基于边缘特征的无砟轨道扣件定位方法

，，，

(上海工程技术大学 城市轨道交通学院，上海 201620)

0 引言

轨道扣件用以联结钢轨与轨枕，保持钢轨距离同时阻止钢轨与轨枕之间的纵横移动。轨道扣件的精确定位有助于扣件缺陷的检测，对确保铁路的安全运营的具有重要意义[1]。我国高速铁路以及地铁的轨道检测是在夜间进行的，时间短任务重并且对于轨道扣件的检查基本上是采用人工巡检的方式，极易受环境和人为因素的影响[2]。如何快速、准确的定位扣件位置就成为十分首要的环节。

近年来，随着视觉图像理论的快速发展和硬件设备功能的提高，视觉图像处理技术以其非接触、快速、高精度、适用性强等优点在铁路轨道扣件定位方面的应用越来越多，并且取得了很好的效果。马珊等[3]采用HOG直方图对扣件特征进行描述，然后利用汉明距离最邻近算法实现扣件的定位，但是这种方法定位时间长而且容易受到干扰的影响；吴梦等[4]先通过统计轨枕和钢轨区域的亮点从而实现对其大致区域的定位，然后根据扣件位于钢轨及轨枕的交叉位置来实现其更进一步的定位提取，但是这种方法对不同光照强度的图像定位适应性差而且精度不高；Xia等[5]采用灰度和梯度形结合的方法先粗定位轨枕位置，再应用模板匹配的方法对扣件进行精确定位，但是此方法粗定位效果差，模板匹配时耗时较多。同时以上扣件定位方法均针对有咋轨道来实现的，随着我国高速铁路大规模投入运营，无砟轨道在总运营里程占比越来越高。较有咋轨道而言无砟轨道具有轨道板及轨枕区域纯净，扣件及钢轨轮廓明显的特征，同时高速铁路主要铺设在高架或隧道内，拍摄图像受自然光照变化和遮挡的影响，对扣件图像的定位要求除了定位精度高、匹配速度快还要求图像具有不受遮挡、光照变化的鲁棒性。总体而言,采用基于像素的图像匹配方法具有精度高、鲁棒性强的优点,而采用基于特征的图像匹配方法则具有速度快、运算量小的优点[6-7]。

在分析了众多无砟轨道图像特征发现扣件的边缘最具有显著且可靠的特征信息，国内外学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。结合扣件图像的边缘特征进行模板匹配，充分发挥上述基于像素和基于特征的匹配优点，则能够满足无砟轨道扣件定位快速、精确、鲁棒性强的要求。

针对上述问题，提出基于边缘特征的无砟轨道扣件定位方法。采用Canny边缘检测算子获得扣件模板和待搜索图像边缘点的坐标和梯度方向信息，并以此为基础进行相似度量匹配。为了满足匹配的实时性要求设定停止标准，同时采用图像金字塔的匹配搜索策略，最后利用最小二乘法对匹配参数进行位姿调整，使其坐标精度达到亚像素级。实验验证证明，边缘特征的模板匹配方法对于存在光照变化、遮挡情况下的轨道扣件图像在保证快速匹配的同时，其定位精度可以达到1/15像素。

1 相似度量

相似度量在图像匹配中用以衡量模板和待搜索图像之间的相似程度，其值越大相似度越高。本文使用扣件模板和待搜索图像边缘点坐标及梯度方向，作为计算相似度量的匹配信息。选取清晰无干扰的无砟轨道扣件图像构建匹配模板，先对模板图像进行滤波，再使用Canny边缘检测算子进行计算，将模板图像转换为一个点集pi=(ri,ci)T,i=1,...,n，其中每一个点(ri,ci)对应的梯度方向向量为di=(ti,ui)T。对待搜索图像进行同样的处理得到每个点(r,c)及其对应的梯度向量er,c=(vr,c,wr,c)T。

(1)

将模板图像和待搜索图像使用同样的方法进行预处理，然后应用式(1)计算模板及待搜索图像所对应边缘点梯度向量点积的总和。在轨道扣件图像存在部分被遮挡时，由于被遮挡部分的边缘在待搜索图像中没有出现，其相应部分梯度向量模值的总和就比较小，则对点积总和基本上没有影响，所以式(1)所计算的相似性度量对于部分遮挡情况下具有鲁棒性。在采用边缘提取算法求取图像边缘梯度向量时，梯度向量的长度取决于图像的亮度，所以式(1)中的相似度量算法受光照变化的影响。因此对式(1)进行归一化处理如下:

(2)

式(2)所有的梯度向量都进行了归一化处理变为1,如果模板或待搜索图像丢失了某个边缘特征将产生一些随机的噪声，随机噪声的梯度向量平均值对点积的总和基本不会产生影响，则相似度量可以不受光照变化的影响。为了在现实环境下能够更好的匹配成功轨道扣件图像,对相似度量式(2)进一步修改如下:

(3)

2 加快匹配速度措施

如果对整个待搜索扣件图像进行遍历搜索的话将耗费极大的运算，是个极其耗时的过程。针对轨道扣件检测的实时性要求，必须采用更加快速有效的搜索匹配策略，综合运用图像金字塔算法和设置匹配分值的停止标准提前终止相似度量运算来实现这一目的。

2.1 图像金字塔

对整个无砟轨道扣件图像进行相似度量运算是一项庞大的计算量，其算法的时间复杂度为O(whn)，其中待搜索扣件图像的宽和高用w和h表示，n表示模板图像中像素个数。由此可知，模板及待搜索图像的大小决定了相似度量的时间复杂度。采用图像金字塔的分层搜索策略可以使算法的时间复杂度成指数级别降低，所以构建模板及待搜索图像的图像金字塔是一种快速有效的方法。这是因为每增加一层图像金字塔，相应的模板和待搜索图像中的点数都将变为原来的四分之一，理论上而言其运算量将变为原来的十六分之一，例如在图像金字塔第五层进行匹配时，与原始图像计算量相比减少了65536倍，无砟轨道扣件图像金字塔实例如图1所示。

经过对比验证使用2×2的均值滤波器来创建模板及待搜索图像的图像金字塔其构建效果最佳，在能够识别扣件结构的最顶层金字塔进行完整的搜索来匹配相似性度量以定位潜在的匹配位置，并依次将匹配结果跟踪映射到金字塔图像最底层。

图1 无砟轨道扣件图像图像金字塔

2.2 停止标准

对整幅待搜索扣件图像进行匹配搜索时，其潜在的归一化相似度量匹配分值将小于1。匹配分值为1意味着待搜索扣件图像的结构特征和模板图像完全一样，由于现实条件下存在各种干扰这种情况一般不会出现，根据此特性设定一个适当的阈值Smin，在匹配分值达到Smin时就默认为模板及待搜索图像匹配成功来提前结束计算。设扣件模板图像前j个元素的归一化点积部分总和为Sj，其相似度量表示公式为:

(4)

3 提高匹配精度措施

采用图像金字塔逐步求精的方法得到像素级的定位精度，更精确的扣件定位有助于更好的保障轨道扣件缺陷的检测，使用最小二乘法进行多次位姿调整可以实现这一目标。设qi= (ri′,ci′)T表示待搜索图像中点，模板图像中与其相对应的像素点为pi。对模板和待搜索图像提取边缘,模板边缘点的梯度方向向量和待搜索图像的边缘相垂直，通过模板边缘点并与待搜索图像边界相切的直线方程表示为:

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

(5)

仿射变换后的模板图像，在待搜索图像中找到其欧几里得距离最小点作为潜在像素点，欧几里得距离计算公式如式(6)所示：

(6)

由式(5)推理可知ti(r′-ri)+ui(c′-ci)=0成立，将式(7)函数最小化可以求得位姿a更加精确的参数:

(7)

基于最小二乘法调整位姿参数，可能影响到特征点之间的对应关系，因此，进行一次位姿调整不能达到预期效果，多次进行优化可以达到较高的定位精度。大量实验表明多于三次的迭代优化对于定位精度没有明显的提高，因此重复2到3次即可获得精确的亚像素定位。

4 实验结果与分析

为了评估验证上述匹配方法对扣件的定位性能，针对研究存在非线性光照变化、遮挡条件下轨道扣件图像，拍摄现实条件下可能遇到的无砟轨道扣件图像共计1 000张。各类图像拍摄的多少参考现实情况下可能发生的概率，图像类型及对应的张数见表1。模板和待搜索图像及其相应的二值化边缘图像如图2所示。

表1 图像类型及对应的张数

图2 模板和待搜索图像及其相应的边缘图像

采用计算机参数为Intel(R)Core(TM)i5-2300 CPU@2.80 GHz，MATLAB2014a下进行编译。各类型待搜索扣件图像大小分为256 pixel×256 pixel、512 pixel×512 pixel、1024 pixel×1024 pixel三种情况。按匹配成功张数、平均识别率、相同类型平均识别率、总体识别率进行整理，实验数据见表2，各类型扣件图像定位结果如图3所示。

表2 各类型待搜索图像的匹配时间和识别率

由表2可知，线性均匀光照条件下图像相同类型平均识别率最高为，为99.33%，其中512 pixel×512 pixel、1 024 pixel×1 024 pixel大小情况下识别率为100%，最低为非线性光照及遮挡情况下，为93.67%；平均匹配时间耗时最少为256 pixel×256 pixel时，在80 ms左右，满足快速性的要求，耗时最多为1 024 pixel×1 024 pixel时，在200 ms左右，说明相同大小不同干扰类型扣件图像耗费的匹配时间相差不大，主要跟待匹配扣件图像大小有关；其余相同图像类型下的平均识别率都在94%左右，总体识别率为95.36%，这验证了本方法具有很好的稳定性和鲁棒性。在定位精度方面，达到1/15像素，实现亚像素级别的精确定位。从图3可以看出对于轨道扣件图像存在线性、非线性光照、遮挡条件下，都可以实现精确的定位。综合而言，本文所采用方法对于无砟轨道扣件图像存在线性、非线性光照、遮挡条件下具有鲁棒性强，同时具有定位速度快，精度高的优点。

5 结论

本文将基于像素与基于特征的图像匹配方法相结合，提取扣件边缘点坐标和梯度向量作为匹配信息，提出一种基于边缘特征的无砟轨道扣件定位方法。通过设置停止标准及采用图像金字塔加快匹配速度，使用最小二乘法提高匹配精度。实验检测证明该方法对于无砟轨道扣件图像出现线性、非线性光照及部分遮挡情况下，能够得到很好地匹配效果，在满足快速、稳定的前提下可以达到高精度的匹配结果。

参考文献：

[1] 刘甲甲. 铁路扣件图像特征提取与识别方法研究[D]. 成都：西南交通大学, 2016.

[2] 刘 馨, 穆 颖, 张 斌. 基于计算机视觉的钢轨扣件检测算法研究[J]. 华东交通大学学报, 2017, 34(2):72-77.

[3] 马 姗. 铁路扣件识别的研究[D]. 北京：北京交通大学, 2012.

[4] 吴 梦. 轨道缺陷自动检测系统的图像处理技术研究[D]. 成都：西南交通大学, 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] 刘 军, 白 雪. 基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法[J]. 计算机应用, 2016, 36(2):586-590.

[7] 陈沈轶, 钱 徽, 吴 铮,等. 模板图像匹配中互相关的一种快速算法[J]. 传感技术学报, 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, 杨 超, 王晨光,等. 基于随机Hough变换的复杂条件下圆检测与数目辨识[J]. 仪器仪表学报, 2013, 34(3):622-628.

[10] 吴晓军, 邹广华. 基于边缘几何特征的高性能模板匹配算法[J]. 仪器仪表学报, 2013, 34(7):1462-1469.