用于動車組故障檢測的圖像識別算法

劉祖勝，方 凱，劉碩研

（1.鄭州鐵路局 客運處，鄭州 450052；2.中國鐵道科學(xué)研究院 電子計算技術(shù)研究所，北京 100081）

用于動車組故障檢測的圖像識別算法

劉祖勝1，方 凱2，劉碩研2

（1.鄭州鐵路局 客運處，鄭州 450052；2.中國鐵道科學(xué)研究院 電子計算技術(shù)研究所，北京 100081）

動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS）通過比對現(xiàn)場圖像與其歷史圖像，實現(xiàn)列車運行狀態(tài)的實時監(jiān)測和自動報警。由于不同時間采集的圖像存在一定程度的差異性，使得單純基于SIFT特征匹配的故障識別算法誤報率較高。為此，本文提出一種自適應(yīng)融合局部和全局匹配的圖像故障識別算法：將圖像以車廂為基準(zhǔn)對齊配準(zhǔn)；基于SIFT特征匹配，通過局部比對粗略定位故障區(qū)域；以上述區(qū)域為模板，搜尋歷史圖像以精準(zhǔn)定位故障位置。實驗結(jié)果表明，本算法能有效地分析和預(yù)警運行動車組的異常情況，使得系統(tǒng)用戶可及時發(fā)現(xiàn)重大故障，提升動車運營質(zhì)量。

動車組故障檢測系統(tǒng)；模板匹配；SIFT特征匹配；多級故障報警

隨著中國高速鐵路的快速發(fā)展，動車組安全監(jiān)控體系建設(shè)顯得尤為重要?，F(xiàn)有的監(jiān)控方式為入庫地溝式靜態(tài)監(jiān)控，缺乏運行過程中的動態(tài)監(jiān)控。這將導(dǎo)致動車組可能長距離帶病行進(jìn)，增加了事故的發(fā)生幾率。高速行進(jìn)中的動車，其關(guān)鍵部件易受到石塊等異物的強力撞擊，此外由于長期承受傳動力及制動力，其螺栓可能發(fā)生不同程度的松動，因此行進(jìn)中的動態(tài)監(jiān)控對于保障動車運營安全起到至關(guān)重要的作用。鑒于此，鐵路部門提出了動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS, Trouble of moving EMU Detection System）[1]。該系統(tǒng)利用軌邊安裝的線陣攝像頭，采集運行動車組走行部、制動配件、底架懸吊件、鉤緩連接、車體兩側(cè)裙板、轉(zhuǎn)向架等部位圖像，與其最近過車的歷史圖像進(jìn)行比對，監(jiān)測當(dāng)前運行動車的結(jié)構(gòu)件是否有變化、變化的趨勢以及變化的類型，實現(xiàn)故障的實時報警。然而由于車速、大氣、光線、抖動等諸多外部因素的不同，使得不同時期采集的兩幅圖像之間存在亮度、分辨率、長度等差異，因此目前單純采用基于SIFT特征匹配的圖像故障識別算法存在大量的誤報現(xiàn)象，故障定位不精準(zhǔn)[2～5]。

為此，本文提出一種自適應(yīng)融合局部和全局匹配的圖像故障識別算法：（1）將圖像以車廂為基準(zhǔn)對齊配準(zhǔn)；（2）基于SIFT特征匹配，通過局部比對粗略定位故障區(qū)域；（3）將上述故障區(qū)域作為模板，搜尋整幅歷史圖像精準(zhǔn)定位故障位置。實驗結(jié)果表明，本算法針對運行動車組的異常情況能有效地分析預(yù)警，使得系統(tǒng)用戶可及時發(fā)現(xiàn)重大故障，提升動車運營質(zhì)量。

1 圖像故障識別算法

本文提出的自適應(yīng)融合局部和全局匹配的圖像故障識別算法框架如圖1所示：（1）以車廂為基準(zhǔn)對不同時間采集的動車圖像進(jìn)行對齊配準(zhǔn)，最大程度地消除由于車速、抖動、光線等外部因素造成的圖像錯位問題；其次利用局部匹配粗略定位故障坐標(biāo)，即通過SIFT特征匹配[6]算法找尋現(xiàn)場采集圖像中無法與歷史圖像匹配成功的特征區(qū)域，將其作為待識別故障區(qū)域；（2）將待識別故障區(qū)域作為模板，在整幅歷史圖像中進(jìn)行全局搜尋匹配，精準(zhǔn)定位故障。實驗結(jié)果表明，本算法針對運行動車組的異常情況能有效地分析預(yù)警，提高了動車組隱蔽故障發(fā)現(xiàn)能力和故障產(chǎn)生初期的預(yù)警能力，增強了動車組運行的安全防范水平，為杜絕動車組帶病運行提供了有效手段。

圖1 自適應(yīng)融合局部和全局匹配的圖像故障識別算法框架

1.1 圖像的對齊配準(zhǔn)

由于圖像在采集過程中易受到車速、天氣、光線、抖動等諸多因素的影響，常常造成圖像差異，為此本算首先對現(xiàn)場采集的動車圖像以車廂為基準(zhǔn)進(jìn)行圖像拼接和分割，實現(xiàn)與歷史圖像的對齊配準(zhǔn)。具體地說，步驟是：（1）進(jìn)行動車車頭對齊，即根據(jù)火車車號，從火車車頭模板庫中提取該車型的車頭模板，與現(xiàn)場采集的火車圖像進(jìn)行車頭模板匹配，并對匹配成功的圖像于車頭起始位置進(jìn)行圖像分割。（2）進(jìn)行車廂對齊，即利用車廂模板庫中該車型的車廂連接處模板，對實時采集的火車圖像進(jìn)行模板匹配，并對匹配成功的圖像在車廂連接處位置進(jìn)行圖像分割，而其他圖像則依次拼接，從而形成一幅完整的車廂圖像。（3）保存車廂圖像，實現(xiàn)該車型歷史圖像庫的更新。

1.2 自適應(yīng)融合局部和全局匹配的圖像故障識別算法

現(xiàn)有的圖像故障識別算法大多采用基于SIFT特征的匹配算法[1]，然而局部特征中不含有任何位置信息，而圖像中存在大量的特征相似而語義差異的特征點，因此僅從特征相似性的角度衡量，會出現(xiàn)大量的誤報故障點。為此，有些算法提出使用基于像素的全局匹配[2]解決問題，然而由于車速、天氣、光線、抖動等外部因素造成的圖像不一致問題，即相同坐標(biāo)位置對應(yīng)的圖像內(nèi)容不一致，使得單純利用像素差的全局匹配不能很好地解決誤報問題。鑒于此，本文提出一種自適應(yīng)融合局部和全局匹配的故障識別算法。

SIFT特征匹配包括2個階段：（1）SIFT特征的生成，即從圖像中提取出對尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)的特征向量；（2）SIFT特征向量的匹配。具體地說，首先利用檢測子檢測出圖像中的興趣點, 再利用描述子對興趣點周邊的區(qū)域進(jìn)行魯棒的特征描述，最后利用匹配算法匹配兩幅圖像的描述子。當(dāng)兩幅圖像的SIFT特征向量生成后，采用興趣點特征向量的歐式距離作為兩幅圖像中興趣點的相似性判定度量。取圖像中的某個興趣點，并找出其與圖像中歐式距離最近的前2個興趣點，在這個興趣點中，如果最近的距離除以次近的距離少于某個比例閾值，則接受這一對匹配點。降低這個比例閾值，SIFT匹配點數(shù)目會減少，但更加穩(wěn)定。

模板匹配[7～9]是在一幅圖像中搜尋目標(biāo)圖像（即模板），并確定其坐標(biāo)位置。設(shè)現(xiàn)場采集圖像s是大小為的圖像，待識別的故障區(qū)域T是大小為的模板圖像，并且。模板匹配是將模板 T疊放在現(xiàn)場圖s上平移，模板覆蓋下那塊大小為的搜索圖叫做子圖，通過比較T和的相似性，完成模板匹配過程。該方法利用圖像本身具有的灰度統(tǒng)計信息來衡量圖像之間的相似程度，精度較高，但對于尺度變化、旋轉(zhuǎn)以及不均勻光照等因素比較敏感。

圖2 圖像故障識別算法流程

2 實驗研究

實驗選擇TEDS采集的高分辨率圖像數(shù)據(jù)來評價算法的性能，并和現(xiàn)有的圖像故障識別算法進(jìn)行對比和分析。TEDS采集設(shè)備包含3套沉箱和2套側(cè)箱，其中3套沉箱共放置5個超高速高清晰線陣攝像頭，用于采集動車底部的高清圖像（包括制動裝置、驅(qū)動裝置、牽引裝置、轉(zhuǎn)向架、輪軸、車鉤及車底部其他部位），左右側(cè)部各安裝2套側(cè)箱，其中1套用于采集轉(zhuǎn)向架圖像，1套用于采集裙擺圖像。本實驗將第1天采集到的列車圖像作為歷史圖像，分別對第2天和第3天采集的圖像進(jìn)行故障分析。圖3分別顯示了沉箱和側(cè)箱攝像頭采集的車輛圖像。

圖3 TEDS采集的底部和側(cè)部圖像

第1組實驗主要評價算法的故障識別性能，本文使用漏報率和誤報率這2個標(biāo)準(zhǔn)進(jìn)行評估。所謂漏報率是指在故障檢測中存在N次故障有M次未能檢測出；而誤報率是指在檢測出的N次故障中，其中有M次不是故障。表1顯示了本算法對于不同時間采集圖像的故障識別性能?？梢钥闯觯瑢τ诘?天采集的列車圖像，算法在誤報率和漏報率方面的指標(biāo)均高于第2天，說明圖像之間的差異性越大，算法故障識別的難度也隨著提高。并且兩組數(shù)據(jù)的誤報率均高于漏報率，因本算法的故障識別基礎(chǔ)為局部特征匹配的檢測結(jié)果，而局部特征匹配旨在盡量降低漏報率，因此本算法的故障識別誤報率相對于漏報率較高。

表1 圖像故障識別算法性能表

第2組實驗比較了局部特征匹配和全局模板匹配在故障識別方面的性能。從圖4中可以看出，SIFT特征匹配雖然可以定位故障位置，但是存在大量誤報的故障區(qū)域。由于兩幅圖像拍攝的光線，天氣等不同，使得看似相同的圖像可能具有完全不同的角點特征，圖像中的角點具有很好的局部顯著性和穩(wěn)定性，但是單純利用SIFT局部特征匹配檢測出很多“噪聲”興趣點，使得故障識別存在誤報率高的問題。而基于模板匹配的故障識別算法雖然在一定程度上減少了誤報率，且可基本準(zhǔn)確定位故障位置，但其性能在很大程度上受到模板大小的影響，且匹配計算量大，速度慢，實時性不強。為此，本文提出的自適應(yīng)融合局部和全局匹配的圖像故障識別算法將SIFT局部特征匹配和全局模板匹配的優(yōu)勢相結(jié)合，充分利用了局部和全局信息進(jìn)行故障識別，定位精準(zhǔn)，誤報率低，且計算時間也有一定的縮短，可以有效地提升動車運行過程中的安全監(jiān)控質(zhì)量。

圖4 局部特征匹配和全局模板匹配的性能比較

以實際車廂圖像為例，與現(xiàn)有故障識別算法進(jìn)行性能比較，如圖5所示。從圖5（a）和5（b）可以看出，本文算法可以有效地識別故障，并確定其位置，雖然仍存在一些誤報區(qū)域，但其位置鄰近實際故障區(qū)域。此外，漏報率也在可控范圍之內(nèi)。圖5（c）中黃色框圖顯示了現(xiàn)有算法識別的故障位置，然而大量的黃色區(qū)域均為誤報故障，說明現(xiàn)有算法并未從真正意義上減輕工作人員的工作量。與現(xiàn)有算法相比，本文算法不僅具有同樣的故障識別時間，還有效地抑制了誤報情況，提升了故障實時檢測和自動報警的效率。

3 結(jié)束語

本文針對動車組運行故障檢測問題，提出了一種自適應(yīng)融合局部和全局匹配的圖像故障識別算法。該算法在基于SIFT局部特征匹配的基礎(chǔ)上，利用全局模板匹配進(jìn)行故障識別定位。具體地說，將圖像以車廂為基準(zhǔn)配準(zhǔn)；基于SIFT特征匹配通過局部比對粗略定位故障區(qū)域；以其作為模板，搜尋整幅歷史圖像以精準(zhǔn)定位故障位置；根據(jù)故障的位置和損壞程度，綜合定義故障等級，實現(xiàn)多級報警。實驗結(jié)果表明，本算法針對運行動車組的異常情況能有效地分析預(yù)警，使系統(tǒng)用戶可及時發(fā)現(xiàn)重大故障，提升動車運營質(zhì)量。

圖5 與現(xiàn)有算法的性能比較

[1] 李 駿. 動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS）設(shè)計與實現(xiàn)[D]. 北京：北京郵電大學(xué)，2012.

[2] 許艷峰. 動車組故障軌邊圖像自動檢測系統(tǒng)圖像對比算法研究[J]. 鐵路計算機應(yīng)用，2013，22（5）：23-26.

[3] 趙俊彥，任崇巍.關(guān)于動車組故障對邊圖像檢測系統(tǒng)的設(shè)計[J]. 鐵道機車車輛，2011，31（6）：19-22.

[4] 陳 雷，趙長波. TFDS動態(tài)檢查方法與技巧[M]. 北京：中國鐵道出版社，2010.

[5] 李 軍. TFDS圖像自動識別技術(shù)的分析[J].上海鐵道科技，2011，1（1）：114-118.

[6] Lowe D. Distinctive image features from scale-invariant key points [J]. International Journal of Computer Vision， 2004，60（2）：91-110.

[7] YU Z. Object Matching Using Deformable Templates [J]. IEEE Trans. On Pattern Analysis and Machine Intelligence，1996，18（3）：267-278.

[8] 陳 智. 圖像匹配技術(shù)研究 [D]. 武漢：華中師范大學(xué)，2006.

[9] 李曉明，趙訓(xùn)坡. 基于Fourier-Mellin變換的圖像配準(zhǔn)方法及應(yīng)用拓展[J]. 計算機學(xué)報，2006，29（3）： 465-472.

責(zé)任編輯 方 圓

Image Recognition Algorithm for EMU trouble detection

LIU Zusheng1, FANG Kai2, LIU Shuoyan2
( 1. Department of Passenger Transit, Zhengzhou Railway Administration, Zhengzhou 450052, China; 2. Institute of Computing Technologies, China Academy of Railway Sciences, Beijing 100081, China )

The aim of TEDS was to detect the trouble of moving EMU images based on the matching between present image and previous one. However, the traditional TEDS was easily affected by some related issues such as speed, light and so on. This article proposed an algorithm to recognize the trouble of EMU image by adaptive fusion local and global matching. First, the image was aligned according to the carriage. And then the SIFT matching was adopted to accomplish the rough detection. Based on such detection, the template matching was further used to locate the trouble of EMU image. To reach the requirement of multilevel trouble alarm, we fi nally def i ned the trouble level according to the different components. The experimental result showed that the proposed algorithm could detect the trouble of moving EMU effectively.

TEDS; template matching; SIFT matching; multilevel trouble alarm

U266.2∶TP39

A

1005-8451（2015）12-0001-04

2015-04-08

劉祖勝，高級工程師；方 凱，副研究員。