軌道線提取在軌道異物檢測中的優化及應用*

胥田田，雷錫騫

（蘭州工業學院，甘肅 蘭州730050）

鐵路運輸時因行車過程中環境復雜多變，可能出現自然災害引起的山體滑坡、行人滯留車道等現象，隨機異物導致高速運行列車前方出現異物侵限，對行車安全造成較大影響。當前，全自動駕駛及機器視覺檢測技術在軌道交通中的研究應用，將獲取的幀序列數字圖像進行預處理，提高后續軌道異物檢測的實時性與準確性，實際中往往將雷達與機器視覺技術融合進行異物檢測[1]。

1 鐵路框架提取

邊緣檢測是實現圖像分析和理解的首要步驟，準確、實時地獲得幀序列中鋼軌所在位置信息，為后續異物的檢測奠定了基礎。將待處理軌道異物圖像中灰度值不連續的像素點進行連接、填補和刪除，從而形成軌道圖像完整的邊界。基于機器視覺的軌道線提取如圖1所示。

圖1 基于機器視覺的軌道線提取流程圖

常用的邊緣檢測方法包括基于灰度直方圖與基于梯度值，兩種方法均需預先設定閾值，前者遍歷圖像灰度值，提取出大于閾值T的全部像素點進行合并作為圖像邊緣，但閾值T的選取對邊緣準確定位影響較大；后者劃分梯度幅值大于設定閾值的點為邊緣像素，但圖像中超過閾值的點并非全部為邊緣像素，分類過程存在將同一區域內變化劇烈的點錯歸為邊界像素的情況。邊緣檢測算法依據邊緣處的梯度值和灰度差成正比并取值最大的原理，使用微分算子查找取值存在跳變的邊緣部分。經典的微分算法有Roberts算子、Prewitt算子、Sobel算子、Canny算子等，Canny算子能較好地去除噪聲，在實際中應用較為廣泛[2]。

1.1 傳統軌道邊緣檢測及軌道線提取

Canny邊緣檢測基本特征可以表現為：首先，能夠達到有效擬制噪聲和盡量精確確定邊緣位置的兩個條件；其次，測量信噪比與定位乘積后，獲得最優化逼近算子；最后，Canny算子對待處理圖像按照平滑后再求導的過程進行處理。其獲得邊緣像素的算法步驟表述為：（1）用高斯濾波器平滑圖像；（2）通過計算一階偏導有限差分，獲得梯度幅值和方向；（3）按照非極大值抑制原理對梯度幅值進行分析處理；（4）用雙閾值算法檢測和連接邊緣。

1.2 軌道線提取

Paul Hough于1962年首次提出Hough變換，用來檢測直線和曲線，前提要求已知物體邊界線的解析方程，但不需要有關區域位置的先驗知識，后于1972年由Richard Duda&Peter Hart推廣使用。Hough變換的基本原理是將圖像中的一個點轉化成其對應參數空間的一條直線或曲線，將圖像幾何圖形問題轉換成對應參數空間峰值的求解問題，即將全局問題轉化為局部問題，便于求解[3]，Hough變換是圖像變換中的經典算法之一，但存在運算復雜、計算量大等不足。Hough變換基本原理如圖2所示。

圖2 Hough變換的基本原理

1.3 軌道線提取的優化

邊緣檢測優化的三個方面：檢測前圖像的平滑、增加邊緣檢測的方向、閾值選取，在圖像平滑中，邊緣定位與噪聲擬制相互矛盾，濾波會對邊緣造成損失，增加檢測方向會使得算法計算量增大[2]，同時，閾值的選取需要人為設置，而非自適應。

文獻[4]中，首先利用Hough變換識別近景軌道，并以此確定遠景軌道的起點參數，再將分段的遠景軌道按照角度對齊的評判法進行路徑生長，最后提取軌道限界區域。文獻[5]中，作者通過極值中值濾波代替傳統Canny算子中的高斯濾波，在圖像梯度幅值和方向方面引入加權系數，自適應迭代閾值法確定高低分割閾值，從以上三方面提高Canny邊緣檢測的準確性與清晰度，結合Hough變換設計適合直線型與曲線型鐵軌內的異物檢測。文獻[6]中，從相繼兩幅或多幅圖像中提取特征，根據獲取的特征信息結合Hough變換達到檢測軌道異物的目的。文獻[7]中，首先利用Hough變換確定直線軌道，根據擬合的兩條直線交點縮小檢測窗口，其次遍歷窗口內每行的灰度均值，根據灰度值是否發生突變確定當前檢測范圍是否存在異物，該方法實時性較好。文獻[8]中，針對軌道圖像噪聲特點，提出一種基于多尺度結構元素、多方向（MMSE）的自適應灰度形態學濾波算法，通過對含有噪聲的采集圖像使用不同的算法進行濾波，可以實現采集圖像中噪聲的擬制與邊緣的加強，根據提取的軌道邊緣，結合多約束Hough變換，進一步確定鋼軌方程并根據限界距離劃分侵限區域。文獻[9]中，探索一種高速鐵路近景影像軌道邊緣提取方法并構建軌道邊緣線的同名點坐標映射模型。根據軌道數字影像的灰度信息與點位分布特點，利用Canny算法和概率Hough變換提取鐵路軌道的內邊緣特征，其中ORB算法與KNN算法實現軌道表面同名點的匹配并由此建立坐標對應關系，利用該關系構建軌道邊緣線的多項式映射模型以匹配出邊緣同名點，提高軌道邊緣檢測和匹配方面的可靠性，可為高速鐵路幾何狀態檢測提供處理技術支持。文獻[10]中，處理獲取的數字影像，設計篩選策略解決軌道邊緣不突出的情況，實現軌道邊緣的可靠自動識別，并根據數字影像的特點與相關理論方法，設計近景攝影測量鐵路軌道邊緣識別與檢測系統，能夠有效應用于軌道靜態檢測。文獻[11]中，首先根據Canny算子實現以軌道為主體的檢測窗口，其次將檢測窗口內圖像劃分為軌道區域、軌道外側區域、軌道內側區域，通過對反變換后的圖像像素值做縱向累加，判斷縱向累加值峰值的特征，綜合判斷窗口內是否存在異物，可以有效實現直軌環境下的障礙物檢測。文獻[12]中，首先將使用Log邊緣檢測算子檢測出的像素點分為直線像素點與曲線像素點兩類，在直線、曲線邊緣像素點的檢測過程中，設置重疊度閾值，根據閾值大小從而排除曲線像素點，只檢測直線邊緣像素點，最后將輸出的斜率計算直線方程進行平面轉換，改進算法減少了軌道路基和軌枕直線邊緣的影響。文獻[13]中，基于軌道圖像的亮度、直線特征，將Hough變換和邊緣提取算法應用于軌道圖像的識別，對已獲離散共線像素點按照建立的直線方程進行擬合，以此得到連續直線。文獻[14]中，采用改進的中值濾波算法，結合開關去噪，很好地保證了軌道圖像細節方面，再利用慣性原理進行邊緣追蹤，適合軌道異物的現場檢測。文獻[15]中，對圖像進行Canny算子邊緣檢測后，提出利用鏈碼相關方法來完成對圖像中邊緣線的識別和刪除，根據累計鏈碼值個數來判斷線段方向，對干擾線段和有用線段分別進行刪除和再連接處理，提取軌道輪廓。文獻[16]中，首先將改進的高斯濾波算法應用于邊緣檢測，保留邊緣程度及抗噪效果較好，更加突出鐵軌的關鍵信息，其次將改進二值算法應用于鐵路圖像的灰度化處理，最后根據像素追蹤算法確定鐵路框架并建立異物檢測窗口。

2 優化實例仿真

為了驗證改進算法的可行性，在MATLAB2015a環境下，對鐵軌圖像進行異物檢測區域劃分的仿真實驗。圖3、圖4分別對直軌、彎軌進行邊緣檢測、軌道線提取和檢測窗口建立，驗證了文獻[16]中的算法，該算法對直軌、彎軌均有效，能夠較好地劃分出異物檢測區域。

圖3 直軌異物檢測區域劃分

圖4 彎軌異物檢測區域劃分

3 結束語

本文簡述了幾種基于傳統邊緣檢測和直線提取的優化算法，在實際應用中，將多種優化方法進行結合檢測，通過驗證其中一種算法的軌道線提取及檢測窗口建立，結果表明，算法有效性及實時性較好，但在暴雨、大霧等天氣中，基于機器視覺的異物檢測技術依賴于獲取的圖像質量，攝像機較難獲取清晰的圖像，從而影響最后的檢測效果。