[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

技術領域

本發明屬于計算機數字圖像處理與模式識別技術領域，主要涉及電動牽引機車使用的受電弓在線自動識別方法，具體涉及一種基于AdaBoost和主動形狀模型的受電弓識別方法。

背景技術

電力牽引機車受電弓是電氣化鐵路電力機車從接觸網上受取電源的裝置。受電弓弓頭破損、碳滑板過度磨耗不僅影響電力機車的正常供電，甚至會造成軌道交通的中斷。因此作為直接與接觸網接觸的取流關鍵設備-受電弓碳滑板的狀態極為關鍵，它關系到機車能否穩定、可靠地從接觸線取電。實際管理中，相關部門需要對受電弓碳滑板運行狀態進行定期檢測，以保證機車的穩定、安全運行。隨著我國軌道交通和高速鐵路的飛速發展，對受電弓的可靠運行提出了更高的要求，實現對受電弓運行狀態的在線自動識別具有重要意義。

目前國內外受電弓狀態的檢測方法主要包括入庫靜態檢測、機載檢測系統和在線定點式檢測3種方式。

入庫靜態檢測要求接觸網必須在受電弓檢測前斷電，且通常只能在機車入庫停車后才能檢測，不能實現受電弓的在線自動檢測。在實際運作中需要投入較大規模的人力、成本較高。詳見文獻：謝力.基于圖像處理的受電弓狀態檢測技術研究：[碩士學位論文]：西南交通大學，2009。

機載受電弓檢測方法屬于一種在線自動檢測方法。主要包括2種方式，其一是通過在機車上安裝光、電、力學等多種傳感器采集受電弓位置、碳滑板的磨耗，以及受電弓弓頭左右偏移量狀態等信息對受電弓進行檢測，但傳感器獲取的受電弓運行狀態信息容易受機車運行過程中產生的震動的干擾；其二是將光纖內埋式磨損傳感器嵌入受電弓滑板中，當受電弓滑板收到接觸網的沖擊作用而產生磨損時或者產生缺失時，傳感器給出相應的磨損信號。該方法的主要缺點是對材料的要求比較高，要在受電弓滑板中內嵌傳感器，材料工藝要求高，受電弓滑板材料結構改變可能會降低受電弓的使用壽命，提高了成本。

在線定點式自動檢測方式，國內外主要有基于超聲波傳感器的檢測和基于圖像的檢測方法。超聲波傳感器檢測方法多見于國外機車系統，該方法存在的顯著不足是超聲波信號容易受超聲波工作距離、超聲波信號強弱和受電弓運行中的姿態的影響。

近年來，國內外出現了許多基于在線獲取圖像的受電弓檢測方法。該方法核心包括拍照和識別2部分，首先完成受電弓圖像的在線采集，然后采用數字圖像處理方法對采集到的圖像進行仔細分析，最終獲取受電弓在線運行狀態。該方法的優勢非常明顯，可以在機車行駛過程中做到在線自動識別；缺點是精度依賴于拍照系統采集圖像的質量，對受電弓在線拍照系統精度要求比較高。國內目前已有廠商和科研單位正在研發基于圖像的受電弓在線運行狀態的識別系統，存在的問題主要集中于：1)受電弓圖像采集質量較低，不利于后續圖像處理與分析；2)對機車運行速度有限制，難以實現真正的在線識別；3)采集到的受電弓圖像背景復雜、不統一，圖像處理方法難以進行精確的受電弓定量識別，相關方法亟需進一步改進。詳見南京大學于2012年公開的專利《高速機車受電弓滑板磨損自動檢測裝置》，專利公開號：CN102507600A。

基于可變模型對目標物體特征點定位的研究取得了很大成就，特別是對于圖像中的目標物體變化很大的情況。可變模型的基本思想是：建立一個目標物體的通用模型，對于任意給定圖像，如果圖像中有與該模型相同的目標物體，則可以根據物體圖像的內部和外部特征與模型之間的差異，通過調整模型參數將模型進行變化，其形狀和紋理能夠與目標物體在一定誤差內實現匹配，詳見文獻：Cootes T.F.Deformable Object Modelling and Matching.In：Kimmel R，Klette R，Sugimoto A，eds.Computer Vision-Accv2010，Pt I.Berlin：Springer-Verlag Berlin；2011：1-10.

英國曼徹斯特大學(University of Manchester)的Tim.Cootes等人提出的主動形狀模型ASM(Active Shape Models)是實現上述思想的一個典型代表。該方法已成為當前主流的目標定位方法，在目標對象的定位中，特別是在人臉檢測、手勢識別和醫學人體器官圖像檢測方面得到了廣泛的應用，詳見文獻：Cootes T.F.，C.J.Taylor，D.H.Cooper，et al.Active Shape Models-Their Training and Application.Computer Vision and Image Understanding.1995，61(1)：38-59.