基于LBP和HOG決策融合的高速列車受電弓檢測

別 致，余志斌

?

基于LBP和HOG決策融合的高速列車受電弓檢測

別 致，余志斌

針對受電弓滑板檢測裝置圖像拍攝中受電弓的檢測問題，提出一種基于LBP和HOG特征分類信息決策融合的受電弓檢測方法。通過測試，相比采用單一分類器進行檢測，該方法對受電弓區域的檢測具有更低的漏檢率和誤檢率，檢測效果好，具有較高的應用價值。

局部二值模式（LBP）；方向梯度直方圖（HOG）；決策融合；受電弓；支持向量機（SVM）

0 引言

隨著我國高速鐵路的快速發展，列車運行的安全問題日益受到社會各界的重視與關注。列車運行需要通過弓網系統傳輸和獲取電能，而在弓網系統中，受電弓從接觸網獲得電能，其一旦發生故障，將造成列車斷電停駛[1]。因此需定期對受電弓進行監測檢測，以便及時發現并排除故障，保證列車的正常運行。

目前對受電弓的檢測主要有4種方式：人工檢測、接觸式檢測、非接觸式測距技術檢測和非接觸式圖像處理技術檢測[2]。隨著計算機和圖像處理技術的快速發展，非接觸式圖像檢測憑借成本低、智能程度高、設備靈活等諸多優勢逐漸成為了鐵路安全巡檢技術研究的熱點。文獻[3]利用“HOG（Histogram of Oriented Gradient）特征與廣義霍夫曼變換相結合”的方法提取受電弓滑板拐角區域特征檢測受電弓，但該特征抗干擾能力較弱；文獻[4]提出“基于Paralleled-Gabor變換的動車組車頂圖像受電弓檢測”方法，該方法的檢測結果受圖像傾斜角度的影響較大，需預先進行傾斜校正處理。

本文以受電弓滑板檢測裝置采集的高速列車車頂圖像為研究對象，利用圖像處理技術對數據集進行實驗分析。因列車車頂圖像橫向直線干擾過多，易造成誤檢和漏檢，故對受電弓區域分別提取其局部二值模式LBP（Local Binary Paffern）紋理特征和HOG局部特征，采用SVM（支持向量機）對2類特征進行訓練分類，并采用決策融合的方法，獲得融合后的分類結果，從而實現對受電弓的精確檢測。

1 受電弓區域檢測流程

1.1 受電弓圖像數據

以安裝在固定位置的相機采集的高速列車車頂圖片為研究對象（圖1），選取1 000張受電弓區域圖像為正樣本，3 000張隨機背景為負樣本。

圖1 實驗樣本圖像示例

1.2 受電弓檢測過程

受電弓的檢測流程如圖2所示，其步驟如下。

步驟1：圖像預處理，使用MSRCR算法對列車車頂圖像進行增強；

步驟2：2類特征提取，分別對樣本圖像提取LBP和HOG特征，獲得特征向量用以表征圖像；

步驟3：特征學習和分類，用2個支持向量機分別對2組不同的特征向量進行分類；

步驟4：信息決策融合，使用基于LOP的決策融合方法對2個分類器的輸出進行決策及融合，得到最終的分類結果。

圖2 檢測流程圖

2 基于決策融合的受電弓檢測

2.1 基于MSRCR的車頂圖像預處理

受拍攝光線的影響，拍攝圖像可能存在曝光過度或曝光不足的問題。為了保證后續受電弓檢測的準確性，需首先進行圖像增強等預處理，增強對受電弓區域的辨識能力，提高圖像的質量。本文采用帶色彩恢復的多尺度視網膜增強算法MSRCR（Multi- Scale Retinex with Color Restoration）對車頂圖像進行預處理。MSRCR是基于Retinex理論提出的算法。Retinex理論基本內容是：人眼感知物體的亮度主要是由物體對光線的反射能力決定，而不是由反射光強度的絕對值決定[5，6]。如圖3所示，觀察者所看到的物體的圖像是由物體表面對入射光的反射得到，反射率由物體本身決定，不受入射光影響。

圖3 Retinex原理示意圖

人眼或攝像機接收到的圖像信號數學表達式為

(,) =(,) ·(,) （1）

式中，(,)表示環境光的照射分量；(,)表示物體的反射分量。

對式（1）兩邊取對數，可以得到

Log[(,)] = log[(,)]-log[(,)] （2）

由式（2）可知，只需要估計(,)就可以通過數據運算得到增強后的圖像(,)。經過實驗研究，在MSRCR參數尺度數選取為2，尺度最大值取550的情況下，圖像增強的效果最好，算法所需時間最短。圖4為通過MSRCR對圖像進行增強的前后對比效果圖。

圖4 增強前后對比

經過MSRCR圖像增強后，增強了圖像的對比度和清晰度，能較好地突出受電弓的細節，以便于后續受電弓的檢測。

2.2 受電弓圖像特征提取

2.2.1 LBP紋理特征提取

局部二值模式LBP[7]是由T.Ojala，M.Pietikainen，D.Harwood等人于1994年提出的用于描述圖像紋理特征的算子。LBP特征被廣泛應用于紋理檢測、圖像檢測、人臉識別等領域，具有旋轉不變性和灰度不變性等顯著優點。其基本思想為：以一個3×3的窗口為例，以窗口中心像素的灰度值為閾值，將周圍相鄰的8個像素值與之比較，如果周圍像素值小于中心像素的灰度值，則該像素位置被標記為0，否則將其標記為1，每個像素就可得到一個二進制的組合，因為每個像素周圍有8個相鄰的像素點，故有28種組合。

式中，(c,c)表示中心像素；c表示中心像素的亮度；i表示相鄰像素的亮度；為符號函數，其表達式為

基本的LBP算子如圖5所示。基本的LBP特征只覆蓋固定尺寸的小區域，不能滿足不同尺度的需求，針對該缺陷，文獻[7，8]對LBP進行了改進，改進后的LBP采用不同尺寸大小的圓形領域代替方形領域，采用雙線性插值法計算未落在像素位置上的點，具有灰度不變性和旋轉不變性等特點。

圖5 LBP原理圖

本文對實驗圖像采用LBP紋理特征進行特征提取時，參數設置為：半徑= 3，點數= 8，將圖像劃分為10×10的均勻區域，對每個區域求取LBP直方圖，最終構成25 600維的LBP紋理特征。對受電弓區域提取的LBP紋理特征見圖6。

圖6 LBP紋理特征

2.2.2 HOG局部特征提取

HOG局部特征提取[9]是2005年CVPR會議上，由法國國家計算機科學及自動控制研究所的Datal等人提出的一種解決人體目標檢測的圖像描述算子，通過計算統計圖像局部區域中的方向梯度直方圖來構成特征。

首先利用梯度算子計算出每個像素點的梯度方向和幅值：

式中，x(,)、y(,)代表像素點(,)處的水平方向梯度、垂直方向梯度；(,)代表像素點(,)處的幅值；(,)代表梯度的方向。

將圖像分成若干個小區域（稱為cell），每個cell的梯度方向分為9個扇區，每個像素點根據其梯度方向，將其幅值累加到直方圖中；而后將幾個cell組合成為一個大的連接區域block，于是每個cell的直方圖可合并為一個大的直方圖[10]；最后對這些block實現塊描述子歸一化，歸一化因子計算式為

最終將block的直方圖串聯獲得HOG描述算子。本文在樣本圖像HOG特征提取時選取的參數如下：cell大小為8×8，block大小為16×16，最終構成62 208維的特征向量。對受電弓區域的HOG特征所做的可視化處理如圖7所示。

2.3 受電弓圖像特征學習和分類

支持向量機（SVM）[10，11]是由Cortes和Vapnik等人于1995年提出的一種監督式學習方法，被廣泛應用于統計分類和回歸分析領域。該算法的主要思想是將低維空間中的樣本點映射到一個高維空間內，在該空間內建立一個最大間隔超平面，使樣本點線性可分。分類原理如圖8所示。

圖8 SVM分類原理

假設給定一個訓練樣本：{(x,y)?= 1,2, …,，x?R，?[-1,1]}，表示空間維數，分類超平面方程為(·) += 0，將其進行歸一化，使得2個類別的訓練樣本滿足

y[(·) +]-1≥0 （8）

滿足式（8）且使‖‖2最小的分類面即為最優分類面。

將之前提取的LBP特征和HOG特征數據分別通過支持向量機進行訓練，得到2個分類器。

2.4 基于線性意見池的決策融合方法

對2個分類器的輸出采用線性意見池（Linear Opinion Pool，LOP）[12]決策融合方法進行決策及融合。在融合過程中，利用每個分類器的后驗概率p(w?)對各個弱分類器賦予不同的權重，根據概率最大原則估計最終決策函數，得出最終的分類結果。具體方式如下：

= argmax(w?),?{1, 2, …,} （10）

式中，表示分類器個數；表示類的標簽；表示類的個數；表示分類器的權重；(w?)為每個分類器對每類的后驗概率加權求和后每類的加權分類后驗概率。

最后選擇具有最大加權后驗概率的模式作為分類結果。

SVM分類器的后驗概率p(w?)的計算基于Bayes準則[13]，用(= 1?)代替類別條件密度，采用Sigmoid的參數化形式表達：

該方法相當于創建新的訓練集，基于新的數據進行訓練，訓練模型的輸出即為分類器的輸出。

3 受電弓圖像檢測實驗與分析

實驗環境為酷睿i7處理器，主頻2.5 GHz，內存8 G，Windows10系統，編程環境為Visual Studio 2010。為了驗證本文所述方法的有效性，設計了以下3種實驗進行對比。

實驗一：使用HOG+SVM的方法進行實驗。

實驗二：使用LBP+SVM的方法進行實驗。

實驗三：使用本文所述方法進行實驗。

對5 000張圖像進行檢測，識別效果如圖9所示，實驗結果如表1所示。

圖9 受電弓檢測結果示意圖

表1 不同實驗方法的受電弓檢測結果

表中檢測成功是指識別到圖像中含有受電弓的圖像；誤檢是指檢測到的圖像不含受電弓；漏檢是指圖像中含有受電弓但是未能檢測到；誤檢率為誤檢張數與測試總數之比；漏檢率為漏檢張數與測試總數之比。

通過上述實驗可以看出，用HOG特征訓練單一SVM分類器檢測的方法誤檢率為1.0%，用LBP特征訓練單一SVM分類器檢測的方法誤檢率為1.4%，而本文所述方法誤檢率為0.7%，相較于前2種方法有所降低。對比HOG和LBP單獨訓練分類器檢測，本文所述方法的漏檢率也比前2種方法低。因此本文所述方法能夠較好地實現對受電弓的特征提取和分類。

在未檢測成功的圖像中，除去本身不含受電弓的圖片，有部分圖片因所包含受電弓區域較少，特征不明顯，因此未能正確檢測，該部分即表1中的漏檢部分。對于部分誤檢圖片則是包含部分滑板區域，滑板區域不完整，但被檢測為含有受電弓，對后續的滑板故障檢測不利，因此判斷為誤檢。

在實際工程應用中，進行檢測時可以將誤檢的樣本加入分類器訓練的負樣本中，訓練出新的分類器。隨著分類器的更新與完善，系統的誤檢率會隨之降低。

4 結語

結合圖像處理技術，本文提出了基于LBP和HOG特征的分類決策融合方法，并進行受電弓特征提取和分類決策的融合實驗。實驗結果表明，基于決策融合的受電弓檢測方法對比使用單一分類器進行檢測，漏檢率和誤檢率均有所下降；對過曝或過暗含有較多干擾的受電弓圖像，能夠進行精確檢測，識別效果較好。使用該方法對受電弓進行檢測具有較高的工程應用價值，為受電弓區域故障精確檢測奠定了基礎。此外，該方法也可為接觸網其他部位的檢測提供參考，例如接觸網支柱檢測等，具有廣闊的應用前景。

[1] 陳剛，林杰．動車組受電弓故障分析及改進[J]．中國鐵路，2013（5）：94-96．

[2] 韓志偉，劉志剛，張桂南，等. 非接觸式弓網圖像檢測技術研究綜述[J]. 鐵道學報，2013，35（6）：40-47.

[3] 白瑞敏. 基于圖像處理的接觸網吊弦和受電弓滑板的檢測與識別[D]. 西南交通大學，2017.

[4] 韋璞. 面向監控視頻的受電弓與接觸網支柱檢測[D]. 西南交通大學，2017.

[5] 汪林林，余梅，安超. 模糊多尺度Retinex彩色圖像增強[J]. 計算機工程與應用，2012，48（7）：174-176.

[6] 占必超，吳一全，紀守新. 基于平穩小波變換和Retinex的紅外圖像增強方法[J]. 光學學報，2010，30（10）：2788-2793.

[7] T. Ojala, M. Pietikainen, and D. Harwood, “A comparative study of texturemeasures with classification based on feature distributeons,” PatternRecognition, 1996, vol. 19, no. 3, pp. 51- 59.

[8] Suruliandi A, Meena K, Rose R R. Local binary pattern and its derivatives for face recognition[J]. Iet Computer Vision, 2012, 6(5):480-488.

[9] 李星，郭曉松，郭君斌. 基于HOG特征和SVM的前向車輛識別方法[J]. 計算機科學，2013，40（s2）：329-332.

[10] 段旺旺，唐鵬，金煒東，等. 基于關鍵區域HOG特征的鐵路接觸網鳥巢檢測[J]. 中國鐵路，2015（8）：73-77.

[11] 張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，2000，26（1）：32-42.

[12] Prasad S, Bruce L M. Decision Fusion With Confidence-Based Weight Assignment for Hyperspectral Target Recognition[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(5):1448-1456.

[13] 葉珍. 高光譜圖像特征提取與分類算法研究[D]. 西北工業大學，2015.

In order to solve the problems for pantograph inspection during photographing of inspection device of collector strip of pantograph, the paper puts forward a LBP and HOG feature classification information decision fusion based pantograph inspection method. After testing, it shows that the inspection of the pantograph zone by this method, compared with adopting of single classifier for inspection, achieves much lower rate of missing and rate of error, has better inspection results and higher application values.

Local Binary Patterns (LBP); Histogram of Oriented Gradient (HOG); decision fusion, pantograph; Support Vector Machine (SVM)

10.19587/j.cnki.1007-936x.2018.05.018

U264.3+4

B

1007-936X(2018)05-0068-04

2018-01-18

別 致.西南交通大學電氣工程學院，碩士研究生；

余志斌.西南交通大學電子信息工程系，副教授。

國家自然科學基金重點項目（No.61134002）。