軌道線提取在軌道異物檢測中的優(yōu)化及應用*

胥田田，雷錫騫

（蘭州工業(yè)學院，甘肅 蘭州730050）

鐵路運輸時因行車過程中環(huán)境復雜多變，可能出現(xiàn)自然災害引起的山體滑坡、行人滯留車道等現(xiàn)象，隨機異物導致高速運行列車前方出現(xiàn)異物侵限，對行車安全造成較大影響。當前，全自動駕駛及機器視覺檢測技術(shù)在軌道交通中的研究應用，將獲取的幀序列數(shù)字圖像進行預處理，提高后續(xù)軌道異物檢測的實時性與準確性，實際中往往將雷達與機器視覺技術(shù)融合進行異物檢測[1]。

1 鐵路框架提取

邊緣檢測是實現(xiàn)圖像分析和理解的首要步驟，準確、實時地獲得幀序列中鋼軌所在位置信息，為后續(xù)異物的檢測奠定了基礎(chǔ)。將待處理軌道異物圖像中灰度值不連續(xù)的像素點進行連接、填補和刪除，從而形成軌道圖像完整的邊界?；跈C器視覺的軌道線提取如圖1所示。

圖1 基于機器視覺的軌道線提取流程圖

常用的邊緣檢測方法包括基于灰度直方圖與基于梯度值，兩種方法均需預先設(shè)定閾值，前者遍歷圖像灰度值，提取出大于閾值T的全部像素點進行合并作為圖像邊緣，但閾值T的選取對邊緣準確定位影響較大；后者劃分梯度幅值大于設(shè)定閾值的點為邊緣像素，但圖像中超過閾值的點并非全部為邊緣像素，分類過程存在將同一區(qū)域內(nèi)變化劇烈的點錯歸為邊界像素的情況。邊緣檢測算法依據(jù)邊緣處的梯度值和灰度差成正比并取值最大的原理，使用微分算子查找取值存在跳變的邊緣部分。經(jīng)典的微分算法有Roberts算子、Prewitt算子、Sobel算子、Canny算子等，Canny算子能較好地去除噪聲，在實際中應用較為廣泛[2]。

1.1 傳統(tǒng)軌道邊緣檢測及軌道線提取

Canny邊緣檢測基本特征可以表現(xiàn)為：首先，能夠達到有效擬制噪聲和盡量精確確定邊緣位置的兩個條件；其次，測量信噪比與定位乘積后，獲得最優(yōu)化逼近算子；最后，Canny算子對待處理圖像按照平滑后再求導的過程進行處理。其獲得邊緣像素的算法步驟表述為：（1）用高斯濾波器平滑圖像；（2）通過計算一階偏導有限差分，獲得梯度幅值和方向；（3）按照非極大值抑制原理對梯度幅值進行分析處理；（4）用雙閾值算法檢測和連接邊緣。

1.2 軌道線提取

Paul Hough于1962年首次提出Hough變換，用來檢測直線和曲線，前提要求已知物體邊界線的解析方程，但不需要有關(guān)區(qū)域位置的先驗知識，后于1972年由Richard Duda&Peter Hart推廣使用。Hough變換的基本原理是將圖像中的一個點轉(zhuǎn)化成其對應參數(shù)空間的一條直線或曲線，將圖像幾何圖形問題轉(zhuǎn)換成對應參數(shù)空間峰值的求解問題，即將全局問題轉(zhuǎn)化為局部問題，便于求解[3]，Hough變換是圖像變換中的經(jīng)典算法之一，但存在運算復雜、計算量大等不足。Hough變換基本原理如圖2所示。

圖2 Hough變換的基本原理

1.3 軌道線提取的優(yōu)化

邊緣檢測優(yōu)化的三個方面：檢測前圖像的平滑、增加邊緣檢測的方向、閾值選取，在圖像平滑中，邊緣定位與噪聲擬制相互矛盾，濾波會對邊緣造成損失，增加檢測方向會使得算法計算量增大[2]，同時，閾值的選取需要人為設(shè)置，而非自適應。

文獻[4]中，首先利用Hough變換識別近景軌道，并以此確定遠景軌道的起點參數(shù)，再將分段的遠景軌道按照角度對齊的評判法進行路徑生長，最后提取軌道限界區(qū)域。文獻[5]中，作者通過極值中值濾波代替?zhèn)鹘y(tǒng)Canny算子中的高斯濾波，在圖像梯度幅值和方向方面引入加權(quán)系數(shù)，自適應迭代閾值法確定高低分割閾值，從以上三方面提高Canny邊緣檢測的準確性與清晰度，結(jié)合Hough變換設(shè)計適合直線型與曲線型鐵軌內(nèi)的異物檢測。文獻[6]中，從相繼兩幅或多幅圖像中提取特征，根據(jù)獲取的特征信息結(jié)合Hough變換達到檢測軌道異物的目的。文獻[7]中，首先利用Hough變換確定直線軌道，根據(jù)擬合的兩條直線交點縮小檢測窗口，其次遍歷窗口內(nèi)每行的灰度均值，根據(jù)灰度值是否發(fā)生突變確定當前檢測范圍是否存在異物，該方法實時性較好。文獻[8]中，針對軌道圖像噪聲特點，提出一種基于多尺度結(jié)構(gòu)元素、多方向（MMSE）的自適應灰度形態(tài)學濾波算法，通過對含有噪聲的采集圖像使用不同的算法進行濾波，可以實現(xiàn)采集圖像中噪聲的擬制與邊緣的加強，根據(jù)提取的軌道邊緣，結(jié)合多約束Hough變換，進一步確定鋼軌方程并根據(jù)限界距離劃分侵限區(qū)域。文獻[9]中，探索一種高速鐵路近景影像軌道邊緣提取方法并構(gòu)建軌道邊緣線的同名點坐標映射模型。根據(jù)軌道數(shù)字影像的灰度信息與點位分布特點，利用Canny算法和概率Hough變換提取鐵路軌道的內(nèi)邊緣特征，其中ORB算法與KNN算法實現(xiàn)軌道表面同名點的匹配并由此建立坐標對應關(guān)系，利用該關(guān)系構(gòu)建軌道邊緣線的多項式映射模型以匹配出邊緣同名點，提高軌道邊緣檢測和匹配方面的可靠性，可為高速鐵路幾何狀態(tài)檢測提供處理技術(shù)支持。文獻[10]中，處理獲取的數(shù)字影像，設(shè)計篩選策略解決軌道邊緣不突出的情況，實現(xiàn)軌道邊緣的可靠自動識別，并根據(jù)數(shù)字影像的特點與相關(guān)理論方法，設(shè)計近景攝影測量鐵路軌道邊緣識別與檢測系統(tǒng)，能夠有效應用于軌道靜態(tài)檢測。文獻[11]中，首先根據(jù)Canny算子實現(xiàn)以軌道為主體的檢測窗口，其次將檢測窗口內(nèi)圖像劃分為軌道區(qū)域、軌道外側(cè)區(qū)域、軌道內(nèi)側(cè)區(qū)域，通過對反變換后的圖像像素值做縱向累加，判斷縱向累加值峰值的特征，綜合判斷窗口內(nèi)是否存在異物，可以有效實現(xiàn)直軌環(huán)境下的障礙物檢測。文獻[12]中，首先將使用Log邊緣檢測算子檢測出的像素點分為直線像素點與曲線像素點兩類，在直線、曲線邊緣像素點的檢測過程中，設(shè)置重疊度閾值，根據(jù)閾值大小從而排除曲線像素點，只檢測直線邊緣像素點，最后將輸出的斜率計算直線方程進行平面轉(zhuǎn)換，改進算法減少了軌道路基和軌枕直線邊緣的影響。文獻[13]中，基于軌道圖像的亮度、直線特征，將Hough變換和邊緣提取算法應用于軌道圖像的識別，對已獲離散共線像素點按照建立的直線方程進行擬合，以此得到連續(xù)直線。文獻[14]中，采用改進的中值濾波算法，結(jié)合開關(guān)去噪，很好地保證了軌道圖像細節(jié)方面，再利用慣性原理進行邊緣追蹤，適合軌道異物的現(xiàn)場檢測。文獻[15]中，對圖像進行Canny算子邊緣檢測后，提出利用鏈碼相關(guān)方法來完成對圖像中邊緣線的識別和刪除，根據(jù)累計鏈碼值個數(shù)來判斷線段方向，對干擾線段和有用線段分別進行刪除和再連接處理，提取軌道輪廓。文獻[16]中，首先將改進的高斯濾波算法應用于邊緣檢測，保留邊緣程度及抗噪效果較好，更加突出鐵軌的關(guān)鍵信息，其次將改進二值算法應用于鐵路圖像的灰度化處理，最后根據(jù)像素追蹤算法確定鐵路框架并建立異物檢測窗口。

2 優(yōu)化實例仿真

為了驗證改進算法的可行性，在MATLAB2015a環(huán)境下，對鐵軌圖像進行異物檢測區(qū)域劃分的仿真實驗。圖3、圖4分別對直軌、彎軌進行邊緣檢測、軌道線提取和檢測窗口建立，驗證了文獻[16]中的算法，該算法對直軌、彎軌均有效，能夠較好地劃分出異物檢測區(qū)域。

圖3 直軌異物檢測區(qū)域劃分

圖4 彎軌異物檢測區(qū)域劃分

3 結(jié)束語

本文簡述了幾種基于傳統(tǒng)邊緣檢測和直線提取的優(yōu)化算法，在實際應用中，將多種優(yōu)化方法進行結(jié)合檢測，通過驗證其中一種算法的軌道線提取及檢測窗口建立，結(jié)果表明，算法有效性及實時性較好，但在暴雨、大霧等天氣中，基于機器視覺的異物檢測技術(shù)依賴于獲取的圖像質(zhì)量，攝像機較難獲取清晰的圖像，從而影響最后的檢測效果。