圖像分割在軌道異物檢測(cè)中的應(yīng)用

胥田田，雷錫騫，金 慧

（蘭州工業(yè)學(xué)院，甘肅 蘭州 730050）

0 引 言

在鐵路運(yùn)輸過(guò)程中，因行車過(guò)程環(huán)境復(fù)雜多變，可能出現(xiàn)自然災(zāi)害引起的山體滑坡、有人滯留車道等現(xiàn)象，隨機(jī)異物會(huì)造成高速運(yùn)行列車前方出現(xiàn)異物侵限，對(duì)行車安全造成較大影響。傳統(tǒng)障礙物檢測(cè)主要依賴于巡線、單點(diǎn)監(jiān)控防護(hù)、司機(jī)瞭望等人工檢測(cè)方式，檢測(cè)效率低，無(wú)法滿足當(dāng)今社會(huì)對(duì)軌道異物檢測(cè)的智能化要求。國(guó)內(nèi)外針對(duì)鐵路侵限障礙物主要采用接觸式和非接觸式方式檢測(cè)，其中基于雷達(dá)、紅外、機(jī)器視覺等各種方式的融合技術(shù)被廣泛應(yīng)用于鐵路障礙物的檢測(cè)[1]。

1 鐵路軌道異物圖像分割

圖像分割根據(jù)不同區(qū)域間像素點(diǎn)的差異性劃分圖片中有相同性質(zhì)的像素并進(jìn)行標(biāo)記。實(shí)際中根據(jù)應(yīng)用場(chǎng)景的不同動(dòng)態(tài)選擇分割方法，完成不同的分割任務(wù)，并隨著應(yīng)用場(chǎng)合趨于多樣化，陸續(xù)出現(xiàn)基于閾值、邊緣、區(qū)域、聚類等分割方法[2]。

在基于圖像處理的軌道靜態(tài)異物的檢測(cè)中，首先需將獲取的列車前方軌面信息圖像進(jìn)行預(yù)處理，再對(duì)鐵軌所在位置進(jìn)行定位，便于建立檢測(cè)窗，最后對(duì)窗內(nèi)異物圖像進(jìn)行圖像分割和障礙物檢測(cè)。基于圖像處理的靜態(tài)軌道異物檢測(cè)流程如圖1所示。

圖1 靜態(tài)軌道異物檢測(cè)流程

1.1 傳統(tǒng)圖像分割方法

基于閾值的圖像分割方法以設(shè)定的閾值對(duì)待處理圖像進(jìn)行分類處理，將圖像像素與閾值對(duì)比后劃分為目標(biāo)與背景，關(guān)鍵需選取恰當(dāng)?shù)姆指铋撝?，該方法?duì)目標(biāo)與背景灰度差異明顯的圖像效果較好；基于邊緣的圖像分割方法通過(guò)區(qū)分相鄰像素點(diǎn)灰度值的差異性定義并連接邊緣像素，從而形成邊緣輪廓，實(shí)際中利用不同微分算子進(jìn)行卷積運(yùn)算是常用的邊緣檢測(cè)方法；基于區(qū)域的圖像分割方法以常用的區(qū)域生長(zhǎng)法和分裂合并法為主，分割思想圍繞像素的相似程度劃分構(gòu)成區(qū)域；基于聚類的圖像分割方法設(shè)置聚類準(zhǔn)則并結(jié)合迭代算法，將具有相似特征的像素點(diǎn)聚集到不同的類別中，實(shí)現(xiàn)對(duì)待處理圖像的分割；基于圖論的圖像分割方法將分割問題轉(zhuǎn)換成對(duì)圖的劃分，通過(guò)求解設(shè)置目標(biāo)函數(shù)的最優(yōu)值完成分割過(guò)程。

1.2 圖像分割方法的優(yōu)化

文獻(xiàn)[3]提出將各向異性擴(kuò)散散度場(chǎng)信息融合到距離規(guī)則化水平集中的新模型，該方法在水平集函數(shù)、迭代時(shí)間等相關(guān)參數(shù)方面進(jìn)行調(diào)整與優(yōu)化，發(fā)現(xiàn)其對(duì)有噪聲圖像的分割效果較好，算法魯棒性、實(shí)時(shí)性較好[4]。文獻(xiàn)[5]運(yùn)用峰值檢測(cè)策略調(diào)整聚類中心的初始化，在醫(yī)學(xué)圖像中進(jìn)行實(shí)驗(yàn)驗(yàn)證，算法工作效率較高、圖像分割效果較好。文獻(xiàn)[6]提出基于多項(xiàng)式一致逼近的多閾值圖像分割算法，改善傳統(tǒng)多閾值分割算法的復(fù)雜度高、魯棒性差等缺陷。

圖像分割充分結(jié)合人工智能應(yīng)用于軍事、醫(yī)學(xué)、工業(yè)生產(chǎn)、遙感、交通等領(lǐng)域。宋杰等針對(duì)醫(yī)學(xué)病理數(shù)據(jù)的多樣性與復(fù)雜性，梳理深度學(xué)習(xí)相關(guān)理論、關(guān)鍵技術(shù)并進(jìn)行對(duì)比分析，總結(jié)深度學(xué)習(xí)在數(shù)字病理圖像分割任務(wù)中的建模與應(yīng)用[7]；李鴻翔等針對(duì)基于圖像的礦石粒度檢測(cè)中存在礦石形狀隨機(jī)、礦石間重疊度高等特點(diǎn)，提出GAN-UNet礦石圖像分割方法，解決U-Net算法對(duì)礦石邊緣識(shí)別存在的缺陷，減小分割誤差[8]；徐金東等利用空間上下文有效建模并研究新的可靠性模糊度量指標(biāo)，從而提高聚類算法的抗噪性，更好保留交通標(biāo)志圖像、遙感圖像等的細(xì)節(jié)[9]。

1.3 軌道異物圖像分割的優(yōu)化

在高速鐵路飛速發(fā)展的今天，僅靠人為檢測(cè)、固定點(diǎn)安裝監(jiān)測(cè)點(diǎn)已不能滿足社會(huì)實(shí)現(xiàn)自動(dòng)化的需求。隨著軌道交通中全自動(dòng)駕駛的實(shí)現(xiàn)及基于機(jī)器視覺的檢測(cè)技術(shù)的研究應(yīng)用，如何實(shí)現(xiàn)高速列車前方異物的智能檢測(cè)已成為鐵路運(yùn)營(yíng)的新趨勢(shì)。

文獻(xiàn)[10]列舉機(jī)器視覺技術(shù)在城市軌道交通各子系統(tǒng)安全狀態(tài)檢測(cè)中的研究與應(yīng)用，提高傳統(tǒng)人工等方法的檢測(cè)效率、降低勞動(dòng)強(qiáng)度；文獻(xiàn)[11]通過(guò)融合圖像識(shí)別、激光雷達(dá)、紅外測(cè)距等檢測(cè)技術(shù)指定障礙物檢測(cè)方案，同時(shí)利用軟件算法和機(jī)器學(xué)習(xí)提升了障礙物檢測(cè)的識(shí)別率；文獻(xiàn)[12]采用將圖像和雷達(dá)數(shù)據(jù)融合的方式，在時(shí)間方面根據(jù)不同時(shí)間融合策略進(jìn)行時(shí)間融合，在空間方面根據(jù)雷達(dá)坐標(biāo)、相機(jī)坐標(biāo)與像素坐標(biāo)三者的關(guān)系進(jìn)行圖像畸變校正，并將雷達(dá)檢測(cè)結(jié)果與圖像檢測(cè)結(jié)果相對(duì)應(yīng)，測(cè)試結(jié)果表明，該檢測(cè)方法適用性更廣；文獻(xiàn)[13]將障礙物檢測(cè)劃分為紅外與可見光障礙物圖像的檢測(cè)，前者充分利用紅外圖像中障礙物整體顯著的特征，后者采用將可見光圖像先粗定位后細(xì)定位的流程，處理不同類型的待處理障礙物圖像，驗(yàn)證了算法的有效性；文獻(xiàn)[14]中建立以軌道為主體的檢測(cè)窗口，并依次進(jìn)行預(yù)處理圖像反透視變換、劃分橫向區(qū)域、分區(qū)圖像像素值橫向累加等操作，從而綜合判斷窗口異物位置，在直軌環(huán)境下實(shí)現(xiàn)障礙物的有效檢測(cè)；文獻(xiàn)[15]提出基于雷達(dá)的列車直軌障礙物檢測(cè)，利用最小二乘法獲取雷達(dá)數(shù)據(jù)矯正后得到的較準(zhǔn)確的障礙物位置，同時(shí)結(jié)合構(gòu)建的檢測(cè)模型有效克服復(fù)雜環(huán)境造成的不利影響；文獻(xiàn)[16]首先對(duì)GPS軌跡數(shù)據(jù)分段擬合后輔助定位和構(gòu)建檢測(cè)區(qū)域，其次根據(jù)GPS定位當(dāng)前位置和相關(guān)參數(shù)構(gòu)建列車前方障礙物檢測(cè)區(qū)域，最后將目標(biāo)點(diǎn)位置信息經(jīng)坐標(biāo)變換代入檢測(cè)區(qū)域，從而判斷目標(biāo)是否為障礙物，經(jīng)現(xiàn)場(chǎng)測(cè)試，平均檢測(cè)正確率達(dá)到87.45%。

2 優(yōu)化實(shí)例仿真

為驗(yàn)證不同分割算法的可行性，在MATLAB 2015a環(huán)境下，對(duì)鐵軌作業(yè)、鐵軌作業(yè)加噪圖像進(jìn)行不同分割算法的仿真實(shí)驗(yàn)并進(jìn)行定量評(píng)價(jià)，仿真效果如圖2、圖3所示，區(qū)域間對(duì)比度評(píng)價(jià)效果見表1所列。二維Tsallis熵算法針對(duì)不加噪、加噪異物圖像分割效果較一維Tsallis熵算法好，但算法復(fù)雜度較高，耗時(shí)較長(zhǎng)。

圖2 不加噪軌道異物圖像分割

圖3 加噪軌道異物圖像分割

表1 軌道異物圖像分割效果

3 結(jié) 語(yǔ)

本文簡(jiǎn)述了基于閾值分割的鐵路軌道異物檢測(cè)算法，在實(shí)際應(yīng)用中，將機(jī)器視覺、圖像處理、雷達(dá)、紅外等多種檢測(cè)手段進(jìn)行融合，在算法魯棒性、實(shí)時(shí)性等方面效果較好。本文驗(yàn)證了一維、二維Tsallis熵算法的分割效果。分割效果表明，不同的閾值分割算法針對(duì)不加噪、加噪圖像在有效性與實(shí)時(shí)性方面效果不同，需在今后的研究中改善算法在不同場(chǎng)合的適用性。