祝振敏，謝亮凱

(華東交通大學(xué) 電氣與自動化工程學(xué)院，江西 南昌 330013)

隨著電氣化鐵路的高速發(fā)展，運(yùn)營里程日漸增加，由鳥類活動引起的接觸網(wǎng)安全事故也相應(yīng)增加，由鳥類活動導(dǎo)致的線路故障僅次于雷擊、外力破壞[1]，已嚴(yán)重威脅到鐵路運(yùn)輸?shù)陌踩\(yùn)行，因此，有必要對鐵路上的鳥巢進(jìn)行清理。目前，鐵路局對鳥窩的檢測主要通過人工分析視頻圖像，做出判斷并標(biāo)記。這種人工檢測方式耗費的時間和占用的內(nèi)存都是巨大的，效率較低，且不能及時地發(fā)現(xiàn)問題。因此有必要研究自動識別檢測技術(shù)。近年來，非接觸式圖像檢測技術(shù)廣泛用于弓網(wǎng)參數(shù)檢測、接觸網(wǎng)零部件的識別檢測。石軼等[2]基于雙目視覺測量原理，設(shè)計了一種快速、高精度的測量接觸網(wǎng)幾何參數(shù)的系統(tǒng)。段汝嬌等[3]基于機(jī)器視覺提出一種接觸網(wǎng)定位器傾斜角度自動測量的方法。韓煒等[4]針對鐵路接觸網(wǎng)中支柱上的旋轉(zhuǎn)雙耳的耳片的裂縫問題，利用尺度不變特征變換，與標(biāo)準(zhǔn)的圖像進(jìn)行特征點匹配，實現(xiàn)了旋轉(zhuǎn)雙耳的定位與檢測。郭曉旭等[5]用Harris對圖像進(jìn)行角點檢測，再對圖像差分實現(xiàn)了絕緣子的故障判斷，抗旋轉(zhuǎn)性能好。本文主要對接觸網(wǎng)C2裝置采集的大量存在鳥窩的圖像進(jìn)行分析，利用機(jī)器視覺處理技術(shù)，在初步分析圖像的顏色特征、紋理特征、形狀特征、邊緣輪廓之后，結(jié)合鳥窩筑巢平臺的特征，提出一種基于鳥窩和硬橫梁相對位置的檢測方法。將預(yù)處理后的檢測圖像利用 sobel水平邊緣檢測算子得到圖像邊緣，然后再利用概率 Hough變換直線檢測方法對圖像進(jìn)行角度校正，并結(jié)合待分析圖像中線段長度關(guān)系實現(xiàn)最前景硬橫梁的檢測，最后對圖像進(jìn)行otsu二值化處理，通過統(tǒng)計硬橫梁之間的白色區(qū)域面積，判斷該橫梁上是否存在鳥窩。

1 鳥巢圖像特點分析

研究表明，鳥類選擇筑巢的平臺特點趨向于地勢較高，視野開闊，利于自身的生存和安全[6]，而接觸網(wǎng)中的桿塔就正好符合鳥類筑巢的條件，且桿塔的中上部是筑巢的最佳位置。

C2裝置是一種便攜式視頻采集設(shè)備，它通過對接觸網(wǎng)的狀態(tài)及外部環(huán)境進(jìn)行視頻采集，分析接觸網(wǎng)技術(shù)狀態(tài)，指導(dǎo)接觸網(wǎng)的運(yùn)行和維修。它架設(shè)于運(yùn)營的動車組(或機(jī)車)司機(jī)室內(nèi)[7]。

圖1所示為C2裝置采集到的接觸網(wǎng)圖像，對車載視頻中接觸網(wǎng)零部件的分析、檢測是針對每一幀圖像中處于最前景的1-2根支柱，由于相機(jī)是安裝在列車駕駛室內(nèi)，會以一定的仰角來采集接觸網(wǎng)裝置圖像，這就使得圖像中鳥巢所在處的背景絕大多數(shù)為天空，這一特性為鳥巢的識別提供了有利條件。

圖1 接觸網(wǎng)圖像Fig. 1 Catenary image

2 Sobel算子邊緣檢測

Sobel算子根據(jù)像素點上下、左右鄰點灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測邊緣，其運(yùn)行速度較快，對噪聲具有平滑作用，去掉部分偽邊緣，并可提供最精確的邊緣方向估計[8]。

圖2 Canny邊緣檢測Fig. 2 Canny edge detection

在對復(fù)雜的接觸網(wǎng)圖像邊緣提取的算法中，Canny算子對圖像邊緣的提取效果要優(yōu)于Sobel算子，能夠很好的檢測到圖像邊緣，保留比較完整的邊緣細(xì)節(jié)信息，如圖2所示。本實驗中只要求檢測到最前景的硬橫梁結(jié)構(gòu)的邊緣，過多的細(xì)節(jié)信息反而會對后期的線段檢測造成干擾，Sobel算子計算復(fù)雜度相對較低，還能在計算速度方面有所提高，為實時檢測創(chuàng)造了條件；同時，Sobel還能通過不同方向的檢測算子得到不同方向的邊緣信息，為后期的硬橫梁的單獨檢測打下了良好的基礎(chǔ)，Sobel水平邊緣處理效果見圖 3。所以，為了濾除掉豎直方向可能存在的線段，本文采用Sobel水平邊緣檢測算子。

圖3 Sobel水平邊緣檢測Fig. 3 Sobel horizontal edge detection

3 概率Hough變換理論

標(biāo)準(zhǔn)的 Hough變換算法就是利用圖像空間的點與Hough參數(shù)空間的線的對偶關(guān)系，將圖像空間中的像元，按照一定的變換規(guī)則轉(zhuǎn)化到參數(shù)空間中，然后把在參數(shù)空間中獲得的相同數(shù)組進(jìn)行累加統(tǒng)計，并根據(jù)最終得到的累加器極值，以此實現(xiàn)對直線的檢測，使直線的提取問題轉(zhuǎn)化為計數(shù)問題。

標(biāo)準(zhǔn)的Hough變換在計算時，要求對圖像中的所有點都要進(jìn)行變換，變換過程花費時間較長，且占用計算機(jī)內(nèi)存較大。

而且，在具有復(fù)雜背景信息的接觸網(wǎng)圖像中，即使前面采用了Sobel算子進(jìn)行邊緣了檢測，過濾掉了大部分細(xì)節(jié)信息，但是剩余的邊緣點的數(shù)量仍然非常多，若對所有邊緣點進(jìn)行變換，將占用巨大內(nèi)存和消耗大量時間。

為了克服上述缺陷，本文采用由 Kiryati等[9]提出的概率Hough變換，由于它是隨機(jī)的選擇一組點來進(jìn)行變換，替代了原來的對所有點變換，在保證Hough變換的優(yōu)點的同時，節(jié)省了運(yùn)算時間。

其算法理論如下：在參數(shù)空間中，每一個點都對應(yīng)于原圖像中的多個特征點。從原圖中任意取一對特征點(pi, pj)，其中，pi=(xi, yi)，pj=(xj, yj)，則由式(1)就可得到參數(shù)中的點(a, b)。

當(dāng)對其他點變換得到相同計算結(jié)果時，數(shù)組H(a, b)就會不斷的積累，當(dāng)該數(shù)組積累的數(shù)值率先超過規(guī)定的一個最大值時，這時的 H(a, b)數(shù)組就表示了要檢測的直線。

本文采用概率Hough變換，減少了算法的計算時間，并返回線段端點坐標(biāo)，通過端點坐標(biāo)可計算出直線的傾斜角及線段的長度。

若已知檢測得某線段的兩端點坐標(biāo)，分別設(shè)為(x1, y1)，(x2, y2)，則能計算出該線段的傾斜角及線段長度。

式中：θ為線段傾斜角度的弧度制，將其轉(zhuǎn)換為角度deg，ρ為線段的長度。通過概率Hough直線檢測算法，檢測出圖像中所有的直線段，并分別求出角度和長度。

4 Otsu算法

Otsu 算法即最大類間方差法，算法的基本思想就是尋求一個合適的閾值將圖像劃分為前景像素和背景像素2個不同的類別，并使得這個類別的類間方差最大。類間方差度量了2個類別的差異，要使得所求的圖像的前景和背景相差越明顯，此時得到的類間方差越大。

文獻(xiàn)[10]采用錯分概率、形狀和均勻性度量作為標(biāo)準(zhǔn)，對多個基于全局閾值的分割算法進(jìn)行了對比，實驗結(jié)果表明，Otsu是一種效果不錯的分割方法。

5 鳥巢識別與定位實驗

本文采取的方法的思路示意圖如圖4所示，再通過對實際采集的接觸網(wǎng)圖像進(jìn)行實驗，驗證方法的有效性。

5.1 鳥窩圖像預(yù)處理

經(jīng)過對大量接觸網(wǎng)中鳥窩圖像的分析，鳥窩的顏色特征并不突出，因此考慮將原始RGB圖像轉(zhuǎn)換為灰度圖像，去除冗余的顏色信息，提高圖像處理速度。再用sobel水平邊緣檢測算子，濾除掉豎直方向可能存在的線段，得到圖像邊緣，如圖3所示。

圖4 本文方法思路示意圖Fig. 4 Diagram of the method proposed in this paper

5.2 圖像角度校正

由圖3可見，經(jīng)過sobel水平邊緣算子檢測后的圖像，物體邊緣及內(nèi)部都存在空洞，連續(xù)性不足，采用膨脹操作能增加圖像中對象的邊界像素，為后續(xù)的直線檢測創(chuàng)造了良好的條件。再對膨脹后圖像進(jìn)行概率Hough直線檢測，并計算所有檢測到的直線角度及長度，根據(jù)最前景橫梁長度遠(yuǎn)大于靠后的橫梁這一特性，能夠?qū)崿F(xiàn)對最前景的硬橫梁的定位，如圖5所示，再對圖像進(jìn)行角度校正，使硬橫梁完全與水平方向平行，為后續(xù)滑動窗口的檢測提供條件，校正后圖像如圖6所示。

圖5 直線檢測圖像Fig. 5 Line detection

圖6 旋轉(zhuǎn)后圖像Fig. 6 Rotated image

5.3 像素點統(tǒng)計

將原圖像用 Otsu算法二值化處理后并用相同角度校正，此時，硬橫梁與水平方向平行，利于滑動矩形框?qū)M梁之間的像素點進(jìn)行統(tǒng)計。

5.4 鳥巢定位判斷

根據(jù)檢測到的上下橫梁(如圖7)，以它們的之間高度差為邊長，產(chǎn)生矩形滑動窗口，以1/4邊長為滑動步長，橫梁的左、右側(cè)分別為滑動窗口的起始、終點位置，對矩形框內(nèi)的白色像素值進(jìn)行統(tǒng)計，如圖8和圖9所示，圖8為有鳥窩圖像處理后的結(jié)果，圖9為無鳥窩圖像處理后的結(jié)果，由兩圖對比可看出，當(dāng)硬橫梁中存在鳥窩時，在鳥窩位置處，白色區(qū)域面積異常偏大，如圖8中最前景硬橫梁的左下角處。因此，設(shè)定一閾值 T，T表示矩形窗口內(nèi)的白色像素值的和與矩形窗口面積的比值。

圖7 上下橫梁Fig. 7 Upper beam and the lower beam

圖9 無鳥窩圖像處理后結(jié)果Fig. 9 Result of the image without a nest

閾值T的取值依據(jù)是在試驗前對大量的硬橫梁中存在鳥窩的圖像和正常的圖像進(jìn)行試驗統(tǒng)計得出。

試驗前選取100張圖像進(jìn)行測試統(tǒng)計，其中70張為橫梁上有鳥窩，30張為不含鳥窩圖像，圖像均取自于南昌鐵路局供電段。由于在正常圖像中，硬橫梁部分差別不大，所以在選取的數(shù)量上更傾向于硬橫梁中存在鳥窩的情況。統(tǒng)計結(jié)果如表1所示。

表1 測試圖像統(tǒng)計結(jié)果Table 1 Statistical results of test images

從統(tǒng)計結(jié)果中可以得出，當(dāng)有明顯的鳥窩出現(xiàn)時，矩形框內(nèi)白色像素值約占整個矩形面積的9/16到 10/16，甚至更高，而在正常圖像中由于硬橫梁之間還存在一定的鋼結(jié)構(gòu)，這也是白色區(qū)域的一部分，所以該比值在7/16左右，低于9/16。所以試驗中設(shè)定閾值 9/16作為分界值判斷圖像中硬橫梁上是否存在鳥窩。檢測結(jié)果如圖10所示。

圖10 檢測結(jié)果Fig. 10 Detection result

6 試驗結(jié)果及分析

另取50張作為測試圖像，35張為橫梁上有鳥窩，15張為不含鳥窩。以Matlab R2014a和opencv開源庫為仿真程序設(shè)計開發(fā)平臺，對圖像進(jìn)行測試，相關(guān)測試圖像檢測結(jié)果如圖11和圖12所示，并得出最終的仿真結(jié)果，如表2所示。結(jié)果中出現(xiàn)漏檢的原因是因為鳥窩太小，并不明顯，以至于即使人工檢測也需要將圖片放大數(shù)倍，最終誤判為無鳥窩。在實際工程應(yīng)用中，當(dāng)檢測出故障后，均需要通過人工確認(rèn)后才能向工區(qū)下達(dá)任務(wù)，因此也可適當(dāng)調(diào)整閾值，減小漏檢率，過度檢測不會造成大的影響。

圖11 相關(guān)測試圖像1檢測結(jié)果Fig. 11 Result of related test image 1

圖12 相關(guān)測試圖像2檢測結(jié)果Fig. 12 Result of related test image 2

表2 該方案的檢測結(jié)果Table2 Detection results of the scheme

試驗結(jié)果表明：本算法能克服光照和鐵路沿線上其他樹枝的影響，通過相對位置來實施對鳥窩的檢測，減少了搜索區(qū)域，提高了檢測效率，能準(zhǔn)確地檢測出鳥窩所在位置。

7 結(jié)論

1) Sobel水平算子濾除掉了豎直方向可能存在的線段，為硬橫梁的檢測創(chuàng)造了良好的條件。

2) 采用概率 Hough變換檢測直線，在保證了標(biāo)準(zhǔn)Hough變換優(yōu)秀檢測效果的同時，降低了空間消耗，減少了計算時間，為實時檢測創(chuàng)造了條件。

3) 對Otsu二值化后的圖像進(jìn)行檢測，為算法的實時性提供了可能。

4) 整個檢測過程時間僅為2.256 s。

參考文獻(xiàn)：

[1] 趙紅玉, 魏博. 接觸網(wǎng)鳥害防治方案研究[J]. 鐵道標(biāo)準(zhǔn)設(shè)計, 2012(2): 98?101.ZHAO Hongyu, WEI Bo. Research into controll methods of bird strike damage on overhead contact system[J].Railway Standard Design, 2012(2): 98?101.

[2] 石軼, 劉常杰, 郭寅, 等. 基于雙目視覺的接觸網(wǎng)幾何參數(shù)測量系統(tǒng)[J]. 紅外與激光工程, 2014, 43(6):1936?1942.SHI Yi, LIU Changjie, GUO Yin, et al. Measurement system of geometric parameters for overhead line system based on binocular vision[J]. Infrared and Laser Engineering, 2014, 43(6): 1936?1942.

[3] 段汝嬌, 趙偉, 黃松嶺, 等. 基于計算機(jī)視覺的接觸網(wǎng)定位器傾斜度自動測量方法[J]. 中國鐵道科學(xué), 2011,32(4): 82?87.DUAN Rujiao, ZHAO Wei, HUANG Songling, et al.Automatic measurement method of the catenary localizer slope based on computer vision[J]. China Railway Science, 2011, 32(4): 82?87.

[4] 韓燁, 劉志剛, 韓志偉, 等. 基于 SIFT特征匹配的高速鐵路接觸網(wǎng)支撐裝置耳片斷裂檢測研究[J]. 鐵道學(xué)報, 2014, 36(2): 31?36.HAN Ye, LIU Zhigang, HAN Zhiwei, et al. Fracture detection of ear pieces of catenary support devices of high-speed railway based on SIFT feature matching[J].Journal of the China Railway Society, 2014, 36(2):31?36.

[5] 郭曉旭, 劉志剛, 張桂南, 等. 角點配準(zhǔn)與圖像差分的接觸網(wǎng)絕緣子故障檢測[J]. 電力系統(tǒng)自動化學(xué)報,2015, 27(2): 8?14.GUO Xiaoxu, LIU Zhigang, ZHANG Guinan, et al. Fault detection of catenary insulator based on corner matching and image differencing[J]. Proceedings of the Chinese Society of Universities for Electric Power System and Automation, 2015, 27(2): 8?14.

[6] 江華. 鳥類識別與治理[M]. 北京: 中國三峽出版社,2007.JIANG Hua. Bird identification and management[M].Beijing: China Sanxia Publishing House, 2007.

[7] 上海鐵路局. 關(guān)于印發(fā)《上海鐵路局接觸網(wǎng)安全巡檢裝置(C2)管理辦法》的通知[Z]. 上海: [2013]219.Shanghai Railway Bureau. Notice of “Measures for the administration of the safety inspection device (C2) for contact network of Shanghai Railway Bureau”[Z].Shanghai: [2013]219.

[8] 岡薩雷斯. 數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社,2005.Gonzalez R C. Digital image processing[M]. Beijing:Publishing House of Electronics Industry, 2005.

[9] Kiryati N, Eldar Y, Bruckstein A M. A probabilistic hough transform[J]. Pattern Recognition, 1991, 24(4):303?316.

[10] Sang U L, Chung S Y, Park R H. A comparative performance study of several global thresholding techniques for segmentation[J]. Computer Vision Graphics & Image Processing, 1990, 52(2): 171?190.