基于HOG特征的高铁接触网承力索座支撑底座检测方法与流程

本发明涉及高速铁路接触网故障检测领域，尤其涉及一种基于HOG特征的高铁接触网承力索座支撑底座检测方法。

背景技术：

承力索是在电气化铁路接触网线路中，承担着输电和悬挂机车滑道线双重作用的重要导线。在高速铁路接触网悬挂装置中，承力索座是支撑承力索的重要零部件。为了保证防风拉线的正常工作，承力索底座和定位钩配合固定使防风拉线处于受力状态。由于施工缺陷，部分接触网承力索底座可能处于装反的状态，这使得防风拉线不受力，给动车组的安全运行带来隐患。因此需要对承力索座装反故障进行检测并采取措施排除隐患。原铁道部颁布的4C系统技术规范，包含对接触网的悬挂部分、腕臂部分的高清晰视频监测，涉及基于数字图像处理技术对接触网支撑及悬挂装置中零部件的故障检测。

对于接触网零部件状态缺陷检测，目前我国主要以传统的人工巡检方式，此外业内人员使用摄像机拍摄接触网支撑悬挂装置图像，并在离线状态下对各部件的故障状态人工识别。但也存在以下问题：工作量大、效率低、故障判断存在较大滞后性。基于图像处理技术的非接触式弓网检测技术研究可实现不干扰行车安全的弓网检测装置开发，所用设备可拓展性强，可实现弓网参数和故障的自动识别，具有众多优势。

目前国内外基于图像处理的弓网故障状态检测已有一些研究，陈维荣研究了基于形态学处理和Radon变换的受电弓滑板状态监测。张桂南采用金字塔近邻平均算法和小波奇异值法检测接触网绝缘子故障，并研究了基于Harris角点与谱聚类实现了绝缘子的抗旋转匹配和故障检测。刘寅秋采用归一化互相关和局部二值化法，提取并计算接触网动态高度以及拉出值等参数。由于现场采集的接触网支撑及悬挂装置图像普遍较复杂，采用图像处理技术对像承力索底座这样微小部件进行故障检测存在较大的难度。

技术实现要素：

本发明所要解决的技术问题是提供一种基于HOG(Histogram)特征的高铁接触网承力索座支撑底座检测方法，实现承力索座的准确定位和其底座装反的检测。

为解决上述技术问题，本发明采用的技术方案是：

一种基于HOG特征的高铁接触网承力索座支撑底座检测方法，包括以下步骤：

步骤1：用专用综合列检车对高速铁路接触网支撑及悬挂装置进行成像，将上行和下行的高清图像分别存储在两个图像库中；

步骤2：建立关于承力索座部件的样本库，正样本是承力索座占据主体的图像，负样本是不包含承力索座的接触网其他零部件图像；

步骤3：采用HOG特征和支持向量机(Support Vector Machine，SVM)算法实现承力索座部件的准确定位；

步骤4：底座的分割，包括：

步骤4.1：通过对提取到的承力索座图像进行腐蚀和增强对比度的处理，消除防风拉线、承力索和接触线这些线性结构的干扰；

步骤4.2：采用Hough变换做线检测并链接线段，在Hough矩阵中提取前2个灰度峰值点，检测到一组近似平行线段，取其平均值作为平腕臂的倾斜角度，将承力索座旋转至水平方向；

步骤4.3：采用Canny算子对旋转后的承力索座本体图像检测边缘，并在水平方向进行像素灰度值的累加，得到统计曲线；进一步找到平腕臂所在的水平线段，其所在直线即为支撑底座与承力索座本体部分的分割直线；

步骤5：支撑底座的不良状态检测；分析现场采集的接触网图像中支撑底座的安装状态，支撑底座的朝向和定位钩相反，或者支撑底座的拉线钩应朝向支柱，则支撑底座无不良状态，反之，为不良状态。

进一步的，所述步骤3具体为：

步骤3.1：在HOG特征的计算中每一个检测窗口图像按空间位置被均匀分成若干个细胞单元；对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)，

如

在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0～360分为9个方向块，每个方向块大小为20左右；将每四个相邻的细胞单元按滑动的方式合并为一个块，对每一个细胞单元计算HOG积分算子，将同一块中4个细胞单元的梯度直方图连接在在一起，形成一个9×4＝36维的特征向量；

在一个块内进行直方图归一化，如式其中，ε为一个很小的常数，归一化后的特征向量v对应于一个块的HOG积分算子；

步骤3.2：假定用于训练的样本集为(x_i,y_i)，i＝1,...,l，x_i∈Rⁿ，y_i∈{1,-1}，l为样本总数，n为特征维数，则训练得到的分类面对所有样本应满足：其中，分类面由参数w与b决定，w为判决平面的权重向量，b为阈值，ξ_i为线性不能分情况下引入的松弛项，C为惩罚系数，用于实现错分样本比例与算法复杂度之间的平衡；

采用迭代法求解式约束下式中φ(w,ξ)的最小值，得到最优分类面[w^*,b^*]与最优分类判决函数，如式f(x)＝sgn(w^*·x+b^*)所示，式中sgn表示符号函数；对于测试样本，将其特征向量代入式f(x)＝sgn(w^*·x+b^*)，根据函数值即确定样本类别。

进一步的，所述步骤5采用基于灰度分布规律特征提取的方法检测销钉不良状态，具体为：

步骤5.1：对分割后的支撑底座部件图像作拉线钩两端竖直方向的像素灰度值累加，分析统计所得的灰度值曲线确定拉线钩两侧对应的四个纵坐标分别为x₁、x₂、x₃、x₄，进而确定钩左侧的长度d₁和钩右侧的长度d₂；

步骤5.2：观察底座正常和装反两种状态的d₁和d₂情况，制定底座工作状态的检测规则如下：从正面拍摄接触网图像时，若d₁<d₂，则为正常工作状态，若d₁>d₂，则为装反状态；从反面拍摄接触网图像时，若d₁>d₂，则为正常工作状态，若d₁<d₂，则为装反状态。

与现有技术相比，本发明的有益效果是：

1、本发明直接通过图像处理方法对高铁接触网承力索座部件的状态进行检测，给出客观、真实、准确的检测分析结果，克服了传统人工检测方法的缺陷。

2、本发明根据承力索座的安装结构特点，巧妙地将Hough变换和拉线钩灰度分布规律结合，简单、有效地判断是否装反。

3、本发明方法能有效地针对接触网承力索座底座装反的故障进行检测，正确检测率较高，简化了故障检测的难度。

附图说明

图1为本发明方法的处理过程框图。

图2为本发明现场采集图像中的承力索座图。

图3为HOG特征算子的计算方法示意图。

图4为承力索座的正样本库。

图5为承力索座的负样本库。

图6为支持向量机分类器定位效果图。

图7为底座预处理前示意图。

图8为底座预处理后示意图。

图9为Hough矩阵提取前2个峰值点。

图10为Hough变换峰值对应的线段。

图11为承力索座图像竖直方向灰度值统计图。

图12为底座部分的分割过程。

图13为底座的正常状态。

图14为底座的装反状态。

图15为底座正常状态下相关坐标的确定。

图16为底座装反状态下相关坐标的确定。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。图1为本发明方法的处理过程框图。图2示出现场采集图像中承力索座的位置，突出对特征不明显的部件检测难度较大。详述如下：

1、承力索的定位与提取

1)、HOG特征算子具有对图像的缩放、旋转和亮度变化的不变性。由于相邻的块之间可以存在细胞单元的重复，一幅分辨率为64×128图像包含7×14个块。如图3，将图像中所有块的特征向量连接在一起得到整幅图像的HOG特征向量，最终的HOG特征算子包含1764个向量组成维度。

积分图中任意一点(x,y)的值定义为原图像中相应坐标处的像素点与坐标原点之间矩形内所有像素点的灰度值之和，即：

式中，ii(x,y)为积分图中(x,y)坐标点的值，i(x',y')为原图像中坐标为(x',y')的像素点的灰度值。利用积分图可以通过四次存取操作计算一个矩形区域内的像素值，明显地减少HOG特征的计算量。

2)计算样本的HOG特征，训练SVM分类器，正样本是斜撑套筒位于图像正中且占据图像主体位置的图像(如图4所示)，截取100个；负样本是随机包含与斜撑套筒无关的其他接触网零部件(如图5所示)，截取500个，滑动生成3000个窗口。正负样本的尺寸均归一化为检测窗口的大小(64×128像素)。

假定用于训练的样本集为(x_i,y_i)，i＝1,...,l，且x_i∈Rⁿ，y_i∈{1,-1}。l为样本总数，n为特征维数，则训练得到的分类面对所有样本应满足：

其中，分类面由参数w与b决定，w为判决平面的权重向量，b为阈值。ξ_i为线性不可分情况下引入的松弛项。C为惩罚系数，用于实现错分样本比例与算法复杂度之间的平衡。将C取为0.01。采用迭代法求解式(2)约束下式(3)中φ(w,ξ)的最小值，即可得到最优分类面[w^*,b^*]与最优分类判决函数，如式(4)所示，式中sgn表示符号函数。对于测试样本,只要将其特征向量代入式(4)，根据函数值即可确定样本类别。

f(x)＝sgn(w^*·x+b^*) (4)

对待检测的接触网全局和局部图像做窗口滑动，计算滑动窗口的HOG特征，利用训练得到的承力索座分类器实现承力索座的定位，结果如图6所示。

2、底座的分割

1)、先对提取到的承力索座图像进行滤波、腐蚀和增强对比度的处理，如附图7、图8，使图像二值化时斜腕臂两侧边缘更接近直线段，且淡化拉线、承力索等线性结构。

2)、本发明采用Hough变换做线检测并链接线段，在Hough矩阵中提取前3个灰度峰值点，如图9。能够检测到一组近似平行线段，如图10虚线所示，取其倾角平均值为斜腕臂的倾角，将承力索座旋转至水平方向。

3)、利用Canny算子对旋转后图像检测边缘，并在竖直方向进行像素灰度值的累加，得到统计曲线，如图11。进一步找到斜腕臂两侧边缘对应的最大长度的水平线段，对应图11中黑色圈点。其下边缘所在直线即为承力索座底座与本体的分割直线，这样底座部分能够完整地分割出来，如图12所示。

3、底座装反不良状态的检测

分析现场采集的接触网图像中承力索底座的安装状态，如图13、图14，鉴于拉线钩属于微小目标且特征不明显，本发明采用基于灰度分布规律的方法检测底座装反的不良状态，如图15。步骤如下：

1)为了消除拉线套环的干扰，本发明截取拉线钩的两侧作为判断依据。对分割后的支撑底座部件图像作拉线钩两端竖直方向的像素灰度值累加，分析统计所得的灰度值曲线可确定拉线钩两侧对应的四个纵坐标分别为x₁、x₂、x₃、x₄，进而确定钩左侧的长度d₁和钩右侧的长度d₂；

2)观察底座正常和装反两种状态的d₁和d₂情况，制定底座工作状态的检测规则如下：从正面拍摄接触网图像时，若d₁<d₂，则为正常工作状态，如图11；若d₁>d₂，则为装反状态，如图16；从反面拍摄接触网图像时，若d₁>d₂，则为正常工作状态，若d₁<d₂，则为装反状态。