CN107153835A - 一种高铁接触网多线路图像的识别及归一化方法及系统 - Google Patents
一种高铁接触网多线路图像的识别及归一化方法及系统 Download PDFInfo
- Publication number
- CN107153835A CN107153835A CN201610120366.1A CN201610120366A CN107153835A CN 107153835 A CN107153835 A CN 107153835A CN 201610120366 A CN201610120366 A CN 201610120366A CN 107153835 A CN107153835 A CN 107153835A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- mtd
- mrow
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高铁接触网多线路图像的识别及归一化方法及系统,该方法包括：获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。本发明所提供的方法及系统，基于各零部件的模板图像，能够快速识别出众多的图像中每幅图像为哪些零部件的图像，并能够实现各种不同图像的归一化处理，为后续基于图像的各零部件的问题分析提供了良好的基础，大大提高了后续图像分析的效率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种高铁接触网多线路图像的识别及归一化方法及系统。
背景技术
随着高速铁路运输技术的进一步发展及其广泛应用，高铁接触网作为向机车提供电能的重要设施，其是否处于安全工作状态也越来越受到关注。为了保证接触网处于良好工作状态，以利于电气化铁道的安全运营，尽早发现并处理接触网故障。实际中，高铁接触网故障主要由零部件的松、脱、缺、裂等造成。目前，接触网检测模式主要还是在天窗作业时人工上线巡检，但由于线路所处环境复杂，人为观察危险性高以及职工素质不均等因素，及有可能会出现漏检的情况，从而造成安全隐患。
随着计算机技术和机器视觉技术的发展，在高铁接触网的故障检查和维护时，应用高科技技术变的越来越普遍。应用这些技术不仅能够节约人力资源成本，还能够更快更及时地发现故障，从而方便高铁接触网的维护，减小维护周期，提高维护效率。但是对于高铁区段中接触网悬挂规格不一致的情况，现有的成像检测装置在换一条线路时则需要修改为不同的方法，时间成本和人力成本均较高。并且在同一线路上接触网悬挂也具有不同的规格，在图像上具有不同的成像结果，将各种形态的图像进行归一是后续图像分析时故障识别的必须步骤。本发明真实针对该需求而提出的一种高铁接触网多线路图像归一化方法及系统。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种高铁接触网多线路图像的识别及归一化方法及系统，通过该方法及系统能够快速识别出大量待处理图像中的零部件的类型，并能够实现各种不同图像的归一化处理，为后续基于图像的各零部件的问题分析提供了良好的基础。
为实现上述目的，本发明采用的技术方案如下：
一种高铁接触网多线路图像的识别及归一化方法，包括以下步骤：
(1)获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；
(2)将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；确定方式为：
判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；
(3)将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤(1)中，建立模板图像的方式为：
选定各感兴趣零部件的图像，将图像记为点集p，点集p中的元素为感兴趣零部件的图像中各像素点的坐标，点集p中各像素点的方向向量的点集为d，以所述点集p和点集d表示感兴趣零部件的模板图像；一个像素点的方向向量为该像素点的坐标点与坐标原点之间直线的方向向量。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤(2)中，将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像，包括：
2-1)计算待匹配图像中每个像素点的方向向量，待匹配图像中所有像素点的方向向量记为点集e；
2-2)计算模板图像与待匹配图像的相似度，所述相似度为模板图像中所有像素点的方向向量和待匹配图像的像素点的方向向量的点积的总和；
2-3)将所述相似度进行归一化处理，判断归一化后的相似度是否大于设定阈值，若是，则所述待匹配图像中的零部件是该相似度所对应的模板图像中的零部件，该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤2-2)中，计算模板图像与待匹配图像相似度的公式为：
其中，n为模板图像中像素点的个数，di为模板图像中像素点i的方向向量，eq+p为待匹配图像中与模板图像中的像素点i相对应点的像素点的方向向量，为和eq+p的点积，为di的转置向量；
步骤2-3)中，将相似度进行归一化处理的公式为：
其中，s'为归一化后的相似度，||di||为方向向量di的长度，||eq+p||为方向向量eq+p的长度。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤2-2)中，在计算模板图像与待匹配图像相似度之前，还包括将所述待匹配图像进行线性增强处理的步骤。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤(1)中，所述感兴趣零部件包括定位器支座、斜拉线定位钩、承力索支撑底座、双耳套筒、上端套筒、下端套筒、防风拉线固定环、横腕臂绝缘子、斜腕臂绝缘子、横腕臂底座和斜腕臂底座。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤(3)中，所述图像尺寸归一化的方式为：
①将待匹配图像进行归一化矩阵变换，使待匹配图像中与模板图像相匹配的区域的中心坐标与模板图像的中心坐标重合；所述矩阵变换包括平移变换、缩放变换和旋转变换；
②以模板图像的中心坐标为中心，按照预设的图像尺寸，将矩阵变换后的待匹配图像进行裁剪。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤①中，将待匹配图像进行归一化矩阵变换的归一化矩阵HomMat2DGlobal的公式为：
HomMat2DGlobal＝
HomMat2DTranSlate*HomMat2DScale*HomMat2DRotate
其中，HomMat2DTranSlate表示平移变换矩阵，HomMat2DScale表示缩放变换矩阵，HomMat2DRotate表示旋转变换矩阵；
所述平移变换矩阵计算方式为：
其中,ModelRow、ModelColumn分别表示模板图像的中心的行坐标和列坐标，Row、Column分别表示匹配到的目标的中心在待匹配图像中的行坐标和列坐标；
所述缩放变换矩阵为：
其中，ModelScale表示待匹配图像归一化时，待匹配图像相对于模板图像的缩放系数；
所述旋转变换矩阵为：
其中，phi表示待匹配图像归一化时，待匹配图像相对于模板图像的旋转角度。
进一步，如上所述的一种高铁接触网多线路图像的识别及归一化方法，步骤(3)中，所述图像灰度的归一化处理的公式为：
f(g)＝ag+b
a＝(2b-1)/(gmax-gmin)
b＝-agmin
其中，f(g)为灰度归一化后的匹配图像中像素点的灰度值，g为灰度归一化前的匹配图像中像素点的灰度值；gmax是待匹配图像中的最大灰度值；gmin是待匹配图像中的最小灰度值。
本发明实施例中还提供了一种高铁接触网多线路图像的识别及归一化系统，包括：
模板图像建立模块，用于获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；
图像匹配模块，用于将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；确定方式为：
判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；
图像归一化模块，用于将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。
本发明的有益效果在于：本发明所提供的高铁接触网多线路图像的识别及归一化方法及系统，基于各零部件的模板图像，能够快速识别出众多的图像中每幅图像为哪个零部件的图像，并能够实现各种不同图像的归一化处理，为后续基于图像的各零部件的问题分析提供了良好的基础，大大提高了后续图像分析的效率。
附图说明
图1为本发明具体实施方式中提供的一种高铁接触网多线路图像的识别及归一化方法的流程图；
图2为本发明具体实施方式中提供的一种高铁接触网多线路图像的识别及归一化系统的结构框图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
图1示出了本发明具体实施方式中提供的一种高铁接触网多线路图像的识别及归一化方法的流程图，由图中可以看出，该方法主要包括以下几个步骤：
步骤S100：建立高铁接触网各感兴趣部件的模板图像；
首先，获取高铁接触网接触悬挂部分(支持定位装置等部分)的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像。所述感兴趣零部件指的高铁接触网中可能出现故障的部件，一般主要是一些其连接作用的零部件，本实施方式中，所述感兴趣部件包括但不限于包括定位器支座、斜拉线定位钩、承力索支撑底座、双耳套筒、上端套筒、下端套筒、防风拉线固定环、横腕臂绝缘子、斜腕臂绝缘子、横腕臂底座和斜腕臂底座等。
为了建立各感兴趣零部件的模板图像，可以通过高清图像采集设备单独分别采集各感兴趣零部件的高清图像，然后依据该高清图像建立模板图像，也可以是通过高清图像采集设备采集一些接触悬挂装置中包括上述各零部件的图像，然后选择成像效果较好的图像，然后再在选择出的图像中切分出各感兴趣零部件所在区域的图像，分别对切分出的各感兴趣零部件的区域图像进行操作，完成模板图像的建立。
本实施方式中，依据各感兴趣零部件的图像中像素点的坐标和各像素点的方向向量来完成各感兴趣零部件的模板图像的建立，具体的：
选定各感兴趣零部件的图像，将图像记为点集p，点集p中的元素为感兴趣零部件的图像中各像素点的坐标，点集p中各像素点的方向向量的点集记为d，将所述点集p和d表示为感兴趣图像的模板图像；
pi＝(ri,ci)T
di＝(ti,ui)T
其中，pi表示模板图像中像素点i的坐标，ri、ci分别表示像素点i的行坐标和列坐标，di为像素点i的方向向量；一个像素点的方向向量为该像素点的坐标点与坐标原点之间直线的方向向量，坐标原点为模板图像的左上角。本实施方式中，采用了向量的方式对像素点的坐标进行了表示，像素点i的坐标pi为点集p中的第i个元素，即
其中，像素点的方向向量可以通过各种不同的图像处理操作得到，一般情况下可以使用边缘提取的方法来计算各像素点的方向向量。
步骤S200：将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的所对应的模板图像；
所述待匹配图像指的是需要识别的图像。通过计算待匹配图像与各模板图像的相似度，来完成待匹配图像的识别，具体的：
计算待匹配图像与各模板图像的相似度，判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像。
在实际识别中，如果待匹配图像与两个或多个模板图像的相似度均大于设定阈值，此时将相似度最高的模板图像确定为待匹配图像的模板图像。
本实施方式中，将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的所对应的模板图像的具体步骤包括：
1)计算待匹配图像中每个像素点(r,c)的方向向量，待匹配图像中所有像素点的方向向量记为点集e，er,c＝(vr,c,wr,c)T；与模板图像中像素点的方向向量表示方式相同，(vr,c,wr,c)T表示点集e中的任一元素即待匹配图像中像素(r,c)的方向向量；
在实际应用中，对于通过图像采集设备采集到的待匹配图像，为了更加突出待匹配图像中零部件的特征首先对待匹配图像进行线性增强处理，以提高图像对比度。将待匹配图像进行线性增强的方式采用现有的图像增强方式即可，如采用对比度拉伸进行图像增强。
如果进行了图像的线性增强，该步骤中则计算线性增强后的待匹配图像中每个像素点的方向向量。
2)计算模板图像与待匹配图像的相似度，所述相似度为模板图像中所有像素点的方向向量和待匹配图像相应像素点的方向向量的点积的总和；本实施方式中，计算模板图像与待匹配图像相似度的方式为：
其中，n为模板图像中像素点的个数，di为模板图像中像素点i的方向向量，eq+p为待匹配图像中与模板图像中的像素点i相对应点的像素点的方向向量，为和eq+p的点积，为di的转置；
3)将所述相似度进行归一化处理，判断归一化后的相似度是否大于设定阈值，若是，则所述待匹配图像中的零部件是该相似度所对应的模板图像中的零部件，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；本实施方式中，将相似度进行归一化处理的公式为：
其中，s'为归一化后的相似度，||di||为方向向量di的长度，||eq+p||为方向向量eq+p的长度。
使用归一化的相似度使得图像匹配可以不受任意光照变化的影响，归一化的相似度都将返回一个小于等于1的作为待匹配对象与模板图像的匹配分值，相似度越高两者越匹配。所述设定阈值根据实际应用的场景进行设定，为[0,1]的数字，如可以设置为0.5。
记录模板的中心行坐标ModelRow和列坐标ModelColumn，以及归一化时，待匹配图像需要旋转的角度ModelAngle(待匹配图像中与模板图像相匹配的区域的图像相对于模板图像的旋转角度)，以及待匹配图像相对于模板图像的缩放系数ModelScale。
在实际应用中，基于图像的高铁接触网各部分的故障分析，首先都需要采集大量的各零部件的图像，在需要对某一特定零部件进行分析时，首先需要选出所采集的大量图像中属于该零部件的图像，采用上述匹配方式，可以依据该零部件的模板图像，识别出大量图像中的属于该零部件的图像，此时，只需要以需要分析的零部件的模板图像为依据，计算所有采集的图像与该模板图像的相似度，依据相似度识别出所采集到的图像中属于该零部件的图像。
步骤S300：将待匹配图像进行归一化处理。
本实施方式中，所述归一化处理包括图像尺寸归一化和图像灰度归一化。其中，图像尺寸归一化的方式为：
①将待匹配图像进行归一化矩阵变换；所述矩阵变换包括平移变换、缩放变换和旋转变换；
②以模板的中心坐标为中心，按照预设的图像尺寸，将矩阵变换后的待匹配图像进行裁剪。本实施方式中，所述预设的图像尺寸大小可以根据实际应用场景(需要考虑模板图像的尺寸、待匹配图像的尺寸等因素)进行设定。
本实施方式中，步骤①中，将待匹配图像进行归一化矩阵变换的归一化矩阵HomMat2DGlobal的公式为：
HomMat2DGlobal＝
HomMat2DTranSlate*HomMat2DScale*HomMat2DRotate
其中，HomMat2DTranSlate表示平移变换矩阵，HomMat2DScale表示缩放变换矩阵，HomMat2DRotate表示旋转变换矩阵；
所述平移变换矩阵计算方式为：
其中,ModelRow、ModelColumn分别表示模板图像的中心的行坐标和列坐标，Row、Column分别表示匹配到的目标的中心在待匹配图像中的行坐标和列坐标(在进行模板图像和待匹配图像的匹配时，待匹配图像中与模板图像匹配的区域的中心的坐标)；
所述缩放变换矩阵为：
其中，ModelScale表示待匹配图像归一化时，待匹配图像相对于模板图像的缩放系数；
所述旋转变换矩阵为：
其中，phi表示待匹配图像归一化时，待匹配图像相对于模板图像的旋转角度，即phi＝ModelAngle。
本实施方式中，所述图像灰度的归一化处理的公式为：
f(g)＝ag+b
a＝(2b-1)/(gmax-gmin)
b＝-agmin
其中，f(g)为灰度归一化后的匹配图像中像素点的灰度值，g为灰度归一化前的匹配图像中像素点的灰度值；gmax是待匹配图像中的最大灰度值；gmin是待匹配图像中的最小灰度值；a反应的是图像对比度；b反应的是图像的亮度。
本发明所提供的上述图像的识别及归一化方法，为多条高铁线路接触网结构不一致时的图像分析算法提供了方便，能够实现接触网悬挂上其主要连接作用的零部件的定位，能够将接触网悬挂上零部件的高清图像进行尺寸及灰度的归一化处理，给不同的高铁接触网零部件的图像分析提供了一种思路。
与本发明所提供的上述图像的识别及归一化方法相对应，本发明还提供了一种高铁接触网多线路图像的识别及归一化系统，如图2所示，该系统包括模板图像建立模块100、图像匹配模块200和图像归一化模块300。其中：
模板图像建立模块100，用于获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；
图像匹配模块200，用于将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；确定方式为：
判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；
图像归一化模块300，用于将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种高铁接触网多线路图像的识别及归一化方法，包括以下步骤：
(1)获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；
(2)将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；确定方式为：
判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；
(3)将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。
2.根据权利要求1所述的一种高铁接触网多线路图像的识别与归一化方法，其特征在于：步骤(1)中，建立模板图像的方式为：
选定各感兴趣零部件的图像，将图像记为点集p，点集p中的元素为感兴趣零部件的图像中各像素点的坐标，点集p中各像素点的方向向量的点集为d，以所述点集p和点集d表示感兴趣零部件的模板图像；一个像素点的方向向量为该像素点的坐标点与坐标原点之间直线的方向向量。
3.根据权利要求2所述的一种高铁接触网多线路图像的识别与归一化方法，其特征在于：步骤(2)中，将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像，包括：
2-1)计算待匹配图像中每个像素点的方向向量，待匹配图像中所有像素点的方向向量记为点集e；
2-2)计算模板图像与待匹配图像的相似度，所述相似度为模板图像中所有像素点的方向向量和待匹配图像的像素点的方向向量的点积的总和；
2-3)将所述相似度进行归一化处理，判断归一化后的相似度是否大于设定阈值，若是，则所述待匹配图像中的零部件是该相似度所对应的模板图像中的零部件，该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像。
4.根据权利要求3所述的一种高铁接触网多线路图像的识别与归一化方法，其特征在于：步骤2-2)中，计算模板图像与待匹配图像相似度的公式为：
<mrow>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</msub>
</mrow>
其中，n为模板图像中像素点的个数，di为模板图像中像素点i的方向向量，eq+p为待匹配图像中与模板图像中的像素点i相对应点的像素点的方向向量，为和eq+p的点积，为di的转置向量；
步骤2-3)中，将相似度进行归一化处理的公式为：
<mrow>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>e</mi>
<mrow>
<mi>q</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，s'为归一化后的相似度，||di||为方向向量di的长度，||eq+p||为方向向量eq+p的长度。
5.根据权利要求4所述的一种高铁接触网多线路图像的识别与归一化方法，其特征在于：步骤2-2)中，在计算模板图像与待匹配图像相似度之前，还包括将所述待匹配图像进行线性增强处理的步骤。
6.根据权利要求1所述的一种高铁接触网多线路图像的识别及归一化方法，其特征在于：步骤(1)中，所述感兴趣零部件包括定位器支座、斜拉线定位钩、承力索支撑底座、双耳套筒、上端套筒、下端套筒、防风拉线固定环、横腕臂绝缘子、斜腕臂绝缘子、横腕臂底座和斜腕臂底座。
7.根据权利要求1所述的一种高铁接触网多线路图像的识别及归一化方法，其特征在于：步骤(3)中，所述图像尺寸归一化的方式为：
①将待匹配图像进行归一化矩阵变换，使待匹配图像中与模板图像相匹配的区域的中心坐标与模板图像的中心坐标重合；所述矩阵变换包括平移变换、缩放变换和旋转变换；
②以模板图像的中心坐标为中心，按照预设的图像尺寸，将矩阵变换后的待匹配图像进行裁剪。
8.根据权利要求7所述的一种高铁接触网多线路图像的识别及归一化方法，其特征在于：步骤①中，将待匹配图像进行归一化矩阵变换的归一化矩阵HomMat2DGlobal的公式为：
HomMat2DGlobal＝
HomMat2DTranSlate*HomMat2DScale*HomMat2DRotate
其中，HomMat2DTranSlate表示平移变换矩阵，HomMat2DScale表示缩放变换矩阵，HomMat2DRotate表示旋转变换矩阵；
所述平移变换矩阵计算方式为：
<mrow>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mn>2</mn>
<mi>D</mi>
<mi>T</mi>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>S</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>M</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>l</mi>
<mi>R</mi>
<mi>o</mi>
<mi>w</mi>
<mo>-</mo>
<mi>R</mi>
<mi>o</mi>
<mi>w</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>M</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>l</mi>
<mi>C</mi>
<mi>o</mi>
<mi>l</mi>
<mi>u</mi>
<mi>m</mi>
<mi>n</mi>
<mo>-</mo>
<mi>C</mi>
<mi>o</mi>
<mi>l</mi>
<mi>u</mi>
<mi>m</mi>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>*</mo>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mn>2</mn>
<mi>D</mi>
</mrow>
其中,ModelRow、ModelColumn分别表示模板图像的中心的行坐标和列坐标，Row、Column分别表示匹配到的目标的中心在待匹配图像中的行坐标和列坐标；
所述缩放变换矩阵为：
<mrow>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mn>2</mn>
<mi>D</mi>
<mi>S</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>l</mi>
<mi>S</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>M</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>l</mi>
<mi>S</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，ModelScale表示待匹配图像归一化时，待匹配图像相对于模板图像的缩放系数；
所述旋转变换矩阵为：
<mrow>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mn>2</mn>
<mi>D</mi>
<mi>R</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>h</mi>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>h</mi>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>h</mi>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>h</mi>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
3
其中，phi表示待匹配图像归一化时，待匹配图像相对于模板图像的旋转角度。
9.根据权利要求1所述的一种高铁接触网多线路图像的识别及归一化方法，其特征在于：步骤(3)中，所述图像灰度的归一化处理的公式为：
f(g)＝ag+b
a＝(2b-1)/(gmax-gmin)
b＝-agmin
其中，f(g)为灰度归一化后的待匹配图像中像素点的灰度值，g为灰度归一化前的待匹配图像中像素点的灰度值；gmax是待匹配图像中的最大灰度值；gmin是待匹配图像中的最小灰度值。
10.一种高铁接触网多线路图像的识别及归一化系统，包括：
模板图像建立模块，用于获取高铁接触网接触悬挂部分的各感兴趣零部件的图像，根据获取的图像建立各感兴趣零部件的模板图像；
图像匹配模块，用于将待匹配图像与各模板图像进行匹配，计算待匹配图像与各模板图像的相似度，根据相似度确定出待匹配图像所对应的模板图像；确定方式为：
判断待匹配图像与模板图像的相似度是否大于设定阈值，若是，则该相似度所对应的模板图像是待匹配图像所对应的模板图像，若否，则该相似度所对应的模板图像不是待匹配图像所对应的模板图像；
图像归一化模块，用于将待匹配图像进行归一化处理，所述归一化处理包括图像尺寸归一化和图像灰度归一化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610120366.1A CN107153835A (zh) | 2016-03-03 | 2016-03-03 | 一种高铁接触网多线路图像的识别及归一化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610120366.1A CN107153835A (zh) | 2016-03-03 | 2016-03-03 | 一种高铁接触网多线路图像的识别及归一化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107153835A true CN107153835A (zh) | 2017-09-12 |
Family
ID=59792134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610120366.1A Pending CN107153835A (zh) | 2016-03-03 | 2016-03-03 | 一种高铁接触网多线路图像的识别及归一化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107153835A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
| CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156888A (zh) * | 2011-04-27 | 2011-08-17 | 西安电子科技大学 | 基于特征点局部颜色及分布特征的图像拣出方法 |
| CN102339376A (zh) * | 2010-07-14 | 2012-02-01 | 上海一格信息科技有限公司 | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 |
| CN102980896A (zh) * | 2012-11-28 | 2013-03-20 | 西南交通大学 | 高铁接触网悬挂装置耳片断裂检测方法 |
| CN104881861A (zh) * | 2015-03-11 | 2015-09-02 | 西南交通大学 | 一种基于图元分类的高铁接触网悬挂装置故障状态检测方法 |
| CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
-
2016
- 2016-03-03 CN CN201610120366.1A patent/CN107153835A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102339376A (zh) * | 2010-07-14 | 2012-02-01 | 上海一格信息科技有限公司 | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 |
| CN102156888A (zh) * | 2011-04-27 | 2011-08-17 | 西安电子科技大学 | 基于特征点局部颜色及分布特征的图像拣出方法 |
| CN102980896A (zh) * | 2012-11-28 | 2013-03-20 | 西南交通大学 | 高铁接触网悬挂装置耳片断裂检测方法 |
| CN104881861A (zh) * | 2015-03-11 | 2015-09-02 | 西南交通大学 | 一种基于图元分类的高铁接触网悬挂装置故障状态检测方法 |
| CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| （德）斯蒂格（STEGER，C.）等: "《机器视觉算法与应用》", 30 November 2008, 清华大学出版社 * |
| 余成波，秦华锋著: "《生物特征识别技术 手指静脉识别技术》", 30 April 2009, 清华大学出版社 * |
| 张德丰: "《MATLAB数字图像处理》", 31 January 2009, 机械工业出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
| CN110532897B (zh) * | 2019-08-07 | 2022-01-04 | 北京科技大学 | 零部件图像识别的方法和装置 |
| CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
| CN111242052B (zh) * | 2020-01-16 | 2023-08-08 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104809732B (zh) | 一种基于图像比对的电力设备外观异常检测方法 | |
| CN108009591B (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
| CN105719305B (zh) | 接触网中组件脱落缺陷识别方法及系统 | |
| CN105426905B (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
| CN108022235A (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
| CN105654461B (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
| CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
| Song et al. | A vision-based broken strand detection method for a power-line maintenance robot | |
| CN102980896B (zh) | 高铁接触网悬挂装置耳片断裂检测方法 | |
| CN101620676A (zh) | 绝缘子轮廓的快速图像识别方法 | |
| CN109300118B (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
| CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
| CN111027631B (zh) | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 | |
| CN112116594B (zh) | 一种基于语义分割的风飘异物识别方法和装置 | |
| CN112101138B (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
| CN105740868A (zh) | 一种基于圆形算子的图像边缘提取方法和装置 | |
| CN107153835A (zh) | 一种高铁接触网多线路图像的识别及归一化方法及系统 | |
| CN107169951A (zh) | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 | |
| CN115331000A (zh) | 一种基于orb算法的弓网运行状态检测方法 | |
| CN113627299A (zh) | 一种基于深度学习的导线漂浮物智能识别方法及装置 | |
| CN114266963A (zh) | 一种导线缠绕间隙识别方法、设备及存储介质 | |
| CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
| CN112288674A (zh) | 车载式接触网部件缺陷在线识别方法 | |
| KR102485033B1 (ko) | 전력설비의 기계학습을 위한 학습 데이터 구축장치 및 그 방법 | |
| CN114155212A (zh) | 一种基于红外图像的变电站异常绝缘子检测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170912 |
|
| RJ01 | Rejection of invention patent application after publication |