用于動(dòng)車組故障檢測(cè)的圖像識(shí)別算法

劉祖勝，方 凱，劉碩研

（1.鄭州鐵路局 客運(yùn)處，鄭州 450052；2.中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

用于動(dòng)車組故障檢測(cè)的圖像識(shí)別算法

劉祖勝1，方 凱2，劉碩研2

（1.鄭州鐵路局 客運(yùn)處，鄭州 450052；2.中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS）通過(guò)比對(duì)現(xiàn)場(chǎng)圖像與其歷史圖像，實(shí)現(xiàn)列車運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和自動(dòng)報(bào)警。由于不同時(shí)間采集的圖像存在一定程度的差異性，使得單純基于SIFT特征匹配的故障識(shí)別算法誤報(bào)率較高。為此，本文提出一種自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法：將圖像以車廂為基準(zhǔn)對(duì)齊配準(zhǔn)；基于SIFT特征匹配，通過(guò)局部比對(duì)粗略定位故障區(qū)域；以上述區(qū)域?yàn)槟０?，搜尋歷史圖像以精準(zhǔn)定位故障位置。實(shí)驗(yàn)結(jié)果表明，本算法能有效地分析和預(yù)警運(yùn)行動(dòng)車組的異常情況，使得系統(tǒng)用戶可及時(shí)發(fā)現(xiàn)重大故障，提升動(dòng)車運(yùn)營(yíng)質(zhì)量。

動(dòng)車組故障檢測(cè)系統(tǒng)；模板匹配；SIFT特征匹配；多級(jí)故障報(bào)警

隨著中國(guó)高速鐵路的快速發(fā)展，動(dòng)車組安全監(jiān)控體系建設(shè)顯得尤為重要。現(xiàn)有的監(jiān)控方式為入庫(kù)地溝式靜態(tài)監(jiān)控，缺乏運(yùn)行過(guò)程中的動(dòng)態(tài)監(jiān)控。這將導(dǎo)致動(dòng)車組可能長(zhǎng)距離帶病行進(jìn)，增加了事故的發(fā)生幾率。高速行進(jìn)中的動(dòng)車，其關(guān)鍵部件易受到石塊等異物的強(qiáng)力撞擊，此外由于長(zhǎng)期承受傳動(dòng)力及制動(dòng)力，其螺栓可能發(fā)生不同程度的松動(dòng)，因此行進(jìn)中的動(dòng)態(tài)監(jiān)控對(duì)于保障動(dòng)車運(yùn)營(yíng)安全起到至關(guān)重要的作用。鑒于此，鐵路部門提出了動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS, Trouble of moving EMU Detection System）[1]。該系統(tǒng)利用軌邊安裝的線陣攝像頭，采集運(yùn)行動(dòng)車組走行部、制動(dòng)配件、底架懸吊件、鉤緩連接、車體兩側(cè)裙板、轉(zhuǎn)向架等部位圖像，與其最近過(guò)車的歷史圖像進(jìn)行比對(duì)，監(jiān)測(cè)當(dāng)前運(yùn)行動(dòng)車的結(jié)構(gòu)件是否有變化、變化的趨勢(shì)以及變化的類型，實(shí)現(xiàn)故障的實(shí)時(shí)報(bào)警。然而由于車速、大氣、光線、抖動(dòng)等諸多外部因素的不同，使得不同時(shí)期采集的兩幅圖像之間存在亮度、分辨率、長(zhǎng)度等差異，因此目前單純采用基于SIFT特征匹配的圖像故障識(shí)別算法存在大量的誤報(bào)現(xiàn)象，故障定位不精準(zhǔn)[2～5]。

為此，本文提出一種自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法：（1）將圖像以車廂為基準(zhǔn)對(duì)齊配準(zhǔn)；（2）基于SIFT特征匹配，通過(guò)局部比對(duì)粗略定位故障區(qū)域；（3）將上述故障區(qū)域作為模板，搜尋整幅歷史圖像精準(zhǔn)定位故障位置。實(shí)驗(yàn)結(jié)果表明，本算法針對(duì)運(yùn)行動(dòng)車組的異常情況能有效地分析預(yù)警，使得系統(tǒng)用戶可及時(shí)發(fā)現(xiàn)重大故障，提升動(dòng)車運(yùn)營(yíng)質(zhì)量。

1 圖像故障識(shí)別算法

本文提出的自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法框架如圖1所示：（1）以車廂為基準(zhǔn)對(duì)不同時(shí)間采集的動(dòng)車圖像進(jìn)行對(duì)齊配準(zhǔn)，最大程度地消除由于車速、抖動(dòng)、光線等外部因素造成的圖像錯(cuò)位問(wèn)題；其次利用局部匹配粗略定位故障坐標(biāo)，即通過(guò)SIFT特征匹配[6]算法找尋現(xiàn)場(chǎng)采集圖像中無(wú)法與歷史圖像匹配成功的特征區(qū)域，將其作為待識(shí)別故障區(qū)域；（2）將待識(shí)別故障區(qū)域作為模板，在整幅歷史圖像中進(jìn)行全局搜尋匹配，精準(zhǔn)定位故障。實(shí)驗(yàn)結(jié)果表明，本算法針對(duì)運(yùn)行動(dòng)車組的異常情況能有效地分析預(yù)警，提高了動(dòng)車組隱蔽故障發(fā)現(xiàn)能力和故障產(chǎn)生初期的預(yù)警能力，增強(qiáng)了動(dòng)車組運(yùn)行的安全防范水平，為杜絕動(dòng)車組帶病運(yùn)行提供了有效手段。

圖1 自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法框架

1.1 圖像的對(duì)齊配準(zhǔn)

由于圖像在采集過(guò)程中易受到車速、天氣、光線、抖動(dòng)等諸多因素的影響，常常造成圖像差異，為此本算首先對(duì)現(xiàn)場(chǎng)采集的動(dòng)車圖像以車廂為基準(zhǔn)進(jìn)行圖像拼接和分割，實(shí)現(xiàn)與歷史圖像的對(duì)齊配準(zhǔn)。具體地說(shuō)，步驟是：（1）進(jìn)行動(dòng)車車頭對(duì)齊，即根據(jù)火車車號(hào)，從火車車頭模板庫(kù)中提取該車型的車頭模板，與現(xiàn)場(chǎng)采集的火車圖像進(jìn)行車頭模板匹配，并對(duì)匹配成功的圖像于車頭起始位置進(jìn)行圖像分割。（2）進(jìn)行車廂對(duì)齊，即利用車廂模板庫(kù)中該車型的車廂連接處模板，對(duì)實(shí)時(shí)采集的火車圖像進(jìn)行模板匹配，并對(duì)匹配成功的圖像在車廂連接處位置進(jìn)行圖像分割，而其他圖像則依次拼接，從而形成一幅完整的車廂圖像。（3）保存車廂圖像，實(shí)現(xiàn)該車型歷史圖像庫(kù)的更新。

1.2 自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法

現(xiàn)有的圖像故障識(shí)別算法大多采用基于SIFT特征的匹配算法[1]，然而局部特征中不含有任何位置信息，而圖像中存在大量的特征相似而語(yǔ)義差異的特征點(diǎn)，因此僅從特征相似性的角度衡量，會(huì)出現(xiàn)大量的誤報(bào)故障點(diǎn)。為此，有些算法提出使用基于像素的全局匹配[2]解決問(wèn)題，然而由于車速、天氣、光線、抖動(dòng)等外部因素造成的圖像不一致問(wèn)題，即相同坐標(biāo)位置對(duì)應(yīng)的圖像內(nèi)容不一致，使得單純利用像素差的全局匹配不能很好地解決誤報(bào)問(wèn)題。鑒于此，本文提出一種自適應(yīng)融合局部和全局匹配的故障識(shí)別算法。

SIFT特征匹配包括2個(gè)階段：（1）SIFT特征的生成，即從圖像中提取出對(duì)尺度縮放、旋轉(zhuǎn)、亮度變化無(wú)關(guān)的特征向量；（2）SIFT特征向量的匹配。具體地說(shuō)，首先利用檢測(cè)子檢測(cè)出圖像中的興趣點(diǎn), 再利用描述子對(duì)興趣點(diǎn)周邊的區(qū)域進(jìn)行魯棒的特征描述，最后利用匹配算法匹配兩幅圖像的描述子。當(dāng)兩幅圖像的SIFT特征向量生成后，采用興趣點(diǎn)特征向量的歐式距離作為兩幅圖像中興趣點(diǎn)的相似性判定度量。取圖像中的某個(gè)興趣點(diǎn)，并找出其與圖像中歐式距離最近的前2個(gè)興趣點(diǎn)，在這個(gè)興趣點(diǎn)中，如果最近的距離除以次近的距離少于某個(gè)比例閾值，則接受這一對(duì)匹配點(diǎn)。降低這個(gè)比例閾值，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定。

模板匹配[7～9]是在一幅圖像中搜尋目標(biāo)圖像（即模板），并確定其坐標(biāo)位置。設(shè)現(xiàn)場(chǎng)采集圖像s是大小為的圖像，待識(shí)別的故障區(qū)域T是大小為的模板圖像，并且。模板匹配是將模板 T疊放在現(xiàn)場(chǎng)圖s上平移，模板覆蓋下那塊大小為的搜索圖叫做子圖，通過(guò)比較T和的相似性，完成模板匹配過(guò)程。該方法利用圖像本身具有的灰度統(tǒng)計(jì)信息來(lái)衡量圖像之間的相似程度，精度較高，但對(duì)于尺度變化、旋轉(zhuǎn)以及不均勻光照等因素比較敏感。

圖2 圖像故障識(shí)別算法流程

2 實(shí)驗(yàn)研究

實(shí)驗(yàn)選擇TEDS采集的高分辨率圖像數(shù)據(jù)來(lái)評(píng)價(jià)算法的性能，并和現(xiàn)有的圖像故障識(shí)別算法進(jìn)行對(duì)比和分析。TEDS采集設(shè)備包含3套沉箱和2套側(cè)箱，其中3套沉箱共放置5個(gè)超高速高清晰線陣攝像頭，用于采集動(dòng)車底部的高清圖像（包括制動(dòng)裝置、驅(qū)動(dòng)裝置、牽引裝置、轉(zhuǎn)向架、輪軸、車鉤及車底部其他部位），左右側(cè)部各安裝2套側(cè)箱，其中1套用于采集轉(zhuǎn)向架圖像，1套用于采集裙擺圖像。本實(shí)驗(yàn)將第1天采集到的列車圖像作為歷史圖像，分別對(duì)第2天和第3天采集的圖像進(jìn)行故障分析。圖3分別顯示了沉箱和側(cè)箱攝像頭采集的車輛圖像。

圖3 TEDS采集的底部和側(cè)部圖像

第1組實(shí)驗(yàn)主要評(píng)價(jià)算法的故障識(shí)別性能，本文使用漏報(bào)率和誤報(bào)率這2個(gè)標(biāo)準(zhǔn)進(jìn)行評(píng)估。所謂漏報(bào)率是指在故障檢測(cè)中存在N次故障有M次未能檢測(cè)出；而誤報(bào)率是指在檢測(cè)出的N次故障中，其中有M次不是故障。表1顯示了本算法對(duì)于不同時(shí)間采集圖像的故障識(shí)別性能?？梢钥闯觯瑢?duì)于第3天采集的列車圖像，算法在誤報(bào)率和漏報(bào)率方面的指標(biāo)均高于第2天，說(shuō)明圖像之間的差異性越大，算法故障識(shí)別的難度也隨著提高。并且兩組數(shù)據(jù)的誤報(bào)率均高于漏報(bào)率，因本算法的故障識(shí)別基礎(chǔ)為局部特征匹配的檢測(cè)結(jié)果，而局部特征匹配旨在盡量降低漏報(bào)率，因此本算法的故障識(shí)別誤報(bào)率相對(duì)于漏報(bào)率較高。

表1 圖像故障識(shí)別算法性能表

第2組實(shí)驗(yàn)比較了局部特征匹配和全局模板匹配在故障識(shí)別方面的性能。從圖4中可以看出，SIFT特征匹配雖然可以定位故障位置，但是存在大量誤報(bào)的故障區(qū)域。由于兩幅圖像拍攝的光線，天氣等不同，使得看似相同的圖像可能具有完全不同的角點(diǎn)特征，圖像中的角點(diǎn)具有很好的局部顯著性和穩(wěn)定性，但是單純利用SIFT局部特征匹配檢測(cè)出很多“噪聲”興趣點(diǎn)，使得故障識(shí)別存在誤報(bào)率高的問(wèn)題。而基于模板匹配的故障識(shí)別算法雖然在一定程度上減少了誤報(bào)率，且可基本準(zhǔn)確定位故障位置，但其性能在很大程度上受到模板大小的影響，且匹配計(jì)算量大，速度慢，實(shí)時(shí)性不強(qiáng)。為此，本文提出的自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法將SIFT局部特征匹配和全局模板匹配的優(yōu)勢(shì)相結(jié)合，充分利用了局部和全局信息進(jìn)行故障識(shí)別，定位精準(zhǔn)，誤報(bào)率低，且計(jì)算時(shí)間也有一定的縮短，可以有效地提升動(dòng)車運(yùn)行過(guò)程中的安全監(jiān)控質(zhì)量。

圖4 局部特征匹配和全局模板匹配的性能比較

以實(shí)際車廂圖像為例，與現(xiàn)有故障識(shí)別算法進(jìn)行性能比較，如圖5所示。從圖5（a）和5（b）可以看出，本文算法可以有效地識(shí)別故障，并確定其位置，雖然仍存在一些誤報(bào)區(qū)域，但其位置鄰近實(shí)際故障區(qū)域。此外，漏報(bào)率也在可控范圍之內(nèi)。圖5（c）中黃色框圖顯示了現(xiàn)有算法識(shí)別的故障位置，然而大量的黃色區(qū)域均為誤報(bào)故障，說(shuō)明現(xiàn)有算法并未從真正意義上減輕工作人員的工作量。與現(xiàn)有算法相比，本文算法不僅具有同樣的故障識(shí)別時(shí)間，還有效地抑制了誤報(bào)情況，提升了故障實(shí)時(shí)檢測(cè)和自動(dòng)報(bào)警的效率。

3 結(jié)束語(yǔ)

本文針對(duì)動(dòng)車組運(yùn)行故障檢測(cè)問(wèn)題，提出了一種自適應(yīng)融合局部和全局匹配的圖像故障識(shí)別算法。該算法在基于SIFT局部特征匹配的基礎(chǔ)上，利用全局模板匹配進(jìn)行故障識(shí)別定位。具體地說(shuō)，將圖像以車廂為基準(zhǔn)配準(zhǔn)；基于SIFT特征匹配通過(guò)局部比對(duì)粗略定位故障區(qū)域；以其作為模板，搜尋整幅歷史圖像以精準(zhǔn)定位故障位置；根據(jù)故障的位置和損壞程度，綜合定義故障等級(jí)，實(shí)現(xiàn)多級(jí)報(bào)警。實(shí)驗(yàn)結(jié)果表明，本算法針對(duì)運(yùn)行動(dòng)車組的異常情況能有效地分析預(yù)警，使系統(tǒng)用戶可及時(shí)發(fā)現(xiàn)重大故障，提升動(dòng)車運(yùn)營(yíng)質(zhì)量。

圖5 與現(xiàn)有算法的性能比較

[1] 李 駿. 動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TEDS）設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京：北京郵電大學(xué)，2012.

[2] 許艷峰. 動(dòng)車組故障軌邊圖像自動(dòng)檢測(cè)系統(tǒng)圖像對(duì)比算法研究[J]. 鐵路計(jì)算機(jī)應(yīng)用，2013，22（5）：23-26.

[3] 趙俊彥，任崇巍.關(guān)于動(dòng)車組故障對(duì)邊圖像檢測(cè)系統(tǒng)的設(shè)計(jì)[J]. 鐵道機(jī)車車輛，2011，31（6）：19-22.

[4] 陳 雷，趙長(zhǎng)波. TFDS動(dòng)態(tài)檢查方法與技巧[M]. 北京：中國(guó)鐵道出版社，2010.

[5] 李 軍. TFDS圖像自動(dòng)識(shí)別技術(shù)的分析[J].上海鐵道科技，2011，1（1）：114-118.

[6] Lowe D. Distinctive image features from scale-invariant key points [J]. International Journal of Computer Vision， 2004，60（2）：91-110.

[7] YU Z. Object Matching Using Deformable Templates [J]. IEEE Trans. On Pattern Analysis and Machine Intelligence，1996，18（3）：267-278.

[8] 陳 智. 圖像匹配技術(shù)研究 [D]. 武漢：華中師范大學(xué)，2006.

[9] 李曉明，趙訓(xùn)坡. 基于Fourier-Mellin變換的圖像配準(zhǔn)方法及應(yīng)用拓展[J]. 計(jì)算機(jī)學(xué)報(bào)，2006，29（3）： 465-472.

責(zé)任編輯 方 圓

Image Recognition Algorithm for EMU trouble detection

LIU Zusheng1, FANG Kai2, LIU Shuoyan2
( 1. Department of Passenger Transit, Zhengzhou Railway Administration, Zhengzhou 450052, China; 2. Institute of Computing Technologies, China Academy of Railway Sciences, Beijing 100081, China )

The aim of TEDS was to detect the trouble of moving EMU images based on the matching between present image and previous one. However, the traditional TEDS was easily affected by some related issues such as speed, light and so on. This article proposed an algorithm to recognize the trouble of EMU image by adaptive fusion local and global matching. First, the image was aligned according to the carriage. And then the SIFT matching was adopted to accomplish the rough detection. Based on such detection, the template matching was further used to locate the trouble of EMU image. To reach the requirement of multilevel trouble alarm, we fi nally def i ned the trouble level according to the different components. The experimental result showed that the proposed algorithm could detect the trouble of moving EMU effectively.

TEDS; template matching; SIFT matching; multilevel trouble alarm

U266.2∶TP39

A

1005-8451（2015）12-0001-04

2015-04-08

劉祖勝，高級(jí)工程師；方 凱，副研究員。