鐵路立柱自動識別系統的設計與開發

杜青臣++林憲旗++張文亮++馮倩

摘 要：在列車行駛過程中，為了正確響應激光測距儀的觸發，準確識別出立柱以排除誤觸發，本文提出一種車載式鐵路立柱自動識別系統，該系統大幅提高鐵路立柱識別的實效性以及檢測精度，保證限界測量的準確性。首先采用雙三次樣條插值法處理送入圖片，在保證圖片分辨率的情況下減小圖片大小、提高處理速度；然后根據梯度特征選擇ROI區域，并計算ROI區域的Hog特征，避免對整幅圖片的遍歷，提高檢測效率；最后訓練SVM分類器，送入待測樣本進行分類。通過實驗分析驗證，本文提出的車載式鐵路立柱自動識別系統有較高的識別率和實效性。

關鍵詞：立柱識別 限界測量 梯度特征 方向梯度直方圖 車載式 三次樣條插值

中圖分類號：U29 文獻標識碼：A 文章編號：1674-098X（2017）09（c）-0001-03

隨著高鐵事業的快速發展，鐵路沿線環境的檢測工作越來越重要[1-2]，目前國內已開展基于圖像處理的鐵路限界研究工作[3-6]。吳健等提出一種復雜背景下的鐵路防護欄網格提取算法[7]，對鐵路沿線的防護欄網進行檢測并及時修復。王浩等設計了鐵路隧道限界檢測儀[8]，實現了在機車運行過程中對周圍環境的自動檢測，判斷是否存在超限物體。

鐵路沿線除了防護欄網等超限物體外，還存在大量接觸網的支柱、通信柱和隔離柱，鐵路部門必需定期進行立柱檢測以保證限界測量的準確性[9]。本文提出一種車載式鐵路立柱自動識別系統，該系統利用圖像模式識別技術、GPS定位技術完成對鐵路沿線立柱的自動判別。該系統的使用大幅度提高機車高速運行過程中的立柱識別的工作效率以及檢測精度。

1 車載式鐵路立柱自動識別系統設計

1.1 系統整體結構設計

本文首先通過對鐵路立柱識別系統的構成分析，結合具體的技術要求，得出了該系統的整體結構方案，包括觸發單元、圖像高速采集單元、激光限界測量單元。鐵路立柱識別系統的整體結構圖如圖1所示。

1.2 算法設計

本設計中采用Hog特征與SVM分類相結合的方法將拍攝到的圖片進行分類。先用雙三次樣條插值法處理送入圖片，根據梯度特征選擇ROI區域，計算ROI區域的Hog特征，訓練分類器，然后送入待測樣本進行分類。算法流程圖如圖2所示。

1.2.1 雙三次樣條插值

本文使用MV-GED32C-T工業相機拍攝測試圖片，圖片大小為480×640，直接處理圖片會增加運算時間和計算量，因此首先對圖片進行三次樣條插值，減小圖片大小，降低運算時間，提高處理速度。

設源圖像f大小為m×n，縮放后目標圖像g為M×N，則對g上的感興趣像素點（X，Y）來說，在f上的對應坐標為：

×× （1）

選取（X，Y）的16鄰域作為計算目標圖像g（X，Y）處像素值的參數。假設點P就是目標圖像g在點（X，Y）處對應于原始圖片f中的位置，P點的坐標為P（x+u，y+v），其中x，y為整像素坐標；u，v為亞像素坐標。P點的16鄰域的像素點用f（i，j）（i，j=0，1，2，3）來表示。

構造權重函數為

（2）

假設行系數為k_i，列系數為k_j，f（i，j）對應的系數為kij，則

kij=ki×kj （3）

雙三次樣條插值法作為預處理環節，在保證圖片分辨率的情況下減小了待檢測圖片大小，提高處理速度。

1.2.2 ROI區域提取

在實際特征提取時，如果對整幅圖片提取Hog特征，計算量會相當大，立柱作為圖片中的一小部分，有明顯的梯度特征，方便進行粗提取。因此為了進一步減小運算時間、提升準確率，本文對雙三次樣條插值后的圖片進行ROI區域提取，得到粗略的立柱區域。

假設三次樣條插值后的圖片為g（x，y），將g（x，y）沿寬度方向分塊：

i （4）

遍歷每子塊，計算子塊梯度幅值圖和梯度角度圖。設角度圖像為，梯度圖像為，則

（5）

（6）

分析可得，立柱邊緣像素的梯度角度全部在水平區域，而背景像素的梯度角度不定，由于拍攝誤差，可能造成圖片中柱子有一定的傾斜角度，計算每子塊中梯度角度在內的梯度幅值和為：

（7）

其中，

（8）

那么，立柱所在ROI區域為：

（9）

其中，

（10）

ROI區域提取的結果圖如圖3所示。

1.2.3 Hog特征提取

HOG特征表示邊緣梯度的結構特征，是一種局部區域的描述符，可以比較好地描述大圖中的小目標。提取HOG 特征步驟如下。

（1）計算圖像水平方向和垂直方向的梯度值。

（11）

式中，、分別表示像素點（x，y）處的水平方向梯度、垂直方向梯度；表示像素點（x，y）的像素值。

（2）計算像素點（x，y）處的梯度幅值和梯度方向。

（3）把圖像分割成若干個8×8像素單元（Cell），在每個Cell中，把梯度方向在[-π/2，π/2]內平均劃分為9個區間（Bin），如圖4所示。對所有像素的梯度幅值在各個方向區間進行直方圖統計，得到一個9維的特征向量。

（4）每相鄰4個單元組成一個塊（Block），把4個單元的特征向量串聯起來得到塊的36維特征向量；然后用塊對樣本圖像進行掃描，掃描步長為一個單元；最后將所有塊的特征串聯得到目標圖片的特征。圖5表示了單元Cell、塊Block和整個圖像的關系。

1.2.4 分類識別

采用SVM作為樣本分類器，訓練樣本包括正樣本和負樣本，正樣本為包含立柱的圖片，負樣本為隨機背景圖片。endprint

本文的分類識別步驟如下。

（1）分別選取500張立柱圖片和隨機背景圖片作為正、負樣本，對圖片進行雙三次樣條插值，然后粗提取疑似包含立柱的ROI區域，求取ROI區域的Hog特征送入SVM中訓練，得到SVM分類器。

（2）再分別選取200張正、負樣本作為測試樣本，將誤判的樣本分別加入到正確的樣本集中重新訓練分類器。

（3）重復上一步驟訓練分類器，得到最終的SVM分類器。

（4）將待測圖片送入訓練好的SVM分類器中，篩選出包含立柱的目標圖片。

2 車載式鐵路立柱自動識別系統實驗結果與分析

本文所用到的實驗圖片均為MV-GED32C-T工業相機拍攝，拍攝地點為濟南鐵路局兗州供電段，圖6為部分樣本圖片。為了驗證算法的有效性，本文將該方法與其他兩種方法進行對比，方法一為全遍歷圖片提取Hog特征進行SVM分類，方法二為全遍歷三次樣條插值后的圖片并提取Hog特征進行SVM分類，三種方法均采用相同的訓練集和測試集，對比結果如表1所示。

實驗結果分析可得，從識別率上來看，本文算法的識別率為91.4%，明顯高于方法一和方法二；從耗時來看，本文算法的耗時為0.811s，實時性明顯優于方法一和方法二，降低了識別算法所需要的時間。也就是說本文算法能用更短的時間識別出更多的立柱目標，因此本文算法更具有實時性和準確率。

3 結語

本文提出的車載式鐵路立柱自動識別系統，在機械結構設計上保證了系統平臺的穩固性，避免了火車行車過程中劇烈晃動造成的主機位移偏差。在算法上將ROI區域提取和Hog特征分類相融合，提出一種改進的立柱自動識別算法。該算法利用雙三次樣條插值縮小檢測圖片，在經過梯度特征提取ROI區域，將其作為Hog特征提取的檢測圖片，最后通過將待測樣本送入訓練好的SVM分類器得到立柱識別的分類結果。通過現場實驗驗證，該系統有較高的識別率，有很大的工程應用價值。

參考文獻

[1] 中國鐵道科學研究院，北京交通大學.鐵路建筑限界管理及系統研究[Z].2004.

[2] 張延波，解兆延，葛兆斌，等.基于運動控制卡的光源自動定位系統設計[J].山東科學，2012，25（1）：92-95.

[3] 仲崇成，李恒奎，李鵬，等.高速綜合檢測列車綜述[J].中國鐵路，2013（6）：89-93.

[4] 姜樹明，蔡秀霞，張元元，等.視頻圖像綜合處理系統的設計與實現[J].山東科學，2013，26（3）：54-59.

[5] 康熊，王衛東，李海浪.高速綜合檢測列車關鍵技術研究[J].中國鐵路，2012（10）：3-7.

[6] 崔浩，王中秋，劉慧，等.基于輪廓線提取技術的波峰坐標采集算法研究[J].山東科學，2014，27（2）：25-29.

[7] 吳健.復雜背景下鐵路防護欄網在線檢測系統研究[D].江西理工大學，2016.

[8] 王浩.鐵路隧道限界檢測儀的研究和設計[D].成都：西南交通大學，2003.

[9] Dalal N，Triggs.B.Histograms of oriented gradients for human detection[A].IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].2005.endprint