接触网风偏检测的亮度矩寻优分割算法

2013-06-04周伟田红旗

中南大学学报（自然科学版） 2013年4期

周伟，田红旗

(中南大学轨道交通安全教育部重点实验室，湖南长沙，410075)

电气化铁道接触网防风安全是电气化铁路防风安全研究的重要内容，大风环境下接触网接触导线等关键部位会发生偏移或舞动，严重时会导致弓网故障，影响列车运行安全[1]。因此，针对接触网的实时姿态检测是接触网防风安全研究所关心的热点问题。目前，车载式接触网视觉检测技术已经成功应用于现场[2-3]，而针对风区接触网风偏姿态的实时地面检测尚未见文献报道。本文作者采用基于目标特征点标识匹配的视觉检测方法实现对大风环境下接触网接触导线、承力索及吊弦等接触悬挂关键部位横向、抬升偏移及扭转姿态角的在线检测，并以现场视觉检测的图像处理算法为背景，深入研究复杂光照条件下不同形态图像的颜色特征响应，提出基于对比度拉伸的一阶亮度矩寻优算法，实现对不同光照条件下彩色图像目标特征点的准确、有效分割。

1 检测原理

课题源于我国新疆铁路兰新线客运专线牵引供电防风安全研究，试验地点位于兰新线百里风区十三间房电气化线路试验段。

考虑接触网特征点的最佳观测视角和现场取光条件，CCD面阵相机安装于接触网支柱顶端(位置略高于承力索高度处)。图像处理算法的实现上，可选择接触导线、承力索与吊弦的交接线夹部位作为目标识别特征点，但复杂观测背景的干扰和线夹形状的不规则给特征点的准确定位及扭转姿态识别带来了极大困难。因此，设计了一种目标特征点匹配靶面，该靶面为40 mm×40 mm方形特征标识，通过专用夹具固定于承力索和接触导线相应测点位置，如图1所示。

图1 现场检测方案比较Fig. 1 Detecting scheme comparison on site

定义过特征点且垂直于线路的平面为该特征点断面，特征点的实际断面偏移可通过特征点的靶面中心像素偏移线性反映，后投影模型下特征点实际偏移与像素偏移的成像几何关系如图2所示。

特征点实际横向偏移记为Δε、抬升偏移记为Δη，对应像素位移分别记为Δx和Δy，则

式中：SR为靶面实际面积；SI为靶面像素面积：可通过光标点取特征点靶面四角点像素坐标值间接计算得到；Nxy为CCD面阵相机在x和y方向的比例系数之比：可通过测量靶面水平图像在x和y方向的像素长度之比得到。

接触网特征点的偏移姿态可通过式(1)计算得到，而扭转姿态角则直接反映于靶面成像上。因此，特征点风偏量检测的精度主要取决于现场采集图像序列的目标识别精度。白天自然光照条件下 CCD面阵相机的为彩色工作模式，夜间辅助光源照射条件下为黑白工作模式，由于特征点靶面为红色反光膜检测标识，黑白工作模式下目标区域成像为白色特征而背景域为黑色，相应图像处理算法也较为简单，因此，下文仅对现场自然光照条件下的彩色图像序列分割算法展开论述。

图2 后投影模型下特征点实际偏移与像素偏移Fig. 2 Actual and pixel offsets under rear projection

2 分割算法

彩色空间下的图像分割问题是基于颜色和空间特征的分类问题。通常做法是通过特定方式组合不同颜色空间下的各分量来构造特征算子以得到各像素点特征值，而后采用经典灰度图像分割理论对彩色图像进行分割。如 RGB颜色空间下通过构造两分量色差算子[4-6]、比值特征算子[7]和带加权因子的色差算子[8]重建灰度图像，并采用Otsu最大类间方差法求取阈值进行分割；又如HSI颜色空间下以色调H分量和明度I分量为聚类特征[9]，CIE-L*a*b*空间下对图像进行区域分块和合并[10]，然后采用K-means算法对彩色图像进行聚类分割的方法。这类算法能够实现高对比度彩色图像的有效分割，但对不同自然光照条件的适应性不足，因此有学者在既有算法基础上综合考虑图像的对比度、亮度信息，以解决低对比度彩色图像的分割问题。赵于前等[11]采用四方向算子提取 CIE-L*a*b*空间下方向彩色对比度信息，并通过单阈值方案提取图像二维边界；Aimi Salihah等[12]在HSI空间下通过局部对比度增强和明暗拉伸的方式改进图像质量，提高了急性骨髓性白血图像的分割精度；黄敦等[13]将彩色图像分解为色彩和亮度通道，并分别对两通道进行各向异性扩散，最后把扩散生成的结果在 CIE-L*u*v*颜色空间进行平均值位移聚类分割。

恶劣大风环境下接触网姿态视觉检测为在线实时测量方式，实时光照条件的变化对图像处理算法的适应性提出了更高的要求。对于最佳光照条件下图像序列的目标分割，文献[14]能够达到很好的效果，然而对于低对比度弱小目标，必须综合考虑彩色空间下的图像亮度及对比度参数，优化图像质量以准确、精确地分割目标域，提取运动目标的偏移及扭转特征。分割算法的实现基于特征点靶面的成像特性，不同光照条件下目标区域的颜色特征表述也不尽相同，如清晨光照条件好则成像为鲜红，傍晚光照条件弱则成像为暗红。RGB颜色空间下对两种颜色的参数描述也不相同，前者R分量较大且与G和B分量相差较大，后者R分量比G和B分量大但相差不显著，若仅仅通过对各分量参数进行阈值判断很难准确表达两种不同的颜色特征，而且容易导致对非目标区域像素点的误判。因此，必须通过图像亮度调整及对比度拉伸对图像质量进行优化，将目标区域和背景区域的颜色特征朝两侧放大并分离，为图像分割提供最优条件。

2.1 一阶亮度矩

图像像素宽度记为LW，像素高度记为LH，YUV颜色空间下，像素点(i, j)的亮度定义为：

图像的一阶亮度矩定义为：

图像的亮度调整值记为level，调整后像素点(i,j)的RGB颜色分量为：

其中：Pi,j和Pi,j′分别为亮度调整前后像素点(i,j)的颜色分量，当 Pi,j′＜0 时，Pi,j′=0；Pi,j′＞255 时，Pi,j′=255。

2.2 对比度拉伸

在灰度空间中，灰度对比度依据图像的亮度分布而定义，若图像亮度分布集中于一个动态范围很小的区域内, 则认为该图像对比度小；在彩色空间中，将彩色图像视为灰度和色度的组合体，单独考虑图像的灰度和色度对比度并对其求和即为彩色图像的对比度[15]。

对比度拉伸的实质是使各像素点的颜色分量值以基准亮度Yb为分割点朝两侧放大。以灰度对比度为参考，定义对比度拉伸系数为λ(-100＜λ＜100)，则对比度拉伸后像素点(i, j)的RGB颜色分量为：

其中：Pi,j和 Pi,j″分别是对比度拉伸前后像素点(i,j)的颜色分量，当 Pi,j″＜0 时，Pi,j″=0；Pi,j″＞255 时，Pi,j″=255。

显然，当λ＜0时，图像对比度降低；当λ＞0时，图像对比度增强；当λ=0时，图像维持不变。

2.3 一阶亮度矩寻优分割

图像算法的处理上，基于特征点实际偏移的局域性，以各特征点为中心确定一个矩形区域作为算法执行子区域，以提高图像处理算法的执行效率。

将图像进行对比度拉伸时，若基准亮度取该图像的一阶亮度矩，即 Yb=YFO，由(2)，(3)和(5)可知：对不同的拉伸系数 λ，图像的整体一阶亮度矩均保持不变。由于此时图像亮度为常量参数，仅通过对比度拉伸可能会将背景区域特征放大为目标特征而导致误判，也有可能将目标区域特征放大为白色而造成漏判，如图3所示。因此必须引入图像的一阶亮度矩作为寻优变量。

将图像亮度线性调整为寻优亮度(亮度调整值记为level)，以该图像的初始一阶亮度矩为基准亮度对新生图像进行对比度拉伸，并统计拉伸后图像中满足(R＞250，G＜20，B＜20)的目标特征像素点数Sx。一阶亮度矩寻优的本质则是寻找最优亮度YOPT，使得Sx最接近于目标靶面的像素面积SI。

为定量研究寻优亮度与目标特征像素点统计数Sx之间的关系，以图3子区域1的特征点为分析对象，考虑亮度调整值level从–100到100变化，对比度拉伸系数取λ=99，分别统计不同寻优亮度下子区域目标特征像素点总数 Sx，得到两者的关系如图 4所示。令Sx=SI，截取曲线可得到2个最优一阶亮度矩YOPT_L和YOPT_R，分别以对应亮度调整值level=-60和level=12对子区域图像进行目标特征像素点的二值化处理，得到其分割结果如图4所示。

图3 单一对比度拉伸的误判和漏判Fig. 3 Misjudgement and misinterpretation by contrast stretch

由图4统计曲线和分割结果可知：采用亮度寻优进行图像分割会产生 2个最优一阶亮度矩，分别为YOPT_L和YOPT_R。以YOPT_L为起始点沿亮度减小方向，对比度拉伸导致目标特征像素点被误判为黑色；以YOPT_R为起始点沿亮度增强方向，对比度拉伸导致目标特征像素点被误判为白色；在亮度区间(YOPT_L,YOPT_R)，部分背景区域颜色特征经对比度拉伸后被误判为目标特征，因此目标特征像素统计量Sx先呈现单调递增特性，而随着亮度的继续增加，目标特征像素点逐渐被误判为白色，统计量Sx此时呈现单调递减特性，但当Sx再一次逼近SI时，分割出的目标区域已完全不能准确表达实际目标区域。

通过对不同光照条件下不同形态的图像进行相同分析发现，以亮度下限值为起始点，随着寻优亮度的提高，目标特征像素统计量Sx呈现凸函数特性，即先单调递增后单调递减，但Sx不一定能超出SI，而是以其最大值Sx_max逼近SI。

一阶亮度矩寻优的关键是初始寻优亮度及寻优方向的确定，根据上述分析结论，本文以亮度下限值为初始寻优亮度，以沿图像亮度增强方向为寻优方向进行图像分割。具体实现流程如下。

(1) 初始化。特征点靶面像素面积 SI、原始图像一阶亮度矩Y0、亮度调节值level=-100。

(2) 寻优亮度调整。Pi,j′=Pi,j+level；

(3) 对比度拉伸。以Y0为基准亮度对第(2)步得到图像进行对比度拉伸(λ=99)；

(4) 目标像素点统计。统计第(3)步得到图像中RGB颜色值满足(R＞250，G＜20，B＜20)的像素点数目，记为Sx。

否则令level=level+1，Sx-1=Sx，回到第(2)步。

3 算例分析

以接触网定位悬挂区域的测点为例，从现场采集的图像序列中选取3组图像进行算法验证。3组图像的分割效果如图5所示。3组图像分别取最佳光照成像图像、光线进入镜头时的成像图像以及傍晚时间段的成像图像，将图像按特征点划分5个子区域，亮度寻优算法仅在图像各子区域执行(见图5)。

采用一阶亮度矩寻优算法，图像a，b和c中各子区域的初始整体一阶亮度矩Y0、最优寻优亮度YOPT、特征点靶面像素面积 SI、目标像素统计数 Sx′以及 Sx′与SI的相对误差Err分别如表1所示。

图5 不同光照条件下图像分割结果Fig. 5 Image segmentation results in different illumination conditions

表1 寻优分割参数及结果比较Table 1 Parameters and results of segmentation

算例中各特征点靶面的像素长度为 37～50，对应实际尺寸40 mm。分割中每漏判或误判一行或一列像素点，对应的分割误差分别为2.0%～2.7%，所导致的偏移量检测误差仅为0.40～0.54 mm，而算例分析中3组图像的分割误差Err均在1.5%以内，因此图像分割效果较为理想。

4 结论

(1) 以新疆大风地区电气化铁道接触网风偏视觉检测为研究背景，针对不同光照条件下现场采集图像序列的不同形态，综合考虑彩色图像的一阶亮度矩和对比度信息，提出了以线性步长亮度寻优，基于对比度拉伸的彩色图像分割算法。

(2) 通过深入研究寻优变量与目标值的响应关系，确定了合理的初始寻优亮度及寻优方向，并以现场采集图像为训练样本对算法进行了验证和分析，分割误差均在1.5%以内。

(3) 基于对比度拉伸的一阶亮度矩寻优彩色图像分割算法能够实现彩色空间下接触网风偏目标特征点的有效、准确分割，且在光照条件变化较大的检测环境下具有良好的适应性和算法鲁棒性。

[1] 田志军. 电气化铁路接触网防风技术研究[J]. 建设机械技术与管理, 2007, 20(7): 100-103.TIAN Zhijun. Research for windproof technique of contacting net of electrification railway[J]. Construction Machinery Technology & Management, 2007, 20(7): 100-103.

[2] 范中, 沈俊, 袁伟, 等. 电气化铁道接触网视觉检测系统[J].电气化铁道, 2003(4): 21-26.FAN Zhong, SHEN Jun, YUAN Wei, et al. Visual detection system for OCS of electrified railway[J]. Electric Railway,2003(4): 21-26.

[3] 张韬. 基于图像处理的接触网检测系统研究与改进[J]. 铁道机车车辆, 2009, 29(1): 68-71.ZHANG Tao. Study and improvement on the OCS inspection system based on image processing[J]. Railway Locomotive &Car, 2009, 29(1): 68-71.

[4] Yang C K, Tsai W H. Reduction of color space dimensionality by moment-preserving thresholding and its application for edge detection in color images[J]. Pattern Recognition Letters, 1996,17(5): 481-490.

[5] 尹建军, 王新忠, 毛罕平, 等. RGB与HSI颜色空间下番茄图像分割的对比研究[J]. 农机化研究, 2006(11): 171-174.YIN Jianjun, WANG Xinzhong, MAO Hanping, et al.Contrastive research on tomato image segmentation under RGB and HSI color space[J]. Journal of Agricultural Mechanization Research, 2006(11): 171-174.

[6] 黄志勇, 孙光民, 李芳. 基于 RGB视觉模型的交通标志分割[J]. 微电子学与计算机, 2004, 21(10): 147-152.HUANG Zhiyong, SUN Guangmin, LI Fang. Traffic sign segment based on RGB vision model[J]. Microelectronics &Computer, 2004, 21(10): 147-152.

[7] Soetedjo A, Yamada K. An efficient algorithm for traffic sign detection[J]. Journal of Advanced Computational Intelligence and Intelligent Informatic, 2006, 10(3): 409-417.

[8] 胡牡丹, 杨立敬, 朱双东. 基于三分量色差法的交通标志分割[J]. 机电工程, 2009, 26(10): 23-26.HU Mudan, YANG Lijing, ZHU Shuangdong. Traffic sign segment based on chromatic aberration of three color-components[J]. Mechanical & Electrical Engineering Magazine, 2009, 26(10): 23-26.

[9] 李丹丹, 史秀璋. 基于HSI空间和K-means方法的彩色图像分割算法[J]. 微电子学与计算机, 2010, 27(7): 121-124.LI Dandan, SHI Xiuzhang. A kind of color image segmentation algorithm based on HSI space and K-means method[J].Microelectronics & Computer, 2010, 27(7): 121-124.

[10] 李春福, 程新文, 杨程永. 一种改进的苹果彩色图像分割算法[J]. 计算机科学, 2011, 38(7A): 41-43.LI Chunfu, CHENG Xinwen, YANG Chengyong. Improved algorithm for apple’s color image segmentation[J]. Computer Science, 2011, 38(7A): 41-43.

[11] 赵于前, 陈真诚, 李凌云, 等. 基于对比度信息的彩色图像分割[J]. 计算机工程与应用, 2005, 41(34): 19-20.ZHAO Yuqian, CHEN Zhencheng, LI Lingyun, et al. Color image segmentation based on contrast information[J]. Computer Engineering and Applications, 2005, 41(34): 19-20.

[12] Aimi Salihah A N, Mashor M Y, Harun N H, et al. Improving colour image segmentation on acute myelogenous leukaemia images using contrast enhancement techniques[C]//2010 IEEE EMBS Conference on Biomedical Engineering and Sciences.Kuala Lumpur, Malaysia, 2010: 246-251.

[13] 黄敦, 游志胜. 对彩色和亮度通道进行各向异性扩散的彩色图像分割[J]. 计算机工程, 2002, 28(6): 166-169.HUANG Dun, YOU Zhisheng. Color image segmentation using anisotropic diffusion of chromaticity and brightness[J].Computer Engineering, 2002, 28(6): 166-169.

[14] ZHOU Wei, LIANG Xifeng. Color image segmentation algorithm based on target characteristic analysis[C]//2011 IEEE International Conference on Artificial Intelligence, Management Science and Electronic Commerce. Dengfeng, China, 2011:3828-3830.

[15] 姚军财, 石俊生, 黄小乔, 等. 彩色图像对比度定义的探讨[J].云南师范大学学报, 2006, 26(4): 49-51.YAO Juncai, SHI Junsheng, HUANG Xiaoqiao, et al. Discussion the definition of color image contrast[J]. Journal of Yunnan Normal University, 2006, 26(4): 49-51.