一种模板匹配的停放制动缸排气堵丢失检测方法技术

一种模板匹配的停放制动缸排气堵丢失检测方法，涉及图像识别技术领域，针对现有技术中采用人工查图的铁路动车故障检测方法存在检测准确率低的问题，包括：步骤一：获取过车图像，并对过车图像进行预处理；步骤二：定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；步骤三：利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。

【技术实现步骤摘要】
一种模板匹配的停放制动缸排气堵丢失检测方法
本专利技术涉及图像识别
，具体为一种模板匹配的停放制动缸排气堵丢失检测方法。
技术介绍
相比于传统的采用人工查图的铁路动车故障检测方法，基于数字图像处理的自动化故障检测的方法能够显著的提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检现象。但由于停放制动缸排气堵位于列车底部，图像背景较为杂乱，背景阴影区域等对图像检测影响很大，采用传统的图像分割方法如阈值分割，边缘检测等算法鲁棒性较低，很难准确检测出排气堵丢失故障。
技术实现思路
本专利技术的目的是：针对现有技术中采用人工查图的铁路动车故障检测方法存在检测准确率低的问题，提出一种模板匹配的停放制动缸排气堵丢失检测方法。本专利技术为了解决上述技术问题采取的技术方案是：一种模板匹配的停放制动缸排气堵丢失检测方法，包括以下步骤：步骤一：获取过车图像，并对过车图像进行预处理；步骤二：定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；步骤三：利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。进一步的，预处理包括高斯滤波和直方图均衡化处理。进一步的，步骤二中定位预处理后的图像中停放制动缸的位置通过形状上下文模板匹配算法进行。进一步的，形状上下文模板匹配算法具体为：1)对模板图像进行特征点检测，得到模板形状特征点P＝{p1,...,pn}，对预处理后的图像进行特征点检测，得到待匹配形状特征点Q＝{q1,...,qn}；2)将模板形状特征点中模板点pi与待匹配形状特征点中待匹配形状特征点qj进行相似度比较，建立两个像素点之间的匹配函数：其中，hi为模板点灰度，hj为待匹配形状特征点灰度；3)在待匹配图像中找到待匹配图像与模板图像间匹配函数值的和最小的位置即为匹配得到停放制动缸的位置。进一步的，形状上下文模板匹配算法的损失函数为：C＝(1-β)·CS+β·CA其中，β为权重系数，Cs为点匹配损失函数，CA为角度匹配损失函数，θ1为源图像角偏转度，θ2为模板图像偏转角度，g、h分别代表待匹配的两个点，K匹配点的总个数，k当前匹配点的索引值。进一步的，树形小波变换算法的具体步骤为：步骤三一：获取训练样本，并提取训练样本中故障类别的均值向量和无故障类别的均值向量；步骤三二：采用二维离散变换将停放制动缸子图像分解为四个子带：LL、LH、HL和HH，其中，LL为垂直和水平方向低频子带，LH为水平方向低频、垂直方向高频子带，HL为水平方向高频、垂直方向低频子带，HH为垂直和水平方向高频子带；步骤三三：对四个子带中每一个子带分别做二级树形小波变换，并将输出的各个频带的标准差作为特征向量；步骤三四：利用欧氏距离作为相似性度量，若特征向量距离故障类别的均值向量的距离最小，则判定为存在故障，若特征向量距离无故障类别的均值向量的距离最小，则判定为不存在故障。进一步的，标准差表示为：m为待匹配图像平均灰度，即停放制动缸子图像平均灰度，i,j为当前像素坐标，Gi,j为当前灰度，M*N为图像大小。进一步的，树形小波变换算法选择haar小波作为基小波。进一步的，树形小波变换算法具体表示为：首先定义一个尺度和平移基函数：φd,m(i,j)＝2d/2φ(2di-m,2dj-m)则尺寸为M×N的函数f(x,y)的离散小波变换是：d为像素点的拉伸尺度，d0为当前像素点的拉伸尺度，f(i,j)为选择的小波奇函数，Marr小波。一种模板匹配的停放制动缸排气堵丢失检测系统，包括：图像获取模块、子图像定位模块和识别模块；图像获取模块用于获取过车图像，并对过车图像进行预处理；子图像定位模块用于定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；识别模块用于利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。本专利技术的有益效果是：普通阈值分割受光照，污渍，背景等因素影响很大，难于找到通用的分割阈值分割；而Otsu法等自适应阈值算法鲁棒性不高，准确率一般50％左右；边缘检测算子进行图像分割存在一些内在问题：梯度不连续,难以找到边缘阈值等,造成其鲁棒性同样不强.模板匹配在像素层面上对原图像进行匹配,大大提升鲁棒性,其准确率可达80％以上。附图说明图1为本申请的故障识别流程图；图2为树形小波分解图。具体实施方式需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。具体实施方式一：参照图1具体说明本实施方式，本实施方式的一种模板匹配的停放制动缸排气堵丢失检测方法，包括以下步骤：步骤一：获取过车图像，并对过车图像进行预处理；步骤二：定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；步骤三：利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。具体实施方式二：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是预处理包括高斯滤波和直方图均衡化处理。具体实施方式三：本实施方式是对具体实施方式二的进一步说明，本实施方式与具体实施方式二的区别是步骤二中定位预处理后的图像中停放制动缸的位置通过形状上下文模板匹配算法进行。具体实施方式四：本实施方式是对具体实施方式三的进一步说明，本实施方式与具体实施方式三的区别是形状上下文模板匹配算法具体为：1)对模板图像进行特征点检测，得到模板形状特征点P＝{p1,...,pn}，对预处理后的图像进行特征点检测，得到待匹配形状特征点Q＝{q1,...,qn}；2)将模板形状特征点中模板点pi与待匹配形状特征点中待匹配形状特征点qj进行相似度比较，建立两个像素点之间的匹配函数：其中，hi为模板点灰度，hj为待匹配形状特征点灰度；3)在待匹配图像中找到待匹配图像与模板图像间匹配函数值的和最小的位置即为匹配得到停放制动缸的位置。具体实施方式五：本实施方式是对具体实施方式四的进一步说明，本实施方式与具体实施方式四的区别是形状上下文模板匹配算法的损失函数为：C＝(1-β)·CS+β·CA其中，β为权重系数，Cs为点匹配损失函数，CA为角度匹配损失函数，θ1为源图像角偏转度，θ2为模板图像偏转角度，g、h分别代表待匹配的两个点，K匹配点的总个数，k当前匹配点的索引值。具体实施方式六：本实施方式是对具体实施方式五的进一步说明，本实施方式与具体实施方式五的区别是树形小波变换算法的具本文档来自技高网...

【技术保护点】
1.一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于包括以下步骤：/n步骤一：获取过车图像，并对过车图像进行预处理；/n步骤二：定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；/n步骤三：利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。/n

【技术特征摘要】
1.一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于包括以下步骤：
步骤一：获取过车图像，并对过车图像进行预处理；
步骤二：定位预处理后的图像中停放制动缸的位置，并将停放制动缸图像进行截取，得到停放制动缸子图像；
步骤三：利用树形小波变换算法对停放制动缸子图像进行特征分类，并根据分类结果进行停放制动缸排气堵丢失识别。


2.根据权利要求1所述的一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于：所述预处理包括高斯滤波和直方图均衡化处理。


3.根据权利要求2所述的一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于：所述步骤二中定位预处理后的图像中停放制动缸的位置通过形状上下文模板匹配算法进行。


4.根据权利要求3所述的一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于所述形状上下文模板匹配算法具体为：
1)对模板图像进行特征点检测，得到模板形状特征点P＝{p1,...,pn}，对预处理后的图像进行特征点检测，得到待匹配形状特征点Q＝{q1,...,qn}；
2)将模板形状特征点中模板点pi与待匹配形状特征点中待匹配形状特征点qj进行相似度比较，建立两个像素点之间的匹配函数：



其中，hi为模板点灰度，hj为待匹配形状特征点灰度；
3)在待匹配图像中找到待匹配图像与模板图像间所有匹配函数值的和最小的位置即为匹配得到停放制动缸的位置。


5.根据权利要求4所述的一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于：所述形状上下文模板匹配算法的损失函数为：
C＝(1-β)·CS+β·CA






其中，β为权重系数，Cs为点匹配损失函数，CA为角度匹配损失函数，θ1为源图像角偏转度，θ2为模板图像偏转角度，g、h分别代表待匹配的两个点，K匹配点的总个数，k当前匹配点的索引值。


6.根据权利要求5所述的一种模板匹配的停放制动缸排气堵丢失检测方法，其特征在于：所述树形小波变换算法的具体步骤为：
步骤三一：获取训练样本，并提取...

【专利技术属性】
技术研发人员：张轶鑫，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：黑龙江;23