本發(fā)明涉及鐵路技術(shù)領(lǐng)域，尤其是一種基于圖像處理的鐵軌扣件定位算法。

背景技術(shù)：

隨著我國(guó)鐵路發(fā)展的快速推進(jìn)，截止目前，全國(guó)鐵路運(yùn)營(yíng)里程已達(dá)12萬(wàn)公里左右。每天鐵路運(yùn)量已史無(wú)前例，如何保證列車安全、穩(wěn)定、不間斷運(yùn)行已成為中國(guó)鐵路人的重要使命。

鐵路線路設(shè)備是鐵路運(yùn)輸業(yè)的基礎(chǔ)設(shè)備。合理養(yǎng)護(hù)鐵路線路設(shè)備并及時(shí)有效的分析、預(yù)防和整治線路設(shè)備病害是保障鐵路安全運(yùn)輸?shù)年P(guān)鍵。而在線路養(yǎng)護(hù)中，扣件的日常巡檢是必檢項(xiàng)目之一，扣件是將鋼軌固定在軌枕上用以保持軌距和阻止鋼軌相對(duì)軌枕發(fā)生縱橫向移動(dòng)的關(guān)鍵部件。

目前的大多數(shù)的扣件檢查主要是人工檢測(cè)，巡道工人對(duì)軌道線路進(jìn)行實(shí)地檢測(cè)，這種方式要求巡道工人負(fù)重10公斤左右的巡道包，步巡長(zhǎng)達(dá)20公里左右，勞動(dòng)強(qiáng)度大，且工作環(huán)境惡劣，安全性根本無(wú)法保證，檢測(cè)的準(zhǔn)確性受人為主觀性影響較大，存在大量的漏檢和錯(cuò)檢現(xiàn)象，并且對(duì)于偏遠(yuǎn)地區(qū)無(wú)法進(jìn)行有效檢測(cè)。

為了解決上述問題，人們提出了一種基于機(jī)器視覺的鐵軌扣件檢測(cè)裝置，其實(shí)現(xiàn)原理是在列車底部安裝相機(jī)，對(duì)鐵軌圖像進(jìn)行采集。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：針對(duì)上述基于機(jī)器視覺的鐵軌扣件檢測(cè)裝置采集到的圖像提供一種基于圖像處理技術(shù)的扣件識(shí)別定位算法。

本發(fā)明采用的技術(shù)方案如下，包括：

步驟1：獲取一幀包含有扣件的圖像；

步驟2：在圖像中對(duì)扣件位置進(jìn)行一次定位；

步驟3：在一次定位得到的圖像區(qū)域中對(duì)扣件進(jìn)行模板匹配得到二次定位區(qū)域；

步驟4：在二次定位區(qū)域中對(duì)扣件進(jìn)行特征識(shí)別，確定扣件的位置坐標(biāo)。

所述步驟1進(jìn)一步包括將圖像采集裝置安裝在列車底部，用于采集扣件圖像。

步驟2進(jìn)一步包括：根據(jù)列車軌道中枕軌與扣件的相對(duì)位置在所述圖像中圈出扣件可能出現(xiàn)的區(qū)域，將其作為一次定位區(qū)域。

步驟3進(jìn)一步包括：

步驟31：確定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

步驟32：在一次定位得到的圖像區(qū)域中逐一進(jìn)行模板匹配，計(jì)算各個(gè)區(qū)域的匹配相似度Sm_(μ,v)：

${\mathrm{Sm}}_{(\mathrm{\μ},v)}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

式中，為模板梯度，為一次定位區(qū)域中待匹配圖像區(qū)域梯度，μ,v分別表示圖像的行、列，m≤待匹配圖像區(qū)域的像素總數(shù)n；Xi為第i個(gè)像素點(diǎn)橫坐標(biāo)相對(duì)于μ的偏移量，Yi為i個(gè)像素點(diǎn)縱坐標(biāo)相對(duì)于v的偏移量；

步驟33：當(dāng)匹配相似度滿足下列三個(gè)條件中的任意一個(gè)時(shí)，停止匹配相似度計(jì)算并將該待匹配區(qū)域作為二次定位區(qū)域：

(1)Sm_(μ,v)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

${\mathrm{Sm}}_{(u,v)}\<\mathrm{MIN}\left((S^{\min }-1+\frac{1-g\·S^{\min }}{1-g}\·\frac{m}{n},(S^{\min }\·\frac{m}{n})\right);---\left(3\right)$

其中g(shù)取0或1；S^min為在已經(jīng)計(jì)算出來(lái)的一次定位區(qū)域中的各待匹配區(qū)域與模板的匹配度中的最小值。

所述步驟3進(jìn)一步包括：

步驟31：確定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

步驟32：在一次定位得到的圖像區(qū)域中逐一進(jìn)行模板匹配，計(jì)算各個(gè)區(qū)域的匹配相似度S_μ,v：

$S_{\mathrm{\μ},v}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

式中，為模板梯度，為一次定位區(qū)域中待匹配圖像區(qū)域梯度，μ,v分別表示圖像的行、列，n為待匹配圖像區(qū)域的像素總數(shù)，Xi為第i個(gè)像素點(diǎn)橫坐標(biāo)相對(duì)于μ的偏移量，Yi為i個(gè)像素點(diǎn)縱坐標(biāo)相對(duì)于v的偏移量；

步驟33：取匹配相似度S_μ,v最大的待匹配圖像區(qū)域?yàn)槎味ㄎ粎^(qū)域。

本發(fā)明還提供了一種基于幾何匹配的鐵路扣件定位裝置，包括：

圖像獲取單元，用于獲取一幀包含有扣件的圖像；

一次定位單元，用于在圖像中對(duì)扣件位置進(jìn)行一次定位；

二次定位單元，用于在一次定位得到的圖像區(qū)域中對(duì)扣件進(jìn)行模板匹配得到二次定位區(qū)域；

特征識(shí)別單元，用于在二次定位區(qū)域中對(duì)扣件進(jìn)行特征識(shí)別，確定扣件的位置坐標(biāo)。

一次定位單元進(jìn)一步用于根據(jù)列車軌道中枕軌與扣件的相對(duì)位置在所述圖像中圈出扣件可能出現(xiàn)的區(qū)域，將其作為一次定位區(qū)域。

二次定位單元進(jìn)一步包括：

模板梯度計(jì)算子單元，用于確定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

相似度計(jì)算子單元，用于在一次定位得到的圖像區(qū)域中逐一進(jìn)行模板匹配，計(jì)算各個(gè)區(qū)域的匹配相似度Sm_(μ,v)：

${\mathrm{Sm}}_{(\mathrm{\μ},v)}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

式中，為模板梯度，為一次定位區(qū)域中待匹配圖像區(qū)域梯度，μ,v分別表示圖像的行、列，m≤待匹配圖像區(qū)域的像素總數(shù)n；Xi為第i個(gè)像素點(diǎn)橫坐標(biāo)相對(duì)于μ的偏移量，Yi為i個(gè)像素點(diǎn)縱坐標(biāo)相對(duì)于v的偏移量；

二次定位判別子單元，用于當(dāng)匹配相似度滿足下列三個(gè)條件中的任意一個(gè)時(shí)停止該待匹配區(qū)域的匹配相似度計(jì)算，將該待匹配區(qū)域作為二次定位區(qū)域：

(1)Sm_(μ,v)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

${\mathrm{Sm}}_{(u,v)}\<\mathrm{MIN}\left((S^{\min }-1+\frac{1-g\·S^{\min }}{1-g}\·\frac{m}{n},(S^{\min }\·\frac{m}{n})\right);---\left(3\right)$

其中g(shù)取0或1；S^min為在已經(jīng)計(jì)算出來(lái)的一次定位區(qū)域中的各區(qū)域與模板的匹配度中的最小值。

二次定位單元進(jìn)一步包括：

模板梯度計(jì)算子單元，用于確定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

相似度計(jì)算子單元，用于在一次定位得到的圖像區(qū)域中逐一進(jìn)行模板匹配，計(jì)算各個(gè)區(qū)域的匹配相似度S_μ,v：

$S_{\mathrm{\μ},v}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

式中，為模板梯度，為一次定位區(qū)域中待匹配圖像區(qū)域梯度，μ,v分別表示圖像的行、列，n為待匹配圖像區(qū)域的像素總數(shù)，Xi為第i個(gè)像素點(diǎn)橫坐標(biāo)相對(duì)于μ的偏移量，Yi為i個(gè)像素點(diǎn)縱坐標(biāo)相對(duì)于v的偏移量；

二次定位判別子單元，用于取匹配度S_μ,v最大的待匹配圖像區(qū)域?yàn)槎味ㄎ粎^(qū)域。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

本發(fā)明首先根據(jù)枕軌與扣件的相對(duì)位置在圖像中圈出扣件可能出現(xiàn)的區(qū)域，然后使用模板匹配進(jìn)一步確定扣件所在的區(qū)域，最后采用模式識(shí)別技術(shù)對(duì)扣件區(qū)域中的扣件進(jìn)行識(shí)別并確定其坐標(biāo)；既提高了運(yùn)算速度，降低了運(yùn)算量，同時(shí)保證了檢測(cè)精度。

本發(fā)明還提供了一種模板匹配的判別方法，在計(jì)算某個(gè)待匹配區(qū)域與模板的匹配相似度時(shí)，當(dāng)計(jì)算到某像素點(diǎn)時(shí)發(fā)現(xiàn)計(jì)算結(jié)果已經(jīng)滿足設(shè)定條件便不再繼續(xù)計(jì)算，而直接將該待匹配區(qū)域作為二次定位區(qū)域，進(jìn)一步提高了運(yùn)算速度。

附圖說(shuō)明

本發(fā)明將通過(guò)例子并參照附圖的方式說(shuō)明，其中：

圖1為本發(fā)明方法流程圖。

圖2為一次定位結(jié)果。

具體實(shí)施方式

本說(shuō)明書中公開的所有特征，或公開的所有方法或過(guò)程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

本說(shuō)明書中公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換。即，除非特別敘述，每個(gè)特征只是一系列等效或類似特征中的一個(gè)例子而已。

如圖1所示，本發(fā)明采用的技術(shù)方案包括：

步驟1：獲取一幀包含有扣件的圖像。

步驟2：在圖像中對(duì)扣件位置進(jìn)行一次定位。本領(lǐng)域技術(shù)人員知曉，扣件位于鐵軌枕軌的兩側(cè)，將圖像采集裝置安裝在列車底部且調(diào)整好鏡頭位置時(shí)，可以保證拍枕軌始終位于圖像中間，而枕軌的寬度是固定的，因此可以根據(jù)枕軌的位置及枕軌的寬度、扣件的寬度查找到扣件可能出現(xiàn)的區(qū)域，即得到一次定位區(qū)域。參見圖2。

步驟3：在一次定位得到的圖像區(qū)域中對(duì)扣件進(jìn)行模板匹配得到二次定位區(qū)域。

模板就是一幅已知的小圖像，本發(fā)明中的模板是包含有扣件的小圖像。

模板匹配就是在一幅大圖像中搜尋目標(biāo)，用模板遍歷整個(gè)大圖像，計(jì)算各個(gè)待匹配區(qū)域與模板的匹配相似度。本發(fā)明中的大圖像是一次定位區(qū)域。

本實(shí)施例中包括以下步驟：

步驟31：確定包含扣件的模板，提取模板的X方向及Y方向的梯度信息。

步驟32：遍歷整個(gè)一次定位得到的圖像區(qū)域，對(duì)各個(gè)待匹配區(qū)域逐一進(jìn)行模板匹配，計(jì)算模板與各個(gè)待測(cè)區(qū)域的匹配相似度S_μ,v：

$S_{\mathrm{\μ},v}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

式中，為模板梯度，具體是模板第i個(gè)像素的梯度值，為一次定位區(qū)域中待匹配圖像區(qū)域中橫坐標(biāo)為μ、縱坐標(biāo)為v的像素點(diǎn)的梯度，μ,v分別表示圖像的行、列，n為待匹配圖像區(qū)域的像素總數(shù)，也即是模板的像素總數(shù)，Xi為第i個(gè)像素點(diǎn)橫坐標(biāo)相對(duì)于μ的偏移量，Yi為i個(gè)像素點(diǎn)縱坐標(biāo)相對(duì)于v的偏移量。如此計(jì)算出各個(gè)待匹配區(qū)域與模板的匹配相似度。

步驟33：取匹配相似度S_μ,v最大的待匹配圖像區(qū)域?yàn)槎味ㄎ粎^(qū)域。

由于整個(gè)匹配搜索目標(biāo)的過(guò)程較為耗時(shí)，有必要優(yōu)化匹配搜索的進(jìn)程。一個(gè)優(yōu)選實(shí)施例采用平均特性來(lái)進(jìn)行加速優(yōu)化，即當(dāng)進(jìn)行匹配相似度計(jì)算時(shí)，設(shè)定一個(gè)最小相似度分值。計(jì)算以下公式：

${\mathrm{Sm}}_{(\mathrm{\μ},v)}=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}\frac{(G_{x_i}^T\·G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^S)+(G_{y_i}^T\·G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^S)}{\sqrt{G_{x_i}^{T^2}+G_{y_i}^{T^2}}\·\sqrt{{G_{x_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2+{G_{y_{(\mathrm{\μ}+Xi,v+Yi)}}^T}^2}};$

與上式區(qū)別在于，求和對(duì)象不再是待匹配區(qū)域的全部像素點(diǎn)，而是其中一部分，即m≤待匹配圖像區(qū)域的像素總數(shù)n。

當(dāng)Sm_(μ,v)＞S^min-1+m/n時(shí)，停止計(jì)算匹配相似度，將該區(qū)域作為而次定位區(qū)域。為了加快相似度匹配測(cè)量，也可以采用判別標(biāo)準(zhǔn)：S_m＞S^min·m/n，這樣匹配相似性計(jì)算將會(huì)進(jìn)一步增快，但是這樣就存在一個(gè)問題，若目標(biāo)被遮擋部分首先計(jì)算，那么該匹配計(jì)算過(guò)程將會(huì)很慢，如此一來(lái)，部分遮擋的目標(biāo)將丟失。S^min為在已經(jīng)計(jì)算出來(lái)的一次定位區(qū)域中的各待匹配區(qū)域與模板的匹配度中的最小值。

因此，在另一優(yōu)選實(shí)施例中采用了另一種評(píng)判標(biāo)準(zhǔn)，即滿足時(shí)停止計(jì)算匹配相似度，并將該待匹配區(qū)域作為二次定位區(qū)域。其中，g代表相似性測(cè)量過(guò)程中貪婪度，g＝1時(shí)，所有待匹配區(qū)域都將在一個(gè)較為嚴(yán)格的標(biāo)準(zhǔn)下進(jìn)行測(cè)量計(jì)算；g＝0時(shí)，匹配相似標(biāo)準(zhǔn)則相對(duì)安全寬松。實(shí)際產(chǎn)品中，將g值的設(shè)定功能開放給用戶，用戶可根據(jù)實(shí)際需要自主設(shè)定匹配相似檢測(cè)的嚴(yán)格程度。

步驟4：在二次定位區(qū)域中對(duì)扣件進(jìn)行特征識(shí)別，確定扣件的位置坐標(biāo)。

本步驟可采用模式識(shí)別技術(shù)對(duì)二次定位區(qū)域圖像進(jìn)行特征值提取，如圖像灰度值、梯度值等特征值，然后再使用支持向量機(jī)對(duì)特征值進(jìn)行識(shí)別，檢測(cè)其與扣件樣本庫(kù)中的樣本相似程度?；谀Ｊ阶R(shí)別技術(shù)的特征值識(shí)別是本領(lǐng)域現(xiàn)有技術(shù)，在此不再贅述其詳細(xì)過(guò)程。

本發(fā)明還提供了一種與前述方法步驟一一對(duì)應(yīng)的功能模塊組成的軟系統(tǒng)。

本發(fā)明并不局限于前述的具體實(shí)施方式。本發(fā)明擴(kuò)展到任何在本說(shuō)明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過(guò)程的步驟或任何新的組合。