基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法
【專利摘要】本發(fā)明公開了一種基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，采用數(shù)字圖像處理的方法自動(dòng)識(shí)別鐵路接觸網(wǎng)巡視圖像中存在鳥窩的異常情況。主要步驟為：1)鐵路接觸網(wǎng)圖像二值化；2)接觸網(wǎng)支柱主干部分和細(xì)線區(qū)域部分提??；3)基于懸空點(diǎn)檢測(cè)的鳥窩可疑區(qū)域定位；4)鳥窩可疑區(qū)域的直線方向直方圖和長度直方圖特征提??；5)基于直線方向和長度分布特性的鳥窩識(shí)別；本發(fā)明方法可高效、自動(dòng)地對(duì)鐵路接觸網(wǎng)進(jìn)行鳥窩異常情況的檢測(cè)和識(shí)別，具有重大的安全意義和實(shí)際應(yīng)用價(jià)值，適用于高速鐵路和普通鐵路接觸網(wǎng)子自動(dòng)巡檢，能有效幫助巡檢人員快速發(fā)現(xiàn)接觸網(wǎng)支架上是否存在鳥窩，排查潛在的安全隱患，提高巡檢人員工作效率，避免人工判讀帶來的巨大人力消耗。
【專利說明】基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及一種基于圖像的鐵路接觸網(wǎng)鳥窩異常情況的定位和識(shí)別方法。
技術(shù)背景
[0002]鐵路接觸網(wǎng)是為列車供電架設(shè)的特殊線路。截止2010年12月底，中國國內(nèi)運(yùn)營時(shí)速200公里以上的高速鐵路里程已經(jīng)達(dá)到8358公里，在建和即將興建的高速鐵路客運(yùn)專線和城際鐵路里程已達(dá)1.7萬公里。根據(jù)中國中長期鐵路網(wǎng)規(guī)劃方案，至2012年，中國將建成42條高速鐵路客運(yùn)專線，基本建成以“四縱四橫”為骨架的全國快速客運(yùn)網(wǎng)，總里程1.3萬公里；到2020年中國時(shí)速在200公里以上的高速鐵路里程將會(huì)達(dá)到5萬公里。
[0003]為了保證高速列車的安全運(yùn)營，接觸網(wǎng)需要經(jīng)常巡檢，目前對(duì)350km/h的高速客運(yùn)專線接觸網(wǎng)設(shè)備進(jìn)行在線巡視的設(shè)備已經(jīng)初步成型。要對(duì)接觸網(wǎng)的各種安全隱患進(jìn)行有效檢測(cè)，巡檢設(shè)備需記錄大量視頻數(shù)據(jù)，然而，面對(duì)海量的巡檢視頻數(shù)據(jù)，若僅靠人工判讀，工作量大、效率低、可靠性難以保障。我國鐵路線路長、分布廣、環(huán)境多樣，因此存在安全隱患問題的接觸網(wǎng)的位置很分散，如何準(zhǔn)確高效地對(duì)巡檢圖像進(jìn)行智能分析，降低巡檢人員勞動(dòng)強(qiáng)度、提高工作效率、保障鐵路安全成為一個(gè)亟待解決的難題。
[0004]本發(fā)明所要解決的技術(shù)問題是自動(dòng)識(shí)別鐵路接觸網(wǎng)巡檢視頻圖像中存在的鳥窩異常情況。鐵路接觸網(wǎng)上的鳥窩一般存在于接觸網(wǎng)支柱上，由一些方向不一、長度不一的懸在空中近似直線的細(xì)線組成，根據(jù)這些特征，本發(fā)明具創(chuàng)新意義地提出用直線的方向直方圖和長度直方圖來描述鳥窩，進(jìn)而通過SVM分類器自動(dòng)識(shí)別鐵路接觸網(wǎng)圖像中是否存在鳥窩異常。鳥窩異常檢測(cè)是鐵路接觸網(wǎng)巡檢中的重要內(nèi)容，本發(fā)明的提出能夠有效解決人工判讀帶來的巨大工作量的問題，為巡檢人員的工作帶來極大的便利，具有重大的安全意義和實(shí)際應(yīng)用價(jià)值。
【發(fā)明內(nèi)容】
[0005]為了實(shí)現(xiàn)鳥窩異常情況的自動(dòng)識(shí)別，本發(fā)明采用的技術(shù)方案為:
[0006]一種基于圖像的鐵路接觸網(wǎng)鳥窩異常情況的定位和識(shí)別方法，從高速客運(yùn)專線接觸網(wǎng)設(shè)備進(jìn)行在線巡視拍攝的連續(xù)視頻圖像中識(shí)別出接觸網(wǎng)是否存在鳥窩異常。根據(jù)鳥窩圖像的特征，本發(fā)明采取處理步驟如下:
[0007](I)鐵路接觸網(wǎng)圖像二值化:使用自適應(yīng)二值化的方法，能夠得到的二值圖1。很好地保持了鐵路接觸網(wǎng)圖像信息；
[0008](2)接觸網(wǎng)支柱主干部分和細(xì)線區(qū)域部分提取:采用邊緣膨脹法提取接觸網(wǎng)支架的主干區(qū)域的二值圖1m ;提取細(xì)線區(qū)域部分:對(duì)步驟(I)中提取的清晰二值圖1。使用腐蝕相減的方法得到一個(gè)只包含圖像中細(xì)線區(qū)域的二值圖1t ;
[0009](3)基于懸空點(diǎn)檢測(cè)的鳥窩可疑區(qū)域定位:結(jié)合接觸網(wǎng)支架的主干區(qū)域圖像Im和二值圖像I。，通過進(jìn)行懸空點(diǎn)檢測(cè)確定鳥窩可疑區(qū)域。[0010](4)鳥窩可疑區(qū)域的直線方向直方圖和長度直方圖特征提取:對(duì)鳥窩可疑區(qū)域使用霍夫變換檢測(cè)出直線，計(jì)算直線的方向和長度，從而進(jìn)行統(tǒng)計(jì)得到該區(qū)域直線的方向直方圖和長度直方圖作為特征向量。
[0011](5)基于直線方向和長度分布特性的鳥窩識(shí)別:將特征信息輸入對(duì)應(yīng)的已構(gòu)造完成的分類器進(jìn)行分類，將分類結(jié)果進(jìn)行概率融合，從而自動(dòng)檢測(cè)鐵路接觸網(wǎng)圖像中是否存在鳥窩異常。
[0012]所述步驟(I)中，采用不同大小的滑動(dòng)窗口對(duì)圖像進(jìn)行自適應(yīng)閾值化，將得到的二值圖像結(jié)合，并通過連通區(qū)域檢測(cè)移除噪點(diǎn)，最終得到包含完整圖像信息的二值圖。
[0013]所述步驟(2)中，在接觸網(wǎng)支柱的主干部分方面采用邊緣膨脹的方法提??；在細(xì)線區(qū)域部分方面采用腐蝕相減的方法提取。
[0014]所述步驟(3)中，鳥窩可疑區(qū)域的定位結(jié)合接觸網(wǎng)支柱主干部分圖像和二值圖像進(jìn)行，主要是通過滑動(dòng)窗口在接觸網(wǎng)支柱的主干區(qū)域附近對(duì)二值圖像進(jìn)行懸空點(diǎn)檢測(cè)，若滑動(dòng)窗口內(nèi)的懸空點(diǎn)數(shù)高于閾值，就認(rèn)為該塊是鳥窩可疑區(qū)域。
[0015]所述步驟(4)中，對(duì)鳥窩可疑區(qū)域進(jìn)行霍夫變換提取直線，計(jì)算直線的方向和長度，從而進(jìn)行統(tǒng)計(jì)得到該區(qū)域直線的方向直方圖和長度直方圖，并將其作為特征向量。
[0016]所述步驟(5)中，將鳥窩可疑區(qū)域中提取出的直線的方向直方圖特征向量和長度直方圖特征向量輸入對(duì)應(yīng)的已構(gòu)造SVM分類器，通過SVM分類器得到該區(qū)域存在鳥窩的概率，最后，通過概率融合判定該區(qū)域是否存在鳥窩異常。
[0017]采用本發(fā)明能夠?qū)崟r(shí)地對(duì)鐵路接觸網(wǎng)巡檢圖像是否存在鳥窩異常進(jìn)行自動(dòng)識(shí)別，該技術(shù)能夠有效解決人工判讀帶來的巨大工作量的問題，為巡檢人員的工作帶來極大的便利，從而提高巡檢人員的工作效率。
【專利附圖】
【附圖說明】
[0018]圖1是鐵路接觸網(wǎng)存在鳥窩異常的示例圖。
[0019]圖2是本發(fā)明的系統(tǒng)框圖。
[0020]圖3是本發(fā)明的總體框圖。
[0021]圖4是存在鳥窩異常圖像與不存在鳥窩異常圖像的直線方向和長度分布對(duì)比圖。
[0022]圖5是鳥窩異常的定位與識(shí)別算法流程圖。
【具體實(shí)施方式】
[0023]下面結(jié)合附圖介紹本發(fā)明【具體實(shí)施方式】。
[0024]圖1為典型的鐵路接觸網(wǎng)巡檢圖像存在鳥窩異常的示意圖。
[0025]圖2為本發(fā)明的系統(tǒng)框圖，鐵路接觸網(wǎng)巡檢系統(tǒng)配備有兩個(gè)車載CXD攝像機(jī)，分辨率分別是2456X2058(500萬像素)和1392 X 1040(100萬像素)。分辨率較高的攝像機(jī)用于拍攝鐵路接觸網(wǎng)圖像，分辨率較低的圖像用于拍攝接觸網(wǎng)支柱桿號(hào)和里程碑。本發(fā)明中，僅采用高分辨率攝像機(jī)拍攝的接觸網(wǎng)圖像。在列車運(yùn)行過程中，兩個(gè)攝像機(jī)以17幀/ s的幀率同時(shí)拍攝列車前方的鐵路圖像。每次巡檢系統(tǒng)運(yùn)行都將在線拍攝大量的圖片數(shù)據(jù)，因此將這些圖片數(shù)據(jù)存儲(chǔ)到可移動(dòng)的存儲(chǔ)設(shè)備上?？梢苿?dòng)存儲(chǔ)設(shè)備上的數(shù)據(jù)可以通過計(jì)算機(jī)進(jìn)行離線的分析和處理，包括鳥窩異常檢測(cè)，而這部分就是本發(fā)明所做的工作。[0026]圖3為本發(fā)明的總體框圖，讀取鐵路接觸網(wǎng)圖像后，首先，采用自適應(yīng)二值化方法，得到能夠完整保留圖像有用信息的鐵路接觸網(wǎng)二值圖；然后，提取接觸網(wǎng)支柱主干部分和細(xì)線區(qū)域部分，分別用于鳥窩的輔助定位和直線提取；隨后，使用滑動(dòng)窗口遍歷圖像，結(jié)合鳥窩存在支柱附近的先驗(yàn)知識(shí)進(jìn)行懸空點(diǎn)檢測(cè)以定位鳥窩區(qū)域；然后，對(duì)鳥窩可疑區(qū)域進(jìn)行霍夫變換提取直線，并計(jì)算直線的方向和長度，進(jìn)而統(tǒng)計(jì)得到直線的方向直方圖向量和長度直方圖向量；最后， 將特征向量輸入分類器進(jìn)行鳥窩識(shí)別，如果存在鳥窩異常則預(yù)
目O
[0027]圖4為存在鳥窩異常圖像與不存在鳥窩異常圖像的直線方向和長度分布對(duì)比圖，用于說明本發(fā)明提出的兩個(gè)特征能夠很好的描述鳥窩。其中(a)是原圖，(b)是使用定位出的鳥窩可疑區(qū)域，(C)是對(duì)鳥窩可疑區(qū)域進(jìn)行霍夫變換提取出的直線，(d)是直線的方向直方圖，(e)是直線的長度直方圖。從圖4中可以看出，鳥窩圖像中的直線通常方向不一、長度不一，因此直線的方向直方圖和長度直方圖分布比較廣泛，而非鳥窩圖像，例如絕緣子圖像，通常是由幾個(gè)明顯的峰值構(gòu)成。
[0028]圖5為鳥窩異常的定位與識(shí)別算法流程圖，取wXw大小的滑動(dòng)窗口 P遍歷圖像，判斷P中是否存在鳥窩。輸入的圖像為三幅預(yù)處理得到的二值圖1p主干圖1m和細(xì)枝圖1t,使用滑動(dòng)窗口遍歷圖像，分別設(shè)置P為三個(gè)圖像的感興趣區(qū)域，提取P對(duì)應(yīng)位置的Pc、Pm和Pt，若Pm中屬于主干區(qū)域的像素個(gè)數(shù)大于閾值ε 1且匕中檢測(cè)到的懸空點(diǎn)個(gè)數(shù)大于閾值ε2，則該區(qū)域是鳥窩可疑區(qū)域，對(duì)Pt提取可疑區(qū)域的直線方向直方圖描述向量和長度直方圖描述向量，分別通過對(duì)應(yīng)的分類器得到存在鳥窩的兩個(gè)概率值，通過兩個(gè)概率值的融合判定該區(qū)域是否存在鳥窩異常。若遍歷完圖像沒有一個(gè)區(qū)域存在鳥窩異常則該圖像檢測(cè)結(jié)果為不存在鳥窩異常。
[0029]為便于對(duì)本發(fā)明的細(xì)節(jié)作更為清楚的介紹，對(duì)本發(fā)明主要步驟詳述如下:
[0030]步驟1:鐵路接觸網(wǎng)圖像二值化。使用自適應(yīng)二值化的方法，選擇不同的大小的ηΧη滑動(dòng)窗口對(duì)圖像進(jìn)行分塊二值化，每一塊采用該塊的均值作為二值化閾值，計(jì)算公式如下:
[0031 ]
【權(quán)利要求】
1.一種基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，從高速客運(yùn)專線接觸網(wǎng)設(shè)備進(jìn)行在線巡視拍攝的連續(xù)視頻圖像中識(shí)別出接觸網(wǎng)是否存在鳥窩異常，包含如下處理步驟: (1)鐵路接觸網(wǎng)圖像二值化:使用自適應(yīng)二值化的方法，得到很好地保持鐵路接觸網(wǎng)圖像信息的二值圖1c; (2)接觸網(wǎng)支柱主干部分和細(xì)線區(qū)域部分提取:采用邊緣膨脹法提取接觸網(wǎng)支架的主干區(qū)域的二值圖1M;提取細(xì)線區(qū)域部分:對(duì)步驟(I)中提取的清晰二值圖L使用腐蝕相減的方法得到一個(gè)只包含圖像中細(xì)線區(qū)域的二值圖1t ; (3)基于懸空點(diǎn)檢測(cè)的鳥窩可疑區(qū)域定位:結(jié)合接觸網(wǎng)支架的主干區(qū)域圖像Im和二值圖像I。，通過進(jìn)行懸空點(diǎn)檢測(cè)確定鳥窩可疑區(qū)域； (4)鳥窩可疑區(qū)域的直線方向直方圖和長度直方圖特征提取:對(duì)鳥窩可疑區(qū)域使用霍夫變換檢測(cè)出直線，計(jì)算直線的方向和長度，從而進(jìn)行統(tǒng)計(jì)得到該區(qū)域直線的方向直方圖和長度直方圖作為特征向量； (5)基于直線方向和長度分布特性的鳥窩識(shí)別:將特征信息輸入對(duì)應(yīng)的已構(gòu)造完成的分類器進(jìn)行分類，將分類結(jié)果進(jìn)行概率融合，從而自動(dòng)檢測(cè)鐵路接觸網(wǎng)圖像中是否存在鳥內(nèi)TT巾ο
2.根據(jù)權(quán)利要求1所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(I)中，采用不同大小的滑動(dòng)窗口對(duì)圖像進(jìn)行自適應(yīng)閾值化，將得到的二值圖像結(jié)合，并通過連通區(qū)域檢測(cè)移除噪點(diǎn)，最終得到包含完整圖像信息的二值圖。
3.根據(jù)權(quán)利要求1所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(2)中，在接觸網(wǎng)支柱的主干部分方面采用邊緣膨脹的方法提?。辉诩?xì)線區(qū)域部分方面采用腐蝕相減的方法提取。
4.根據(jù)權(quán)利要求1所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(3)中，鳥窩可疑區(qū)域的定位結(jié)合接觸網(wǎng)支柱主干部分圖像和二值圖像進(jìn)行，主要是通過滑動(dòng)窗口在接觸網(wǎng)支柱的主干區(qū)域附近對(duì)二值圖像進(jìn)行懸空點(diǎn)檢測(cè)，若滑動(dòng)窗口內(nèi)的懸空點(diǎn)數(shù)高于閾值，就認(rèn)為該塊是鳥窩可疑區(qū)域。
5.根據(jù)權(quán)利要求1所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(4)中，對(duì)鳥窩可疑區(qū)域進(jìn)行霍夫變換提取直線，計(jì)算直線的方向和長度，從而進(jìn)行統(tǒng)計(jì)得到該區(qū)域直線的方向直方圖和長度直方圖，并將其作為特征向量。
6.根據(jù)權(quán)利要求1所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(5)中，將鳥窩可疑區(qū)域中提取出的直線的方向直方圖特征向量和長度直方圖特征向量輸入對(duì)應(yīng)的已構(gòu)造SVM分類器，通過SVM分類器得到該區(qū)域存在鳥窩的概率，最后，通過概率融合判定該區(qū)域是否存在鳥窩異常。
7.根據(jù)權(quán)利要求1或6所述的基于圖像的鐵路接觸網(wǎng)鳥窩異常情況檢測(cè)方法，其特征是，所述步驟(5)的分類器構(gòu)造特征是:將有鳥窩的圖像和無鳥窩的圖像分別作為正樣本和負(fù)樣本輸入，通過支持向量機(jī)(SVM)分別對(duì)鳥窩可疑區(qū)域直線的方向直方圖特征向量和長度直方圖特征向量進(jìn)行訓(xùn)練，得到基于直線方向分布的SVM分類器和基于直線長度分布的SVM分類器。
【文檔編號(hào)】G06K9/62GK103745224SQ201310721802
【公開日】2014年4月23日 申請(qǐng)日期:2013年12月24日 優(yōu)先權(quán)日:2013年12月24日
【發(fā)明者】吳曉, 袁萍, 彭強(qiáng), 張靚云 申請(qǐng)人:西南交通大學(xué)