吳祿慎，萬 超，陳華偉，史皓良

(南昌大學機電工程學院，南昌 330031)

?

一種改進的十字交叉軌道扣件定位方法

吳祿慎，萬 超，陳華偉，史皓良

(南昌大學機電工程學院，南昌 330031)

針對傳統(tǒng)的十字交叉定位法對軌道扣件區(qū)域定位不準確，對圖像要求較高，需要特定角度的光照采集才能實現(xiàn)扣件定位，定位過程較慢等問題，提出一種改進的十字交叉定位法對其進行定位。通過對其圖像中扣件的初步位置判斷定位，然后用中值濾波的圖像增強，Canny算子的邊緣提取，灰度投影的判斷來提高定位準確性，加快定位速率，通過實驗表明，改進的定位方法能夠很好解決光照采集角度、快速有效的定位和判斷出扣件，實現(xiàn)對扣件區(qū)域的初定位。

鐵路軌道；扣件定位；中值濾波；Canny算子；邊緣提?。换叶韧队?/p>

扣件是軌道中的連接部分，其主要作用是將軌道的鋼軌部分和軌枕部分垂直連接，且要保證兩者之間不會有任何的移動，確保軌道能夠承載列車并穩(wěn)定而安全高效的運行。因此，其本身的安全也是至關(guān)重要的，早期的人工軌道檢測方法由于受外界環(huán)境影響大，誤檢率較高已被機器視覺所取代，目前在國內(nèi)外，主要檢測軌道安全的方法是計算機視覺檢測以及圖像處理[1]。

由于采集到的圖片中扣件區(qū)域與周圍環(huán)境區(qū)域整體特征相似，傳統(tǒng)的十字交叉定位方法[2]不好對其進行定位提取，本文在現(xiàn)有的采集圖像[3]和圖像處理算法的基礎上，提出了改進的十字交叉定位法對扣件進行定位。其基于邊緣檢測[4]、灰度投影[5]的扣件區(qū)域定位與提取，采用Canny算法[6]對圖像進行邊緣檢測，利用圖像采集系統(tǒng)的固定位置所采集的圖像特點，對圖像進行區(qū)域劃分。

1 扣件區(qū)域初步劃分定位

十字交叉定位法其基本思路就是找出十字部分，然后根據(jù)十字交叉處的點對所需的地方進行準確定位。對應于扣件定位問題，扣件是在鋼軌和軌枕交叉的口上，因此鋼軌和軌枕天然的形成了一個十字。其具體原理就是由于鋼軌外表面整體是金屬，比其他部位光滑，在圖像中的表現(xiàn)就是整體灰度值較高，鋼軌在圖像采集中是豎直的，所以灰度的變化區(qū)域應是在水平方向上，即鋼軌與周邊道砟和軌枕處出現(xiàn)，而在垂直方向，其灰度值是連續(xù)的；道砟部分主要由石塊構(gòu)成，而石塊的外形不確定性大，其整體灰度值會出現(xiàn)較大變化；軌枕部分則是由水泥組成，整體灰度值相對道砟部分較穩(wěn)定，依據(jù)這個灰度不同的特點，可以在采集的圖像中找出鋼軌的邊緣[7]。同理，可以找到軌枕的邊緣。鋼軌邊緣所構(gòu)成的豎直的線和軌枕邊緣所畫出的水平的線正好組成十字，其相互交叉的地方就是扣件所在的區(qū)域，就可以根據(jù)先驗信息確定扣件的大小提取出扣件區(qū)域。傳統(tǒng)十字交叉扣件定位流程如圖1所示。

圖1 傳統(tǒng)十字交叉扣件定位流程

具體步驟如下。

(1)圖像預處理：突出圖像中的一些灰度變化以及圖像中各部分的邊緣部分，選用邊緣檢測算法對其邊緣處理。

(2)圖像點掃描[8]：將經(jīng)過上一步驟的圖像進行全圖的點掃描，首先確定鋼軌部分，從左邊開始水平掃描，計算出區(qū)域內(nèi)灰度值較高的點的范圍，然后做出水平方向的灰度投影圖，找出區(qū)域內(nèi)灰度值最高的點，選定其為鋼軌的左邊界；同理，找出鋼軌的右邊界，以及確定軌枕的位置。

(3)確定了十字的兩條線后，找出其交叉處，根據(jù)扣件部分的大小確定扣件區(qū)域。

由于實驗圖像采集系統(tǒng)是固定放置在軌道上，其所有部件都是固定的，在圖像采集過程中，隨著采集系統(tǒng)在軌道上移動，鋼軌部分的相對位置是連續(xù)的，不變的，但由于移動時會有一定程度的振動，使得采集到的圖像中會出現(xiàn)一點偏移，因此無法通過固定的數(shù)值來實現(xiàn)鋼軌部分的準確定位。

而實驗室圖像采集系統(tǒng)采集圖像分辨率是2 048×1 024，如圖2所示。

圖2 采集的原始圖像

由于圖像中道砟石整體灰度與軌枕灰度相當，無法通過傳統(tǒng)的軌枕灰度級不同來對軌枕進行定位，從而無法實現(xiàn)對傳統(tǒng)的鋼軌與軌枕的十字交叉定位。

由于采集的圖像主要由4部分組成：鋼軌、扣件、軌枕、道砟。其中鋼軌和道砟是一定存在的部分，而扣件和軌枕部分則隨著采集系統(tǒng)的移動可能沒有。因此如果直接在原圖上提取扣件部位，整體的工作量比較大，而且比較容易出現(xiàn)誤判，相對效果不會太好。所以應該對扣件部分進行定位，將扣件部分從原始圖像中截取出其所在的位置，縮小后續(xù)處理范圍，減少后續(xù)工作量。由于實驗的圖像采集系統(tǒng)相對于軌道的位置是固定的，因此所拍攝的圖像中各部分的位置都是相對固定的，根據(jù)這一特性，可以對圖像進行一個區(qū)域預選取定位。

根據(jù)圖像所顯示的先驗信息，可知扣件所在的區(qū)域其水平范圍在1 170～1 620像素之間，因此，首先對圖像在水平1 170～1 620像素之間的范圍進行截取，得到扣件的初步區(qū)域，其截圖如圖3所示。

圖3 水平區(qū)域截取圖像

由圖3可知，扣件的水平區(qū)域已被初步定位截取，整體無大偏差，截取后的圖像在水平方向已定位完成，后續(xù)處理只需對其豎直方向進行定位，因此工作量已減少，后續(xù)檢測速度有明顯提高。

2 基于中值濾波的圖像增強處理

圖像增強[9]是一種簡單實用的數(shù)字圖像處理技術(shù)，其主要的目的就是消除圖像中的噪聲，將所需要的特征部分凸顯出來，將圖像中不需要的信息進行削弱甚至除去，最終使圖像達到能夠更好地檢測識別的效果。

本文采用的是中值濾波[10]對圖像進行增強，中值濾波是一種空間域的圖像增強方法，其同其他的空間域圖像增強方法一樣是采用濾波器來處理圖像，相對于其他的空間域圖像增強方法，中值濾波能夠很好地保留邊緣的信息。與線性平滑濾波需要所有的鄰域像素信息不同，中值濾波是非線性的平滑濾波，它在每個n×n鄰域內(nèi)都會去掉相較于平均像素值偏差較大的像素值，即灰度值相差過大的鄰域點，并且所占區(qū)域小于像素總數(shù)一半的那些像素的影響，而實際上滿足這樣條件被忽略掉的像素往往就是噪聲。經(jīng)過濾波后所輸出的像素值是為濾波器中所包含的所有像素值的中值。中值濾波器的最大特點就是對于圖像中所存在的灰度異常值不夠敏感，而均值濾波器則不一樣，其會考慮周圍鄰域內(nèi)所有像素點的信息，然后得出均值。因此，中值濾波算法在對那些噪聲進行消除的前提下，還能夠很好地展現(xiàn)出圖像的邊緣細節(jié)和圖像的一些特征。

在原圖像中某點(i，j)上使用中值濾波，其具體方法是以該點為中心，以設定的濾波器為范圍的鄰域內(nèi)像素的中值為(i，j)點的響應值即輸出值。

中值的定義是對所列出的數(shù)字進行一定順序的排列，其位于排列中間的值就是中值。例如：采用3×3的中值濾波器，在中心點(i，j)的周圍的像素值分別是：12，18，18，11，23，22，13，25，118，按遞增的排序結(jié)果為：11，12，13，18，18，22，23，25，118。在第5位上的18即作為(i，j)點中值濾波的響應g(i，j)進行輸出。

本文中所采用的中值濾波器是3×3型，其效果如圖4所示。

圖4 中值濾波后增強圖像

3 基于Canny算子的邊緣提取

邊緣信息作為圖像的幾個最基本特征之一，邊緣點的定義是圖像中與周圍像素灰度相比有著跳躍式的變動的那些像素點。邊緣檢測是圖像處理和計算機視覺中的常用的方法，因為它能夠大幅度地減少后續(xù)所需處理的數(shù)據(jù)，較為準確的保留下圖像中一些重要的結(jié)構(gòu)信息。其常用的邊緣檢測算子有：(1)梯度算子；(2)高斯-拉普拉斯算子；(3)Canny算子[11]。其中Canny算子在前期處理中加入了平滑濾波處理，在定位方面有著最好的效果。因此本文選用Canny算子對圖像進行邊緣檢測。

Canny邊緣檢測算子，其相對于其他檢測算子的主要特點就是首先會對圖像進行一個平滑處理，所選用的是空間域中的高斯平滑，這樣會使圖像邊緣部分由一定程度的凸顯，便于后續(xù)的檢測處理。

Canny檢測的3個判斷準則如下。

(1)信噪比準則，即要達到最好的檢測效果，最大限度地提高圖像的真實邊緣檢測率，將邊緣檢測的誤檢率降到最低，剔除圖像中的偽邊緣。而信噪比的定義就是信號與噪聲的比例，其所輸出的數(shù)值越大，則代表信號所占比例大，噪聲部分比例小，誤檢率相對就會低，其英文用SNR表示

式中，f(x)是邊界為[-ω，+ω]有限濾波器的脈沖響應；G(x)代表邊緣；n0是高斯噪聲的均方根。

(2)定位精度準則：在檢測時所測出來的邊緣應該要盡可能的是圖像中的真實邊緣，用數(shù)學語言表達就是盡量使式中的Loc達到最大。

式中,G′(-x)，f(x)分別為G(-x)，f(x)的一階導數(shù)。

(3)單邊緣準則：在檢測時對同一邊緣應盡可能少的重復檢測，最好能做到只檢測一次。而檢測出的邊緣的極大值之間的平均距離為

式中，k為指數(shù)函數(shù)的個數(shù)；w為邊緣寬度。

因此在2W的寬度內(nèi)，極大值的數(shù)目為

可以看出，N值與k值相關(guān)，只要將k值的大小確定，就確定了N值。

Canny邊緣檢測的整體思路：第一步對圖像進行增強處理，采用合適的Gauss濾波器，第二部采用非極抑制技術(shù)對圖像進行邊緣輪廓的采集和連續(xù)。其步驟如下。

(1)用高斯濾波器平滑圖像。

這里，利用一個省略系數(shù)的高斯函數(shù)H(x，y)

式中，f(x，y)為圖像數(shù)據(jù)。

(2)用一階偏導的有限差分來計算梯度的幅值和方向。

利用一階差分卷積模板

得到幅值

方向

(3)對上述結(jié)果進行非極大值抑制。

雖然得到了所需的梯度值，但這些還是不能夠?qū)⑦吘壌_定。因此需將局部的最大梯度值的點進行保留，然后對非極大值進行抑制，即將非局部極大值點置零以得到細化的邊緣。

(4)用雙閾值算法檢測和連接邊緣。

使用兩個閾值T1和T2(T1

使用Canny邊緣檢測算子的實驗結(jié)果如圖5所示。

圖5 Canny邊緣提取圖像

4 垂直投影定位扣件區(qū)域

投影分析法[12]的整體思路是把圖像分到一個空間坐標系中，將其中的像素在X、Y坐標軸做灰度值投影，統(tǒng)計出在所有X、Y點上的數(shù)值大小，并以線性圖的方式顯示。設f(x，y)是像素點(x，y)的灰度值，則該像素點的灰度值在X方向和Y方向上的投影為

在圖像中由于光照和結(jié)構(gòu)原因會出現(xiàn)部分區(qū)域偏暗，像素點的灰度值小，反映到投影的圖表上的就是投影數(shù)值小，甚至有些能夠到達零值，在投影圖像中的其分布曲線上會出現(xiàn)較為明顯的下降，表現(xiàn)為出現(xiàn)局部谷值或到達底部。通過這一特點，可以設定一個閾值線[13]，如果有兩個點低于這個閾值線的中間距離則可判斷為扣件區(qū)域，如果只有一個點低于閾值線則判斷為有部分扣件區(qū)域在圖像中，如果沒有點低于閾值線則可判斷為圖像中無扣件區(qū)域。

由于在第一步的時候，已經(jīng)把圖像中扣件的水平區(qū)域給定出了，因此在這步中只需要找出其豎直方向，也就是上下區(qū)域即可。

經(jīng)過Canny算子檢測后的圖像可以很明顯地看出在截取后的圖像中，扣件上下一定范圍的水平區(qū)域內(nèi)，其灰度值很低，接近于0值[14]。這是因為在扣件上下區(qū)域是軌枕區(qū)域，而由于軌道檢測系統(tǒng)的結(jié)構(gòu)設計，光照部件是垂直于整個軌道表面，因此光線無法照射到軌枕上下的邊緣處，使得軌枕上下邊緣的灰度值偏低，比較符合投影分析法的所需的條件。根據(jù)這一特性，可以對圖像進行水平方向上的灰度值投影，從而確定扣件的上下部分的具體位置。在投影的過程中，會將同一Y軸上所有水平位置的點投影到一條直線上，根據(jù)該直線所呈現(xiàn)出的高度差變化來判斷結(jié)果。如圖6所示。

其中X軸代表是圖像的水平位置分為0到1 024，Y軸代表是灰度值總數(shù)。

圖6 灰度垂直投影分布

在截取的圖像中有扣件時，其上下區(qū)域有很明顯的灰度變化，如圖6(a)所示，在384～716像素之間，而無扣件的圖6(b)則整體無灰度值的明顯變化，整體均勻的分布在20～60之間，因此可以很明確地檢測出是否存在扣件，如存在扣件則可以根據(jù)其灰度分布確定其位置。

5 實驗結(jié)果與分析

將上述方法在Matlab軟件中進行實現(xiàn)，為了檢驗實驗效果和驗證上述方法，對采集的多張圖像進行實驗檢測。本實驗采用的硬件設備是處理器為intel i5-4210 m的筆記本電腦，將圖庫中的50張圖像通過改進的十字交叉方法定位檢測，其中共23張有完整扣件，15張部分扣件，12張無扣件，最后均檢測成功。整體實驗流程如圖7所示。

圖7 改進后十字交叉定位實驗流程

通過檢測后其所截取的區(qū)域范圍在存在扣件的圖像中實驗結(jié)果如圖8、圖9所示。

圖8 有扣件的圖像定位效果

圖9 無扣件的圖像定位效果

通過截取的圖像很明顯反映出扣件區(qū)域已完全截取出，無遺漏。因此通過實驗檢測證實此方法效果理想，能夠基本定位出扣件區(qū)域。

6 結(jié)論

本文針對實驗室圖像采集系統(tǒng)的特點，提出了一種利用采集圖像特征進行軌道扣件初步定位的改進方法。提出了利用圖像位置固定的特點提取出扣件所在的水平位置，然后對截取的圖像進行預處理和邊緣檢測，最后利用水平灰度投影提取扣件區(qū)域。通過對多組圖像檢測的實驗表明， 改進的定位方法能夠很好地判斷是否有扣件，在存在扣件的時候能夠定位出扣件的初步位置， 定位精度能夠滿足后續(xù)對扣件的處理。

(1)傳統(tǒng)十字交叉法定位扣件利用鋼軌和軌枕相對明顯的灰度變化來定位，但本文中的圖像由于軌枕與道砟的灰度值無明顯區(qū)別，所以不適合本文中的圖像，而改進的十字交叉定位法能夠很好地解決這個問題。

(2)改進的十字交叉定位法可以很好地利用圖像的特點，首先截取部分圖像從而減少運算量，加快運算速度，然后采用中值濾波對截取的圖像進行增強處理，最后實現(xiàn)扣件區(qū)域定位。通過實驗表明該方法可以很好地提升檢測的準確性，降低誤檢率。

[1] 吳芳.全視覺高速鐵路扣件缺失系統(tǒng)軟件設計及算法研究[D].上海：上海交通大學，2013.

[2] 范宏.基于圖像的鐵路扣件缺陷檢測算法研究[D].成都：西南交通大學，2012.

[3] 吳祿慎,朱磊,陳華偉.基于線陣CCD相機的軌道圖像采集系統(tǒng)設計[J].鐵道標準設計，2014(8):55-59.

[4] 楊樊，陳建政，吳夢.一種基于計算機視覺的鐵軌扣件缺失檢測方法[J].電腦知識與技術(shù)，2014(10)：2367-2670.

[5] 譚偉.基于圖像的鐵軌缺陷檢測系統(tǒng)的算法研究及軟件設計[D].大連：大連海事大學,2004.

[6] Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986 (6):679-698.

[7] 董洋.基于圖像處理的光照不均鐵路扣件狀態(tài)檢測[D].成都：西南交通大學，2014.

[8] 王凌,張冰,陳錫愛.基于計算機視覺的鋼軌扣件螺母缺失檢測系統(tǒng)[J].計算機工程與設計,2011,32(12):4147-4150.

[9] 杭元元.基于計算機視覺的鐵路扣件檢測算法研究[D].成都：西南交通大學，2014.

[10]田流芳.基于中值濾波和小波變換的圖像去噪算法研究[D].保定：河北大學，2014.

[11]王淑青，姚偉，陳進,等.基于直方圖均衡化與形態(tài)學處理的邊緣檢測[J].計算機應用與軟件,2016(3):193-196.

[12]張永亮.基于DSP的人臉檢測和定位算法研究[D].太原：太原科技大學，2008.

[13]錢廣春.基于計算機視覺的鐵路扣件缺失快速探測方法研究[D].上海：上海交通大學，2011.

[14]馬姍.鐵路扣件識別的研究[D].北京：北京交通大學，2013.

An Improved Cross Rail Fastener Positioning Method

WU Lu-shen， WAN Chao， CHEN Hua-wei， SHI Hao-liang

(School of Mechanical & Electrical Engineering， Nanchang University， Nanchang 330031， China)

The traditional cross positioning method fails to locate fastener area accurately， and it needs high quality images and illumination collection at specific angle to fulfill fastener positioning， which results in slow positioning. To solve the problem， an improved cross positioning method is proposed. Positioning is verified based on the initial location of the fastener reflected in the image and then it uses the median filtering enhanced image， the Canny edge processing and the gray-level projection to improve positioning accuracy and speed up the positioning rate. The test results show that the improved method can do well for illumination collection angle， fulfill quick positioning and fastener identification and conduct initial positioning in the fastener area．

Rail track; Fastener positioning; Median filtering; Canny operator; Edge extraction; Gray-level projection

2016-04-19；

2016-04-28

國家自然科學基金項目(51365037)

吳祿慎(1953—)，男，教授，博士生導師，1990年畢業(yè)于清華大學，工學碩士，主要從事虛擬現(xiàn)實、三維光學圖像測量與逆向工程的研究，E-mail：wulushen@163.com。

1004-2954(2016)12-0049-05

TP391.41

A

10.13238/j.issn.1004-2954.2016.12.012