基于SURF特征匹配的電氣化鐵路接觸網支撐裝置旋轉雙耳不良狀態(tài)檢測

楊紅梅，劉志剛

(1.西安鐵路職業(yè)技術學院 電氣工程系，陜西 西安 710014；2.西南交通大學 電氣工程學院，四川 成都 610031)

作為鐵路接觸網支撐裝置的重要承力設備，旋轉雙耳的狀態(tài)好壞關系著支撐結構的穩(wěn)定性。為增加接觸網支撐結構可靠性，提高弓網系統(tǒng)受流質量以保證行車安全，有必要實時監(jiān)測其狀態(tài)，為維護工作提供有效參考。

我國目前主要采用人工方法對接觸網支撐結構進行檢查，其效率和可靠性都難以達到要求，因此有必要進行智能化、實時化檢測方法的研究。鐵路的實時智能化研究主要有受電弓滑板磨耗、裂紋檢測以及接觸網參數(shù)的非接觸式檢測等。文獻[1]利用邊緣識別、聚類和霍夫變換等，通過初識別和精確定位完成了受電弓圖像目標區(qū)域的定位和提取。文獻[2]應用光學圖像處理和二次樣條小波定位滑板邊緣，進而實現(xiàn)滑板厚度的測量。文獻[3]利用起點定位檢測滑板邊緣，并結合不同邊緣算子獲取磨耗處的信息，從而檢測滑板磨耗程度。文獻[4]通過CCDP算法得到滑板的曲波系數(shù)矩陣，從矩陣信息中識別滑板固有特征和裂紋特征。文獻[5]利用曲波矩陣移動平行窗口能量值的不同信息識別接縫、噪聲和螺釘?shù)裙逃刑卣?，以獲取裂紋特征信息。文獻[6]通過圖像檢測設備非接觸式檢測弓網參數(shù)。文獻[7]研究了二維激光雷達對視距內障礙物的識別、跟蹤，以達到接觸網幾何參數(shù)非接觸式檢測的目的。文獻[8]利用鏈碼獲取目標的大致角度，結合Radon方法檢測了支架定位器的定位坡度。對于接觸網懸掛裝置圖像而言，由于其全局信息較復雜，國內外關于應用圖像處理的非接觸式檢測方法的研究較少，本文對基于圖像處理的懸掛裝置狀態(tài)檢測進行了初步研究。

在圖像匹配識別中，特征點的檢測算法主要有Forstner[9]、Harris[10]、Moravec[11]、尺度不變特征變換SIFT[12]等。SURF[13]和SIFT都具有局部特征尺度、旋轉不變性，文獻[14]比較了兩種算法的性能，表明SURF算法的速度更具優(yōu)勢。

本文在基于圖像處理的接觸網支撐裝置狀態(tài)檢測研究基礎上[15-16]，以接觸網支撐裝置的全局圖像為檢測對象，利用SURF算法初識別并提取旋轉雙耳裝置；利用Hough圓、矩形識別方法精確定位耳片局部圖像；根據耳片局部圖像灰度方差的分布規(guī)律判別雙耳的具體狀態(tài)。

1 SURF理論

Herbert提出的SURF算法，是檢測圖像局部不變特征的一種新算法。此算法具有良好的局部特征不變性，其主要步驟如下。

1.1 特征點檢測

設積分圖像中的一點P(x,y)，則點P和原圖像中原點所形成的矩形面積中所有像素值的和用點P的I∑(P)表示，即

( 1 )

式中：I(i,j)為點i、j的像素值(原圖像中)；I∑(P)為點(x,y)的積分圖像。

設由A、B、C及D組成的一個矩形區(qū)域，則該矩形內所有灰度的和可由式( 2 )進行計算。

S=A-B-C+D

( 2 )

特征點具體位置需根據Hessian矩陣行列式的局部最大值進行檢測。設圖像I中一點X=(x,y)，該點σ尺度上的Hessian矩陣為

( 3 )

式中：Lxx(X,σ)為X處高斯二階偏導與圖像I的卷積；Lxy(X,σ)、Lyy(X,σ)含義相似。

通過Dxx、Dyy、Dxy表示實際圖像與模板圖像的卷積，重新代入式( 3 )，得到Hessian矩陣的行列式為

det=DxxDyy-(wDxy)2

( 4 )

式中：w為權重系數(shù)，實際應用中多使用其固定值0.9。依據式( 4 )計算所有點的響應求得尺度σ響應圖。

1.2 特征點描述

設一圓形區(qū)域，半徑為6s(s是特征點所在的尺度)，中心為特征點，計算圓形內各點的Haar響應dx、dy，方向沿x、y。求取響應所對應的直方圖。為得到新的矢量，圓形區(qū)域中的Haar響應需被沿x軸方向進行累加(60°范圍內)。遍歷圓形區(qū)域，每隔5°計算新矢量，共得到新矢量72個。主方向為最長矢量方向。特征提取區(qū)域為20s的矩形區(qū)域。將該區(qū)域分成4×4的子區(qū)域。在子區(qū)域中累加dx、dy、|dx|、|dy|，求得特征V。

V=(∑dx,∑dy,∑|dx|,∑|dy|)

( 5 )

2 基于SURF的旋轉雙耳初識別

由于接觸網全局圖像背景太過復雜，而檢測目的為識別其中旋轉雙耳部分的狀態(tài)，基于此，有必要在檢測前先從全局圖像中識別定位雙耳裝置。由于不同圖像中旋轉雙耳存在尺寸和角度不同的問題，目標匹配很容易因特征變化而失效，而SURF局部不變特征匹配方法能較好保持特征的尺度和旋轉不變性，因此本文利用SURF方法識別定位全局圖中的旋轉雙耳。

( 6 )

式中：n為特征值維數(shù)；Xjk為雙耳模板圖像中第j個特征所對應的第k個值；Xik為待檢測圖像中第i個特征所對應的第k個值。

用上述步驟使圖1和圖2(a)的特征點進行匹配，圖2(b)為匹配結果。除了正確匹配區(qū)域外還有少量誤匹配點存在于初始匹配中。為快速有效地消除各種原因引起的誤匹配點，使旋轉雙耳耳片的定位與識別更加準確可靠，提出以下消除誤匹配方法：

(1)特征點聚類。為達到快速去除零散誤匹配點的目的，待檢測圖像中的所有特征點將被聚類，聚類依據為各特征點間的距離。

(2)特征點比值。統(tǒng)計旋轉雙耳模板圖像特征點總數(shù)N和各聚類中已配對的點數(shù)Ni。當Ni不小于N的0.6倍時(通過實驗表明，取0.6倍消除誤匹配的效果較好)，則該聚類匹配成功，否則為誤匹配。最終根據匹配點的具體坐標信息實現(xiàn)旋轉雙耳的初定位。

圖1 旋轉雙耳模板圖

(a)待檢測全局圖像

(b)SURF特征初匹配效果圖

(c)誤匹配消除效果圖圖2 旋轉雙耳特征匹配效果圖

旋轉雙耳匹配閾值設置為

( 7 )

從圖2(c)可以看出，以上誤匹配消除方法可在有效去除誤匹配點的前提下盡可能多地保留匹配點。

3 基于Hough變換的耳片精確定位

在旋轉雙耳局部圖像從待檢測全局圖像中成功提取后，需在此圖像中精確定位耳片。從圖3橢圓區(qū)域可以看出，旋轉雙耳在耳片中間一定范圍內出現(xiàn)斷開、裂紋等不良狀態(tài)。局部圖像中固有的形狀特征(如螺釘、螺栓等)將會嚴重影響雙耳可能存在的斷裂特征的識別。故在檢測前識別耳片固有特征以提高狀態(tài)檢測判據的通用性、準確性。

(a)耳片斷開

(b)耳片裂紋圖3 雙耳斷裂局部圖像

圖3中左側矩形框內所示的形狀，可等效為矩形特征，而右側矩形框中的形狀則可等效為圓形特征。對其進行Hough變換圓、矩形檢測，可獲取中心、半徑等信息，即可定位固有特征，從而消除其對耳片檢測的干擾，同時進一步縮小斷裂特征的檢測范圍。

3.1 基于Hough變換圓檢測的螺釘識別定位

設一條閉合輪廓線，Hough變換圓檢測首先掃描整個輪廓。為快速識別其是否為圓，掃描的方向為垂直、水平兩個方向。通過掃描結果的Hough變換獲取兩條直徑Lv和Lh，圓心(xc，yc)即為兩直徑的交點。圓半徑根據輪廓線的像素坐標估計得到。

r=max((xmax-xmin)/2，(ymax-ymin)/2)

( 8 )

式中：xmax、ymax分別為閉合輪廓最大x、y坐標；xmin、ymin分別為閉合輪廓最小x、y坐標。

為獲得耳片局部圖像螺釘?shù)陌霃健A心，用螺釘半徑范圍設置半徑參數(shù)。圖4(a)、圖4(b)分別為圖3(a)、圖3(b)的螺釘檢測結果。

(a)耳片斷開圓檢測能量圖

(b)耳片裂紋圓檢測能量圖圖4 Hough變換螺釘定位效果圖

3.2 基于Hough變換的矩形識別定位

對于Hough矩形檢測，首先利用Hough變換對矩形輪廓曲線進行投票，得到H1=(P1，θ1)、H2=(P2，θ2)、H3=(P3，θ3)、H4=(P4，θ4)4個峰值，4個峰值分別對應P1P2、P2P3、P3P4和P4P14條邊。如果兩個峰值點的角度θi一致，則其對應為一組對邊，如果兩組對邊同時滿足垂直關系，即可判斷其為矩形。

圖5(a)、圖5(b)分別為圖3(a)、圖3(b)矩形檢測結果。矩形中心如圖中紅色十字所示，同時還可以得到長寬信息。

(a)耳片斷開矩形定位圖

(b)耳片裂紋矩形定位圖圖5 Hough變換矩形定位效果圖

3.3 耳片局部圖像提取

根據上述方法得到的中心、長寬、半徑信息，可進一步獲得斷裂特征出現(xiàn)的耳片區(qū)域范圍。由于存在螺釘數(shù)量不一致的旋轉雙耳，此時可由圓心間的距離定位所需螺釘。為了在排除固有特征干擾的前提下，使得圖像信息盡可能的多保留，選取橫坐標始于矩形邊緣向螺釘側平移5個像素處，止于靠近矩形側的螺釘邊緣，縱坐標取矩形上下邊緣再分別向外平移5個像素。局部圖像頂點坐標為

( 9 )

(10)

(11)

(12)

式中：o1、o2分別為矩形、螺釘中心；a、b分別為矩形的寬和長；r為螺釘半徑。基于上述信息，提取圖3的耳片局部圖像，如圖6所示。

圖6 耳片局部圖像

4 旋轉雙耳狀態(tài)識別

在完成耳片精確定位后，即可進行狀態(tài)檢測。一般情況下，耳片的灰度大小不會發(fā)生明顯突變。當耳片有斷開、裂紋時，斷開、裂紋的邊緣處灰度將發(fā)生較大變化，表現(xiàn)為具有一定方向的線性邊緣特征。由于灰度分布不均而導致該處的灰度方差分布范圍發(fā)生較大波動，故設置相應的灰度方差閾值作為判據，以識別雙耳的不良狀態(tài)特征。步驟如下：

(1)基線。在耳片的局部圖像中，從上到下每隔10個像素取一條基線。

(2)灰度方差。計算各基線上的灰度方差，方差計算單位為同一基線上的相鄰5個像素?？紤]到斷開區(qū)域可能獨立形成一個方差計算單位而錯過斷開邊緣的方差突變(如圖7中矩形框所示)，具體計算中，每一個方差計算單位由上一單位中的后兩個像素加上相鄰的三個新像素組成新的方差計算單位。

(3)判據。正常耳片的灰度分布較均勻，且值普遍較小，故其灰度方差分布在較小范圍內。在斷開、裂紋處，灰度值的變化使得其灰度方差明顯超出其平均分布范圍。故設置判據如下：如果局部圖像中兩條及兩條以上的基線上存在灰度方差F不小于閾值3Fm(Fm為一組灰度方差的均值，通過實驗，閾值3Fm能有效判別斷裂特征所導致的灰度方差變化)的情況，則判斷該耳片出現(xiàn)斷裂特征。

(13)

4.1 旋轉雙耳斷開狀態(tài)檢測

運用上述檢測步驟(1)～(3)對嚴重斷開的耳片局部圖像進行檢測，效果如圖7、圖8所示。

圖7 基線定位效果圖

(a)第一條基線處的灰度方差

(b)第二條基線處的灰度方差

(c)第三條基線處的灰度方差

(d)第四條基線處的灰度方差

(e)第五條基線處的灰度方差

(f)第六條基線處的灰度方差圖8 不同基線處的灰度方差

其中，圖8(a)～圖8(e)的基線處灰度方差發(fā)生明顯變化，且符合斷裂特征判據式(13)，即判斷該旋轉雙耳為斷裂狀態(tài)。

4.2 旋轉雙耳裂紋狀態(tài)識別過程

運用上述方法檢測裂紋耳片，效果如圖9、圖10所示。

圖9 基線定位效果圖

(a)第一條基線處的灰度方差

(b)第二條基線處的灰度方差

(c)第三條基線處的灰度方差

(d)第四條基線處的灰度方差

(e)第五條基線處的灰度方差

(f)第六條基線處的灰度方差圖10 不同基線處的灰度方差

其中，圖10(a)～圖10(e)中的基線處方差均有明顯變化，且符合斷裂特征判據式(13)，因此得出此旋轉雙耳的狀態(tài)為斷裂。

表1為用本文方法對綜合列檢車獲取的實際圖像進行檢測的實驗結果。其中誤檢主要是由于存在旋轉雙耳被遮擋的情況，若遮擋面積過大，將導致最終檢測到的特征數(shù)量低于閾值而漏檢，可調節(jié)拍攝角度以改善該問題。

表1 旋轉雙耳檢測實驗統(tǒng)計結果

5 結論

為實現(xiàn)接觸網支撐裝置中旋轉雙耳狀態(tài)自動檢測的目的，本文利用SURF特征匹配方法，較準確地識別并提取旋轉雙耳目標圖像。精確定位耳片局部圖像，進一步降低斷裂特征識別難度。最終通過局部圖像基線的灰度方差分布規(guī)律較準確地識別耳片斷裂特征。

(1)SURF匹配方法的局部特征在旋轉、角度和尺度變換下均可保持良好不變性，而實際接觸網支撐裝置圖像的特征多變、目標匹配困難等問題可因此得到改善。

(2)狀態(tài)檢測對象為耳片局部圖像，大大提高了耳片不良狀態(tài)特征的可識別性。以局部圖像灰度方差為判據，對于嚴重斷開或細小裂紋均可識別，具有較好穩(wěn)定性和通用性。

參考文獻：

[1]陳維榮,馮倩,張健,等.受電弓滑板狀態(tài)監(jiān)測的圖像目標提取[J].西南交通大學學報,2010,45(1):59-64.

CHEN Weirong,FENG Qian,ZHANG Jian,et al.Image Object Detection in Monitoring of Pantograph Slippers[J].Journal of Southwest Jiaotong University,2010,45(1):59-64.

[2]馬莉,王澤勇,高曉蓉,等.圖像處理技術在受電弓滑板檢測中的應用[J].機車電傳動,2009(5):52-53.

MA Li,WANG Zeyong,GAO Xiaorong,et al.Application of Image Processing in Detecting the Pantograph Sliding[J].Electric Drive for Locomotives,2009(5):52-53.

[3]馮倩,陳維榮,王云龍,等.受電弓滑板磨耗測量算法的研究[J].鐵道學報,2010,32(1):109-113.

FENG Qian,CHEN Weirong,WANG Yunlong,et al.Research on the Algorithm to Measure the Pantographic Slipper Abrasion[J].Journal of the China Railway Society,2010,32(1):109-113.

[4]韓志偉,劉志剛,陳坤峰,等.基于二代曲波系數(shù)定向映射的受電弓滑板裂紋檢測技術[J].鐵道學報,2011,33(11):63-69.

HAN Zhiwei,LIU Zhigang,CHEN Kunfeng,et al.Pantograph Slide Cracks Detection Technology Based on Curvelet Coefficients Directional Projection[J].Journal of the China Railway Society,2011,33(11):63-69.

[5]陳坤峰,劉志剛,韓志偉,等.基于曲波域移動平行窗的受電弓滑板裂紋識別[J].鐵道學報,2012,34(10):43-47.

CHEN Kunfeng,LIU Zhigang,HAN Zhiwei,et al.Pantograph Slipper Cracks Identification Based on Translational Parallel Window in Curvelet Transform Domain[J].Journal of the China Railway Society,2012,34(10):43-47.

[6]NIWAKAWA M,ONDA T,KINOSHITA N.Stereo Vision Based Measurement of Intersections of Overhead Contact Wires and Pantograph of Kyushushinkansen[J].IEEJ Transactions on Industry Applications,2007,127(2):118-123.

[7]牛大鵬.非接觸式接觸網幾何參數(shù)檢測系統(tǒng)研究[D].成都:西南交通大學,2008.

[8]范虎偉,卞春華,朱挺,等.非接觸式接觸網定位器坡度自動檢測技術[J].計算機應用,2010,30(S2):102-103.

FAN Huwei,BIAN Chunhua,ZHU Ting,et al.Automatic Detection of Positioning Line in Contactless Overhead Contact System[J].Journal of Computer Applications,2010,30(S2):102-103.

[9]FRSTNER W.A Fast Operator for Detection and Precise Location of Distinct Points,Corners and Centers of Circular Features[C]//Proceedings of the ISPRS Inter Commission Workshop,1987:149-155.

[10]HARRIS C J,STEPHENS M.A Combined Corner and Edge Detector[C]//Proceedings of the 4th Alive Vision Conference,1988:147-151.

[11]MORAVEC H.Rover Visual Obstacle Avoidance[C]//Proceedings of the 7th International Joint Conference on Artificial Intelligence,1981:785-790.

[12]David G Lowe.Distinctive Image Features from Scale-invariant Key Points[J].International Journal of Computer Vision,2004,60(2):91-110.

[13]BAY H,TUYTEPLAARS T,GOOL L V.SURF:Speeded up Robust Features[J].Computer Vision & Image Understanding,2006,110(3):404-417.

[14]JUAN L,GWUN O.A Comparison of SIFT,PCA-SIFT and SURF[J].International Journal of Image Processing,2009,3(4):143-152.

[15]楊紅梅,劉志剛,韓志偉,等.基于仿射不變矩的電氣化鐵路絕緣子片間夾雜異物檢測[J].鐵道學報,2013,35(4):30-36.

YANG Hongmei,LIU Zhigang,HAN Zhiwei,et al.Foreign Body Detection between Insulator Pieces in Electrified Railway Based on Affine Moment Invariant[J].Journal of the China Railway Society,2013,35(4):30-36.

[16]楊紅梅,劉志剛,韓燁,等.基于快速魯棒性特征匹配的電氣化鐵路絕緣子不良狀態(tài)檢測[J].電網技術,2013,37(8):2 297-2 302.

YANG Hongmei,LIU Zhigang,HAN Ye,et al.Defective Condition Detection of Insulators in Electrified Railway Based on Feature Matching of Speeded-up Robust Features[J].Power System Technology,2013,37(8):2 297-2 302.