范鈺萍，唐權(quán)華，黃龍軍

江西師范大學(xué) 軟件學(xué)院，南昌 330022

1 引言

現(xiàn)代鐵路運(yùn)輸普遍使用電氣化設(shè)施，主要通過(guò)接觸網(wǎng)供電，接觸網(wǎng)安全是鐵路運(yùn)輸安全的關(guān)鍵問(wèn)題之一。威脅接觸網(wǎng)安全的一個(gè)主要因素是侵入鐵軌及其附屬設(shè)施區(qū)域的樹(shù)木，這類樹(shù)木被稱為危樹(shù)。危樹(shù)可能引起漏電、火災(zāi)、供電中斷等事故和災(zāi)害，需要及時(shí)地檢測(cè)和發(fā)現(xiàn)危樹(shù)。危樹(shù)產(chǎn)生是一個(gè)漸進(jìn)的過(guò)程，因而危樹(shù)檢測(cè)也是一個(gè)長(zhǎng)期不間斷的工作。由于鐵路線路長(zhǎng)，經(jīng)常需要穿越無(wú)人地帶，危樹(shù)檢測(cè)需要耗費(fèi)大量的人力物力，為提高效率、降低成本，必須探索危樹(shù)的自動(dòng)檢測(cè)方法。危樹(shù)檢測(cè)過(guò)程主要對(duì)樹(shù)木與鐵路設(shè)施間的距離進(jìn)行判斷，本質(zhì)上是對(duì)樹(shù)木區(qū)域識(shí)別和測(cè)距。圖像采集設(shè)備成本低，方便攜帶和安裝，且圖像包含了顏色信息，有利于危樹(shù)區(qū)域的識(shí)別，同時(shí)圖像中也包含了空間信息，可以用于測(cè)距，因此基于圖像處理的危樹(shù)檢測(cè)方法成為了首選方案。

基于圖像處理的危樹(shù)檢測(cè)首先需要對(duì)樹(shù)木區(qū)域進(jìn)行分割和識(shí)別。區(qū)域分割是圖像內(nèi)容分析的基礎(chǔ)和前提，研究較為廣泛。現(xiàn)有區(qū)域分割技術(shù)主要包括閾值分割[1]、邊緣輪廓?jiǎng)澐諿2-3]、聚類[4-5]、隨機(jī)場(chǎng)建模[6-7]等，最近的研究成果主要集中在隨機(jī)場(chǎng)建模和深度學(xué)習(xí)方法?；陔S機(jī)場(chǎng)建模的區(qū)域分割方法建立像素的概率分布模型，在數(shù)學(xué)理論上具有較好的支持，能較好體現(xiàn)樣本區(qū)域特征，對(duì)邊緣不明確的區(qū)域劃分效果有顯著優(yōu)勢(shì)，但建模速度較慢，結(jié)果劃分粒度相關(guān)?；谏疃葘W(xué)習(xí)的區(qū)域劃分[8-9]方法訓(xùn)練區(qū)域分割的多層卷積神經(jīng)網(wǎng)絡(luò)，具有一定的魯棒性，但對(duì)學(xué)習(xí)樣本有較大數(shù)量和質(zhì)量上的需求，劃分速度隨著劃分精度增加而降低。鐵路危樹(shù)檢測(cè)對(duì)區(qū)域劃分更注重計(jì)算的實(shí)時(shí)性，對(duì)精度要求相對(duì)較低，鐵路圖像拍攝是一個(gè)連續(xù)的過(guò)程，危樹(shù)檢測(cè)過(guò)程中需要利用前后兩幀對(duì)比信息，分割結(jié)果應(yīng)相對(duì)穩(wěn)定，而現(xiàn)有區(qū)域分割研究主要針對(duì)單幀圖像的應(yīng)用提高精度，有必要研究針對(duì)連續(xù)圖像的區(qū)域分割和識(shí)別方法。

危樹(shù)檢測(cè)的另一個(gè)任務(wù)是對(duì)樹(shù)木區(qū)域進(jìn)行測(cè)距，現(xiàn)有圖像測(cè)距主要包括雙目視覺(jué)和參照物兩種方法。雙目視覺(jué)是指利用兩個(gè)攝像機(jī)拍攝同一目標(biāo)物體不同視角的兩幅圖像并對(duì)其進(jìn)行立體匹配，由此計(jì)算得到視差圖算出目標(biāo)物體的位置，廣泛應(yīng)用于目標(biāo)測(cè)距[10-11]、定位[12-13]以及三維重建[14-15]等領(lǐng)域。視差圖是雙目視覺(jué)方法計(jì)算圖像深度和測(cè)距的主要依據(jù)，視差估計(jì)也是近年研究的一個(gè)重點(diǎn)，現(xiàn)有視差估計(jì)方法包括局部估計(jì)、全局估計(jì)、合作和半全局估計(jì)等，視差估計(jì)在立體視頻[16]、3D重建[17]、自動(dòng)駕駛[18]等領(lǐng)域應(yīng)用廣泛。雙目視覺(jué)測(cè)距方法有效解決了圖像中缺少深度信息的問(wèn)題，但對(duì)拍攝設(shè)備、拍攝條件有較高的要求。圖像測(cè)距的另一條思路是利用測(cè)距對(duì)象上或測(cè)距環(huán)境中的特殊參照物，通過(guò)參照物的尺寸和距離來(lái)估計(jì)待測(cè)距離，參照物可以人為添加或利用現(xiàn)有圖形，這種方法在自動(dòng)駕駛、手術(shù)導(dǎo)航等問(wèn)題中得到有效應(yīng)用?；趨⒄盏臏y(cè)距方法計(jì)算簡(jiǎn)單，精度較高，限制是需要在測(cè)距位置同一深度有合適的參照物，或方便添加人工參照物。鐵路危樹(shù)檢測(cè)圖像拍攝過(guò)程中震動(dòng)較為嚴(yán)重，很難固定兩攝像機(jī)的拍攝角度，給雙目視覺(jué)測(cè)距帶來(lái)不便。鐵路兩側(cè)雖然有接觸網(wǎng)支架和軌道線可作為測(cè)距參照物，但支架存在位置不連續(xù)，不能用于支架間的樹(shù)木區(qū)域測(cè)距；軌線深度連續(xù)，但其高度僅限地面，對(duì)較高的樹(shù)木區(qū)域失去參考意義。

為解決鐵路危樹(shù)檢測(cè)中區(qū)域劃分、識(shí)別和測(cè)距的問(wèn)題，本文設(shè)計(jì)了基于多顏色閾值的多尺度區(qū)域分割方法，嘗試基于顏色特征和分形維數(shù)對(duì)樹(shù)木區(qū)域進(jìn)行識(shí)別，以連續(xù)拍攝的圖像的區(qū)域?qū)?yīng)及移動(dòng)信息估計(jì)區(qū)域與攝像機(jī)的距離。通過(guò)對(duì)測(cè)試路段的視頻處理，證實(shí)本文的方法可以有效地對(duì)危樹(shù)區(qū)域進(jìn)行檢測(cè)。

2 圖像的多尺度顏色閾值分割

為識(shí)別樹(shù)木區(qū)域，發(fā)現(xiàn)危樹(shù)，首先要對(duì)圖像進(jìn)行區(qū)域分割。樹(shù)木區(qū)域與山體、鐵路不一定存在明顯邊緣，樹(shù)木之間可能存在一定差異，因此很難通過(guò)邊緣輪廓或聚類的思路進(jìn)行區(qū)域分割。在分割對(duì)象與背景環(huán)境有較為明顯顏色區(qū)分的場(chǎng)景中，基于顏色特征的圖像分割方法有著的廣泛應(yīng)用，例如在綠色植物、水果蔬菜等圖像識(shí)別與分割中的應(yīng)用，有研究學(xué)者利用綠色植物的顏色特征將其與土壤等環(huán)境背景進(jìn)行分割，再通過(guò)顏色閾值分割得到綠色植物葉片的病害病斑部分[19]。樹(shù)木區(qū)域最突出的特征是顏色，實(shí)驗(yàn)的鐵路圖像素材以樹(shù)木區(qū)域、鐵路、山體以及天空為基本組成，可根據(jù)樹(shù)木區(qū)域與其他組成部分之間存在的顏色差異，將基于顏色空間的閾值分割算法引入樹(shù)木區(qū)域的分割。根據(jù)識(shí)別和測(cè)距的需要，采用多顏色閾值對(duì)圖像進(jìn)行區(qū)域分割。另外，基于顏色閾值的危樹(shù)的識(shí)別需要考慮區(qū)域間的包含和匹配的問(wèn)題，有必要研究多尺度的區(qū)域分割和識(shí)別方法。最大類間方差法可以簡(jiǎn)單快速地將圖像分割成前景和背景兩個(gè)部分，而分割后的區(qū)域?qū)⑦M(jìn)一步閾值分割細(xì)分區(qū)域，即多尺度區(qū)域分割[20]，細(xì)分得到的區(qū)域分割結(jié)果有利于下一步樹(shù)木區(qū)域的識(shí)別和匹配。

首先，對(duì)圖像進(jìn)行預(yù)處理，即圖像灰度化后使用平滑濾波的方法對(duì)圖像進(jìn)行增強(qiáng)和去噪，以免圖像噪聲對(duì)區(qū)域分割產(chǎn)生影響；其次，通過(guò)循環(huán)計(jì)算不同類別方差，選取使類間方差最大的灰度值為最優(yōu)閾值，將圖像分割為前景和背景，計(jì)算得到兩個(gè)區(qū)域的閾值T1、T2：

使用T1、T2可以將圖像分割為較大的區(qū)域，為測(cè)量區(qū)域距離，需要進(jìn)一步細(xì)分區(qū)域。令已有閾值總數(shù)為max，應(yīng)用已有Ti計(jì)算新的閾值：

利用新的閾值對(duì)圖像進(jìn)行區(qū)域分割，則可以比上次獲得更細(xì)的分割結(jié)果，并且與上次的分割結(jié)果形成包含關(guān)系。重復(fù)利用式（2）計(jì)算閾值進(jìn)行區(qū)域分割，則可以獲得多組具有包含關(guān)系的區(qū)域分割結(jié)果，并將第k次分割的結(jié)果記錄為{Bi}k。

由于鐵路兩側(cè)包含草叢、灌木、喬木等不同種類的綠色植被，各類植物顯示不同的紋理特征，使得后續(xù)區(qū)域識(shí)別與匹配過(guò)程比較困難。通過(guò)多尺度的顏色閾值分割可以將圖片區(qū)域進(jìn)一步細(xì)分，得到不同植被以及樹(shù)木分支結(jié)構(gòu)的區(qū)域分割，將植被區(qū)域的顏色特征與分形維數(shù)相結(jié)合，可以對(duì)樹(shù)木區(qū)域進(jìn)行識(shí)別和匹配。

3 樹(shù)木區(qū)域識(shí)別

鐵路兩側(cè)一般種植四季常青的樹(shù)木，在冬天樹(shù)木凋零基本停止生長(zhǎng)，不會(huì)產(chǎn)生新的危樹(shù)區(qū)域，因此只需要對(duì)綠色樹(shù)木進(jìn)行識(shí)別，顏色成為識(shí)別樹(shù)木區(qū)域的明顯特征。傳統(tǒng)的RGB顏色模型中的顏色會(huì)受光照影響而改變，不便于進(jìn)一步的樹(shù)木區(qū)域分割，而HSV顏色空間由色調(diào)、飽和度和亮度三個(gè)要素組成，可以比較直觀地反映事物的顏色，且應(yīng)用廣泛，利用HSV顏色空間對(duì)區(qū)域進(jìn)行分割和識(shí)別成為一種常見(jiàn)的方法，廣泛應(yīng)用于人臉檢測(cè)、車牌識(shí)別等問(wèn)題的研究中。危樹(shù)檢測(cè)過(guò)程中的樹(shù)木區(qū)域色調(diào)相近，因此可也采用HSV 顏色空間對(duì)區(qū)域進(jìn)行判定。應(yīng)用拍攝樣本和網(wǎng)絡(luò)收集的樹(shù)木圖片分割和標(biāo)注，在保證不產(chǎn)生漏檢的情況下選取最小的顏色區(qū)間，獲得樹(shù)木區(qū)域的顏色判定條件為：

HSV 顏色空間判定可以將圖像區(qū)分為植物和非植物區(qū)域，但鐵路的路基上也可能會(huì)生長(zhǎng)一些其他植物，接觸網(wǎng)支柱也可能因?yàn)樘μ\等因素顯現(xiàn)綠色，因此需要進(jìn)一步對(duì)綠色區(qū)域進(jìn)行識(shí)別。

樹(shù)木與一般植物的區(qū)別在于，單株樹(shù)木的體積較大，呈現(xiàn)明顯的分支結(jié)構(gòu)，這種分支結(jié)構(gòu)在圖像區(qū)域展現(xiàn)為區(qū)域的層級(jí)包含關(guān)系。分形理論可以對(duì)樹(shù)木的這種分支結(jié)構(gòu)進(jìn)行區(qū)分，且在圖像處理中已有成功案例，故引入分形理論識(shí)別樹(shù)木區(qū)域是一個(gè)自然選擇。分形維數(shù)是分形幾何理論的重要概念之一，廣泛應(yīng)用于圖像分割[21]、植物分形研究[22]等領(lǐng)域，分形維數(shù)反映事物分化時(shí)細(xì)節(jié)的增長(zhǎng)速度，可以計(jì)算植物區(qū)域的分形維數(shù)，然后根據(jù)區(qū)域分形維數(shù)值的對(duì)比對(duì)其加以區(qū)分，達(dá)到樹(shù)木區(qū)域分割和識(shí)別的目的。已有學(xué)者利用雙毯法計(jì)算樹(shù)木的分形維數(shù)，從而確定圖像中的樹(shù)木區(qū)域[21]。雙毯法較精確地統(tǒng)計(jì)每個(gè)像素領(lǐng)域的分形維數(shù)，對(duì)區(qū)域的劃分有較大幫助，但計(jì)算復(fù)雜度高，不利于實(shí)時(shí)運(yùn)算。為提高分形維數(shù)的計(jì)算效率，本文利用多尺度區(qū)域分割的邊緣長(zhǎng)度計(jì)算區(qū)域的分形維數(shù)，計(jì)算公式如下：

其中，B指計(jì)算維數(shù)的區(qū)域，s指用于閾值分割的閾值尺度，即閾值間的最小距離，lgEB(s)指經(jīng)過(guò)尺度s的閾值分割后，區(qū)域B內(nèi)的邊緣總長(zhǎng)度。

通過(guò)分形維數(shù)的計(jì)算與比較判斷得到不同的植物區(qū)域以及同一樹(shù)木的分支結(jié)構(gòu)區(qū)域，結(jié)合顏色特征的限定，即可得到樹(shù)木區(qū)域識(shí)別的綜合判別方法。令符合顏色值要求的區(qū)域集TC={Ti}C，樹(shù)木區(qū)域的維數(shù)范圍為Fd=(fmin,fmax)，則最終獲得樹(shù)木區(qū)域?yàn)椋?/p>

4 樹(shù)木區(qū)域測(cè)距

在獲得樹(shù)木區(qū)域后，測(cè)量它們與軌道間的距離是判定危樹(shù)區(qū)域的主要任務(wù)。由于成像過(guò)程中的透視效果，圖像中像素距離不能直接映射到現(xiàn)實(shí)距離，需要獲得成像點(diǎn)到相機(jī)的距離，即圖像的嘗試信息。為還原嘗試信息獲得目標(biāo)物體的實(shí)際位置，主流研究主要使用雙目視覺(jué)的計(jì)算方法。雙目視覺(jué)以兩個(gè)不同視點(diǎn)拍攝同一目標(biāo)物體，然后通過(guò)立體匹配和三角測(cè)量原理計(jì)算得到圖像像素間的位置偏差，即視差值，最后利用大小為單幀視頻圖像，元素值為視差值的視差圖來(lái)計(jì)算目標(biāo)物體的位置。鐵路目標(biāo)圖像的獲取是通過(guò)攝像機(jī)在列車行駛過(guò)程中所產(chǎn)生的一系列圖像，雙目視覺(jué)的雙目平行模型算法獲取目標(biāo)物體的圖像相似，然而雙目平行模型的測(cè)距是利用同一目標(biāo)物體在水平方向的兩張圖像像素間的位置變化來(lái)得到物體深度信息，樹(shù)木區(qū)域與鐵路安全區(qū)域之間的測(cè)距則需要根據(jù)圖像測(cè)量?jī)蓚€(gè)目標(biāo)物體間的縱向距離。借鑒雙目平行模型的測(cè)距算法的思想，本文提出基于縱向視差的測(cè)距算法。

列車向前行駛，接觸網(wǎng)、鐵軌、樹(shù)木等背景相對(duì)靜止，背景區(qū)域在不同時(shí)刻從列車上觀察的位置產(chǎn)生相對(duì)變化，可以利用這些變化估計(jì)背景相對(duì)列車的絕對(duì)位置。在列車行駛過(guò)程中，由于攝像機(jī)移動(dòng)，同一對(duì)象的成像產(chǎn)生變化。對(duì)成像物品上一點(diǎn)P(x)，設(shè)它在成像面上的成像位置為I(XB) ，當(dāng)攝像機(jī)向前移動(dòng)距離S后，物體成像到I(XF)，其中X、XB、XF分別為P點(diǎn)及其成像到攝像機(jī)中心線的水平距離，攝像機(jī)焦距為F，物體與攝像機(jī)的初始距離為D，如圖1所示。

圖1 縱向視差與橫向距離

據(jù)三角形相似可得：

于是有：

上式與距離D無(wú)關(guān)，XB、XF可以通過(guò)圖像測(cè)距獲得，焦距F攝像機(jī)固定參數(shù)，攝像機(jī)移動(dòng)的距離S可以通過(guò)攝像機(jī)移動(dòng)速度和拍攝時(shí)間計(jì)算，因此成像物體與攝像機(jī)中心軸的距離可以通過(guò)上式計(jì)算。根據(jù)式（6），只要找到點(diǎn)P在不同時(shí)刻的成像，就可計(jì)算P與中心軸的距離。

與雙目視覺(jué)的計(jì)算相似，計(jì)算縱向視差的前提是對(duì)成像點(diǎn)進(jìn)行匹配，圖像立體匹配首先需要考慮的是匹配的最小單元，即圖像點(diǎn)特征、線特征和塊特征等匹配基元的選取，根據(jù)匹配基元的不同可以分為基于區(qū)域、特征、相位的立體匹配算法；其次是對(duì)匹配范圍的確定，根據(jù)參與匹配的圖像像素范圍的大小可以將常用的立體匹配算法分為全局匹配、局部匹配和半全局匹配。由于鐵路圖像樹(shù)木區(qū)域顏色相近，列車高速運(yùn)行中前后兩幀圖像會(huì)產(chǎn)生變形，很難通過(guò)傳統(tǒng)的匹配方式對(duì)像素進(jìn)行匹配。為解決像素匹配問(wèn)題，利用同一樹(shù)木區(qū)域包含關(guān)系不變的特點(diǎn)，設(shè)計(jì)多尺度的區(qū)域匹配方法，即首先對(duì)大的區(qū)域匹配，然后再對(duì)其子區(qū)域進(jìn)行匹配，直到匹配區(qū)域無(wú)子區(qū)域，再對(duì)最小的區(qū)域進(jìn)行形狀的拓普學(xué)對(duì)應(yīng)，從而達(dá)到像素點(diǎn)的匹配。

5 接觸網(wǎng)支架檢測(cè)與危樹(shù)判定

圖像測(cè)距的精確度較低，攝像機(jī)焦距的誤差和抖動(dòng)必然產(chǎn)生一定的測(cè)量誤差，很難用測(cè)距的絕對(duì)值判定危樹(shù)。所幸的是，鐵路兩邊的接觸網(wǎng)支架與鐵軌的距離固定，并限定了鐵路的安全區(qū)域，可以通過(guò)縱向視差計(jì)算支架的位置然后與實(shí)際位置進(jìn)行對(duì)比，從而對(duì)縱向視差距離估計(jì)的結(jié)果進(jìn)行評(píng)估和校正。接觸網(wǎng)支架在圖像中的突出特征是包含幾條位置相對(duì)固定的直線，可以先檢測(cè)直線，然后分析直線間的位置關(guān)系以檢測(cè)支架。圖像處理領(lǐng)域中，直線檢測(cè)的經(jīng)典方法是Hough 變換，對(duì)Hough變換的計(jì)算方法研究改進(jìn)很多，如采用一種多約束的Hough變換提取特征線，并且利用概率表決估計(jì)消失點(diǎn)，然后用消失點(diǎn)約束特征線，最后多次迭代K-means聚類實(shí)現(xiàn)車道線檢測(cè)[23]。本文采用累計(jì)概率Hough 線變換算法識(shí)別并標(biāo)記圖像中的直線，由此識(shí)別出圖像中接觸網(wǎng)支柱、支架等線型模型，然后采用樸素貝葉斯分類器對(duì)Hough變換所檢測(cè)得到的線段進(jìn)行判斷，從而識(shí)別接觸網(wǎng)支柱結(jié)構(gòu)。

令Hough 變換檢測(cè)到的線段集為L(zhǎng)={li|i=1,2,…,N}，將線段li與lj間的夾角表示為Aij，最近端點(diǎn)間相對(duì)距離（使用實(shí)際距離除以li與lj的最大長(zhǎng)度為Dij，則三條線段li、lj、lk組成接觸網(wǎng)支架的事件P概率為：

因?yàn)锳ij與Dij的變化主要是由于拍攝距離和角度引起，可以簡(jiǎn)單地認(rèn)為它們服從均勻分布，設(shè)置變化范圍，則可以計(jì)算P(R|Aij)與P(R|Dij)。支架檢測(cè)的結(jié)果如圖2所示。

圖2 接觸網(wǎng)支柱檢測(cè)結(jié)果

接觸網(wǎng)支架的位置不能直接用于樹(shù)木區(qū)域的估計(jì)，但可以通過(guò)支架位置的計(jì)算獲得視差計(jì)算的誤差，用于校正相鄰樹(shù)木區(qū)域位置估計(jì)可能存在的誤差，從而提高危樹(shù)檢測(cè)的準(zhǔn)確性。

6 實(shí)驗(yàn)結(jié)果

為驗(yàn)證算法的有效性，對(duì)成都至達(dá)州的某段鐵路進(jìn)行了拍攝和樹(shù)木區(qū)域測(cè)距實(shí)驗(yàn)。實(shí)驗(yàn)中拍攝圖片采用1 920×1 080 的分辨率，通過(guò)人工對(duì)樹(shù)木區(qū)域進(jìn)行標(biāo)注和距離估計(jì)。實(shí)驗(yàn)程序采用單線程在Dell M3800移動(dòng)圖形工作站（Intel i7-4712HQ處理器，16 GB內(nèi)存）上運(yùn)行，統(tǒng)計(jì)區(qū)域分割和測(cè)距誤差，部分結(jié)果如表1 所示。實(shí)驗(yàn)中，利用正反樣本各10 000 張進(jìn)行訓(xùn)練，正反樣本主要通過(guò)拍攝視頻及網(wǎng)絡(luò)收集的樣本進(jìn)行切割和分選獲得，得到樹(shù)木區(qū)域的分形維數(shù)在開(kāi)區(qū)間（1.315，1.422）內(nèi)。

實(shí)驗(yàn)中以樹(shù)木區(qū)域距離匹配為目標(biāo)，基于縱向視差估計(jì)樹(shù)木區(qū)域與鐵軌中心的距離，主要流程如圖3所示。

圖3 樹(shù)木區(qū)域距離估計(jì)流程

表1 中樹(shù)木區(qū)域總數(shù)指在進(jìn)行最大類間方差分割后，選取包含樹(shù)木區(qū)域的部分灰度中間值進(jìn)行第一次分割并識(shí)別的樹(shù)木區(qū)域數(shù)量，區(qū)域數(shù)誤差指由于區(qū)域分割和識(shí)別的誤差的樹(shù)木區(qū)域數(shù)量變化，距離最大指各區(qū)域測(cè)得距離與實(shí)測(cè)距離誤差的最大值，距離平均誤差指各區(qū)域測(cè)得距離與實(shí)測(cè)距離誤差的平均值。

表1 測(cè)距實(shí)驗(yàn)結(jié)果

從表1所示的實(shí)驗(yàn)結(jié)果看，程序計(jì)算每幀圖像所需要的時(shí)間平均在330 ms 左右，每秒可檢測(cè)2～3 幀，實(shí)際應(yīng)用中可以使用并行計(jì)算和調(diào)用GPU運(yùn)算等手段進(jìn)一步提高運(yùn)行速度，在配置了8CPU的電腦每秒至少可檢測(cè)24 幀以上，按高鐵速度每秒行駛100 m 估計(jì)，檢測(cè)的間距為4 m左右，而實(shí)際拍攝圖像的可視范圍遠(yuǎn)遠(yuǎn)超過(guò)4 m，因此算法可以達(dá)到實(shí)時(shí)檢測(cè)的要求，并不會(huì)出現(xiàn)檢測(cè)遺漏區(qū)域。檢測(cè)過(guò)程中出現(xiàn)了一定的區(qū)域分割誤差，這個(gè)誤差主要存在較遠(yuǎn)的區(qū)域，在后續(xù)檢測(cè)過(guò)程通?？梢垣@得校正，不影響最終檢測(cè)的結(jié)果。檢測(cè)計(jì)算出的距離與人工估計(jì)的距離存在0.2 m 左右的誤差，主要是由于攝像機(jī)抖動(dòng)所引起。

實(shí)際對(duì)危樹(shù)的判定應(yīng)以樹(shù)木區(qū)域與接觸網(wǎng)支架的距離（即鐵路的側(cè)面限界）對(duì)比為標(biāo)準(zhǔn)，但由于目前相關(guān)路段對(duì)鐵路的維護(hù)，很難獲得存在危樹(shù)的實(shí)驗(yàn)素材。為增加檢測(cè)精度，進(jìn)一步通過(guò)側(cè)面限界對(duì)測(cè)量結(jié)果進(jìn)行校正，即計(jì)算測(cè)量所得的側(cè)面限界數(shù)據(jù)與實(shí)際側(cè)面限界的偏差，測(cè)量所得的樹(shù)木區(qū)域距離與之相減的結(jié)果作為最終測(cè)量結(jié)果，改進(jìn)的后估計(jì)流程如圖4所示。

實(shí)驗(yàn)鐵路的實(shí)際側(cè)面限界為2.9 m，統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果的誤差概率分布如圖5所示。

圖5 表明，通過(guò)支架距離校正后測(cè)量誤差降低到0.15 m 以下，平均在0.07 m 左右，這一方面為進(jìn)一步降低測(cè)量誤差奠定了基礎(chǔ)，另一方面也證明了通過(guò)支架相對(duì)位置檢測(cè)危樹(shù)思路的正確性。

為分析測(cè)量誤差的來(lái)源，選取測(cè)量過(guò)程中誤差較大的兩幀圖片進(jìn)行分析。圖6 分別展示了相鄰兩幀圖像及其區(qū)域分割、匹配的結(jié)果。

圖4 校正后的樹(shù)木區(qū)域距離估計(jì)流程

圖5 校正前后的誤差分布

圖6 區(qū)域分割與匹配的結(jié)果

圖6中的黃色為不同尺度所分割區(qū)域的輪廓，紅色小圓標(biāo)注了其中兩個(gè)樹(shù)木區(qū)域的匹配結(jié)果。從結(jié)果看，主要區(qū)域分割前后一致，匹配結(jié)果基本正確，但由于攝像機(jī)抖動(dòng)，匹配點(diǎn)與攝像機(jī)中心的相對(duì)位置發(fā)生了一定變化，導(dǎo)致了測(cè)量誤差產(chǎn)生。

7 結(jié)束語(yǔ)

本文對(duì)基于圖像的鐵路危樹(shù)檢測(cè)方法進(jìn)行了探索，設(shè)計(jì)了針對(duì)危樹(shù)檢測(cè)的區(qū)域分割方法、樹(shù)木區(qū)域的分形維數(shù)計(jì)算方法、區(qū)域多尺度匹配方法，通過(guò)圖像區(qū)域在前后兩幀中的位移和攝像機(jī)移動(dòng)測(cè)量區(qū)域距離成像面中心的距離，通過(guò)對(duì)比樹(shù)木區(qū)域與接觸網(wǎng)支架的位置關(guān)系對(duì)危樹(shù)區(qū)域進(jìn)行差別。實(shí)驗(yàn)證明，本文所設(shè)計(jì)的方法具有良好的測(cè)量精確性，計(jì)算復(fù)雜度在可接受的范圍內(nèi)。為解決危樹(shù)判定過(guò)程中，樹(shù)木區(qū)域與鐵路安全區(qū)域的檢測(cè)易受攝像機(jī)抖動(dòng)而產(chǎn)生較大誤差等問(wèn)題，根據(jù)同一圖像中兩目標(biāo)物體相鄰兩幀的位置變化計(jì)算物體的實(shí)際距離，即對(duì)雙目視覺(jué)測(cè)距算法進(jìn)行改進(jìn)提出基于縱向視差的計(jì)算方法。由于真實(shí)鐵路維護(hù)的狀況良好，危樹(shù)的實(shí)驗(yàn)素材采集困難，未能對(duì)實(shí)際的危樹(shù)視頻進(jìn)行直接檢測(cè)，后續(xù)研究將通過(guò)布置模擬場(chǎng)景的方式獲得危樹(shù)的視頻以進(jìn)一步證實(shí)算法的有效性。對(duì)于列車的高速行駛引起的圖像抖動(dòng)，本文僅通過(guò)區(qū)域匹配等方法消除其影響，在后續(xù)研究中將結(jié)合去抖動(dòng)等圖像穩(wěn)定技術(shù)增加測(cè)量的精度。