铁路立柱自动识别系统的设计与开发

杜青臣++林宪旗++张文亮++冯倩

摘 要：在列车行驶过程中，为了正确响应激光测距仪的触发，准确识别出立柱以排除误触发，本文提出一种车载式铁路立柱自动识别系统，该系统大幅提高铁路立柱识别的实效性以及检测精度，保证限界测量的准确性。首先采用双三次样条插值法处理送入图片，在保证图片分辨率的情况下减小图片大小、提高处理速度；然后根据梯度特征选择ROI区域，并计算ROI区域的Hog特征，避免对整幅图片的遍历，提高检测效率；最后训练SVM分类器，送入待测样本进行分类。通过实验分析验证，本文提出的车载式铁路立柱自动识别系统有较高的识别率和实效性。

关键词：立柱识别 限界测量 梯度特征 方向梯度直方图 车载式 三次样条插值

中图分类号：U29 文献标识码：A 文章编号：1674-098X（2017）09（c）-0001-03

随着高铁事业的快速发展，铁路沿线环境的检测工作越来越重要[1-2]，目前国内已开展基于图像处理的铁路限界研究工作[3-6]。吴健等提出一种复杂背景下的铁路防护栏网格提取算法[7]，对铁路沿线的防护栏网进行检测并及时修复。王浩等设计了铁路隧道限界检测仪[8]，实现了在机车运行过程中对周围环境的自动检测，判断是否存在超限物体。

铁路沿线除了防护栏网等超限物体外，还存在大量接触网的支柱、通信柱和隔离柱，铁路部门必需定期进行立柱检测以保证限界测量的准确性[9]。本文提出一种车载式铁路立柱自动识别系统，该系统利用图像模式识别技术、GPS定位技术完成对铁路沿线立柱的自动判别。该系统的使用大幅度提高机车高速运行过程中的立柱识别的工作效率以及检测精度。

1 车载式铁路立柱自动识别系统设计

1.1 系统整体结构设计

本文首先通过对铁路立柱识别系统的构成分析，结合具体的技术要求，得出了该系统的整体结构方案，包括触发单元、图像高速采集单元、激光限界测量单元。铁路立柱识别系统的整体结构图如图1所示。

1.2 算法设计

本设计中采用Hog特征与SVM分类相结合的方法将拍摄到的图片进行分类。先用双三次样条插值法处理送入图片，根据梯度特征选择ROI区域，计算ROI区域的Hog特征，训练分类器，然后送入待测样本进行分类。算法流程图如图2所示。

1.2.1 双三次样条插值

本文使用MV-GED32C-T工业相机拍摄测试图片，图片大小为480×640，直接处理图片会增加运算时间和计算量，因此首先对图片进行三次样条插值，减小图片大小，降低运算时间，提高处理速度。

设源图像f大小为m×n，缩放后目标图像g为M×N，则对g上的感兴趣像素点（X，Y）来说，在f上的对应坐标为：

×× （1）

选取（X，Y）的16邻域作为计算目标图像g（X，Y）处像素值的参数。假设点P就是目标图像g在点（X，Y）处对应于原始图片f中的位置，P点的坐标为P（x+u，y+v），其中x，y为整像素坐标；u，v为亚像素坐标。P点的16邻域的像素点用f（i，j）（i，j=0，1，2，3）来表示。

构造权重函数为

（2）

假设行系数为k_i，列系数为k_j，f（i，j）对应的系数为kij，则

kij=ki×kj （3）

双三次样条插值法作为预处理环节，在保证图片分辨率的情况下减小了待检测图片大小，提高处理速度。

1.2.2 ROI区域提取

在实际特征提取时，如果对整幅图片提取Hog特征，计算量会相当大，立柱作为图片中的一小部分，有明显的梯度特征，方便进行粗提取。因此为了进一步减小运算时间、提升准确率，本文对双三次样条插值后的图片进行ROI区域提取，得到粗略的立柱区域。

假设三次样条插值后的图片为g（x，y），将g（x，y）沿宽度方向分块：

i （4）

遍历每子块，计算子块梯度幅值图和梯度角度图。设角度图像为，梯度图像为，则

（5）

（6）

分析可得，立柱边缘像素的梯度角度全部在水平区域，而背景像素的梯度角度不定，由于拍摄误差，可能造成图片中柱子有一定的倾斜角度，计算每子块中梯度角度在内的梯度幅值和为：

（7）

其中，

（8）

那么，立柱所在ROI区域为：

（9）

其中，

（10）

ROI区域提取的结果图如图3所示。

1.2.3 Hog特征提取

HOG特征表示边缘梯度的结构特征，是一种局部区域的描述符，可以比较好地描述大图中的小目标。提取HOG 特征步骤如下。

（1）计算图像水平方向和垂直方向的梯度值。

（11）

式中，、分别表示像素点（x，y）处的水平方向梯度、垂直方向梯度；表示像素点（x，y）的像素值。

（2）计算像素点（x，y）处的梯度幅值和梯度方向。

（3）把图像分割成若干个8×8像素单元（Cell），在每个Cell中，把梯度方向在[-π/2，π/2]内平均划分为9个区间（Bin），如图4所示。对所有像素的梯度幅值在各个方向区间进行直方图统计，得到一个9维的特征向量。

（4）每相邻4个单元组成一个块（Block），把4个单元的特征向量串联起来得到块的36维特征向量；然后用块对样本图像进行扫描，扫描步长为一个单元；最后将所有块的特征串联得到目标图片的特征。图5表示了單元Cell、块Block和整个图像的关系。

1.2.4 分类识别

采用SVM作为样本分类器，训练样本包括正样本和负样本，正样本为包含立柱的图片，负样本为随机背景图片。endprint

本文的分类识别步骤如下。

（1）分别选取500张立柱图片和随机背景图片作为正、负样本，对图片进行双三次样条插值，然后粗提取疑似包含立柱的ROI区域，求取ROI区域的Hog特征送入SVM中训练，得到SVM分类器。

（2）再分别选取200张正、负样本作为测试样本，将误判的样本分别加入到正确的样本集中重新训练分类器。

（3）重复上一步骤训练分类器，得到最终的SVM分类器。

（4）将待测图片送入训练好的SVM分类器中，筛选出包含立柱的目标图片。

2 车载式铁路立柱自动识别系统实验结果与分析

本文所用到的实验图片均为MV-GED32C-T工业相机拍摄，拍摄地点为济南铁路局兖州供电段，图6为部分样本图片。为了验证算法的有效性，本文将该方法与其他两种方法进行对比，方法一为全遍历图片提取Hog特征进行SVM分类，方法二为全遍历三次样条插值后的图片并提取Hog特征进行SVM分类，三种方法均采用相同的训练集和测试集，对比结果如表1所示。

实验结果分析可得，从识别率上来看，本文算法的识别率为91.4%，明显高于方法一和方法二；从耗时来看，本文算法的耗时为0.811s，实时性明显优于方法一和方法二，降低了识别算法所需要的时间。也就是说本文算法能用更短的时间识别出更多的立柱目标，因此本文算法更具有实时性和准确率。

3 结语

本文提出的车载式铁路立柱自动识别系统，在机械结构设计上保证了系统平台的稳固性，避免了火车行车过程中剧烈晃动造成的主机位移偏差。在算法上将ROI区域提取和Hog特征分类相融合，提出一种改进的立柱自动识别算法。该算法利用双三次样条插值缩小检测图片，在经过梯度特征提取ROI区域，将其作为Hog特征提取的检测图片，最后通过将待测样本送入训练好的SVM分类器得到立柱识别的分类结果。通过现场实验验证，该系统有较高的识别率，有很大的工程应用价值。

参考文献

[1] 中国铁道科学研究院，北京交通大学.铁路建筑限界管理及系统研究[Z].2004.

[2] 张延波，解兆延，葛兆斌，等.基于运动控制卡的光源自动定位系统设计[J].山东科学，2012，25（1）：92-95.

[3] 仲崇成，李恒奎，李鹏，等.高速综合检测列车综述[J].中国铁路，2013（6）：89-93.

[4] 姜树明，蔡秀霞，张元元，等.视频图像综合处理系统的设计与实现[J].山东科学，2013，26（3）：54-59.

[5] 康熊，王卫东，李海浪.高速综合检测列车关键技术研究[J].中国铁路，2012（10）：3-7.

[6] 崔浩，王中秋，刘慧，等.基于轮廓线提取技術的波峰坐标采集算法研究[J].山东科学，2014，27（2）：25-29.

[7] 吴健.复杂背景下铁路防护栏网在线检测系统研究[D].江西理工大学，2016.

[8] 王浩.铁路隧道限界检测仪的研究和设计[D].成都：西南交通大学，2003.

[9] Dalal N，Triggs.B.Histograms of oriented gradients for human detection[A].IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].2005.endprint