胥田田，雷錫騫

（蘭州工業(yè)學(xué)院，甘肅 蘭州730050）

鐵路運(yùn)輸時(shí)因行車過(guò)程中環(huán)境復(fù)雜多變，可能出現(xiàn)自然災(zāi)害引起的山體滑坡、行人滯留車道等現(xiàn)象，隨機(jī)異物導(dǎo)致高速運(yùn)行列車前方出現(xiàn)異物侵限，對(duì)行車安全造成較大影響。當(dāng)前，全自動(dòng)駕駛及機(jī)器視覺(jué)檢測(cè)技術(shù)在軌道交通中的研究應(yīng)用，將獲取的幀序列數(shù)字圖像進(jìn)行預(yù)處理，提高后續(xù)軌道異物檢測(cè)的實(shí)時(shí)性與準(zhǔn)確性，實(shí)際中往往將雷達(dá)與機(jī)器視覺(jué)技術(shù)融合進(jìn)行異物檢測(cè)[1]。

1 鐵路框架提取

邊緣檢測(cè)是實(shí)現(xiàn)圖像分析和理解的首要步驟，準(zhǔn)確、實(shí)時(shí)地獲得幀序列中鋼軌所在位置信息，為后續(xù)異物的檢測(cè)奠定了基礎(chǔ)。將待處理軌道異物圖像中灰度值不連續(xù)的像素點(diǎn)進(jìn)行連接、填補(bǔ)和刪除，從而形成軌道圖像完整的邊界?；跈C(jī)器視覺(jué)的軌道線提取如圖1所示。

圖1 基于機(jī)器視覺(jué)的軌道線提取流程圖

常用的邊緣檢測(cè)方法包括基于灰度直方圖與基于梯度值，兩種方法均需預(yù)先設(shè)定閾值，前者遍歷圖像灰度值，提取出大于閾值T的全部像素點(diǎn)進(jìn)行合并作為圖像邊緣，但閾值T的選取對(duì)邊緣準(zhǔn)確定位影響較大；后者劃分梯度幅值大于設(shè)定閾值的點(diǎn)為邊緣像素，但圖像中超過(guò)閾值的點(diǎn)并非全部為邊緣像素，分類過(guò)程存在將同一區(qū)域內(nèi)變化劇烈的點(diǎn)錯(cuò)歸為邊界像素的情況。邊緣檢測(cè)算法依據(jù)邊緣處的梯度值和灰度差成正比并取值最大的原理，使用微分算子查找取值存在跳變的邊緣部分。經(jīng)典的微分算法有Roberts算子、Prewitt算子、Sobel算子、Canny算子等，Canny算子能較好地去除噪聲，在實(shí)際中應(yīng)用較為廣泛[2]。

1.1 傳統(tǒng)軌道邊緣檢測(cè)及軌道線提取

Canny邊緣檢測(cè)基本特征可以表現(xiàn)為：首先，能夠達(dá)到有效擬制噪聲和盡量精確確定邊緣位置的兩個(gè)條件；其次，測(cè)量信噪比與定位乘積后，獲得最優(yōu)化逼近算子；最后，Canny算子對(duì)待處理圖像按照平滑后再求導(dǎo)的過(guò)程進(jìn)行處理。其獲得邊緣像素的算法步驟表述為：（1）用高斯濾波器平滑圖像；（2）通過(guò)計(jì)算一階偏導(dǎo)有限差分，獲得梯度幅值和方向；（3）按照非極大值抑制原理對(duì)梯度幅值進(jìn)行分析處理；（4）用雙閾值算法檢測(cè)和連接邊緣。

1.2 軌道線提取

Paul Hough于1962年首次提出Hough變換，用來(lái)檢測(cè)直線和曲線，前提要求已知物體邊界線的解析方程，但不需要有關(guān)區(qū)域位置的先驗(yàn)知識(shí)，后于1972年由Richard Duda&Peter Hart推廣使用。Hough變換的基本原理是將圖像中的一個(gè)點(diǎn)轉(zhuǎn)化成其對(duì)應(yīng)參數(shù)空間的一條直線或曲線，將圖像幾何圖形問(wèn)題轉(zhuǎn)換成對(duì)應(yīng)參數(shù)空間峰值的求解問(wèn)題，即將全局問(wèn)題轉(zhuǎn)化為局部問(wèn)題，便于求解[3]，Hough變換是圖像變換中的經(jīng)典算法之一，但存在運(yùn)算復(fù)雜、計(jì)算量大等不足。Hough變換基本原理如圖2所示。

圖2 Hough變換的基本原理

1.3 軌道線提取的優(yōu)化

邊緣檢測(cè)優(yōu)化的三個(gè)方面：檢測(cè)前圖像的平滑、增加邊緣檢測(cè)的方向、閾值選取，在圖像平滑中，邊緣定位與噪聲擬制相互矛盾，濾波會(huì)對(duì)邊緣造成損失，增加檢測(cè)方向會(huì)使得算法計(jì)算量增大[2]，同時(shí)，閾值的選取需要人為設(shè)置，而非自適應(yīng)。

文獻(xiàn)[4]中，首先利用Hough變換識(shí)別近景軌道，并以此確定遠(yuǎn)景軌道的起點(diǎn)參數(shù)，再將分段的遠(yuǎn)景軌道按照角度對(duì)齊的評(píng)判法進(jìn)行路徑生長(zhǎng)，最后提取軌道限界區(qū)域。文獻(xiàn)[5]中，作者通過(guò)極值中值濾波代替?zhèn)鹘y(tǒng)Canny算子中的高斯濾波，在圖像梯度幅值和方向方面引入加權(quán)系數(shù)，自適應(yīng)迭代閾值法確定高低分割閾值，從以上三方面提高Canny邊緣檢測(cè)的準(zhǔn)確性與清晰度，結(jié)合Hough變換設(shè)計(jì)適合直線型與曲線型鐵軌內(nèi)的異物檢測(cè)。文獻(xiàn)[6]中，從相繼兩幅或多幅圖像中提取特征，根據(jù)獲取的特征信息結(jié)合Hough變換達(dá)到檢測(cè)軌道異物的目的。文獻(xiàn)[7]中，首先利用Hough變換確定直線軌道，根據(jù)擬合的兩條直線交點(diǎn)縮小檢測(cè)窗口，其次遍歷窗口內(nèi)每行的灰度均值，根據(jù)灰度值是否發(fā)生突變確定當(dāng)前檢測(cè)范圍是否存在異物，該方法實(shí)時(shí)性較好。文獻(xiàn)[8]中，針對(duì)軌道圖像噪聲特點(diǎn)，提出一種基于多尺度結(jié)構(gòu)元素、多方向（MMSE）的自適應(yīng)灰度形態(tài)學(xué)濾波算法，通過(guò)對(duì)含有噪聲的采集圖像使用不同的算法進(jìn)行濾波，可以實(shí)現(xiàn)采集圖像中噪聲的擬制與邊緣的加強(qiáng)，根據(jù)提取的軌道邊緣，結(jié)合多約束Hough變換，進(jìn)一步確定鋼軌方程并根據(jù)限界距離劃分侵限區(qū)域。文獻(xiàn)[9]中，探索一種高速鐵路近景影像軌道邊緣提取方法并構(gòu)建軌道邊緣線的同名點(diǎn)坐標(biāo)映射模型。根據(jù)軌道數(shù)字影像的灰度信息與點(diǎn)位分布特點(diǎn)，利用Canny算法和概率Hough變換提取鐵路軌道的內(nèi)邊緣特征，其中ORB算法與KNN算法實(shí)現(xiàn)軌道表面同名點(diǎn)的匹配并由此建立坐標(biāo)對(duì)應(yīng)關(guān)系，利用該關(guān)系構(gòu)建軌道邊緣線的多項(xiàng)式映射模型以匹配出邊緣同名點(diǎn)，提高軌道邊緣檢測(cè)和匹配方面的可靠性，可為高速鐵路幾何狀態(tài)檢測(cè)提供處理技術(shù)支持。文獻(xiàn)[10]中，處理獲取的數(shù)字影像，設(shè)計(jì)篩選策略解決軌道邊緣不突出的情況，實(shí)現(xiàn)軌道邊緣的可靠自動(dòng)識(shí)別，并根據(jù)數(shù)字影像的特點(diǎn)與相關(guān)理論方法，設(shè)計(jì)近景攝影測(cè)量鐵路軌道邊緣識(shí)別與檢測(cè)系統(tǒng)，能夠有效應(yīng)用于軌道靜態(tài)檢測(cè)。文獻(xiàn)[11]中，首先根據(jù)Canny算子實(shí)現(xiàn)以軌道為主體的檢測(cè)窗口，其次將檢測(cè)窗口內(nèi)圖像劃分為軌道區(qū)域、軌道外側(cè)區(qū)域、軌道內(nèi)側(cè)區(qū)域，通過(guò)對(duì)反變換后的圖像像素值做縱向累加，判斷縱向累加值峰值的特征，綜合判斷窗口內(nèi)是否存在異物，可以有效實(shí)現(xiàn)直軌環(huán)境下的障礙物檢測(cè)。文獻(xiàn)[12]中，首先將使用Log邊緣檢測(cè)算子檢測(cè)出的像素點(diǎn)分為直線像素點(diǎn)與曲線像素點(diǎn)兩類，在直線、曲線邊緣像素點(diǎn)的檢測(cè)過(guò)程中，設(shè)置重疊度閾值，根據(jù)閾值大小從而排除曲線像素點(diǎn)，只檢測(cè)直線邊緣像素點(diǎn)，最后將輸出的斜率計(jì)算直線方程進(jìn)行平面轉(zhuǎn)換，改進(jìn)算法減少了軌道路基和軌枕直線邊緣的影響。文獻(xiàn)[13]中，基于軌道圖像的亮度、直線特征，將Hough變換和邊緣提取算法應(yīng)用于軌道圖像的識(shí)別，對(duì)已獲離散共線像素點(diǎn)按照建立的直線方程進(jìn)行擬合，以此得到連續(xù)直線。文獻(xiàn)[14]中，采用改進(jìn)的中值濾波算法，結(jié)合開(kāi)關(guān)去噪，很好地保證了軌道圖像細(xì)節(jié)方面，再利用慣性原理進(jìn)行邊緣追蹤，適合軌道異物的現(xiàn)場(chǎng)檢測(cè)。文獻(xiàn)[15]中，對(duì)圖像進(jìn)行Canny算子邊緣檢測(cè)后，提出利用鏈碼相關(guān)方法來(lái)完成對(duì)圖像中邊緣線的識(shí)別和刪除，根據(jù)累計(jì)鏈碼值個(gè)數(shù)來(lái)判斷線段方向，對(duì)干擾線段和有用線段分別進(jìn)行刪除和再連接處理，提取軌道輪廓。文獻(xiàn)[16]中，首先將改進(jìn)的高斯濾波算法應(yīng)用于邊緣檢測(cè)，保留邊緣程度及抗噪效果較好，更加突出鐵軌的關(guān)鍵信息，其次將改進(jìn)二值算法應(yīng)用于鐵路圖像的灰度化處理，最后根據(jù)像素追蹤算法確定鐵路框架并建立異物檢測(cè)窗口。

2 優(yōu)化實(shí)例仿真

為了驗(yàn)證改進(jìn)算法的可行性，在MATLAB2015a環(huán)境下，對(duì)鐵軌圖像進(jìn)行異物檢測(cè)區(qū)域劃分的仿真實(shí)驗(yàn)。圖3、圖4分別對(duì)直軌、彎軌進(jìn)行邊緣檢測(cè)、軌道線提取和檢測(cè)窗口建立，驗(yàn)證了文獻(xiàn)[16]中的算法，該算法對(duì)直軌、彎軌均有效，能夠較好地劃分出異物檢測(cè)區(qū)域。

圖3 直軌異物檢測(cè)區(qū)域劃分

圖4 彎軌異物檢測(cè)區(qū)域劃分

3 結(jié)束語(yǔ)

本文簡(jiǎn)述了幾種基于傳統(tǒng)邊緣檢測(cè)和直線提取的優(yōu)化算法，在實(shí)際應(yīng)用中，將多種優(yōu)化方法進(jìn)行結(jié)合檢測(cè)，通過(guò)驗(yàn)證其中一種算法的軌道線提取及檢測(cè)窗口建立，結(jié)果表明，算法有效性及實(shí)時(shí)性較好，但在暴雨、大霧等天氣中，基于機(jī)器視覺(jué)的異物檢測(cè)技術(shù)依賴于獲取的圖像質(zhì)量，攝像機(jī)較難獲取清晰的圖像，從而影響最后的檢測(cè)效果。