董 昱，郭 碧

(1.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070；2.蘭州交通大學(xué) 光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070)

伴隨著智能化技術(shù)和城市軌道全自動(dòng)運(yùn)行系統(tǒng)的發(fā)展，提出了對(duì)于列車(chē)前方限界監(jiān)測(cè)的功能需求[1-4]。軌道線(xiàn)作為圖像空間內(nèi)鐵路限界范圍的參考線(xiàn)，其識(shí)別的準(zhǔn)確性直接影響著列車(chē)對(duì)于前方環(huán)境范圍的感知[5]。在鋼軌限界范圍內(nèi)的扣件、應(yīng)答器、道床以及自然光影等形成的動(dòng)態(tài)復(fù)雜且紋理不規(guī)則的背景干擾，成為當(dāng)前制約軌道線(xiàn)檢測(cè)識(shí)別措施魯棒性和精確性的因素。

近些年來(lái)，研究人員主要以特征對(duì)比和模板匹配的方法作為結(jié)構(gòu)化道路的視覺(jué)識(shí)別算法基礎(chǔ)[6]。在軌道交通鋼軌的檢測(cè)中，采用基于特征的方法主要是針對(duì)鋼軌軌枕和道床在相角、邊緣特性和局部范圍內(nèi)的灰度及紋理差異來(lái)識(shí)別出軌道線(xiàn)[7-8]，如文獻(xiàn)[9]中以軌道線(xiàn)主方向相位特征作為鋼軌提取的依據(jù)，提出迭代校正檢測(cè)識(shí)別算法?；谔卣鲗?duì)比的方法有較高的容錯(cuò)率，但是高頻圖像幀的連續(xù)逐幀識(shí)別不僅計(jì)算量大，也難以滿(mǎn)足實(shí)時(shí)性要求?；谀０迤ヅ涞臋z測(cè)方法根據(jù)局部范圍內(nèi)的鋼軌形態(tài)采用分段直線(xiàn)、樣條曲線(xiàn)、二次曲線(xiàn)、高次曲線(xiàn)等描述模型來(lái)實(shí)現(xiàn)對(duì)于軌道線(xiàn)的擬合[10]。如文獻(xiàn)[11]通過(guò)Bresenham算法完成對(duì)直線(xiàn)軌道的數(shù)學(xué)描述，但鐵路的曲線(xiàn)段難以通過(guò)直線(xiàn)模型擬合，而可以較準(zhǔn)確貼合軌道線(xiàn)走向的高次曲線(xiàn)模型對(duì)噪聲特征點(diǎn)的擾動(dòng)更加敏感。

鑒于此，本文提出一種近遠(yuǎn)景區(qū)域分段可切換的數(shù)學(xué)模型進(jìn)行鋼軌線(xiàn)的檢測(cè)和擬合。針對(duì)連續(xù)逐幀固定特征匹配方法在精度和實(shí)時(shí)性方面較差的問(wèn)題，本文依據(jù)軌道線(xiàn)曲率特性，設(shè)置近遠(yuǎn)景區(qū)域。針對(duì)近景區(qū)直軌特性，通過(guò)改進(jìn)霍夫變換來(lái)實(shí)現(xiàn)描述；在遠(yuǎn)景區(qū)，引入具有尺度不變特性的Hu矩特征，提出可漂移窗口搜索匹配算法來(lái)應(yīng)對(duì)彎軌的旋轉(zhuǎn)尺度變化，從而提高算法的魯棒性，同時(shí)增強(qiáng)算法檢測(cè)和跟蹤的效率。

1 軌道檢測(cè)算法框架

本文所示算法的實(shí)現(xiàn)步驟及所對(duì)應(yīng)的理論方法支撐架構(gòu)框圖如圖1所示。算法在初始化過(guò)程中完成視頻序列幀的預(yù)處理及軌道線(xiàn)位置的標(biāo)定。根據(jù)車(chē)輛上安裝的圖像傳感器與鋼軌位置的固定性，采用標(biāo)定的近景區(qū)軌道線(xiàn)邊界點(diǎn)作為起點(diǎn)，通過(guò)可漂移窗口搜索算法，以具有尺度不變特性的Hu矩作為相似度量參量完成對(duì)鋼軌特征點(diǎn)的匹配確定。對(duì)鋼軌線(xiàn)的自動(dòng)檢測(cè)和擬合過(guò)程最終依據(jù)制定的模型更新和切換規(guī)則實(shí)現(xiàn)。

圖1 鐵路軌道識(shí)別算法架構(gòu)

2 軌道邊緣特征提取

2.1 圖像預(yù)處理

鋼軌所在環(huán)境背景中包含著復(fù)雜的紋理信息，同時(shí)車(chē)輛走行振動(dòng)以及傳感器處理環(huán)節(jié)使得軌道圖像幀中產(chǎn)生噪聲。本算法采用灰度直方圖均衡法來(lái)降低光照變化的影響，通過(guò)中值濾波法減少非必要道砟紋理和噪聲點(diǎn)。原圖及處理結(jié)果如圖2(a)、圖2(b)示。

(a)軌道圖像原圖 (b)預(yù)處理

(c)Laplace算子 (d)Canny算子

(e)Sobel算子 (f)改進(jìn)邊緣檢測(cè)結(jié)果圖2 軌道邊緣特征提取

2.2 軌道邊緣特征提取與篩選

經(jīng)車(chē)輪磨損后鐵路鋼軌面與軌枕和道床差異較大，其邊界在灰度像素值上變化明顯，可通過(guò)基于灰度梯度的邊緣檢測(cè)算子進(jìn)行提取。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)：Laplace算子運(yùn)算結(jié)果受紋理干擾較大，線(xiàn)性連續(xù)性不足；Canny運(yùn)算符耗時(shí)較長(zhǎng)，且得到了大量弱邊界信息。而結(jié)構(gòu)簡(jiǎn)單、實(shí)時(shí)性較高的Sobel算子，可有效提高算法的效率，摒除弱邊緣信息干擾。實(shí)驗(yàn)結(jié)果如圖2(c)、圖2(d)、圖2(e)所示。經(jīng)標(biāo)準(zhǔn)Sobel算子提取得到的軌道線(xiàn)呈現(xiàn)雙側(cè)邊緣，且其中仍然有來(lái)自軌枕的水平方向邊緣信息、垂直方向邊緣信息和部分雜散弱邊緣。為減少干擾信息造成的誤差，本文采用數(shù)學(xué)形態(tài)學(xué)來(lái)剔除干擾邊緣。

數(shù)學(xué)形態(tài)學(xué)方法是根據(jù)構(gòu)造得到的固定結(jié)構(gòu)元素完成對(duì)數(shù)據(jù)的描述和處理，且對(duì)數(shù)據(jù)整體結(jié)構(gòu)影響較小，具有較高的計(jì)算效率和準(zhǔn)確度[12]。本算法的主要步驟為：通過(guò)分別建立垂直和水平方向的單線(xiàn)性結(jié)構(gòu)元素來(lái)重構(gòu)干擾信息，再在初步處理的邊緣中剔除重構(gòu)邊緣以得到雙線(xiàn)軌道，最后通過(guò)線(xiàn)間填充及形態(tài)學(xué)細(xì)化方法即可提取較為明確的鋼軌脊線(xiàn)，檢測(cè)結(jié)果如圖2(f)所示。

3 基于B樣條的可切換軌道模型

安裝在機(jī)車(chē)上的視覺(jué)傳感器與鋼軌在圖像空間中呈像具有視角固定的特性，采集的圖像幀中軌道線(xiàn)呈現(xiàn)近景區(qū)直線(xiàn)軌道固定，遠(yuǎn)景區(qū)直曲線(xiàn)不斷變化。本算法在近景區(qū)基于改進(jìn)霍夫變換求解完成直線(xiàn)軌道標(biāo)定，并固定直軌參數(shù)。直到視覺(jué)傳感器位置變化，算法重新計(jì)算直軌數(shù)據(jù)，完成再次標(biāo)定。軌道線(xiàn)識(shí)別的核心點(diǎn)在于完成對(duì)遠(yuǎn)景區(qū)軌道特征點(diǎn)的識(shí)別和模型擬合。

3.1 近遠(yuǎn)景區(qū)域標(biāo)定

依據(jù)鐵路線(xiàn)路標(biāo)準(zhǔn)對(duì)線(xiàn)路最小曲率半徑和坡度的要求，鋼軌表面可以認(rèn)為是連續(xù)且平滑的[13]。依據(jù)視覺(jué)呈像原理，在世界坐標(biāo)下平行的兩條軌道線(xiàn)相交于投影圖像內(nèi)一點(diǎn)。此消隱點(diǎn)Pvanish(v，u)內(nèi)方為軌道線(xiàn)范圍。將軌道線(xiàn)范圍以vb為界分割成遠(yuǎn)景區(qū)和近景區(qū)。視頻幀的圖像空間原點(diǎn)及方向定義如圖3所示。

圖3 軌道模型示意

3.2 分段可切換曲線(xiàn)模型

描述鋼軌數(shù)學(xué)模型的選擇需充分考慮擬合的精確性和算法的計(jì)算效率。經(jīng)典的結(jié)構(gòu)化路徑檢測(cè)擬合數(shù)學(xué)模型有多段直線(xiàn)[11]、高次曲線(xiàn)、貝茲曲線(xiàn)、雙曲線(xiàn)[14]、樣條曲線(xiàn)[15]等。因?yàn)锽樣條曲線(xiàn)具備描述精度高、修改靈活、線(xiàn)型光滑的優(yōu)點(diǎn)。本文以B樣條曲線(xiàn)作為遠(yuǎn)景區(qū)鋼軌的數(shù)學(xué)模型。B樣條曲線(xiàn)模型是由B樣條基函數(shù)進(jìn)行構(gòu)造的。模型的數(shù)學(xué)描述為

(1)

式中：Pi為曲線(xiàn)控制點(diǎn)；n為曲線(xiàn)階數(shù)；t為參量；Bi，n為樣條基函數(shù)，n階(n-1次)函數(shù)。Bi，n可描述為

(2)

為提高軌道線(xiàn)數(shù)學(xué)模型擬合的精度和抗干擾性能，本算法建立了以B樣條為可動(dòng)部分的分段可切換曲線(xiàn)模型。數(shù)學(xué)表達(dá)式為

C=[nPna] 1≤n≤3

(3)

式中：Pn為軌道線(xiàn)曲線(xiàn)模型的特征控制節(jié)點(diǎn)；n為曲線(xiàn)的階數(shù)；a作為記錄切換狀態(tài)的符號(hào)。

當(dāng)遠(yuǎn)景區(qū)鋼軌呈現(xiàn)直線(xiàn)特征時(shí)，曲線(xiàn)可切換部分模型階數(shù)取值為1，以遠(yuǎn)景區(qū)軌道線(xiàn)末端終點(diǎn)和分界點(diǎn)坐標(biāo)實(shí)現(xiàn)模型描述。當(dāng)遠(yuǎn)景區(qū)呈彎軌特征時(shí)，曲線(xiàn)模型可切換部分以3階樣條曲線(xiàn)進(jìn)行擬合。數(shù)學(xué)表達(dá)式為：

(1)1次B樣條直軌模型。模型取始終點(diǎn)坐標(biāo)作為擬合的特征控制節(jié)點(diǎn)。

(4)

(2)3次B樣條彎軌模型。曲線(xiàn)需由m+4個(gè)節(jié)點(diǎn)擬合確定，m為控制節(jié)點(diǎn)個(gè)數(shù)。通過(guò)設(shè)置三重坐標(biāo)點(diǎn)方法確保曲線(xiàn)經(jīng)過(guò)終點(diǎn)和始點(diǎn)坐標(biāo)。

(5)

3.3 模型切換策略

設(shè)定近遠(yuǎn)景區(qū)模型切換的判斷規(guī)則為：近景區(qū)固定直軌線(xiàn)斜率kp與邊界點(diǎn)和曲線(xiàn)遠(yuǎn)景區(qū)特征終點(diǎn)所形成的斜率是否具有一致性。考慮像素偏差的影響，將判斷條件表示為

(6)

當(dāng)由算法搜索獲得的特征點(diǎn)和雙側(cè)鋼軌線(xiàn)的近遠(yuǎn)景邊界點(diǎn)形成的斜率符合式(6)約束時(shí)，對(duì)切換記錄標(biāo)識(shí)a的值進(jìn)行修改，采用3次曲線(xiàn)的模型完成擬合。

4 軌道識(shí)別與模型擬合

4.1 近景軌道位置標(biāo)定

近景區(qū)軌道線(xiàn)標(biāo)定即求解完成近景區(qū)直線(xiàn)模型的固定參量。直線(xiàn)提取常采用霍夫變換來(lái)完成，標(biāo)準(zhǔn)霍夫變換是將圖像空間中的點(diǎn)映射為極坐標(biāo)參數(shù)空間中的曲線(xiàn)，利用點(diǎn)線(xiàn)的對(duì)偶特性使直線(xiàn)的識(shí)別轉(zhuǎn)化為統(tǒng)計(jì)過(guò)程[16]。算法具有較強(qiáng)的抗干擾優(yōu)勢(shì)，但以持續(xù)累加進(jìn)行統(tǒng)計(jì)的方式較為耗時(shí)。

考慮在1 435 mm的標(biāo)準(zhǔn)軌道間距條件下，將視覺(jué)傳感器固定于車(chē)輛后，通過(guò)試驗(yàn)確定呈像空間直軌的方向角范圍為[65°，85°]和[-85°，-65°]，且直軌線(xiàn)與圖像空間原點(diǎn)距不大于圖像的1/2對(duì)角線(xiàn)長(zhǎng)。采用霍夫變換進(jìn)行改進(jìn)約束，提升累積效率。通過(guò)將算法中的統(tǒng)計(jì)單元(ρi，θi)分別在方向角范圍內(nèi)各取一個(gè)最大值實(shí)現(xiàn)。在像素為512×480的圖像空間里，霍夫變換的算法結(jié)果如圖4、圖5所示。通過(guò)標(biāo)準(zhǔn)坐標(biāo)與極坐標(biāo)的變換關(guān)系ρ=vcosθ+usinθ，即可求解得到標(biāo)準(zhǔn)的直線(xiàn)參數(shù)為

(7)

圖4 Hough變換圖5 直線(xiàn)提取結(jié)果

由以上直線(xiàn)方程求解得到圖像空間的左右線(xiàn)直軌延伸交點(diǎn)，即為消隱點(diǎn)Pvanish。本文算法通過(guò)視覺(jué)傳感器的呈像模型及現(xiàn)場(chǎng)枕木施工間距將近遠(yuǎn)景區(qū)域邊界點(diǎn)vb近似定于消隱點(diǎn)下1/2處。根據(jù)分區(qū)點(diǎn)的位置即可通過(guò)直線(xiàn)方程參數(shù)計(jì)算得到遠(yuǎn)景區(qū)的起始端點(diǎn)Pl0(vb，ul_boundry)和Pr0(vb，ur_boundry)。

4.2 基于Hu不變矩的軌道特征點(diǎn)提取

目前常用的以邊緣方向和結(jié)構(gòu)化特征為基礎(chǔ)的軌道線(xiàn)檢測(cè)識(shí)別方法難以處理因呈像所導(dǎo)致的仿射結(jié)果。Hu矩具備平移、旋轉(zhuǎn)、尺度不變特性，本文通過(guò)基于Hu矩的可漂移檢測(cè)窗口來(lái)滿(mǎn)足特征點(diǎn)搜索需求。

4.2.1 Hu不變矩特征

常用的圖像數(shù)據(jù)紋理特征分析度量算子有SURF、傅里葉描述子、不變矩等。Hu不變矩是由HU M K等提出的，大量試驗(yàn)證明了在笛卡爾坐標(biāo)系下，由2、3階歸一化中心矩所構(gòu)造的7個(gè)矩特征向量，不僅具有對(duì)灰度圖像縮放及扭曲過(guò)程中所引起的變化特征描述值不變的特點(diǎn)[17]，而且相對(duì)計(jì)算量更小。所以，本算法采用Hu矩作為軌道線(xiàn)搜索匹配的參數(shù)。

隨機(jī)數(shù)據(jù)的分布可以用矩來(lái)描述。二維灰度密度函數(shù)同樣可用以表示圖像灰度值的分布情況。以矩作為灰度圖像的描述時(shí)，尺寸為M×N像素的數(shù)字圖像的p+q階中心矩Mpq和幾何矩upq可以表示為

(8)

(9)

式中：vp=Ml0/M00；uq=M01/M00；p，q值為0，1，…。通常，可以通過(guò)對(duì)中心矩實(shí)現(xiàn)歸一化處理去除圖像因縮放而產(chǎn)生的灰度變化。

(10)

式中：r=1+(p+q)/2，p+q=2，3，…。

針對(duì)Hu不變矩性能，通過(guò)各領(lǐng)域研究和實(shí)踐發(fā)現(xiàn)其前4維的描述效果更突出[18]，并可降低系統(tǒng)資源需求，提升計(jì)算效率。采用前4維特征量，其表達(dá)式為

(11)

鑒于Hu矩的處理結(jié)果數(shù)據(jù)范圍較大，算法用對(duì)數(shù)表示結(jié)果，再參與比較。

Φi=abs(lgΦi)i=1，…，4

(12)

4.2.2 相似度度量

本算法中，歐幾里得距離作為對(duì)照搜索窗內(nèi)灰度特征與軌道線(xiàn)匹配程度的客觀(guān)表征量，取特征值向量為Xk=[Φk1Φk2Φk3Φk4]。

(13)

式中：k為搜索匹配窗的標(biāo)號(hào)；Dk為第k個(gè)搜索窗與前一搜索窗特征向量的歐式距離。

4.2.3 基于Hu不變矩的可漂移窗口搜索算法

常見(jiàn)的基于可漂移窗口的圖像特征點(diǎn)檢測(cè)算法通過(guò)設(shè)定等間距水平線(xiàn)來(lái)實(shí)現(xiàn)遍歷搜索，算法在進(jìn)行軌道線(xiàn)檢測(cè)識(shí)別中的計(jì)算量較大，且包括大量非目標(biāo)區(qū)域。本文根據(jù)軌道線(xiàn)延伸特性，提出一種以特征點(diǎn)轉(zhuǎn)向偏移量為約束條件的移動(dòng)窗口搜索方法。

為滿(mǎn)足對(duì)于世界坐標(biāo)下遠(yuǎn)景搜索區(qū)域的近似等間距劃分，本文考慮道床枕木的等距施工特征，根據(jù)圖像傳感器的呈像原理，以枕木對(duì)遠(yuǎn)景區(qū)域的檢測(cè)窗口實(shí)現(xiàn)尺寸設(shè)置和標(biāo)定。標(biāo)定方法為：以固定數(shù)目枕木敷設(shè)間距為間隔，標(biāo)出檢測(cè)范圍內(nèi)的分界線(xiàn)LImage_i。通過(guò)度量相鄰分區(qū)的間隔距離比例來(lái)確定下一分區(qū)位置，記分界線(xiàn)為l1，l2，l3，…。各分區(qū)寬度設(shè)置為ai=0.5LImage_i，在近遠(yuǎn)景邊界點(diǎn)(vb，ul_boundry)和(vb，ur_boundry)分別設(shè)置搜索窗wli、wri，依據(jù)下文步驟展開(kāi)搜索。搜索算法示意圖如圖6所示。

圖6 特征點(diǎn)搜索方法示意

以軌道線(xiàn)搜索窗的選擇為依據(jù)，軌道線(xiàn)模型控制點(diǎn)的提取步驟如下：

步驟1由Pl0、Pr0檢測(cè)窗數(shù)據(jù)計(jì)算得到特征匹配窗內(nèi)對(duì)象的Hu矩Xl0=[Фl1Фl2Фl3Фl4]，Xr0=[Фr1Фr2Фr3Фr4]。

步驟2以分步定位為原則，設(shè)置分區(qū)邊界l1上的wl1、wr1，由(ul0+ur0)/2開(kāi)始檢測(cè)，檢測(cè)步長(zhǎng)為ai/2，向兩側(cè)于[vl0，vr0]中記錄矩距離的極小值Dmin；初步定位后，通過(guò)遍歷步長(zhǎng)范圍內(nèi)的點(diǎn)求取歐式距離最小值。

步驟3遠(yuǎn)景區(qū)曲線(xiàn)軌道的彎曲方向由計(jì)算Pl0，Pr0和Pl1，Pr1在水平方向的偏移量Δd得到，并設(shè)誤差范圍e。

步驟4將相隔連續(xù)已確定控制點(diǎn)的正向延長(zhǎng)線(xiàn)與下一分界線(xiàn)的交點(diǎn)作為起點(diǎn)。若Δd>e，則單向檢測(cè)，正則向右，負(fù)則向左。若Δd≤e，取雙側(cè)進(jìn)行搜索。

步驟5取匹配度度量值T，Dmin≤T時(shí)，記錄此處軌道線(xiàn)特征點(diǎn)坐標(biāo)值作為控制點(diǎn)；Dmin>T而搜索未結(jié)束時(shí)，以獲得的前2個(gè)特征點(diǎn)坐標(biāo)為依據(jù)，采用其向遠(yuǎn)景延長(zhǎng)線(xiàn)方向的搜索起點(diǎn)作為特征點(diǎn)，將始點(diǎn)進(jìn)行dl或dr距離的偏移，作為此分區(qū)的控制點(diǎn)坐標(biāo)。

步驟6判斷算法是否終止，否則繼續(xù)下一檢測(cè)位置搜索，轉(zhuǎn)步驟4。終止條件：

(1)下一次搜索窗坐標(biāo)超出消隱邊界；

(2)兩側(cè)軌道線(xiàn)搜索獲得的控制點(diǎn)位置坐標(biāo)距d=uri-uli小于設(shè)定的閾值，即認(rèn)定軌道線(xiàn)近似相交。

步驟7進(jìn)入模型判別，擬合模型參數(shù)。

4.2.4 模型擬合

通過(guò)漂移窗檢測(cè)得到的控制起始點(diǎn)坐標(biāo)進(jìn)行可切換模型確定，以最小二乘法實(shí)現(xiàn)對(duì)選定模型的擬合及求解。本文舉例視頻幀中采集的左軌線(xiàn)特征點(diǎn)及其Hu不變矩值見(jiàn)表1。模型擬合匹配結(jié)果如圖7所示。

表1 示例中的軌道線(xiàn)特征節(jié)點(diǎn)提取數(shù)據(jù)

圖7 軌道模型擬合匹配結(jié)果

5 軌道模型識(shí)別及更新算法流程

本文所提鋼軌檢測(cè)提取算法流程主要分為初始化處理、近景區(qū)直軌線(xiàn)固定參數(shù)求解、遠(yuǎn)景區(qū)曲線(xiàn)擬合與跟蹤3部分，檢測(cè)流程如圖8所示。在軌道線(xiàn)檢測(cè)中算法受環(huán)境及噪聲干擾而出現(xiàn)異常或識(shí)別不出軌道線(xiàn)信息時(shí)，算法通過(guò)判斷終止條件在給出識(shí)別錯(cuò)誤的同時(shí)重新開(kāi)始進(jìn)行處理。在正常情況下，算法自動(dòng)完成對(duì)于軌道線(xiàn)的參數(shù)更新。

圖8 軌道檢測(cè)算法流程

更新及追蹤過(guò)程考慮到圖像傳感器隔幀采集到的軌道線(xiàn)變化情況較小，呈像線(xiàn)路參數(shù)一致性較高，本文算法通過(guò)設(shè)置隔幀采集并優(yōu)先針對(duì)上次控制終點(diǎn)進(jìn)行搜索匹配。若搜索的結(jié)果與上次終點(diǎn)坐標(biāo)一致，則以上幀結(jié)果為輸出，若出現(xiàn)偏移，則根據(jù)算法流程進(jìn)行線(xiàn)路模型的重新擬合跟蹤。

6 結(jié)果分析與驗(yàn)證

本算法通過(guò)Matlab2013編程實(shí)現(xiàn)，實(shí)驗(yàn)檢測(cè)所用計(jì)算機(jī)系統(tǒng)為Windows7，系統(tǒng)CPU為2.4 GHz的Inter CORETMi3處理器。

6.1 算法準(zhǔn)確性對(duì)比分析

采用與人工標(biāo)定結(jié)果進(jìn)行對(duì)比，以左右軌道線(xiàn)擬合函數(shù)值與標(biāo)定曲線(xiàn)差值的平均值作為誤差度量值，復(fù)現(xiàn)了文獻(xiàn)[8]中算法作為參照。以圖2軌道為例，誤差統(tǒng)計(jì)如圖9所示。在遠(yuǎn)景區(qū)域內(nèi)，文獻(xiàn)[8]算法不具備適應(yīng)性，本文算法擬合誤差較?。辉诮皡^(qū)域內(nèi)，本文算法準(zhǔn)確度更優(yōu)。

圖9 軌道檢測(cè)誤差統(tǒng)計(jì)

6.2 算法魯棒性和實(shí)時(shí)性分析

實(shí)驗(yàn)圖像數(shù)據(jù)包括246幅鋼軌的灰度圖片和120幀列車(chē)駕駛室的視頻序列幀。圖像像素尺寸為256×240。實(shí)驗(yàn)對(duì)比結(jié)果見(jiàn)表2。本文算法實(shí)現(xiàn)對(duì)鋼軌的識(shí)別平均需要時(shí)長(zhǎng)為81 ms，完成對(duì)鋼軌特征點(diǎn)提取及模型重?cái)M合的時(shí)長(zhǎng)為172 ms，識(shí)別正確率可達(dá)88.93%；文獻(xiàn)[8]算法軌道線(xiàn)提取時(shí)間均值為316 ms，正確率為55.74%，且文獻(xiàn)[8]算法難以準(zhǔn)確識(shí)別遠(yuǎn)景區(qū)曲線(xiàn)鋼軌。較為典型的場(chǎng)景下鋼軌的識(shí)別結(jié)果如圖10所示，其中本文方法如左側(cè)所示，文獻(xiàn)[8]算法如右側(cè)所示。

表2 算法實(shí)驗(yàn)結(jié)果對(duì)比

圖10(a)為光照充足無(wú)砟道床場(chǎng)景下的軌道圖像，本文算法能夠提取鋼軌脊線(xiàn)位置，而文獻(xiàn)[8]算法識(shí)別到的軌道線(xiàn)產(chǎn)生了偏移。圖10(b)為陰雨天較差可視環(huán)境下小彎軌軌道圖像，本文算法可有效檢測(cè)出前方彎軌。圖10(c)為存在強(qiáng)干擾場(chǎng)景下的彎軌軌道，本文方法因光影信息使匹配結(jié)果出現(xiàn)偏移，文獻(xiàn)[8]算法僅準(zhǔn)確識(shí)別到右軌道線(xiàn)信息，左軌受強(qiáng)邊緣干擾及彎軌曲率而產(chǎn)生誤檢。圖10(d)中出現(xiàn)的單邊遮擋物使本文算法在右側(cè)遠(yuǎn)景區(qū)域軌道邊緣檢測(cè)未能準(zhǔn)確匹配，而文獻(xiàn)[8]算法因前方軌道斜率變化僅匹配到部分近景軌道。由此可以看出，本文方法對(duì)于場(chǎng)景變化的魯棒特性更好，同時(shí)數(shù)學(xué)模型能更精確地?cái)M合軌道線(xiàn)。

(a)光照充足無(wú)砟道床直軌圖像

(b)陰雨天有砟彎軌軌道圖像

(c)有陰影干擾彎軌軌道圖像

(d)有遮擋干擾直軌軌道圖像圖10 軌道線(xiàn)檢測(cè)實(shí)驗(yàn)結(jié)果

7 結(jié)束語(yǔ)

本文依據(jù)機(jī)器視覺(jué)在提取軌道線(xiàn)過(guò)程中的特性，提出一種分段可切換的曲線(xiàn)模型來(lái)實(shí)現(xiàn)軌道線(xiàn)的描述。其中，通過(guò)數(shù)學(xué)形態(tài)學(xué)方法能在初始化處理階段較好地消除邊緣中的干擾信息。在檢測(cè)跟蹤過(guò)程中，基于改進(jìn)霍夫變換能求解得到近景區(qū)直軌參量；通過(guò)以Hu矩來(lái)度量匹配度的可漂移窗口搜索算法能完成對(duì)于遠(yuǎn)景區(qū)鋼軌特征點(diǎn)的識(shí)別，基于模型更新步驟及規(guī)則來(lái)完成可切換樣條模型擬合過(guò)程。在多種環(huán)境場(chǎng)景下的實(shí)驗(yàn)表明，算法可以有效應(yīng)對(duì)圖像中軌道線(xiàn)的仿射變化，具備一定的實(shí)時(shí)性和魯棒性。后續(xù)工作開(kāi)展中，可將算法融合進(jìn)路軌前方障礙物探測(cè)、鐵路視頻監(jiān)控等技術(shù)領(lǐng)域，以期實(shí)現(xiàn)工程應(yīng)用。