基于尺度不變特征變換的鋼軌蠕變檢測研究

張偉，李曦，王一軍, ，蒲浩

?

基于尺度不變特征變換的鋼軌蠕變檢測研究

張偉1，李曦2，王一軍1, 2，蒲浩3

(1. 中南大學 信息科學與工程學院，湖南 長沙 410083； 2. 中南大學 軟件學院，湖南 長沙 410075；3. 中南大學 土木工程學院，湖南 長沙 410075)

針對鋼軌現有定點蠕變檢測技術的不足，提出一種基于尺度不變特征變換及圖像配準的非接觸式實時觀測方法。通過安裝于軌側觀測樁上的相機對待檢鋼軌進行拍攝，提取圖像中軌腰附近預定義的感興趣區域，而后基于尺度不變特征變換，與同一視場中鋼軌未蠕變圖像的對應感興趣區域進行配準，得到定場環境下多關鍵點在像素坐標系中的軌向及高低位移集。根據相機的內外及畸變參數將像素位移集映射到世界坐標系，對軌向及高低位移集分別求均值，得出鋼軌的軌向及高低蠕變量。為驗證方法的有效性，搭建試驗平臺并采用OpenCV開發了仿真系統。研究結果表明：高低和軌向蠕變的相對測量誤差均值分別低于0.606%和1.170%。

鐵路工務；鋼軌蠕變檢測；尺度不變特征變換；圖像配準

在列車載荷、溫度力以及路基融沉凍脹等因素的作用下，軌道的物理形態時刻發生著變化。其中，沿軌道延伸方向的爬行稱為軌向蠕變，沿垂直方向的升降稱為高低蠕變。對鋼軌的蠕變檢測，一般可通過線路的平順性檢測實現：人工操作便攜式測量儀器[1?2]等方式是目前所采用的主要現場作業模式；動檢列車[2]對線路進行的定期高速巡檢具有檢測速度快、檢測結果可為人工作業提供宏觀指導等優點。近年來，高鐵運行方式與傳統工務作業模式的矛盾日益突出：高鐵線路普遍采用單根長度可達數千米的無縫鋼軌，溫度力誘發的軌向蠕變更為顯著，且無法通過傳統方式進行有效的實時檢測；在非天窗期，高鐵線路禁止一切臨近路基的現場作業；高速巡檢方式獲得的是鋼軌在載荷狀態下的動態蠕變。因此，現行工務作業模式已無法滿足對鋼軌進行定點實時蠕變觀測的需要，為此，已有部分前期研究進行了相關探索：定點接觸式，一般通過在鋼軌或軌道板間安裝傳感器，實現鋼軌蠕變的實時測量。傅勤毅等[3]通過安裝于軌道板和鋼軌之間的直線位移傳感器實現了軌向蠕變的實時測量，并將結果通過ZigBee等通信技術傳輸到遠端服務器；YAN等[4]將相鄰軌枕間的鋼軌簡化為簡支梁，通過黏貼在軌腰部位的光纖光柵傳感器，實時檢測了因列車運行造成的鋼軌應變。該種方式決定了無法檢測因路基沉融凍漲等誘發的鋼軌與支撐物整體遷移式蠕變，且存在影響工務現場作業的可能；定點非接觸式，一般通過安裝在軌側觀測樁上的光學設備，對鋼軌進行定場拍攝，采用計算視覺等技術計算鋼軌的蠕變狀態。吳湘華等[5]采用基于直方圖匹配的方法跟蹤涂刷在軌腰部位的定位標靶并計算其質心，而后與“零時”質心比較，得到了鋼軌的高低蠕變量。采用光學設備實現的非接觸式實時測量，具有設備易于維護且不影響工務現場作業的優點，但受氣象條件及標靶污損[5]的影響，限制了其全天候性能。采用傳感網絡對鐵路基礎設施進行在線感知[6]，進而實時評估其服役狀態，已成為鐵路智能運輸系統的研究熱點。為此，針對鋼軌蠕變非接觸實時檢測技術的不足，提出基于尺度不變特征變換(Scale Invariant Feature Transform，SIFT)[7]及圖像配準[8]的檢測方法，并進行仿真實驗。同文獻[5]提及的方法比較，其優點在于：通過對一張現場照片的處理，可同時獲得鋼軌上多個關鍵點相對于觀測原點的軌向和高低蠕變位移。對多點位移進行再處理，在一定程度上消除了定位標靶[5]污損及氣象條件造成的影響，進一步提高了測量精度，增強了算法的魯棒性和泛化能力。

1 尺度不變特征變換

為了減少現場氣象條件對蠕變測量的影響，采用SIFT[7]作為鋼軌圖像感興趣區域(Region of Interest，ROI)[9]特征點的描述子，為此，定義圖像(,)的尺度空間函數(,,)：

式中：和σ+1分別是同一Octave中2個相鄰圖像的尺度因子。采用式(3)對每一個Octave中兩兩相鄰的圖像依序差分，直到所有的Octave差分完畢，得到新的圖像序列構成了DOG金字塔。對于1幅DOG圖像中的對應點，分別與同層及上下2層圖像中總計26個相鄰點值比較，若其值為最大或最小，則可以判定該點為離散DOG空間的關鍵點。為了精確定位連續空間的關鍵點及對應的尺度因子，對式(3)進行二階Taylor展開：

式求導并令導數等于0，可求得偏移量：

將式(5)代入式(4)得：

根據上述過程：SIFT描述子在一定程度上克服了尺度變化、旋轉、形變、光照及其它噪聲的影響，具有較強的魯棒性，因此更加適合野外環境下鋼軌蠕變定點觀測的需要，進一步提高了觀測系統的亞全天候性能。

2 基于圖像配準的鋼軌蠕變檢測

為在一定程度上克服觀測部位污損對測量結果的影響，提出基于圖像配準的鋼軌蠕變檢測方法。該方法通過固定安裝在軌側觀測樁上的工業相機，首先拍攝鋼軌未蠕變圖像并在具有顯著特征的部位預定義ROI，而后采用SIFT獲取ROI中的標準關鍵點集；在后繼的實時測量過程中，對每次拍攝的定場鋼軌圖像，同樣通過SIFT獲取相同ROI范圍內的實時關鍵點集，并與進行配準，可在定場環境下得到多關鍵點相對于觀測原點的像素位移集，對其中的每個元素進行標定變換，可得到鋼軌的高低及軌向蠕變量。算法流程如圖1所示。

根據圖1，鋼軌蠕變檢測流程由以下2部分 組成。

1) 安裝調試過程

該過程的主要工作之一是為了提高測量精度而進行的相機標定。考慮徑向和切向畸變，相機坐標系中點(,)投影到像素坐標系中點(,)由下述方程決定：

蠕變觀測的目的，是檢測鋼軌相對于觀測原點的位置遷移，而在相機的視場范圍內，還包含了除鋼軌之外的其他對象，為此在鋼軌未蠕變圖像拍攝完畢后，選擇軌腰部位具有顯著特征(可為人工涂刷的標志圖案)的區域作為ROI，并采用SIFT算法提取標準關鍵點集，以方便蠕變檢測的實現。

圖1 鋼軌蠕變檢測流程

2) 實時檢測過程

對于現場固定安裝相機所實時拍攝的定場圖像，首先采用SIFT算法從安裝調試過程中已預定義的ROI區域提取實時關鍵點集，鋼軌蠕變過程可視為中的某些關鍵點遷移到中與之對應配準點的過程。即對于特征點

成立，則認為此時0所對應的關鍵點為的配準點。為了配準過程的快速實現，采用k-d Tree[12]為中所有關鍵點建立SIFT屬性空間的樹形索引結構，采用改進的最近鄰搜索算法-最優節點優先(Best-Bin-First，BBF)算法[13]改善因特征向量維數過高所造成的搜索效率下降問題，結合式(12)得到了與的初步配準點對集，而后通過隨機抽樣一致性(RANdom SAmple Consensus，RANSAC)[14]算法消除誤匹配，并最終得到精確配點對集：

圖2 鋼軌蠕變示意圖

Fig. 2 Schematic diagram of rail creep

圖2中，點是點的蠕變對應點，′表示未蠕變鋼軌的位置，′是蠕變后的位置。則根據軌向和高低蠕變的定義及視場范圍內鋼軌的剛體特征：′A//B′。′平行于軸，則，分別是′及與軸的夾角。令′⊥′A，A′⊥B′，則和′(或′)分別代表了軌向蠕變量和高低蠕變量：

3 仿真實驗

為了驗證測量方法的有效性，搭建了實驗平臺并基于OpenCV2.4.9開發了測量軟件。

3.1 實驗設備及方案

試驗平臺中所使用的主要設備參數如表1所示，設備組裝過程如圖3所示。

表1 主要實驗設備

圖3為主要設備組裝示意圖。將三軸滑臺測微儀固定在底座上，軌道模型固定在測微儀的頂端，可通過調節測微儀的,軸旋鈕使得軌道模型在水平和垂直方向移動，實現軌向和高低蠕變的模擬。工業相機通過萬向球頭及水平和垂直調節支架安裝在支座上，通過USB接口與計算機連接，相機距離軌道模型約1 m。調整鏡頭光圈及焦距，使計算機中的圖像清晰，同時觀察軌道模型的圖像，通過球頭及調節支架微調相機姿態，使相機光軸垂直于軌道，且軌底邊緣與圖像邊緣平行，再次調節鏡頭光圈及焦距，使圖像處于最清晰狀態。

圖3 實驗設備組裝示意圖

采用黑白棋盤格板及開發的測量軟件對相機進行標定，將測微儀軸均處于0刻度時的圖像作為鋼軌的未蠕變圖像，選擇其中一條鋼軌作為測量對象，采用手動方式在軌腰部位定義ROI (1 500*40像素)并提取標準關鍵點集。調整測微儀軸到零刻度，以0.2 mm為步長，而后沿軸按位移漸次增加的方向使軌道模型滑動，每次滑動后拍攝照片并采用測量軟件的實時檢測過程處理，同時記錄測量結果，直到軸方向達到最大量程，總計獲得25個測量結果；當軌向蠕變測量完畢后，調節測微儀使軸刻度歸0，然后按照相同的規則測量高低蠕變并記錄測量結果。

3.2 測量結果分析

根據實驗方案及圖1給出的測量原理：中包含了720個標準關鍵點；在后繼的每次軌向及高低蠕變測量過程中，分別得到了多個蠕變配準點對，其數量變化過程如圖4所示。

其中，圖4(a)給出了每次軌向蠕變測量的配準點對數量變化，圖4(b)給出了每次高低蠕變測量的配準點對數量變化。采用式(16)對每次測量得到的軌向或高低蠕變集進行處理，可分別得到對應的軌向或高低蠕變值。軌向蠕變的測量偏差及相對誤差如圖5所示。

(a) 軌向蠕變配準點對數變化；(b) 高低蠕變配準點對數變化

其中，圖5(a)為軌向蠕變的測量偏差，圖5(b)為軌向蠕變測量的相對誤差。據圖可知：測量偏差介于?0.006~0.040 mm之間，且自第3次測量開始，所有偏差均為正值；相對誤差介于0.182%和3.333%之間，且隨著測量范圍的增加，相對誤差逐漸減小并基本趨于穩定，相對誤差均值為1.170%。高低蠕變的測量偏差及相對誤差如圖6所示。

(a) 軌向蠕變測量偏差曲線；(b) 軌向蠕變測量相對誤差曲線

(a) 高低蠕變測量偏差曲線；(b) 高低蠕變測量相對誤差曲線

其中，圖6(a)為高低蠕變的測量偏差，圖6(b)為高低蠕變測量的相對誤差。據圖可知：測量偏差介于?0.02~0.011 mm之間，偏差負值居多；相對誤差介于0.045%和2.5%之間，且隨著測量范圍的增加，相對誤差逐漸減小并基本趨于穩定，平均相對誤差為0.606%。

3.3 誤差限分析

在仿真過程中，相機距離鋼軌模型約1 m，標定完畢后，在圖像中選擇(0,0),(1,0),(0,1)3點并根據式(17)得：=0.086 mm；=0.096 mm。即軌向和高低的理論誤差限分別為±0.086 mm和±0.096 mm。根據圖5(a)和圖6(a)可知，軌向和高低的測量誤差限均小于理論誤差限，該結論間接證明了SIFT特征的亞像素特性，并可在一定程度上提高測量精度。

4 結論

1) 采用具有旋轉平移不變性及可克服光照影響的SIFT特征作為關鍵點的描述子，可在一定程度上提高現場觀測的亞全天候能力。

2) 在定場條件下，通過圖像配準實現了鋼軌即時圖像與標準圖像的蠕變跟蹤，達到了高低及軌向蠕變同時測量的目的。

3) 通過1次拍照及配準計算，獲得了對應感興趣區域內的多個配準點對，可在一定程度上克服跟蹤標靶污損形成的測量誤差。

4) 仿真實驗結果表明，實際檢測誤差限小于理論誤差限，SIFT特征具有亞像素特征，可提高測量精度。

5) 在仿真實驗中，分別將軌向和高低蠕變集的均值作為各自的蠕變結果，該方法不能消除系統誤差的影響，在實際工程應用中可通過平差等方法進一步提高測量精度。

[1] 蔡德鉤. 高速鐵路季節性凍土路基凍脹時空分布規律試驗[J]. 中國鐵道科學, 2016, 37(3): 16?21. CAI Degou. Rest on frost heaving spatial-temporal distribution of high speed railway subgrade in seasonal frozen region[J]. China Railway Science, 2016, 37(3): 16?21.

[2] XU Peng, LIU Rengkui, SUN Quanxin. Dynamic-time- warping-based measurement data alignment model for condition-based railroad track maintenance[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 799?812.

[3] 傅勤毅, 彭亞凱, 王超. 基于ZigBee技術的無縫鋼軌爬行監測系統設計[J]. 鐵道科學與工程學報, 2016, 13(12): 2478?2482. FU Qinyi, PENG Yakai, WANG Chao. Design of continuously welded rail crawling monitoring system based on ZigBee[J]. Journal of Railway Science and Engineering, 2016, 13(12): 2478?2482.

[4] YAN Lianshan, ZHANG Zhaoting, WANG Ping, et al. Fiber sensors for strain measurements and axle counting in high-speed railway applications[J]. IEEE Sensors Journal, 2011, 11(7): 1587?1594.

[5] 吳湘華, 季天瑩, 陳峰. 鋼軌爬行及路基表層凍脹檢測技術[J]. 鐵道科學與工程學報, 2015, 12(3): 515?520. WU Xianghua, JI Tianying, CHEN Feng. Detection technology of railway subgrade frost heave and rail crawling[J]. Journal of Railway Science and Engineering, 2015, 12(3): 515?520.

[6] Hodge V J, Simon O K, Michael W. Wireless sensor networks for condition monitoring in the railway industry: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3): 1088? 1106.

[7] David G L. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91?110.

[8] Sourabh P, Umesh C P. Remote sensing optical image registration using modified uniform robust SIFT[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9): 1300?1304.

[9] LI Tong, ZHANG Junping, LU Xiaochen. SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 699?703.

[10] 王鳳艷, 黃潤秋, 陳劍平. 基于計算機視覺和測量平差理論的相機標定[J]. 吉林大學學報(工學版), 2017, 47(3): 944?951. WANG Fengyan, HUANG Runqiu, CHEN Jianping. Camera calibration based on computer vision and surveying adjustment fundamentals[J]. Journal of Jilin University (Engineering and Technology Edition), 2017, 47(3): 944?951.

[11] ZHANG Zhengyou. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330?1334.

[12] 張貴安, 袁志勇, 童倩倩. 層次結構K-d樹的立體圖像快速匹配方法[J]. 軟件學報, 2016, 27(10): 2462?2472. ZHANG Guian, YUAN Zhiyong, TONG Qianqian. Fast and hierarchical K-d tree based stereo image matching method[J]. Journal of Software, 2016, 27(10): 2462? 2472.

[13] LIU Haifeng, DENG M, XIAO Chuangbai. An improved best bin first algorithm for fast image registration[C]// Electronic and Mechanical Engineering and Information Technology, 2011 International Conference on Harbin: 2011: 355?358.

[14] WU Yue, MA Wenping, GONG Maoguo. A novel point-matching algorithm based on fast sample consensus for image registration[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1): 43?47.

Research on rail creep detection based on SIFT

ZHANG Wei1, LI Xi2, WANG Yijun1, 2, PU Hao3

(1. School of Information Science and Engineering, Central South University, Changsha 410083, China;2. School of Software, Central South University, Changsha 410075, China; 3. School of Civil Engineering, Central South University, Changsha 410075, China)

According to the defects of existing rail creep detection technology, a non-contact real time observation method was proposed based on scale invariant feature transform (SIFT) and image registration. This method captured image of rail to be detected by a camera mounted on the observation pile, extract the predefined region of interest (ROI) which is registered with corresponding ROI of non-creep rail image in the same field of view, finally, the offset set of track and vertical direction of multi key points in the pixel coordinate system was obtained under the fixed field of view. Mapping the pixel offset set to the world coordinate system based on the all parameters of the camera, the creep value of the track and vertical direction can be calculated by computing the mean value of all elements in the offset set of track and vertical direction separately. In order to verify the effectiveness, the test platform was built, and the simulation system is developed with OpenCV, the experimental results show that the mean value of relative measurement error of track and vertical direction is less than 0.606% and 1.170% respectively.

railway maintenance; rail creep detection; scale invariant feature transform; image registration

10.19713/j.cnki.43?1423/u.2019.01.006

U216

A

1672 ? 7029(2019)01 ? 0042 ? 08

2017?12?25

高鐵聯合基金資助項目(U1734208)

蒲浩(1973?)，男，四川南充人，教授，博士，從事鐵路線路數字化設計研究；E?mail：haopu@csu.edu.cn

(編輯 涂鵬)