居耀勇，陳 黎

（武漢科技大學計算機科學與技術學院，湖北武漢，430065）

基于圖像傳感器技術的鐵軌檢測［1－3］是利用前端成像設備采集現(xiàn)場視頻圖像，通過對圖像分析處理實現(xiàn)鐵軌異常情況的檢測。基于先驗知識的鐵軌檢測算法［4］是通過人工標定鐵軌位置，獲取鐵軌邊緣特征信息，并利用最小二乘法擬合建立鐵軌模板。局部線型檢測算子（LLPD）［5］運用貨運編組站鐵軌自動檢測與Hough變換結合的思想，形成斷線相連、區(qū)域生長的方式進行鐵軌檢測。此外，通過Canny邊緣檢測獲取鐵軌像素點的候選集，根據(jù)候選集的空間分布特性或近鄰關系，采取從左至右、從下至上的像素搜索方法來檢測鐵軌［6］。另一種算法是利用Canny邊緣檢測算子獲取鐵軌的邊緣特征，通過概率Hough變換檢測出直線，最終實現(xiàn)鐵軌的檢測［7］。

本文基于圖像中鐵軌線長而連續(xù)以及因摩擦產(chǎn)生的高亮與緊鄰的暗影區(qū)域形成強烈的灰度差考慮，運用快速圖像處理算法實現(xiàn)鐵軌的主方向預測，利用基于主方向的邊緣檢測算子迭代校正鐵軌主方向，從而實現(xiàn)主方向為導向的鐵軌檢測算法。

1 算法設計

1.1 算法描述

基于主方向迭代的鐵軌檢測算法按主方向定位與鐵軌定位兩步實現(xiàn)。本文利用最優(yōu)邊緣檢測算子提取鐵軌邊緣特征，基于邊緣特征信息進行直線檢測，再根據(jù)設定的準則進行鐵軌的定位。算法流程圖如圖1所示。

圖1 算法流程圖Fig.1 Flow chart of the algorithm

1.2 鐵軌主方向提取

1.2.1 背景建模

室外環(huán)境下的鐵軌因成像條件不受控，白天逆光下，圖像出現(xiàn)光斑、眩光等現(xiàn)象，夜間照度不足時，圖像對比度低、清晰度差，視頻圖像中出現(xiàn)運動目標（如行人），對鐵軌的檢測產(chǎn)生強烈的干擾。為減少上述干擾獲得穩(wěn)定的背景圖像，需要對輸入的視頻圖像背景建模。高斯混合模型［8］作為經(jīng)典的背景模型，能很好地解決復雜背景下光照變換、物體緩慢運動、突然進入或移除等對背景模型的影響。為增強算法的魯棒性，本文采用通用的快速高斯混合模型進行背景建模。

1.2.2 邊緣特征提取

鐵軌的圖像特征直觀表現(xiàn)為連續(xù)不間斷的直線或曲線，并且由于經(jīng)常摩擦呈現(xiàn)高亮與鄰近的暗影背景形成灰度差，這種階躍變化適合采用基于邊緣檢測［9］的分割技術?？紤]到算法在分析鐵軌圖像開始時不具有邊緣方向的先驗知識，算法采用Sobel算子進行粗檢測，對各像素分別進行水平、垂直方向的梯度運算，綜合這兩個方向的梯度幅值得到該像素點邊緣響應估值。

1.2.3 鐵軌主方向預測

在梯度圖像中，鐵軌所在位置處產(chǎn)生了較大的直線狀邊緣響應，并且該直線與鐵軌的延伸方向一致。準確檢測出該條直線，即可確定鐵軌的主方向，判定出鐵軌的位置。基于圖像頻域與空域相結合的Hough直線檢測算法［10－13］步驟為，先通過小波變換進行圖像二值化處理，然后利用Hough變換進行直線檢測?？紤]到鐵軌所具有的特殊邊緣特征，本文直接利用圖像的梯度信息進行直線檢測，通過檢測Hough空間中累加器元素的最大值，確定與鐵軌主方向所在直線相對應的參數(shù)。

1.3 基于主方向的最優(yōu)梯度算子

由于鐵軌的方向具有隨機性，本文依據(jù)二維高斯函數(shù)特性構造出基于鐵軌主方向的最優(yōu)邊緣檢測算子。二維高斯函數(shù)的表達式為

設主方向為x軸正向，該方向上的一階導數(shù)為

經(jīng)仿射變換

得到

式中：σ為二維高斯函數(shù)寬度；θ為主方向與x軸正向夾角。

對連續(xù)函數(shù)離散化，確定高斯函數(shù)的參數(shù)σ。對σ和θ分別取不同值，得高斯濾波函數(shù)圖像如圖2所示。從圖2中函數(shù)俯視圖可看出，當方向梯度旋轉θ時，高斯函數(shù)能量分布圖也作出了相應的旋轉變換。

本文基于梯度下降法取不同的σ值，利用樣本圖像進行訓練，經(jīng)過統(tǒng)計分析得到最佳σ值為0.5。對于L×L的方向梯度模板，與分辨率為M×N的圖像進行卷積運算的時間復雜度為O（MNL2）。分析可知，方向梯度模板尺寸越大，處理速度越慢。為得到各方向的梯度算子，算法采用7×7的高斯梯度模板。為統(tǒng)一度量單位，對梯度模板作歸一化處理，歸一化準則為

圖2 二維高斯濾波函數(shù)圖像Fig.2 2－D Gauss filter function

離散化后的最優(yōu)梯度算子如圖3所示。圖3結果表明，h′（0.5，30°）經(jīng)30°旋轉變換后得到方向h′（0.5，60°）的最優(yōu)梯度算子，不僅如此，通過該算法還可以靈活得到任意方向的梯度算子。

圖3 離散化后的最優(yōu)梯度算子Fig.3 Optimal gradient operator after discretization

1.4 算法迭代與鐵軌定位

運用上述算法進行鐵軌主方向的迭代校正，當?shù)螖?shù)超過設定的閾值r時，利用直線檢測法獲取主方向信息。測試發(fā)現(xiàn)，當r＝2時便能得到準確的路軌主方向信息。考慮到圖像中一般存在多條鐵軌，并且這些鐵軌與主方向平行，本文利用已有的鐵軌主方向信息，采用基于主方向的Hough變換方法進行鐵軌定位。圖像中鐵軌所在位置的像素灰度值較一致，并且各鐵軌之間的灰度也呈現(xiàn)出一定的相似性。通過基于梯度圖像的Hough變換檢測出直線后，根據(jù)直線內(nèi)灰度方差最小特征選取直線，最后通過直線連接的方法進行鐵軌的準確定位。

2 結果與分析

運用上述算法，在硬件配置為Intel CPU、主頻1.66 GHz、內(nèi)存1 GB、Windows XP操作系統(tǒng)、Matlab 7.6的條件下進行測試。測試圖像由兩類組成：一類為利用成像設備所采集的鐵路模型圖像；一類來自互聯(lián)網(wǎng)的鐵軌視頻圖像。從每類圖像中分別選取180幅圖像作為樣本進行測試和實驗，樣本測試結果如表1所示，實驗結果如圖4、圖5所示。

表1 樣本測試結果Table 1 Test results of the samples

圖4 鐵軌模型圖像Fig.4 Video images of railway track model

圖5 鐵軌視頻圖像Fig.5 Video images of railway track

從表1中可看出，進行主方向迭代求解后，準確度得到大幅提升。由圖4中可看出，沿鐵軌主方向的邊緣信息得到增強，并抑制了枕木所造成的邊緣信息干擾。圖5中，由于現(xiàn)場鐵軌圖像存在行人等運動目標，在進行高斯背景建模后用紅色圓圈對行人做出標示（圖5（a）），對于多條鐵軌圖像，當?shù)螖?shù)達到一定數(shù)量（2次）后，準確度范圍得到有效收斂?？梢姡惴▽D像中的鐵軌實現(xiàn)了準確的檢測與定位。

3 結語

利用鐵軌主方向信息進行迭代求解，解決了復雜環(huán)境下多條鐵軌的檢測與識別問題。采用基于梯度圖像的Hough變換算法進行直線檢測，估計出鐵軌的主方向。通過設計基于鐵軌主方向的最優(yōu)梯度算子突出鐵軌所在位置的邊緣響應，并進行算法迭代校正所估計的鐵軌主方向，最終實現(xiàn)鐵軌的檢測與定位。實驗證明了該算法的有效性和準確性。

［1］ Kaleli F，Akgul Y S.Vision－based railroad track extraction using dynamic programming［C］／／Proceedings of the 12th IEEE International Conference on Intelligent Transportation Systems.St.Louis，MO：IEEE Conference Publications，2009：1－6.

［2］ Singh M，Singh S，Jaiswal J，et al.Autonomous rail track inspection using vision based system［C］／／Proceedings of IEEE International Conference on Computational Intelligence for Homeland Security and Personal Safety.Alexandria，VA：IEEE Conference Publications，2006：56－59.

［3］ Oh S，Park S，Joung E.Approaches for connection of vision based monitoring system with railway signal system for train emergency stop［C］／／Proceedings of the IEEE International Conference on Information and Multimedia Technology.Jeju Island：IEEE Conference Publications，2009：59－63.

［4］ 任重.基于先驗知識的鐵軌識別［D］.武漢：武漢理工大學，2007.

［5］ 關鵬，顧曉東，張立明.一種基于圖像處理的鐵軌自動檢測方法［J］.計算機工程，2007，19（33）：207－212.

［6］ 宋娟.路軌自動檢測系統(tǒng)及障礙物識別技術的研究［D］.杭州：浙江大學，2008.

［7］ Li Qinfeng，Shi Jifang，Li Chen.Fast line detection method for railroad switch machine monitoring system［C］／／Proceedings of the IEEE International Conference on Image Analysis and Signal Processing.Taizhou，China：IEEE Conference Publications，2009：61－64.

［8］ Stauffer C，Grimson W E L.Adaptive background mixture models for real－time tracking［C］／／Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition.Fort Collins，CO：IEEE Conference Publications，1999：1－7.

［9］ Kurt B，Gokmen M.Goal oriented edge detection［C］／／Proceedings of the IEEE International Conference on Signal Processing，Communication and Applications.Aydin：IEEE Conference Publications，2008：1－4.

［10］Saffan M I，Oktem R.A fast hough transform approximation and its application for barcode localization［C］／／Proceedings of the IEEE International Conference on Signal Processing and Communications Applications.Eskisehir：IEEE Conference Publications，2007：1－4.

［11］Mastorakis G，Davies E R.Improved line detection algorithm for locating road lane markings［J］.Electronics Letters，2011，3（47）：183－184.

［12］N Aggarwal，W C Karl.Line detection in images through regularized hough transform［J］.IEEE Transactions on Image Process，2006，3（15）：382－591.

［13］Zhao Xiaochuan，Liu Peizhi，Zhang Min，et al.A novel line detection algorithm in images based on improved hough transform and wavelet lifting transform［C］／／Proceedings of the IEEE International Conference on Information Theory and Information Security.Beijing，China：IEEE Conference Publications，2010：767－771.