軌道區間接觸網立柱標志牌的定位研究

2020-04-29 10:55:16蔣麗潔柴曉冬李立明

智能計算機與應用 2020年2期

關鍵詞：區域

蔣麗潔，柴曉冬，李立明

(上海工程技術大學城市軌道交通學院，上海 201620)

0 引言

接觸網立柱作為鐵路電網的承重裝置有屬于其本身的身份標識-桿號，所以桿號的識別是定位接觸網的最關鍵步驟之一?，F有研究中，陳忠革[1]采用霍夫直線檢測實現支柱定位，后續采用HOG 特征和支持向量機(SVM)實現字符識別。朱挺[2]采用CCD高速攝像和LED光源技術拍攝線路兩側立柱支柱號，該方法利用支柱號牌本身帶有的熒光，在車頂 LED 光照射情況下，相機成像的只有帶熒光的支柱號牌。郭瑞等人[3]分析了立柱號牌的特點。根據其特點，提出了基于OpenCV的數字識別方法。利用HOG特征和支持向量機分類訓練算法實現立柱定位。

為研究接觸網立柱標志牌定位的問題，本文提出了利用顯著性檢測的方式來定位接觸網立柱桿號區域。顯著性檢測是目前備受學界關注的主要研究算法，研究目標是人類視覺中的明顯物體，是模擬人類視覺注意力機制的技術[4]。Liu等人[5]利用每一個超像素內的運動直方圖和顏色直方圖，提取這些局部特征并級聯成為全局特征，建立了基于超像素的顯著性模型。Singh等人[6]提出生成從不同角度的顯著性模型，并利用線性SVM加權融合這些顯著圖。多元化特征的來源是聚類成塊或時間超像素的顏色、運動和邊界等。本文提到的簡單線性迭代聚類(SLIC)算法是一種高速度、分割性能好、邊緣黏附度高的超像素分割算法，通過采用K-means聚類以類似于文獻[7]的方式生成超像素。雖然非常簡單，但是SLIC在Berkeley基準[8]上產生顯示出對圖像邊界的最好效果。

本次實驗的研究對象為列車運行過程中手機拍攝的軌道定位標志牌。初始的采集圖像如圖1所示，自然光線下列車車窗也會出現輕微反光的現象，由于相機一直處于不斷運動的狀態，手持拍攝會隨著列車震蕩有輕微的晃動，所以得到的圖像序列干擾因素比較復雜。針對傳統算法對負責圖像處理速度緩慢并不精確的問題，本文提出了融合超像素分割與基于FT改進算法的一種圖像處理方法。具體處理流程如圖2所示。

圖1 原始圖像

圖2 接觸網立柱標志牌定位流程圖

1 基于模糊集的圖像增強

在視頻采集過程中，無可避免地會出現圖像模糊，程度較小的圖像模糊在小區域放大后也會對后續處理產生大的影響。本文利用基于模糊集的圖像增強方法對標志牌區域預處理。研究可知，模糊邏輯推理可以通過模糊化、模糊推理和解模糊化來實現?；谀：膱D像增強方法的流程步驟可做闡釋分述如下。

(1)模糊特征提取。從數學角度講，模糊集使元素與隸屬度一一對應，通過隸屬函數能實現特定元素到合適隸屬度的映射。對應數學公式可表示為：

(1)

其中，Fe=128;Fd=0.8;gmax為最大灰度值;gxy對應的則是圖像中(x,y)像素點的灰度值。

(2)模糊推理。通過式(2)變換來修正隸屬度：

(2)

模糊增強的關鍵在于，模糊增強算子使得隸屬度值大于0.5的更大，而隸屬度值小于0.5的則更小。

(3)模糊與反變換。解模糊化是對模糊推理輸出進行解模糊判決，圖像中新灰度級的產生利用的是模糊域的反變換，從而實現了數據的模糊域與圖像空間域的轉變。對應數學公式可表示為：

(3)

(4)灰度圖轉換為RGB。函數先將灰度圖像擴展到三通道(復制通道)，提供原始圖像作為本次轉換的調色板，再將2張圖像轉為YUV空間("Y"表示明亮度(Luminance或Luma)，也就是灰階值；而"U"和"V"表示的是色度(Chrominance或Chroma)，可用于描述影像色彩及飽和度，及用于指定像素的顏色)。在此基礎上，通過一個二重循環來逐像素生成RGB結果圖。RGB與YUV分量的對應關系為：

R=Y+1.14V,G=Y-0.39U-0.58V,B=Y+2.03U.

(4)

利用模糊集對圖像預處理后的效果如圖3所示。

圖3 基于模糊集的圖像增強

2 SLIC超像素分割

SLIC超像素分割算法是2010年提出的一種基于K-means聚類的圖像分割算法，是在Lab顏色空間與(x,y)組成的五維向量空間中運算的。Lab色彩模型中，L表示的亮度(Luminosity)值域由0(黑色)到100(白色)；a表示從洋紅色至綠色的范圍。a為負值指示綠色，正值指示品紅；b表示從黃色至藍色的范圍。b為負值指示藍色，正值指示黃色。此后，就是對五維特征向量構造距離度量標準，對圖像像素進行局部聚類的過程[9]。

SLIC算法流程圖見圖2，而將K-means算法應用于圖像像素的聚類中主要算法步驟則將詳述如下。

(1)將圖像轉換為Lab顏色空間。

(2)初始化聚類中心：假設圖片總共有N個像素點，設定超像素塊個數K，將聚類中心均勻地分配到圖像中。如果所有的超像素塊有相同尺寸，那么各塊的大小為(N/K)，近似的相鄰聚類中心的距離(步長)為：

(5)

(3)遍歷操作。將每個像素塊的中心點的坐標(x,y)及其Lab的值保存起來，加入到事先定義好的集合中。算法中，使用中心點的8鄰域像素點，計算獲得最小梯度值的像素點，并將其作為新的中心點，這里計算梯度的公式可寫為：

Gradient(x,y)=dx(i,j)+dy(i,j),

(6)

研究中，為了節省時間，只遍歷每個超像素塊中心點周邊的2S*2S區域內的像素點，具體如圖4所示。

圖4 SLIC的2S*2S搜索區域

(4)由于SLIC中的聚類是在[Labxy]五維空間中生成超像素的，簡單定義歐式距離D將導致不同超像素大小的聚類行為不一致。因此，使用如下公式的距離尺度來定義，即：

(7)

(8)

(9)

公式(9)中通過2個參數m和S來協調2種距離的比例分配。參數S即是式(8)計算得出的每個像素塊的長度值，而參數m為Lab空間的距離可能最大值，建議可在為[1,40]范圍內來選取。

(5) 對分割后的超像素塊進行預處理。由于后續的分割操作是在灰度圖進行的，在載入超像素分割完成的圖像后，將每個超像素塊的平均灰度值一一分配給對應的超像素塊。例如像素塊分別為500和1 000的處理結果則如圖5所示。

(a) 分割尺度500 (b) 分割尺度1 000

3 改進的FT顯著性算法

3.1 FT顯著性算法

FT 算法是2009年Achanta 等人[10]提出針對頻域的一種顯著性檢測算法，此方法利用顏色特征的中央-周邊算子來得到顯著圖，通過保留來自原始圖像的更多頻率內容來保留圖像邊界，從而輸出具有明確定義邊界的全分辨率顯著圖，該算法的優勢在于設計簡單，計算速度快。

令ωlc為低頻閾值，ωhc為高頻閾值。低頻信息對應的是圖像中的顯著性區域，高頻信息對應的是噪聲或紋理特征，為了獲得圖像中的目標區域，捕獲顯著對象，低頻閾值、即ωlc應盡可能低，高頻閾值ωhc應盡可能高，甚至舍去。算法采用DOG算子為低通濾波器，運算時參見如下公式:

(10)

其中，DOG算子是高斯函數的差分，σ1，σ2是高斯分布的標準差，分別決定了ωlc，ωhc。不同的高斯差分對應不同的頻率檢測范圍，當所有高斯差分被執行時，所有頻率被檢測以獲得不同尺度空間的邊界。所以使σ1無窮大以檢測整幅圖像，σ2無窮小以減少高頻噪聲。

設圖像大小為m*n，在Lab色彩空間中，L，a，b各特征的整體均值分別為：

(11)

同時對各特征進行高斯平滑，運算公式可表示為：

LG(x,y)=L(x,y)*Gq*q,

aG(x,y)=a(x,y)*Gq*q,bG(x,y)=b(x,y)*Gq*q,

(12)

在實際進行計算時， FT方法使用窗口5*5的高斯平滑來實現對最高頻的舍去。

FT方法在Labxy坐標空間圖像像素的顯著性公式為:

S(x,y)=‖IG(x,y)-Iμ‖.

(13)

3.2 改進的FT算法

為了使算法運行速度加快，保證各特征值數據的收斂，對各特征值的歸一化處理及改變權重系數是本文對FT基本算法的優化。由于在Lab顏色空間中，L，a，b變化快慢不同，在原FT算法計算過后，對各特征值做歸一化處理，消除因為各特征對應的顯著值不在一個數量級上，從而突出某一特征的不良影響，即：

(14)

其中，i=L,a,b分別計算出SnL,Sna,Snb。

最終定義新的顯著值算法如式(15)所示：

(15)

其中，ωi對應各特征的權重系數。

調整對應特征的權重系數可以更為可靠地突出所需的圖像特征。

4 實驗結果

本次實驗的研究旨在針對初始采集圖像能在本文提出的算法處理流程下可定位標志牌區域并對標志牌的數字定位進行提取。

在SLIC圖像分割過程中采用的超像素數量越大，聚類效果越好，但分割時間越長，灰度賦值以后立柱區域不明顯，如圖5所示。所以本文算法中最終確定像素塊為250。如圖6(b)所示，藍色部分為需要下一步處理的標志牌區域。

對圖6(b)區域做特征選擇，由于圖像大小保持不變，標志牌區域包括區域面積、區域的長度寬度在內的特征值有基本統一的閾值。經過特征選擇得到單一的藍色區域后，在原始彩色圖像上做外接矩形的裁剪，得到只含有標志牌的圖像如圖6(c)所示?；诖嗽倮酶倪M的FT算法對增強后的圖像做顯著性檢測，得到一個噪音少、數字邊界明顯的結果圖像見6(d)。最終數字見圖6(e)。

利用本文方法對多個標志牌進行測試，顯示結果如圖7所示。