电气化铁路接触网绝缘子识别定位方法探究.docVIP

电气化铁路接触网绝缘子识别定位方法探究 　　摘 要：利用图像处理理论，本文对接触网现场图片进行DHOG特征提取；并对选取的样本库进行相应提取，再利用SVM训练器，给出绝缘子的定位识别，取得了较好的效果。实验结果表明：本文方法能够对倾斜角度的绝缘子给出识别，且对图像亮度和对比度的依赖程度较小。本文提出的定位方法可为绝缘子的故障检测提供技术参考 关键词：绝缘子；DHOG特征；SVM 中图分类号：U225.43 文献标识码：A 文章编号：1671-2064（2017）03-0139-02 伴随中国铁路客运专线的大量开通，中国铁路正在从大规模建设期全面进入运营维护期。2012年铁路总公司制定牵引供电检测监测系统（6C系统）规范，目的就是为了实现铁路装置故障的智能检测，提高维护效率[1-2] 目前基于?D像处理的绝缘子非接触式检测具有危险低，干扰小，设备简便的优点，主要研究有：基于非下采样轮廓波变换对航拍绝缘子图像边缘进行提取；利用形状特征和灰度差异对高压输电线路图像中绝缘子瓷瓶裂缝进行定位；通过绝缘子模板匹配方法及光线反射点特性实现了绝缘子定位，利用小波奇异性特征实现绝缘子异物检测；利用曲波进行方向性滤波，再对曲波聚集系数增强，统计条带能量，判断绝缘子故障位置；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，提出一种基于快速鲁棒性特征匹配的检测方法。这些研究均能得了一定的成绩，但也存在以下问题：检测算法对亮度和对比度的变化敏感，不具备旋转不变性，提取精度有待提高 本文提出了一种接触网绝缘子识别定位方法，该方法包含绝缘子DHOG特征提取及SVM训练器下绝缘子识别定位两个过程：（1）首先需对选定的目标图像正、负样本进行DHOG特征进行提取；（2）再利用SVM分类器对样本库进行训练；随后利用训练得到的分类器对滑动检测窗口内是否包含绝缘子目标区域进行精确判断 1 检测原理 1.1 绝缘子DHOG特征提取 DHOG特征采用一组局部直方图来描述物体，这些直方图统计图像中特定区域的梯度方向出现的频次，通过将分割为多个胞元（Cell）进行特征提取，对图像的微小几何形变和局部对比度变化都能保持很好的不变性。考虑绝缘子在整体图像中也属于微小目标，此外随着铁路路况不同，其存在角度的旋转，由于DHOG得到的描述子存在尺度、旋转不变性，因而本文采用DHOG对其特征描述。DHOG特征的提取过程如下： a）首先将图像划分为大小相同的若干个正方形Cell，之后将每四个相邻的Cell合并为块，如图1所示 b）利用下式计算每个像素点的梯度幅值m（x，y）与方向φ（x，y），并计算每个Cell的梯度直方图，并将同一块中Cell的梯度直方图连接，连接后为36维特征向量 （1） （2） c）利用下式式对特征向量进行归一化，从而消除光照与背景对比度的影响 （3） 式中，N表示块中Cell个数，L表示对直方图划分的区间数，Hdn（i）为Cell的DHOG，Hr（i）表示Cell的DHOG。文中为了提高梯度直方图的计算速度采用了积分图的方法 在积分图中任意一点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区域内所有像素点的灰度值之和，即： （4） 式中，为积分图中坐标点的值，为原图像中坐标为的像素点的灰度值。利用下式对原图像的一次遍历中计算完成。式中，为左侧同一行像素点像素累加值 （5） 如图2所示，当计算D区域的梯度直方图时，只需对积分图中的四个点进行计算即可（图中分别用1、2、3、4标明）。计算公式为： （6） 1.2 样本库选择 训练分类器首先需在接触网图像中截取相关正、负样本。正样本只要为绝缘子图像，负样本应随机包含与绝缘子不相关的其他接触网零部件图像，部分样本如图3所示。选取的正、负样本库不仅考虑了与目标区域相关的因素，还考虑了不相关性因素，该方式可较好的提高检测精度。本文在对正负样本进行截取时将其长宽比固定为1：1，从而减小因“对齐问题”而导致的DHOG特征差异。正负样本的尺寸均归一化为检测滑动窗口的尺寸 1.3 训练SVM分类器 分别计算正负样本的HOG特征，将其作为样本的描述对线性支持向量机进行训练。线性支持向量机利用两类样本数据的最大间隔确定划分超平面，具有运算简单，计算速度快的特点 假定用于训练的样本集为，，且。为样本总数，为特征维数，则训练得到的分类面对所有样本应满足： （7） 其中，分类面由参数w与b决定，w为权重向量，b为阈值。为线性不可分情况下引入的松弛项。C为惩罚系数。迭代求解式（8）中的最小值，即可得到最优分类面与最优分类判决函数，如式（9）所示。对于测试样本，只要将其特征向量代入式