基于Haar- like 特征分類器的列車受電弓智能定位研究

邱 岳*，吳連軍

（中車工業(yè)研究院(青島)有限公司，山東 青島）

引言

隨著軌道交通的快速發(fā)展，列車受電弓作為從接觸網(wǎng)導(dǎo)線上受取電流的關(guān)鍵裝置，在列車運行中發(fā)揮著重要作用[1]。然而，受電弓的準(zhǔn)確定位是列車故障診斷中的關(guān)鍵問題。受電弓的錯位或故障可能導(dǎo)致供電中斷、設(shè)備損壞甚至事故發(fā)生。因此，開展列車受電弓的智能定位研究，對提高軌道運輸?shù)陌踩院涂煽啃跃哂兄匾饬x[2]。

近年來，隨著計算機(jī)視覺和機(jī)器學(xué)習(xí)等技術(shù)的快速發(fā)展，基于圖像處理的方法在列車受電弓定位研究中得到了廣泛應(yīng)用。而Haar-like 特征分類器，作為一種有效特征表示方法，具有對圖像灰度變化的良好描述能力和魯棒性[3]。通過利用Haar-like 特征分類器，可以對監(jiān)測圖像中受電弓位置進(jìn)行檢測，從而為其故障診斷和維護(hù)提供重要依據(jù)。

本研究旨在基于Haar-like 特征分類器，開展列車受電弓智能定位的研究工作。通過采用積分圖計算方法高效提取Haar-like 特征，并結(jié)合Adaboost 級聯(lián)分類器的訓(xùn)練和檢測算法，實現(xiàn)對列車受電弓位置的實時監(jiān)測和定位。最后通過實驗驗證，提高列車受電弓定位的準(zhǔn)確性和穩(wěn)定性，為軌道交通系統(tǒng)的安全運行及受電弓的故障檢測提供可靠的支持。

1 檢測方案組成及其原理

本文所提出基于Haar-like 特征分類器的列車受電弓智能定位技術(shù)原理如圖1 所示。首先，采用多樣化和全面的訓(xùn)練樣本集，綜合考慮了受電弓的識別特征和背景條件。同時對圖像樣本進(jìn)行了預(yù)處理，以確保數(shù)據(jù)的質(zhì)量和一致性。其次，使用四類高效的Haarlike 特征模板對受電弓的特征進(jìn)行提取。同時利用積分圖實現(xiàn)了Haar-like 特征值的計算，降低了計算復(fù)雜度并提高了處理速度。再次，采用Adaboost 學(xué)習(xí)算法對提取的Haar-like 特征進(jìn)行訓(xùn)練，生成強分類器。Adaboost 算法能夠有效地結(jié)合多個弱分類器，提高分類器的性能和準(zhǔn)確性。在線上實時識別過程中，對實時采集到的受電弓圖像進(jìn)行預(yù)處理。包括圖像預(yù)處理、Haar-like 特征提取和特征值的計算。最后，將提取的特征輸入訓(xùn)練完畢的強分類器中，以實現(xiàn)對受電弓目標(biāo)的準(zhǔn)確識別。

圖1 基于Haar 特征分類器的列車受電弓智能定位技術(shù)原理流程圖

1.1 特征分析

由于受電弓的工作環(huán)境復(fù)雜多變，為了更為全方位多角度地分析受電弓的特征，本研究采用綜合分析策略，從顏色、形態(tài)、空間、紋理等目標(biāo)固有特征，光照和背景等外部特征進(jìn)行分析。通過上述分析策略，能更好地滿足受電弓圖像采樣的需求，并更為有效地選取合適的圖像特征。

圖像選取方面，考慮到受電弓遮擋、復(fù)雜背景、光照影響等影響因素。在顏色特征方面，除了在黑暗背景下，受電弓在不同背景下能夠與背景明顯區(qū)分開來。通過圖像觀察，可以清楚地看到受電弓在其他背景條件下具有鮮明的顏色特征，如圖2 所示。但不能排除天空及隧道中其他顏色因素的干擾。形態(tài)特征方面，受電弓以固定的弓形形態(tài)特征點呈現(xiàn)，受電弓各個時間段內(nèi)結(jié)構(gòu)呈現(xiàn)大致相同的特征。

圖2 受電弓顏色特征

空間關(guān)系特征方面，主要考慮受電弓同天空背景中線纜、電桿、山體和建筑物的關(guān)系，如山體重疊、線桿遮擋。其中線桿遮擋是一個常見的難題，特別是線桿的顏色與受電弓的顏色特征相差不大。這種情況下，僅僅通過顏色特征很難對受電弓和線桿進(jìn)行區(qū)分，如圖3 所示。因此，在受電弓特征選取時，需要綜合考慮顏色、形態(tài)、空間關(guān)系和紋理等多個特征，并充分理解各個特征的優(yōu)勢和局限性。通過綜合選取這些特征，增強受電弓的識別能力，克服線桿遮擋等困難問題，并提高受電弓識別的準(zhǔn)確性和魯棒性。

圖3 受電弓空間特征

1.2 受電弓Haar-like 特征提取

Haar-like 特征作為一種常用的計算機(jī)圖像視覺領(lǐng)域特征描述算子。它最初定義了水平特征、垂直特征和對角線特征三種基本特征結(jié)構(gòu)，如圖4 所示。這些特征結(jié)構(gòu)可以視為滑動窗口，在圖像上以步長為1 的方式進(jìn)行滑動，覆蓋整個圖像。通過計算滑動窗口內(nèi)的像素值之差或像素值之和，可以得到Haar-like 特征的矩形特征值。這些特征值即可用于后續(xù)的特征分類任務(wù)。

圖4 Haar-like 特征基本特征結(jié)構(gòu)

隨著Haar-like 特征的廣泛應(yīng)用，研究者根據(jù)不同研究對象的特殊性，進(jìn)一步對特征結(jié)構(gòu)進(jìn)行了擴(kuò)展，取得了良好的效果，擴(kuò)展后的Haar-like 特征結(jié)構(gòu)如圖5所示。目前常用的Haar-like 特征主要包括線性特征、邊緣特征、點特征（也稱為中心特征）和對角線特征。

圖5 擴(kuò)展Haar-like 特征結(jié)構(gòu)

Haar-like 通過定義一系列特征結(jié)構(gòu)來捕捉圖像中的局部特征。特征值的計算基于矩形內(nèi)白色區(qū)域像素值的總和減去黑色區(qū)域像素值的總和。這種特征值反映了圖像中的灰度變化，能夠有效地提取顏色、形狀、紋理等特征，用于描述和識別目標(biāo)。為了獲取多樣化的特征，可通過改變特征結(jié)構(gòu)的大小和位置，生成大量不同位置和尺度的矩形特征，提取相應(yīng)的特征值。

為了實現(xiàn)受電弓的智能定位識別，本文采用了四類Haar-like 特征矩形[4,5]。這些特征矩形分別被分類為A 類、B 類、C 類和D 類。A 類特征矩形是邊緣特征，它能夠捕捉到受電弓邊緣的細(xì)微變化，幫助我們區(qū)分受電弓與周圍環(huán)境的邊界。B 類特征矩形是線性特征，它關(guān)注受電弓的線性結(jié)構(gòu)，可以識別出受電弓的形狀、輪廓等特征。C 類特征矩形是中心特征，它聚焦于受電弓的中心部分，捕捉到中心區(qū)域與周圍區(qū)域的灰度差異，從而幫助我們準(zhǔn)確地定位受電弓。D 類特征矩形是擴(kuò)展Haar-like 特征，它通過進(jìn)一步擴(kuò)展和變形特征矩形，能夠捕捉到更加復(fù)雜和多樣化的受電弓特征。通過綜合利用這四類特征矩形，能夠有效地描述和區(qū)分受電弓的特征，實現(xiàn)精準(zhǔn)的受電弓定位識別。

1.3 積分圖計算和Adaboost 分類學(xué)習(xí)

1.3.1 積分圖計算

為了提高Haar-like 特征的計算速度和算法的實時性，在獲取矩形特征后，引入了積分圖算法進(jìn)行快速特征提取。積分圖的概念如圖6 所示。

圖6 積分圖

對于坐標(biāo)A(x,y)，其對應(yīng)的積分圖是以圖6(a)其左上角為起點的矩形區(qū)域內(nèi)所有像素值的累加和。即積分圖中的每個像素值表示了原始圖像中相應(yīng)位置以左上角為起點的矩形區(qū)域內(nèi)像素值的總和。

式中ii(x,y)代表積分圖，i(x′ ,y′)代表原始圖像。通過A，B，C 和D 區(qū)域端點的積分圖可計算相應(yīng)區(qū)域的像素值。在圖6(b)中，A，B，C 和D 區(qū)域分別用ii(1),ii(2)-ii(1),ii(3)-ii(1),ii(4)-ii(2)-ii(3)+ii(1)表示。因此通過使用積分圖，可以在只遍歷一次原始圖像的情況下，計算出特定區(qū)域的像素值。

以D 類特征矩形為例，利用積分圖來計算其特征值。在圖6(c)中，將D 類特征矩形所覆蓋的區(qū)域分為四個子區(qū)域，分別標(biāo)記為A、B、C、D。通過積分圖，可以得到每個子區(qū)域的像素灰度值的累加和。

1.3.2 Adaboost 分類學(xué)習(xí)

Adaboost 算法是一種集成學(xué)習(xí)方法，通過改變數(shù)據(jù)的分布來提升分類器的性能[6]。它根據(jù)每個樣本的分類準(zhǔn)確性以及前一輪分類器的整體準(zhǔn)確率，來確定每個樣本的權(quán)重。通過調(diào)整樣本權(quán)重，新的數(shù)據(jù)集被送入下一級分類器進(jìn)行訓(xùn)練。最后，所有訓(xùn)練得到的分類器被結(jié)合起來，形成最終的決策分類器[7]。在使用Haar-like 特征時，每個特征的判別閾值被視為一個弱分類器[8]。通過Adaboost 算法的學(xué)習(xí)過程，可以得到一個測試樣本集，其中不同樣本的分布權(quán)重不同。每次訓(xùn)練過程都會增加誤分類樣本的權(quán)重，減少分類正確樣本的權(quán)重。將經(jīng)過權(quán)重調(diào)整的樣本與其他新樣本組成新的訓(xùn)練樣本集，進(jìn)行下一輪的學(xué)習(xí)訓(xùn)練。經(jīng)過T次迭代循環(huán)后，會得到T 個弱分類器，最終將這些弱分類器的權(quán)重進(jìn)行級聯(lián)，得到一個強分類器。Adaboost算法的關(guān)鍵在于通過迭代訓(xùn)練不斷調(diào)整樣本權(quán)重，使得分類器能夠重點關(guān)注那些難分類的樣本，從而提高整體分類性能。具體流程步驟如下所示:

(1) 樣本構(gòu)建，將訓(xùn)練樣本編號，其中有效正樣本為“1”，其他非有效負(fù)樣本為“-1”，得到一個樣本標(biāo)簽向量Y。然后，按照樣本編號的順序，將從圖像中提取的Haar-like 特征值組合成特征矩陣X。

式中，D 為樣本集，(xi,yi)為樣本，n 為樣本數(shù)，i=1,2,…,T。

(2) 初始化權(quán)值矩陣，訓(xùn)練學(xué)習(xí)之前樣本應(yīng)具有相同的權(quán)值：

式中，D(i)為各樣本的初始權(quán)值。

(3) 迭代循環(huán)T 次，表達(dá)式如下:

式中，Dt(i)為t 次迭代時i 樣本的權(quán)值，t=1,2,…,T，εt為t 次迭代時的被誤判分類的樣本權(quán)值之和，ht為t 次迭代時的閾值。迭代前利用誤判率εt最小原則，對當(dāng)前閾值ht進(jìn)行更新。利用更新的閾值，可得到此次迭代生成的弱分類器ht(xt)。更新后的樣本權(quán)值Dt+1 為

(4) 構(gòu)造強分類器H(x)，即

Adaboost 算法通過改變數(shù)據(jù)的權(quán)重分布來進(jìn)行訓(xùn)練。在每一輪訓(xùn)練中，根據(jù)上一輪的分類準(zhǔn)確率和每個樣本的分類結(jié)果，調(diào)整樣本的權(quán)重。分類錯誤的樣本會被賦予更高的權(quán)重，而分類正確的樣本權(quán)重會減小。這樣，后續(xù)的分類器會更加關(guān)注錯分的樣本，以提高整體的分類性能。

2 受電弓區(qū)域定位的實驗驗證

為驗證本文所提出檢測器的有效性和精度，本文采用2 段真實的受電弓監(jiān)控視頻流進(jìn)行說明。該視頻流來源于固定在動車組車頂上的受電弓監(jiān)視攝像頭，其中列車1 由深圳北站駛往虎門站，行駛時長16 min；列車2 由咸寧北站駛往岳陽東站，行駛時長10 min。列車運行過程中，監(jiān)控攝像機(jī)所采集到的背景復(fù)雜多樣，包含白天、夜晚、大霧、隧道等，見圖7。

圖7 數(shù)據(jù)集中所包含的典型樣本

依據(jù)幀頻，將上述視頻流劃分為連續(xù)幀圖像，其中，與列車1 相對應(yīng)的視頻幀劃分為訓(xùn)練集，而與列車2 相對應(yīng)的視頻幀劃分為測試集。相關(guān)數(shù)據(jù)集詳細(xì)信息見表1。

表1 數(shù)據(jù)集信息

圖8 展示了在白天強光干擾、夜晚光照不足等環(huán)境下的受電弓區(qū)域檢測案例，可以看出，即便在較強干擾下，本文所提出的基于Haar-like 特征分類器的列車受電弓智能定位技術(shù)也能智能定位出受電弓位置。從圖中可以看到，總體上受電弓定位的召回率較高，沒有發(fā)生漏檢，然而，在定位精度方面稍低，檢測到的受電弓區(qū)域中包含較多的背景噪聲，后續(xù)將從數(shù)據(jù)增強、魯棒性特征提取等角度以增強檢測器的抗干擾能力。

圖8 受電弓區(qū)域檢測案例

3 結(jié)論

受電弓區(qū)域的準(zhǔn)確定位檢測是實現(xiàn)動車組受電弓相關(guān)故障檢測的一個重要前處理步驟，可減少外界復(fù)雜多變的環(huán)境所帶來的相關(guān)干擾。因此本文對受電弓的智能檢測工作進(jìn)行了研究，充分利用Haar-like特征反映圖像灰度變化、像素分模塊求差值的特點，利用四類Haar-like 特征模板以進(jìn)行特征提取。同時，運用積分圖計算方式來高效完成受電弓監(jiān)控視頻流的Haar-like 特征值，以適應(yīng)工程應(yīng)用中實時檢測的實際需求。最后將提取的Haar-like 特征進(jìn)行Adaboost 學(xué)習(xí)訓(xùn)練以生成用于受電弓在線識別的強分類器，極大抑制弓網(wǎng)線纜、天氣背景等因素的干擾，實現(xiàn)了復(fù)雜背景噪聲下受電弓區(qū)域的準(zhǔn)確有效定位。