陳旭昂,韓 言,鄧 恒,周建華,李 陳,余學(xué)才,

(1.電子科技大學(xué) 光電科學(xué)與工程學(xué)院,四川 成都 610054; 2.萬巖鐵路裝備(成都)有限責(zé)任公司,四川 成都 610051)

1 引 言

精確檢測(cè)鋼軌斷面參數(shù)是事關(guān)鐵路安全的重要課題,鋼軌在生產(chǎn)和使用過程中容易產(chǎn)生變形和磨損,通過檢測(cè)鋼軌廓形參數(shù),可以評(píng)估鋼軌是否合格和磨耗情況,對(duì)保護(hù)鐵路安全至關(guān)重要[1-3]。對(duì)鋼軌進(jìn)行輪廓檢測(cè)的方式主要有人工接觸式檢測(cè)和利用圖像處理的非接觸式自動(dòng)檢測(cè)。人工檢測(cè)耗時(shí)長,同時(shí)無法保證精度與效率要求。而利用圖像處理進(jìn)行自動(dòng)檢測(cè)速度快,能避免主觀判斷引入的誤差,因而成為輪廓檢測(cè)的主要方式。

利用圖像處理檢測(cè)工件輪廓需要將待測(cè)鋼軌輪廓與實(shí)際標(biāo)準(zhǔn)輪廓對(duì)比,圖像標(biāo)定技術(shù)和輪廓匹配是廓形檢測(cè)中的重要步驟,對(duì)廓形檢測(cè)結(jié)果具有決定性影響。圖像標(biāo)定時(shí),將事先制作的標(biāo)定板放置在激光平面位置,由標(biāo)定板上的若干坐標(biāo)(世界坐標(biāo))和圖像坐標(biāo)建立圖像變換關(guān)系,校正時(shí),按照這個(gè)關(guān)系進(jìn)行圖像變換。圖像標(biāo)定后,為了能夠檢測(cè)鋼軌的磨損及缺陷,需要將各個(gè)部分的鋼軌輪廓與標(biāo)準(zhǔn)鋼軌廓形進(jìn)行匹配,之后可以通過對(duì)比二者之間差異,檢測(cè)鋼軌傷損情況。然而,上述過程中存在兩個(gè)主要問題:一是在實(shí)際圖像標(biāo)定過程中,很難將標(biāo)定板放置在激光平面上,如圖1所示。實(shí)際標(biāo)定平面和待測(cè)平面不同,導(dǎo)致最后測(cè)量誤差增大;二是鋼軌輪廓匹配時(shí),存在正確率低、匹配時(shí)間長的問題。在鋼軌輪廓匹配的研究中,鞠標(biāo)[4]等人采用霍夫變換計(jì)算出軌頂和軌腰處的圓中心,根據(jù)圖像的平移和旋轉(zhuǎn)將待測(cè)鋼軌輪廓匹配到標(biāo)準(zhǔn)輪廓上,該方法對(duì)霍夫變換的檢測(cè)精度要求較高。唐曉敏[5]等人提出將特征匹配和SVD-ICP算法相結(jié)合,從而完成輪廓匹配,這種方法對(duì)噪聲敏感、運(yùn)行時(shí)間長。占棟[6]等人通過對(duì)鋼軌輪廓進(jìn)行數(shù)字化建模和重采樣,建立了測(cè)量輪廓與標(biāo)準(zhǔn)輪廓之間的映射關(guān)系,實(shí)現(xiàn)了鋼軌輪廓匹配,但這種方法操作繁瑣,所建立的數(shù)字化模型不具備普遍性。

圖1 棋盤格標(biāo)定示意圖

針對(duì)上述問題,本文設(shè)計(jì)制作了一種階梯型標(biāo)定板,能夠使標(biāo)定平面和鋼軌廓形平面重合,利用多項(xiàng)式變換模型和雙線性插值法對(duì)標(biāo)定板圖像進(jìn)行校正,之后采用Harris-SIFT算法對(duì)鋼軌輪廓進(jìn)行匹配,最后利用改進(jìn)的RANSAC算法進(jìn)行誤匹配濾除。結(jié)果表明,采用本文設(shè)計(jì)的標(biāo)定板進(jìn)行圖像校正時(shí),能夠有效提高校正精度。此外,相對(duì)于傳統(tǒng)的輪廓匹配方法,本文提出的輪廓匹配算法具有明顯優(yōu)勢(shì)。

2 圖像采集系統(tǒng)設(shè)計(jì)

圖2(a)為階梯型標(biāo)定板的標(biāo)定示意圖。與棋盤格標(biāo)定板相比,階梯型標(biāo)定板外緣有多個(gè)頂點(diǎn)(控制點(diǎn)),當(dāng)激光照射到標(biāo)定板側(cè)面時(shí),如圖中激光線所示,所標(biāo)定的平面與激光平面一致,避免了棋盤格標(biāo)定板端面必須調(diào)整至與激光平面重合的難題。此外,為了進(jìn)一步提高標(biāo)定精度,所設(shè)計(jì)的標(biāo)定板與鋼軌尺寸相當(dāng),各控制點(diǎn)位于鋼軌輪廓曲線附近。圖像采集系統(tǒng)的整體結(jié)構(gòu)圖如圖2(b)所示,其中1為工業(yè)相機(jī),分別用于拍攝標(biāo)定板和鋼軌的左上側(cè)、右上側(cè)、左側(cè)和右側(cè)四個(gè)部分,并保證相鄰相機(jī)的視野存在部分重合,以得到完整鋼軌廓形。此外,相機(jī)外側(cè)裝有濾光片,只能使線激光通過,防止環(huán)境光的干擾;2為線激光器;3為標(biāo)定板,圖像標(biāo)定完畢后,需用鋼軌替代標(biāo)定板進(jìn)行鋼軌圖像校正;4為系統(tǒng)外殼,其作用是固定線激光器和工業(yè)相機(jī);5為PC端,其接收來自相機(jī)的圖片后自動(dòng)進(jìn)行圖像處理,并顯示檢測(cè)結(jié)果。

圖2 標(biāo)定板及系統(tǒng)設(shè)計(jì)結(jié)構(gòu)圖

系統(tǒng)搭建完成后,調(diào)整線激光器,只需使其射出的線激光位于標(biāo)定板側(cè)面即可,實(shí)際測(cè)量過程中保證激光器和相機(jī)位置不變,經(jīng)過不同相機(jī)拍攝得到的標(biāo)定板圖像如圖3所示。

圖3 不同相機(jī)拍攝的標(biāo)定板圖像

3 基于Harris-SIFT算法的鋼軌輪廓匹配原理

系統(tǒng)的整體流程如圖4所示,主要包括圖像標(biāo)定模塊和輪廓匹配模塊。

圖4 整體流程圖

首先對(duì)經(jīng)相機(jī)采集得到的標(biāo)定板圖像進(jìn)行預(yù)處理,其次,利用多項(xiàng)式變換計(jì)算各個(gè)不同的校正參數(shù),將標(biāo)定板換成鋼軌,并用校正參數(shù)動(dòng)態(tài)還原拍攝到的鋼軌圖像,然后利用雙線性插值對(duì)鋼軌圖像灰度進(jìn)行重構(gòu),從而完成圖像校正。之后利用Harris角點(diǎn)檢測(cè)算法得到鋼軌圖像和標(biāo)準(zhǔn)輪廓圖像中的角點(diǎn),將這些角點(diǎn)視為圖像中的特征點(diǎn),利用SIFT算法計(jì)算特征點(diǎn)的特征描述子并進(jìn)行粗匹配,最后通過誤匹配濾除實(shí)現(xiàn)輪廓的細(xì)匹配。

3.1 圖像預(yù)處理

經(jīng)相機(jī)拍攝得到的RGB圖像需要首先經(jīng)過圖像預(yù)處理,圖像預(yù)處理主要包括圖像灰度化處理和去噪處理。

3.1.1 灰度化

灰度化的目的是壓縮圖像的數(shù)據(jù)大小,方便后續(xù)算法對(duì)圖像的處理,根據(jù)人眼對(duì)色彩的敏感程度,一般采用平均加權(quán)法實(shí)現(xiàn)圖像灰度化[7]:

Grayvalue=0.299R+0.587G+0.114B

(1)

3.1.2 圖像去噪

在經(jīng)過高速攝像機(jī)拍攝得到的圖片中含有噪聲,為了防止噪聲對(duì)后續(xù)操作的影響,需要對(duì)灰度圖像去噪。常用的去噪方法有中值濾波法、均值濾波法、高斯濾波法等。高斯濾波在對(duì)圖像進(jìn)行平滑的同時(shí)能夠保留圖像的整體灰度特征,不會(huì)影響后續(xù)操作的準(zhǔn)確性[8],因此采用高斯濾波對(duì)圖像進(jìn)行去噪處理。

3.2 多項(xiàng)式校正變換

圖像的標(biāo)定有多種方法,有線性模型和非線性模型。線性模型基于物象關(guān)系建立世界坐標(biāo)系和圖像坐標(biāo)系的坐標(biāo)關(guān)系,忽略了相機(jī)畸變;非線性模型考慮了圖像畸變,世界坐標(biāo)系和圖像坐標(biāo)系間的轉(zhuǎn)換關(guān)系可以利用多項(xiàng)式逼近擬合。設(shè)相機(jī)拍攝得到的標(biāo)定板圖像為h(u,v),標(biāo)定板在世界坐標(biāo)系的圖像為f(x,y)。其中,(u,v)和(x,y)分別是同一控制點(diǎn)在校正前后圖像中的坐標(biāo),則h(u,v)和f(x,y)之間的變換關(guān)系可用下式表示[9]:

(2)

式中,aij和bij表示待測(cè)的多項(xiàng)式系數(shù);m為多項(xiàng)式次數(shù)。多項(xiàng)式次數(shù)越大,擬合精度越高,但計(jì)算量也越大。為了提高校正精度、降低計(jì)算量,本文令m=2。則(2)式轉(zhuǎn)化為:

(3)

上式中含有12個(gè)未知量,需要采集6個(gè)控制點(diǎn)分別在圖像坐標(biāo)系和世界坐標(biāo)系下的坐標(biāo),然后建立6組方程求解各個(gè)標(biāo)定參數(shù)。實(shí)際標(biāo)定時(shí),為了提高精度,采集多于6組控制點(diǎn)在圖像坐標(biāo)系和世界坐標(biāo)系下的坐標(biāo),然后利用最小二乘法求解超定方程[10]。假設(shè)采集的控制點(diǎn)數(shù)目為n個(gè),為了方便,將(3)式轉(zhuǎn)換為矩陣相乘的形式:

β=αγ

(4)

其中,世界坐標(biāo)構(gòu)成n×1矩陣β:

β=[u1,u2,…,um,v1,v2,…vm]T

(5)

控制點(diǎn)的圖像坐標(biāo)構(gòu)成2n×12矩陣α:

(6)

其中:

(7)

各個(gè)標(biāo)定參數(shù)構(gòu)成12×1矩陣γ:

γ=[a00,a01,a02,a10,a20,a11,b00,b01,b02,b10,b20,b11]T

(8)

定義誤差E為:

(9)

為了使E值最小,對(duì)γ求導(dǎo),并令導(dǎo)數(shù)等于0:

=-2αTβ+2αTαγ=0

(10)

求解上式可得:

γ=(αTα)-1αTβ

(11)

3.3 雙線性插值

假設(shè)相機(jī)拍攝的鋼軌圖像為R(u,v),建立與R(u,v)等大且像素值均初始化為0的圖像G(u,v)。遍歷G(u,v)中的坐標(biāo),利用(3)式計(jì)算鋼軌圖像中的對(duì)應(yīng)坐標(biāo)(u,v),然后對(duì)G(u,v)賦值,從而得到校正圖像。然而,經(jīng)(3)式計(jì)算得到的坐標(biāo)可能為小數(shù),需要利用插值法進(jìn)行灰度重構(gòu)。常用的圖像插值方法有最鄰近插值、雙線性插值和三次插值法等[11]。最鄰近插值采用距離最小原則,將距離(u,v)最小的像素灰度值作為當(dāng)前像素值,這種方法計(jì)算量小,但是圖像中灰度突變較大,重構(gòu)效果較差,三次插值法雖然插值精度高,但計(jì)算量大,無法滿足系統(tǒng)實(shí)時(shí)檢測(cè)的要求。而雙線性插值兼具了以上兩種方法的優(yōu)點(diǎn),因此本文采用雙線性插值進(jìn)行灰度重構(gòu),雙線性插值公式如式(12)所示:

R(u,v)=R(?u」,?v」)+ud·[R(?u」+1,

?v」)-R(?u」,?v」)]+vd·[R(?u」,?v」+1)-

R(?u」,?v」)]+ud·vd·[R(?u」+1,?v」+1)-

R(?u」+1,?v」)-R(?u」,?v」+1)+R(?u」,?v」)]

(12)

其中:

(13)

?」表示向下取整。當(dāng)n=12時(shí),標(biāo)定板圖像經(jīng)過預(yù)處理、多項(xiàng)式校正變換和雙線性插值處理后如圖5所示。

圖5 校正后標(biāo)定板各個(gè)部分圖像

3.4 輪廓匹配

輪廓匹配方法主要包括模板匹配和特征匹配。模板匹配是將待匹配的圖像在標(biāo)準(zhǔn)圖像上滑動(dòng),根據(jù)事先預(yù)定的相似性評(píng)價(jià)準(zhǔn)則確定最佳匹配位置,考慮到鋼軌不同位置表面反射率不同,實(shí)際圖像中像素值總在變化,模板匹配錯(cuò)誤率較高。特征匹配算法主要有SIFT、SURF、ORB算法等[12]。SIFT算法具有尺度和光照不變性,但是通常匹配時(shí)間較長。SURT算法是在SIFT的基礎(chǔ)上,通過使用積分圖和Haar特征加速算法的運(yùn)行時(shí)間。而ORB算法則是基于FAST角點(diǎn)檢測(cè)和BRIEF特征描述進(jìn)行特征匹配,運(yùn)算時(shí)間小,但是在復(fù)雜場(chǎng)景下匹配效果不好[13-14]。本文將Harris角點(diǎn)檢測(cè)算法與SIFT特征匹配相結(jié)合,降低了SIFT算法中尋找特征點(diǎn)的運(yùn)算時(shí)間,并利用改進(jìn)的RANSAC算法進(jìn)行誤匹配濾除,從而達(dá)到了鋼軌輪廓精確、快速匹配的目的。

3.4.1 Harris-SIFT算法

SIFT算法[15]是Lowe在2004年提出的具有尺度不變性和旋轉(zhuǎn)不變性的圖像匹配算法,隨后提出的SURF算法也是基于SIFT算法所作的改進(jìn)。傳統(tǒng)SIFT算法的實(shí)施過程主要包括以下步驟:

(1)構(gòu)造圖像高斯金字塔

為了使提取的特征具有尺度不變性,需要建立圖像高斯金字塔。通過對(duì)原圖像不斷進(jìn)行降采樣,得到S組鋼軌圖像,利用式(14)將每一組鋼軌圖像與不同尺度因子σ下的高斯核函數(shù)卷積,得到S組K層的圖像,最后利用高斯差分圖像近似高斯拉普拉斯圖像,為下一步特征點(diǎn)提取做準(zhǔn)備。

(14)

(2)提取特征點(diǎn)

在高斯差分尺度空間將像素和其周圍26個(gè)像素比較,初步得到像素極大值點(diǎn),然后利用泰勒級(jí)數(shù)進(jìn)行擬合,并去除低對(duì)比點(diǎn),最后通過Hessian矩陣跡與行列式的比值去除邊緣效應(yīng),從而得到特征點(diǎn)。

(3)構(gòu)造特征描述子

利用式(15)計(jì)算特征點(diǎn)鄰域內(nèi)各個(gè)像素的梯度方向,利用梯度方向直方圖確定特征點(diǎn)主方向。按照特征點(diǎn)主方向?qū)μ卣鼽c(diǎn)鄰域像素坐標(biāo)旋轉(zhuǎn),將特征點(diǎn)周圍16×16鄰域劃分為4×4個(gè)子塊,每45°劃分一個(gè)方向,統(tǒng)計(jì)子塊梯度方向直方圖,對(duì)每個(gè)子塊的梯度方向直方圖拼接,從而得到特征點(diǎn)的128維特征描述子。

(15)

(4)特征匹配

遍歷標(biāo)準(zhǔn)鋼軌廓形圖像中特征點(diǎn),計(jì)算與當(dāng)前待匹配特征點(diǎn)歐式距離最小和次小的值,若二者比值小于設(shè)定閾值,則將歐式距離最小的特征點(diǎn)作為當(dāng)前待匹配結(jié)果,否則,進(jìn)行待測(cè)鋼軌輪廓圖像中下一個(gè)特征點(diǎn)匹配。

由上述過程可知,特征點(diǎn)提取是SIFT算法緩慢的一大原因,可以事先通過角點(diǎn)檢測(cè)算法得到特征點(diǎn),之后利用SIFT算法得到特征點(diǎn)的128維SIFT描述子,并通過特征匹配完成鋼軌輪廓粗匹配[16]。本文采用Harris角點(diǎn)檢測(cè)算法提取圖像中特征點(diǎn)。設(shè)原圖像為I(x,y),定義矩陣T為:

(16)

其中,Ix、Iy分別為像素在x、y方向的一階導(dǎo)數(shù)。角點(diǎn)響應(yīng)為:

R=det(T)-δ(trace(T))2

(17)

det(T)、trace(T)分別表示矩陣T的行列式和跡,δ一般設(shè)置為0.04～0.06。當(dāng)響應(yīng)大于一定閾值時(shí),可初步認(rèn)為該點(diǎn)為角點(diǎn),之后利用非極大值抑制得到最終角點(diǎn)。

3.4.2 改進(jìn)的RANSAC算法

經(jīng)Harris-SIFT特征匹配后存在許多誤匹配,一般采用RANSAC算法進(jìn)行誤匹配過濾。其主要思想是通過隨機(jī)選取4組點(diǎn),計(jì)算對(duì)應(yīng)的單應(yīng)性變換矩陣,在變換矩陣下統(tǒng)計(jì)內(nèi)點(diǎn)數(shù),若內(nèi)點(diǎn)數(shù)大于當(dāng)前最大內(nèi)點(diǎn)數(shù),更新最優(yōu)變換矩陣和最大內(nèi)點(diǎn)數(shù),最終得到最優(yōu)的參數(shù)矩陣[17]。然而,當(dāng)粗匹配中誤匹配較多時(shí),RANSAC算法濾除效果不佳。理想情況下,鋼軌圖像不同匹配點(diǎn)對(duì)間斜率與歐式距離應(yīng)相同,單應(yīng)性矩陣退化為剛體變換矩陣[18],則坐標(biāo)空間(x,y)與(u,v)之間的轉(zhuǎn)換關(guān)系為:

(18)

式中,a、b、t、r為變換參數(shù)。變換矩陣中含有4個(gè)未知數(shù),隨機(jī)選取兩組匹配點(diǎn)即可計(jì)算參數(shù)矩陣,具體步驟為:

①設(shè)置迭代次數(shù)和誤差閾值,隨機(jī)選取兩組匹配點(diǎn)((x0,y0),(u0,v0)、(x1,y1),(u1,v1)),構(gòu)造矩陣A、B、M分別如下式:

(19)

(20)

(21)

②根據(jù)式(18),可知:

AM=B

(22)

當(dāng)選取兩組特征點(diǎn)重合時(shí),轉(zhuǎn)向步驟(1);否則,A的行列式不為0,利用式(23)計(jì)算矩陣M:

M=BA-1

(23)

③遍歷每組特征點(diǎn)(xi,yi),(ui,vi),利用式(24)計(jì)算(xi,yi)的理想匹配點(diǎn)位置(uideal,videal):

(24)

若該位置與實(shí)際匹配位置(ui,vi)的歐式距離小于設(shè)定誤差閾值,則將匹配(xi,yi),(ui,vi)放入該組參數(shù)下的匹配集中。迭代結(jié)束后,統(tǒng)計(jì)匹配數(shù)目最多的匹配集,并保留對(duì)應(yīng)的匹配,刪除其余匹配。

4 實(shí) 驗(yàn)

該部分主要包括圖像標(biāo)定實(shí)驗(yàn)和圖像匹配實(shí)驗(yàn)。實(shí)驗(yàn)平臺(tái)基于Windows10操作系統(tǒng),處理器型號(hào)為Intel(R)Core(TM)i3-4170 CPU @ 3.70 GHz,內(nèi)存為8 G,編程軟件采用MATLAB R2020a,圖像中的像素單元表示的真實(shí)物理尺寸為0.2 mm。文獻(xiàn)[19]指出,在進(jìn)行圖像標(biāo)定時(shí),控制點(diǎn)位置和控制點(diǎn)數(shù)目對(duì)標(biāo)定精度均存在影響,控制點(diǎn)分布越均勻,校正效果越好,而最優(yōu)控制點(diǎn)數(shù)目則需要進(jìn)行實(shí)驗(yàn)確定。為了比較與傳統(tǒng)標(biāo)定板的標(biāo)定精度,本文分別對(duì)棋盤格標(biāo)定板和階梯型標(biāo)定板進(jìn)行實(shí)驗(yàn)。通過采集18組控制點(diǎn),分別取其中10、11、12、13、14個(gè)控制點(diǎn)進(jìn)行實(shí)驗(yàn),并將剩余的8、7、6、5、4個(gè)控制點(diǎn)作為驗(yàn)證集。其中,控制點(diǎn)的位置均勻分布于圖像四周及中心。

4.1 校正效果評(píng)價(jià)

設(shè)某一控制點(diǎn)理想坐標(biāo)為(xi,yi),實(shí)際校正后的坐標(biāo)為(ui,vi)。則二者之間的距離disti為:

(25)

假設(shè)驗(yàn)證集中控制點(diǎn)個(gè)數(shù)為N,則平均校正誤差RMSE為:

(26)

RMSE表示了校正效果好壞,其值越小,校正效果越好。

4.2 最佳控制點(diǎn)數(shù)目的選取與精度對(duì)比

針對(duì)兩種標(biāo)定板,對(duì)相機(jī)拍攝的左上側(cè)、右上側(cè)、左側(cè)和右側(cè)圖像分別實(shí)驗(yàn),結(jié)果如圖6所示。

圖6 RMSE隨控制點(diǎn)數(shù)目變化趨勢(shì)

對(duì)比圖6(a)、圖6(b),用棋盤格表標(biāo)定板校正時(shí),校正誤差對(duì)控制點(diǎn)數(shù)目不敏感,而本文所設(shè)計(jì)的標(biāo)定板對(duì)控制點(diǎn)數(shù)目敏感。同時(shí),對(duì)于同一標(biāo)定板,不同部位圖像的最佳控制點(diǎn)數(shù)目不同。當(dāng)控制點(diǎn)個(gè)數(shù)為13時(shí),對(duì)于兩種標(biāo)定板圖像的校正效果均較好。當(dāng)控制點(diǎn)數(shù)目為13時(shí),使用棋盤格標(biāo)定板標(biāo)定時(shí),不同鋼軌圖像校正誤差分別0.075 mm、0.044 mm、0.134 mm、0.235 mm,平均校正誤差為0.122 mm。使用所設(shè)計(jì)的標(biāo)定板進(jìn)行標(biāo)定時(shí),校正誤差分別為0.04 mm、0.12 mm、0.04 mm、0.12 mm,平均校正誤差為0.08 mm,相對(duì)棋盤格標(biāo)定板減小了0.042 mm。本文利用階梯型標(biāo)定板,采集13組控制點(diǎn)校正鋼軌圖像。通過多項(xiàng)式校正變換計(jì)算階梯型標(biāo)定板的標(biāo)定參數(shù),結(jié)果如表1所示。

表1 標(biāo)定參數(shù)

用鋼軌替代標(biāo)定板,各個(gè)相機(jī)拍攝得到的鋼軌右軌頂、左軌頂、右軌腰和左軌腰圖像如圖7所示。

圖7 不同位置鋼軌圖像

然后采用表1中的參數(shù)分別對(duì)鋼軌圖像校正,并利用雙線性插值和輪廓融合還原鋼軌完整輪廓,各個(gè)部分鋼軌圖像的還原結(jié)果如圖8所示。

圖8 還原結(jié)果

4.3 輪廓匹配結(jié)果對(duì)比

鋼軌標(biāo)準(zhǔn)無損傷圖像如圖9所示,將圖8中各個(gè)部位的鋼軌還原圖像與標(biāo)準(zhǔn)圖像匹配,分別采用SIFT算法、SURF+RANSAC算法和本文所改進(jìn)的算法進(jìn)行對(duì)比,匹配結(jié)果如圖10所示。

圖9 標(biāo)準(zhǔn)鋼軌輪廓圖

(a1)左軌頂輪廓匹配 (a2)右軌頂輪廓匹配

分別采用三種算法運(yùn)行10次,統(tǒng)計(jì)三種算法下的不同部位鋼軌圖像的平均匹配數(shù)、平均正確匹配數(shù)、平均匹配正確率和平均運(yùn)行時(shí)間。結(jié)果如表2所示。

表2 不同算法運(yùn)行結(jié)果對(duì)比

對(duì)比表2,可以得出,SIFT算法效果運(yùn)行時(shí)間長,匹配正確率低,SURF+RANSAC算法運(yùn)行時(shí)間快,但在匹配左側(cè)軌腰圖像時(shí),匹配效果不理想。而本文所設(shè)計(jì)的輪廓匹配算法運(yùn)行時(shí)間與SURF+RANSAC算法接近,但正確匹配數(shù)多,匹配正確率達(dá)100 %。

5 結(jié) 論

為解決線激光鋼軌損傷探測(cè)中標(biāo)定平面與激光平面不重合、鋼軌輪廓難以匹配的問題,本文設(shè)計(jì)了一種新型標(biāo)定板,并提出基于Harris-SIFT算法的鋼軌廓形匹配算法。首先搭建鋼軌圖像采集系統(tǒng),采用多項(xiàng)式校正變換計(jì)算標(biāo)定參數(shù),并利用雙線性插值重構(gòu)圖像。經(jīng)過圖像標(biāo)定后,利用Harris角點(diǎn)檢測(cè)算法得到待測(cè)輪廓中特征點(diǎn),并用SIFT算法計(jì)算特征點(diǎn)的特征描述子,從而完成輪廓的粗匹配,之后利用改進(jìn)的RANSAC算法進(jìn)行細(xì)匹配。實(shí)驗(yàn)結(jié)果表明,相對(duì)于傳統(tǒng)的棋盤格標(biāo)定板,階梯型標(biāo)定板校正誤差減小0.042 mm。此外,相對(duì)于傳統(tǒng)輪廓匹配算法,所改進(jìn)的輪廓匹配方法在速度和匹配正確率方面均有所提高,為鋼軌廓形匹配技術(shù)進(jìn)一步發(fā)展奠定了基礎(chǔ)。