[發明專利]基于AdaBoost和主動形狀模型的受電弓識別方法

有效

• 申請號: 201310566693.6
• 申請日: 2013-11-15
• 公開（公告）號: CN103745238B
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 岳安志;孟瑜;趙忠明;汪承義;安金杰
• 申請（專利權）人: 中國科學院遙感與數字地球研究所
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于AdaBoost和主動形狀模型的受電弓識別方法，其特征在于，包括：

步驟10、獲取受電弓圖像學習樣本集；

步驟20、AdaBoost級聯分類器訓練；

步驟30、采用AdaBoost級聯分類器對新獲取、待識別的圖像進行受電弓檢測；

步驟40、構建受電弓主動形狀模型；

步驟50、結合檢測結果和主動形狀模型的受電弓精確匹配和識別；

步驟60、受電弓定量檢測和分析，

所述步驟10中獲取受電弓圖像學習樣本集包括兩套：AdaBoost學習樣本集：用于訓練AdaBoost級聯分類器；主動形狀模型學習樣本集：用于訓練受電弓主動形狀模型，具體通過安裝于電力牽引車接觸網上方的受電弓在線拍照系統采集若干受電弓圖像，形成受電弓圖像學習樣本集，其中，AdaBoost學習樣本集包括正樣本和負樣本；主動形狀模型學習樣本集至少包含50張受電弓圖像，且各受電弓圖像的分辨率保持一致；

所述步驟20中AdaBoost級聯分類器訓練，具體步驟是：

一、收集受電弓正樣本和負樣本，正樣本中必須包含待檢測的受電弓目標，且正樣本歸一化為同一大小；負樣本中不能包含受電弓，圖像尺寸大于正樣本；

二、Harr-like特征選擇與計算，選擇邊緣和線性的擴展Harr-like特征作為檢測受電弓的特征；采用積分圖快速計算特征；

三、強分類器訓練，基于步驟10所述的AdaBoost正樣本和負樣本集，采用AdaBoost算法訓練多個弱分類器，并線性加權組成強分類器，具體訓練過程描述如為：

給定受電弓正樣本和負樣本集(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)，…，(x_n，y_n)，其中x_i表示第i個樣本，y_i＝0時表示其為負樣本，y_i＝1時表示其為正樣本，n為正樣本和負樣本總數；

初始化權重，對于正樣本：w_i＝1/2l，l為正樣本個數；對于負樣本：w_i＝1/2m，m為負樣本個數；

當t＝1，...，T，進行如下迭代處理：

(1)權重歸一化：

(2)對每個特征f，訓練一個弱分類器h(x_i，f，p，θ)，并計算該弱分類器的加權錯誤率，找出一個具有最小錯誤率ε_t的弱分類器作為最優弱分類器：

(3)權重更新：

其中，e_i＝0表示樣本x_i檢測正確，e_i＝1表示樣本檢測錯誤；

最終的強分類器：

其中，

四、級聯分類器訓練，訓練多個強分類器，組成級聯分類器，具體步驟是：

(1)確定每層，即每個強分類器的最大誤識率f，最小要達到的檢測率d；

(2)指定最終級聯分類器的誤識率為F_target；

設P代表正樣本集，N代表負樣本集，初始誤識率F₀＝1.0，初始檢測率D₀＝1.0，i＝0；

(3)當F_i＞F_target，進行如下處理：

i＝i+1；

n_i＝0；F_i＝F_i-1；

當F_i＞f×F_i-1，進行如下處理：

n_i＝n_i+1；

利用AdaBoost算法在P和N上訓練具有n_i個特征數的強分類器；

衡量當前級聯分類器誤識率F_i和檢測率D_i；

低第i層的強分類器閾值，直到當前級聯分類器的檢測率達到d×D_i-1；

將負樣本集N設置為空集；

利用當前的級聯分類器檢測受電弓負樣本圖像，將誤識的圖像放入負樣本集N。