùn)行提出了更高的要求，而利用非接觸式檢測(cè)設(shè)備對(duì)接觸網(wǎng)懸掛系統(tǒng)運(yùn)行狀態(tài)進(jìn)行檢測(cè)是當(dāng)前的研究熱點(diǎn)。在接觸網(wǎng)裝置中，定位裝置是保證接觸網(wǎng)穩(wěn)定運(yùn)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(duì)其進(jìn)行快速準(zhǔn)確的檢測(cè)是接觸網(wǎng)懸掛部件狀態(tài)檢測(cè)的重要部分。目前，基于圖像處理的非接觸式檢測(cè)技術(shù)是接觸網(wǎng)故障檢測(cè)領(lǐng)域的研究熱點(diǎn)，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(duì)滯后等問題，并且取得了一定的研究成果。

文獻(xiàn)[1]闡述了接觸網(wǎng)圖像檢測(cè)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(cè)的準(zhǔn)確性與時(shí)效性。文獻(xiàn)[2]利用視頻圖像處理技術(shù)設(shè)計(jì)了一種識(shí)別機(jī)車司機(jī)行為的檢測(cè)系統(tǒng)。文獻(xiàn)[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(jìn)行接觸網(wǎng)旋轉(zhuǎn)雙耳區(qū)域的定位。文獻(xiàn)[4]利用SIFT 算法和改進(jìn)的RANSAC 算法對(duì)接觸網(wǎng)支撐及懸掛裝置圖像進(jìn)行分析，實(shí)現(xiàn)雙耳部件的定位。文獻(xiàn)[5]結(jié)合了二代曲波變換和SURF 匹配的圖像檢測(cè)方法對(duì)旋轉(zhuǎn)雙耳進(jìn)行檢測(cè)。

接觸網(wǎng)的穩(wěn)定運(yùn)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(shí)的震動(dòng)，工作時(shí)的電化學(xué)腐蝕都會(huì)導(dǎo)致定位支座出現(xiàn)裂紋、斷裂和磨損等不良狀態(tài)，對(duì)其運(yùn)行狀態(tài)進(jìn)行檢測(cè)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(shí)別和檢測(cè)都已取得了較為理想的成果。但是，對(duì)接觸網(wǎng)定位支座的運(yùn)行狀態(tài)的檢測(cè)研究還不夠完善。文獻(xiàn)[6]采用基于SURF 特征匹配的方法對(duì)接觸網(wǎng)定位支座進(jìn)行定位檢測(cè)，進(jìn)而進(jìn)行運(yùn)行狀態(tài)的監(jiān)測(cè)。但采用SURF 特征匹配的方法進(jìn)行檢測(cè)的時(shí)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(xiàn)[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(duì)圖案織物的缺陷進(jìn)行檢測(cè)。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(cè)方法應(yīng)用于接觸網(wǎng)定位支座的快速檢測(cè)中。文中將對(duì)圖像經(jīng)過降維處理的LBP 特征和HOG 特征進(jìn)行串行融合提取與SVM 支持向量機(jī)結(jié)合對(duì)接觸網(wǎng)的定位支座區(qū)域快速檢測(cè)。

1 接觸網(wǎng)懸掛檢測(cè)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(cè)裝置

鐵路接觸網(wǎng)懸掛狀態(tài)檢測(cè)監(jiān)測(cè)系統(tǒng)(4C 系統(tǒng))是用來檢測(cè)接觸網(wǎng)懸掛及其部件。用于狀態(tài)檢測(cè)的圖像是由安裝在接觸網(wǎng)檢測(cè)車上的工業(yè)相機(jī)拍攝所得，通過圖像處理算法進(jìn)行分析處理。即可識(shí)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(cè)各部件缺失、斷裂等故障，并同時(shí)根據(jù)故障接觸網(wǎng)的桿號(hào)來獲取位置信息，以供維修人員及時(shí)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(cè)監(jiān)測(cè)中，對(duì)于各零部件的檢測(cè)大多是通過特征匹配或者滑動(dòng)窗口檢測(cè)特征的方法進(jìn)行具體零部件的定位檢測(cè)，檢測(cè)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(cè)

對(duì)于接觸網(wǎng)定位支座區(qū)域的檢測(cè)識(shí)別，采用提取定位支座區(qū)域的正樣本和負(fù)樣本LBP 特征和HOG 特征進(jìn)行融合，與支持向量機(jī)SVM 相結(jié)合進(jìn)行檢測(cè)。

接觸網(wǎng)定位支座區(qū)域的識(shí)別檢測(cè)包含2 個(gè)過程，分別是正、負(fù)樣本圖像訓(xùn)練和待檢測(cè)圖像的定位識(shí)別。正、負(fù)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(fù)特征提取、SVM 支持向量機(jī)訓(xùn)練分類器等，待檢測(cè)圖像的定位識(shí)別部分主要包括圖像預(yù)處理、特征提取、多尺度滑動(dòng)窗口檢測(cè)、窗口合并識(shí)別等步驟，最終輸出目標(biāo)矩形。檢測(cè)流程見圖2。

圖2 檢測(cè)算法流程圖

3 圖像LBP+HOG 特征提取

3.1 LBP 特征

LBP 是一種對(duì)圖像進(jìn)行描述的算子，它可以很好的表達(dá)出目標(biāo)圖像的局部紋理特征。對(duì)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(diǎn)。它在1996 年由Ojala 等人[8]提出，被廣泛應(yīng)用于紋理檢測(cè)、圖像識(shí)別、人臉檢測(cè)等領(lǐng)域。原始的LBP 算子的原理是:在一個(gè)大小為3×3 的網(wǎng)絡(luò)中，設(shè)定網(wǎng)絡(luò)中心點(diǎn)(xc，yc)的像素作為網(wǎng)絡(luò)的閾值，將除了中心點(diǎn)外的其余的8 個(gè)像素點(diǎn)的灰度值與之作比較。原理如圖3 所示，若某一點(diǎn)的閾值小于該網(wǎng)絡(luò)中心像素點(diǎn)的閾值，則該像素點(diǎn)的位置被標(biāo)記為0，若某一點(diǎn)的閾值大于中心像素點(diǎn)的閾值，則標(biāo)記為1。這樣，在3×3的網(wǎng)絡(luò)中，中心點(diǎn)的閾值與其他相8 個(gè)像素點(diǎn)的值分別進(jìn)行比較，對(duì)應(yīng)會(huì)得到8 個(gè)二進(jìn)制數(shù)，通常會(huì)將其轉(zhuǎn)化為十進(jìn)制數(shù)（即LBP 碼，共256 種），這個(gè)十進(jìn)制數(shù)就代表了該3×3 的網(wǎng)絡(luò)中心像素點(diǎn)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(diǎn)的亮度；s為符號(hào)函數(shù)，表達(dá)式為:

圖3 原始LBP 算法基本思想

每一個(gè)LBP 算子都會(huì)產(chǎn)生一個(gè)二進(jìn)制模式，隨著鄰域集內(nèi)采樣點(diǎn)數(shù)的增加，二進(jìn)制模式的種類是遞增的。過量的二進(jìn)制模式種類會(huì)對(duì)圖像紋理的提取、識(shí)別和分類產(chǎn)生影響。因此，需要對(duì)原始的LBP 模式進(jìn)行降維處理。為了解決原始LBP 算子條件下二進(jìn)制模式種類過多的問題，Ojala 等提出了采用一種“等價(jià)LBP 模式”（Uniform Pattern）來對(duì)LBP 算子的二進(jìn)制模式種類進(jìn)行降維處理。在實(shí)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(jià)LBP 模式”定義為:當(dāng)某個(gè)LBP 模式所對(duì)應(yīng)的循環(huán)二進(jìn)制數(shù)從0～1 或從1～0 最多有兩次跳變時(shí)，該LBP 模式所對(duì)應(yīng)的二進(jìn)制就稱為一個(gè)等價(jià)模式類。計(jì)算公式如下:

采用等價(jià)LBP 模式的二進(jìn)制模式會(huì)從原來的2P種降低至P(P?1)+2 種，其中P表示采樣點(diǎn)數(shù)。對(duì)于圖3 中8 個(gè)采樣點(diǎn)，二進(jìn)制模式的數(shù)量由256 種降低至59種。本試驗(yàn)將采用等價(jià)LBP 特征進(jìn)行檢測(cè)。

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(duì)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(jìn)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(cè)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(shí)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(duì)于檢測(cè)結(jié)果的影響，因此需要對(duì)所有圖像進(jìn)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(qiáng)度中，局部的表層曝光貢獻(xiàn)的比重較大，所以，對(duì)圖像做Gamma 矯正處理能夠有效地提升圖像的對(duì)比度，降低局部的陰影和光照變化對(duì)檢測(cè)結(jié)果的影響。因?yàn)閳D像RGB 色彩空間對(duì)于檢測(cè)的結(jié)果無影響，所以在檢測(cè)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(jìn)行Gamma 空間矯正:

3.2.2 梯度的計(jì)算方法

先對(duì)圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度進(jìn)行計(jì)算，在此基礎(chǔ)上計(jì)算每個(gè)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(gè)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?yàn)閇? 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(gè)編碼。將圖像分割成等面積的小細(xì)胞單元（cellls），計(jì)算每個(gè) cell 的梯度直方圖，每 4 個(gè) cells 組成一個(gè)完整的塊（block），即該block 的梯度直方圖是由4個(gè)cell 的直方圖串聯(lián)起來組成。對(duì)每個(gè)block 進(jìn)行梯度歸一化處理，對(duì)光照、陰影和邊緣進(jìn)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(shí) 驗(yàn)對(duì)圖像 進(jìn) 行L2?Hys 歸一化處理。計(jì)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(cè)的速度。采用PCA（主成分分析法）對(duì)HOG 特征進(jìn)行降維[11]。PCA 的原理是在維持原特征成分不變的條件下，對(duì)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(jì)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(jì)算方法如式（17）所示。

對(duì)圖像中每一像素點(diǎn)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(jì)算協(xié)方差矩陣及協(xié)方差矩陣對(duì)應(yīng)的特征值及特征向量。將特征向量按對(duì)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(duì)訓(xùn)練樣本中的每個(gè)HOG 特征向量，通過式（16）進(jìn)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(cè)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(jìn)行檢測(cè)，如圖5。假設(shè)A和B是一樣本空間中任意2 個(gè) 子特 征空間，即A為 LBP 特征，B為 HOG 特征。對(duì)任意樣本空間，這 2 個(gè)子特征向量α∈A和β∈B。進(jìn)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(gè)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(yàn)結(jié)果分析

4.1 試驗(yàn)數(shù)據(jù)

文中使用的接觸網(wǎng)檢測(cè)圖像來自華東地區(qū)某鐵路局供電段接觸網(wǎng)檢測(cè)車的跑車圖像集。正、負(fù)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(fù)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(yàn)方法

圖5 部分正樣本圖

圖6 部分負(fù)樣本圖

在對(duì)比試驗(yàn)階段，分別進(jìn)行了SURF 特征匹配檢測(cè)、LBP+SVM 方法檢 測(cè)、HOG+SVM 方法檢測(cè)和LBP+HOG 特征融合方法檢測(cè)，共4 組試驗(yàn)。試驗(yàn)發(fā)現(xiàn)采用SURF 特征匹配的方法檢測(cè)定位支座區(qū)域，會(huì)因曝光問題，丟失關(guān)鍵特征點(diǎn)，導(dǎo)致檢測(cè)時(shí)出現(xiàn)匹配失敗情況，如圖7(a)；對(duì)于LBP+SVM 算法檢測(cè)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(cè)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(shí)，檢測(cè)結(jié)果會(huì)不理想。而對(duì)于HOG+SVM 算法檢測(cè)失敗的圖像，存在目標(biāo)區(qū)域靠近圖像邊緣這一個(gè)共同點(diǎn)。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(shí)，會(huì)導(dǎo)致檢測(cè)不準(zhǔn)確。

圖7 檢測(cè)失敗圖像

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

4.3 試驗(yàn)結(jié)果

試驗(yàn)所用計(jì)算機(jī)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(jì)算機(jī)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(duì)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(jìn)行識(shí)別檢測(cè)。試驗(yàn)結(jié)果對(duì)比如表1 所示。

表1 試驗(yàn)結(jié)果對(duì)比

試驗(yàn)結(jié)果中，檢測(cè)成功圖像如圖8，表中檢測(cè)失敗圖像包括了漏檢和誤檢。其中漏檢指的是沒有識(shí)別出定位支座區(qū)域，誤檢指的是識(shí)別出了錯(cuò)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(cè)圖像張數(shù)比值。

圖8 檢測(cè)成功圖像

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

5 結(jié) 論

依據(jù)接觸網(wǎng)檢測(cè)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(shí)現(xiàn)了接觸網(wǎng)定位支座區(qū)域快速準(zhǔn)確檢測(cè)。分別使用了SURF 特征匹配、LBP+SVM、HOG+SVM 及 LBP+HOG+SVM 的方法進(jìn)行接觸網(wǎng)定位支座區(qū)域的對(duì)比試驗(yàn)。試驗(yàn)表明，LBP+HOG 特征串行融合結(jié)合SVM 檢測(cè)的方法檢測(cè)成功率達(dá)到了96.54%，每張圖像檢測(cè)時(shí)間為3.151 s。檢測(cè)成功率比SURF 特征匹配的方法提高了9.37%，每張圖片檢測(cè)時(shí)間節(jié)約5.519 s；比LBP+SVM 方法和HOG+SVM 方法檢測(cè)成功率提高了6.35% 和4.43%，每張圖像的檢測(cè)時(shí)間減少了0.812 s 和3.38 s。

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