張 雨,王志暉,李柏林

(西南交通大學(xué)機(jī)械工程學(xué)院,成都 610031)

鐵路扣件作為連接鋼軌和軌枕的重要部件，其丟失、斷裂等缺陷會加快鋼軌磨損，增加列車脫軌等事故發(fā)生的可能性，嚴(yán)重影響軌道交通安全，因此扣件檢查是高速鐵路巡檢的重點(diǎn)項(xiàng)目[1]。隨著我國鐵路網(wǎng)建設(shè)的高速發(fā)展，迫切需要提高扣件缺陷的自動化檢測水平[2]。近年來，一些學(xué)者針對鐵路扣件的自動化檢測方法進(jìn)行了積極的探索，提出了一系列的鐵路扣件檢測算法[3-8]。Yang等[6]運(yùn)用方向場理論提取方向字段作為識別特征，在精確定位扣件位置的情況下檢測效果較好，但實(shí)際線路中由于光照不均勻等原因，圖像質(zhì)量存在較大的差異，降低了檢測效果。王珍珍等[7]將邊緣特征作為鐵路扣件缺陷分類的重要依據(jù)。由于現(xiàn)有檢測算法所提取的底層特征受光照和噪聲的影響較大，且難以準(zhǔn)確刻畫扣件狀態(tài)，所以算法識別率不高。而基于骨架特征[8-11]的方法是一種將物體形狀細(xì)化的方法，不僅能夠集成物體的幾何和拓?fù)涮匦?，而且可以降低形狀特征維度和算法復(fù)雜度，故而在復(fù)雜圖像的識別方面具有明顯的優(yōu)勢。

傳統(tǒng)的骨架提取方法所提取的是圖像中目標(biāo)的中軸[12]，可以很清晰、簡潔地表述物體形狀，對于輪廓規(guī)則且噪聲較少的目標(biāo)具有較好的識別效果。但是，對于背景區(qū)域復(fù)雜且噪聲較多的圖像來說，直接使用傳統(tǒng)算法生成的骨架會產(chǎn)生很多細(xì)小的分支，從而導(dǎo)致后續(xù)的扣件識別部分難以進(jìn)行，所以必須通過剪枝處理[13-14]，去除多余骨架分支。然而，經(jīng)過剪枝處理后的骨架雖然較為精確，但算法的復(fù)雜度和運(yùn)行時間明顯提高，不能滿足算法實(shí)時性的要求。針對這一問題，高立青等[15]提出一種基于截線法的快速骨架提取方法，首先對目標(biāo)圖像進(jìn)行輪廓多邊形離散曲線演化，并由所得顯著凸頂點(diǎn)的類型將輪廓多邊形進(jìn)行分塊；然后分別利用水平線族和豎直線族掃描輪廓塊，將所得割線的中點(diǎn)作為目標(biāo)骨架點(diǎn)，進(jìn)而提取出完整的骨架。雖然該方法所得骨架位置不是很精確，但對于復(fù)雜圖像的識別具有較好的效果，與傳統(tǒng)算法相比，時間復(fù)雜度明顯降低，并且可以達(dá)到算法實(shí)時性的要求。

綜上所述，本文通過引入截線法的概念，提出一種基于截線法的鐵路扣件骨架提取算法，以滿足提高識別準(zhǔn)確度及算法實(shí)時性的要求。

1 圖像預(yù)處理

初步采集到的軌道圖像包括鋼軌、軌枕和扣件等多個部件，因此不能直接用于扣件骨架特征提取。本文根據(jù)文獻(xiàn)[16]的算法獲得鋼軌和軌枕的位置信息，并應(yīng)用交叉定位分割出扣件子圖像。由于子圖像中包含有大量的外部噪聲且其中的背景區(qū)域會對骨架提取產(chǎn)生嚴(yán)重干擾，所以需要進(jìn)行預(yù)處理，即先通過單通道的局部二值模式方法進(jìn)行二值化，然后提取包含扣件端部的感興趣區(qū)域。

水平方向的局部二值模式(Local Binary Pattern， LBP)方法[17]，是通過編碼中心像素點(diǎn)與單方向上的鄰域像素點(diǎn)的灰度值大小關(guān)系來編碼局部區(qū)域的紋理信息。本文通過求解水平方向的紋理圖像得到扣件二值圖像。

中心像素點(diǎn)的單通道LBP編碼值可以表示為

(1)

(2)

Ip(x,y)=I(x,y+R),p=0°

(3)

首先對已經(jīng)分割好的圖像如圖1(a)所示使用均值濾波[18]。然后設(shè)定單通道的局部二值模式的鄰域半徑的值為3，并使用公式(1)和(3)計(jì)算水平方向的紋理圖像如圖1(b)所示。最后對所得圖像進(jìn)行極值中值濾波，并使用形態(tài)學(xué)的閉運(yùn)算去除端部孔洞，以得到二值圖像，如圖1(c)所示。

圖1 扣件二值圖像獲取示意

2 基于方位距離變換的感興趣區(qū)域提取

2.1 方位距離變換

經(jīng)典的歐氏距離變換是先計(jì)算二值圖像中目標(biāo)點(diǎn)像素與距其最近的背景點(diǎn)像素間的歐式距離[19]，并把該距離值作為目標(biāo)點(diǎn)像素值，然后采用串行掃描的方法遍歷圖像，最后得到距離場。方位距離變換與歐氏距離變換的不同之處在于只計(jì)算目標(biāo)像素點(diǎn)特定方向上的歐氏距離，從而得到單方向的距離場。

對于二值圖像上的目標(biāo)像素點(diǎn)I(x1,y1)與在特定方向上距其最近的背景像素點(diǎn)I(x2,y2)，其距離值定義為

D(x1,y1)=

(4)

2.2 感興趣區(qū)域提取

本算法所要尋找的感興趣區(qū)域是扣件的4個端部，扣件的丟失和斷裂也是根據(jù)端部信息進(jìn)行判斷。由于扣件端部與擋板和墊板底部間的空間位置關(guān)系是扣件本身的固有屬性，分別位于扣件上下方，所以可以利用圖像特征，通過方位距離變換求解擋板以及墊板底部區(qū)域的近似骨架特征，進(jìn)而提取感興趣區(qū)域。

首先對扣件圖像進(jìn)行0°方向的方位距離變換，得到距離場D1。然后對圖像進(jìn)行近似骨架提取。由于擋板以及墊板底部區(qū)域在扣件二值圖像中均為白色長條狀，故可以通過計(jì)算D1中行極大值的方法求解其近似骨架特征。

yn=ym+D1(xm,ym)

(5)

由(xm,ym)和(xm,yn)即可提取出擋板以及墊板底部區(qū)域的近似骨架。如圖2(a)所示。

最后提取感興趣區(qū)域。提取出骨架特征后，根據(jù)枕肩和墊板底部和扣件間的空間位置關(guān)系分割提取扣件的目標(biāo)區(qū)域，然后將其劃分為Lu、LD、Ru、Rd(左上、左下、右上、右下)四個感興趣區(qū)域，如圖2(b)所示。

圖2 扣件圖像預(yù)處理示意

3 基于截線法的扣件骨架提取算法

本文采用截線法來近似獲取鐵路扣件端部的骨架特征。利用不同方向的方位距離變換計(jì)算扣件各端部區(qū)域的骨架生長點(diǎn)，并以該點(diǎn)為中心點(diǎn)，沿扣件的彎曲方向利用水平線族和豎直線族掃描扣件端部輪廓，得到截線段后，計(jì)算其中心點(diǎn)，依次連接骨架生長點(diǎn)和所有截線中心點(diǎn)即可得到完整的扣件圖像骨架。

3.1 提取骨架生長點(diǎn)

分析扣件形狀可知，其端部部分具有較大的彎曲弧度且各部分的彎曲方向互不相同，所以在使用截線法提取扣件端部骨架特征前，需要將每個部分分割為兩個區(qū)域，以便于使用水平線族或豎直線族掃描端部輪廓。但是，通?？奂亩瞬枯喞及幸恍└蓴_區(qū)域，而且輪廓曲線不規(guī)則，故難以通過離散曲線演化[20]的方法獲取輪廓顯著凸頂點(diǎn)，因此無法利用該方法分割扣件端部部分。方位距離變換是基于圖像目標(biāo)形狀內(nèi)部像素點(diǎn)的圖像處理方法，在對于識別目標(biāo)輪廓不規(guī)則且具有較多干擾區(qū)域的圖像時仍具有顯著的效果，所以通過不同方向的方位距離變換方法來計(jì)算骨架生長點(diǎn)，從而實(shí)現(xiàn)對端部部分的分割。

根據(jù)扣件端部的形狀，所提取的骨架生長點(diǎn)應(yīng)滿足位于扣件端部輪廓的中心位置，即中軸，且端部彎曲弧度較大的位置。

綜合分析并結(jié)合扣件端部形狀，扣件Lu、Rd、Ld區(qū)域的骨架生長點(diǎn)應(yīng)位于扣件端部彎曲弧度較大位置處135°方向與45°方向截線段中點(diǎn)的交點(diǎn)位置；Ru區(qū)域的骨架生長點(diǎn)應(yīng)位于扣件端部彎曲弧度較大位置處90°方向截線的中點(diǎn)。

以Lu區(qū)域?yàn)槔瑸檎业綕M足條件的骨架生長點(diǎn)，需要計(jì)算扣件端部區(qū)域135°方向與45°方向截線的交點(diǎn)位置，而該交點(diǎn)同時也須是兩段截線段的中點(diǎn)。Lu區(qū)域骨架生長點(diǎn)的計(jì)算步驟如下所示。

步驟1：對Lu區(qū)域進(jìn)行45°，135°，225°和315°方向的方位距離變換，得到距離場D2、D4、D6和D8。

步驟2：如圖3所示，以D2、D6相同位置區(qū)域的8×8矩陣為例，由于D2、D6是在相反方向上進(jìn)行的方向歐氏距離變換，故兩矩陣在45°方向的元素值的排列是相反的，同理，D4、D8在135°方向元素值的排列是相反的。若將D2、D6點(diǎn)乘，所得矩陣在45°方向上每一行的最大值點(diǎn)即為該行的中點(diǎn)；將D4、D8點(diǎn)乘，所得矩陣在135°方向上每一行的最大值點(diǎn)即為該行的中點(diǎn)。

圖3 距離場示意

骨架生長點(diǎn)的計(jì)算方法為：首先對所求距離場進(jìn)行約束，以保證骨架點(diǎn)的位置；然后，分別將D2、D6和D4、D8點(diǎn)乘，以保證實(shí)現(xiàn)約束的同時得到所需的特征矩陣，計(jì)算如式(6)所示

(6)

其中，p1、q1、p2、q2和p3、q3、p4、q4分別為D2、D6與D4、D8的約束參數(shù)。由于骨架生長點(diǎn)應(yīng)在矩陣C1與C2在45°、135°方向上的極大值點(diǎn)上，所以對C1與C2進(jìn)行融合，所得矩陣C即為所需特征矩陣。

C=C1+C2

(7)

步驟3：計(jì)算特征矩陣C的極大值點(diǎn)(x1,y1)，其中x1為行數(shù)，y1為列數(shù)。

(x1,y1)=max(C)

(8)

該極大值點(diǎn)即為所求Lu區(qū)域骨架生長點(diǎn)，如圖4(a)所示。其他區(qū)域骨架生長點(diǎn)的提取方法與Lu區(qū)域類似。通過Lu、Ld、Ru、Rd區(qū)域的端部骨架生長點(diǎn)分別沿135°，90°，45°和135°方向做截線，即可將各個扣件端部部分分割為兩個子區(qū)域，然后使用截線法分別掃描所得兩區(qū)域的輪廓以提取骨架節(jié)點(diǎn)。

圖4 扣件骨架生長點(diǎn)示意

3.2 提取近似骨架特征

本文所提取扣件端部骨架節(jié)點(diǎn)的方法與基于歐氏距離變換[21]的骨架化方法不同，主要通過截線法來計(jì)算骨架節(jié)點(diǎn)，以替代圖像距離場的局部最大值點(diǎn)。與文獻(xiàn)[13]通過輪廓多邊形的頂點(diǎn)來提取行人骨架的方法存在較大差異的是，本文經(jīng)過預(yù)處理后的扣件輪廓不存在多邊形頂點(diǎn)，且處理過的扣件端部輪廓為規(guī)則不明顯的曲線，故本文的截線法采用相同間距的平行線族掃描的方法提取骨架節(jié)點(diǎn)，使最終生成的骨架在最大程度上接近端部形狀。本文算法根據(jù)每個扣件感興趣區(qū)域的彎曲情況，分別采用水平截線和豎直截線提取端部骨架，其中，由骨架生長點(diǎn)分割的兩個子區(qū)域的骨架節(jié)點(diǎn)數(shù)應(yīng)相同，從而可以保證扣件圖像骨架特征向量的維度不變，以便于后續(xù)分類算法中的分析計(jì)算。另外，由于水平截線法和豎直截線法在算法上是完全類似的，故下面主要討論水平截線法。

已知由8個端部子區(qū)域所組成的扣件圖像、骨架生長點(diǎn)的坐標(biāo)(xn,yn)以及扣件端部輪廓C，其中，1≤n≤4；設(shè)扣件端部子區(qū)域的骨架節(jié)點(diǎn)數(shù)為k，水平截線段間的距離為m，故水平截線為x=lm+xn，其中l(wèi)為扣件端部單個子區(qū)域內(nèi)截線的個數(shù)，且滿足1≤l≤k；設(shè)任意水平截線與端部輪廓C的交點(diǎn)為(aij,bij)、(aij,bi(j+1))，其中1≤i≤l，1≤j≤2l；計(jì)算兩交點(diǎn)的中點(diǎn)坐標(biāo)rij；對于bij，應(yīng)滿足

bi(j+1)-bij

(9)

式中，pi為兩交點(diǎn)間距離的約束參數(shù)。

(10)

對于滿足上述條件的bij、bi(j+1)、rij，則稱點(diǎn)rij為扣件端部輪廓的骨架節(jié)點(diǎn)，稱bij、bi(j+1)為骨架點(diǎn)rij的生成點(diǎn)，稱點(diǎn)bij到點(diǎn)bi(j+1)距離的一半為rij的截線半徑。

以Lu區(qū)域?yàn)槔齺斫榻B截線法算法步驟。

步驟1：由上節(jié)方法已經(jīng)計(jì)算出Lu區(qū)域的骨架生長點(diǎn)(x1,y1)，并以此點(diǎn)為中心，由端部向下彎曲的方向等間距的作水平截線，使水平截線的個數(shù)為4，生長點(diǎn)與截線、截線與截線間的間距相同，如圖5(a)所示。經(jīng)過大量實(shí)驗(yàn)，將該間距m設(shè)定為5，故水平截線

x=x1+5l

(11)

式中，參數(shù)l滿足1≤l≤4。

步驟2：所需的截線只需求與扣件端部輪廓相交的部分，故可以通過不同方向的方位距離變換的方法，求解截線與輪廓線的交點(diǎn)。以骨架生長點(diǎn)下的第一個截線段的求解為例，過程如下：

首先，已知計(jì)算出的距離場D1與所求交點(diǎn)的行數(shù)a11，求解D1在Lu區(qū)域a11行的極大值點(diǎn)，并對所求解的區(qū)域設(shè)定約束。

(12)

式中，c1為像素點(diǎn)(a11,b11)處的像素值，同時也是該行的極大值。

然后，根據(jù)計(jì)算得到的極大值點(diǎn)求解a11行的另外一個交點(diǎn)

b12=b11+c1

(13)

由于扣件二值圖像端部的彎曲形狀不規(guī)則，很容易導(dǎo)致所得截線不符合所需截線的要求。如圖5(a)所示，由骨架生長點(diǎn)向下方的第三、四條截線因?yàn)榇嗽蜻^長，導(dǎo)致生成的骨架不能準(zhǔn)確表示端部形狀。針對該情況，由公式(11)設(shè)定相對應(yīng)的約束參數(shù)，進(jìn)而使第三條截線的第一個交點(diǎn)與第二條截線第一個交點(diǎn)滿足一定的約束關(guān)系，然后使第四條截線的第一個交點(diǎn)與第三條截線的第一個交點(diǎn)滿足一定的約束關(guān)系，最終效果如圖5(b)所示。最后，依次計(jì)算所有水平截線段的交點(diǎn)坐標(biāo)，求解方法與上述計(jì)算過程相同。

圖5 水平截線法約束示意

步驟3：計(jì)算出所有水平截線段后，再求解截線段的中點(diǎn)即所求骨架節(jié)點(diǎn)rij。以Lu區(qū)域的第一條水平截線為例，其骨架節(jié)點(diǎn)坐標(biāo)(x11,y11)的計(jì)算方法為

(14)

通過上述方法計(jì)算出所有的骨架節(jié)點(diǎn)坐標(biāo)，將其依次連接，之后再連接骨架生長點(diǎn)，即可得到Lu區(qū)域第一個子區(qū)域的骨架，如圖6(a)所示。Lu區(qū)域骨架生長點(diǎn)的右上方為另一子區(qū)域，該區(qū)域采用豎直截線法來求解骨架節(jié)點(diǎn)，方法同上述用水平截線法求骨架節(jié)點(diǎn)。通過計(jì)算得到該子區(qū)域所有的骨架點(diǎn)并依次連接，之后再與骨架生長點(diǎn)相連，實(shí)驗(yàn)結(jié)果如圖6(b)所示。最后去除所有的截線段，即可得到完整的Lu區(qū)域骨架，如圖6(c)所示。

按照上述Lu區(qū)域的骨架提取算法即可依次求解扣件所有感興趣區(qū)域的骨架節(jié)點(diǎn)位置，然后連接各個區(qū)域的骨架節(jié)點(diǎn)，得到最終的扣件骨架圖像，如圖6(d)所示。

圖6 扣件圖像骨架生成示意

3.3 算法流程

本文算法的基本流程共分為兩個階段，如圖7所示。第一階段為預(yù)處理階段，首先對原始的扣件圖像進(jìn)行濾波，然后通過水平方向的局部二值模式方法實(shí)現(xiàn)圖像的二值化，通過提取圖像中枕肩以及墊板底部區(qū)域的近似骨架特征得到扣件感興趣區(qū)域；第二階段為扣件端部骨架提取階段，先根據(jù)扣件的骨架生長點(diǎn)的要求對扣件圖像進(jìn)行不同方向的方位距離變換，然后計(jì)算骨架生長點(diǎn)坐標(biāo)，并通過截線法來提取扣件端部骨架點(diǎn)，最后連接各點(diǎn)得到完整的扣件端部骨架。

圖7 扣件檢測算法流程

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)集設(shè)置

為了進(jìn)一步測試本文算法的實(shí)用性以及綜合性能，首先需要選用合適的扣件樣本圖像庫。本文采用的圖像庫充分考慮了各種工況條件，從采集的圖像中選擇2 400張組成圖片庫，其中包括各種工況圖像；正常圖像1 200張、缺陷扣件圖像如斷裂、丟失和道砟遮擋等狀況的圖像各400張，其中扣件圖像均為120×180像素灰度圖。本文在Matlab2014a的實(shí)驗(yàn)環(huán)境下進(jìn)行檢測。每次實(shí)驗(yàn)隨機(jī)抽取正常狀態(tài)的圖像300張，斷裂、丟失和道砟遮擋等狀況的圖像各100張。重復(fù)抽取4次，得到4組實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果取4組數(shù)據(jù)結(jié)果的平均值。

4.2 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文算法對于各種缺陷狀況的分類能力與魯棒性，本實(shí)驗(yàn)針對正常、丟失、斷裂以及大量道砟遮擋等多種扣件圖像進(jìn)行骨架特征的提取，如圖8所示；然后統(tǒng)計(jì)各種狀況下對扣件缺陷狀況的識別率。

圖8 不同缺陷狀況下的扣件端部骨架提取

設(shè)定判斷扣件是否正常的準(zhǔn)則為：若各感興趣區(qū)域的骨架特征均存在，則判定該扣件為正?？奂?；反之，若骨架特征在任何一個感興趣區(qū)域不存在，則判定該扣件為缺陷扣件。具體實(shí)驗(yàn)步驟如下。

(1)從原始圖片庫中抽取正常圖像1 200張，斷裂、丟失、大量道砟遮擋等狀況的扣件圖像各400張組成實(shí)驗(yàn)樣本庫。

(2)在實(shí)驗(yàn)樣本庫中隨機(jī)抽取正常狀態(tài)的圖像300張，斷裂、丟失和道砟遮擋等狀況的圖像各100張。重復(fù)抽取4次，得到4組實(shí)驗(yàn)數(shù)據(jù)。

(3)對于每種狀況分別進(jìn)行實(shí)驗(yàn)，提取出每類扣件圖像的骨架特征。其中，如圖8(a)所示，若扣件左側(cè)發(fā)生斷裂，其骨架特征在左側(cè)部分均不存在；如圖8(b)所示，對于扣件丟失的情況，所提骨架特征在各區(qū)域均不存在。如圖8(c)所示，扣件左側(cè)下方出現(xiàn)遮擋的情況，故所提骨架特征只在左側(cè)下方部分不存在。

(4)統(tǒng)計(jì)截線法在不同狀況下的識別率，并對統(tǒng)計(jì)結(jié)果進(jìn)行分析，實(shí)驗(yàn)結(jié)果取4組數(shù)據(jù)結(jié)果的平均值。最終結(jié)果如表1所示。

表1 本文算法不同狀況下的識別率

由表1可知：截線法在扣件不同缺陷狀況下均有較高的識別率，對于斷裂的情況識別率為99.25%，道砟遮擋的情況識別率為98%，丟失的情況識別率為100%。說明本文算法在識別缺陷扣件時具有較強(qiáng)的應(yīng)用優(yōu)勢，并且實(shí)驗(yàn)所需時間較短，滿足算法實(shí)時性要求。

5 結(jié)論

為了能夠精確描述鐵路扣件端部形狀，提出了一種基于截線法的鐵路扣件骨架提取算法。首先，利用多種預(yù)處理方法提取感興趣區(qū)域；其次，計(jì)算扣件端部的骨架生長點(diǎn)，實(shí)現(xiàn)對各端部區(qū)域的有效分割；然后，使用截線法對分割區(qū)域進(jìn)行骨架點(diǎn)提??；最后，連接各區(qū)域骨架點(diǎn)，形成完整的骨架特征。實(shí)驗(yàn)表明，通過截線法所提取的骨架特征，能夠?qū)崿F(xiàn)對扣件端部形狀的準(zhǔn)確描述，而且對于扣件的整體結(jié)構(gòu)的表達(dá)更加準(zhǔn)確。對于復(fù)雜圖像的識別具有較好的效果，在識別缺陷扣件時具有較強(qiáng)的應(yīng)用優(yōu)勢，算法時間較短，可以達(dá)到實(shí)時性的要求。