步入21世纪以来,伴随着中国经济的快速发展,铁路作为一种重要的运输工具也获得了高速的发展。随着铁路运输的快速发展,其安全问题也备受关注。走行部作为铁路运输中的关键部分,其正常运行与行车安全息息相关,所以,在日常检修中,走行部部件的异常检测是最重要的部分。在早期,对走行部的检修主要以人工为主,这不仅工作量繁重,而且占用列车运行时间。后来,随着机器视觉领域的发展,产生了以机器视觉系统来拍摄走行部图像,然后人工观看图像的方式来对走行部异常进行判断。这避免了钻车带来的工作量,提高了工作效率。以人工观看的方式来进行异常检测是不可靠的,因为人工观看图像容易产生视觉疲劳。所以,需要一种能够自动对走行部进行异常判定的方式来解决问题。利用机器视觉系统来对走行部图像进行处理,以判断其是否产生了异常是整个系统的关键。其中,对于关键部件的识别定位则是该项工作的第一步。为此,本文深入分析了复杂场景中目标识别定位问题的难点,提出了一种基于“预测理论”的自顶向下的目标识别定位方法。主要目的在于解决结构性较稳定场景下机车走形部的多种类型目标快速识别定位问题。本文主要工作如下:1.针对局部图像的特征表达,目前较好的方法是对图像的稀疏表征。传统的稀疏表征方法中,由于没有对每一类原子的有效性进行控制,所以往往容易出现“死神经元”现象,且容易使得整个聚类结果极其容易陷入到局部最小。针对这种情况,本文提出基于竞争机制的聚类分析方法,通过在训练时限制每一类下样本的数量来保证每一类的有效性。2.对图像进行表征的第二步是利用训练到的原子来对图像进行表示。在传统做法中往往采用计算局部特征与原子距离的方式进行,这种方法简单、直观。但是,由于视觉基本图像块之间存在较高的相似度使得最后的分类结果不够稳定。所以,本文引入了“类间相似分量抑制”方法,通过抑制类间相似分量的方法实现突出差异分量,达到提高分类稳定性及可靠性的目的。3.由于机车走行部图像容易受到光照、水渍及泥污影响,在边缘提取时容易产生大量杂乱非有效边缘。为此,基于视觉成像理论,提出一种改进的边缘提取算法,主要通过训练得到传统有效边缘特性,然后利用边缘特性来对检测到的边缘进行有效性评估,近而是去掉有效性较低的边缘,提高边缘检测可靠性。实验表明:提出的改进边缘提取算法能够有效的去除噪声干扰对边缘检测的影响。4.在机车走行部异常检测系统中,对关键目标的识别定位是整个系统的关键。本文基于隐式形状模型,结合预测理论,提出一种自顶向下的机车走行部关键目标识别定位方法。能够针对结构性稳定的目标实现快速精确的目标识别定位。5.最后,本文搭建了机车走行部异常检测系统。基于本文提出的目标识别定位检测算法,可以实现机车走行部关键部件异常检测。实验表明,本文提出的异常检测方法较传统方法在报警准确率上有明显的提升,具有广阔的应用前景。