，，，

(上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620)

0 引言

軌道扣件用以聯(lián)結(jié)鋼軌與軌枕，保持鋼軌距離同時阻止鋼軌與軌枕之間的縱橫移動。軌道扣件的精確定位有助于扣件缺陷的檢測，對確保鐵路的安全運營的具有重要意義[1]。我國高速鐵路以及地鐵的軌道檢測是在夜間進行的，時間短任務(wù)重并且對于軌道扣件的檢查基本上是采用人工巡檢的方式，極易受環(huán)境和人為因素的影響[2]。如何快速、準確的定位扣件位置就成為十分首要的環(huán)節(jié)。

近年來，隨著視覺圖像理論的快速發(fā)展和硬件設(shè)備功能的提高，視覺圖像處理技術(shù)以其非接觸、快速、高精度、適用性強等優(yōu)點在鐵路軌道扣件定位方面的應(yīng)用越來越多，并且取得了很好的效果。馬珊等[3]采用HOG直方圖對扣件特征進行描述，然后利用漢明距離最鄰近算法實現(xiàn)扣件的定位，但是這種方法定位時間長而且容易受到干擾的影響；吳夢等[4]先通過統(tǒng)計軌枕和鋼軌區(qū)域的亮點從而實現(xiàn)對其大致區(qū)域的定位，然后根據(jù)扣件位于鋼軌及軌枕的交叉位置來實現(xiàn)其更進一步的定位提取，但是這種方法對不同光照強度的圖像定位適應(yīng)性差而且精度不高；Xia等[5]采用灰度和梯度形結(jié)合的方法先粗定位軌枕位置，再應(yīng)用模板匹配的方法對扣件進行精確定位，但是此方法粗定位效果差，模板匹配時耗時較多。同時以上扣件定位方法均針對有咋軌道來實現(xiàn)的，隨著我國高速鐵路大規(guī)模投入運營，無砟軌道在總運營里程占比越來越高。較有咋軌道而言無砟軌道具有軌道板及軌枕區(qū)域純凈，扣件及鋼軌輪廓明顯的特征，同時高速鐵路主要鋪設(shè)在高架或隧道內(nèi)，拍攝圖像受自然光照變化和遮擋的影響，對扣件圖像的定位要求除了定位精度高、匹配速度快還要求圖像具有不受遮擋、光照變化的魯棒性。總體而言,采用基于像素的圖像匹配方法具有精度高、魯棒性強的優(yōu)點,而采用基于特征的圖像匹配方法則具有速度快、運算量小的優(yōu)點[6-7]。

在分析了眾多無砟軌道圖像特征發(fā)現(xiàn)扣件的邊緣最具有顯著且可靠的特征信息，國內(nèi)外學(xué)者在基于像素和特征的表示及匹配[8-10]方面也已做出了一些卓越的研究。結(jié)合扣件圖像的邊緣特征進行模板匹配，充分發(fā)揮上述基于像素和基于特征的匹配優(yōu)點，則能夠滿足無砟軌道扣件定位快速、精確、魯棒性強的要求。

針對上述問題，提出基于邊緣特征的無砟軌道扣件定位方法。采用Canny邊緣檢測算子獲得扣件模板和待搜索圖像邊緣點的坐標和梯度方向信息，并以此為基礎(chǔ)進行相似度量匹配。為了滿足匹配的實時性要求設(shè)定停止標準，同時采用圖像金字塔的匹配搜索策略，最后利用最小二乘法對匹配參數(shù)進行位姿調(diào)整，使其坐標精度達到亞像素級。實驗驗證證明，邊緣特征的模板匹配方法對于存在光照變化、遮擋情況下的軌道扣件圖像在保證快速匹配的同時，其定位精度可以達到1/15像素。

1 相似度量

相似度量在圖像匹配中用以衡量模板和待搜索圖像之間的相似程度，其值越大相似度越高。本文使用扣件模板和待搜索圖像邊緣點坐標及梯度方向，作為計算相似度量的匹配信息。選取清晰無干擾的無砟軌道扣件圖像構(gòu)建匹配模板，先對模板圖像進行濾波，再使用Canny邊緣檢測算子進行計算，將模板圖像轉(zhuǎn)換為一個點集pi=(ri,ci)T,i=1,...,n，其中每一個點(ri,ci)對應(yīng)的梯度方向向量為di=(ti,ui)T。對待搜索圖像進行同樣的處理得到每個點(r,c)及其對應(yīng)的梯度向量er,c=(vr,c,wr,c)T。

(1)

將模板圖像和待搜索圖像使用同樣的方法進行預(yù)處理，然后應(yīng)用式(1)計算模板及待搜索圖像所對應(yīng)邊緣點梯度向量點積的總和。在軌道扣件圖像存在部分被遮擋時，由于被遮擋部分的邊緣在待搜索圖像中沒有出現(xiàn)，其相應(yīng)部分梯度向量模值的總和就比較小，則對點積總和基本上沒有影響，所以式(1)所計算的相似性度量對于部分遮擋情況下具有魯棒性。在采用邊緣提取算法求取圖像邊緣梯度向量時，梯度向量的長度取決于圖像的亮度，所以式(1)中的相似度量算法受光照變化的影響。因此對式(1)進行歸一化處理如下:

(2)

式(2)所有的梯度向量都進行了歸一化處理變?yōu)?,如果模板或待搜索圖像丟失了某個邊緣特征將產(chǎn)生一些隨機的噪聲，隨機噪聲的梯度向量平均值對點積的總和基本不會產(chǎn)生影響，則相似度量可以不受光照變化的影響。為了在現(xiàn)實環(huán)境下能夠更好的匹配成功軌道扣件圖像,對相似度量式(2)進一步修改如下:

(3)

2 加快匹配速度措施

如果對整個待搜索扣件圖像進行遍歷搜索的話將耗費極大的運算，是個極其耗時的過程。針對軌道扣件檢測的實時性要求，必須采用更加快速有效的搜索匹配策略，綜合運用圖像金字塔算法和設(shè)置匹配分值的停止標準提前終止相似度量運算來實現(xiàn)這一目的。

2.1 圖像金字塔

對整個無砟軌道扣件圖像進行相似度量運算是一項龐大的計算量，其算法的時間復(fù)雜度為O(whn)，其中待搜索扣件圖像的寬和高用w和h表示，n表示模板圖像中像素個數(shù)。由此可知，模板及待搜索圖像的大小決定了相似度量的時間復(fù)雜度。采用圖像金字塔的分層搜索策略可以使算法的時間復(fù)雜度成指數(shù)級別降低，所以構(gòu)建模板及待搜索圖像的圖像金字塔是一種快速有效的方法。這是因為每增加一層圖像金字塔，相應(yīng)的模板和待搜索圖像中的點數(shù)都將變?yōu)樵瓉淼乃姆种?，理論上而言其運算量將變?yōu)樵瓉淼氖种?，例如在圖像金字塔第五層進行匹配時，與原始圖像計算量相比減少了65536倍，無砟軌道扣件圖像金字塔實例如圖1所示。

經(jīng)過對比驗證使用2×2的均值濾波器來創(chuàng)建模板及待搜索圖像的圖像金字塔其構(gòu)建效果最佳，在能夠識別扣件結(jié)構(gòu)的最頂層金字塔進行完整的搜索來匹配相似性度量以定位潛在的匹配位置，并依次將匹配結(jié)果跟蹤映射到金字塔圖像最底層。

圖1 無砟軌道扣件圖像圖像金字塔

2.2 停止標準

對整幅待搜索扣件圖像進行匹配搜索時，其潛在的歸一化相似度量匹配分值將小于1。匹配分值為1意味著待搜索扣件圖像的結(jié)構(gòu)特征和模板圖像完全一樣，由于現(xiàn)實條件下存在各種干擾這種情況一般不會出現(xiàn)，根據(jù)此特性設(shè)定一個適當?shù)拈撝礢min，在匹配分值達到Smin時就默認為模板及待搜索圖像匹配成功來提前結(jié)束計算。設(shè)扣件模板圖像前j個元素的歸一化點積部分總和為Sj，其相似度量表示公式為:

(4)

3 提高匹配精度措施

采用圖像金字塔逐步求精的方法得到像素級的定位精度，更精確的扣件定位有助于更好的保障軌道扣件缺陷的檢測，使用最小二乘法進行多次位姿調(diào)整可以實現(xiàn)這一目標。設(shè)qi= (ri′,ci′)T表示待搜索圖像中點，模板圖像中與其相對應(yīng)的像素點為pi。對模板和待搜索圖像提取邊緣,模板邊緣點的梯度方向向量和待搜索圖像的邊緣相垂直，通過模板邊緣點并與待搜索圖像邊界相切的直線方程表示為:

ti(r-ri)+ui(c-ci)=0

(5)

仿射變換后的模板圖像，在待搜索圖像中找到其歐幾里得距離最小點作為潛在像素點，歐幾里得距離計算公式如式(6)所示：

(6)

由式(5)推理可知ti(r′-ri)+ui(c′-ci)=0成立，將式(7)函數(shù)最小化可以求得位姿a更加精確的參數(shù):

(7)

基于最小二乘法調(diào)整位姿參數(shù)，可能影響到特征點之間的對應(yīng)關(guān)系，因此，進行一次位姿調(diào)整不能達到預(yù)期效果，多次進行優(yōu)化可以達到較高的定位精度。大量實驗表明多于三次的迭代優(yōu)化對于定位精度沒有明顯的提高，因此重復(fù)2到3次即可獲得精確的亞像素定位。

4 實驗結(jié)果與分析

為了評估驗證上述匹配方法對扣件的定位性能，針對研究存在非線性光照變化、遮擋條件下軌道扣件圖像，拍攝現(xiàn)實條件下可能遇到的無砟軌道扣件圖像共計1 000張。各類圖像拍攝的多少參考現(xiàn)實情況下可能發(fā)生的概率，圖像類型及對應(yīng)的張數(shù)見表1。模板和待搜索圖像及其相應(yīng)的二值化邊緣圖像如圖2所示。

表1 圖像類型及對應(yīng)的張數(shù)

圖2 模板和待搜索圖像及其相應(yīng)的邊緣圖像

采用計算機參數(shù)為Intel(R)Core(TM)i5-2300 CPU@2.80 GHz，MATLAB2014a下進行編譯。各類型待搜索扣件圖像大小分為256 pixel×256 pixel、512 pixel×512 pixel、1024 pixel×1024 pixel三種情況。按匹配成功張數(shù)、平均識別率、相同類型平均識別率、總體識別率進行整理，實驗數(shù)據(jù)見表2，各類型扣件圖像定位結(jié)果如圖3所示。

表2 各類型待搜索圖像的匹配時間和識別率

由表2可知，線性均勻光照條件下圖像相同類型平均識別率最高為，為99.33%，其中512 pixel×512 pixel、1 024 pixel×1 024 pixel大小情況下識別率為100%，最低為非線性光照及遮擋情況下，為93.67%；平均匹配時間耗時最少為256 pixel×256 pixel時，在80 ms左右，滿足快速性的要求，耗時最多為1 024 pixel×1 024 pixel時，在200 ms左右，說明相同大小不同干擾類型扣件圖像耗費的匹配時間相差不大，主要跟待匹配扣件圖像大小有關(guān)；其余相同圖像類型下的平均識別率都在94%左右，總體識別率為95.36%，這驗證了本方法具有很好的穩(wěn)定性和魯棒性。在定位精度方面，達到1/15像素，實現(xiàn)亞像素級別的精確定位。從圖3可以看出對于軌道扣件圖像存在線性、非線性光照、遮擋條件下，都可以實現(xiàn)精確的定位。綜合而言，本文所采用方法對于無砟軌道扣件圖像存在線性、非線性光照、遮擋條件下具有魯棒性強，同時具有定位速度快，精度高的優(yōu)點。

5 結(jié)論

本文將基于像素與基于特征的圖像匹配方法相結(jié)合，提取扣件邊緣點坐標和梯度向量作為匹配信息，提出一種基于邊緣特征的無砟軌道扣件定位方法。通過設(shè)置停止標準及采用圖像金字塔加快匹配速度，使用最小二乘法提高匹配精度。實驗檢測證明該方法對于無砟軌道扣件圖像出現(xiàn)線性、非線性光照及部分遮擋情況下，能夠得到很好地匹配效果，在滿足快速、穩(wěn)定的前提下可以達到高精度的匹配結(jié)果。

參考文獻：

[1] 劉甲甲. 鐵路扣件圖像特征提取與識別方法研究[D]. 成都：西南交通大學(xué), 2016.

[2] 劉 馨, 穆 穎, 張 斌. 基于計算機視覺的鋼軌扣件檢測算法研究[J]. 華東交通大學(xué)學(xué)報, 2017, 34(2):72-77.

[3] 馬 姍. 鐵路扣件識別的研究[D]. 北京：北京交通大學(xué), 2012.

[4] 吳 夢. 軌道缺陷自動檢測系統(tǒng)的圖像處理技術(shù)研究[D]. 成都：西南交通大學(xué), 2013.

[5] Xia Y, Xie F, Jiang Z. Broken Railway Fastener Detection Based on Adaboost Algorithm[A]. International Conference on Optoelectronics and Image Processing[C]. IEEE, 2011:313-316.

[6] 劉 軍, 白 雪. 基于梯度方向直方圖與高斯金字塔的車牌模糊漢字識別方法[J]. 計算機應(yīng)用, 2016, 36(2):586-590.

[7] 陳沈軼, 錢 徽, 吳 錚,等. 模板圖像匹配中互相關(guān)的一種快速算法[J]. 傳感技術(shù)學(xué)報, 2007, 20(6):1325-1329.

[8] Peter A M, Rangarajan A. Maximum likelihood wavelet density estimation with applications to image and shape matching.[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2008, 17(4):458.

[9] 周 封, 楊 超, 王晨光,等. 基于隨機Hough變換的復(fù)雜條件下圓檢測與數(shù)目辨識[J]. 儀器儀表學(xué)報, 2013, 34(3):622-628.

[10] 吳曉軍, 鄒廣華. 基于邊緣幾何特征的高性能模板匹配算法[J]. 儀器儀表學(xué)報, 2013, 34(7):1462-1469.