朱新榮，郭振通，周云霞，黃挺，陳建海，于龍

?

鋼軌輪廓全斷面檢測中的匹配方法研究

朱新榮1，郭振通1，周云霞1，黃挺1，陳建海1，于龍2

(1. 南京中車浦鎮(zhèn)城軌車輛有限責任公司 城軌市場部，江蘇 南京 210032；2. 西南交通大學 電氣工程學院，四川 成都 610031)

采用激光視覺測量技術對鋼軌全斷面廓形進行檢測，在動態(tài)測量過程中由于車輛的隨機振動，會影響鋼軌輪廓數據的檢測精度。因此，在高速動態(tài)條件下實現(xiàn)檢測鋼軌輪廓與標準廓形高精度自動匹配，是當前軌道廓形檢測中面臨的關鍵問題。在分析國內外鋼軌廓形檢測、廓形匹配現(xiàn)狀的基礎上，通過對目前采用最多的迭代最近點ICP(Iterative Close Point)算法進行簡化，同時優(yōu)化匹配過程中的對應點搜索策略，在保證匹配精度的前提下，解決了鋼軌廓形檢測中的匹配問題，達到實時性檢測的需求。將該算法運用在地鐵軌道檢測設備中，驗證了該方法的有效性。

鋼軌廓形；快速；視覺測量；匹配

近幾來，我國鐵路快速發(fā)展，特別是在高速鐵路建設方面，取得了重大的成就。隨著我國“一帶一路”倡議的實施，鐵路運輸憑借可靠性高、運載量大和經濟性好的特點，成為“一帶一路”互聯(lián)互通中的主力軍。而隨著鐵路里程和行車密度的增加，列車運行速度和載重的提升，都將增大鐵路軌道的負載，加速鋼軌的磨損和形變，產生波磨、側磨、肥邊、魚鱗狀磨耗和剝離等[1]，影響列車的正常運行，嚴重時甚至發(fā)生重大安全事故。其中，鋼軌輪廓尺寸變化是誘發(fā)列車事故的主要原因之一，因此，定期對鋼軌輪廓尺寸進行檢測是保證列車安全運行，減少事故發(fā)生的必要措施。但是，現(xiàn)階段鋼軌廓形檢測裝置主要存在著軌道廓形匹配精度低，實時性差的問題，無法準確保證檢測結果的可靠性。因此，亟待研究出一種能夠滿足實時、可靠要求的檢測算法，為鐵路工務維護部門定期對軌道的維護工作提供指導作用。隨著計算機存儲容量的增加、運算能力的提高，以及視覺測量技術和圖像處理技術的飛速發(fā)展，車載的非接觸式檢測系統(tǒng)已逐漸應用到軌道檢測領域[2?3]。A1ippi等[4]提出采用激光攝像技術進行鋼軌輪廓動態(tài)檢測，SUN等[5]提出一種Kalman濾波和Hessian矩陣相結合的鋼軌激光光條中心快速提取方法。在目前的鋼軌廓形匹配方面，多采用經典ICP算法[6?10]和動態(tài)模板匹配算法[11]，ICP算法精度高但運算量太大，難以滿足實時檢測需求，動態(tài)模板匹配算法檢測精度低，無法滿足廓形高精度檢測需求。針對上述情況，為了達到快速、準確檢測目的，本文采用結構光視覺技術對鋼軌廓形進行檢測，通過本文提出的快速廓形匹配算法，還原鋼軌真實廓形，實時反應鋼軌的狀態(tài)，指導鋼軌的維修養(yǎng)護。

1 系統(tǒng)組成

線結構光測量技術，是一種以結構光作為照明光源基于三角測量原理的機器視覺測量方法。當線結構光投射到物體表面時，物體對線結構光光束產生空間調制，形成能夠反映物體形貌的激光輪廓線，使用CCD面陣相機捕獲激光輪廓線圖像，先利用圖像處理技術提取激光輪廓線的中心脊線的二維圖像坐標系坐標，再基于機器視覺中三角測距原理，即根據線結構光發(fā)生器、激光輪廓線和攝像機三者構成的三角形關系將二維圖像坐標還原為對應的世界坐標系坐標，實現(xiàn)待測物體形貌重構和位置信息的獲取。其中三角測距原理如圖1所示。

圖1 激光攝像式傳感測距原理示意圖

設點為激光輪廓線的中心脊線上任意一點，′為點在攝像機中的像點，攝像機中心點與激光發(fā)光點中心連線長度稱為基線長度，即=(mm)，攝像機中心線′與激光切面的夾角為，攝像機焦距為(mm)，攝像像元尺寸為(mm/像素)，攝像機中心像素坐標為(C,C)(像素)。

圖2 鋼軌輪廓全斷面檢測原理圖

Fig. 2 Schematic diagram of full section inspection of rail profile

鋼軌輪廓全斷面檢測系統(tǒng)采用車載方式，通過4組激光攝像式傳感器對同一段面左右鋼軌內外側輪廓進行連續(xù)動態(tài)采樣，采樣間距為0.25 m，如圖2所示。4組激光攝像式傳感器按照設計角度安裝在檢測梁,檢測梁與車體和轉向架連接方式采用焊接栓連。激光攝像式傳感器安裝在檢測梁下方箱體內，能夠很好地達到防護及遮光的目的。結合激光攝像式傳感器的最佳測量方法、車底安裝空間位置約束和設備限界等，需完成鋼軌輪廓斷面軌頭、軌腰和軌底全部信息采集。

通過4組激光攝像式傳感器，即完成左右鋼軌內外側全部信息采集。結合視覺測量中高精度攝像機標定、圖像處理技術、坐標系間多個自由度旋轉及平移，鋼軌內外側輪廓數據的融合，來實現(xiàn)鋼軌輪廓全斷面測量。

2 系統(tǒng)測量原理

圖3 攝像機坐標系與世界坐標系意圖

依據攝像機非線性模型，通過將已知的圖像坐標點和對應的世界坐標點代入攝像機標定數學模型求解攝像機模型參數，以建立二者的對應關系。

鋼軌輪廓光條光條圖像處理主要包括以下處理過程：圖像釆集，圖像預處理，圖像邊緣檢測，光條中心提取，圖像輸出，其流程如圖4所示。

圖4 光條中心提取流程圖

數字圖像是通過激光攝像式傳感器進行采集得到的，其中數字圖像是以二維數組形式表示的圖像，其數字單元為像素，同時每個像素點都具有[0-255]的整數灰度值或顏色值。本章采集的單幅數字圖像共有1 280×1 024個像素，其像素點數量主要由攝像機CCD尺寸決定的。光條中心提取到的圖像如圖5所示。

圖5 光條中心提取圖

3 鋼軌廓形匹配算法

線結構光傳感器安裝于車體轉向架下方，在動態(tài)檢測過程中，受到線路不平順、啟動、制動等多方面影響，車體發(fā)生多個自由度的隨機振動，鋼軌輪廓測量數據隨車體振動而發(fā)生變化。

因此，必須對動態(tài)測量數據進行校準，使檢測結果與標準廓形數據對齊，才能和標準廓形數據進行對比，進而獲得鋼軌的缺陷信息。為了達到測量鋼軌廓形與標準鋼軌廓形進行對比的要求，利用鋼軌廓形軌腰處點云數據進行匹配標準廓形，提出利用奇異值分解(SVD)進行迭代的求解法，解決了鋼軌廓形匹配的問題。

3.1 迭代匹配算法

對于結構光傳感器采集到的廓形點云，為保證其在匹配時點?點之間的角度、位置關系不發(fā)生改變，需要求解剛體的旋轉平移矩陣。

針對檢測廓形點云數據，直接在標準廓形數據上尋找到對應的點集，因此，廓形點云的剛性旋轉和平移變換即轉換為求解點云數據到的最小二乘最優(yōu)解的問題。

將問題轉換為如下計算式描述：

3.2 爬山搜索算法

在進行迭代求解時，其中，最重要的一步是在標準廓形數據點集中尋找到檢測廓形的對應點集。針對鋼軌廓形的幾何特殊性，相鄰點集之間有很強的關聯(lián)性，故將爬山搜索算法運用于鋼軌廓形對應點搜索中，加速對應點集的搜索速率，增強算法的實時性。其基本步驟為：

Step 1：選定一個初始可行解：0；記錄當前的最 優(yōu)解。

Step 2：當=?時，跳轉第Step 4，否則，在(best)里尋找新的最優(yōu)解，跳轉第3步。

Step 3：若now的目標函數值小于best的函數值，則best=now，=(best)，跳轉第2步；否則=?(best)，跳轉第2步。

Step 4：輸出尋找結果，停止搜尋。

由于鋼軌廓形在空間分布上的連續(xù)性，采用點到點的距離作為最優(yōu)解的判斷條件，通過該方法，能夠很快地完成對應點集的搜索，極大地提高了算法的搜索效率。

3.3 匹配結果求解

對于式(5)中的問題描述，采用SVD分解的方法進行求解旋轉平移結果。

1) 計算點云數據和的中心點，如式(8)。

2) 對原數據做減中心處理，得到新的點云數據，如式(9)。

3) 計算×維的協(xié)方差矩陣，如式(10)。

5) 根據4)計算得到的，可解得，如式(12)。

根據上述步驟求得的,矩陣，對廓形按式(13)進行旋轉、平移，得到最終匹配結果。

4 試驗

選取廈門地鐵檢測車檢測裝置，如圖6所示，對檢測算法進行試驗，檢測攝像機的檢測頻率為60幀/s。抽取該區(qū)段K5+000到K5+200 km標位置處鋼軌檢測廓形800個，通過本文的算方法對廓形數據進行初匹配，對比傳統(tǒng)ICP算法和本文提出的匹配算法對初匹配數據的處理結果。

采用本文中提出的檢測算法，對鋼軌廓形進行匹配處理，處理結果如圖7所示，可以看出，經過算法匹配后的鋼軌檢測廓形，其軌腰部分幾乎完全和標準鋼軌廓形重合。

圖6 檢測設備現(xiàn)場安裝圖

圖7 廓形匹配結果圖

圖8 算法RMS偏差對比

本文提出的匹配算法，其主要優(yōu)勢在于將爬山搜索算法與SVD分解法相結合，簡化了匹配步驟，在匹配效率方面相較于ICP算法有較大的提升。由于鋼軌廓形是由不同半徑的圓、直線連接而成，因此，采用統(tǒng)計廓形輪廓線法線方向誤差的方法計算匹配得到的偏差值，對比本文算法與ICP算法匹配結果，其匹配偏差均方根值RMS如圖8所示。同時，對2種不同處理方法的處理效率進行了測試，結果在表1中列出。其中，選用研華IPC-610L系列工控機，進行處理時間測試。從表1可以看出，本文算法在丟失極小精度的情況下，極大地提升了廓形匹配的速度，解決了鋼軌廓形實時檢測的 問題。

表1 算法效果對比

5 結論

1) 通過進行迭代求解的思路，結合奇異值分解和爬山搜索算法，解決了算法的匹配效率問題。

2) 通過在檢測車中實際應用，證明該算法能夠達到實時檢測的需求。

[1] 邢麗賢. 提速條件下鋼軌傷損特點及鋼軌傷損分類的研究[D]. 北京: 中國鐵道科學研究院, 2008. XING Lixian. Research on defect characteristics and classification of higher speed rails[D]. Beijing: Academy of Railway Sciences, All Rights Reserved, 2008

[2] 孫軍華, 王偉華, 劉震, 等. 基于結構光視覺的鋼軌磨耗測量方法[J]. 北京航空航天大學學報, 2010, 36(9): 1026?1029. SUN Junhua, WANG Weihua, LIU Zhen, et al. Rail wear measurement method based on structured-light vision[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(9): 1026?1029.

[3] 孫軍華, 王恒, 劉震, 等. 鋼軌磨耗動態(tài)測量中激光光條中心的快速提取[J]. 光學精密工程, 2011, 19(3): 690?696. SUN Junhua, WANG Heng, LIU Zhen, et al. Rapid extraction algorithm of laser stripe center in rail wear dynamic measurement[J]. Optics and Precision Engineering, 2011, 19(3): 690?696.

[4] Alippi C, Casagrande E, Scotti F, et al. Composite real-time image processing for railways track profile measurement[J]. IEEE Transactions on Instrumentation & Measurement, 2000, 49(3): 559?564.

[5] SUN J, LIU Z, ZHAO Y, et al. Motion deviation rectifying method of dynamically measuring rail wear based on multi-line structured-light vision[J]. Optics & Laser Technology, 2013, 50(2): 25?32.

[6] Steger C. An unbiased detector of curvilinear structures[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1998, 20(2): 113?125.

[7] Besl P J, Mckay H D. A method for registration of 3-D shapes. IEEE trans pattern anal mach Intell[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1992, 14(2): 239?256.

[8] Nchter A, Kai L, Hertzberg J. Cached k-d tree search for ICP algorithms[C]// International Conference on 3-D Digital Imaging and Modeling. IEEE, 2007: 419?426.

[9] Greenspan M, Godin G. A nearest neighbor method for efficient ICP[C]// International Conference on 3-D Digital Imaging and Modeling, 2001.

[10] 康高強, 李春茂, 秦莉娟, 等. 一種鋼軌動態(tài)輪廓數據校準方法研究[J]. 傳感技術學報, 2015(2): 221?226. KANG Gaoqiang, LI Chunmao, QIN Lijuan, et al. Research on a method of calibrating dynamic rail profile data[J]. Chinese Journal of Sensors and Actuators, 2015(2): 221?226.

[11] 鄭樹彬, 柴曉冬, 安小雪, 等. 基于動態(tài)模板的鋼軌磨耗測量方法研究[J]. 中國鐵道科學, 2013, 34(2): 7?12. ZHENG Shubin, CHAI Xiaodong, AN Xiaoxue, et al. Rail wear measuring method based on dynamic template[J]. China Railway Science, 2013, 34(2): 7?12.

[12] 胡坤, 周富強, 張廣軍. 一種快速結構光條紋中心亞像素精度提取方法[J]. 儀器儀表學報, 2006, 27(10): 1326?1329. HU Kun, ZHOU Fuqiang, ZHANG Guangjun. Fast extrication method for subpixel of sturctured-light stripe[J]. Chinese Journal of Scientific Instrument, 2006, 27(10): 1326?1329.

[13] 占棟, 于龍, 肖建, 等. 軌道檢測中激光攝像式傳感器標定方法研究[J]. 機械工程學報, 2013, 49(16): 39?47. ZHAN Dong, YU Long, XIAO Jian, et al. Calibration approach study for the laser camera transducer of track inspection[J]. Journal of Mechanical Engineering, 2013, 49(16): 39?47.

[14] SUN J, LIU Z, ZHAO Y, et al. Motion deviation rectifying method of dynamically measuring rail wear based on multi-line structured-light vision[J]. Optics & Laser Technology, 2013, 50(2): 25?32.

[15] 王偉華, 孫軍華, 劉震, 等. 鋼軌磨耗動態(tài)測量結構光條紋中心提取算法[J]. 激光與紅外, 2010, 40(1): 87?90.WANG Weihua, SUN Junhua, LIU Zhen, et al. Stripe center extrication algorithm for structured-light in rail wear dynamic measurement[J]. Laser & Infrared, 2010, 40(1): 87?90.

(編輯 陽麗霞)

Research on matching algorithm in rail profile inspection

ZHU Xinrong1, GUO Zhentong1, ZHOU Yunxia1, HUANG Ting1, CHEN Jianhai1, YU Long2

(1. Marketing Department, CRRC Nanjing Puzhen Co., Ltd, Nanjing 210032, China; 2. School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China)

Inspecting the whole section by laser vision measuring technology for rail profile, due to the random vibration of the vehicle in the process of dynamic measurement, affects the accuracy of rail profile data. Therefore, it is a key problem in the current orbital profile test to realize the automatic matching of the steel rail profile and the standard profile with high speed dynamic conditions. Detection based on the analysis of domestic and foreign rail profiles, profile matching on the basis of the status quo, by using Iterative closest Point to simplify the algorithm, and optimal matching corresponding points in the process of search strategy were performed under the premise that the precision of matching was ensured to solve the matching problem of rail profile detection and to achieve real-time detection requirements. Finally, the algorithm was applied to the subway track detection equipment, and the effectiveness of this method was verified.

full cross-section; fast; vision measurement; matching algorithm

10.19713/j.cnki.43?1423/u.2018.09.029

U216.3

A

1672 ? 7029(2018)09 ? 2401 ? 06

2017?07?12

高鐵聯(lián)合基金重點資助項目(U1234203)

于龍(1980?)，男，遼寧沈陽人，副教授，博士，從事視覺測量方面研究；E?mail：yulong.swjtu@163.com