圖像分割在軌道異物檢測中的應用

胥田田，雷錫騫，金 慧

（蘭州工業學院，甘肅 蘭州 730050）

0 引 言

在鐵路運輸過程中，因行車過程環境復雜多變，可能出現自然災害引起的山體滑坡、有人滯留車道等現象，隨機異物會造成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。傳統障礙物檢測主要依賴于巡線、單點監控防護、司機瞭望等人工檢測方式，檢測效率低，無法滿足當今社會對軌道異物檢測的智能化要求。國內外針對鐵路侵限障礙物主要采用接觸式和非接觸式方式檢測，其中基于雷達、紅外、機器視覺等各種方式的融合技術被廣泛應用于鐵路障礙物的檢測[1]。

1 鐵路軌道異物圖像分割

圖像分割根據不同區域間像素點的差異性劃分圖片中有相同性質的像素并進行標記。實際中根據應用場景的不同動態選擇分割方法，完成不同的分割任務，并隨著應用場合趨于多樣化，陸續出現基于閾值、邊緣、區域、聚類等分割方法[2]。

在基于圖像處理的軌道靜態異物的檢測中，首先需將獲取的列車前方軌面信息圖像進行預處理，再對鐵軌所在位置進行定位，便于建立檢測窗，最后對窗內異物圖像進行圖像分割和障礙物檢測。基于圖像處理的靜態軌道異物檢測流程如圖1所示。

圖1 靜態軌道異物檢測流程

1.1 傳統圖像分割方法

基于閾值的圖像分割方法以設定的閾值對待處理圖像進行分類處理，將圖像像素與閾值對比后劃分為目標與背景，關鍵需選取恰當的分割閾值，該方法對目標與背景灰度差異明顯的圖像效果較好；基于邊緣的圖像分割方法通過區分相鄰像素點灰度值的差異性定義并連接邊緣像素，從而形成邊緣輪廓，實際中利用不同微分算子進行卷積運算是常用的邊緣檢測方法；基于區域的圖像分割方法以常用的區域生長法和分裂合并法為主，分割思想圍繞像素的相似程度劃分構成區域；基于聚類的圖像分割方法設置聚類準則并結合迭代算法，將具有相似特征的像素點聚集到不同的類別中，實現對待處理圖像的分割；基于圖論的圖像分割方法將分割問題轉換成對圖的劃分，通過求解設置目標函數的最優值完成分割過程。

1.2 圖像分割方法的優化

文獻[3]提出將各向異性擴散散度場信息融合到距離規則化水平集中的新模型，該方法在水平集函數、迭代時間等相關參數方面進行調整與優化，發現其對有噪聲圖像的分割效果較好，算法魯棒性、實時性較好[4]。文獻[5]運用峰值檢測策略調整聚類中心的初始化，在醫學圖像中進行實驗驗證，算法工作效率較高、圖像分割效果較好。文獻[6]提出基于多項式一致逼近的多閾值圖像分割算法，改善傳統多閾值分割算法的復雜度高、魯棒性差等缺陷。

圖像分割充分結合人工智能應用于軍事、醫學、工業生產、遙感、交通等領域。宋杰等針對醫學病理數據的多樣性與復雜性，梳理深度學習相關理論、關鍵技術并進行對比分析，總結深度學習在數字病理圖像分割任務中的建模與應用[7]；李鴻翔等針對基于圖像的礦石粒度檢測中存在礦石形狀隨機、礦石間重疊度高等特點，提出GAN-UNet礦石圖像分割方法，解決U-Net算法對礦石邊緣識別存在的缺陷，減小分割誤差[8]；徐金東等利用空間上下文有效建模并研究新的可靠性模糊度量指標，從而提高聚類算法的抗噪性，更好保留交通標志圖像、遙感圖像等的細節[9]。

1.3 軌道異物圖像分割的優化

在高速鐵路飛速發展的今天，僅靠人為檢測、固定點安裝監測點已不能滿足社會實現自動化的需求。隨著軌道交通中全自動駕駛的實現及基于機器視覺的檢測技術的研究應用，如何實現高速列車前方異物的智能檢測已成為鐵路運營的新趨勢。

文獻[10]列舉機器視覺技術在城市軌道交通各子系統安全狀態檢測中的研究與應用，提高傳統人工等方法的檢測效率、降低勞動強度；文獻[11]通過融合圖像識別、激光雷達、紅外測距等檢測技術指定障礙物檢測方案，同時利用軟件算法和機器學習提升了障礙物檢測的識別率；文獻[12]采用將圖像和雷達數據融合的方式，在時間方面根據不同時間融合策略進行時間融合，在空間方面根據雷達坐標、相機坐標與像素坐標三者的關系進行圖像畸變校正，并將雷達檢測結果與圖像檢測結果相對應，測試結果表明，該檢測方法適用性更廣；文獻[13]將障礙物檢測劃分為紅外與可見光障礙物圖像的檢測，前者充分利用紅外圖像中障礙物整體顯著的特征，后者采用將可見光圖像先粗定位后細定位的流程，處理不同類型的待處理障礙物圖像，驗證了算法的有效性；文獻[14]中建立以軌道為主體的檢測窗口，并依次進行預處理圖像反透視變換、劃分橫向區域、分區圖像像素值橫向累加等操作，從而綜合判斷窗口異物位置，在直軌環境下實現障礙物的有效檢測；文獻[15]提出基于雷達的列車直軌障礙物檢測，利用最小二乘法獲取雷達數據矯正后得到的較準確的障礙物位置，同時結合構建的檢測模型有效克服復雜環境造成的不利影響；文獻[16]首先對GPS軌跡數據分段擬合后輔助定位和構建檢測區域，其次根據GPS定位當前位置和相關參數構建列車前方障礙物檢測區域，最后將目標點位置信息經坐標變換代入檢測區域，從而判斷目標是否為障礙物，經現場測試，平均檢測正確率達到87.45%。

2 優化實例仿真

為驗證不同分割算法的可行性，在MATLAB 2015a環境下，對鐵軌作業、鐵軌作業加噪圖像進行不同分割算法的仿真實驗并進行定量評價，仿真效果如圖2、圖3所示，區域間對比度評價效果見表1所列。二維Tsallis熵算法針對不加噪、加噪異物圖像分割效果較一維Tsallis熵算法好，但算法復雜度較高，耗時較長。

圖2 不加噪軌道異物圖像分割

圖3 加噪軌道異物圖像分割

表1 軌道異物圖像分割效果

3 結 語

本文簡述了基于閾值分割的鐵路軌道異物檢測算法，在實際應用中，將機器視覺、圖像處理、雷達、紅外等多種檢測手段進行融合，在算法魯棒性、實時性等方面效果較好。本文驗證了一維、二維Tsallis熵算法的分割效果。分割效果表明，不同的閾值分割算法針對不加噪、加噪圖像在有效性與實時性方面效果不同，需在今后的研究中改善算法在不同場合的適用性。