CN103745238B - 基于AdaBoost和主动形状模型的受电弓识别方法 - Google Patents

Abstract

本发明属于计算机数字图像处理与模式识别技术领域，主要涉及电动牵引机车使用的受电弓在线自动识别方法，具体涉及一种基于AdaBoost和主动形状模型的受电弓在线自动识别方法。基本流程包括：通过受电弓在线拍照系统采集若干受电弓图像，组成受电弓图像学习样本集；基于样本训练学习生成受电弓主动形状模型和AdaBoost级联分类器；采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；结合受电弓检测结果和学习构建的受电弓主动形状模型，精确匹配和识别受电弓形状；最后在精确匹配结果基础上进行定量检测和分析。本发明能有效对受电弓碳滑板厚度进行线上自动定量检测，可快速地进行车辆维护，节约受电弓检测成本。

Description

基于AdaBoost和主动形状模型的受电弓识别方法

技术领域

本发明属于计算机数字图像处理与模式识别技术领域，主要涉及电动牵引机车使用的受电弓在线自动识别方法，具体涉及一种基于AdaBoost和主动形状模型的受电弓识别方法。

背景技术

电力牵引机车受电弓是电气化铁路电力机车从接触网上受取电源的装置。受电弓弓头破损、碳滑板过度磨耗不仅影响电力机车的正常供电，甚至会造成轨道交通的中断。因此作为直接与接触网接触的取流关键设备-受电弓碳滑板的状态极为关键，它关系到机车能否稳定、可靠地从接触线取电。实际管理中，相关部门需要对受电弓碳滑板运行状态进行定期检测，以保证机车的稳定、安全运行。随着我国轨道交通和高速铁路的飞速发展，对受电弓的可靠运行提出了更高的要求，实现对受电弓运行状态的在线自动识别具有重要意义。

目前国内外受电弓状态的检测方法主要包括入库静态检测、机载检测系统和在线定点式检测3种方式。

入库静态检测要求接触网必须在受电弓检测前断电，且通常只能在机车入库停车后才能检测，不能实现受电弓的在线自动检测。在实际运作中需要投入较大规模的人力、成本较高。详见文献：谢力.基于图像处理的受电弓状态检测技术研究：[硕士学位论文]：西南交通大学，2009。

机载受电弓检测方法属于一种在线自动检测方法。主要包括2种方式，其一是通过在机车上安装光、电、力学等多种传感器采集受电弓位置、碳滑板的磨耗，以及受电弓弓头左右偏移量状态等信息对受电弓进行检测，但传感器获取的受电弓运行状态信息容易受机车运行过程中产生的震动的干扰；其二是将光纤内埋式磨损传感器嵌入受电弓滑板中，当受电弓滑板收到接触网的冲击作用而产生磨损时或者产生缺失时，传感器给出相应的磨损信号。该方法的主要缺点是对材料的要求比较高，要在受电弓滑板中内嵌传感器，材料工艺要求高，受电弓滑板材料结构改变可能会降低受电弓的使用寿命，提高了成本。

在线定点式自动检测方式，国内外主要有基于超声波传感器的检测和基于图像的检测方法。超声波传感器检测方法多见于国外机车系统，该方法存在的显著不足是超声波信号容易受超声波工作距离、超声波信号强弱和受电弓运行中的姿态的影响。

近年来，国内外出现了许多基于在线获取图像的受电弓检测方法。该方法核心包括拍照和识别2部分，首先完成受电弓图像的在线采集，然后采用数字图像处理方法对采集到的图像进行仔细分析，最终获取受电弓在线运行状态。该方法的优势非常明显，可以在机车行驶过程中做到在线自动识别；缺点是精度依赖于拍照系统采集图像的质量，对受电弓在线拍照系统精度要求比较高。国内目前已有厂商和科研单位正在研发基于图像的受电弓在线运行状态的识别系统，存在的问题主要集中于：1)受电弓图像采集质量较低，不利于后续图像处理与分析；2)对机车运行速度有限制，难以实现真正的在线识别；3)采集到的受电弓图像背景复杂、不统一，图像处理方法难以进行精确的受电弓定量识别，相关方法亟需进一步改进。详见南京大学于2012年公开的专利《高速机车受电弓滑板磨损自动检测装置》，专利公开号：CN102507600A。

基于可变模型对目标物体特征点定位的研究取得了很大成就，特别是对于图像中的目标物体变化很大的情况。可变模型的基本思想是：建立一个目标物体的通用模型，对于任意给定图像，如果图像中有与该模型相同的目标物体，则可以根据物体图像的内部和外部特征与模型之间的差异，通过调整模型参数将模型进行变化，其形状和纹理能够与目标物体在一定误差内实现匹配，详见文献：Cootes T.F.Deformable Object Modelling andMatching.In：Kimmel R，Klette R，Sugimoto A，eds.Computer Vision-Accv2010，PtI.Berlin：Springer-Verlag Berlin；2011：1-10.

英国曼彻斯特大学(University of Manchester)的Tim.Cootes等人提出的主动形状模型ASM(Active Shape Models)是实现上述思想的一个典型代表。该方法已成为当前主流的目标定位方法，在目标对象的定位中，特别是在人脸检测、手势识别和医学人体器官图像检测方面得到了广泛的应用，详见文献：Cootes T.F.，C.J.Taylor，D.H.Cooper，etal.Active Shape Models-Their Training and Application.Computer Vision andImage Understanding.1995，61(1)：38-59.

ASM是一种基于统计学的灰度和形状分离的可变形模型，允许待定位目标有一定程度的形变，同时采用灰度和梯度信息指导形状模型收敛，其收敛速度较快。其主要方法是通过对样本图像中的目标物体进行关键特征点手动标定，进而形成样本集目标点分布模型(Point Distribution Model)，然后对点分布模型进行训练、统计分析建立ASM模型，再以此模型作为依据，在测试图像中与目标特征进行快速匹配，找到被定位目标的位置。其优点是容易选择目标轮廓特征点作为建模基础，但ASM的匹配精度与匹配起始位置密切相关，因此获取ASM匹配起始位置的目标定位方法是影响ASM最终匹配结果优劣的一个重要因素。实际应用ASM方法进行目标精确定位时，需要首先进行目标的初略定位，否则匹配过程容易陷入局部最优，导致匹配不到实际的目标上。因此，本发明在受电弓进行ASM精确识别之前，采用基于AdaBoost的级联分类器对受电弓进行检测，保证ASM识别精度。

AdaBoost算法是一种分类器算法，是由Freund和Schapire在1995年提出的，详见文献：Freund，Y.and Schapire，R.E.1995.A decision-theoretic generalization ofon-line learning and an application to boosting.In Computational LearningTheory：Eurocolt95，Springer-Verlag，pp.23-37。其基本思想是利用大量的分类能力一般的弱分类器(weaker classifier)通过一定方法组合(boost)起来，构成一个分类能力很强的强分类器。理论证明，只要每个简单分类器分类能力比随机猜测要好，当简单分类器个数趋向于无穷时，强分类器的错误率将趋于零。详见文献：龙伶敏，基于Adaboost的人脸检测方法及眼睛定位算法研究[D]，电子科技大学，2008。

基于Harr-like特征的AdaBoost级联分类器最初应用于人脸检测，详见文献：PaulViola and Michael J.Jones.Robust Real-Time Face Detection.InternationalJournal of Computer Vision，Vol.57，pp.137-154，May2004。该方法提供了一种通用的目标检测框架，.使用者只需建立某目标的训练样本集，就可以方便地完成特定目标物检测模型的建立和检测。详见北京航空航天大学于2011年公开的专利《基于冗余特征消减AdaBoost分类器的物体检测方法》，专利公开号：CN102129565A。

随着我国高速铁路建设的不断发展，机车的行驶速度越来越快，对受电弓运行质量的要求越来越高，同时也对受电弓在线自动识别的精确性、稳定性提出了更高的要求。针对目前国内基于图像的受电弓在线识别方法精度差的问题，迫切需要研发一种新型的受电弓运行状态在线自动识别方法。

发明内容

(一)发明目的

本发明的目的是：针对基于图像的受电弓识别，提供一种基于AdaBoost和主动形状模型的受电弓在线自动识别方法，在机车正常行驶过程中，能够对受电弓碳滑板厚度进行定量检测。

(二)技术解决方案

本发明提供了一种基于AdaBoost和主动形状模型的受电弓自动识别方法，包括以下步骤：

步骤10、获取受电弓图像学习样本集；

步骤20、AdaBoost级联分类器训练；

步骤30、采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；

步骤40、构建受电弓主动形状模型；

步骤50、结合检测结果和主动形状模型的受电弓精确匹配和识别；

步骤60、受电弓定量检测和分析。

所述步骤10中获取受电弓图像学习样本集包括两套：AdaBoost学习样本集：用于训练AdaBoost级联分类器；主动形状模型学习样本集：用于训练受电弓主动形状模型。具体通过安装于电力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像，形成受电弓图像学习样本集。其中，AdaBoost学习样本集包括正样本和负样本；主动形状模型学习样本集至少包含50张受电弓图像，且各受电弓图像的分辨率保持一致。

所述步骤20中AdaBoost级联分类器训练，具体步骤是：

1、收集受电弓正样本和负样本。正样本中必须包含待检测的受电弓目标，且正样本归一化为同一大小；负样本中不能包含受电弓，图像尺寸大于正样本；

2、Harr-like特征选择与计算。选择边缘(Edge)和线性(Line)的扩展Harr-like特征作为检测受电弓的特征；采用积分图(Intergral Image)快速计算特征；

3、强分类器训练。基于步骤10所述的AdaBoost正样本和负样本集，采用AdaBoost算法训练多个弱分类器，并线性加权组成强分类器，具体训练过程描述如为：

给定受电弓正样本和负样本集(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)，…，(x_n，y_n)，其中x_i表示第i个样本，y_i＝0时表示其为负样本(非受电弓)，y_i＝1时表示其为正样本(受电弓)。n为正样本和负样本总数。

初始化权重。对于正样本：w_i＝1/2l，l为正样本个数；对于负样本：w_i＝1/2m，m为负样本个数；

当t＝1，...，T，进行如下迭代处理：

(1)权重归一化：

(2)对每个特征f，训练一个弱分类器h(x_i，f，p，θ)，并计算该弱分类器的加权错误率，找出一个具有最小错误率ε_t的弱分类器作为最优弱分类器：

(3)权重更新：

其中，e_i＝0表示样本x_i检测正确，e_i＝1表示样本检测错误。

最终的强分类器：

其中，

4、级联分类器训练。训练多个强分类器，组成级联分类器。具体步骤是：

(1)确定每层，即每个强分类器的最大误识率(false positive rate)f，最小要达到的检测率(detection rate)d；

(2)指定最终级联分类器的误识率为F_target；

设P代表正样本集，N代表负样本集，初始误识率F₀＝1.0，初始检测率D₀＝1.0，i＝0；

(3)当F_i>F_target，进行如下处理：

i＝i+1；

n_i＝0；F_i＝F_i-1；

当F_i>f×F_i-1，进行如下处理：

●n_i＝n_i+1；

●利用AdaBoost算法在P和N上训练具有n_i个特征数(弱分类器)的强分类器；

●衡量当前级联分类器误识率F_i和检测率D_i；

●低第i层的强分类器阈值，直到当前级联分类器的检测率达到d×D_i-1；

将负样本集N设置为空集；

利用当前的级联分类器检测受电弓负样本图像，将误识的图像放入负样本集N。

所述步骤30采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测，具体采用多尺度检测机制对受电弓进行检测，步骤是：

1、计算待检测图像的积分图，便于快速计算各个检测窗口的特征；

2、初始化检测窗口，大小与级联分类器训练采用的正样本一致，对输入图像进行多种规模的、各个位置的窗口检测；

3、等比放大检测窗口，以检测不同大小的子图像；

4、区域合并：将同一受电弓在不同的尺度和邻近的位置上检测到的多次结果进行合并，得到合适的受电弓位置。

所述步骤40中构建受电弓主动形状模型，具体步骤是：

采用形态学滤波运算方法对步骤10采集的受电弓图像逐一进行图像降噪预处理；

在每张图像中选取受电弓轮廓的角点、边界点作为特征点，通过人工手动的方式，对受电弓特征点进行标记，且每张受电弓图像中的特征标记点必须相互对应、数量保持一致；

将标记完成的受电弓特征点的图像坐标保存于文本文件中，不同受电弓图像的特征点分开保存，且受电弓图像文件名称与对应的特征点文件名称保持一致。图像坐标指以图像左上角为坐标原点，水平向右方向为X轴，垂直向下方向为Y轴的坐标体系的像素坐标。此时，所有受电弓图像可以采用特征点的点分布模型(Pointdistribution model，PDM)对受电弓形状进行描述，即受电弓图像i的形状可以通过其所有特征点数学表示为：N为受电弓图像的特征点总数。受电弓图像学习样本集可以表示为：M为受电弓图像总数目；

基于受电弓图像和相应的特征点，根据主动形状模型(Active Shape Model，ASM)算法原理，建立受电弓主动形状模型。具体步骤包括：

1、采用Generalized Procrustes analysis(GPA)方法对所有受电弓图像的点分布模型进行对齐(Align)。对齐步骤如下：

(1)对于受电弓形状xⁱ，i＝2，3，…，M，逐个进行旋转、缩放和平移，并与形状x¹做对齐，得到变换后的形状集合

(2)计算变换后的所有受电弓图像形状的平均值m；

其中：

(3)将平均形状m进行旋转、缩放和平移，与样本做对齐；

(4)将进行旋转、缩放和平移，与调整后的平均形状进行对齐匹配；

(5)如果平均形状收敛，停止。否则跳至第(2)步。

最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状之间的差别，即寻找到变换(T_i)，使得下式取值最小。

∑|m-T_i(x_i)|²

所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为：以两个受电弓形状为例，每个形状有N个坐标对：

首先定义一个变换T，T是由一个平移(t_x，t_y)，旋转θ和尺度s组成，则形状x²的变换可以表示为：

设

将形状x²经过变换T对齐到x¹，最佳的变换可以通过最小化下面的表达式得到：

E＝[x¹-Rx²-(t_x，t_y)^T]^T[x¹-Rx²-(t_x，t_y)^T]

这个最小化是最小二乘法的常规应用：E对未知变量θ，s，t_x，t_y的偏微分可以计算出来，并令它们为零，联立这些方程，既可求解得变换T。

2、ASM模型建立：假设目前已经存在经过对齐处理的M个训练形状每个形状可以由N对坐标给出：平均形状设为：然后计算协方差矩阵(2N×2N维)：训练形状在某些方向上的变化是描述受电弓形状的重要性质，可以从协方差矩阵S的特征向量中得到，亦即，求解线性方程：Sp_i＝λ_ip_i。协方差矩阵S的特征向量为(对应的特征值已按降序排列)：

P＝(p¹p²p³…p^2N)

则对于任何向量X，存在向量b(形状模型参数)，满足

也可表示为：

特征值较大的特征向量描述了训练形状变化最大的方向，在描述“合理”的形状与平均形状偏差有多大时，p^2N，p^2N-1，…方向上的贡献是微不足道的。因此可以设：

P_t＝(p¹p²p³…p^t) t≤2N

b_t＝(b₁，b₂，…，b_t)^T

可以得到估计

如果X是与训练集相关的合理形状，对于足够大的t，该估计可以很好地拟合真实形状。

向量b_t定义了一组可变模型参数，不同的b_t可以拟合出不同变化的形状。研究表明，b_i在训练集上的方差将会与特征值λ_i相关；相应地，对于较好的形状，b_i通常要求满足下面的不等式

所述步骤50中结合受电弓检测结果和主动形状模型的受电弓精确匹配和识别，具体采用单分辨率搜索算法精确匹配受电弓形状，具体步骤包括：

1、根据步骤40建立受电弓主动形状模型过程中生成的平均形状和待检测图像中受电工的初始位置，初始化受电弓形状，表示如下：

2、在初始化受电弓形状的每一个标记点处，在边界附近沿边界的法向进行搜索，确定具有最高梯度的像素点，给该点打上最佳目标位置的标志，将标记点向这个标志点移动，如果没有明显的新目标点，标记点位置不作移动。

3、通过上述标记点移动后，形状发生了改变，发生改变的形状与初始化受电弓形状之间存在一个位移向量由上述知：发生位移后可以表示为：

可得进一步推导得

4、重复第2、3步，直到姿态参数变化可以忽略不计。

所述步骤60中受电弓定量检测和分析，指在精确匹配和识别结果基础上对受电弓碳滑板厚度进行定量检测和分析。具体步骤是：

根据受电弓精确匹配结果，获取受电弓厚度；

由于受电弓支架厚度与受电弓类型相关，且对于特定的受电弓类型，受电弓支架厚度是固定已知的，可作为先验知识。因此，碳滑板厚度可以通过受电弓厚度与受电弓支架厚度相减得到。

(三)技术效果

本发明与现有的技术方案相比具有如下的优点及有益效果：本发明对受电弓进行图像检测仅需一张图像，不必要求拍照系统对同一受电弓成像多次；由于受电弓图像具有复杂多变的背景，不能简单地通过边缘提取等常规方法对受电弓进行定量检测。本发明提出的基于AdaBoost和主动形状模型的受电弓自动识别方法，事先通过受电弓形状的学习，结合受电弓检测结果，能保证受电弓在运行状态下有较大角度、大小变化情况下的检测准确率。实验结果表明：本发明提出的基于AdaBoost和主动形状模型的受电弓自动识别方法准确率比边缘提取等常规方法明显提高，且能更好地为后续的受电弓的定量检测分析打下基础。

附图说明

图1是本发明实施例的基于AdaBoost和主动形状模型的受电弓自动识别方法流程图

图2是部分AdaBoost学习样本集(左为正样本，右为负样本)

图3是部分主动形状模型学习样本集

图4是检测受电弓的Harr-like特征

图5是受电弓检测结果

图6是受电弓特征点标记示意图

图7是ASM单分辨率搜索算法示意图

图8是受电弓厚度定量检测结果.

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，是本发明实施例的基于AdaBoost和主动形状模型的受电弓自动识别方法流程图，本实施例包括如下步骤：

步骤10：获取受电弓图像学习样本集；

本实施例受电弓图像学习样本集包括两套：AdaBoost学习样本集：用于训练AdaBoost级联分类器；主动形状模型学习样本集：用于训练受电弓主动形状模型。具体通过安装于电力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像，形成受电弓图像学习样本集。其中，AdaBoost学习样本集包括正样本和负样本，正样本数目为756，负样本为3215，图2是部分AdaBoost学习样本集；主动形状模型学习样本集至少包含50张受电弓图像，且各受电弓图像的分辨率保持一致，图3是部分主动形状模型学习样本集。

步骤20、AdaBoost级联分类器训练；

本实例AdaBoost级联分类器训练步骤是：

21：收集受电弓正样本和负样本。正样本中必须包含待检测的受电弓目标，且正样本归一化为同一大小，本实例归一化为80×25；负样本中不能包含受电弓，图像尺寸大于正样本；

22：Harr-like特征选择与计算。选择边缘(Edge)和线性(Line)的扩展Harr-like特征作为检测受电弓的特征，如图4所示；采用积分图(Intergral Image)快速计算特征；

23：强分类器训练。基于步骤10所述的AdaBoost正样本和负样本集，采用AdaBoost算法训练多个弱分类器，并线性加权组成强分类器，具体训练过程描述如为：

231：给定受电弓正样本和负样本集(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)，…，(x_n，y_n)，其中x_i表示第i个样本，y_i＝0时表示其为负样本(非受电弓)，y_i＝1时表示其为正样本(受电弓)。n为正样本和负样本总数；

232：初始化权重。对于正样本：w_i＝1/2l，l为正样本个数；对于负样本：w_i＝1/2m，m为负样本个数；

233：当t＝1，...，T，进行如下迭代处理：

2331：权重归一化：

2332：对每个特征f，训练一个弱分类器h(x_i，f，p，θ)，并计算该弱分类器的加权错误率，找出一个具有最小错误率ε_t的弱分类器作为最优弱分类器：

2333：权重更新：

其中，e_i＝0表示样本x_i检测正确，e_i＝1表示样本检测错误。

234：最终的强分类器：

其中，

24：级联分类器训练。训练多个强分类器，组成级联分类器。具体步骤是：

241：确定每层，即每个强分类器的最大误识率(false positive rate)f，最小要达到的检测率(detection rate)d；

242：指定最终级联分类器的误识率为F_target；

设P代表正样本集，N代表负样本集，初始误识率F₀＝1.0，初始检测率D₀＝1.0，i＝0；

243：当F_i>F_target，进行如下处理：

2431：i＝i+1；

2432：n_i＝0；F_i＝F_i-1；

2433：当F_i>f×F_i-1，进行如下处理：

24331：n_i＝n_i+1；

24332：利用AdaBoost算法在P和N上训练具有n_i个特征数(弱分类器)的强分类器；

24333：衡量当前级联分类器误识率F_i和检测率D_i；

24334：低第i层的强分类器阈值，直到当前级联分类器的检测率达到d×D_i-1；

2434：将负样本集N设置为空集；

2435：利用当前的级联分类器检测受电弓负样本图像，将误识的图像放入负样本集N。

步骤30、采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；

本实例采用多尺度检测机制对受电弓进行检测，步骤是：

31：计算待检测图像的积分图，便于快速计算各个检测窗口的特征；

32：初始化检测窗口，大小与级联分类器训练采用的正样本一致，对输入图像进行多种规模的、各个位置的窗口检测；

33：等比放大检测窗口，以检测不同大小的子图像；

34：区域合并：将同一受电弓在不同的尺度和邻近的位置上检测到的多次结果进行合并，得到合适的受电弓位置，如图5所示。

步骤40：构建受电弓主动形状模型；

本实施例构建受电弓主动形状模型步骤是：

41：采用形态学滤波运算方法对步骤10采集的受电弓图像逐一进行图像降噪预处理；

42：在每张图像中选取受电弓轮廓的角点、边界点作为特征点，通过人工手动的方式，对受电弓特征点进行标记，且每张受电弓图像中的特征标记点必须相互对应、数量保持一致；

43：将标记完成的受电弓特征点的图像坐标保存于文本文件中，不同受电弓图像的特征点分开保存，且受电弓图像文件名称与对应的特征点文件名称保持一致，标记结果如图6所示。图像坐标指以图像左上角为坐标原点，水平向右方向为X轴，垂直向下方向为Y轴的坐标体系的像素坐标。此时，所有受电弓图像可以采用特征点的点分布模型(Pointdistribution model，PDM)对受电弓形状进行描述，即受电弓图像i的形状可以通过其所有特征点数学表示为：N为受电弓图像的特征点总数。受电弓图像学习样本集可以表示为：M为受电弓图像总数目；

44：基于受电弓图像和相应的特征点，根据主动形状模型(Active Shape Model，ASM)算法原理，建立受电弓主动形状模型。具体步骤包括：

441：采用Generalized Procrustes analysis(GPA)方法对所有受电弓图像的点分布模型进行对齐(Align)。对齐步骤如下：

4411：对于受电弓形状xⁱ，i＝2，3，…，M，逐个进行旋转、缩放和平移，并与形状x¹做对齐，得到变换后的形状集合

4412：计算变换后的所有受电弓图像形状的平均值m；

其中：

4413：将平均形状m进行旋转、缩放和平移，与样本做对齐；

4414：将进行旋转、缩放和平移，与调整后的平均形状进行对齐匹配；

4415：如果平均形状收敛，停止。否则跳至第4412步。

最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状之间的差别，即寻找到变换(T_i)，使得下式取值最小。

∑|m-T_i(x_i)|²

所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为：以两个受电弓形状为例，每个形状有N个坐标对：

首先定义一个变换T，T是由一个平移(t_x，t_y)，旋转θ和尺度s组成，则形状x²的变换可以表示为：

设

将形状x²经过变换T对齐到x¹，最佳的变换可以通过最小化下面的表达式得到：

E＝[x¹-Rx²-(t_x，t_y)^T]^T[x¹-Rx²-(t_x，t_y)^T]

这个最小化是最小二乘法的常规应用：E对未知变量θ，s，t_x，t_y的偏微分可以计算出来，并令它们为零，联立这些方程，既可求解得变换T。

442：ASM模型建立：假设目前已经存在经过对齐处理的M个训练形状每个形状可以由N对坐标给出：平均形状设为：然后计算协方差矩阵(2N×2N维)：训练形状在某些方向上的变化是描述受电弓形状的重要性质，可以从协方差矩阵S的特征向量中得到，亦即，求解线性方程：Sp_i＝λ_ip_i。协方差矩阵S的特征向量为(对应的特征值已按降序排列)：

P＝(p¹p²p³…p^2N)

则对于任何向量X，存在向量b(形状模型参数)，满足

也可表示为：

特征值较大的特征向量描述了训练形状变化最大的方向，在描述“合理”的形状与平均形状偏差有多大时，p^2N，p^2N-1，…方向上的贡献是微不足道的。因此可以设：

P_t＝(p¹p²p³…p^t) t≤2N

b_t＝(b₁，b₂，…，b_t)^T

可以得到估计

如果X是与训练集相关的合理形状，对于足够大的t，该估计可以很好地拟合真实形状。

向量b_t定义了一组可变模型参数，不同的b_t可以拟合出不同变化的形状。研究表明，b_i在训练集上的方差将会与特征值λ_i相关；相应地，对于较好的形状，b_i通常要求满足下面的不等式

步骤50：结合检测结果和主动形状模型的受电弓精确匹配和识别；

本实施例结合受电弓检测结果和主动形状模型进行受电弓精确匹配和识别，具体采用单分辨率搜索算法精确匹配受电弓形状，具体步骤包括：

51：根据步骤40建立受电弓主动形状模型过程中生成的平均形状和待检测图像中受电工的初始位置，初始化受电弓形状，表示如下：

52：在初始化受电弓形状的每一个标记点处，在边界附近沿边界的法向进行搜索，确定具有最高梯度的像素点，给该点打上最佳目标位置的标志，将标记点向这个标志点移动，如果没有明显的新目标点，标记点位置不作移动，算法示意如图7所示。

53：通过上述标记点移动后，形状发生了改变，发生改变的形状与初始化受电弓形状之间存在一个位移向量由上述知：发生位移后可以表示为：

可得进一步推导得

54：重复第52、53步，直到姿态参数变化可以忽略不计。

步骤60：受电弓定量检测和分析。

本实例在精确匹配和识别结果基础上对受电弓碳滑板厚度进行定量检测和分析。具体步骤是：

61：根据受电弓精确匹配结果，获取受电弓厚度；

62：由于受电弓支架厚度与受电弓类型相关，且对于特定的受电弓类型，受电弓支架厚度是固定已知的，可作为先验知识。因此，碳滑板厚度可以通过受电弓厚度与受电弓支架厚度相减得到，如图8所示。

最后，通过设定受电弓碳滑板厚度磨损的标准，与检测结果进行对比，若判断检测受电弓碳滑板磨损超出标准，则发出报警并提示更换受电弓。

实验结果表明，通过本技术方案，可以对复杂背景下、不同角度和不同尺度变化的受电弓作出更加精确的定位和识别。相比现有的相关算法，本发明在保证精确率的同时，增强了算法的鲁棒性，实现了受电弓的线上自动检测。

本发明跳出了传统多图像、安装检测装置的受电弓在线检测设计思路，提出一种全新的基于AdaBoost和主动形状模型的受电弓自动识别方法。该方法只需在线获取一张受电弓图像，首先通过AdaBoost级联分类器检测受电弓，然后结合检测结果，加入基于主动形状模型的学习算法，从而能够自适应地把具有形状可变性的受电弓精确检测出来，可更加快速地进行车辆维护，节约受电弓检测成本。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (5)

1.一种基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，包括：

步骤10、获取受电弓图像学习样本集；

步骤20、AdaBoost级联分类器训练；

步骤30、采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；

步骤40、构建受电弓主动形状模型；

步骤50、结合检测结果和主动形状模型的受电弓精确匹配和识别；

步骤60、受电弓定量检测和分析，

所述步骤10中获取受电弓图像学习样本集包括两套：AdaBoost学习样本集：用于训练AdaBoost级联分类器；主动形状模型学习样本集：用于训练受电弓主动形状模型，具体通过安装于电力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像，形成受电弓图像学习样本集，其中，AdaBoost学习样本集包括正样本和负样本；主动形状模型学习样本集至少包含50张受电弓图像，且各受电弓图像的分辨率保持一致；

所述步骤20中AdaBoost级联分类器训练，具体步骤是：

一、收集受电弓正样本和负样本，正样本中必须包含待检测的受电弓目标，且正样本归一化为同一大小；负样本中不能包含受电弓，图像尺寸大于正样本；

二、Harr-like特征选择与计算，选择边缘和线性的扩展Harr-like特征作为检测受电弓的特征；采用积分图快速计算特征；

三、强分类器训练，基于步骤10所述的AdaBoost正样本和负样本集，采用AdaBoost算法训练多个弱分类器，并线性加权组成强分类器，具体训练过程描述如为：

给定受电弓正样本和负样本集(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)，…，(x_n，y_n)，其中x_i表示第i个样本，y_i＝0时表示其为负样本，y_i＝1时表示其为正样本，n为正样本和负样本总数；

初始化权重，对于正样本：w_i＝1/2l，l为正样本个数；对于负样本：w_i＝1/2m，m为负样本个数；

当t＝1，...，T，进行如下迭代处理：

(1)权重归一化：

(2)对每个特征f，训练一个弱分类器h(x_i，f，p，θ)，并计算该弱分类器的加权错误率，找出一个具有最小错误率ε_t的弱分类器作为最优弱分类器：

(3)权重更新：

其中，e_i＝0表示样本x_i检测正确，e_i＝1表示样本检测错误；

最终的强分类器：

其中，

四、级联分类器训练，训练多个强分类器，组成级联分类器，具体步骤是：

(1)确定每层，即每个强分类器的最大误识率f，最小要达到的检测率d；

(2)指定最终级联分类器的误识率为F_target；

设P代表正样本集，N代表负样本集，初始误识率F₀＝1.0，初始检测率D₀＝1.0，i＝0；

(3)当F_i＞F_target，进行如下处理：

i＝i+1；

n_i＝0；F_i＝F_i-1；

当F_i＞f×F_i-1，进行如下处理：

n_i＝n_i+1；

利用AdaBoost算法在P和N上训练具有n_i个特征数的强分类器；

衡量当前级联分类器误识率F_i和检测率D_i；

低第i层的强分类器阈值，直到当前级联分类器的检测率达到d×D_i-1；

将负样本集N设置为空集；

利用当前的级联分类器检测受电弓负样本图像，将误识的图像放入负样本集N。

2.如权利要求1所述的基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，所述步骤30采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测，具体采用多尺度检测机制对受电弓进行检测，步骤是：

计算待检测图像的积分图，便于快速计算各个检测窗口的特征；

初始化检测窗口，大小与级联分类器训练采用的正样本一致，对输入图像进行多种规模的、各个位置的窗口检测；

等比放大检测窗口，以检测不同大小的子图像；

区域合并：将同一受电弓在不同的尺度和邻近的位置上检测到的多次结果进行合并，得到合适的受电弓位置。

3.如权利要求1所述的基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，所述步骤40中构建受电弓主动形状模型，具体步骤是：

采用形态学滤波运算方法对步骤10采集的主动形状模型学习样本集逐一进行图像降噪预处理；

在每张图像中选取受电弓轮廓的角点、边界点作为特征点，通过人工手动的方式，对受电弓特征点进行标记，且每张受电弓图像中的特征标记点必须相互对应、数量保持一致；

将标记完成的受电弓特征点的图像坐标保存于文本文件中，不同受电弓图像的特征点分开保存，且受电弓图像文件名称与对应的特征点文件名称保持一致，图像坐标指以图像左上角为坐标原点，水平向右方向为X轴，垂直向下方向为Y轴的坐标体系的像素坐标；

基于受电弓图像和相应的特征点，根据主动形状模型算法原理，建立受电弓主动形状模型，该模型以文件的形式存在。

4.如权利要求1所述的基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，所述步骤50中结合受电弓检测结果和主动形状模型的受电弓精确匹配和识别，具体采用单分辨率搜索算法精确匹配受电弓形状。

5.如权利要求1所述的基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，所述步骤60中受电弓定量检测和分析，指在精确匹配和识别结果基础上对受电弓碳滑板厚度进行定量检测和分析，具体步骤是：

根据受电弓精确匹配结果，获取受电弓厚度；

由于受电弓支架厚度与受电弓类型相关，且对于特定的受电弓类型，受电弓支架厚度是固定已知的，可作为先验知识， 因此，碳滑板厚度可以通过受电弓厚度与受电弓支架厚度相减得到。