基于機器視覺技術的列車脫軌試驗研究

盧 義，林建輝，張 兵，杜高峰

（1 西南交通大學牽引動力國家重點實驗室，四川成都610031；2 西南交通大學機械工程學院，四川成都610031）

基于機器視覺技術的列車脫軌試驗研究

盧 義1，林建輝1，張 兵1，杜高峰2

（1 西南交通大學牽引動力國家重點實驗室，四川成都610031；2 西南交通大學機械工程學院，四川成都610031）

提出一種基于機器視覺技術的列車脫軌運動檢測方法。該方法采用高速攝像機記錄脫軌防護器以及脫軌輪對運動情況，利用攝像機標定技術建立圖像平面與三維空間的對應關系，完成對列車運動軌跡以及縱向運動參數的測量。該測量方法解決了破壞性試驗中測試系統安裝的難點，突破傳統測試方法，所需設備較少，試驗現場適應性強。

機器視覺；列車脫軌試驗；相機標定；圖像處理；運動分析

近年來，列車脫軌事故頻有發生，對鐵路運輸造成極大的危害。脫軌機理與脫軌防護一度成為各國軌道交通領域的重大研究課題［1］。隨著我國高速客運專線的不斷開通，列車運行安全性研究變得更加重要。針對國內近年重大脫軌事故，本文研究提出了脫軌安全防護裝置，并利用脫軌機構提供穩態爬軌脫軌，闡述了利用機器視覺技術檢測脫軌防護器運動軌跡，為脫軌仿真提供一定的理論基礎。

在破壞性試驗中，測試設備的安裝與數據的采集是試驗的重點和難點。利用機器視覺技術完成運動目標檢測跟蹤測量，成為了整個脫軌試驗運動測量最行之有效的方法。針對拍攝的高速脫軌視頻需要進行如下幾個部分的處理：（1）視頻圖像的預處理，主要包括圖像的灰度化以及濾波，通過以上步驟消除視頻中的干擾成分；（2）運動目標的檢測與跟蹤，選擇背景差法進行目標檢測，利用Kalman算法對物體進行跟蹤［2］；（3）運動參數的測量，利用相機標定技術建立圖像平面與實際場地的對應關系，從而求解運動目標的空間位置信息，完成運動軌跡與縱向運動參數的測量。

1　脫軌試驗過程與機構

如圖1所示，整個試驗由機車自區段①推動被試車輛以5 km/h的速度行至第一直線段，在區段②約40 m范圍內將車速提高至試驗速度后機車制動，解開車鉤使之與被試車輛脫離。機車在區段③約70 m內停車，被試車輛脫離后惰行至區段④無砟軌道區，進入18 m后在脫軌器作用下向右側脫軌。預留52 m作為脫軌后的車輛運行停車區。脫軌試驗按照3個速度級進行，分別為（15～20）km/h，（20～25）km/h和（25～35）km/h。

圖1　試驗線路圖

為使單輛拖車在CRTSⅠ型板式無砟軌道指定位置進行低速脫軌，試驗設計了如圖2所示的固定式脫軌器。

圖2　脫軌器機構示意圖

試驗為了驗證低速脫軌后脫軌安全防護裝置防傾翻性能及運動形態，設計了如圖3所示L型防脫機構，該裝置安裝于脫軌軸箱底部。

圖3　列車脫軌防護機構示意圖

2　圖像檢測系統

脫軌列車運動軌跡檢測的圖像測試系統是由奧林巴斯高i-SPEED TR高速攝像機（最高幀率10 000 fs，鏡頭焦距50 mm，光圈范圍f/1.4～f/22）和工業計算機組成，如圖4所示。

圖4　圖像檢測系統

高速圖像采集是該檢測系統的基礎部分［3］。該測試系統需要縮短傳感器曝光時間，以便減少每幀的運動模糊和凍結運動，為了得到滿足后期分析處理要求的圖像，需要進行人工輔助燈光補償，傳統解決方法是對目標景物使用大功率的聚光燈，但是只提供高瓦數的聚光燈并不能解決大多數問題，通常還需要聚焦和定位光線，光線的聚集遠比光線的數量更重要，所以常規探照燈在HSV任務中并不實用。該系統采用Olympus工業光源和液芯光導管，其具有光線集中、發光效率高、支持相機誤觸發保護功能、耗電少、壽命長等優點。系統補光燈置于脫軌區間與攝像機之間，脫軌器左右側各一個光源。鏡頭的選擇同樣會對所獲得的視頻圖像產生明顯不同的效果。由于爬軌側觀察區域較大，因此選擇短焦鏡頭，脫軌防護側觀察區域較遠，選擇長焦鏡頭。

3　圖像預處理

由于對脫軌區間進行了人工輔助燈光補償，燈光分布不均，存在部分的低頻噪聲干擾［4］。因此，在進行圖像處理之前，首先需要對原始圖像進行預處理，包括圖像的灰度化以及濾波，灰度化處理結果如圖5所示。目前常見的濾波方法主要包括高斯濾波、均值濾波、中值濾波和雙邊濾波，本文主要采用雙邊濾波算法［5］。由于雙邊濾波在進行灰度值計算時不僅要考慮其領域范圍內的灰度還需要注意他們與中心點之間的距離，因此濾波后點的灰度值表達公式為：

其中k為歸一化系數，其表達式為：

式中h為濾波后灰度；x為濾波前灰度；c為空間相似度；s為灰度相似度。

在實際處理過程當中，利用高斯函數即可實現c和s函數，其定義如下：

通過分析得知雙邊濾波不僅具有較好的圖像邊界信息保存能力，而且還可以較好的過濾圖片中的低頻成分，濾波后效果如圖6所示。

圖5　灰度化圖像

圖6　雙邊濾波圖像

4　脫軌運動測量

運動目標檢測與跟蹤是脫軌試驗過程當中最基本也是最核心部分，在進行高速視頻分析時，通過相應的算法完成對脫軌防護器及一位輪對在視頻圖像中的檢測分割，實現運動目標的跟蹤監測，利用相機標定技術實現圖像與實際物體的坐標轉換，在坐標系中確定物體的空間信息，最終分析確定其運動情況。

運動目標的檢測是運動目標跟蹤定位的基礎，主要任務是從圖像中分割提取運動目標，目前比較主流的分析方法包括：背景差法、幀差法、光流法等［6］。

在脫軌試驗過程中，攝像機處于靜止狀態，圖像序列背景變化較小，因此采用背景差法檢測運動目標。背景差法的關鍵點是如何獲取背景圖像，進行背景建模，并能保持對其進行實時更新，獲取精確的背景圖像。背景差法可用如下公式（2）表示：

其中Fi（x，y）為第i幀時的前景圖像；Pi（x，y）為幀圖像；Bi（x，y）為背景圖像。在獲取Bi（x，y）背景圖像時，由于存在部分背景變化，且整個脫軌過程在室外進行，光照和天氣的變化會對背景模型產生一定的干擾，而單高斯模型法會對圖像中每個像素進行計算，然后使用在線估計法來進行背景模型的更新，能夠有效的降低因光照和天氣變化引起的干擾，因此可以利用單高斯模型法進行背景提取。首先應計算圖像中t時刻每點像素Xt的高斯分布參數均值ut和方差∑t，則Xt的概率密度分布為η（Xt，ut，∑t）。當每個像素點的概率大于自適應閾值T時，即可將該像素點當做背景中的像素。針對每個像素都進行上述高斯統計，生成背景圖像。利用該算法便可有效提取視頻圖像中的運動目標［7］。

在完成運動目標提取工作之后需要實現目標物體的運動跟蹤。對于脫軌車輛而言，整個脫軌過程均是非線性的，但是高速攝像機拍攝的圖像之間的時間間隔非常短暫（2 000 fs），在這個過程中車輛的運動狀態不會發生突然性變化，因此可以認為脫軌車輛一直處于勻速運動狀態。針對該特點，在跟蹤算法方面本文采用了Kalman濾波。它是運動跟蹤中一種有效的最小方差估計方法。其基本思想是基于信號和噪聲的狀態空間模型利用前一時刻的估計值和當前時刻的觀測值來更新狀態變量，其中狀態變量用以表征各特征點的位置、速度等狀態信息［8］。在進行運動狀態變量估計時，運動目標的狀態方程為：

運動目標的觀測方程為：

式中A為狀態轉移矩陣；w（k）為系統噪聲；H為狀態轉移矩陣；r（k）為觀測噪聲。觀測方程有效的反映了理想跟蹤結果與實際跟蹤結果之間的相互關系，Kalman濾波不僅可以實現對物體運動軌跡濾波跟蹤，還可以通過平滑波動數據消除測量位置產生的數據抖動。它有效的完成了對脫軌防護機構及脫軌輪對的外部輪廓及對稱中心位置點的跟蹤［9］。

最后物體的定位和軌跡測量實施過程主要包括：（1）確定運動目標物體在每幀圖像中的二維像素坐標值；（2）將目標物體的二維像素坐標值轉換為物體在試驗場地中的三維空間值。通過以上2步便可以確定單幀圖像中的運動目標在脫軌試驗場景中的空間位置信息，最后將每幀圖像中運動物體的位置連接起來便能夠得到實際的運動軌跡。與此同時，攝像機的拍攝幀率已知，即可知兩幀圖像之間的時間間隔，因此目標物體的運動速度可以比較容易的計算出來。

5　脫軌試驗與結果分析

5.1高速攝像機標定

利用C++及OpenCV相機標定函數對高速攝像機的內部參數及外部參數進行標定［10］。其中內部參數表示攝像機坐標系和世界坐標系之間的關系，外參數表示攝像機在世界坐標系里的位置和方向。攝像機標定坐標系有，世界坐標系P（Xw，Yw，Zw）；攝像機坐標系Pu（Xu，Yu，Zu）；圖像坐標系：［u，v］，［x，y］。攝像機模型三坐標的系統關系如圖7所示，其中θ是攝像機坐標光軸與像平面夾角，f為相機焦距。

圖7　相機模型三坐標關系

利用攝像機坐標系與像平面坐標系變換矩陣完成內部參數標定如下：

焦距：f=［1 014.218；1 018.913］

圖像中心坐標點：c=［510.557；501.792］

世界坐標系和攝像機坐標系的相互轉換主要是通過旋轉矩陣R和平移矩陣T完成，其具體關系如圖8所示。

圖8　坐標系關系圖

物體坐標系與攝像機坐標系的轉換關系如下：

經標定的攝像機外部參數為：

5.2試驗結果分析

在低速脫軌試驗過程中，高速攝像機采樣頻率為2000 fs，利用圖像處理技術完成了對防脫器運動軌跡的跟蹤測量，其運動軌跡如圖9所示；

圖9　二位側防脫器運動軌跡

在運動軌跡高度測量中，取輪軌耦合面為基準平面，以脫軌防護器與軸箱安裝法蘭下表面為軌跡點。通過軌跡曲線可知脫軌防護器在運動過程中并不是線性變化的。在脫軌瞬間，脫軌防護器下表面未與軌面發生正面碰撞，而是與鋼軌側面產生了劇烈的摩擦，出現強烈的火花現象，由此可見在橫向脫軌上起到了應有的保護作用，隨著橫向脫軌距離的穩定，脫軌防護器開始與鋼軌上表面發生垂向撞擊，并出現彈跳現象，隨著能量遞減而趨于緩和。該測試方法有效記錄了脫軌運動過程。

同時針對一位脫軌輪對，本文求取了不同牽引速度級下其脫軌至落地位移過程中的時程函數如圖10所示。

圖10　一位輪對脫軌至落地位移時程圖

一位輪對脫軌過程中，除了產生縱向的拋物線式運動，還存在橫向的脫軌運動，因此其運動軌跡是縱向運動與橫向運動的合成，對于不同的牽引及脫軌速度，其時程函數存在一定的差異。

不同工況下，試驗列車脫軌縱向參數測量統計如表1所示。

表1　縱向參數

由于攝像機的拍攝幀率已知，圖像之間的時間間隔也就成為已知量，在較短的時間間隔內，可以將脫軌瞬間理解為勻速運動，因此車輛的脫軌速度就可以比較容易的計算出來。在制動距離方面，由于運動物體的距離不斷增大，通過圖像測得的數據與試驗結束后實際測量的距離存在一定的誤差，其誤差均在5%左右，因此對于遠距離的拍攝測量，該方法還有待進一步的優化。

6　結束語

提出了利用機器視覺技術研究測量列車脫軌軌跡以及縱向運動參數，試驗結果表明該方法能夠準確測量脫軌防護器運動軌跡以及脫軌輪對的運動情況，是一種有效的破壞性試驗檢測方法。在以后的研究工作過程中，為了提高測試系統的可靠性以及測量的更精確性，在保證正常檢測的基礎上，需要進一步對軌跡跟蹤算法進行改進。

［1］ 向 俊，曾慶元.列車脫軌機理與脫軌分析理論研究［J］.中國鐵道科學，2008，29（1）：127-129.

［2］ 李 明.視頻序列中運動目標檢測與跟蹤算法的研究［D］.江蘇：蘇州大學，2010.

［3］ 王華夏.高速鐵路隧道襯砌裂縫自動化檢測硬件系統研究［J］.鐵道標準設計，2013，（10）：97-102.

［4］ 郭 磊，徐友春，李克強，連小珉.基于單目視覺的實時測距方法研究［J］.中國圖象圖形學報，2006，11（1）：74-81.

［5］ 沈 豐，趙宇明.基于實時Retinex與雙邊濾波的圖像增強算法［J］.計算機應用與軟件，2009，26（11）：234-238，258.

［6］ 李 建，藍金輝，李 杰.一種新型快速運動目標檢測算法［J］.中南大學學報（自然科學版）.2013，（3）：978-984.

［7］ 張青苗，李 鵬，趙 勇，何寶富，孫彧.一種基于OpenCV實現的運動目標檢測算法的研究［J］.艦船電子工程，2010，（7）：59-61.

［8］ 王建鋒.基于多信息融合的車輛狀態參數估計［J］.計算機仿真，2013，（11）：131-136.

［9］ 羅忠祥，莊越挺，潘云鶴，劉 豐.基于雙攝像機的視頻特征跟蹤算法研究［J］.計算機輔助設計與圖形學學報. 2002，14（7）：646-650.

［10］ （美國）布拉德斯基，譯者：于仕琪.學習OpenCV［M］.北京：清華大學出版社，2009.

Study on Train Derailment Test Based on Computer Vision Technology

LU Yi1，LIN Jianhui1，ZHANG Bing1，DU Gaofeng2
（1 Traction Power State Key Laboratory，South west Jiaotong University，Chengdu 610031 Sichuan，China；2 School of Mechanical Engineering，South west Jiaotong University，Chengdu 610031 Sichuan，China）

A new method is Proposed to measure the train derailment motion，which is based on computer vision technology.The method uses the high-speed cameras to record the movement of derailed protector and derailed wheel，and completes the measurement of the train movement trajectory and the longitudinal motion parameters by using the camera calibration technology，which establishes correspondence between the image plane and the three-dimensional space.This measurement method solves the problem of test system installation difficulty in destructive test，breaking the traditional testing methods.It needs less equipment and has a strong adaptability in test site.

computer vision；train derailment test；camera calibration；image processing；motion analysis

U260.11+2

A doi：10.3969/j.issn.1008-7842.2015.04.14

1008-7842（2015）04-0063-04

?）男，碩士研究生（

2015-01-23）