機車全動態包絡線測量中的目標點自動識別算法研究

鄒志，馬驪群，甘曉川，樊晶晶

(航空工業北京長城計量測試技術研究所，北京 100095)

0 引言

鐵路機車的動態限界是在結構限界和靜態限界基礎上，進一步考慮懸掛的靜態、準靜態和動態振動變形的限界，也被稱作動態包絡線[1]。現有動態限界研究采用理論模型仿真方法和直接測量方法。理論模型仿真方法僅計算理論的位移量，而不同車體的實際振動相對理論模型會有差異，且車體的機械彈簧與空氣彈簧使得機車整體非剛體，故理論值無法代表實際偏移，只能作為一個測量參考。直接測量方法分為位移傳感器方法和攝影測量方法。其中，位移傳感器方法是在機車車體某一截面上布設多個位移傳感器，當車體晃動時，傳感器的位移發生變化，根據位移的相對變化量和傳感器的安置位置確定車體的動態限界。位移傳感器方法無法保證傳感器的布置方向與機車振動方法完全平行，故測量存在理論誤差；且此方法待測點較多，線位移傳感器的安裝與拆卸工作繁瑣，測量效率低。攝影測量[2]方法通過在機車的端面各個預觀測位置布置觀測目標點，利用工業相機對目標點進行連續拍攝，通過數字圖像處理技術得到目標點的運動軌跡，分析機車整車在振動過程中的最大偏移量，進而得到限界。這種方法得到的限界更直觀、更真實，無需補償，抗干擾能力強，是一種高速、便捷、精度高的非接觸測量方法。隨著相機性能的提升，攝影測量方法應用范圍越來越廣。但該方法存在的最大問題是如何快速識別出目標點以滿足機車的動態響應要求。

本文提出了一種適用于攝影測量方法的目標快速自動識別與匹配方法，其中針對目標快速自動識別提出了一種基于雙分辨力空間分析的目標點識別算法，它有效解決了高分辨力圖像對于多目標的搜索效率問題；針對目標的準確匹配，提出了一種基于自描述向量的RANSAC算法，該方法可有效減少非觀測目標的干擾，同時可以預測單應矩陣求解后目標的匹配精度。

1 測量系統及目標自動識別算法

本文識別的目標是一種光強可控的紅外LED主動光學目標，其分布范圍為6 m×6 m，直徑為40 mm，數量可達25個。采用分辨力為2000萬像素的黑白工業相機拍攝，相機的幀采樣頻率為30幀/秒。如圖1所示，測量系統包括紅外目標、多通道目標控制器、高速工業相機、圖像采集及處理系統等。其中目標可根據需要布設在機車端面的任意觀測位置上。

圖1 機車全動態包絡線測量系統示意圖

傳統的識別目標點方法一般需要對預處理后的整幅圖像進行卷積、邊緣提取、特征分析等，故運算量大、處理時間長，對系統的硬件設備要求較高，不適合進行現場高分辨力圖像的快速處理。如果能將整幅圖像中屬于可能目標點的圖像區域預先估計出來，就可以通過附加判斷條件直接識別目標，從而有效提高目標的識別速度。因此，為了避免對整幅圖像的全部數據進行分析，本文提出了基于雙分辨力空間分析的目標點識別算法，以實現目標點的自動、準確提取與匹配，自動識別算法流程如圖2所示。

圖2 自動識別算法流程圖

采用高低兩種圖像分辨力進行圖像分析，尋找目標點，避免對整幅圖像的全部數據進行分析。處理方法為：

2)對搜索區域進行二值化，判斷連通域的個數，當連通域個數為1，且連通域面積符合實際光斑大小時，認為該連通域為光斑；若連通域個數為0，或連通域個數為1但面積小于光斑大小的80%時，則認為該光斑存在遮擋；若連通區域個數大于1，則認為出現干擾。

(1)

當某一區域出現遮擋和干擾情況時，將在低分辨力下進行處理。在低分辨力計算中，首先對圖像進行連續下采樣操作，從原始分辨力降至原來的1/64，即圖像的寬和高均變為原來的1/8，并對圖像進行二值化，通過在低分辨力圖像中尋找灰度高于閾值的像素，作為高分辨力下區域增長算法的“初始點”，以實現高分辨力圖像連通域的快速提取。

2 基于自描述向量的RANSAC目標匹配法

當出現遮擋和干擾情況時，為了將實際目標和噪音目標區分開，需要采用特殊的目標匹配方法。一般目標匹配可通過單應矩陣將測量圖像中的目標與參考圖像中的目標一一關聯。常用的單應矩陣計算方法采用RANSAC算法，但RANSAC算法在求解單應矩陣時有這樣一個限制條件，即參與匹配的N個點對隨機抽取的p(p

由于下采樣得到的疑似目標包含了噪音目標，故無法保證所得到的均為完全有效的匹配點。因此，本文提出一種基于自描述向量的RANSAC算法進行無序點集匹配。

2.1 自描述向量

2.2 目標點自描述向量的相似度

如果兩組目標點匹配正確,則每個已知目標點的自描述向量與待匹配目標點的自描述向量相似，判斷兩者相似度的方法為：計算兩組點集的每一個獨立點的自描述向量，從兩組點集中分別任取一個點的自描述向量，計算兩個自描述向量的歐氏距離，將兩個向量的歐式距離作為這個兩個點的最鄰近區域的相似度，通過設定閾值Thr，以最鄰近區域的相似度小于Thr的點對作為RANSAC算法的初始輸入。將第1組點中的每一個點的自描述向量與第二組的每一點的自描述向量進行遍歷，進行歐式距離求解，設DVij為第1組第i點到第2組第j點的最鄰近區域相似度，則

(2)

2.3 傳統RANSAC算法與本文算法的比較實驗

現有兩組點集M，E，M為第N-1幅圖像得到的目標點集，E為第N幅圖像得到的連通區域中心點集，點集M中的每一點PMi，都在點集E中擁有對應點PEj，但i=j不一定成立，即兩組點集中擁有相同序號的點的不一定是匹配點，點坐標在表1中呈現。兩組點集中目標的位置在同一坐標系下如圖3所示。

表1 兩組無序點集M和E

圖3 點集M和點集E的坐標關系圖

直接采用傳統的RANSAC算法，求解點集E相對于點集M的單應矩陣，該單應矩陣為HE→M：

將E利用單應矩陣HE→M進行重投影變換后，則重投影點集

ER=HE→MM

(3)

重投影誤差

ΔE=ER-E

(4)

將點集E經單應矩陣HE→M進行重投影變換后得到的ER與點集M顯示在同一坐標系下，如圖4所示。

圖4 點集M和重投影點集ER的坐標關系圖

可以看出，ER完全與E失去了投影變換關系。直接按順序進行配對，僅有少數的幾個點為正確匹配，證明使用傳統的RANSAC算法錯誤率較高。采用本文的算法，利用自描述向量分別對無序點集M與點集E進行描述，將點集M和點集E自描述向量的前兩個長度元素在同一坐標系下顯示，如圖5所示。

圖5 點集M和點集E自描述向量的前兩個長度元素坐標關系

采用歐氏距離衡量自描述向量的相似度。在點集E的所有點自描述向量中，尋找與點集M中自描述向量相似度最高的兩個點進行配對，配對結果如圖6所示。

圖6 將自描述向量相似度最高的兩個點進行配對后的結果

如果直接按M和E兩個點集原先的點順序進行配對，配對結果如圖7所示。

圖7 直接按M和E兩個點集原先的點順序進行配對后的結果

對比圖6與圖7可以看出，對于無序點集，直接采用RANSAC算法進行單應矩陣求解準確率低的原因是有效點對的數量太少，匹配準確率僅為3/15≈20%，而采用自描述向量的RANSAC則具有較高匹配準確率，匹配率達到13/15≈86%。

利用歐氏距離對點集M和點集E自描述向量進行配對，采用同樣的閾值進行內點外點的區分，可以看出，應用自描述向量的RANSAC算法與直接利用點序號進行配對相比，配對的準確性大幅提高。

根據自描述向量，將無序點配對后，重新利用RANSAC算法求得點集E相對于點集M的單應矩陣TE→M，

根據式(4)和式(5)計算重投影點集ER和重投影誤差ΔE，結果如表2所示。

表2 重投影點集和重投影誤差

3 結論

針對機車動態限界高分辨力圖像的高效處理問題，提出了一種基于參考圖像的快速識別方法，通過判斷連通域的目標個數可快速提取有效目標。對于連通域中的目標個數不為1的疑似目標采用下采樣的目標識別方法，并將下采樣圖像中的目標與高分辨力圖像中的目標進行重投影，經實驗證明可有效節省處理時間；對于無法進行一一匹配的目標點對，提出了一種基于自描述向量的RANSAC匹配算法，有效地去除了疑似目標中的噪聲目標，實現了無序目標點對的高精度匹配。