CN110766754A - 一种城轨列车受电弓目标定位方法 - Google Patents

Abstract

本发明公开了一种城轨列车受电弓目标定位方法。该方法为基于ssd‑tensorflow和混合高斯聚类算法，包括以下步骤：收集现场采集到的受电弓图片，制作训练样本集；利用LabelTool对训练样本集中的目标做标记，生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集；对xml文件进行处理，使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定；更换基础网络Vgg‑16为DenseNet，调整网络参数；对所设定的模型进行训练，得到受电弓定位的检测模型；对训练出的检测模型进行测试，检测受电弓定位精度。本发明具有检测精度高、实时性强的优点。

Description

一种城轨列车受电弓目标定位方法

技术领域

本发明属于目标定位技术领域，特别是一种城轨列车受电弓目标定位方法。

背景技术

受电弓是安装于城轨车辆车顶从接触网获取电流的装置，在日常运行过程中其状态的好坏直接影响到城轨列车的安全性和可靠性。当受电弓损坏或偏离时轻则使车轨列车减速，重则造成弓网事故导致重大的人员伤亡和交通事故，所以对受电弓的定位的准确性对后续受电弓故障分析显得尤为重要。

传统的致城轨列车受电弓定位方法准确度不高，如别致等在“基于图像处理的受电弓检测及滑板定位研究”中采用基于HOG与LBP特征决策融合的方法，首先利用Sobel算子滤波结合直线检测对受电弓区域进行粗检，其次在粗检的基础上再进行受电弓区域的HOG特征与LBP特征提取，然后利用SVM对提取到的特征进行训练，最后将训练得到的两个分类器的分类结果决策融合，从而得到最终的检测结果。但该定位方法受环境因素影响大，给后续处理带来较大的偏差，导致受电弓的定位准确度较低。

发明内容

本发明的目的在于提供一种准确性高、实时性好的城轨列车受电弓目标定位方法。

实现本发明目的的技术解决方案是：一种城轨列车受电弓目标定位方法，基于ssd-tensorflow和混合高斯聚类算法，包括以下步骤：

步骤1，收集现场采集到的受电弓图片，制作训练样本集；

步骤2，利用LabelTool对训练样本集中的目标做标记，生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集；

步骤3，对xml文件进行处理，使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定；

步骤4，更换基础网络Vgg-16为DenseNet，调整网络参数；

步骤5，对步骤3和步骤4所设定的模型进行训练，得到受电弓定位的检测模型；

步骤6，对步骤5训练出的检测模型进行测试，检测受电弓定位精度。

进一步地，步骤1所述收集现场采集的受电弓图片，包括进行图片的预处理，将灰度图像进行伪彩转化作为训练样本，形成训练样本集。

进一步地，步骤2所述生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集，具体为：生成相应的group true box的长宽信息，确定训练样本集及测试集的数量，制成Pascal voc2007数据集格式。

进一步地，步骤3所述使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定，具体步骤如下：

步骤3.1、初始化网络模型参数，由于经典的SSD的长宽比初始化参数为{1/3，1/2，1，2，3}，所以进行混合高斯聚类的话选取初值k＝5；

步骤3.2、计算高斯混合分布，该分步共由k个混合成分组成，每个混合成分对应一个高斯混合分布：

其中P_m(x)表示高斯混合分布，μ_i、∈_i是第i个高斯混合成分的参数，P(x|μ_i，∈_i)是以μ_i为均值向量∈_i为协方差矩阵的多元高斯分布的概率密度函数；

为混合系数，且

步骤3.3、计算CK的后验分布；

若训练集D＝{x₁，x₂，...x_m}由上述过程生成，另随机变量z_j∈{1，2，...k}表示样本x_j的高斯混合成分，取值未知，显然z_j的先验概率P(z_j＝i)对应

i＝1，2，3，...，k，根据贝叶斯定理z_j的后验分布对应于：

步骤3.4、计算新的均向量、协方差矩阵、混合系数；

通过极大似然估计，即最大化似然进行相应参数的计算，公式如下：

其中，μ_i，ε_i分别为均值和均方差，P_m(x_j)为高斯混合分布，j＝1，2...，m，LL(D)表示最大似然估计P_m(x_j)为高斯混合分布，由公式(1)知α_i＞0为混合系数，P(x|μ_i，∈_i)是以μ_i为均值向量ε_i为协方差矩阵的多元高斯分布的概率密度函数；

步骤3.5、如果不满足步骤3.4则跳到步骤3.2进行计算，如果满足步骤3.4，则确定均值向量中心，获得分类模型，并确定默认框的长宽比。

进一步地，步骤4所述更换基础网络Vgg-16为DenseNet，具体是指将传统的SSD的基础网络更换为DenseNet，修改网络结构；DenseNet采用不同大小的卷积核，最后通过不同尺度特征的融合，提取目标特征信息。

进一步地，步骤5所述对步骤3和步骤4所设定的模型进行训练，具体为：

将步骤2制作的Pascal voc2007数据集转化为tf_records形式，按照步骤3和步骤4所设定的模型进行训练，batch_size设置为24，训练最大步数为50000。

本发明与现有技术相比，其显著优点为：(1)通过聚类的方式使默认框更接近于真实框，通过高斯混合聚类的方法，重新设定默认框的长宽比以及默认框中心点的位置，平衡IOU，提高了目标检测的精度；(2)通过更换基础网络提高SDD目标检测效率：将ssd的基础网络替换为DenseNet网络，结合深度可分离卷积，转化为轻量级的特征提取单元以提高系统检测效率，使得受电弓的目标定位准确率得到显著的提高。

附图说明

图1为受电弓目标检测方法的流程示意图。

图2为受电弓目标检测方法的原理示意图。

图3为高斯混合聚类长宽图。

图4为深度可分离卷积结构。

图5为传统SSD模型检测效果图。

图6为改进SSD模型检测效果。

具体实施方式

本发明城轨列车受电弓目标定位方法，基于ssd-tensorflow和混合高斯聚类算法，包括以下步骤：

步骤1，收集现场采集到的受电弓图片，制作训练样本集；

步骤2，利用LabelTool对训练样本集中的目标做标记，生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集；

步骤3，对xml文件进行处理，使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定；

步骤4，更换基础网络Vgg-16为DenseNet，调整网络参数；

步骤5，对步骤3和步骤4所设定的模型进行训练，得到受电弓定位的检测模型；

步骤6，对步骤5训练出的检测模型进行测试，检测受电弓定位精度。

进一步地，步骤1所述收集现场采集的受电弓图片，包括进行图片的预处理，将灰度图像进行伪彩转化作为训练样本，形成训练样本集。

进一步地，步骤2所述生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集，具体为：生成相应的group true box的长宽信息，确定训练样本集及测试集的数量，制成Pascal voc2007数据集格式。

进一步地，步骤3所述使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定，具体步骤如下：

步骤3.1、初始化网络模型参数，由于经典的SSD的长宽比初始化参数为{1/3，1/2，1，2，3}，所以进行混合高斯聚类的话选取初值k＝5；

步骤3.2、计算高斯混合分布，该分步共由k个混合成分组成，每个混合成分对应一个高斯混合分布：

其中P_m(x)表示高斯混合分布，μ_i、∈_i是第i个高斯混合成分的参数，P(x|μ_i，∈_i)是以μ_i为均值向量∈_i为协方差矩阵的多元高斯分布的概率密度函数；

为混合系数，且

步骤3.3、计算CK的后验分布；

若训练集D＝{x₁，x₂，...x_m}由上述过程生成，另随机变量z_j∈{1，2，...k}表示样本x_j的高斯混合成分，取值未知，显然z_j的先验概率P(z_j＝i)对应

根据贝叶斯定理z_j的后验分布对应于：

步骤3.4、计算新的均向量、协方差矩阵、混合系数；

通过极大似然估计，即最大化似然进行相应参数的计算，公式如下：

其中，μ_i，ε_i分别为均值和均方差，P_m(x_j)为高斯混合分布，j＝1，2...，m，LL(D)表示最大似然估计P_m(x_j)为高斯混合分布，由公式(1)知α_i＞0为混合系数，P(x|μ_i，∈_i)是以μ_i为均值向量ε_i为协方差矩阵的多元高斯分布的概率密度函数；

步骤3.5、如果不满足步骤3.4则跳到步骤3.2进行计算，如果满足步骤3.4，则确定均值向量中心，获得分类模型，并确定默认框的长宽比。

进一步地，步骤4所述更换基础网络Vgg-16为DenseNet，具体是指将传统的SSD的基础网络更换为DenseNet，修改网络结构；DenseNet采用不同大小的卷积核，最后通过不同尺度特征的融合，提取目标特征信息。

进一步地，步骤5所述对步骤3和步骤4所设定的模型进行训练，具体为：

将步骤2制作的Pascal voc2007数据集转化为tf_records形式，按照步骤3和步骤4所设定的模型进行训练，batch_size设置为24，训练最大步数为50000。

本发明通过聚类的方式使默认框更接近于真实框，由于手工设定的default box的大小和形状并不一定符合目标物体在整个特征图的状态，此会导致训练模型检测精度的下降，而且可能还会存在默认框不易与真实框匹配的情况，因此会导致其正样本的数量减少，从而导致检测精度下降，通过高斯混合聚类的方法，重新设定默认框的长宽比以及默认框中心点的位置，平衡IOU，提高了目标检测的精度。

传统的SSD目标检测模型使用VGG-16作为基础网络来初步获取目标的低层特征信息，但存在模型过大，运行内存占用较高。通过替换为DenseNet为基础网络结合深度可分离卷积，转化为轻量级的特征提取单元，提高系统检测效率，使得受电弓的目标定位准确率得到显著的提高。

下面结合附图及具体实施例对本发明做进一步详细说明。

实施例

本发明一种城轨列车受电弓目标定位方法，基于深度学习框架tensorflow，以原始SSD模型为基础，首先针对原始SSD网络和受电弓数据集匹配性不佳的问题，改进了检测方法。根据制作好的数据集，采用混合高斯聚类设计新的长宽比从而设计更为合适的默认框分布，然后将目标检测模型的基础网络VGG网络替换为DenseNet以改善目标检测速度提高泛化性能；从而得到更好的检测效果。具体包括以下步骤：

步骤1，现场采集图片，对图片进行预处理，将灰度图片转化为伪彩(3通道图片)，具体如下：

本发明需要现场采集受电弓图片，采集的地点选取了广州地铁13号线官湖车辆段。通过采集软件采集到的图片为灰度图片，对图片进行选取，采用自己编写的脚本文件对灰度图像进行伪彩转化，转化为3通道图片，接着，按照SSD算法标准输入图像的尺寸，对图片进行简单的预处理，生成相应的图片集。

步骤2，结合图1通过标注软件LabelImage对受电弓图片进行标注，并生成xml文件，通过自编脚本控制图片集中训练集与测试集占比，将数据集转化Pascal voc2007数据集的标准格式，具体如下：

(2.1)安装开源的软件LabelImg进行目标标注和xml文件自动生成。通过使用该软件，框选画面中的受电弓目标的外接矩形，并在软件上勾选目标类别为“pantograph”完成一张图片的标注。完成一张图片的标注后，点击“next”继续为下一张图片继续标注，直至所有图片内受电弓都标注了pantograph标签，标注即完成。

(2.2)依照Pascal VOC数据集标准将txt标签文件转化为xml文件，每个xml文件保存了相应图片的标签(label)信息。最终，本发明共标注了300张图片，并按照8比2的比例生成乘客训练数据集和测试数据集。

步骤3，结合表1、图3通过使用高斯混合聚类对上面生成的xml文件中的grop truebox进行长宽比聚类，具体步骤如下：

(3.1)初始化模型参数，由于经典的SSD的长宽比初始化参数为{1/3，1/2，1，2，3}，所以进行混合高斯聚类的话选取初值k＝5。

(3.2)计算高斯混合分布，该分步共由K个混合成分组成，每个混合成分对应一个高斯混合分布：

其中μ_i与∈_i是第i个高斯混合成分的参数，而为混合系数，且

(3.3)计算CK的后验分布

若训练集D＝{x₁，x₂，...x_m}由上述过程生成，另随机变量z_j∈{1，2，...k}表示样本x_j的高斯混合成分，其取值未知，显然z_j的先验概率P(z_j＝i)对应

根据贝叶斯定理z_j的后验分布对应于：

(3.4)计算新的均向量、协方差矩阵、混合系数。

通过极大似然估计，即最大化似然进行相应参数的计算，公式如下：

(3.5)如果不满足条件则跳到(3.2)进行计算，如果满足条件，确定均值向量中心，获得分类模型，确定default box的长宽比，及相应参数，使group true box与default box更接近。

表1真实框的长宽信息及长宽比

长度	宽度	长宽比
			92.6	49.6	1.87
114.2	75.1	1.5
			129.0	76	2.4
110.2	66.2	1.66
			105.9	52.2	2

步骤4，结合图2通过替换DenseNet基网络，调整预测网络的机构以及设置尺度、长宽比更加合适的默认框完成检测器的优化设置，具体如下：

修改网络参数，并进行网络结构的调整，通过train_ssd_network.py进行网络模型的生成。本发明通过在Python脚本中配置优化算法的相关参数即可将改进网络用于检测模型的训练。而网络的改进分为三个方面：

(4.1)以DenseNet取代VGG-16作为SSD模型的基础网络，以改善检测算法的性能。替换了DenseNet基网络的SSD模型，改进的SSD模型在conv5_x后追加了不同尺寸的特征图，这些特征图联合conv3_x以及conv5_x都被用于目标的置信度评分以及边框的偏移量预测。

(4.2)将密集块作为预测网络，从而得到模型D_SSD，在原始SSD基础上进一步改善检测的准确性。

(4.3)通过步骤3中的混合高斯聚类说的结果，在对结果进行统计的基础上，在原始模型的基础修改默认款参数，并删除所有默认框(长宽比<1)，最终得到受电弓检测模型D_SSD_m3：

步骤5，结合图4在用于训练模型的python脚本ssd_pascal.py中修改训练参数，然后采用微调的方式对改进SSD模型进行训练，具体如下：

对改进的模型D_SSD_m3的训练，本发明的训练采用了批量随机梯度下降法(SGD)，而用于训练模型的python脚本名为ssd_pascal.py，采用受电弓数据集进行训练前，需要将其转化为tf_records形式，同时需要在ssd_pascal.py脚本中修改训练参数。

步骤6，结合图5和图6，完成了D_SSD_m3模型的训练后，使用脚本ssd_detect.py分别加载原始SSD模型和D_SSD_m3模型对样本图片进行检测，从而实现原始SSD模型和改进的的D_SSD_m3模型的对比检测性能测试，结果如图5和图6所示。

通过步骤1的、步骤2完成了乘客数据集的制作后，依照步骤3，步骤4所述即可完成D_SSD_m3网络的设计，完成了步骤5中D_SSD_m3模型的训练后，在步骤6用脚本detect.py分别加载原始SSD模型和D_SSD_m3模型进行图片的检测，最终实现了受弓目标检测精度的提升。

Claims (6)

1.一种城轨列车受电弓目标定位方法，其特征在于，基于ssd-tensorflow和混合高斯聚类算法，包括以下步骤：

步骤1，收集现场采集到的受电弓图片，制作训练样本集；

步骤2，利用LabelTool对训练样本集中的目标做标记，生成相应的xml文件放入Pascalvoc2007下Annotations文件内，制作Pascal voc2007数据集；

步骤3，对xml文件进行处理，使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定；

步骤4，更换基础网络Vgg-16为DenseNet，调整网络参数；

步骤5，对步骤3和步骤4所设定的模型进行训练，得到受电弓定位的检测模型；

步骤6，对步骤5训练出的检测模型进行测试，检测受电弓定位精度。

2.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤1所述收集现场采集的受电弓图片，包括进行图片的预处理，将灰度图像进行伪彩转化作为训练样本，形成训练样本集。

3.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤2所述生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集，具体为：生成相应的group true box的长宽信息，确定训练样本集及测试集的数量，制成Pascal voc2007数据集格式。

4.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤3所述使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定，具体步骤如下：

步骤3.1、初始化网络模型参数，由于经典的SSD的长宽比初始化参数为{1/3,1/2,1,2,3}，所以进行混合高斯聚类的话选取初值k＝5；

步骤3.2、计算高斯混合分布，该分步共由k个混合成分组成，每个混合成分对应一个高斯混合分布：

其中P_m(x)表示高斯混合分布，μ_i、∈_i是第i个高斯混合成分的参数，P(x|μ_i,∈_i)是以μ_i为均值向量∈_i为协方差矩阵的多元高斯分布的概率密度函数；

为混合系数，且

步骤3.3、计算CK的后验分布；

若训练集D＝{x₁，x₂，…x_m}由上述过程生成，另随机变量z_j∈{1,2,…k}表示样本x_j的高斯混合成分，取值未知，显然z_j的先验概率P(z_j＝i)对应

根据贝叶斯定理z_j的后验分布对应于：

步骤3.4、计算新的均向量、协方差矩阵、混合系数；

通过极大似然估计，即最大化似然进行相应参数的计算，公式如下：

其中，μ_i,ε_i分别为均值和均方差，P_m(x_j)为高斯混合分布，j＝1,2…,m，LL(D)表示最大似然估计P_m(x_j)为高斯混合分布，由公式(1)知α_i>0为混合系数，P(x|μ_i,∈_i)是以μ_i为均值向量ε_i为协方差矩阵的多元高斯分布的概率密度函数；

步骤3.5、如果不满足步骤3.4则跳到步骤3.2进行计算，如果满足步骤3.4，则确定均值向量中心，获得分类模型，并确定默认框的长宽比。

5.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤4所述更换基础网络Vgg-16为DenseNet，具体是指将传统的SSD的基础网络更换为DenseNet，修改网络结构；DenseNet采用不同大小的卷积核，最后通过不同尺度特征的融合，提取目标特征信息。

6.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤5所述对步骤3和步骤4所设定的模型进行训练，具体为：

将步骤2制作的Pascal voc2007数据集转化为tf_records形式，按照步骤3和步骤4所设定的模型进行训练，batch_size设置为24，训练最大步数为50000。

Images