[发明专利]一种基于图像处理的受电弓羊角在线检测装置与方法

权利要求书

1.一种基于图像处理的受电弓羊角在线检测装置，其特征在于，包括图像采集模块、数据传输模块和图像处理模块，其中：

所述图像采集模块，包括按列车行进方向顺次设置的第一车轮轴位传感器、第一光电传感器、补光设备、相机模组、第二光电传感器和第二车轮轴位传感器；所述相机模组有两组，每组包含2个面阵相机称为半弓相机，安装在车顶上侧，设30度的俯视角度，观察车顶与受电弓状态；2个面阵相机分别从左右两个方向采集受电弓滑板图像；两组共4个面阵相机分别拍摄受电弓滑板前方左半弓、前方右半弓、后方左半弓、后方右左半弓，4个面阵相机有裕量能拍摄到受电弓滑板中心区域；

所述数据传输模块，用于将图像采集模块采集的图像数据传输到图像处理模块；

所述图像处理模块，用于对接收的图像数据进行处理，通过羊角样本学习建立主动形状模型，并结合受电弓羊角初始定位，对实时捕捉到的受电弓羊角图像利用主动形状模型学习算法来判断羊角存在或缺失。

2.根据权利要求1所述的基于图像处理的受电弓羊角在线检测装置，其特征在于，所述图像采集模块中，当第一车轮轴位传感器检测到列车第一个车轮时，表明列车进入检测区域，同时开启第一、二光电传感器；当第一光电传感器检测到受电弓进入受电弓检测区域，开启补光设备对照明区域进行补光，使区域照明符合拍照要求，同时开启相机模组进行拍照；当第二光电传感器检测到受电弓离开受电弓检测区域，关闭相机模组；当第二车轮轴位传感器检测到第24个车轮时，表明列车已经离开检测区域，关闭图像采集模块中图像采集设备及照明设备。

3.一种基于图像处理的受电弓羊角在线检测方法，其特征在于，包括以下步骤：

步骤1，图像获取：由图像采集模块中的高速相机拍照，获取原始图像；

步骤2，图像预处理：对图像进行滤波、图像增强、边缘检测处理；

步骤3，羊角ASM构建方法：包括羊角学习样本标定、ASM训练；

步骤4，羊角区域初步定位：对羊角区域进行初始定位；

步骤5，羊角检测与识别：结合主动形状模型学习算法对羊角进行匹配，并采用单分辨率搜索算法匹配羊角形状，判断初始定位区域羊角是否缺失。

4.根据权利要求3所述的基于图像处理的受电弓羊角在线检测方法，其特征在于，步骤3所述羊角ASM构建方法包括羊角学习样本标定、ASM训练，具体如下：

(3.1)羊角学习样本标定

经图像预处理后，选取羊角轮廓边界点、角点作为特征点，采用人工方式对羊角特征点进行标记；在标记过程中，要求每张羊角图像特征点的数量保持一致且相互对应，并采用PDM对羊角形状进行描述，即羊角图像i的形状通过其所有特征点数学表示为：

xi=(x1i,y1i,x2i,y2i,...,xNi,yNi)T---(1)]]>

其中，N为羊角图像特征点总数；

羊角图像学习样本集表示为：

xi=(x1i,y1i,x2i,y2i,...,xNi,yNi)T,i=1,2,3,...,M---(2)]]>

其中，M为羊角图像总数；

(2)ASM训练

第一步、特征点对齐，具体步骤如下：

a)将羊角形状xⁱ,i＝1,2,3,…,M，逐个进行平移、旋转、缩放变换使与形状x¹对齐，从而得到变换后的形状集合

b)对计算变换后的羊角图像进行取平均值得平均形状m：

其中，

c)将平均形状m进行平移、旋转、缩放变换，与对齐；

d)将进行平移、旋转、缩放变换，然后与平均形状m进行对齐匹配；

e)若平均形状收敛，则停止，否则转至步骤b)；

上述步骤e中收敛的判断依据是使对齐后的各个羊角形状与平均形状之差的平方和最小，即寻找变换T_i使得下式最小：

∑|m-T_i(x_i)|²(4)

羊角图像对齐描述为：以两个羊角形状为例，每个形状有N个坐标对：

x1=(x11,y11,x21,y21,...,xN1,yN1)T---(5)]]>

x2=(x12,y12,x22,y22,...,xN2,yN2)T---(6)]]>

首先定义变换矩阵T，T由4个参数构成，分别是旋转角度θ，尺度s和平移向量(t_x,t_y)，将形状x²进行变换：

T(x2)=s cosθ-sinθs sinθs cosθxi2yi2+txty---(7)]]>

设

R=s cosθ-sinθs sinθs cosθ---(8)]]>

利用T变换将x²与x¹对齐，最佳变换通过最小化式(4)得到：

E＝[x¹-Rx²-(t_x,t_y)^T]^T (9)

通过计算E对未知参数θ、s、t_x、t_y的偏微分，并令微分方程为零，从而求解得到变换矩阵T；

第二步、ASM建立

由对齐处理后得到M个训练形状每个形状由N对坐标给出：平均形状设为：则协方差矩阵为：

其中，S为2N×2N矩阵；

训练形状在某些方向上的变化通过协方差矩阵S的特征向量得到，即求解线性方程：

Sp_k＝λ_kp_k,k＝1,2,3,…,2N(11)

其中，S的特征向量为P，P表示为：P＝(p₁,p₂,…,p_2N)；

对于任何向量X，存在形状模型参数b，满足：

x=x‾+Pb=x‾+p1b1+...+p2Nb2N---(12)]]>

令：

Pt=(p1,p2,p3,...,pt)bt=(b1,b2,b3,...,bt)T,t≤2N---(13)]]>

从而得到形状的估计：

x≈x‾+Ptbt---(14)]]>

bt≈PtT(x-x‾)---(15)]]>

向量b_t定义了一组可变模型参数，不同的b_t能够拟合出不同变化的形状；

由于b_i在训练集上的方差与特征值λ_i有关，b_i要满足下式：

-3λi≤bi≤3λi---(16).]]>