基于多特征融合的复杂背景铁路护栏网格提取

黎富泉　吴健

摘要：铁路护栏是列车高速安全运行免受异物入侵的必要保障，其护栏完整性与高速运行的列车以及沿线居民生命财产安全息息相关。传统的解决办法都是通过人工进行沿线检查，费工费时并且不能及时发现。

本文提出一种由搭载在列车车厢上的高速摄像机拍摄铁路两侧防护栏网格图像并经计算机处理以识别其完整性方法。首先对采集的铁路护栏图像进行预处理;然后提取护栏的相关特征（线性特征、方差特征和矩特征），然后利用加权融合与连通域去燥提取护栏网格。实验结果表明，本文方法对铁路护栏网格提取具有较强的鲁棒性。

关键词：铁路防护栏网格  特征提取  伽马变换  连通域

1 引言

铁路防护栏网是重要的铁路交通基础设施，作为铁路系统的配套工程，一旦架设在铁路线两侧的防护栏网被盗、丢失或人为损坏，将会给列车运行和沿线居民生命财产安全造成严重威胁。目前已有的研究方法仅对铁路沿线防护网较粗的水泥栏杆是否完好进行识别，且存在适应性差、漏判率和误判率高等缺点，同时均未能有效识别铁路沿线中面积占比最大的防护栏网是否完好，如对于破损面积达200cm2的防护栏网进行正确识别。为了降低成本、提高护栏检测准确率和即时性，亟需研发一套完备的自动化智能识别系统。

由于铁路护栏所涉背景类型多样，开展护栏网格提取相关研究文献相对较少。文献[2]基于HMM（Hidden Markov Model）统计模型解码方法提取一类网格图像的直线，但其研究对象未涉及图像背景干扰。文献[3] 提出一种改进型Mean Shift的铁路护栏网格提取算法，即经过双阈值分割、带宽选择、区域合并和直线检测等步骤较有效地实现网格提取，但存在过分割和分割精度有待提高问题。针对铁路护栏图像背景复杂多样以及上述算法存在的误分割、抗噪性差和精度低等问题，综合考虑铁路护栏网格的显著几何特征，本文提出一种多特征融合的铁路护栏网格提取算法，以期在复杂背景下提取出完整的护栏。

2图像预处理

2.1双边滤波降噪

常见的图像降燥方法有高斯滤波，均值滤波、中值滤波、维纳滤波等，该类滤波器容易导致图像的边缘细节模糊，丢失护栏的空域信息。为了能够保留护栏的空域特征，采用双边滤波降噪，克服传统降燥方法存在的护栏边缘细节模糊和易丢失的空域信息。本文双边滤波降噪采取像素空间邻近度与图像亮度相似度一种折衷的处理方法，既保留边缘细节信息，又考虑保边去燥作用。

2.2图像增强

为了降低光照因素干扰，有效地提取护栏网格特征，对降噪后的护栏图像进行图像增强。本文利用伽马变换将图像的亮度级变换到更窄或更宽的区域。

3 网格图像提取

3.1线性特征

铁路护栏网格具有优良的线性几何特征，可近似看成水平直线和垂直直线，故可以选取方向和方向的线性特征。考虑到护栏使用一段时间后可能会有轻微变形，以及受地形等因素影响，护栏网格并非绝对的水平与垂直走向，故还需在和的基础上正负偏移，再选取4个方向的线性特征。为便于下文表述，不妨记角度对应的线性特征为，其中。

综上，在加权融合进行权重选择时，线性特征权重应不小于0.5，方差特征权重应大于矩特征权重。当时，加权融合结果如图2（a）所示;当时，加权融合结果如图2（b）所示;当时，加权融合结果如图3（a）所示，对图3（a）进行连通域去燥，其结果如图3（b）所示。

图2（a）由于方差特征权重过大，导致提取的护栏过粗和断裂;图2（b）由于矩特征权重过大，导致噪声过多，提取的护栏有孔洞和断裂;图3（a）各特征权重比例合适，融合后护栏完整且粗细合适。图3（b）为连通域去燥处理结果，能够实现较为完整地护栏提取，提取的护栏左上角和右下角较细，主要是因为在采集的原图像中护栏的左上角和右下角出现生锈的情况，这也间接反映了护栏的这两个部分可能需要进行维护。

6 总结

铁路防护栏网作为铁路运行安全的重要防护设施之一，其网格精确提取是后续铁路护栏检测关键步骤。本文以铁道防护栏图像为对象，以网格结构为先验，以多特征融合为手段，以完整性检测为目标，综合应用几何学、形态学和统计学等理论解决了单一特征易造成误分割和欠分割问题，实现铁道防护栏网格智能识别，为后续研制铁路防护栏网格自动检测系统奠定理论基础。通过实例仿真实验验证，证明本文方法在护栏网格提取方面较一些传统的方法有优异的性能，但也存在不足之处，如实验参数需要手动调节，不具备自适应性;基于模板的特征提取，会导致图像的四周边缘无法被检测等。因此，下一步工作主要是解决参数自适应问题和如何根据同态性让图像边缘内侧邻域像素灰度值近似代替边缘像素值，以减小特征提取误差。

参考文献

[1]王胜春，罗四维，王旭，等.基于全景图像拼接的铁路护栏缺损检测[J].数据采集与处理，2017，32（2）：338.

[2]Zhang Y F， Li H O， Doermann D. A Parallel Line Detection Algorithm Based on HMM Decoding[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27（5）： 777-792.

[3]梁礼明，吴健，夏雨辰.均值漂移算法的铁路护栏网格提取[J].河南科技大学学报（自然科学版），2015，36（3）：28-32.

[4]许博闻，王敏，李琛，等.基于图像去噪的导向滤波算法的硬件实现[J].微电子学与计算机，2019，36（7）：22-23.[XU B W，WANG，M，LIC，et al. Hardwaredesignforimagedenoisingusingguidedfilter[J]. Microelectronics&Computer，2019，36（7）：22-23.

[5]Papari G，Idowu N，Varslot T. Fast bilateralfilteringfordenoisinglarge 3Dimages[J].IEEE TransactiononImageProcessing，2017，26（1）：251-261.

[6]彭海龍，邓勇，赫建伟，等.基于多窗口自适应双边滤波去噪方法研究与应用[J].石油物探，2019，58（1）：65.

[7]胡钰，李甜甜，黄梁松，等.基于双边伽马校正的保亮度图像增强方法[J].计算机应用与软件，2019，36（5）：205-206.

[8]邱东岳，吉喆，朱腾飞，等.基于方差和显著性特征的超声图像分割方法研究[J].计量学报，2018，39（5）：713.

[9]PapageorgiouCP，OrenM，PoggioT.A GeneralFrameworkforObjectDetection//Proceedings of the IEEE International Conference on Computer Vision，Bombay，India，1998：555-562.

[10]LIUH，ZHAO QJ，ZHANG C，et al.Boosting VLAD with weighted fusion of local descriptorsfor image retrieval[J].Multimedia Tools and Applications，2019，78（9）：11839-11842.

作者简介

黎富泉（1997-），男，汉族，本科生，研究方向为人工智能。通讯作者：吴健（1991-），男，汉族，硕士，助理研究员，研究方向为计算机视觉和机器学习。