基于圖像特征的潘得路扣件區域標簽的定位

馮婷立， 鄭樹彬， 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

鋼軌固定是保障列車安全運行的重要手段，其中扣件檢測是鋼軌固定的關鍵問題之一。 目前大部分仍然常使用傳統方法——人工檢測，此方法效率低、不安全，雖然已經利用軌道檢修車上線檢測，但誤檢率仍然較高，存在一定的安全隱患。 近年來，國內外專家學者對扣件檢測問題進行了積極的探索，尤其對軌道扣件檢測算法進行了深入的研究。 其中有大量學者轉向人工智能算法，此算法需要大量的訓練數據，這些數據大部分需要人工進行標注。 人工標注，效率低，花費大量的時間在對目標的標注上，因此，一個能夠自動標注的圖像中扣件區域的標簽方法顯得尤為重要，能提高效率，減少人工，將更多的時間集中到優化人工智能算法中。

對扣件圖像的扣件定位方法，劉馨［1］運用投影法和特定區域像素點掃描統計相結合的方法定位扣件區域，并使用灰度特征和HOG 特征描述特征向量，具有一定的有效性和可行性，對扣件背景要求較高，需灰度對比較強。 劉甲甲［2］利用枕肩、扣件和背景間的空間位置關系去除冗余繁雜的背景信息，通過提取PHOG 特征和MSLBP 特征加權融合，提取扣件宏觀紋理特征，對扣件進行定位，有一定魯棒性，在扣件背景復雜的情況下，特征點有待加強。 趙姍姍［3］對高速采集的圖像進行扣件識別，利用SIFT提取扣件圖片的局部特征，進而歸一化為Fisher 向量，從而實現扣件定位，扣件復雜背景對其定位有影響。

以上學者們提出的算法在扣件檢測中扣件區域定位方面，在實際應用中受扣件周圍區域的繁雜背景信息影響比較大，基于圖像特征的提取，Khan R.A.［4］在Harris-Shi-Tomasi 角點檢測的基礎上使用模板匹配的方法來識別扣件，檢測速度上有待提高。李永波［5］采用兩種相結合的方法，即梯度方向直方圖和主成分分析方法，來進行提取扣件特征，以實現扣件識別。 范宏［6］改進的LBP 算法實現自適應噪聲抑制，以更好地提取扣件的顯著特征，利用模板匹配算法進行精確扣件區域定位，LBP 特征較為顯著，有較好的魯棒性和環境適應性，匹配速度上有待提高。

本文研究基于圖像特征的潘得路快速彈條扣件自動標簽定位，通過選定含有外觸發模式同步控制的線陣相機，來確保此線陣相機在軌道檢測車變速運行情況下仍能夠采集到不產生縱向畸變的圖像；對采集的圖像進行預處理通過對數變換實現圖像歸一化，使得圖像更加清晰，進而突出扣件目標區域，提出一種改進的OTSU 方法進行扣件背景分割；對扣件的固定螺栓的形狀特征匹配，獲取固定螺栓的中心坐標參數，利用扣件的先驗空間位置信息從而獲得扣件區域標簽的定位。

1 圖像采集的相機選擇

工業相機按照傳感器的結構特性可分為面陣相機和線陣相機。 線陣相機的像元是一維線狀排列的，只有當相機與被拍攝物體在縱向相對運動時才能得到二維圖像，適用于運動速度較快，分辨率有一定的情況。 面陣相機，可應用于多種測量如溫度等，其優點是可直接獲取二維圖像，因而測量結果直觀。但是像元總數多，線陣少，使得幀幅率受到一定的限制。 線陣相機特點是像元數一維，總像元數較少，且像元尺寸可以靈活多變，幀幅數比較高。 經過比較選擇線陣相機更適合軌道扣件檢測采集圖像。

在實際采集圖像時，一般情況，只有軌道檢測車在鋼軌上勻速行駛時，線陣相機采集的圖像能夠保證圖像不產生縱向畸變（縱行的拉伸或壓縮），使其比例基本與實際扣件大小一致。 因而，在采集圖像時應盡量保持軌道檢測車勻速行駛。

2 圖像預處理

2.1 圖像均值化

對線陣相機參數進行設定，采集到一系列的灰度扣件圖像，其圖像分辨率4096×2048，與實際中的扣件圖像比例一致，為了減少噪聲干擾，對原始扣件圖像進行歸一化處理，采用對灰度對數變換，對原圖進行處理。 對數變換，就是將源圖像中范圍較窄的低灰度值映射到范圍較寬的灰度區間，與此同時將范圍較寬的高灰度值區間映射為較窄的灰度區間，實現了暗像素值的擴展，高灰度值的壓縮，從而實現圖像歸一化能。

2.2 扣件前景與背景分割原理

前景與背景分離是對扣件識別的基礎。 本文采用一種改進的OTSU 算法，以實現扣件與背景分離。

OTSU 算法是一種自適應的閾值確定方法。 算法思想是假設圖像像素能夠根據閾值基于圖像的灰度特性，被分成前景目標和背景兩部分。 然后計算的該最佳閾值，以該值來區分這兩類像素，使得兩類像素區分度最大。

圖1 灰度變換前后對比Fig. 1 Comparison before and after gray level transformation

對于OTSU 算法的具體描述：將T 記為對圖像的前景（即目標）和背景的分割閾值，將ω0記為前景目標的像素點占全圖的占比，其μ0為平均灰度；將ω1記為背景像素點數占全圖的占比，其平均灰度為μ1；全圖的平均灰度記為μ，類間方差記為q。

假設圖像大小為M × N，圖像中如果將像素的灰度值低于閾值T 的像素個數記為N0，如果將像素灰度高于閾值T 的像素個數記為N1，則可得背景像素占比為

0～M 灰度區間的灰度累計值為

此方法優點是計算簡單快速，不受圖像亮度和對比度的影響，但結果圖易產生大量噪點。 因此，本文提出一種改進的OTSU 算法，首先進行全局OTSU，得到的結果圖中出現部分噪聲，此時對結果圖進行局部二值化，具體如下： 用一個大小為m ×n（10 列寬× 圖像原始高度） 的水平滑窗，從圖像的右往左逐像素滑動。 對于其滑窗內的像素計算方法是采用方差來估量。 若滑窗內的方差高于閾值，不作處理；若滑窗內的方差低于閾值，則是此滑窗的區域的像素設為1（白色）。 結果如圖2、3 所示。

圖2 OTSU 結果圖Fig. 2 Otsu results

圖3 局部二值化后結果圖Fig. 3 Results after local binarization

3 扣件區域定位

3.1 算法總述

模板匹配是一種比較原始的模式識別方法。 模板匹配技術是指將一部分的圖像作為一個模板，在待比較的圖像中找到與之相同的模板位置，就是將模板圖像與原始圖像進行匹配比較，在原始圖像中匹配與既定模板相同或相近的區塊。

由于扣件的形狀復雜，對整個扣件目標做匹配不僅計算量大，而且容易受到扣件在圖像中的位置變化的影響。 可發現，預處理后的扣件圖像結果圖中螺栓、彈條輪廓清晰。 同時在扣件圖像中，螺栓的位置較為固定，此潘得路扣件的螺栓形狀特征明顯，外圈是一個近似圓形，內圈是個近似菱形，是此類扣件的顯著特征。

本文提出基于螺栓獨特的形狀特征的模板匹配。 針對采集的圖像中扣件區域在圖像中部位置，由結果圖和先驗知識可知，螺栓的位置在整個扣件圖像的左下和右上區域，因此，在進行模板匹配的過程時，主要針對扣件圖像的左下和右上區域進行匹配，不但減少了計算量而且提高了模板匹配的精度。本文提出采用Hu 輪廓不變矩進行模板匹配，利用歸一化進行相似度測量，利用貪心算法降低運算量，在扣件圖中找到螺栓位置，獲取固定螺栓的中心坐標參數，利用扣件與螺栓的先驗空間位置信息從而獲得扣件區域標簽的定位。

3.2 Hu 輪廓不變矩原理

在圖像處理中，常用的描述圖像信息的統計特征是不同階次的矩，特點是具有一定的平移、旋轉和尺度不變性。 由于高階矩對圖像噪聲、變形非常敏感，常用的三階Hu 不變矩具有較好的適應能力。Hu 矩可以用于模板匹配中，用去統計圖像的灰度或者是區域原始特征，也可以應用于現狀特征的描述，構造輪廓Hu 描述子矩［8］的原始定義為

其中，p 與q 是所有的非負數整數值；參數p +q稱為矩的階次。 對于圖像的輪廓特征而言，其描述的是特定次序的統計特性，處理對象是處理后的二值輪廓而言的。 設在一個二維離散圖像（M ×N） 的形狀特征上的一點f（i， j） 的p + q 階矩定義為

利用二階和三階歸一化中心矩構造了7 個不變矩h1～h7：

3.3 相似度測量

度量的方法分為兩種，一種是求差法，另一種是歸一法。 本文采用歸一化，當不變矩的產生微小變化時，不對相似度產生巨大的偏差，由此，比較適合用于相似度測量。 相似性度量公式為

Mi（i ＝1 ～7）表示模板圖像的7 個輪廓不變矩和Ni（i ＝1 ～7）表示螺栓模板圖像中動態的7 個輪廓不變矩，Rvalue表示匹配值，Rvalue∈（0，1） 越接近1，表示相似度越高。

3.4 貪心算法

采集的扣件圖像，扣件位置在圖中位置不一，不能只對圖像的左下和右上區域進行匹配。 因此，提出貪心算法來減少匹配的時間。

貪心算法就是做出一系列選擇使得原問題達到最優解。 在每一個決策點，都是做出當前看來的最優選擇。 在本文中，如果將模板特征點與圖像中的物體特征點的點積全部計算，會花費大量的時間，然而，其點積可以不全部計算，事實是當前匹配的數高于最小的匹配數mmin時，才能夠獲取一個可能的匹配實例。 用mj來表示前j 個點的點積的計算之和：

若式（16）成立，則在計算完mj后便終止計算。在實際應用中，如果讓所有的部分和mj滿足此條件mj＜mmin，匹配的速度將很快，但不能保證找到圖像中正確的目標，因此，將前一部分的模板點的匹配以一個相對可靠的停止標準來打斷，剩下部分的點的匹配實現最小匹配分數mmin。 設定一個參數p 來判斷哪部分的模板點，需執行提前停止計算策略。 若p ＝1，則所有的模板點執行絕對的提前停止計算策略；反之，若p ＝ 0，則所有的模板點執行相對的提前停止計算策略標準。 由此，式（17） 成立時，點積的部分和就會提前終止匹配。 p 的值得設定是個關鍵，在0 ～1之間取值，因此，p 的值越大，更多的點執行絕對的提前停止計算策略，p 的值可以設置為0.8，增加模板點執行相對的提前停止計算策略標準。

3.5 實驗結果

根據上述提出采用Hu 輪廓不變矩進行模板匹配，和利用貪心算法降低匹配運算量，在扣件圖中找到螺栓位置，獲取固定螺栓的中心坐標參數設為

利用扣件與螺栓的先驗空間位置信息，左右兩個扣件各自以其的螺栓中心坐標為參考點，從而獲得扣件區域標簽的定位，結果如下。

圖4 螺栓匹配結Fig. 4 Bolt matching results

圖5 扣件區域標簽Fig. 5 Fastener area label

4 結束語

本文研究基于圖像特征的潘得路快速彈條扣件區域標簽的定位，通過選定和設定線陣相機，使其采集到不產生縱向畸變的圖像；對采集的圖像進行預處理通過對數變換實現圖像歸一化，提出一種改進的OTSU 方法進行扣件背景分割，有一定的魯棒性；本文能夠對扣件的固定螺栓的形狀特征匹配，采用了Hu 輪廓不變矩匹配螺栓形狀特征，利用貪心算法降低匹配時間，加快匹配速率，獲取固定螺栓的中心坐標參數，利用扣件的先驗空間位置信息從而獲得扣件區域標簽的定位，通過實驗，實現了對潘得路扣件的自動定位。