基于数字图像分析的铁路货车闸瓦插销窜出故障自动识别方法
张益;何应德;吴迪
【摘 要】本文基于数字图像分析技术，提出一种TFDS铁路货车闸瓦插销窜出故障的自动识别方法。算法对原始输入图像进行必要的区域定位、直方图均衡化、去噪等预处理；针对处理后的闸瓦插销的图像，设计适合其形状、纹理和位置3个方面特征的梯度方向直方图来描述闸瓦插销的特征向量；提取特征向量输入到已经训练好的线性可分支持向量机分类器模型中进行故障判断和自动识别。实验数据证明了该识别算法的稳定性、可靠性和实用性。%This article presented an automatic recognition method to identify the fault of railway truck brake shoe key, based on the technology of digital image analysis of Trouble of moving Freight car Detection System(TFDS). Regional localization for the original image, histogram equalization and image de-noising were taken in image pretreatment. Through the histograms of oriented gradients to extract the feature vector of the brake shoe bolt, the extract features vector was imputed to the trained classiifer linearly separable support vector machine (SVM) model for fault diagnosis and automatic recognition. Experimental results demonstrated that the propos
ed algorithms of automatic fault recognizing for brake shoe key were available, stability and reliability.
【期刊名称】《铁路计算机应用》
【年(卷),期】2015(000)012
【总页数】4页(P39-42)
【关键词】TFDS;闸瓦插销;图像分析;梯度向量直方图
【作 者】张益;何应德;吴迪
直方图均衡化方法
【作者单位】北京康拓红外技术股份有限公司，北京 100095;北京康拓红外技术股份有限公司，北京 100095;北京康拓红外技术股份有限公司，北京 100095
【正文语种】中 文
【中图分类】U294.2;TP39
铁路货车运行故障动态图像检测系统（TFDS）作为车辆运行安全监控系统（5T系统）的重要组成部分，通过布置于轨侧、轨下的高速工业相机阵列对运行中的货车车体进行图像采集，再由列检人员根据传输到列检中心的货车图像进行故障识别和判断，充分利用计算机机器视觉技术，实现列检从完全的室外作业到室内作业的有机转变。随着货运列车（货车）开行密度和运量的不断增加，货车列检故障识别的必然趋势是由列检人员高强度、满负荷的人工判断逐步转为计算机自动识别。数字图像分析的引入将提高故障自动识别的效率和可靠性，对保障铁路安全运输、提升货车运行效率具有重要意义。
闸瓦插销是把货车闸片固定在闸瓦托上的重要配件。闸瓦插销窜出是列车较易发生的故障之一，它的窜出可能导致闸瓦丢失，影响车辆制动，给列车行车安全带来严重隐患。因此，对闸瓦插销状态的检查是列车安全行驶的重要保障。图1为TFDS轨边相机拍摄的闸瓦插销图像。图1（a）为正常情况下的图像，闸瓦插销从闸瓦托的插槽里伸出；图1（b）为闸瓦插销窜出故障图像，闸瓦插销向上窜出（图的深度方向），在闸瓦托的插槽里已经看不见插销。
由于轨边高速相机处于室外，受雨雪天气和强弱光等环境的影响，以及像机与通过的列车共振产生的抖动，导致采集的货车动态图像的亮度和对比度差异大，存在曝光不足或过度、局
部反射光斑、模糊和对比度低等问题。从图1可知，闸瓦插销部件在整幅图像中仅占较小的部分，为减少整体算法的运算量，仅需处理包含该部件的一个矩形区域即可，称之为闸瓦插销感兴趣区域。
针对闸瓦插销图像的上述特点，在预处理过程中，预处理算法通过判断闸瓦及闸瓦托的边缘空间位置的先验关系来确定闸瓦插销的感兴趣区域，对感兴趣区采用灰度直方图均衡化和高斯平滑方法进行预处理。图2（b）是直方图均衡化后的效果图，可以看到经过直方图均衡化后图像的灰度分布更加均衡，减小图像灰度分布差异对特征向量提取的影响。但直方图均衡化对图像增强的同时，噪声也被放大，因此在预处理过程中对直方图均衡化后的图像采用了高斯平滑对图像进行去噪。图2（c）为高斯平滑后的插销图像。
由于图像中插销方向的无序性和不规则性，需要先提取故障区域图片的特征，再进行分析和判断。本文采用梯度方向直方图（HOG） 进行特征提取。图像特征提取完毕之后，利用支持向量机分类器（SVM）对特征图像进行分类决策。识别过程具体如下：
（1）镜像图像。插销出口的位置统一朝“左上”方向。这样做可以简化插销出口的定位和插销窜出（或丢失）的识别。
（2）获取HOG特征向量，并进行归一化。对绝大部分的车型而言，归一化过程不仅包含了足够的插销图像信息，同时不会引入过多干扰识别的噪声信息，还能够避免光照不一致性的影响。
（3）决策识别。将插销出口的HOG特征输入训练好的SVM，SVM给出识别结果。“-1”表示插销丢失，“+1”表示图像正常。具体如图3所示。
2.1 闸瓦插销窜出特征向量
2.1.1梯度方向直方图
梯度方向直方图是2005年由Navneet Dalal提出的[1～2]，用来作为物体检测的特征。梯度方向直方图是图像局部区域特征的累加，而非单纯的针对一整幅图像。HOG的局部提取范围称作窗，需要判断的就是这个窗区域中是否包含特征物体。在提取的窗中，进一步将窗分割成块和细胞。单个梯度方向的直方图提取的最基本区域是细胞。
提取过程可分为5步：（1）将待提取区域归一化成统一大小，本文采用插销区域的像素大小。（2）计算窗区域中的梯度值，分为梯度模值和梯度方向两张图。（3）将窗口分割为若
干个相互之间有重叠的矩形块，每一个块分割成几个固定数目的细胞单元。在每一个细胞单元中计算细胞本身的该梯度方向的直方图。（4）将一个矩形块中包含的各子细胞单元直方图相连得到该块的直方图向量，同时进行归一化。（5）将窗口中各块的直方图向量相连接，得到该插销区域图像完整的HOG特征向量，如图4所示。
2.1.2梯度计算
梯度可以有效地表现轮廓、边缘和一些纹理特征，同时受光照变化的影响较小。对于每个像素点梯度的计算，本文采用一维的中心对称算子[1，0，1]对插销图像提取梯度方向直方图特征向量。
2.1.3单元格内直方图投票
单元格内直方图投票是为了获取图像局部梯度的信息编码，尽可能地减少插销位移或外形的微小变化带来的影响。块中的每一个细胞在指定区间量的梯度方向投票得到其对应的一个直方图，幅值作为直方图计算的投票值。单个像素在直方图的区间位置由该像素的梯度方向决定，角度范围可以分为无符号0～180度，或有符号的0～360度。若细胞的直方图维度过高，
会增加直方图向量的长度，增大计算量；并会使特征变得过分敏感，在插销和插销托形变的鲁棒性方面不理想；而直方图维度太低，则造成特征表达稍显粗糙，不能有效描述细胞内部的物体边缘分布情况。Navneet Dalal 和 Bill Triggs在其论文中给出了证明，通常使用的直方图是九维的，即每20度统一到一个维度[2]。
2.1.4块直方图归一化
每一个块内的所有细胞在投票结束后，将相邻的直方图按照固定的位置次序连接，并进行向量归一化处理，得到块的直方图向量。对块的直方图向量做整体上的归一化处理的目的是消除不同图片上梯度模值的差异，减少边缘的锐利程度，加强局部区域边缘方向的分布情况。
本文采用L2-norm的归一化方法，设V是未归一化的直方图向量，（||V||K, K=1, 2）是V的K范数，ε 是一个常数，用于校正，则L2-norm如式（1）所示。
经过归一化后，将窗口中的各块向量连接成完整的HOG特征，完成描述插销图像的HOG特征向量的提取。
2.2 支持向量机分类器
根据HOG的特点，本文选择线性可分支持向量机分类器进行机器学习和分类[3]。
支持向量机实现的关键是寻最优分类超平面。图5所示为二维空间中的两类线性可分的样本，方形和圆形分别代表两种样本。假设分类线为H， H1和H2分别为各类样本中距离H最近且平行的直线，称H1和H2之间的距离叫做分类间隔。最优分类线就是要求分类线不但能够将两类样本正确分开，而且使得分类间隔最大。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。