張?jiān)谱?，宋洲臣，郭威，董?/p>

融合分層連續(xù)梯度特征的高鐵隧道漏纜卡扣檢測(cè)

張?jiān)谱?，宋洲臣，郭威，董旭

（石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043）

基于局部二值模式的深度挖掘算法和多特征融合算法是提取鐵路隧道漏纜卡扣特征的有效方法，但它們存在描述子表述性不強(qiáng)且特征維度過(guò)高的問(wèn)題。提出分層連續(xù)梯度二值模式，能夠?qū)崿F(xiàn)卡扣輪廓特征的尺度變換并降低描述子的特征維度，提高故障卡扣圖像的分類準(zhǔn)確率。首先采用改進(jìn)的中心對(duì)稱局部二值模式和根據(jù)全局灰度均值獲得的自適應(yīng)閾值，計(jì)算采樣圓域的梯度方向特征，得到完整的初步梯度方向特征圖；然后在此特征圖上進(jìn)行兩次連續(xù)的下采樣迭代，并分別提取這兩幅下采樣特征圖的連續(xù)梯度特征；最后，將這兩層不同尺度的連續(xù)梯度特征串聯(lián)作為描述子，用支持向量機(jī)完成漏纜卡扣圖像的故障檢測(cè)任務(wù)。實(shí)驗(yàn)結(jié)果表明，本文所提算法的召回率和精準(zhǔn)度分別達(dá)到了0.923和0.857，相較于局部二值模式、中心對(duì)稱局部二值模式、以及該系列的多種變體算法有明顯的優(yōu)勢(shì)。

故障檢測(cè)；漏纜卡扣；尺度變換；連續(xù)梯度；局部二值模式

1 引　言

鐵路運(yùn)輸目前是解決我國(guó)人口流動(dòng)和物資輸送的主要交通方式，特別是隨著運(yùn)載量的不斷加大，保障鐵路通信系統(tǒng)的正常工作就顯得尤為重要。山區(qū)隧道段的通信網(wǎng)絡(luò)主要通過(guò)覆蓋泄漏電纜來(lái)實(shí)現(xiàn)，通常將漏纜懸掛在隧道壁上，并用專門的卡扣固定［1］。高速列車經(jīng)過(guò)隧道時(shí)產(chǎn)生的氣壓和能量波會(huì)對(duì)卡扣造成影響，潮濕的地質(zhì)環(huán)境也會(huì)加速卡扣的松動(dòng)及脫離。漏纜卡扣的主要檢測(cè)手段是人工定點(diǎn)定期逐一排查，這種檢測(cè)方式不僅嚴(yán)重受制于環(huán)境因素和人為因素，還存在極大的安全隱患。近些年，隨著來(lái)鐵路隧道里程的不斷增加，這種傳統(tǒng)的排查方法已很難再滿足實(shí)際的需要，漏纜卡扣的自動(dòng)化檢測(cè)成為發(fā)展的必然趨勢(shì)。結(jié)合計(jì)算機(jī)視覺的漏纜卡扣檢測(cè)技術(shù)主要有以下兩個(gè)環(huán)節(jié)：首先需要在列車的窗口處安置一臺(tái)高速攝像機(jī)，隨列車采集在隧道運(yùn)行過(guò)程中拍攝的全段畫面；再用計(jì)算機(jī)處理漏纜卡扣數(shù)據(jù)，逐幀提取特征，完成卡扣的檢查工作。當(dāng)前數(shù)據(jù)采集部分已經(jīng)實(shí)現(xiàn)，但檢測(cè)部分仍停留在人工回放視頻排查故障的階段，因此還需要不斷優(yōu)化特征提取算法，以實(shí)現(xiàn)漏纜卡扣的自動(dòng)化檢測(cè)。

基于統(tǒng)計(jì)學(xué)習(xí)［2］的手工檢測(cè)算法主要通過(guò)深度特征提?。?］以及多特征融合［4］的方式來(lái)提升檢測(cè)的準(zhǔn)確率。局部二值模式（Local Binary Pattern， LBP）［5］作為基礎(chǔ)的紋理算子，一方面常被當(dāng)作融合特征的成員特征，另一方面又是很多深度特征的原始算子。中心對(duì)稱局部二值模式（Center-symmetric Local Binary Pattern， CS-LBP）［6］便是在LBP的基礎(chǔ)上將原先的幅值分量轉(zhuǎn)變?yōu)樘荻确至浚胫行膶?duì)稱差分信息來(lái)獲取待檢測(cè)目標(biāo)的感興趣區(qū)域。另外，完備的局部二值模式（Completed Local Binary Pattern， CLBP）［7］進(jìn)一步完善了符號(hào)分量、幅值分量、以及全局灰度分量三者的融合特征表述，在很大程度上提升了描述子的魯棒性。梯度直方圖特征（Histograms of Oriented Gradients， HOG）［8］作為另一種基礎(chǔ)局部算子，其紋理特性與LBP截然不同，其主要作用是刻畫待檢測(cè)目標(biāo)的輪廓特征。為了進(jìn)一步提升描述子的質(zhì)量，HOG-LBP［9］這樣的融合特征被提出，可它存在描述子維度過(guò)高的問(wèn)題。為提升運(yùn)算效率，采用主成分分析法（Principal Component Analysis， PCA）［10］分別對(duì)HOG-LBP的融合特征、HOG-CLBP［11］的融合特征進(jìn)行降維，或者只針對(duì)候選區(qū)域（Region of Interest， ROI）［12］進(jìn)行特征提取，通過(guò)縮小檢測(cè)范圍達(dá)到降低維度的目的，但都無(wú)法避免相關(guān)特征的丟失。文獻(xiàn)［13］提出了積極因子和消極因子局部二值模式（Attractive-and-Repulsive Center-Symmetric Local Binary Pattern， ARCS-LBP），并將二者的融合特征作為描述子，雖然增強(qiáng)了對(duì)紋理的處理能力，但還是以單一尺度為處理前提，并不能有效解決漏纜卡扣圖像出現(xiàn)的尺度不匹配問(wèn)題。三斑塊局部二值模式（Three Patch Local Ternary Pattern， TPLBP）［14］雖將提取特征的基本單元拓展到像素塊，能在一定程度上放大目標(biāo)的特征尺度，但需計(jì)算像素塊之間的相似性差異，所以運(yùn)算量非常龐大。盡管深度學(xué)習(xí)近些年在故障檢測(cè)領(lǐng)域表現(xiàn)突出，如基于SSD模型實(shí)現(xiàn)了漏纜卡扣故障檢測(cè)［15］，但也存在計(jì)算復(fù)雜度高、參數(shù)調(diào)整困難［16］的問(wèn)題。特別是在故障卡扣圖像數(shù)據(jù)集規(guī)模不夠的情況下，反倒是基于統(tǒng)計(jì)學(xué)習(xí)的局部特征更加靈活，有更出色的檢測(cè)性能［17］。

本文提出的分層連續(xù)梯度局部二值模式（Layered Continuous Gradient Local Binary Pattern， LCG-LBP）屬于統(tǒng)計(jì)學(xué)習(xí)范疇，不僅對(duì)多尺度特征進(jìn)行了降維，其編碼的連續(xù)梯度特征對(duì)漏纜卡扣的輪廓還有很強(qiáng)的表述性，下采樣過(guò)程也實(shí)現(xiàn)了卡扣特征的尺度變換，在隧道場(chǎng)景中表現(xiàn)出極強(qiáng)的魯棒性。LCG-LBP算法在區(qū)分故障卡扣圖像時(shí)有更強(qiáng)的識(shí)別能力。

2 相關(guān)算法

傳統(tǒng)的LBP描述子最初由Ojala等人提出，因它能敏銳捕獲細(xì)致紋理之間的灰度差異，同時(shí)還具有較好的旋轉(zhuǎn)不變性和灰度不變性，至今仍廣泛應(yīng)用于人臉識(shí)別和紋理分類領(lǐng)域。該算法的核心思想是在以為半徑的圓形鄰域內(nèi)，比較中心像素與鄰域內(nèi)個(gè)采樣像素點(diǎn)之間的灰度值，再利用布爾函數(shù)計(jì)算出僅包含0和1的一串二進(jìn)制序列，最后按統(tǒng)一順序轉(zhuǎn)換成十進(jìn)制的LBP編碼值。相應(yīng)的計(jì)算公式為：

其中：n表示圓形鄰域上第個(gè)采樣點(diǎn)的灰度值，其大小可以用雙線性插值法來(lái)確定，c表示中心像素的灰度值。為了增強(qiáng)LBP描述子在空間方向上的表述能力，Heikkila等人提出了CS-LBP描述子，取代了LBP關(guān)于編碼鄰域采樣點(diǎn)與中心像素差值信息的方式，僅針對(duì)四組徑向分布的中心對(duì)稱采樣點(diǎn)進(jìn)行編碼。相應(yīng)的計(jì)算公式為：

需要對(duì)比多組實(shí)驗(yàn)的特征提取效果，才能較好地評(píng)估式（4）中的閾值。通?？梢愿鶕?jù)輸入圖像的全局灰度情況或者鄰域采樣像素的灰度情況來(lái)確定，本文選擇CS-LBP算子作為改進(jìn)的基礎(chǔ)模型主要有以下三方面原因：

（1）在相同采樣個(gè)數(shù)和采樣半徑的條件下，如圖1所示，CS-LBP編碼的特征向量更緊湊，描述子的特征維度也遠(yuǎn)低于LBP；

（2）CS-LBP繼承了LBP良好的紋理特性，還拓展了四組徑向分布的梯度差分信息；

（3）CS-LBP在處理圖像的平緩區(qū)域能夠有更強(qiáng)的穩(wěn)定性，許多關(guān)于圖像匹配的實(shí)驗(yàn)也證明了CS-LBP 算子比單獨(dú)使用梯度算子或者幅值算子有更好的魯棒性。

圖1　LBP和CS-LBP采樣方式

3 本文算法

3.1　改進(jìn)CS-LBP算法

傳統(tǒng)的CS-LBP只說(shuō)明了采樣圓域內(nèi)的某個(gè)直徑方向或者某些直徑方向存在梯度差，并沒(méi)有明確指出梯度的方向究竟在哪一側(cè)。所以本文在此基礎(chǔ)上保留了CS-LBP關(guān)于比較中心對(duì)稱采樣點(diǎn)灰度差值的編碼方式，但同時(shí)必須明確標(biāo)識(shí)出每組中心對(duì)稱采樣點(diǎn)灰度值高的那一側(cè)，以獲取更具體的梯度方向信息，即將二進(jìn)制編碼位數(shù)擴(kuò)展到8位。而作為此環(huán)節(jié)輸出的初步梯度方向特征圖，也不再將像素值進(jìn)行十進(jìn)制轉(zhuǎn)換，而是直接輸出編碼方式的二進(jìn)制形式。

圖2為采用改進(jìn)的CS-LBP算法計(jì)算初步梯度方向的過(guò)程，圓域內(nèi)取采樣個(gè)數(shù)=8，采樣半徑=1，閾值=10。用雙線性插值法先確定圓形鄰域內(nèi)所有采樣點(diǎn)的灰度值，再依次計(jì)算每組中心對(duì)稱采樣點(diǎn)的灰度差值，最后比較差值與閾值，以此確定梯度的方向。若絕對(duì)值大于閾值，則將灰度值大的采樣點(diǎn)對(duì)應(yīng)的計(jì)數(shù)位標(biāo)記為1，此計(jì)數(shù)位便是這組采樣像素對(duì)的梯度方向；同時(shí)，將灰度值小的采樣點(diǎn)對(duì)應(yīng)的計(jì)數(shù)位標(biāo)記為0。若絕對(duì)值不大于閾值，則兩個(gè)采樣點(diǎn)對(duì)應(yīng)的計(jì)數(shù)位都標(biāo)記為0，表示這組采樣像素對(duì)沒(méi)有梯度。經(jīng)計(jì)算可得出圖2中只存在45°，90°，315°這3個(gè)梯度方向，所以只將這3個(gè)方向?qū)?yīng)的計(jì)數(shù)位標(biāo)記為1，其余方向位均標(biāo)記為0。于是從0°開始逆時(shí)針進(jìn)行編碼，求得的二進(jìn)制編碼值為10000110。

圖2　初步梯度方向特征計(jì)算

對(duì)整幅高斯濾波后的圖像重復(fù)上述運(yùn)算，得到完整的初步梯度方向特征圖，每個(gè)像素的取值都唯一對(duì)應(yīng)了一種由八位二進(jìn)制數(shù)字0或1構(gòu)成的一維數(shù)組。該過(guò)程的具體計(jì)算公式如下：

其中：表示元素個(gè)數(shù)為的一維數(shù)組，即采樣點(diǎn)的個(gè)數(shù)為，閾值通過(guò)實(shí)驗(yàn)獲取。

3.2　下采樣梯度方向特征圖

上一個(gè)環(huán)節(jié)得到的初步梯度方向特征圖中，每一個(gè)一維數(shù)組的像素值都有81（34）種二進(jìn)制排布形式，如果直接在此特征圖上提取連續(xù)梯度特征，所得到的描述子特征維度會(huì)過(guò)于龐大。所以本文提出了一種有效的降維模式，一方面能減少二進(jìn)制像素值排布形式的總數(shù)，另一方面還能實(shí)現(xiàn)特征圖的尺度變換。采用關(guān)鍵梯度方向來(lái)表示像素塊的整體梯度趨勢(shì)，目的是將原本單個(gè)像素的81種取值轉(zhuǎn)換為像素塊的8種有效取值，方便計(jì)算接下來(lái)的連續(xù)梯度特征。按照?qǐng)D3（a）的梯度方位圖進(jìn)行排序，逆時(shí)針?lè)较蚍植嫉臄?shù)字1～8分別對(duì)應(yīng)了8個(gè)梯度方向，將像素塊內(nèi)所有像素的二進(jìn)制像素值按相同的計(jì)數(shù)位逐一累加后，計(jì)數(shù)和最大的計(jì)數(shù)位就是該像素塊的關(guān)鍵梯度方向。圖3（b）中的Cell結(jié)構(gòu)是由，，，4個(gè)像素組成的像素塊，以獲取此Cell的關(guān)鍵梯度方向特征為例，圖4為關(guān)鍵梯度的計(jì)算過(guò)程。

圖3　Cell單元

圖4　關(guān)鍵梯度計(jì)算

首先用改進(jìn)后的CS-LBP算法依次計(jì)算這4個(gè)像素對(duì)應(yīng)的一維數(shù)組像素值；再將這4個(gè)一維像素值按相同的計(jì)數(shù)位逐一累加，可以發(fā)現(xiàn)90°方向的計(jì)數(shù)最多，出現(xiàn)了4次；最后得到該Cell的關(guān)鍵梯度方向?yàn)?0°，即Cell的輸出編碼值為00000100，具體的計(jì)算公式如下：

圖5　下采樣過(guò)程

3.3　連續(xù)梯度特征

LBP的一些深度挖掘算子以及該系列的融合特征算子，基本只針對(duì)局部采樣點(diǎn)的灰度差值做紋理特性分析，其尺度單一且存在明顯的局限性。所以，本文分別在兩次下采樣后的特征圖上提取連續(xù)梯度特征，不僅實(shí)現(xiàn)了特征圖的尺度變換，還通過(guò)目標(biāo)輪廓在拐點(diǎn)和邊線處的梯度變化關(guān)系提升描述子的質(zhì)量。為了與下采樣過(guò)程中的Cell單元進(jìn)行區(qū)分，在采樣特征圖上提取連續(xù)梯度特征時(shí)定義3×3的窗口為一個(gè)Block，通道數(shù)為8，滑動(dòng)步長(zhǎng)stride為1。之所以處理單元選擇3×3是因?yàn)?個(gè)領(lǐng)域采樣點(diǎn)都與中心采樣點(diǎn)相鄰，能更好地反映梯度連續(xù)這一關(guān)鍵特性，同時(shí)該系列算法也主要使用3×3的窗口采樣，8個(gè)二進(jìn)制計(jì)數(shù)位更符合編碼的習(xí)慣。

在Block內(nèi)按梯度方位圖的逆時(shí)針?lè)较蜃霏h(huán)形排序，統(tǒng)計(jì)所有基準(zhǔn)通道和相鄰?fù)ǖ婪侵行南袼氐淖畲筮B續(xù)序列長(zhǎng)度。首先逐一確定存在中心像素的通道并以此通道為基準(zhǔn)，如果所有通道都不存在中心像素，則該Block不輸出連續(xù)梯度特征。圖6中只有通道2，4存在中心像素，所以只針對(duì)這兩個(gè)通道進(jìn)行特征提取。通道2中自身的8個(gè)鄰域采樣像素最大的連續(xù)序列長(zhǎng)度為4，相鄰的通道1最大的連續(xù)序列長(zhǎng)度為1，相鄰的通道3最大的連續(xù)序列長(zhǎng)度為2，于是得到通道2的連續(xù)梯度特征編碼結(jié)果為2412。其含義表示為以通道2為基準(zhǔn)，通道2，1，3的最大連續(xù)序列長(zhǎng)度分別為4，1，2。由于通道4自身的最大連續(xù)序列長(zhǎng)度小于3，所以該通道也不輸出特征。

圖6　連續(xù)梯度特征計(jì)算

連續(xù)梯度特征的計(jì)算步驟和限制條件如下：

（1）先在8通道的Block內(nèi)確定存在中心像素的通道，并以這些通道為基準(zhǔn)通道，若所有通道都不存在中心像素，則該Block不輸出特征。

（2）接著判斷基準(zhǔn)通道在其3×3鄰域內(nèi)，最大連續(xù)序列長(zhǎng)度是否大于2，若不滿足則該Block不輸出特征。

（3）最后分別統(tǒng)計(jì)與基準(zhǔn)通道相鄰的兩個(gè)通道的最大連續(xù)序列長(zhǎng)度，當(dāng)連續(xù)序列長(zhǎng)度大于3時(shí)，仍然將序列長(zhǎng)度標(biāo)記為3。

連續(xù)梯度特征輸出的編碼形式為基準(zhǔn)通道編號(hào)和3個(gè)相應(yīng)通道的最大連續(xù)序列長(zhǎng)度，編碼總個(gè)數(shù)為768（8×6×4×4）種。

4 實(shí)　驗(yàn)

實(shí)驗(yàn)運(yùn)行環(huán)境所采用的CPU為Intel Xeon E5-2697 v2、運(yùn)行內(nèi)存為96GB、硬盤存儲(chǔ)空間為8 TB。漏纜卡扣圖像數(shù)據(jù)用雙線CMOS相機(jī)全程跟車拍攝，其中故障卡扣圖像195張，正?？蹐D像900張，取輸入圖像數(shù)據(jù)集的70%作為訓(xùn)練集，剩下的30%作為測(cè)試集。圖7簡(jiǎn)述了獲取漏纜卡扣分層連續(xù)梯度特征的完整流程，最后用支持向量機(jī)（Support Vector Machine， SVM）完成故障卡扣的分類任務(wù)。由于原始圖像的尺寸非常龐大，需要先經(jīng)歷兩次裁剪，再通過(guò)高斯濾波和區(qū)域插值預(yù)處理，使輸入圖像的尺寸縮小到256×256。提取連續(xù)梯度特征的Block尺寸為3×3，兩次下采樣過(guò)程的Cell尺寸為2×2，它們的通道數(shù)均為8。

圖7　漏纜卡扣分層連續(xù)梯度特征處理實(shí)驗(yàn)流程

4.1　計(jì)算自適應(yīng)閾值T

為了獲得合適的閾值，將全局灰度均值分成9個(gè)區(qū)間，每個(gè)區(qū)間分別挑選了5～6張圖像，共50張，通過(guò)實(shí)驗(yàn)方法來(lái)分析灰度均值與閾值的對(duì)應(yīng)關(guān)系。在滿足以下兩點(diǎn)要求的前提下，閾值的取值應(yīng)盡可能大。

（1）必須保證初步梯度方向特征圖能完整清晰地顯示漏纜卡扣的輪廓。

（2）能夠在一定程度上過(guò)濾掉隧道墻壁上的背景噪聲。

表1列出了部分全局灰度均值分布在不同區(qū)間的卡扣圖像，以及它們?cè)诓煌撝登闆r下初步梯度方向特征圖的成像效果。然后根據(jù)卡扣輪廓是否清晰、完整、背景噪聲的過(guò)濾情況，綜合考慮閾值的取值。于是得到閾值的具體計(jì)算公式為：

全局灰度均值處于80～220之間時(shí)，采用取整函數(shù)計(jì)算相應(yīng)的閾值；全局灰度均值小于80時(shí)，閾值等級(jí)最低，=4；全局灰度均值大于220時(shí)，閾值等級(jí)最高，=11。根據(jù)式（8）對(duì)輸入圖像采用改進(jìn)的CS-LBP算法逐一計(jì)算初步梯度方向特征，得到相應(yīng)的初步梯度方向特征圖。

表1不同灰度-閾值的成像效果分析

Tab.1　Image effect analysis of different gray-thresholds

4.2　計(jì)算連續(xù)梯度特征

部分典型特征例如漏纜卡扣的拐點(diǎn)或者邊線在第三次下采樣的特征圖中表現(xiàn)得并不明顯，大量連續(xù)梯度特征在第三次及以后的下采樣特征圖上出現(xiàn)得并不多，所以在實(shí)驗(yàn)過(guò)程中只進(jìn)行了兩次下采樣。分別對(duì)兩次下采樣后的特征圖提取連續(xù)梯度特征，并將這兩組連續(xù)梯度特征進(jìn)行串聯(lián)，得到最終的融合特征描述子，特征維度為1 536（768×2），此算法不用對(duì)圖像進(jìn)行分塊處理。

4.3　實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)采用召回率、精準(zhǔn)度、描述子的特征維度Bin，AUC數(shù)值、以及對(duì)圖像提取特征所需的平均時(shí)間作為評(píng)價(jià)指標(biāo)。其中，召回率是指被正確判斷為故障的卡扣占所有故障卡扣的比例，精準(zhǔn)度是指被正確判斷為故障的卡扣占所有被判斷為故障卡扣的比例，具體計(jì)算公式為：

為了證明本文算法MVG-LBP在提取漏纜卡扣輪廓特征上的優(yōu)越性，將它分別與CS-LBP，HOG等多種算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表2所示。

表2檢測(cè)結(jié)果對(duì)比

Tab.2　Comparison of detection results

這幾種算法的參數(shù)設(shè)定情況如下：

（1）LBP和CS-LBP的采樣半徑為1，采樣個(gè)數(shù)為8，用雙線性插值法進(jìn)行區(qū)域采樣。實(shí)驗(yàn)中需要先對(duì)圖像進(jìn)行4×4無(wú)重疊劃分，得到LBP描述子的特征維度為4 096（256×4×4），CS-LBP描述子的特征維度為256（16×4×4）。

（2）完備的二值模式（CLBP_Sriu2 1，8/_Mriu2 1，8/C）用雙線性插值法進(jìn)行區(qū)域采樣，采樣半徑為1，采樣個(gè)數(shù)為8。每一個(gè)采樣圓域內(nèi)的局部符號(hào)算子CLBP_S和局部幅值算子CLBP_M均使用旋轉(zhuǎn)不變均勻模式編碼。實(shí)驗(yàn)中該方法需要先對(duì)輸入圖像進(jìn)行4×4無(wú)重疊劃分，每個(gè)分區(qū)子圖像的特征維度為200（2（+2）2），于是得到該描述子的特征維度為3 200（200×4×4），在后面的表格和圖中將以CLBP代指該方法。

（3）HOG特征的Block為16×16，步長(zhǎng)Stride為16，每個(gè)Block單位中梯度分量的Bins為9，所以輸出描述子的特征維度為2 304（9×16×16）。

（4）TPLBP和ARCS-LBP都采用雙線性插值法進(jìn)行采樣，采樣半徑為1，采樣個(gè)數(shù)為8，實(shí)驗(yàn)中需對(duì)輸入圖像進(jìn)行4×4無(wú)重疊劃分，描述子的特征維度都為4 096（256×4×4）。

（5）HOG_LBP和HOG_CLBP是指將先前得到的HOG描述子分別與LBP描述子和CLBP描述子進(jìn)行串連，得到二者的融合特征，相應(yīng)描述子的特征維度直接累加。

通過(guò)表2可以看出，本文所提算法LCG-LBP在漏纜卡扣的檢測(cè)上表現(xiàn)出顯著的優(yōu)勢(shì)。其中，召回率和精準(zhǔn)度分別達(dá)到了0.923和0.857，HOG_LBP的融合特征能夠使召回率達(dá)到0.889，但其精準(zhǔn)度只有0.615，這說(shuō)明有大量的正常卡扣被誤判為故障卡扣。雖然CS-LBP描述子的特征維度最低，提取特征的速度也相對(duì)較快，但召回率和精準(zhǔn)度都偏低，無(wú)法滿足漏纜卡扣的檢測(cè)需求。HOG算法提取卡扣特征的速度最快，但與CLBP和LBP進(jìn)行融合之后，它們的速度優(yōu)勢(shì)相較于LCG-LBP并不明顯，還增加了特征維度。其他的變體算法如CLBP，ARCS-LBP，TPLBP，雖然都對(duì)卡扣特征進(jìn)行了深度挖掘，但它們的召回率和精準(zhǔn)度都明顯低于LCG-LBP。

通過(guò)圖8所示的ROC曲線可以看出，LCG-LBP的AUC數(shù)值最高，達(dá)到了0.988，說(shuō)明該算法能夠有效完成故障卡扣和正?？鄣姆诸惾蝿?wù)。LCG-LBP相較于傳統(tǒng)LBP及其變體算法，沒(méi)有對(duì)原圖像進(jìn)行分塊處理，但第一層下采樣的輸出特征圖與將圖像進(jìn)行2×2劃分后得到的最小分區(qū)子圖像的尺寸一致，第二層下采樣的輸出特征圖與圖像進(jìn)行4×4劃分后的最小分區(qū)子圖像的尺寸一致。本文針對(duì)關(guān)鍵梯度的出現(xiàn)頻率進(jìn)行下采樣，對(duì)特征圖縮小了兩次，這在很大程度上減少了提取連續(xù)梯度特征的計(jì)算量。實(shí)驗(yàn)中兩次下采樣得到的特征圖，不僅包含了卡扣輪廓特征的關(guān)鍵梯度信息，還實(shí)現(xiàn)了卡扣輪廓特征的尺度變換，將不同尺度下的連續(xù)梯度特征串聯(lián)得到最終的描述子。采用LCG-LBP算法計(jì)算得到的描述子的特征維度，低于大部分該類型深度挖掘算法以及特征融合算法得到的描述子，檢測(cè)能力明顯更強(qiáng)。

圖8　ROC曲線

5 結(jié)　論

本文提出了LCG-LBP算法，相較于LBP及其變體算法，通過(guò)多個(gè)下采樣特征圖實(shí)現(xiàn)對(duì)卡扣輪廓特征的尺度變換，不僅提高了計(jì)算連續(xù)梯度特征的效率，也降低描述子的特征維度。連續(xù)梯度特征還能更準(zhǔn)確地反應(yīng)漏纜卡扣的輪廓，特別是拐點(diǎn)和邊線處的梯度信息。實(shí)驗(yàn)中召回率和精準(zhǔn)度分別達(dá)到了0.923和0.857，明顯優(yōu)于其他對(duì)比算法，適用于高鐵隧道場(chǎng)景中故障卡扣的檢測(cè)。

［1］ 田川，劉鑫，劉立海，等. 鐵路隧道GSM-R漏纜掛設(shè)高度研究［J］. 鐵道工程學(xué)報(bào)， 2019， 36（10）： 82-87.

TIAN CH， LIU X， LIU L H，. Research on the hanging height of GSM-R leaky coaxial cable in the railway tunnel［J］.， 2019， 36（10）： 82-87. （in Chinese）

［2］ 李彥，趙其峰，閆河，等. Canny算子在PCBA目標(biāo)邊緣提取中的優(yōu)化應(yīng)用［J］. 光學(xué)精密工程， 2020， 28（9）： 2096-2102.

LI Y， ZHAO Q F， YAN H，. Optimized application of canny operator in PCBA target edge extraction［J］.， 2020， 28（9）： 2096-2102. （in Chinese）

［3］ 黃鴻，李政英，石光耀，等. 面向高光譜影像分類的多特征流形鑒別嵌入［J］. 光學(xué)精密工程， 2019， 27（3）： 726-738.

HUANG H， LI ZH Y， SHI G Y，. Multi-features manifold discriminant embedding for hyperspectral image classification［J］.， 2019， 27（3）： 726-738. （in Chinese）

［4］ 范賜恩，冉杰文，顏佳，等. 顏色空間統(tǒng)計(jì)聯(lián)合紋理特征的無(wú)參考圖像質(zhì)量評(píng)價(jià)［J］. 光學(xué)精密工程， 2018， 26（4）： 916-926.

FAN C E， RAN J W， YAN J，. No-reference image quality assessment using joint color space statistical and texture feature［J］.， 2018， 26（4）： 916-926. （in Chinese）

［5］ OJALA T， PIETIK?INEN M， HARWOOD D. A comparative study of texture measures with classification based on featured distributions［J］.， 1996， 29（1）： 51-59.

［6］ HEIKKIL? M， PIETIK?INEN M， SCHMID C. Description of interest regions with local binary patterns［J］.， 2009， 42（3）： 425-436.

［7］ GUO Z H， ZHANG L， ZHANG D. A completed modeling of local binary pattern operator for texture classification［J］.， 2010， 19（6）： 1657-1663.

［8］ DALAL N， TRIGGS B. Histograms of oriented gradients for human detection［C］. 2005（05）June 20-25， 2005， San Diego， CA， USA. IEEE， 2005： 886-893.

［9］ WANG X Y， HAN T X， YAN S C. An HOG-LBP human detector with partial occlusion handling［C］. 200912292，2009，，， 2009： 32-39.

［10］ ZENG C B， MA H D. Robust head-shoulder detection by PCA-based multilevel HOG-LBP detector for people counting［C］. 2010202326，2010，，IEEE， 2010： 2069-2072.

［11］ 堯佼，于鳳芹. 基于候選區(qū)域定位與HOG-CLBP特征組合的行人檢測(cè)［J］. 激光與光電子學(xué)進(jìn)展， 2021， 58（2）： 165-172.

YAO J， YU F Q. Pedestrian detection based on combination of candidate region location and HOG-CLBP features［J］.， 2021， 58（2）： 165-172. （in Chinese）

［12］ 李溫溫，劉富，姜守坤. 指節(jié)紋圖像感興趣區(qū)域提取與特征識(shí)別算法［J］. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2019， 49（2）： 599-605.

LI W W， LIU F， JIANG SH K. ROI extraction and feature recognition algorithm for finger knuckle print image［J］.（）， 2019， 49（2）： 599-605. （in Chinese）

［13］ MERABET YEL， RUICHEK Y， IDRISSI AEL. Attractive-and-repulsive center-symmetric local binary patterns for texture classification［J］.， 2019， 78： 158-172.

［14］ WOLF L， HASSNER T， TAIGMAN Y. Effective unconstrained face recognition by combining multiple descriptors and learned background statistics［J］.， 2011， 33（10）： 1978-1990.

［15］ 張?jiān)谱?，楊攀亮，李汶? 基于改進(jìn)SSD算法的鐵路隧道漏纜卡具檢測(cè)［J］. 激光與光電子學(xué)進(jìn)展， 2020， 57（14）： 141005.

ZHANG Y Z， YANG P L， LI W X. Leaky coaxial cable fixture detection based on improved SSD algorithm［J］.， 2020， 57（14）： 141005. （in Chinese）

［16］ REN C X， LEI Z， DAI D Q，. Enhanced local gradient order features and discriminant analysis for face recognition［J］.， 2016， 46（11）： 2656-2669.

［17］ CHEN J， PATEL V M， LIU L，. Robust local features for remote face recognition［J］.， 2017， 64： 34-46.

Detection of leaky cable fixture in high-speed railway tunnel with layered continuous gradient fusion feature

ZHANG Yunzuo*，SONG Zhouchen，GUO Wei，DONG Xu

（，，050043，），：888

Deep mining algorithms and multi-feature fusion algorithms based on local binary patterns are effective methods for extracting the fixture features of leaky cables in railway tunnels； however， there are disadvantages that the descriptors are not expressive enough and that their feature dimensions are too high. In this paper， layered continuous gradient local binary pattern （LCG-LBP） was proposed， which could realize the scale transformation of leaky cable fixture features. It could reduce the feature dimension of the fusion descriptor extracted from down-sampling feature maps. It could also improve the classification accuracy of faulty fixture images effectively. First， the improved algorithm based on center-symmetric local binary pattern （CS-LBP） and the adaptive threshold obtained by the global gray average value were used to calculate the gradient direction feature in a circle domain unit， and the complete preliminary gradient direction feature map was obtained in this way. Then， two consecutive down-sampling iterations were performed on this preliminary feature map to obtain two down-sampling feature maps， and the continuous gradient features were extracted from these two down-sampling feature maps. Finally， the two layers of continuous gradient features in different scales were connected in series as a fusion descriptor， and a support vector machine （SVM） was used to complete the defect detection process using faulty cable fixture images obtained from railway tunnels. The experimental results show that the recall and accuracy of the algorithm proposed in this paper are 0.923 and 0.857， respectively， which show that the proposed algorithm has obvious advantages compared with local binary pattern （LBP）， CS-LBP， and other variants.

defect detection； leaky cable fixture； scale transformation； continuous gradient； local binary pattern

TP394.1

A

10.37188/OPE.20223003.0331

1004-924X（2022）03-0331-09

2021-07-14；

2021-08-31.

廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃資助項(xiàng)目（No.2019B010137002）；國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61702347， No.61972267， No.62027801）；河北省自然科學(xué)基金資助項(xiàng)目（No.F2017210161）；河北省教育廳科學(xué)研究項(xiàng)目（No.ZD2016052）

張?jiān)谱簦?984），男，河北石家莊人，博士，副教授，博士生導(dǎo)師，2016年于北京理工大學(xué)獲得博士學(xué)位，主要從事圖像處理、智能視頻分析、大數(shù)據(jù)方面的研究。E-mail：zhangyunzuo888@sina.com

宋洲臣（1995），男，湖北襄陽(yáng)人，碩士研究生，2015年于武漢輕工大學(xué)獲學(xué)士學(xué)位，主要從事圖像處理、模式識(shí)別方面的研究。E-mail：627400933@qq.com