[发明专利]基于AdaBoost和主动形状模型的受电弓识别方法

摘要

本发明属于计算机数字图像处理与模式识别技术领域，主要涉及电动牵引机车使用的受电弓在线自动识别方法，具体涉及一种基于AdaBoost和主动形状模型的受电弓在线自动识别方法。基本流程包括通过受电弓在线拍照系统采集若干受电弓图像，组成受电弓图像学习样本集；基于样本训练学习生成受电弓主动形状模型和AdaBoost级联分类器；采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；结合受电弓检测结果和学习构建的受电弓主动形状模型，精确匹配和识别受电弓形状；最后在精确匹配结果基础上进行定量检测和分析。本发明能有效对受电弓碳滑板厚度进行线上自动定量检测，可快速地进行车辆维护，节约受电弓检测成本。

主权项

一种基于AdaBoost和主动形状模型的受电弓识别方法，其特征在于，包括：步骤10、获取受电弓图像学习样本集；步骤20、AdaBoost级联分类器训练；步骤30、采用AdaBoost级联分类器对新获取、待识别的图像进行受电弓检测；步骤40、构建受电弓主动形状模型；步骤50、结合检测结果和主动形状模型的受电弓精确匹配和识别；步骤60、受电弓定量检测和分析，所述步骤10中获取受电弓图像学习样本集包括两套：AdaBoost学习样本集：用于训练AdaBoost级联分类器；主动形状模型学习样本集：用于训练受电弓主动形状模型，具体通过安装于电力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像，形成受电弓图像学习样本集，其中，AdaBoost学习样本集包括正样本和负样本；主动形状模型学习样本集至少包含50张受电弓图像，且各受电弓图像的分辨率保持一致；所述步骤20中AdaBoost级联分类器训练，具体步骤是：一、收集受电弓正样本和负样本，正样本中必须包含待检测的受电弓目标，且正样本归一化为同一大小；负样本中不能包含受电弓，图像尺寸大于正样本；二、Harr‑like特征选择与计算，选择边缘和线性的扩展Harr‑like特征作为检测受电弓的特征；采用积分图快速计算特征；三、强分类器训练，基于步骤10所述的AdaBoost正样本和负样本集，采用AdaBoost算法训练多个弱分类器，并线性加权组成强分类器，具体训练过程描述如为：给定受电弓正样本和负样本集(x1，y1)，(x2，y2)，…，(xi，yi)，…，(xn，yn)，其中xi表示第i个样本，yi＝0时表示其为负样本，yi＝1时表示其为正样本，n为正样本和负样本总数；初始化权重，对于正样本：wi＝1/2l，l为正样本个数；对于负样本：wi＝1/2m，m为负样本个数；当t＝1，...，T，进行如下迭代处理：(1)权重归一化：(2)对每个特征f，训练一个弱分类器h(xi，f，p，θ)，并计算该弱分类器的加权错误率，找出一个具有最小错误率εt的弱分类器作为最优弱分类器：(3)权重更新：其中，ei＝0表示样本xi检测正确，ei＝1表示样本检测错误；最终的强分类器：其中，四、级联分类器训练，训练多个强分类器，组成级联分类器，具体步骤是：(1)确定每层，即每个强分类器的最大误识率f，最小要达到的检测率d；(2)指定最终级联分类器的误识率为Ftarget；设P代表正样本集，N代表负样本集，初始误识率F0＝1.0，初始检测率D0＝1.0，i＝0；(3)当Fi＞Ftarget，进行如下处理：i＝i+1；ni＝0；Fi＝Fi‑1；当Fi＞f×Fi‑1，进行如下处理：ni＝ni+1；利用AdaBoost算法在P和N上训练具有ni个特征数的强分类器；衡量当前级联分类器误识率Fi和检测率Di；低第i层的强分类器阈值，直到当前级联分类器的检测率达到d×Di‑1；将负样本集N设置为空集；利用当前的级联分类器检测受电弓负样本图像，将误识的图像放入负样本集N。