基于主动形状模型的受电弓自动检测方法

技术领域

本发明属于计算机数字图像处理与模式识别技术领域，主要涉及 电动牵引机车使用的受电弓在线自动检测方法，具体涉及一种基于主 动形状模型的受电弓在线自动检测方法。

背景技术

电力牵引机车受电弓是电气化铁路电力机车从接触网上受取电 源的装置。在实际机车运行过程中，受电弓碳滑板与接触网导线直接 接触，从接触网导线上受取电流供机车使用。在高速电气化铁路系统 中，机车必须保持稳定的受流状态。受电弓弓头破损、碳滑板过度磨 耗不仅影响电力机车的正常供电，甚至会造成轨道交通的中断。因此 作为直接与接触网接触的取流关键设备-受电弓碳滑板的状态极为关 键，它关系到机车能否稳定、可靠地从接触线取电。实际管理中，相 关部门需要对受电弓碳滑板运行状态进行定期检测，以保证机车的稳 定、安全运行。随着我国轨道交通和高速铁路的飞速发展，对受电弓 的可靠运行提出了更高的要求，实现对受电弓运行状态的在线自动检 测具有重要意义。

目前国内外受电弓状态的检测方法主要包括入库静态检测、机载 检测系统和在线定点式检测3种方式。入库静态检测即在机车进入检 修库停车后，降下受电弓，截断接触网电源，检修人员登上车顶通过 测量仪器手工测量碳滑板磨损和变形状况。该检测方法存在一定的局 限性，首先要求接触网必须在受电弓检测前断电，且通常只能在机车 入库停车后才能检测，属于一种静态检测方法。不能实现受电弓的在 线自动检测。在实际运作中需要投入较大规模的人力、成本较高。详 见文献：谢力.基于图像处理的受电弓状态检测技术研究：[硕士学位 论文]：西南交通大学，2009。

机载受电弓检测方法属于一种在线自动检测方法。主要包括2种 方式，其一是通过在机车上安装光、电、力学等多种传感器采集受电 弓位置、碳滑板的磨耗，以及受电弓弓头左右偏移量状态等信息对受 电弓进行检测，但传感器获取的受电弓运行状态信息容易受机车运行 过程中产生的震动的干扰；其二是将光纤内埋式磨损传感器嵌入受电 弓滑板中，当受电弓滑板收到接触网的冲击作用而产生磨损时或者产 生缺失时，传感器给出相应的磨损信号。根据不同的信号强度给出不 同等级的报警信号，从而获得受电弓滑板的磨损状态。该方法的主要 缺点是：一是对于材料的要求比较高，要在受电弓滑板中内嵌传感器， 材料工艺要求高，受电弓滑板材料结构改变可能会降低受电弓的使用 寿命，提高了成本；二是传感器不能布满整个受电弓碳滑板，因此得 到的数据是几个点的，不能得到各个点的磨损状态；三是整个系统装 置比较多，比较复杂，系统安装维修不方便。

在线定点式自动检测方式，国内外主要有基于超声波传感器的检 测和基于图像的检测方法。超声波传感器检测方法多见于国外机车系 统，其基本方法是：在机车行驶的路段上安装多个超声波传感器发送 超声波，超声波通过空气传输到达被测受电弓碳滑板上，然后超声波 反射返回到传感器上。根据超声波的传输时间与当时的波速，经计算 后获得受电弓碳滑板的厚度信息，进而实现对受电弓碳滑板的磨损状 态进行在线检测。该方法存在的显著不足是超声波信号容易受超声波 工作距离、超声波信号强弱和受电弓运行中的姿态的影响。近年来， 国内外出现了许多基于在线获取图像的受电弓检测方法。该方法核心 包括拍照和检测2部分，首先将在线拍照系统安装在机车行驶的路段 上方，待机车受电弓行驶通过拍照系统时，同步触发相机和闪光灯对 受电弓进行拍照，完成受电弓图像的在线采集，然后采用数字图像处 理方法对采集到的图像进行仔细分析，最终获取受电弓在线运行状态。 该方法的优势非常明显，可以在机车行驶过程中做到在线自动检测； 缺点是检测精度依赖于拍照系统采集图像的质量，对受电弓在线拍照 系统精度要求比较高。国内目前已有厂商和科研单位正在研发基于图 像的受电弓在线运行状态的检测系统，存在的问题主要集中于：1) 受电弓图像采集质量较低，不利于后续图像处理与分析；2)对机车 运行速度有限制，难以实现真正的在线检测；3)采集到的受电弓图 像背景复杂、不统一，图像处理方法难以进行精确的受电弓定量检测， 相关方法亟需进一步改进。详见南京大学于2012年公开的专利《高 速机车受电弓滑板磨损自动检测装置》，专利公开号：CN102507600A。

基于可变模型对目标物体特征点定位的研究取得了很大成就，特 别是对于图像中的目标物体变化很大的情况。可变模型的基本思想是： 建立一个目标物体的通用模型，对于任意给定图像，如果图像中有与 该模型相同的目标物体，则可以根据物体图像的内部和外部特征与模 型之间的差异，通过调整模型参数将模型进行变化，其形状和纹理能 够与目标物体在一定误差内实现匹配，详见文献：Cootes T.F. Deformable Object Modelling and Matching.In：Kimmel R，Klette R，Sugimoto  A，eds.Computer Vision-Accv2010，Pt I.Berlin：Springer-Verlag Berlin； 2011：1-10.

英国曼彻斯特大学(University of Manchester)的Tim.Cootes 等人提出的主动形状模型ASM(Active Shape Models)是实现上述 思想的一个典型代表。该方法已成为当前主流的目标定位方法，在目 标对象的定位中，特别是在人脸检测、手势识别和医学人体器官图像 检测方面得到了广泛的应用，详见文献：Cootes T.F.，C.J.Taylor，D.H. Cooper，et al.Active Shape Models-Their Training and Application.Computer  Vision and Image Understanding.1995，61(1)：38-59.

ASM是一种基于统计学的灰度和形状分离的可变形模型，允许 待定位目标有一定程度的形变，同时采用灰度和梯度信息指导形状模 型收敛，其收敛速度较快。其主要方法是通过对样本图像中的目标物 体进行关键特征点手动标定，进而形成样本集目标点分布模型(Point  Distribution Model)，然后对点分布模型进行训练、统计分析建立 ASM模型，再以此模型作为依据，在测试图像中与目标特征进行快 速匹配，找到被定位目标的位置。其优点是容易选择目标轮廓特征点 作为建模基础，但ASM的匹配精度与匹配起始位置密切相关，因此 获取ASM匹配起始位置的目标定位方法是影响ASM最终匹配结果 优劣的一个重要因素。实际应用ASM方法进行目标精确定位时，需 要首先进行目标的初略定位，否则匹配过程容易陷入局部最优，导致 匹配不到实际的目标上。

随着我国高速铁路建设的不断发展，机车的行驶速度越来越快， 对受电弓运行质量的要求越来越高，同时也对受电弓在线自动检测的 精确性、稳定性提出了更高的要求。针对目前国内基于图像的受电弓 在线检测方法精度差的问题，迫切需要研发一种新型的受电弓运行状 态在线自动检测方法。

发明内容

(一)发明目的

本发明的目的是：针对基于图像的受电弓检测，提供一种基于主 动形状模型的受电弓在线自动检测方法，在机车正常行驶过程中，能 够对受电弓碳滑板厚度进行定量检测。

(二)技术解决方案

本发明提供了一种基于主动形状模型的受电弓自动检测方法，包 括以下步骤：

步骤10、获取受电弓图像学习样本集；

步骤20、构建受电弓主动形状模型；

步骤30、对新获取、待检测的图像进行受电弓初始定位；

步骤40、结合初始定位和主动形状模型的受电弓精确匹配；

步骤50、受电弓定量检测和分析。

所述步骤10中获取受电弓图像学习样本集，具体通过安装于电 力牵引车接触网上方的受电弓在线拍照系统采集若干受电弓图像，形 成受电弓图像学习样本集，学习样本集至少包含50张受电弓图像， 且各受电弓图像的分辨率保持一致。

所述步骤20中构建受电弓主动形状模型，具体步骤是：

采用形态学滤波运算方法对步骤10采集的受电弓图像逐一进行 图像降噪预处理；

在每张图像中选取受电弓轮廓的角点、边界点作为特征点，通过 人工手动的方式，对受电弓特征点进行标记，且每张受电弓图像中的 特征标记点必须相互对应、数量保持一致；

将标记完成的受电弓特征点的图像坐标保存于文本文件中，不同 受电弓图像的特征点分开保存，且受电弓图像文件名称与对应的特征 点文件名称保持一致。图像坐标指以图像左上角为坐标原点，水平向 右方向为X轴，垂直向下方向为Y轴的坐标体系的像素坐标。此时， 所有受电弓图像可以采用特征点的点分布模型(Point distribution  model，PDM)对受电弓形状进行描述，即受电弓图像i的形状可以通 过其所有特征点数学表示为：N为受电弓 图像的特征点总数。受电弓图像学习样本集可以表示为： ，i＝1，2，3，…，M，M为受电弓图像总数目；

基于受电弓图像和相应的特征点，根据主动形状模型(Active  Shape Model，ASM)算法原理，建立受电弓主动形状模型，该模型 以文件的形式存在。具体步骤包括：

1、采用Generalized Procrustes analysis(GPA)方法对所有受电弓 图像的点分布模型进行对齐(Align)。对齐步骤如下：

(1)对于受电弓形状xⁱ，i＝2，3，…，M，逐个进行旋转、缩放和平 移，并与形状x¹做对齐，得到变换后的形状集合

(2)计算变换后的所有受电弓图像形状的平均值m；

其中：

(3)将平均形状m进行旋转、缩放和平移，与样本做对齐；

(4)将进行旋转、缩放和平移，与调整后的平均形状 进行对齐匹配；

(5)如果平均形状收敛，停止。否则跳至第(2)步。

最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状 之间的差别，即寻找到变换(T_i)，使得下式取值最小。

∑|m-T_i(x_i)|²

所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为：以 两个受电弓形状为例，每个形状有N个坐标对：

$x^1={(x_1^1,y_1^1,x_2^1,y_2^1,...,x_N^1,y_N^1)}^T$

$x^2={(x_1^2,y_1^2,x_2^2,y_2^2,...,x_N^2,y_N^2)}^T$

首先定义一个变换T，T是由一个平移(t_x，t_y)，旋转θ和尺度s组 成，则形状x²的变换可以表示为：

$T\left(x^2\right)=\left(\begin{array}{cc}s\cos \theta & -s\sin \theta \\ s\sin \theta & s\cos \theta \end{array}\right)\left(\begin{array}{c}{x}_i^2\\ y_i^2\end{array}\right)+\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)$

设

$R=\left(\begin{array}{cc}s\cos \theta & -s\sin \theta \\ s\sin \theta & s\cos \theta \end{array}\right)$

将形状x²经过变换T对齐到x¹，最佳的变换可以通过最小化下面 的表达式得到：

E＝[x¹-Rx²-(t_x，t_y)^T]^T[x¹-Rx²-(t_x，t_y)^T]

这个最小化是最小二乘法的常规应用：E对未知变量θ，s，t_x，t_y的偏 微分可以计算出来，并令它们为零，联立这些方程，既可求解得变换 T。

2、ASM模型建立：假设目前已经存在经过对齐处理的M个训练 形状每个形状可以由N对坐标给出： 平均形状设为：$\bar{x}={({\bar{x}}_1,{\bar{y}}_1,{\bar{x}}_2,{\bar{y}}_2,...,{\bar{x}}_N,{\bar{y}}_N)}^T,$ 然后计算协方差矩阵(2N×2N维)：训练形 状在某些方向上的变化是描述受电弓形状的重要性质，可以从协方差 矩阵S的特征向量中得到，亦即，求解线性方程：Sp_i＝λ_ip_i。协方差 矩阵S的特征向量为(对应的特征值已按降序排列)：

P＝(p¹ p² p³ …p^2N)

则对于任何向量X，存在向量b(形状模型参数)，满足

$x=\bar{x}+\mathrm{Pb}$

也可表示为：

$x=\bar{x}+p^1{b}_1+···+p^{2N}{b}_{2N}$

特征值较大的特征向量描述了训练形状变化最大的方向，在描述 “合理”的形状与平均形状偏差有多大时，p^2N，p^2N-1，…方向上的贡献是 微不足道的。因此可以设：

P_t＝(p¹ p² p³ …p^t)  t≤2N

b_t＝(b₁，b₂，…，b_t)^T

可以得到估计

$x\approx \bar{x}+P_t{b}_t$

如果X是与训练集相关的合理形状，对于足够大的t，该估计可 以很好地拟合真实形状。

$b_t\approx P_t^T(x-\bar{x})$

向量b_t定义了一组可变模型参数，不同的b_t可以拟合出不同变化 的形状。研究表明，b_i在训练集上的方差将会与特征值λ_i相关；相应 地，对于较好的形状，b_i通常要求满足下面的不等式

$-3\sqrt{{\lambda }_i}\le b_i\le 3\sqrt{{\lambda }_i}$

所述步骤30待检测受电弓图像受电弓初始定位包括一系列图像 处理方法，具体步骤是：

利用形态学滤波运算方法对待检测受电弓图像进行图像降噪预 处理；

采用canny算子对待检测受电弓图像进行处理，提取受电弓边缘 信息，边缘信息结果形式为与待检测受电弓图像尺寸一致的二值图像， 其中检测到的受电弓边缘像素用255表示，其他像素则用0表示；

对受电弓边缘像素提取结果进行矢量化：存储各个边缘所有像素 的位置，对于边缘存在分叉的情况，则分别进行存储；

采用曲线数据压缩算法(Douglas-Peucker算法)对上述边缘进行 简化，简化后的canny边缘由若干不同长度、方向的折线段组成， Douglas-Peucker算法原理描述如下：

1、对给定一系列顶点：(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，...，(x_n，y_n)和距离 阈值threshold，选定初始起点(x₁，y₁)和终点(x_n，y_n)作为边缘线的两端 点，见图2(a)；

2、连接两端点形成一条直线段，检测所有边缘线上的点与直线段 的最大距离。即计算剩余各顶点到直线段的垂直距离，在所有距离大 于阈值threshold的点集中搜索最大距离对应的顶点(x_m，y_m)，见图2(b)；

3、从最大点处开始将其分为两个部分。分别将原来的初始起点和 终点与此顶点(x_m，y_m)相连，生成两条新的直线段，见图2(c)；

4、重复2，3过程，不断对每一条新的直线段进行下一轮的逼近， 直至所有点到相应直线段的距离小于事先定义阈值threshold即终止， 当所有边缘线都处理完毕时，依次连接各个分割点形成的折线，即可 以作为边缘线的近似，见图2(d)。

去除较短的边缘线段，并根据受电弓边缘趋于水平方向的特性， 去除边缘线段方向与受电弓方向差异较大的边缘线段；

基于剔除了较短边缘和方向不一致边缘的像素，采用霍夫变换 (Hough)检测直线段；

最后基于直线段检测结果，采用模板匹配的思路，寻找趋于水平 方向的直线段高密集区域对受电弓进行初始定位。

所述步骤40中结合初始定位和主动形状模型的受电弓精确匹配， 具体采用单分辨率搜索算法精确匹配受电弓形状，具体步骤包括：

1、根据步骤20建立受电弓主动形状模型过程中生成的平均形状 和待检测图像中受电工的初始位置，初始化受电弓形状，表示如下：

2、在初始化受电弓形状的每一个标记点处，在边界附近沿边界 的法向进行搜索，确定具有最高梯度的像素点，给该点打上最佳目标 位置的标志，将标记点向这个标志点移动，如果没有明显的新目标点， 标记点位置不作移动，算法示意如图3所示。

3、通过上述标记点移动后，形状发生了改变，发生改变的形状 与初始化受电弓形状之间存在一个位移向量由上述知：发生位移后可以表示为：

$\tilde{x}+\delta \stackrel{\text{~}}{x}\approx \bar{x}+P_t(b_t+\delta b_t)$

可得$\delta \tilde{x}\approx P_t\delta b_t,$进一步推导得$\delta b_t\approx P_t^T\delta \tilde{x}.$

4、重复第2、3步，直到姿态参数变化可以忽略不计。

所述步骤50中受电弓定量检测和分析，指在精确匹配结果基础 上对受电弓碳滑板厚度进行定量检测和分析。具体步骤是：

根据受电弓精确匹配结果，获取受电弓厚度；

由于受电弓支架厚度与受电弓类型相关，且对于特定的受电弓类 型，受电弓支架厚度是固定已知的，可作为先验知识。因此，碳滑板 厚度可以通过受电弓厚度与受电弓支架厚度相减得到。

(三)技术效果

本发明与现有的技术方案相比具有如下的优点及有益效果：本发 明对受电弓进行图像检测仅需一张图像，不必要求拍照系统对同一受 电弓成像多次；由于受电弓图像具有复杂多变的背景，不能简单地通 过边缘提取、模版匹配常规方法对受电弓进行定量检测。本发明提出 的基于主动形状模型的受电弓自动检测方法，事先通过受电弓形状的 学习，结合受电弓边缘提取初始定位，能保证受电弓在运行状态下有 较大角度、大小变化情况下的检测准确率。实验结果表明：本发明提 出的基于主动形状模型的受电弓自动检测方法准确率比边缘提取、模 版匹配等常规方法明显提高，且能更好地为后续的受电弓的定量检测 分析打下基础。

附图说明

图1是本发明实施例的基于主动形状模型的受电弓自动检测方法 流程图

图2是曲线数据压缩Douglas-Peucker算法示意图

图3是ASM单分辨率搜索算法示意图

图4是采集的若干受电弓图像集(部分)

图5是受电弓特征点标记示意图

图6是受电弓初始定位结果

图7是受电弓厚度定量检测结果

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，是本发明实施例的基于主动形状模型的受电弓自动 检测方法流程图，本实施例包括如下步骤：

步骤10：获取受电弓图像学习样本集；

本实施例受电弓图像至少包含50张，部分采集的受电弓图像如 图4所示，各受电弓图像的分辨率保持一致。

步骤20：构建受电弓主动形状模型；

本实施例构建受电弓主动形状模型步骤是：

21：采用形态学滤波运算方法对步骤10采集的受电弓图像逐一 进行图像降噪预处理；

22：在每张图像中选取受电弓轮廓的角点、边界点作为特征点， 通过人工手动的方式，对受电弓特征点进行标记，且每张受电弓图像 中的特征标记点必须相互对应、数量保持一致；

23：将标记完成的受电弓特征点的图像坐标保存于文本文件中， 不同受电弓图像的特征点分开保存，且受电弓图像文件名称与对应的 特征点文件名称保持一致，标记结果如图5所示。图像坐标指以图像 左上角为坐标原点，水平向右方向为X轴，垂直向下方向为Y轴的 坐标体系的像素坐标。此时，所有受电弓图像可以采用特征点的点分 布模型(Point distribution model，PDM)对受电弓形状进行描述，即 受电弓图像i的形状可以通过其所有特征点数学表示为： N为受电弓图像的特征点总数。受电弓图 像学习样本集可以表示为：，i＝1，2，3，…，M，M 为受电弓图像总数目；

24：基于受电弓图像和相应的特征点，根据主动形状模型(Active  Shape Model，ASM)算法原理，建立受电弓主动形状模型。具体步 骤包括：

241：采用Generalized Procrustes analysis(GPA)方法对所有受电 弓图像的点分布模型进行对齐(Align)。对齐步骤如下：

(1)对于受电弓形状xⁱ，i＝2，3，…，M，逐个进行旋转、缩放和平 移，并与形状x¹做对齐，得到变换后的形状集合

(2)计算变换后的所有受电弓图像形状的平均值m；

其中：

(3)将平均形状m进行旋转、缩放和平移，与样本做对齐；

(4)将进行旋转、缩放和平移，与调整后的平均形状 进行对齐匹配；

(5)如果平均形状收敛，停止。否则跳至第(2)步。

最终收敛的判定是依据重新对齐的各个受电弓形状与平均形状 之间的差别，即寻找到变换(T_i)，使得下式取值最小。

∑|m-T_i(x_i)|²

所述受电弓形状之间通过旋转、缩放和平移进行对齐描述为：以 两个受电弓形状为例，每个形状有N个坐标对：

$x^1={(x_1^1,y_1^1,x_2^1,y_2^1,...,x_N^1,y_N^1)}^T$

$x^2={(x_1^2,y_1^2,x_2^2,y_2^2,...,x_N^2,y_N^2)}^T$

首先定义一个变换T，T是由一个平移(t_x，t_y)，旋转θ和尺度s组 成，则形状x²的变换可以表示为：

$T\left(x^2\right)=\left(\begin{array}{cc}s\cos \theta & -s\sin \theta \\ s\sin \theta & s\cos \theta \end{array}\right)\left(\begin{array}{c}{x}_i^2\\ y_i^2\end{array}\right)+\left(\begin{array}{c}{t}_x\\ t_y\end{array}\right)$

设

$R=\left(\begin{array}{cc}s\cos \theta & -s\sin \theta \\ s\sin \theta & s\cos \theta \end{array}\right)$

将形状x²经过变换T对齐到x¹，最佳的变换可以通过最小化下面 的表达式得到：

E＝[x¹-Rx²-(t_x，t_y)^T]^T[x¹-Rx²-(t_x，t_y)^T]

这个最小化是最小二乘法的常规应用：E对未知变量θ，s，t_x，t_y的偏 微分可以计算出来，并令它们为零，联立这些方程，既可求解得变换 T。

242：ASM模型建立：假设目前已经存在经过对齐处理的M个训 练形状每个形状可以由N对坐标给出： 平均形状设为：$\bar{x}={({\bar{x}}_1,{\bar{y}}_1,{\bar{x}}_2,{\bar{y}}_2,...,{\bar{x}}_N,{\bar{y}}_N)}^T,$然后计算协方差矩阵(2N×2N维)：训练形 状在某些方向上的变化是描述受电弓形状的重要性质，可以从协方差 矩阵S的特征向量中得到，亦即，求解线性方程：Sp_i＝λ_ip_i。协方差 矩阵S的特征向量为(对应的特征值已按降序排列)：

P＝(p¹ p² p³…p^2N)

则对于任何向量X，存在向量b(形状模型参数)，满足

$x=\bar{x}+\mathrm{Pb}$

也可表示为：

$x=\bar{x}+p^1{b}_1+···+p^{2N}{b}_{2N}$

特征值较大的特征向量描述了训练形状变化最大的方向，在描述 “合理”的形状与平均形状偏差有多大时，p^2N，p^2N-1，…方向上的贡献是 微不足道的。因此可以设：

P_t＝(p¹ p² p³…p^t)  t≤2N

b_t＝(b₁，b₂，…，b_t)^T

可以得到估计

$x\approx \bar{x}+P_t{b}_t$

如果X是与训练集相关的合理形状，对于足够大的t，该估计可 以很好地拟合真实形状。

$b_t\approx P_t^T(x-\bar{x})$

向量b_t定义了一组可变模型参数，不同的b_t可以拟合出不同变化 的形状。研究表明，b_i在训练集上的方差将会与特征值λ_i相关；相应 地，对于较好的形状，b_i通常要求满足下面的不等式

$-3\sqrt{{\lambda }_i}\le b_i\le 3\sqrt{{\lambda }_i}$

步骤30：对新获取、待检测的图像进行受电弓初始定位；

本实施例对待检测受电弓图像受电弓初始定位包括一系列图像 处理方法，具体步骤是：

31：利用形态学滤波运算方法对待检测受电弓图像进行图像降噪 预处理；

32：采用canny算子对待检测受电弓图像进行处理，提取受电弓 边缘信息，边缘信息结果形式为与待检测受电弓图像尺寸一致的二值 图像，其中检测到的受电弓边缘像素用255表示，其他像素则用0表 示；

33：对受电弓边缘像素提取结果进行矢量化：存储各个边缘所有 像素的位置，对于边缘存在分叉的情况，则分别进行存储；

34：采用曲线数据压缩算法(Douglas-Peucker算法)对上述边缘 进行简化，简化后的canny边缘由若干不同长度、方向的折线段组成， Douglas-Peucker算法原理描述如下：

341：对给定一系列顶点：(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，...，(x_n，y_n)和距 离阈值threshold，选定初始起点(x₁，y₁)和终点(x_n，y_n)作为边缘线的两 端点，见图2(a)；

342：连接两端点形成一条直线段，检测所有边缘线上的点与直线 段的最大距离。即计算剩余各顶点到直线段的垂直距离，在所有距离 大于阈值threshold的点集中搜索最大距离对应的顶点(x_m，y_m)，见图 2(b)；

343：从最大点处开始将其分为两个部分。分别将原来的初始起点 和终点与此顶点(x_m，y_m)相连，生成两条新的直线段，见图2(c)；

344：重复342，343过程，不断对每一条新的直线段进行下一轮 的逼近，直至所有点到相应直线段的距离小于事先定义阈值threshold 即终止，当所有边缘线都处理完毕时，依次连接各个分割点形成的折 线，即可以作为边缘线的近似，见图2(d)。

35：去除较短的边缘线段，并根据受电弓边缘趋于水平方向的特 性，去除边缘线段方向与受电弓方向差异较大的边缘线段；

36：基于剔除了较短边缘和方向不一致边缘的像素，采用霍夫变 换(Hough)检测直线段；

37：最后基于直线段检测结果，采用模板匹配的思路，寻找趋于 水平方向的直线段高密集区域对受电弓进行初始定位。

步骤40：结合初始定位和主动形状模型的受电弓精确匹配；

本实施例结合初始定位和主动形状模型的受电弓精确匹配，具体 采用单分辨率搜索算法精确匹配受电弓形状，具体步骤包括：

41、根据步骤20建立受电弓主动形状模型过程中生成的平均形 状和待检测图像中受电工的初始位置，初始化受电弓形状，表示如下：

42、在初始化受电弓形状的每一个标记点处，在边界附近沿边界 的法向进行搜索，确定具有最高梯度的像素点，给该点打上最佳目标 位置的标志，将标记点向这个标志点移动，如果没有明显的新目标点， 标记点位置不作移动，算法示意如图3所示。

43、通过上述标记点移动后，形状发生了改变，发生改变的形状 与初始化受电弓形状之间存在一个位移向量由上述知：发生位移后可以表示为：

$\tilde{x}+\delta \stackrel{\text{~}}{x}\approx \bar{x}+P_t(b_t+\delta b_t)$

可得$\delta \tilde{x}\approx P_t\delta b_t,$进一步推导得$\delta b_t\approx P_t^T\delta \tilde{x}.$

44、重复第42、43步，直到姿态参数变化可以忽略不计。

步骤50：受电弓定量检测和分析。

本实例在精确匹配结果基础上对受电弓碳滑板厚度进行定量检 测和分析。具体步骤是：

51：根据受电弓精确匹配结果，获取受电弓厚度；

52：由于受电弓支架厚度与受电弓类型相关，且对于特定的受电 弓类型，受电弓支架厚度是固定已知的，可作为先验知识。因此，碳 滑板厚度可以通过受电弓厚度与受电弓支架厚度相减得到。

最后，通过设定受电弓碳滑板厚度磨损的标准，与检测结果进行 对比，若判断检测受电弓碳滑板磨损超出标准，则发出报警并提示更 换受电弓。

实验结果表明，通过本技术方案，可以对复杂背景下、不同角度 和不同尺度变化的受电弓作出更加精确的定位和识别。相比现有的相 关算法，本发明在保证精确率的同时，增强了算法的鲁棒性，实现了 受电弓的线上自动检测。

本发明跳出了传统多图像、安装检测装置的受电弓在线检测设计 思路，提出一种全新的基于主动形状模型的受电弓自动检测方法。该 方法只需在线获取一张受电弓图像，加入基于主动形状模型的学习算 法，从而能够自适应地把具有形状可变性的受电弓精确检测出来，可 更加快速地进行车辆维护，节约受电弓检测成本。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领 域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以 做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。