鄒志，馬驪群，甘曉川，樊晶晶

(航空工業(yè)北京長城計(jì)量測試技術(shù)研究所，北京 100095)

0 引言

鐵路機(jī)車的動態(tài)限界是在結(jié)構(gòu)限界和靜態(tài)限界基礎(chǔ)上，進(jìn)一步考慮懸掛的靜態(tài)、準(zhǔn)靜態(tài)和動態(tài)振動變形的限界，也被稱作動態(tài)包絡(luò)線[1]?，F(xiàn)有動態(tài)限界研究采用理論模型仿真方法和直接測量方法。理論模型仿真方法僅計(jì)算理論的位移量，而不同車體的實(shí)際振動相對理論模型會有差異，且車體的機(jī)械彈簧與空氣彈簧使得機(jī)車整體非剛體，故理論值無法代表實(shí)際偏移，只能作為一個測量參考。直接測量方法分為位移傳感器方法和攝影測量方法。其中，位移傳感器方法是在機(jī)車車體某一截面上布設(shè)多個位移傳感器，當(dāng)車體晃動時，傳感器的位移發(fā)生變化，根據(jù)位移的相對變化量和傳感器的安置位置確定車體的動態(tài)限界。位移傳感器方法無法保證傳感器的布置方向與機(jī)車振動方法完全平行，故測量存在理論誤差；且此方法待測點(diǎn)較多，線位移傳感器的安裝與拆卸工作繁瑣，測量效率低。攝影測量[2]方法通過在機(jī)車的端面各個預(yù)觀測位置布置觀測目標(biāo)點(diǎn)，利用工業(yè)相機(jī)對目標(biāo)點(diǎn)進(jìn)行連續(xù)拍攝，通過數(shù)字圖像處理技術(shù)得到目標(biāo)點(diǎn)的運(yùn)動軌跡，分析機(jī)車整車在振動過程中的最大偏移量，進(jìn)而得到限界。這種方法得到的限界更直觀、更真實(shí)，無需補(bǔ)償，抗干擾能力強(qiáng)，是一種高速、便捷、精度高的非接觸測量方法。隨著相機(jī)性能的提升，攝影測量方法應(yīng)用范圍越來越廣。但該方法存在的最大問題是如何快速識別出目標(biāo)點(diǎn)以滿足機(jī)車的動態(tài)響應(yīng)要求。

本文提出了一種適用于攝影測量方法的目標(biāo)快速自動識別與匹配方法，其中針對目標(biāo)快速自動識別提出了一種基于雙分辨力空間分析的目標(biāo)點(diǎn)識別算法，它有效解決了高分辨力圖像對于多目標(biāo)的搜索效率問題；針對目標(biāo)的準(zhǔn)確匹配，提出了一種基于自描述向量的RANSAC算法，該方法可有效減少非觀測目標(biāo)的干擾，同時可以預(yù)測單應(yīng)矩陣求解后目標(biāo)的匹配精度。

1 測量系統(tǒng)及目標(biāo)自動識別算法

本文識別的目標(biāo)是一種光強(qiáng)可控的紅外LED主動光學(xué)目標(biāo)，其分布范圍為6 m×6 m，直徑為40 mm，數(shù)量可達(dá)25個。采用分辨力為2000萬像素的黑白工業(yè)相機(jī)拍攝，相機(jī)的幀采樣頻率為30幀/秒。如圖1所示，測量系統(tǒng)包括紅外目標(biāo)、多通道目標(biāo)控制器、高速工業(yè)相機(jī)、圖像采集及處理系統(tǒng)等。其中目標(biāo)可根據(jù)需要布設(shè)在機(jī)車端面的任意觀測位置上。

圖1 機(jī)車全動態(tài)包絡(luò)線測量系統(tǒng)示意圖

傳統(tǒng)的識別目標(biāo)點(diǎn)方法一般需要對預(yù)處理后的整幅圖像進(jìn)行卷積、邊緣提取、特征分析等，故運(yùn)算量大、處理時間長，對系統(tǒng)的硬件設(shè)備要求較高，不適合進(jìn)行現(xiàn)場高分辨力圖像的快速處理。如果能將整幅圖像中屬于可能目標(biāo)點(diǎn)的圖像區(qū)域預(yù)先估計(jì)出來，就可以通過附加判斷條件直接識別目標(biāo)，從而有效提高目標(biāo)的識別速度。因此，為了避免對整幅圖像的全部數(shù)據(jù)進(jìn)行分析，本文提出了基于雙分辨力空間分析的目標(biāo)點(diǎn)識別算法，以實(shí)現(xiàn)目標(biāo)點(diǎn)的自動、準(zhǔn)確提取與匹配，自動識別算法流程如圖2所示。

圖2 自動識別算法流程圖

采用高低兩種圖像分辨力進(jìn)行圖像分析，尋找目標(biāo)點(diǎn)，避免對整幅圖像的全部數(shù)據(jù)進(jìn)行分析。處理方法為：

2)對搜索區(qū)域進(jìn)行二值化，判斷連通域的個數(shù)，當(dāng)連通域個數(shù)為1，且連通域面積符合實(shí)際光斑大小時，認(rèn)為該連通域?yàn)楣獍撸蝗暨B通域個數(shù)為0，或連通域個數(shù)為1但面積小于光斑大小的80%時，則認(rèn)為該光斑存在遮擋；若連通區(qū)域個數(shù)大于1，則認(rèn)為出現(xiàn)干擾。

(1)

當(dāng)某一區(qū)域出現(xiàn)遮擋和干擾情況時，將在低分辨力下進(jìn)行處理。在低分辨力計(jì)算中，首先對圖像進(jìn)行連續(xù)下采樣操作，從原始分辨力降至原來的1/64，即圖像的寬和高均變?yōu)樵瓉淼?/8，并對圖像進(jìn)行二值化，通過在低分辨力圖像中尋找灰度高于閾值的像素，作為高分辨力下區(qū)域增長算法的“初始點(diǎn)”，以實(shí)現(xiàn)高分辨力圖像連通域的快速提取。

2 基于自描述向量的RANSAC目標(biāo)匹配法

當(dāng)出現(xiàn)遮擋和干擾情況時，為了將實(shí)際目標(biāo)和噪音目標(biāo)區(qū)分開，需要采用特殊的目標(biāo)匹配方法。一般目標(biāo)匹配可通過單應(yīng)矩陣將測量圖像中的目標(biāo)與參考圖像中的目標(biāo)一一關(guān)聯(lián)。常用的單應(yīng)矩陣計(jì)算方法采用RANSAC算法，但RANSAC算法在求解單應(yīng)矩陣時有這樣一個限制條件，即參與匹配的N個點(diǎn)對隨機(jī)抽取的p(p

由于下采樣得到的疑似目標(biāo)包含了噪音目標(biāo)，故無法保證所得到的均為完全有效的匹配點(diǎn)。因此，本文提出一種基于自描述向量的RANSAC算法進(jìn)行無序點(diǎn)集匹配。

2.1 自描述向量

2.2 目標(biāo)點(diǎn)自描述向量的相似度

如果兩組目標(biāo)點(diǎn)匹配正確,則每個已知目標(biāo)點(diǎn)的自描述向量與待匹配目標(biāo)點(diǎn)的自描述向量相似，判斷兩者相似度的方法為：計(jì)算兩組點(diǎn)集的每一個獨(dú)立點(diǎn)的自描述向量，從兩組點(diǎn)集中分別任取一個點(diǎn)的自描述向量，計(jì)算兩個自描述向量的歐氏距離，將兩個向量的歐式距離作為這個兩個點(diǎn)的最鄰近區(qū)域的相似度，通過設(shè)定閾值Thr，以最鄰近區(qū)域的相似度小于Thr的點(diǎn)對作為RANSAC算法的初始輸入。將第1組點(diǎn)中的每一個點(diǎn)的自描述向量與第二組的每一點(diǎn)的自描述向量進(jìn)行遍歷，進(jìn)行歐式距離求解，設(shè)DVij為第1組第i點(diǎn)到第2組第j點(diǎn)的最鄰近區(qū)域相似度，則

(2)

2.3 傳統(tǒng)RANSAC算法與本文算法的比較實(shí)驗(yàn)

現(xiàn)有兩組點(diǎn)集M，E，M為第N-1幅圖像得到的目標(biāo)點(diǎn)集，E為第N幅圖像得到的連通區(qū)域中心點(diǎn)集，點(diǎn)集M中的每一點(diǎn)PMi，都在點(diǎn)集E中擁有對應(yīng)點(diǎn)PEj，但i=j不一定成立，即兩組點(diǎn)集中擁有相同序號的點(diǎn)的不一定是匹配點(diǎn)，點(diǎn)坐標(biāo)在表1中呈現(xiàn)。兩組點(diǎn)集中目標(biāo)的位置在同一坐標(biāo)系下如圖3所示。

表1 兩組無序點(diǎn)集M和E

圖3 點(diǎn)集M和點(diǎn)集E的坐標(biāo)關(guān)系圖

直接采用傳統(tǒng)的RANSAC算法，求解點(diǎn)集E相對于點(diǎn)集M的單應(yīng)矩陣，該單應(yīng)矩陣為HE→M：

將E利用單應(yīng)矩陣HE→M進(jìn)行重投影變換后，則重投影點(diǎn)集

ER=HE→MM

(3)

重投影誤差

ΔE=ER-E

(4)

將點(diǎn)集E經(jīng)單應(yīng)矩陣HE→M進(jìn)行重投影變換后得到的ER與點(diǎn)集M顯示在同一坐標(biāo)系下，如圖4所示。

圖4 點(diǎn)集M和重投影點(diǎn)集ER的坐標(biāo)關(guān)系圖

可以看出，ER完全與E失去了投影變換關(guān)系。直接按順序進(jìn)行配對，僅有少數(shù)的幾個點(diǎn)為正確匹配，證明使用傳統(tǒng)的RANSAC算法錯誤率較高。采用本文的算法，利用自描述向量分別對無序點(diǎn)集M與點(diǎn)集E進(jìn)行描述，將點(diǎn)集M和點(diǎn)集E自描述向量的前兩個長度元素在同一坐標(biāo)系下顯示，如圖5所示。

圖5 點(diǎn)集M和點(diǎn)集E自描述向量的前兩個長度元素坐標(biāo)關(guān)系

采用歐氏距離衡量自描述向量的相似度。在點(diǎn)集E的所有點(diǎn)自描述向量中，尋找與點(diǎn)集M中自描述向量相似度最高的兩個點(diǎn)進(jìn)行配對，配對結(jié)果如圖6所示。

圖6 將自描述向量相似度最高的兩個點(diǎn)進(jìn)行配對后的結(jié)果

如果直接按M和E兩個點(diǎn)集原先的點(diǎn)順序進(jìn)行配對，配對結(jié)果如圖7所示。

圖7 直接按M和E兩個點(diǎn)集原先的點(diǎn)順序進(jìn)行配對后的結(jié)果

對比圖6與圖7可以看出，對于無序點(diǎn)集，直接采用RANSAC算法進(jìn)行單應(yīng)矩陣求解準(zhǔn)確率低的原因是有效點(diǎn)對的數(shù)量太少，匹配準(zhǔn)確率僅為3/15≈20%，而采用自描述向量的RANSAC則具有較高匹配準(zhǔn)確率，匹配率達(dá)到13/15≈86%。

利用歐氏距離對點(diǎn)集M和點(diǎn)集E自描述向量進(jìn)行配對，采用同樣的閾值進(jìn)行內(nèi)點(diǎn)外點(diǎn)的區(qū)分，可以看出，應(yīng)用自描述向量的RANSAC算法與直接利用點(diǎn)序號進(jìn)行配對相比，配對的準(zhǔn)確性大幅提高。

根據(jù)自描述向量，將無序點(diǎn)配對后，重新利用RANSAC算法求得點(diǎn)集E相對于點(diǎn)集M的單應(yīng)矩陣TE→M，

根據(jù)式(4)和式(5)計(jì)算重投影點(diǎn)集ER和重投影誤差ΔE，結(jié)果如表2所示。

表2 重投影點(diǎn)集和重投影誤差

3 結(jié)論

針對機(jī)車動態(tài)限界高分辨力圖像的高效處理問題，提出了一種基于參考圖像的快速識別方法，通過判斷連通域的目標(biāo)個數(shù)可快速提取有效目標(biāo)。對于連通域中的目標(biāo)個數(shù)不為1的疑似目標(biāo)采用下采樣的目標(biāo)識別方法，并將下采樣圖像中的目標(biāo)與高分辨力圖像中的目標(biāo)進(jìn)行重投影，經(jīng)實(shí)驗(yàn)證明可有效節(jié)省處理時間；對于無法進(jìn)行一一匹配的目標(biāo)點(diǎn)對，提出了一種基于自描述向量的RANSAC匹配算法，有效地去除了疑似目標(biāo)中的噪聲目標(biāo)，實(shí)現(xiàn)了無序目標(biāo)點(diǎn)對的高精度匹配。