[发明专利]一种城轨列车受电弓目标定位方法

权利要求书

1.一种城轨列车受电弓目标定位方法，其特征在于，基于ssd-tensorflow和混合高斯聚类算法，包括以下步骤：

步骤1，收集现场采集到的受电弓图片，制作训练样本集；

步骤2，利用LabelTool对训练样本集中的目标做标记，生成相应的xml文件放入Pascalvoc2007下Annotations文件内，制作Pascal voc2007数据集；

步骤3，对xml文件进行处理，使用混合高斯聚类算法对数据集中的真实框的长宽进行聚类，更改默认框的长宽比设定，具体步骤如下：

步骤3.1、初始化网络模型参数，由于经典的SSD的长宽比初始化参数为{1/3,1/2,1,2,3}，所以进行混合高斯聚类的话选取初值k＝5；

步骤3.2、计算高斯混合分布，该分步共由k个混合成分组成，每个混合成分对应一个高斯混合分布：

其中P_m(x)表示高斯混合分布，μ_i、∈_i是第i个高斯混合成分的参数，P(x|μ_i,∈_i)是以μ_i为均值向量∈_i为协方差矩阵的多元高斯分布的概率密度函数；为混合系数，且

步骤3.3、计算CK的后验分布；

若训练集D＝{x₁，x₂，…x_m}由上述过程生成，另随机变量z_j∈{1,2,…k}表示样本x_j的高斯混合成分，取值未知，显然z_j的先验概率P(z_j＝i)对应根据贝叶斯定理z_j的后验分布对应于：

步骤3.4、计算新的均向量、协方差矩阵、混合系数；

通过极大似然估计，即最大化似然进行相应参数的计算，公式如下：

其中，μ_i,ε_i分别为均值和均方差，P_m(x_j)为高斯混合分布，j＝1,2…,m，LL(D)表示最大似然估计P_m(x_j)为高斯混合分布，由公式(1)知α_i0为混合系数，P(x|μ_i,∈_i)是以μ_i为均值向量ε_i为协方差矩阵的多元高斯分布的概率密度函数；

步骤3.5、如果不满足步骤3.4则跳到步骤3.2进行计算，如果满足步骤3.4，则确定均值向量中心，获得分类模型，并确定默认框的长宽比；

步骤4，更换基础网络Vgg-16为DenseNet，调整网络参数；

步骤5，对步骤3和步骤4所设定的模型进行训练，得到受电弓定位的检测模型；

步骤6，对步骤5训练出的检测模型进行测试，检测受电弓定位精度。

2.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤1所述收集现场采集的受电弓图片，包括进行图片的预处理，将灰度图像进行伪彩转化作为训练样本，形成训练样本集。

3.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤2所述生成相应的xml文件放入Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集，具体为：生成相应的group true box的长宽信息，确定训练样本集及测试集的数量，制成Pascal voc2007数据集格式。

4.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤4所述更换基础网络Vgg-16为DenseNet，具体是指将传统的SSD的基础网络更换为DenseNet，修改网络结构；DenseNet采用不同大小的卷积核，最后通过不同尺度特征的融合，提取目标特征信息。

5.根据权利要求1所述的城轨列车受电弓目标定位方法，其特征在于，步骤5所述对步骤3和步骤4所设定的模型进行训练，具体为：

将步骤2制作的Pascal voc2007数据集转化为tf_records形式，按照步骤3和步骤4所设定的模型进行训练，batch_size设置为24，训练最大步数为50000。