基于Haar-like特征分类器的列车受电弓智能定位研究.pdf
《基于Haar-like特征分类器的列车受电弓智能定位研究.pdf》由会员分享,可在线阅读,更多相关《基于Haar-like特征分类器的列车受电弓智能定位研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、2023.26 科学技术创新基于 Haar-like 特征分类器的列车受电弓智能定位研究邱岳*,吴连军(中车工业研究院(青岛)有限公司,山东 青岛)引言随着轨道交通的快速发展,列车受电弓作为从接触网导线上受取电流的关键装置,在列车运行中发挥着重要作用1。然而,受电弓的准确定位是列车故障诊断中的关键问题。受电弓的错位或故障可能导致供电中断、设备损坏甚至事故发生。因此,开展列车受电弓的智能定位研究,对提高轨道运输的安全性和可靠性具有重要意义2。近年来,随着计算机视觉和机器学习等技术的快速发展,基于图像处理的方法在列车受电弓定位研究中得到了广泛应用。而 Haar-like 特征分类器,作为一种有效特
2、征表示方法,具有对图像灰度变化的良好描述能力和鲁棒性3。通过利用 Haar-like 特征分类器,可以对监测图像中受电弓位置进行检测,从而为其故障诊断和维护提供重要依据。本研究旨在基于 Haar-like 特征分类器,开展列车受电弓智能定位的研究工作。通过采用积分图计算方法高效提取 Haar-like 特征,并结合 Adaboost 级联分类器的训练和检测算法,实现对列车受电弓位置的实时监测和定位。最后通过实验验证,提高列车受电弓定位的准确性和稳定性,为轨道交通系统的安全运行及受电弓的故障检测提供可靠的支持。1检测方案组成及其原理本文所提出基于 Haar-like 特征分类器的列车受电弓智能定
3、位技术原理如图 1 所示。首先,采用多样化和全面的训练样本集,综合考虑了受电弓的识别特征和背景条件。同时对图像样本进行了预处理,以确保数据的质量和一致性。其次,使用四类高效的 Haar-like 特征模板对受电弓的特征进行提取。同时利用积分图实现了 Haar-like 特征值的计算,降低了计算复杂度并提高了处理速度。再次,采用 Adaboost 学习算法对提取的 Haar-like 特征进行训练,生成强分类器。Adaboost 算法能够有效地结合多个弱分类器,提高分类器的性能和准确性。在线上实时识别过程中,对实时采集到的受电弓图像进行预处理。包括图像预处理、Haar-like 特征提取和特征值
4、的计算。最后,将提取的特征输入训练完毕的强分类器中,以实现对受电弓目标的准确识别。1.1特征分析由于受电弓的工作环境复杂多变,为了更为全方位多角度地分析受电弓的特征,本研究采用综合分析策略,从颜色、形态、空间、纹理等目标固有特征,光照摘要:弓网系统在高速行驶的动车组运行过程中发挥着至关重要的作用,列车在运行过程中,受接触网高度变化、列车运行线路复杂背景等因素影响,给受电弓的准确定位及后续故障检测带来巨大干扰。本文提出了一种基于 Haar-like 特征分类器的列车受电弓智能定位方法。该方法采用积分图方式来高效计算受电弓监测视频帧下的 Haar-like 特征,利用 Adaboost 算法训练受
5、电弓分类器,从而得到级联 boosted 分类器,以完成受电弓的实时位置检测。上述方法的有效性和泛化性在 2 段真实的受电弓监控视频流中得到验证,实现了在复杂背景噪声下的受电弓区域的准确有效定位。关键词:受电弓;区域定位;Haar-like 特征;Adaboost 级联分类器中图分类号院TH113.1文献标识码院A文章编号院2096-4390渊2023冤26-0047-05通讯作者:邱岳(1990-),男,硕士,工程师,主要研究方向:轨道交通控制工程。47-科学技术创新 2023.26和背景等外部特征进行分析。通过上述分析策略,能更好地满足受电弓图像采样的需求,并更为有效地选取合适的图像特征。
6、(a)黑暗(b)光亮(c)明暗交错图 2受电弓颜色特征图像选取方面,考虑到受电弓遮挡、复杂背景、光照影响等影响因素。在颜色特征方面,除了在黑暗背景下,受电弓在不同背景下能够与背景明显区分开来。通过图像观察,可以清楚地看到受电弓在其他背景条件下具有鲜明的颜色特征,如图 2 所示。但不能排除天空及隧道中其他颜色因素的干扰。形态特征方面,受电弓以固定的弓形形态特征点呈现,受电弓各个时间段内结构呈现大致相同的特征。(a)横杆遮挡(b)山体隧道遮挡(c)房屋建筑遮挡图 3受电弓空间特征空间关系特征方面,主要考虑受电弓同天空背景中线缆、电杆、山体和建筑物的关系,如山体重叠、线杆遮挡。其中线杆遮挡是一个常见
7、的难题,特别是线杆的颜色与受电弓的颜色特征相差不大。这种情况下,仅仅通过颜色特征很难对受电弓和线杆进行区分,如图 3 所示。因此,在受电弓特征选取时,需要综合考虑颜色、形态、空间关系和纹理等多个特征,并充分理解各个特征的优势和局限性。通过综合选取这些特征,增强受电弓的识别能力,克服线杆遮挡等困难问题,并提高受电弓识别的准确性和鲁棒性。1.2受电弓 Haar-like 特征提取Haar-like 特征作为一种常用的计算机图像视觉领域特征描述算子。它最初定义了水平特征、垂直特征和对角线特征三种基本特征结构,如图 4 所示。这些特征结构可以视为滑动窗口,在图像上以步长为 1 的方式进行滑动,覆盖整个
8、图像。通过计算滑动窗口内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。这些特征值即可用于后续的特征分类任务。(a)(b)(c)(d)图 4Haar-like 特征基本特征结构随着 Haar-like 特征的广泛应用,研究者根据不同研究对象的特殊性,进一步对特征结构进行了扩展,取得了良好的效果,扩展后的 Haar-like 特征结构如图 5所示。目前常用的 Haar-like 特征主要包括线性特征、边缘特征、点特征(也称为中心特征)和对角线特征。(a)(b)(c)(d)(e)(f)图 5扩展 Haar-like 特征结构Haar-like 通过定义一系列特征结构来捕捉图
9、像中的局部特征。特征值的计算基于矩形内白色区域像素值的总和减去黑色区域像素值的总和。这种特征值反映了图像中的灰度变化,能够有效地提取颜色、形状、纹理等特征,用于描述和识别目标。为了获取多样化的特征,可通过改变特征结构的大小和位置,生成大量不同位置和尺度的矩形特征,提取相应的特征值。为了实现受电弓的智能定位识别,本文采用了四类 Haar-like 特征矩形4,5。这些特征矩形分别被分类为 A 类、B 类、C 类和 D 类。A 类特征矩形是边缘特征,它能够捕捉到受电弓边缘的细微变化,帮助我们 正样本负样本训练样本集选取样本集图像预处理Haar-like特征提取积分图计算特征值Adaboost学习训
10、练待识别受电弓图像采集待识别受电弓图像预处理Haar-like特征提取积分图计算特征值识别用强分类器受电弓识别结构图 1基于 Haar 特征分类器的列车受电弓智能定位技术原理流程图48-2023.26 科学技术创新区分受电弓与周围环境的边界。B 类特征矩形是线性特征,它关注受电弓的线性结构,可以识别出受电弓的形状、轮廓等特征。C 类特征矩形是中心特征,它聚焦于受电弓的中心部分,捕捉到中心区域与周围区域的灰度差异,从而帮助我们准确地定位受电弓。D 类特征矩形是扩展 Haar-like 特征,它通过进一步扩展和变形特征矩形,能够捕捉到更加复杂和多样化的受电弓特征。通过综合利用这四类特征矩形,能够有
11、效地描述和区分受电弓的特征,实现精准的受电弓定位识别。1.3积分图计算和 Adaboost 分类学习1.3.1积分图计算为了提高 Haar-like 特征的计算速度和算法的实时性,在获取矩形特征后,引入了积分图算法进行快速特征提取。积分图的概念如图 6 所示。(a)积分图值(b)积分图分区(c)D 类特征矩形图 6积分图对于坐标 A(x,y),其对应的积分图是以图 6(a)其左上角为起点的矩形区域内所有像素值的累加和。即积分图中的每个像素值表示了原始图像中相应位置以左上角为起点的矩形区域内像素值的总和。(1)式中代表积分图,代表原始图像。通过A,B,C 和 D 区域端点的积分图可计算相应区域的
12、像素值。在图 6(b)中,A,B,C 和 D 区域分别用 ii(1),ii(2)-ii(1),ii(3)-ii(1),ii(4)-ii(2)-ii(3)+ii(1)表示。因此通过使用积分图,可以在只遍历一次原始图像的情况下,计算出特定区域的像素值。以 D 类特征矩形为例,利用积分图来计算其特征值。在图 6(c)中,将 D 类特征矩形所覆盖的区域分为四个子区域,分别标记为 A、B、C、D。通过积分图,可以得到每个子区域的像素灰度值的累加和。(2)1.3.2Adaboost 分类学习Adaboost 算法是一种集成学习方法,通过改变数据的分布来提升分类器的性能6。它根据每个样本的分类准确性以及前一
13、轮分类器的整体准确率,来确定每个样本的权重。通过调整样本权重,新的数据集被送入下一级分类器进行训练。最后,所有训练得到的分类器被结合起来,形成最终的决策分类器7。在使用Haar-like 特征时,每个特征的判别阈值被视为一个弱分类器8。通过 Adaboost 算法的学习过程,可以得到一个测试样本集,其中不同样本的分布权重不同。每次训练过程都会增加误分类样本的权重,减少分类正确样本的权重。将经过权重调整的样本与其他新样本组成新的训练样本集,进行下一轮的学习训练。经过 T次迭代循环后,会得到 T 个弱分类器,最终将这些弱分类器的权重进行级联,得到一个强分类器。Adaboost算法的关键在于通过迭代
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Haar like 特征 分类 列车 受电弓 智能 定位 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。