無砟軌道扣件快速匹配定位方法研究

，，，

(上海工程技術(shù)大學 城市軌道交通學院，上海 201620)

0 引言

軌道檢測是保證軌道交通運營安全的重要手段，作為軌枕和軌道聯(lián)結(jié)的重要部分，扣件的檢測和維修是軌道檢測的一項重要任務(wù)。當前的扣件檢測主要通過人工巡檢，該方法不僅效率低，容易造成漏檢現(xiàn)象，而且存在安全隱患。近年來，國內(nèi)外學者對基于機器視覺[1]和圖像處理的軌道扣件檢測進行了積極探討，其中軌道扣件的準確定位是實現(xiàn)扣件檢測的前提條件，因此眾多學者對扣件定位算法進行深入研究。

王凌等[2]在特定區(qū)域像素點掃描統(tǒng)計的基礎(chǔ)上對扣件進行定位。其對灰度化的圖像進行與之處理，考慮到道床、軌枕和扣件的分界處的像素點值0和1區(qū)分度較大，通過閾值范圍設(shè)定的方式實現(xiàn)扣件定位。Hao Feng等[3]采用通過鋼軌直線檢測、像素水平垂直投影和幾何關(guān)系定位扣件，但是此方法耗時長。

以上算法研究主要針對于有砟軌道。較有砟軌道而言，無砟軌道具有軌道板及軌枕區(qū)域純凈，扣件及鋼軌輪廓紋理特征明顯，利用模板匹配的算法定位扣件魯棒性強。陳金勝[4]等利用邊緣特征定位扣件，速度較慢。錢廣春[5]直接使用二值化像素投影方法定位扣件，匹配精度低。范宏[6]將灰度模板匹配的方法運用到扣件定位上，基于模板和原始圖像重合部分的像素灰度值，計算出一個標量作為相似度量，從而定位扣件，該算法計算量大，匹配速度慢。采用基于特征的圖像匹配方法[7]則具有速度快、運算量小的優(yōu)點，但是匹配精度差，魯棒性差。

本文針對圖像處理在無砟軌道扣件定位中實際應(yīng)用，提出基于方向場的扣件匹配定位算法。首先采用梯度法求取扣件圖像的方向場，然后根據(jù)鋼軌在方向場圖中的各向一致性定位軌道區(qū)域，并裁剪獲得扣件感興趣區(qū)域，從而減小模板搜索扣件的感興趣區(qū)域，最后通過方向場采樣、基于統(tǒng)計方法確定搜索起點位置、隨機抽樣一致性等方法進行扣件快速匹配，提高了扣件定位的速度和精度。

1 匹配原理

圖1給出了無砟軌道快速匹配方法的算法流程圖，匹配過程主要包括求取扣件圖像的方向場圖、裁剪獲得扣件匹配的感興趣區(qū)域、利用快速模板匹配的方法匹配扣件。采用梯度法提取圖像方向場，通過像素點的梯度值得到分塊的方向場圖；利用塊方向場的各向一致性特點定位鋼軌區(qū)域，并結(jié)合鋼軌和扣件橫向的實際尺寸比例關(guān)系、相機參數(shù)、焦距等先驗知識推算出扣件感興趣區(qū)域，進行裁剪。為了實現(xiàn)快速模板匹配，先進行方向場采樣，通過計算對應(yīng)點之間的絕對值距離得到匹配結(jié)果。為了進一步提高匹配速度和精度，分別采用基于統(tǒng)計的快速搜索策略和隨機抽樣一致性的方法進行處理。

圖1 方法原理流程圖

2 基于梯度方向場的扣件圖像裁剪

在對圖像處理時，一般只利用其像素級信息，而忽略了邊緣走向等尺度特征。本文利用扣件圖像邊緣的紋理走向特征，根據(jù)圖像方向場信息對扣件感興趣區(qū)域裁剪，并利用扣件方向場模板實現(xiàn)無砟軌道扣件快速匹配。

2.1 梯度方向場原理

梯度方向表示的是灰度值變化的最大方向，利用梯度法計算扣件圖像的塊方向場[8]。圖像I(x,y)上任一點像素的梯度方向向量為T=[gx(x,y)，gy(x,y)]T，其中g(shù)x(x,y)，gy(x,y)分別表示在任一像素點在x方向和y方向的偏導。即

(1)

梯度方向場大小為：

(2)

方向場是旋度的方向函數(shù)，其方向垂直于梯度方向，大小是梯度場正交分解參數(shù)θ的值。理想方向場滿足下面關(guān)系：其中i，j為正交坐標的單位向量。

(3)

由三角公式可以得到

(4)

由于計算得到的方向場范圍是0-180度，因此相差180度的2個方向場是同一方向，為了加強方向場的方向一致性，防止方向向量相互抵消，則梯度平方向量為：

(5)

圖像上某一點像素的梯度方向和周圍像素點的梯度方向具有相關(guān)性，以該點為中心，周圍n個點組成一個區(qū)域塊，記作W，求塊內(nèi)所有像素點的平均梯度方向作為塊方向場，則塊方向場的梯度平方向量如下：

(6)

根據(jù)將公式(4)和(6)可以求得塊方向場的大小θ：

(7)

(8)

方向場的穩(wěn)定性和可靠性可以通過塊方向的一致性C來衡量，C由塊的平方梯度向量確定，計算公式如公式(9)。

(9)

C的值在0-1之間。若所有的平方梯度向量方向一致，則C=1，即此時的方向場方向性越強。

2.2 感興趣區(qū)域(ROI)裁剪

為了提高匹配速度，根據(jù)方向場圖的各向一致性特征先確定鋼軌區(qū)域，再結(jié)合鋼軌和扣件橫向的實際尺寸比例關(guān)系、相機參數(shù)、焦距等先驗知識等，將模板匹配的搜索范圍鎖定在鋼軌兩側(cè)的扣件感興趣區(qū)域，并進行裁剪，從整體上減少匹配計算的復雜度。由于鋼軌兩側(cè)的扣件對稱，所以選取一側(cè)扣件進行分析。無砟軌道扣件感興趣區(qū)域裁剪方法研究的具體步驟如下：

1)圖像預(yù)處理，為了減少噪聲的影響，通過圖像中值濾波增強圖像；

2)圖像梯度的方向體現(xiàn)在圖像灰度最大變化率上，采用線性濾波方法求取圖像上每個像素點的梯度向量T=[gx(x,y)，gy(x,y)]T；

3)利用公式(4)-(8)計算圖像塊中每個像素點梯度方向，然后將圖像劃分成大小為10*10的塊，然后通過計算，得到塊方向場圖2(b)。

4)由公式(9)計算塊方向場的各向一致性。根據(jù)方向場各向一致性的特點，選擇C值最接近于1的區(qū)域即為鋼軌區(qū)域，如圖2(c)所示。

5)最后，結(jié)合鋼軌和扣件橫向的實際尺寸比例關(guān)系、相機參數(shù)、焦距等先驗知識推算出扣件感興趣區(qū)域，進行裁剪，裁剪結(jié)果如圖2(e)、(f)所示。

圖2 扣件感興趣區(qū)域裁剪結(jié)果圖

從圖2(e)可以看出，裁剪獲得的扣件感興趣區(qū)域準確，在不丟失扣件信息的基礎(chǔ)上縮小了模板匹配的搜索范圍，有利于減少模板匹配的時間。

3 基于模板匹配的扣件快速匹配方法

3.1 方向場采樣

由式(8)可以看出，圖像中每一點像素都有一個方向場，方向場的復雜度較強。相鄰塊像素的梯度方向場之間具有連續(xù)性，因此為了抑制高頻噪聲，減少計算量，可以對扣件圖像和扣件模板的方向場進行采樣[9]。選取標準扣件模板原圖像，以一個方塊中心點的方向值代表該方塊內(nèi)所有像素點的方向值?？奂睆郊s為8個像素，考慮到方向場的細節(jié)點的方向穩(wěn)定性，選擇采樣間隔為5*5，塊大小為10*10，模板采樣圖像如圖3所示。

圖3 扣件模板原圖和采樣后的模板方向場圖

3.2 基于方向場的模板匹配方法

在匹配過程中所依賴的特征是方向場以及計算出來的感興趣區(qū)域。設(shè)粗定位出的扣件區(qū)域方向場為θ(x,y)，采樣后的模板方向場為θt(x,y)，大小為m×n。由于對應(yīng)點之間的高階范數(shù)距離的計算量大，耗時長，對噪聲的魯棒性差，因此針對模板匹配，本文采用對應(yīng)點之間的絕對值距離作為匹配系數(shù)，相關(guān)公式如下：

(10)

由式(10)可知，扣件圖像上點方向場θ(u,v)和模板點方向場θt(u,v)匹配度越高，D(x,y)的值越小。因此，模板圖像在裁剪后的方向場圖中搜索匹配到的D(x,y)最小值的位置即為扣件位置。

3.3 加快匹配速度的搜索策略

在實際工程應(yīng)用過程中，短時間內(nèi)會識別到大量的扣件，因此可以統(tǒng)計獲得關(guān)于識別目標在已裁剪圖像中的位置信息?；诮y(tǒng)計的快速搜索策略可以提高模板匹配的匹配速率。

若扣件已經(jīng)匹配成功N次，扣件的重心在已裁剪的搜索中的位置分別是(x1,y1)，(x2,y2)…(xN,yN)，則重心均值為(xm,ym)，將所有匹配成功的扣件位置重心均值作為模板搜索的起點，具體的算法如下：

1)選定重心的初值為(xmf,ymf)，將初值作為位置點集的重心，即：

(11)

2)定義距離度量為di：

(12)

選取合適的距離度量閾值為d，滿足di

(13)

4)重復步驟2)，當?shù)阶畲蟮牟綌?shù)或者前后的d的值相差小于閾值時，迭代停止。

確定待匹配圖像搜索中心后，將搜索的路徑設(shè)置為以搜索重心為搜索起點的向外螺旋式搜索，示意圖如圖4所示。當匹配系數(shù)小于目標閾值時停止搜索，此時匹配成功。為了防止扣件的漏匹配，搜索終止的閾值可以遞減。

圖4 匹配搜索示意圖

3.4 提高匹配精度的方法

在基于方向場的模板匹配算法的步驟中，使用隨機抽樣一致性算法[10]可以提高匹配精度。該算法主要是對求取的塊方向場進一步提純，排除噪聲干擾點，通過反復迭代使估計模型逼近實際模型。

(14)

由公式(14)看出，矩陣M中包含8個參數(shù)，因此至少需要4對匹配方向場對。

算法基本過程如下：

1)求解模型所需要的參數(shù)匹配對為4，置信概率用p表示，一般選取95%，inliers比例系數(shù)用ε表示，則隨機采樣次數(shù)N為：

(15)

2)計算轉(zhuǎn)換矩陣M。為了減少計算量，先用3對匹配對估計矩陣參數(shù)，然后驗證第4對是否滿足該模型，如果該對在模型上，繼續(xù)驗證其他匹配對，若該對不在模型上則繼續(xù)重新選擇模型參數(shù)。

3)計算在矩陣變換后的匹配對，根據(jù)公式(10)計算其到對應(yīng)匹配方向場的距離D，若DT，重新選擇樣本計算，其中T為設(shè)定距離閾值。

4)將步驟3)中保留下來的匹配對數(shù)目記為Num，經(jīng)過N次迭代計算后，取Num最大的樣本作為最佳匹配對集合重新估計模型，得到最優(yōu)估計的矩陣M。

隨機抽樣一致性算法對噪聲具有魯棒性，可以減少錯誤匹配，提高匹配精度。

4 實驗結(jié)果分析

本文實驗對CCD線陣相機在不同條件下采集的現(xiàn)場圖像進行仿真，在Windows操作系統(tǒng)下，利用MATLAB軟件環(huán)境下進行驗證分析，將本文算法和已有扣件匹配算法對比，檢驗無砟軌道扣件快速匹配方法計算的平均耗時，并驗證算法的魯棒性。

4.1 匹配平均時耗分析

將無砟軌道扣件快速匹配的算法與基于灰度的匹配算法[11]、基于邊緣特征的匹配算法[5]、基于特征點[12]的匹配算法進行比較。在軌道現(xiàn)場采集200張線性光照下的扣件圖像，分別采用4種算法對這些圖像進行扣件模板匹配定位實驗。4種算法的平均時耗結(jié)果如表1所示，相比于其他3種算法，本文算法平均時耗最短，在64 ms左右，滿足快速匹配的要求。

4.2 算法魯棒性驗證

軌道現(xiàn)場環(huán)境復雜，圖像受非線性光照影響。拍攝軌道現(xiàn)場不同光照下的500張圖像進行實驗，其中線性光照、非線性強光、非線性弱光下的圖片非別為300張、100張、100張。線性光照和非線性光照下的圖像數(shù)量參考實際情況下的概率統(tǒng)計，不同類型的圖像張數(shù)如表2所示。

表1 3種不同算法的平均時耗比較

表2 3種不同光照條件下的匹配率

圖5 待搜索圖像在不同光照條件下的匹配結(jié)果

從表2匹配成功率結(jié)果可以看出，線性光照下的匹配成功率達到98.42%，非線性強光和非線性弱光的匹配成功率相對低一些。其中，非線性弱光圖像匹配成功率較其他兩種光照下圖像的識別率低，主要是因為非線性弱光導致圖像紋理特征不明顯，方向場的提取存在較大誤差，從而影響匹配的成功率。圖5是不同光照下圖像的匹配結(jié)果圖，從圖中可以看出，無砟軌道扣件匹配的位置準確，魯棒性強，滿足快速匹配的精度要求。

上述實驗分析結(jié)果表明，本文所采用的無砟軌道快速匹配方法滿足快速匹配和高精度的要求，且對于不同光照條件下拍攝的圖像具有魯棒性。

5 結(jié)束語

在軌道扣件的檢測識別中，快速準確定位扣件位置是進行扣件檢測的前提條件，本文針對扣件圖像的特點，基于圖像方向場特點，采用方向場采樣、基于統(tǒng)計方法確定搜索起點位置、隨機抽樣一致性等方法，提出了無砟軌道扣件快速匹配算法。通過現(xiàn)場采集圖像進行實驗驗證，結(jié)果表明該方法匹配速度在64 ms左右，滿足快速性、實時性要求，且對于不同光線條件下的匹配成功率均大于95%，算法魯棒性強，匹配準確，在工程實際中速度和精度的要求，有很好的應(yīng)用前景。