基于汉明距离最近邻算法在铁路扣件识别中的应用.doc

基于汉明距离最近邻算法在铁路扣件识别中的应用基于汉明距离最近邻算法在铁路扣件识别中的应用马姗,黄雅平,窦云广(北京交通大学计算机与信息技术学院,北京100044)5摘要:最近邻分类算法每次决策都要计算未知样本与全部训练样本的距离并加以比较,在设计最近邻算法时,需要一个衡量样本之间距离的度量函数,比如:切比雪夫距离、chi-开方距离、汉明距离。本文首先计算出扣件模板和扣件样本HOG的特征,然后采用基于汉明距离的最近邻算法进行扣件特征匹配。汉明距离是一种对两个特征向量之间相应位进行比较的度量函数,逐位计算,计算速度快。在本文实验中,与基于chi-开方距离的最近邻算法进行10比较,基于汉明距离的最近邻算法提高了铁轨图像中的扣件检测效率。关键词:模式识别;最近邻算法;汉明距离;扣件识别中图分类号:,HuangYaping,puterandInformationTechnologySchool,BeijngJiaotongUniversity,Beijing100044)Abstract:Thenearestneighboralgorithmhastocalculatethedistanceofunknownsampleandallthetrainingsamplesbeforedecision-,forexample,chebyshevdistance,chi-squaredistance,-squaredistance,:Patternrecognition;Hammingdistance;Thenearestneighboralgorithm;Boltrecognition300引言扣件是用来连结钢轨和轨枕的零件,常见的扣件种类有六角形扣件,环形扣件等。根据美国联邦铁路管理局(FAR)铁路事故数据库1998~2009年12年之间的铁路事故数据显示,造成铁路事故的主要原因是钢轨和扣件产生缺陷以及轨道几何形状发生变化。因此,铁路扣[1][2]。本文对铁轨图像中的扣件识别,采件识别对铁路预警技术的研究有着十分重要的意义35用模板匹配的方法。首先提取扣件模板和样本的HOG特征,HOG特征即梯度方向直方图特征是用来描述物体局部区域内的梯度和边缘特征,能够很好的描述扣件的形状信息。然后用基于汉明距离的最近邻算法进行特征匹配,从而检测出扣件。最近邻分类器无需对样本进行学习,是一种简单而有效的分类器,并且汉明距离是一种按位进行计算的度量,这样在实际特征匹配的过程中,利用基于汉明距离的最近邻分类器,会大大提高扣件检测的效率本文40对比基于chi-开方距离的最近邻算法和基于汉明距离的最近邻算法,实验结果表明,后者提高了扣件检测的效率。作者简介:马姗,(1989-),女,硕士研究生,主要研究方向:图像处理、模式识别。通信联系人:黄雅平,(1974-),女,副教授,主要研究方向:机器学习、计算机视觉、图像处理、模式识别。E-mail:******@bjtu.-1-1提取扣件的HOG特征本文中扣件的特征描述采用了Hog特征描述算子。HOG(HistogramsOfOriented45[3],最开始主要应用于行人检测,并取得了不Gradients)特征是最早由Dalal于2005年提出错的效果。其特点是利用一副图像的形状、纹理等特征能够被梯度或边缘的方向密度分布很好地描述的原理,对光照变化和目标旋转具有一定的鲁棒性。HOG特征的独到之处在于不是从整体上描述物体的特征,而是将图像分成若干个细胞单元(cell),计算细胞内