用于动车组故障检测的图像识别算法

刘祖胜，方 凯，刘硕研

（1.郑州铁路局 客运处，郑州 450052；2.中国铁道科学研究院 电子计算技术研究所，北京 100081）

用于动车组故障检测的图像识别算法

刘祖胜1，方 凯2，刘硕研2

（1.郑州铁路局 客运处，郑州 450052；2.中国铁道科学研究院 电子计算技术研究所，北京 100081）

动车组运行故障动态图像检测系统（TEDS）通过比对现场图像与其历史图像，实现列车运行状态的实时监测和自动报警。由于不同时间采集的图像存在一定程度的差异性，使得单纯基于SIFT特征匹配的故障识别算法误报率较高。为此，本文提出一种自适应融合局部和全局匹配的图像故障识别算法：将图像以车厢为基准对齐配准；基于SIFT特征匹配，通过局部比对粗略定位故障区域；以上述区域为模板，搜寻历史图像以精准定位故障位置。实验结果表明，本算法能有效地分析和预警运行动车组的异常情况，使得系统用户可及时发现重大故障，提升动车运营质量。

动车组故障检测系统；模板匹配；SIFT特征匹配；多级故障报警

随着中国高速铁路的快速发展，动车组安全监控体系建设显得尤为重要。现有的监控方式为入库地沟式静态监控，缺乏运行过程中的动态监控。这将导致动车组可能长距离带病行进，增加了事故的发生几率。高速行进中的动车，其关键部件易受到石块等异物的强力撞击，此外由于长期承受传动力及制动力，其螺栓可能发生不同程度的松动，因此行进中的动态监控对于保障动车运营安全起到至关重要的作用。鉴于此，铁路部门提出了动车组运行故障动态图像检测系统（TEDS, Trouble of moving EMU Detection System）[1]。该系统利用轨边安装的线阵摄像头，采集运行动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板、转向架等部位图像，与其最近过车的历史图像进行比对，监测当前运行动车的结构件是否有变化、变化的趋势以及变化的类型，实现故障的实时报警。然而由于车速、大气、光线、抖动等诸多外部因素的不同，使得不同时期采集的两幅图像之间存在亮度、分辨率、长度等差异，因此目前单纯采用基于SIFT特征匹配的图像故障识别算法存在大量的误报现象，故障定位不精准[2～5]。

为此，本文提出一种自适应融合局部和全局匹配的图像故障识别算法：（1）将图像以车厢为基准对齐配准；（2）基于SIFT特征匹配，通过局部比对粗略定位故障区域；（3）将上述故障区域作为模板，搜寻整幅历史图像精准定位故障位置。实验结果表明，本算法针对运行动车组的异常情况能有效地分析预警，使得系统用户可及时发现重大故障，提升动车运营质量。

1 图像故障识别算法

本文提出的自适应融合局部和全局匹配的图像故障识别算法框架如图1所示：（1）以车厢为基准对不同时间采集的动车图像进行对齐配准，最大程度地消除由于车速、抖动、光线等外部因素造成的图像错位问题；其次利用局部匹配粗略定位故障坐标，即通过SIFT特征匹配[6]算法找寻现场采集图像中无法与历史图像匹配成功的特征区域，将其作为待识别故障区域；（2）将待识别故障区域作为模板，在整幅历史图像中进行全局搜寻匹配，精准定位故障。实验结果表明，本算法针对运行动车组的异常情况能有效地分析预警，提高了动车组隐蔽故障发现能力和故障产生初期的预警能力，增强了动车组运行的安全防范水平，为杜绝动车组带病运行提供了有效手段。

图1 自适应融合局部和全局匹配的图像故障识别算法框架

1.1 图像的对齐配准

由于图像在采集过程中易受到车速、天气、光线、抖动等诸多因素的影响，常常造成图像差异，为此本算首先对现场采集的动车图像以车厢为基准进行图像拼接和分割，实现与历史图像的对齐配准。具体地说，步骤是：（1）进行动车车头对齐，即根据火车车号，从火车车头模板库中提取该车型的车头模板，与现场采集的火车图像进行车头模板匹配，并对匹配成功的图像于车头起始位置进行图像分割。（2）进行车厢对齐，即利用车厢模板库中该车型的车厢连接处模板，对实时采集的火车图像进行模板匹配，并对匹配成功的图像在车厢连接处位置进行图像分割，而其他图像则依次拼接，从而形成一幅完整的车厢图像。（3）保存车厢图像，实现该车型历史图像库的更新。

1.2 自适应融合局部和全局匹配的图像故障识别算法

现有的图像故障识别算法大多采用基于SIFT特征的匹配算法[1]，然而局部特征中不含有任何位置信息，而图像中存在大量的特征相似而语义差异的特征点，因此仅从特征相似性的角度衡量，会出现大量的误报故障点。为此，有些算法提出使用基于像素的全局匹配[2]解决问题，然而由于车速、天气、光线、抖动等外部因素造成的图像不一致问题，即相同坐标位置对应的图像内容不一致，使得单纯利用像素差的全局匹配不能很好地解决误报问题。鉴于此，本文提出一种自适应融合局部和全局匹配的故障识别算法。

SIFT特征匹配包括2个阶段：（1）SIFT特征的生成，即从图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量；（2）SIFT特征向量的匹配。具体地说，首先利用检测子检测出图像中的兴趣点, 再利用描述子对兴趣点周边的区域进行鲁棒的特征描述，最后利用匹配算法匹配两幅图像的描述子。当两幅图像的SIFT特征向量生成后，采用兴趣点特征向量的欧式距离作为两幅图像中兴趣点的相似性判定度量。取图像中的某个兴趣点，并找出其与图像中欧式距离最近的前2个兴趣点，在这个兴趣点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。

模板匹配[7～9]是在一幅图像中搜寻目标图像（即模板），并确定其坐标位置。设现场采集图像s是大小为的图像，待识别的故障区域T是大小为的模板图像，并且。模板匹配是将模板 T叠放在现场图s上平移，模板覆盖下那块大小为的搜索图叫做子图，通过比较T和的相似性，完成模板匹配过程。该方法利用图像本身具有的灰度统计信息来衡量图像之间的相似程度，精度较高，但对于尺度变化、旋转以及不均匀光照等因素比较敏感。

图2 图像故障识别算法流程

2 实验研究

实验选择TEDS采集的高分辨率图像数据来评价算法的性能，并和现有的图像故障识别算法进行对比和分析。TEDS采集设备包含3套沉箱和2套侧箱，其中3套沉箱共放置5个超高速高清晰线阵摄像头，用于采集动车底部的高清图像（包括制动装置、驱动装置、牵引装置、转向架、轮轴、车钩及车底部其他部位），左右侧部各安装2套侧箱，其中1套用于采集转向架图像，1套用于采集裙摆图像。本实验将第1天采集到的列车图像作为历史图像，分别对第2天和第3天采集的图像进行故障分析。图3分别显示了沉箱和侧箱摄像头采集的车辆图像。

图3 TEDS采集的底部和侧部图像

第1组实验主要评价算法的故障识别性能，本文使用漏报率和误报率这2个标准进行评估。所谓漏报率是指在故障检测中存在N次故障有M次未能检测出；而误报率是指在检测出的N次故障中，其中有M次不是故障。表1显示了本算法对于不同时间采集图像的故障识别性能。可以看出，对于第3天采集的列车图像，算法在误报率和漏报率方面的指标均高于第2天，说明图像之间的差异性越大，算法故障识别的难度也随着提高。并且两组数据的误报率均高于漏报率，因本算法的故障识别基础为局部特征匹配的检测结果，而局部特征匹配旨在尽量降低漏报率，因此本算法的故障识别误报率相对于漏报率较高。

表1 图像故障识别算法性能表

第2组实验比较了局部特征匹配和全局模板匹配在故障识别方面的性能。从图4中可以看出，SIFT特征匹配虽然可以定位故障位置，但是存在大量误报的故障区域。由于两幅图像拍摄的光线，天气等不同，使得看似相同的图像可能具有完全不同的角点特征，图像中的角点具有很好的局部显著性和稳定性，但是单纯利用SIFT局部特征匹配检测出很多“噪声”兴趣点，使得故障识别存在误报率高的问题。而基于模板匹配的故障识别算法虽然在一定程度上减少了误报率，且可基本准确定位故障位置，但其性能在很大程度上受到模板大小的影响，且匹配计算量大，速度慢，实时性不强。为此，本文提出的自适应融合局部和全局匹配的图像故障识别算法将SIFT局部特征匹配和全局模板匹配的优势相结合，充分利用了局部和全局信息进行故障识别，定位精准，误报率低，且计算时间也有一定的缩短，可以有效地提升动车运行过程中的安全监控质量。

图4 局部特征匹配和全局模板匹配的性能比较

以实际车厢图像为例，与现有故障识别算法进行性能比较，如图5所示。从图5（a）和5（b）可以看出，本文算法可以有效地识别故障，并确定其位置，虽然仍存在一些误报区域，但其位置邻近实际故障区域。此外，漏报率也在可控范围之内。图5（c）中黄色框图显示了现有算法识别的故障位置，然而大量的黄色区域均为误报故障，说明现有算法并未从真正意义上减轻工作人员的工作量。与现有算法相比，本文算法不仅具有同样的故障识别时间，还有效地抑制了误报情况，提升了故障实时检测和自动报警的效率。

3 结束语

本文针对动车组运行故障检测问题，提出了一种自适应融合局部和全局匹配的图像故障识别算法。该算法在基于SIFT局部特征匹配的基础上，利用全局模板匹配进行故障识别定位。具体地说，将图像以车厢为基准配准；基于SIFT特征匹配通过局部比对粗略定位故障区域；以其作为模板，搜寻整幅历史图像以精准定位故障位置；根据故障的位置和损坏程度，综合定义故障等级，实现多级报警。实验结果表明，本算法针对运行动车组的异常情况能有效地分析预警，使系统用户可及时发现重大故障，提升动车运营质量。

图5 与现有算法的性能比较

[1] 李 骏. 动车组运行故障动态图像检测系统（TEDS）设计与实现[D]. 北京：北京邮电大学，2012.

[2] 许艳峰. 动车组故障轨边图像自动检测系统图像对比算法研究[J]. 铁路计算机应用，2013，22（5）：23-26.

[3] 赵俊彦，任崇巍.关于动车组故障对边图像检测系统的设计[J]. 铁道机车车辆，2011，31（6）：19-22.

[4] 陈 雷，赵长波. TFDS动态检查方法与技巧[M]. 北京：中国铁道出版社，2010.

[5] 李 军. TFDS图像自动识别技术的分析[J].上海铁道科技，2011，1（1）：114-118.

[6] Lowe D. Distinctive image features from scale-invariant key points [J]. International Journal of Computer Vision， 2004，60（2）：91-110.

[7] YU Z. Object Matching Using Deformable Templates [J]. IEEE Trans. On Pattern Analysis and Machine Intelligence，1996，18（3）：267-278.

[8] 陈 智. 图像匹配技术研究 [D]. 武汉：华中师范大学，2006.

[9] 李晓明，赵训坡. 基于Fourier-Mellin变换的图像配准方法及应用拓展[J]. 计算机学报，2006，29（3）： 465-472.

责任编辑 方 圆

Image Recognition Algorithm for EMU trouble detection

LIU Zusheng1, FANG Kai2, LIU Shuoyan2
( 1. Department of Passenger Transit, Zhengzhou Railway Administration, Zhengzhou 450052, China; 2. Institute of Computing Technologies, China Academy of Railway Sciences, Beijing 100081, China )

The aim of TEDS was to detect the trouble of moving EMU images based on the matching between present image and previous one. However, the traditional TEDS was easily affected by some related issues such as speed, light and so on. This article proposed an algorithm to recognize the trouble of EMU image by adaptive fusion local and global matching. First, the image was aligned according to the carriage. And then the SIFT matching was adopted to accomplish the rough detection. Based on such detection, the template matching was further used to locate the trouble of EMU image. To reach the requirement of multilevel trouble alarm, we fi nally def i ned the trouble level according to the different components. The experimental result showed that the proposed algorithm could detect the trouble of moving EMU effectively.

TEDS; template matching; SIFT matching; multilevel trouble alarm

U266.2∶TP39

A

1005-8451（2015）12-0001-04

2015-04-08

刘祖胜，高级工程师；方 凯，副研究员。