接觸網設備基于HOG+SVM圖像管理的研究

王漢章

摘 要：接觸網設備故障現在已成為高速列車晚點的重要原因之一，而接觸網設備的大部分故障都有著外觀表現，本文將接觸網采集視頻進行基于HOG+SVM的處理，把接觸網設備圖像信息從視頻中分類出來，建立鐵路線路接觸網設備圖像管理庫，輔助檢修人員進行接觸網設備的檢修。

關鍵詞：接觸網;HOG;SVM

DOI：10.16640/j.cnki.37-1222/t.2019.19.093

接觸網是指為電力機車供電在鐵路線路上空架設的輸電設備，如圖1所示。接觸網的常見故障有異物、丟件、斷線、破損、散股、硬彎、偏磨、燒傷等，而大部分故障均存在著外觀表現，可通過對設備的觀察來發現。目前雖然已有了多種檢測手段，但視覺觀察仍是一種不可替代的檢測手段。本文通過對采集視頻的數字處理，輔助接觸網的故障診斷。

1 應用到的技術

方向梯度直方圖（Histogram of Oriented Gradient， HOG）特征是用于計算機視覺和圖像處理中目標檢測的一種特征描述。通過計算和統計圖像局部區域的梯度方向直方圖，構造了圖像的HOG特征。

支持向量機（Support Vector Machine， SVM）是一種基于監督學習（supervised learning）對數據進行二元分類（binary classification）的廣義線性分類器（generalized linear classifier）。其決策邊界是求解學習樣本的最大邊緣超平面（maximum-margin hyperplane）。

OpenCV（Open Source Computer Vision Library，OpenCV）是一個

基于BSD開源協議的跨平臺計算機視覺庫。它可以在Linux、Windows、Android和MacOS操作系統上運行，由一系列C函數和少量C++類組成，是輕量級和高效的。還提供了Python、Ruby、MATLAB等語言的接口，實現了計算機視覺和圖像處理的多種通用算法，包括HOG和SVM等的算法。

2 視頻處理

通過電力機車或檢測車上安裝的攝像頭，錄制鐵路線路上空接觸網設備的視頻信息。

通過VS和OpenCV編程，將錄制好的視頻分解為特定的圖片，并標記對應的各種信息，用來制作樣本庫和測試庫，進行SVM的監督學習。

訓練好的SVM可用各線路上錄好的視頻來制作接觸網設備圖像庫。

3 HOG提取

（1）在OpenCV中Win、Block、Cell的定義。檢測窗口像素128*64，在圖像中水平和垂直滑動的步長均為8像素。

塊像素16*16，在檢測窗口中水平和垂直滑動的步長均為8像素。

單元格像素8*8，有9個梯度方向，統計9個方向的梯度直方圖。

（2）描述HOG特征。單個檢測窗口有（（128-16）/8+1）*（（64-16）/8+1）=105個塊，單個塊有4個單元格，單個單元格有9個Hog子向量，所以每個檢測窗口的Hog描述子的向量長度是105*4*9=3780維。HOG特征提取是統計梯度直方圖特征。將梯度方向（0～360°）劃分為9個區間，將圖像化為16x16的若干個塊，每個塊再化為4個單元（8x8）。對每一個單元，算出每一像素點的梯度方向和模，按梯度方向增加對區間的值，最終綜合N個單元的梯度直方圖利用插值形成一個高維描述子向量。

（3）灰度化和標準化空間。為便于快速處理，轉化為灰度圖。為了減少光照因素的影響，首先需要將整個圖像進行規范化（歸一化），這種處理能夠有效地降低圖像局部的陰影和光照變化。

（4）將圖像分割為單元格。檢測窗口和塊的水平和垂直滑動的步長都是單元格的寬度或高度，可以把整個圖像分割成為一系列的單元格組成。

（5）計算圖像中像素的梯度。計算每個像素位置的梯度方向值，求導捕獲輪廓和紋理信息，進一步弱化光照的影響。

（6）計算單元格的梯度方向直方圖。統計局部圖像梯度信息，得到局部圖像區域的特征描述向量。單元格中的每一個像素點都為某個基于方向的直方圖通道（orientation-based histogram channel），根據該像素點的梯度幅度作為權值進行加權投票（weighted voting）來計算單元格的梯度方向直方圖。

（7）把單元格組合成塊，塊內歸一化梯度直方圖。由于局部光照的變化以及前景-背景對比度的變化，使得梯度強度的變化范圍非常大。這就需要對梯度強度做歸一化。歸一化能夠進一步地對光照、陰影和邊緣進行壓縮。

（8）生成HOG特征描述向量。將所有塊的HOG描述符組合在一起，形成最終的feature vector，該feature vector就描述了檢測窗口的圖像內容。

4 SVM訓練

準備數據集，轉化為 SVM支持的數據格式

選擇徑向基（RBF）核函數，并設置練習參數。

依次提取樣本庫的圖像的HOG特征向量。對SVM進行訓練和測試，并優化參數。

生成SVM訓練結果，把它保存到XML文件中。

5 SVM識別

根據XML文件其中的支持向量和參數生成OpenCV中的HOG描述子可用的檢測子參數，再調用OpenCV中的多尺度檢測函數進行圖像檢測。將識別到圖像進行分類管理。

6 結語

本文研究將錄制的設備視頻分解成圖像，對圖像進行處理，制作樣本庫和測試庫，利用樣本庫的正負樣本HOG特征訓練SVM，得到XML文件。再利用訓練好的SVM對其它接觸網設備視頻進行圖像分解和分類保存，形成接觸網設備圖像庫，輔助或進行更進一步的研究和設備故障診斷。研究可實現設備圖像的計算機識別和分類保管，代替人工分類，可降低工作人員的工作量和出錯率。

參考文獻：

[1]http：//wiki.opencv.org.cn/index.php[DB/OL].

[2]http：//www.support-vector-machines.org/SVM_soft.html[DB/OL].

[3]http：//blog.csdn.net/zhazhiqiang/[DB/OL].