基于OpenCV的鐵路導軌自動識別探討

嚴斌龍

摘 要：在我國發展過程中，鐵路運輸為主要的交通運輸方式。而現階段鐵路基礎設施防護弊端的存在促使整體鐵路運輸事故頻發，而鐵路事故的控制也成為影響高速鐵路運輸行業發展的主要因素。因此為了進一步提高鐵路運輸能力，本文根據依據OpenCV視頻處理技術，對鐵路導軌自動識別系統進行了設計實現分析，以便為鐵路運輸過程的安全穩定進行提供有效的借鑒。

關鍵詞：OpenCV；C語言；圖像處理；鐵路導軌自動識別

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2018）14-0036-02

OpenCV主要包括C、C++語言的開源數據處理函數庫，其可通過多種計算機視覺、數字圖像處理算法，實現快速實時的數字圖像處理模式。同時通過優化C代碼編寫，OpenCV還可以結合多核處理器的優良特點，在Windows、Linux等操作系統中實現良好的應用。因此進行OpenCV鐵路導軌自動識別系統的構建，對于整體鐵路導軌自身識別系統的優化具有非常重要的意義。

1 基于OpenCV的鐵路導軌自動識別系統設計

1.1 系統總體方案設計

結合OpenCV的應用特點，在鐵路導軌自動識別系統總體設計方案中主要依據計算機電子軟硬件基礎，結合地理信息系統的相關工作，將整體視頻圖片進行進行了全面可視化分析。在具體應用過程中給予OpenCV的鐵路導軌自動識別技術主要可分為基礎設施模塊、數據模塊、服務模塊、應用模塊幾個方面的應用，其中沒有模塊具有獨立運行性能。在整體技術應用過程中主要利用OpenCV數字圖像處理技術，結合JAVA框架的應用，便于整體數字圖像監控工作的有效進行。

1.2 系統模塊設計

在OpenCV鐵路導軌自動識別系統設計過程中主要可分為數據采集模塊、圖像預處理模塊、導軌檢測識別模塊等相關方面。其中導軌檢測識別模塊主要根據不同鐵路運行情況的區別，可分為扣件檢測、道床檢測、軌道檢測等不同的分屬結構，而通過相關模塊軌道檢測數據的集成分析，可為整體鐵路導軌自動識別數據的統一管理提供充足的數據支持。如在軌道檢測模塊主要通過對鐵路主要剛性鐵軌運行情況的自動識別，從軌道運行的連續率、軌道裂紋、軌道曲率等情況，為后需軌道自動識別管理提供依據；而扣件檢測主要通過對鐵路軌道固定為主扣件進行識別分析，依據OpenCV圖像借鑒算法的特點，其主要有在、不在兩種狀態，分別表示無問題、有問題兩種情況；道床檢測主要是針對鐵路運行過程中道床板結問題，在OpenCV應用的基礎上，可結合LBP等技術的應用有效判定整體鐵路導軌道床的穩定情況。

視頻數據采集模塊主要通過視頻監控系統的合理配置，為最終數字圖像的分析處理提供了依據。依據計算機硬件迭代速度發展特點，為了進一步加大CPU運行速度，可在基礎計算機軟件的應用的基礎上，結合FPGA的應用提高整體視頻圖像檢測速度。基于OpenCV的視頻導軌自動識別系統圖像預處理模塊主要包括圖像去噪、圖像增強、灰度化等初步圖像處理環節。

2 基于OpenCV的鐵路導軌自動識別系統應用

2.1 基于OpenCV的導軌圖像獲取及處理

在實際應用過程中，基于OpenCV的鐵路導軌自動識別系統主要利用紅外熱像儀采集視頻圖像的模式進行導軌圖像獲取。在紅外熱像儀圖像輸入環節，OpenCV可利用自身內部具有的HighGUI工具包，優先選擇更加簡便、快速的視頻讀取模式，即參數為相關攝像設備ID的函數。隨后依照以往數字圖像視頻處理模式，結合CvCapture*指針、cvQueryFrame等函數的應用，獲得所需視頻的序列幀與函數參數為CvCapture結構的函數參數。同時通過對相關數字化圖像視頻文件的儲存應用，為后需圖像處理提供有效的依據。為了實現實時數字圖像處理的需求，在實際處理過程中，需對相關圖像進行一定的灰度處理，得到八位的灰度圖像，便于降低整體導軌圖像的數據范圍。OpenCV在進行圖像灰度處理過程中，大多選擇加權平均值法。同時考慮到外界環境及其他設備對整體圖像灰度處理的影響，在實際數字圖像處理過程中需要進行一定的去噪處理，便于明確數字圖像目標，為后需圖像分析提供良好的依據[1]。在具體的數字圖像噪聲去除過程中，可采用高斯濾波處理方式。高斯濾波處理方式為一種平滑的數字圖像噪聲去除措施，其主要利用卷積核對相關數字圖像的節點進行卷積處理，從而依照最終計算結果獲得整體數字圖像的像素數值，便于后續直道導軌圖像的順利處理。

2.2 基于OpenCV的導軌圖像邊緣提取

基于OpenCV導軌圖像邊緣提取主要是在相關數字圖像灰度處理環節，針對局部圖像區域內灰度變化不太協調的區域進行集中目標特征處理，以便后續導航識別過程的順利進行。OpenCV導軌突出邊緣提取可以利用拉普拉斯算法、異位檢測算法對數字圖像邊緣進行精準定位。相較于其他算法而言，拉普拉斯算法主要是在高斯濾波器平滑處理之后，可結合高斯算子一階微分的應用，獲得相關數字圖像像素點的梯度幅值、變動趨勢，從而便于對相關梯度幅值的抑制處理。在確定相關數字圖像邊緣像素點的基礎上，可利用雙閾值方法，獲得相關圖像的強邊緣、弱邊緣，在將數字圖像強邊緣、弱邊緣有效連接之后，可完成整體數字圖像的邊緣提取工作。

而異位檢測算法主要針對顏色差量特征不明顯的局部情況，且相關異物與導軌紋理一致，因此在進行圖像邊緣處理過程中，需要采用一定的措施對異物與導軌之間的紋理進行合理處理。在OpenCV中常用的紋理特征處理方法主要為歸一化法、LBP紋理法、灰度共生矩陣法等方法。其中灰度共生矩陣法主要是根據相應空間位置紋理的出現情況，在圖像上的一定距離以灰度直方圖的形式對整體圖像灰度出現頻率進行合理統計分析，從而得出相關圖像的整體信息。而通過對特定灰度值頻率的集中統計，可得出灰度共生矩陣的衍生特征，便于更加多樣具體的統計特征值的獲取，如紋理能量、紋理慣性、紋理熵等；而歸一化法主要是通過面熟相關模塊間紋理相似度進行圖像邊緣統一描述；LBP紋理法主要通過中心點的設定，對中心位置與周邊領域像素灰度的對比分析，進行相關賦的設定。在這個基礎上以逆時針的順序對相關像素灰度進行二進制串的編制，便于對整體圖像紋理灰度進行有效分析。在實際應用中，基礎的LBP紋理公式并不能在平坦區域圖像中發揮良好的效用，而針對灰度相差不夠明顯的圖像，可在以往LBP二進制串描述的基礎上，進行一定的擴張計算。即摒除以往單一中心點與周邊區域對比分析描述的方法，將閾值與分析圖像灰度差作為主要依據，結合閾值的合理設置，可達到良好的去噪處理效果。同時針對LBP運行過程中狀態點過多導致的內存損耗，可通過LBP狀態空間簡化措施進行合理控制。在實際過程中可通過背景建模的方式，將各個像素點進行統計處理；然后結合制定的像素參數進行統一直方圖的繪制，通過像素點紋理區域特征的檢測；最后通過相應紋理區域特征與背景直方圖的對比分析，可得到良好的異位圖像處理效果。

2.3 基于OpenCV的鐵路導軌自動識別

基于OpenCV的鐵路導軌自動識別模式在實際應用中主要包括鏈碼跟蹤提取、長度數字判定、統計鏈碼值次數辨別線段等幾個環節。首先在鏈碼跟蹤提取環節可綜合利用Hough變換、鏈碼跟蹤算法對整體圖像空間內，相關像素點映射在參數平面內對應位置的直線進行統計分析。結合OpenCV圖像實時處理特點，可利用鏈碼表數據，獲得相關線段的趨向方位、長度等信息[2]。依照中心像素指向情況，鏈碼跟蹤算法下的數字圖像處理模式，主要利用快速指向檢測算法中的直線近似度計算模式。即首先假定一個鏈碼串長度，并設定相關鏈碼串的端點間理想直線距離一定。這種情況下鏈碼串直線近似度到達一個極大值時就會與整段鏈碼串理想直線相一致。但是由于鐵路導軌線并不存在較為明顯的彎曲情況，因此利用鏈碼跟蹤向右看的準則，將其控制在一定維度的數據庫中，通過一定鏈碼序列的的設定，保障鐵路導軌運行過程中彎道導軌、直道導軌信息的全面檢測。

其次對于OpenCV下的鐵路導軌直線近似度識別，主要是以相關數字圖像左下方為入手點，按照由點到面、由右向上的角度進行逐一掃描。為了降低重復像素檢測對直線近似度跟搜速度的影響，可在進行像素標記的基礎上，結合以往鏈碼值，確定后續圖像直線近似值起始位置[3]。依照OpenCV鏈碼發展發現，可對鏈碼跟蹤線段形成的鏈碼串進行統一判定，通過對鏈碼串跟蹤線段實際長度、預估長度等情況的分析，可得出鏈碼串所跟蹤直線長度近似值。

最后在具體線段辨別過程中，主要利用統計鏈碼值的方法進行。在實際應用過程中主要依據鐵路導軌線運行方向，結合上一步鏈碼跟蹤鏈碼串的獲取情況，對相關鏈碼數值的出現頻率進行統一計算并逐一對比，而所得到的最大鏈碼串則為主要線段趨勢。在具體計算過程中需要進行一維數組的建立，并適當相關鏈碼存放的頻率；然后從設定的某個元素開始進行整形變量的設定；最后通過最大值的合理賦予，對相關線段的運行情況進行合理判定。此外，在導軌圖像處理后會出現輕度線段斷裂的情況，這種情況下就需要利用相應的斷點連接措施，結合相應斷點連接位置的后需鏈碼串跟蹤掃描，從而保證制定類型導軌輪廓標識的完整獲取，便于整體鐵路導軌識別工作的順利進行。

3 結語

綜上所述，基于OpenCV的鐵路導軌圖像識別系統的應用，可以為鐵路視頻監控工作的順利進行提供有效的依據。在OpenCV鐵路導軌圖像識別系統運行過程中，通過圖像紅外采集、圖像序列幀的獲得、圖像灰度去噪處理、邊緣取出、線段獲得等過程，可得到較為清晰的鐵路導軌輪廓線標識，從而為整體鐵路導軌安全維護提供有效的依據。

參考文獻

[1]王燕燕，魯五一，鄭聰敏.基于圖像處理的鐵路貨車交叉桿平面度檢測算法研究[J].制造業自動化，2016，38（9）：57-62.

[2]倪崢嶸.焊軌基地鋼軌焊接質量自動化檢測設備研制——平直度測量模塊的研究[D].中國鐵道科學研究院，2016，25（5）：26-28.

[3]徐宏鳳，張鳳生，郭士心，等.基于灰度共生矩陣的接觸線與承力索的識別研究[J].機電技術，2016，（6）：22-24.