[发明专利]一种城轨列车受电弓目标定位方法

说明书

本发明公开了一种城轨列车受电弓目标定位方法。该方法为基于ssd‑tensorflow和混合高斯聚类算法，包括以下步骤：收集现场采集到的受电弓图片，制作训练样本集；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Pascal voc2007下Annotations文件内，制作Pascal voc2007数据集；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；更换基础网络Vgg‑16为DenseNet，调整网络参数；对所设定的模型进行训练，得到受电弓定位的检测模型；对训练出的检测模型进行测试，检测受电弓定位精度。本发明具有检测精度高、实时性强的优点。

技术领域

本发明属于目标定位技术领域，特别是一种城轨列车受电弓目标定位方法。

背景技术

受电弓是安装于城轨车辆车顶从接触网获取电流的装置，在日常运行过程中其状态的好坏直接影响到城轨列车的安全性和可靠性。当受电弓损坏或偏离时轻则使车轨列车减速，重则造成弓网事故导致重大的人员伤亡和交通事故，所以对受电弓的定位的准确性对后续受电弓故障分析显得尤为重要。

传统的致城轨列车受电弓定位方法准确度不高，如别致等在“基于图像处理的受电弓检测及滑板定位研究”中采用基于HOG与LBP特征决策融合的方法，首先利用Sobel算子滤波结合直线检测对受电弓区域进行粗检，其次在粗检的基础上再进行受电弓区域的HOG特征与LBP特征提取，然后利用SVM对提取到的特征进行训练，最后将训练得到的两个分类器的分类结果决策融合，从而得到最终的检测结果。但该定位方法受环境因素影响大，给后续处理带来较大的偏差，导致受电弓的定位准确度较低。

发明内容

本发明的目的在于提供一种准确性高、实时性好的城轨列车受电弓目标定位方法。

实现本发明目的的技术解决方案是：一种城轨列车受电弓目标定位方法，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Pascal voc2007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；

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。

进一步地，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。

进一步地，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。

进一步地，步骤3所述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：