CN102252859A - 汽车列车直线行驶横向稳定性自动辨识系统 - Google Patents

Abstract

本发明公开了一种用于检测汽车列车行驶过程中牵引车和挂车之间最大横向摆动量的汽车列车直线行驶横向稳定性自动辨识系统，其特征是采用了一种基于机器视觉和GPS的汽车列车横向稳定性自动辨识方法，该方法利用安装在牵引车和挂车底部的两个摄像头，实时采集汽车列车下方直线标志线的图像信息，运用机器视觉检测算法分别计算牵引车和挂车底部固连点相对于直线标志线的距离，同时利用GPS获得列车沿直线标志线的行驶速度，根据同一时刻牵引车和挂车相对直线标志线的距离统计出牵引车和挂车之间的最大横向摆动量，该检测系统具有较高的检测精度，能够满足汽车列车最大横向摆动量实时、可靠检测和横向稳定性自动辨识的需要。

Description

汽车列车直线行驶横向稳定性自动辨识系统

技术领域

本发明涉及一种用于检测汽车列车直线行驶过程中牵引车和挂车最大横向摆动量的汽车列车直线行驶横向稳定性自动辨识系统，尤其涉及一种基于机器视觉和GPS的汽车列车直线行驶横向稳定性自动辨识系统。属于汽车列车横向稳定性检测技术领域。

背景技术

汽车列车直线行驶横向稳定性是汽车列车操纵稳定性的重要内容。横向稳定性是汽车列车的一种运动性能，不仅影响到汽车列车驾驶的操纵方便程度，而且也是汽车列车高速、安全行驶的一个重要因素。一方面，人们对汽车列车稳定性能的要求不断增高，另一方面，传统的汽车列车横向摆动量检测系统已经不能满足当前汽车列车稳定性能检测的要求。

传统的检测系统主要是：利用在牵引车和挂车底盘中间下方各固定一个喷枪，在汽车行驶过程中同时朝下方地面喷射某种白色液体，在地面上形成两条曲线，然后两个人用皮尺对重合的曲线进行分段测量，然后比较记录下的最短距离，将这些最短距离中的最大值作为汽车列车的最大横向摆动量。由此可见，目前的汽车列车横向摆动检测主要还是靠人工进行，检测效率低。由于是随机抽检，准确率低，漏检率高；再加上喷枪喷出的液体容易受到周围气流的影响，对环境的适应性差，同时检测可靠性也受到影响，这些都给传统的检测系统带来了极大地挑战。

发明内容

本发明的目的是克服现有汽车列车横向稳定性检测系统的不足，提供一种自动、可靠的基于机器视觉和GPS的汽车列车直线行驶横向稳定性自动检测系统。

本发明采用如下技术方案：

一种汽车列车直线行驶横向稳定性自动辨识系统，其特征在于，所述的汽车列车包括牵引车和挂车，所述辨识系统包括：液晶显示屏、PC104车载计算机、DH-CG320图像采集卡、CCD摄像头C₁、CCD摄像头C₂、车载电源、GPS，在PC104车载计算机上中央处理器通过显卡连接液晶显示屏、通过串行端口连接GPS、通过PC104总线连接DH-CG320图像采集卡、通过数据线连接硬盘，在DH-CG320图像采集卡上通过数据线连接CCD摄像头C₁和CCD摄像头C₂，车载电源通过电源线分别跟PC104车载计算机、CCD摄像头C₁、CCD摄像头C₂和GPS供电，CCD摄像头C₁和CCD摄像头C₂分别安装在牵引车前桥和挂车后桥下方，在CCD摄像头C₁和CCD摄像头C₂的拍摄范围内设置白色直线标志线，CCD摄像头C₁用于牵引车下方图像信息的采集，CCD摄像头C₂用于挂车下方图像信息的采集；另外，在牵引车上方安装GPS，负责实时采集汽车列车行驶速度，所述硬盘中至少包括：用于检测圆形标志圆心坐标及直径的机器视觉检测模块、用于CCD摄像机像素标定的摄像机像素标定模块，用于提取直线标志线参数的直线标志线参数检测模块、用于计算固连点到直线标志线距离的固连点到直线标志线距离检测模块、用于计算汽车列车行驶速度的GPS速度实时计算模块、用于统计汽车列车最大横向摆动量并用于确定当前速度范围下汽车列车最大横向摆动量S_Max的统计计算模块，用于判断汽车列车直线行驶横向稳定性的横向稳定性辨识模块。

所述摄像机像素标定模块分别用于：求解CCD摄像头C₁和CCD摄像头C₂所拍图像像素的标定值

(1)求解CCD摄像头C₁所拍图像像素的标定值

在CCD摄像头C₁的拍摄范围内设置第一圆形标志，并由CCD摄像头C₁对圆形标志进行拍摄，获得第一圆形标志的图像；

对第一圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B(m，n)，

I(m，n)为采集的第一圆形标志图像数据的灰度值，T为二值化图像分割阈值，T＝210，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第一圆形标志圆心O₁′的横坐标值u、纵坐标值v及半径值R，并将第一圆形标志的圆心坐标O₁′作为与牵引车固连的固连点O₁的坐标，即固连点O₁的横纵坐标值也为u和v， $R=\sqrt{u^2-2\stackrel{\‾}{x}u+v^2-2\stackrel{\‾}{y}v+\stackrel{\‾}{x^2}+\stackrel{\‾}{y^2}},$ 其中， $u=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $v=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $\stackrel{\‾}{x}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{x^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{y^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{{\mathrm{xy}}^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^{2}y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{\mathrm{xy}}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i/\mathrm{\Ω},$ Ω为点Hough变换确定的圆边缘像素点的个数，x_i、y_i分别表示点Hough变换确定的第i个边缘像素点的横、纵坐标值，

利用直尺直接测得第一圆形标志的直径值D_a，单位：毫米，再计算得到CCD摄像头C₁所拍图像像素的标定值C_v，即：C_v＝D_a/D_c，单位：毫米/像素，其中，D_c＝2R，单位：像素，

(2)求解CCD摄像头C₂所拍图像像素的标定值

在CCD摄像头C₂的拍摄范围内设置第二圆形标志，并由CCD摄像头C₂对圆形标志进行拍摄，获得第二圆形标志的图像；

对第二圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B′(m，n)，

I′(m，n)为采集的第二圆形标志图像数据的灰度值，T′为二值化图像分割阈值，T′＝205，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E′(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第二圆形标志圆心O₂′的横坐标值u′、纵坐标值v′及半径值R′，并将圆形标志的圆心坐标O₂′作为与牵引车固连的固连点O₂的坐标，即固连点O₂的横、纵坐标值也为u′和v′， $R^{\′}=\sqrt{u^{\′2}-2\stackrel{\‾}{x^{\′}}{u}^{\′}+v^{\′2}-2\stackrel{\‾}{y^{\′}}{v}^{\′}+\stackrel{\‾}{x^{\′2}}+\stackrel{\‾}{y^{\′2}}},$ 其中， $u^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{x^{\′}{y}^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $v^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{{x^{\′}y}^{\′2}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $\stackrel{\‾}{x^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x_{i^{\′}}^{\′}y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ Ω′为点Hough变换确定的圆边缘像素点的个数，x′_i′、y′_i′分别表示点Hough变换后的第i′个边缘点的横、纵坐标值，

利用直尺直接测得第二圆形标志的直径值D_a′，单位：毫米，再计算得到CCD摄像头C₂所拍图像像素的标定值C′_v，即：C′_v＝D_a′/D′_c，单位：毫米/像素，其中，D′_c＝2R′，单位：像素；

直线标志线参数检测模块和固连点到直线标志线距离检测模块用于：实时测量固连点O₁到CCD摄像头C₁拍摄的白色直线标志线的距离，

(1)直线标志线图像预处理

对C₁实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁(m，n)，

I₁(m，n)为采集的直线标志线图像数据的灰度值，T₁为二值化图像分割阈值，T₁＝230，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁(m，n)，

m、n分别为当前位置像素的横、纵坐标，

(2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a+bx，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′2}\end{array}\right]\·\left[\begin{array}{c}a\\ b\end{array}\right]=\left[\begin{array}{c}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{y}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}{y}_k^{\′}\end{array}\right]$ 得到a，b值，a，b为牵引车上CCD摄像头C₁采集的图像拟合出的直线标志线参数，N₁为直线标志线边缘点的像素个数，x′_k、y′_k分别表示直线标志线第k个边缘点的横、纵坐标值，k＝1，2，…，N₁，

(3)固连点O₁到直线标志线距离的计算

利用点到直线的距离公式，求得第t次牵引车上的固连点O₁到直线标志线的矢量距离P_1t，

其中u、v分别为固连点O₁在图像上的横、纵坐标值；

直线标志线参数检测模块和固连点到直线标志线距离检测模块还用于：实时测量固连点O₂到CCD摄像头C₂拍摄的白色直线标志线的距离，

(1)直线标志线图像预处理

对C₂实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁′(m，n)，

I₁′(m，n)为采集的直线标志线图像数据的灰度值，T₁′为二值化图像分割阈值，T₁′＝220，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁′(m，n)，

m、n分别为当前位置像素的横、纵坐标，同理，可求得C₂采集的白色标志线图像二值化后及边缘检测后的图像的灰度值，

(2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a′+b′x，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1^{\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′2}\end{array}\right]\·\left[\begin{array}{c}{a}^{\′}\\ b^{\′}\end{array}\right]=\left[\begin{array}{c}\underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{y}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}{y}_{k^{\′\′}}^{\′\′}\end{array}\right]$ 得到a′，b′值，a′，b′为牵引车上CCD摄像头C₂采集的图像拟合出的直线标志线参数，N₁′为直线标志线边缘点的像素个数，x″_k′、y″_k′分别表示直线标志线第k′个边缘点的横、纵坐标值，k′＝1，2，…，N₁′，

(3)固连点O₂到直线标志线距离的计算

利用点到直线的距离公式，求得第t次牵引车上的固连点O₂到直线标志线的矢量距离P_2t，

其中u′、v′分别为固连点O₂在图像上的横、纵坐标值；

所述的GPS速度实时计算模块用于：给定速度下，汽车列车横向摆动值计算，

首先，利用GPS实时获得列车第t时刻的北向速度V_Nt和东向速度V_Et，根据速度合成公式，求得第t时刻汽车列车沿直线标志线方向的瞬时速度V_t，即

接着，分别计算第t时刻牵引车距离直线标志线的偏离值W_1t和挂车距离直线标志线的偏离值W_2t：即W_1t＝P_1t·C_v，W_2t＝P_2t·C′_v，t＝1，2，3，…，N_c，N_c为测试次数，N_c＝1000；将速度V_t控制在[V_min，V_max]内，计算并记录当前速度范围[V_min，V_max]下汽车列车在第t时刻的横向摆动值S_t，即S_t＝|W_1t-W_2t|，其中，V_min为当前速度范围下的最小值，V_max为当前速度范围下的最大值；

统计计算模块用于：汽车列车最大横向摆动量计算

对检测过程中记录的各时刻横向摆动值进行统计比较，找出当前速度范围下汽车列车的最大横向摆动量S_Max，S_Max＝Max{S_t}；

横向稳定性辨识模块用于：汽车列车直线行驶横向稳定性的判断

将当前速度范围[V_min，V_max]下汽车列车的最大横向摆动量S_Max同预先设定的横向摆动量阈值S_Th进行比较，S_Th＝10毫米，若S_Max＞S_Th，则汽车列车在当前速度范围下直线行驶不满足横向稳定性的要求，反之，若S_Max≤S_Th，则汽车列车在当前速度范围下直线行驶满足横向稳定性的要求。

与现有技术相比，本发明具有如下优点：

(1)和传统的汽车列车横向稳定性辨识系统相比，该系统利用PC104车载计算机、CCD摄像头、图像采集卡和GPS对汽车列车横向摆动量进行实时检测并对检测结果进行自动辨识，提高了系统的检测效率和自动化水平。

(2)采用机器视觉技术，对汽车列车横向摆动进行实时检测，克服了当前人工手动检测错误率高、效率低下的弊端，提高了汽车列车横向摆动检测的自动化水平和效率。

(3)利用GPS，可以对汽车列车在不同行进速度下横向摆动量进行实时检测并对检测结果进行自动辨识，拓宽了汽车列车横向稳定性自动辨识系统的应用范围。

附图说明

图1是系统电路原理图；

图2是系统辨识模块框图；

图3是汽车列车横向稳定性辨识流程图；

图4是标定算法流程图；

图5是牵引车横向摆动检测标定示意图；

图6是挂车横向摆动检测标定示意图；

图7是圆形标志半径和圆心坐标视觉检测流程图；

图8是直线标志线视觉检测流程图；

图9是汽车列车沿标志线方向的速度合成示意图。

具体实施方式

下面参照说明书附图，对本发明的具体实施方式做出更为详细地说明：

一种汽车列车直线行驶横向稳定性自动辨识系统，包括：液晶显示屏1、PC104车载计算机2、DH-CG320图像采集卡3、CCD摄像头C₁4、CCD摄像头C₂5、车载电源6、GPS7，在PC104车载计算机2上中央处理器22通过显卡21连接液晶显示屏1、通过串行端口25连接GPS7、通过PC104总线23连接DH-CG320图像采集卡3、通过数据线连接硬盘24，在DH-CG320图像采集卡3上通过数据线连接CCD摄像头C₁4和CCD摄像头C₂5，车载电源6通过电源线分别跟PC104车载计算机2、CCD摄像头C₁4、CCD摄像头C₂5和GPS7供电，CCD摄像头C₁4和CCD摄像头C₂5分别安装在牵引车前桥和挂车后桥下方，在CCD摄像头C₁4和CCD摄像头C₂5的拍摄范围内设置白色直线标志线，CCD摄像头C₁4用于牵引车下方图像信息的采集，CCD摄像头C₂5用于挂车下方图像信息的采集；另外，在牵引车上方安装GPS7，负责实时采集汽车列车行驶速度，系统电路原理图如图1所示。所述硬盘24中至少包括：用于检测圆形标志圆心坐标及直径的机器视觉检测模块241、用于CCD摄像机像素标定的摄像机像素标定模块242，用于提取直线标志线参数的直线标志线参数检测模块243、用于计算固连点到直线标志线距离的固连点到直线标志线距离检测模块244、用于计算汽车列车行驶速度的GPS速度实时计算模块245、用于统计汽车列车最大横向摆动量并用于确定当前速度范围下汽车列车最大横向摆动量S_Max的统计计算模块246，用于判断汽车列车直线行驶横向稳定性的横向稳定性辨识模块247，系统辨识模块框图如图2所示。

所述的汽车列车直线行驶横向稳定性自动辨识系统，其特征在于：所述的汽车列车包括牵引车和挂车，所述汽车列车直线行驶横向稳定性自动辨识可通过两个阶段来实现，一是离线标定阶段，二是在线辨识阶段，系统辨识流程图如图3所示，具体实现步骤如下：

1、所述摄像机像素标定模块242分别用于：求解CCD摄像头C₁和CCD摄像头C₂所拍图像像素的标定值，标定算法的流程图如图4所示

(1)求解CCD摄像头C₁所拍图像像素的标定值

在CCD摄像头C₁的拍摄范围内设置第一圆形标志，并由CCD摄像头C₁对圆形标志进行拍摄，获得第一圆形标志的图像，

对第一圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B(m，n)，

I(m，n)为采集的第一圆形标志图像数据的灰度值，T为二值化图像分割阈值，T＝210，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第一圆形标志圆心O₁′的横坐标值u、纵坐标值v及半径值R，圆形标志半径和圆心坐标视觉检测流程图如图7所示，并将第一圆形标志的圆心坐标O₁′作为与牵引车固连的固连点O₁的坐标，即固连点O₁的横纵坐标值也为u和v，

利用直尺直接测得第一圆形标志的直径值D_a，单位：毫米，再计算得到CCD摄像头C₁所拍图像像素的标定值C_v，即：C_v＝D_a/D_c，单位：毫米/像素，其中，D_c＝2R，单位：像素，牵引车横向摆动检测标定示意图如图5所示；

第一圆形标志圆心O₁′的横坐标值u、纵坐标值v及半径值R的计算步骤为：

1)针对边缘图像E(m，n)，计算圆周上任意不共线的三点A_j，B_j，C_j组成的点对所确定的圆的半径值r_j，单位为像素， $r_j=\sqrt{{(O_j^x-A_j^x)}^2+{(O_j^y-A_j^y)}^2},$ 其中， $O_j^x=\frac{K_{\mathrm{OM}}^j{M}_x^j-M_y^j-K_{\mathrm{ON}}^j{N}_x^j+N_y^j}{K_{\mathrm{OM}}^j-K_{\mathrm{ON}}^j},$ $O_y^j=K_{\mathrm{OM}}^j(O_x^j-M_x^j)+M_y^j,$ $(K_{\mathrm{OM}}^j=-\frac{A_x^j-B_x^j}{A_y^j-B_y^j}),$ $M_x^j=\frac{A_x^j+B_x^j}{2},$ $M_y^j=\frac{A_y^j+B_y^j}{2},$ $N_x^j=\frac{B_x^j+C_x^j}{2},$ $N_y^j=\frac{B_y^j+C_y^j}{2},$

和

分别为第j个点对中A_j的横坐标值和纵坐标值，单位为像素，

和

分别为第j个点对中B_j的横坐标值和纵坐标值，单位为像素，

和

分别为第j个点对中C_j的横坐标值和纵坐标值，单位为像素；j为点对的序号，j＝1，2，…，N，N为第一圆形标志边缘点点对个数；

2)对N个边缘点对所计算出的N个半径值r_j(j＝1，2，…，N)出现的次数进行统计，找出出现次数最多的半径值r_M，将与之对应的圆周上边缘点称为点Hough变换后的边缘点，并将其坐标值记录下来，

3)利用最小二乘法，对出现次数最多的半径值r_M所对应的边缘点的横纵坐标值进行拟合，求得第一圆形标志圆心O₁′的横坐标值u、纵坐标值v及半径值R， $R=\sqrt{u^2-2\stackrel{\‾}{x}u+v^2-2\stackrel{\‾}{y}v+\stackrel{\‾}{x^2}+\stackrel{\‾}{y^2}},$ 其中， $u=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $v=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $\stackrel{\‾}{x}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{x^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{y^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{{\mathrm{xy}}^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^{2}y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{\mathrm{xy}}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i/\mathrm{\Ω},$ Ω为点Hough变换确定的圆边缘像素点的个数，x_i、y_i分别表示点Hough变换确定的第i个边缘像素点的横、纵坐标值，

(2)求解CCD摄像头C₂所拍图像像素的标定值

在CCD摄像头C₂的拍摄范围内设置第二圆形标志，并由CCD摄像头C₂对圆形标志进行拍摄，获得第二圆形标志的图像，

对第二圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B′(m，n)，

I′(m，n)为采集的第二圆形标志图像数据的灰度值，T′为二值化图像分割阈值，T′＝205，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E′(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第二圆形标志圆心O₂′的横坐标值u′、纵坐标值v′及半径值R′，圆形标志半径和圆心坐标视觉检测流程图如图7所示，并将圆形标志的圆心坐标O₂′作为与牵引车固连的固连点O₂的坐标，即固连点O₂的横、纵坐标值也为u′和v′，

利用直尺直接测得第二圆形标志的直径值D_a′，单位：毫米，再计算得到CCD摄像头C₂所拍图像像素的标定值C′_v，即：C′_v＝D_a′/D′_c，单位：毫米/像素，其中，D′_c＝2R′，单位：像素，挂车横向摆动检测标定示意图如图6所示；

第二圆形标志圆心O₂′的横坐标值u′、纵坐标值v′及半径值R′的计算步骤为：

1)针对边缘图像E′(m，n)，计算圆周上任意不共线的三点A′_j′，B′_j′，C′_j′组成的点对所确定的圆的半径值r′_j′，单位为像素， $r_{j^{\′}}^{\′}=\sqrt{{(O_{j^{\′}}^{\′x^{\′}}-A_{j^{\′}}^{\′x^{\′}})}^2+{(O_{j^{\′}}^{\′y^{\′}}-A_{j^{\′}}^{\′y^{\′}})}^2},$ 其中， $O_{j^{\′}}^{\′x^{\′}}=\frac{K_{O^{\′}{M}^{\′}}^{\′j^{\′}}{M}_{x^{\′}}^{\′j^{\′}}-M_{y^{\′}}^{\′j^{\′}}-K_{O^{\′}{N}^{\′}}^{\′j^{\′}}{N}_{x^{\′}}^{\′j^{\′}}+N_{y^{\′}}^{\′j^{\′}}}{K_{O^{\′}{M}^{\′}}^{\′j^{\′}}-K_{O^{\′}{N}^{\′}}^{\′j^{\′}}},$ $O_{y^{\′}}^{\′j^{\′}}=K_{O^{\′}{M}^{\′}}^{\′j^{\′}}(O_{x^{\′}}^{\′j^{\′}}-M_{x^{\′}}^{\′j^{\′}})+M_{y^{\′}}^{\′j^{\′}},$ $(K_{O^{\′}{M}^{\′}}^{\′j^{\′}}=-\frac{A_{x^{\′}}^{\′j^{\′}}-B_{x^{\′}}^{\′j^{\′}}}{A_{y^{\′}}^{\′j^{\′}}-B_{y^{\′}}^{\′j^{\′}}}),$ $M_{x^{\′}}^{\′j^{\′}}=\frac{A_{x^{\′}}^{\′j^{\′}}+B_{x^{\′}}^{\′j^{\′}}}{2},$ $M_{y^{\′}}^{\′j^{\′}}=\frac{A_{y^{\′}}^{\′j^{\′}}+B_{y^{\′}}^{\′j^{\′}}}{2},$ $N_{x^{\′}}^{\′j^{\′}}=\frac{B_{x^{\′}}^{\′j^{\′}}+C_{x^{\′}}^{\′j^{\′}}}{2},$ $N_{y^{\′}}^{\′j^{\′}}=\frac{B_{y^{\′}}^{\′j^{\′}}+C_{y^{\′}}^{\′j^{\′}}}{2},$

和

分别为第j′个点对中A′_j′的横坐标值和纵坐标值，单位为像素，

和

分别为第j′个点对中B′_j′的横坐标值和纵坐标值，单位为像素，

和

分别为第j′个点对中C′_j′的横坐标值和纵坐标值，单位为像素；j′为点对的序号，j′＝1，2，…，N′，N′为第二圆形标志边缘点点对个数；

2)对N′个边缘点对所计算出的N′个半径值r′_j′(j′＝1，2，…，N′)出现的次数进行统计，找出出现次数最多的半径值r′_M，将与之对应的圆周上边缘点称为点Hough变换后的边缘点，并将其坐标值记录下来，

3)利用最小二乘法，对出现次数最多的半径值r′_M所对应的边缘点的横纵坐标值进行拟合，求得第二圆形标志圆心O₂′的横坐标值u′、纵坐标值v′及半径值R′， $R^{\′}=\sqrt{u^{\′2}-2\stackrel{\‾}{x^{\′}}{u}^{\′}+v^{\′2}-2\stackrel{\‾}{y^{\′}}{v}^{\′}+\stackrel{\‾}{x^{\′2}}+\stackrel{\‾}{y^{\′2}}},$ 其中， $u^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{x^{\′}{y}^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $v^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{{x^{\′}y}^{\′2}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $\stackrel{\‾}{x^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x_{i^{\′}}^{\′}y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ Ω′为点Hough变换确定的圆边缘像素点的个数，x′_i′、y′_i′分别表示点Hough变换后的第i′个边缘点的横、纵坐标值，

2、在CCD摄像头C₁和CCD摄像头C₂的拍摄范围内设置白色直线标志线，实时测量给定速度下汽车列车横向摆动值，直线标志线视觉检测流程图如图8所示

(1)直线标志线参数检测模块243和固连点到直线标志线距离检测模块244用于：实时测量固连点O₁到CCD摄像头C₁拍摄的白色直线标志线的距离

1)直线标志线图像预处理

对C₁实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁(m，n)，

I₁(m，n)为采集的直线标志线图像数据的灰度值，T₁为二值化图像分割阈值，T₁＝230，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁(m，n)，

m、n分别为当前位置像素的横、纵坐标，

2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a+bx，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′2}\end{array}\right]\·\left[\begin{array}{c}a\\ b\end{array}\right]=\left[\begin{array}{c}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{y}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}{y}_k^{\′}\end{array}\right]$ 得到a，b值，a，b为牵引车上CCD摄像头C₁采集的图像拟合出的直线标志线参数，N₁为直线标志线边缘点的像素个数，x′_k、y′_k分别表示直线标志线第k个边缘点的横、纵坐标值，k＝1，2，…，N₁，

3)固连点O₁到直线标志线距离

利用点到直线的距离公式，求得第t次牵引车上的固连点O₁到直线标志线的矢量距离P_1t，

其中u、v分别为固连点O₁在图像上的横、纵坐标值，

(2)直线标志线参数检测模块243和固连点到直线标志线距离检测模块244还用于：实时测量固连点O₂到CCD摄像头C₂拍摄的白色直线标志线的距离

1)直线标志线图像预处理

对C₂实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁′(m，n)，

I₁′(m，n)为采集的直线标志线图像数据的灰度值，T₁′为二值化图像分割阈值，T₁′＝220，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁′(m，n)，

m、n分别为当前位置像素的横、纵坐标，同理，可求得C₂采集的白色标志线图像二值化后及边缘检测后的图像的灰度值，

2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a′+b′x，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1^{\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′2}\end{array}\right]\·\left[\begin{array}{c}{a}^{\′}\\ b^{\′}\end{array}\right]=\left[\begin{array}{c}\underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{y}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}{y}_{k^{\′\′}}^{\′\′}\end{array}\right]$ 得到a′，b′值，a′，b′为牵引车上CCD摄像头C₂采集的图像拟合出的直线标志线参数，N₁′为直线标志线边缘点的像素个数，x″_k′、y″_k′分别表示直线标志线第k′个边缘点的横、纵坐标值，k′＝1，2，…，N₁′，

3)固连点O₂到直线标志线距离的计算

利用点到直线的距离公式，求得第t次牵引车上的固连点O₂到直线标志线的矢量距离P_2t，其中u′、v′分别为固连点O₂在图像上的横、纵坐标值，

3、所述的GPS速度实时计算模块245用于：给定速度下，汽车列车横向摆动值计算

首先，利用GPS实时获得列车第t时刻的北向速度V_Nt和东向速度V_Et，根据速度合成公式，求得第t时刻汽车列车沿直线标志线方向的瞬时速度V_t，即

汽车列车沿标志线方向的速度合成示意图如图9所示，接着，分别计算第t时刻牵引车距离直线标志线的偏离值W_1t和挂车距离直线标志线的偏离值W_2t：即W_1t＝P_1t·C_v，W_2t＝P_2t·C′_v，t＝1，2，3，…，N_c，N_c为测试次数，N_c＝1000；将速度V_t控制在[V_min，V_max]内，计算并记录当前速度范围[V_min，V_max]下汽车列车在第t时刻的横向摆动值S_t，即S_t＝|W_1t-W_2t|，其中，V_min为当前速度范围下的最小值，V_max为当前速度范围下的最大值；

4、统计计算模块246用于：汽车列车最大横向摆动量计算

对检测过程中记录的各时刻横向摆动值进行统计比较，找出当前速度范围下汽车列车的最大横向摆动量S_Max，S_Max＝Max{S_t}。

5、横向稳定性辨识模块247用于：汽车列车直线行驶横向稳定性的判断

将当前速度范围[V_min，V_max]下汽车列车的最大横向摆动量S_Max同预先设定的横向摆动量阈值S_Th进行比较，S_Th＝10毫米，若S_Max＞S_Th，则汽车列车在当前速度范围下直线行驶不满足横向稳定性的要求，反之，若S_Max≤S_Th，则汽车列车在当前速度范围下直线行驶满足横向稳定性的要求。

Claims (2)

1.一种汽车列车直线行驶横向稳定性自动辨识系统，其特征在于，所述的汽车列车包括牵引车和挂车，所述辨识系统包括：液晶显示屏(1)、PC104车载计算机(2)、DH-CG320图像采集卡(3)、CCD摄像头C₁(4)、CCD摄像头C₂(5)、车载电源(6)、GPS(7)，在PC104车载计算机(2)上中央处理器(22)通过显卡(21)连接液晶显示屏(1)、通过串行端口(25)连接GPS(7)、通过PC104总线(23)连接DH-CG320图像采集卡(3)、通过数据线连接硬盘(24)，在DH-CG320图像采集卡(3)上通过数据线连接CCD摄像头C₁(4)和CCD摄像头C₂(5)，车载电源(6)通过电源线分别跟PC104车载计算机(2)、CCD摄像头C₁(4)、CCD摄像头C₂(5)和GPS(7)供电，CCD摄像头C₁和CCD摄像头C₂分别安装在牵引车前桥和挂车后桥下方，在CCD摄像头C₁和CCD摄像头C₂的拍摄范围内设置白色直线标志线，CCD摄像头C₁用于牵引车下方图像信息的采集，CCD摄像头C₂用于挂车下方图像信息的采集；另外，在牵引车上方安装GPS，负责实时采集汽车列车行驶速度，所述硬盘(24)中至少包括：用于检测圆形标志圆心坐标及直径的机器视觉检测模块(241)、用于CCD摄像机像素标定的摄像机像素标定模块(242)，用于提取直线标志线参数的直线标志线参数检测模块(243)、用于计算固连点到直线标志线距离的固连点到直线标志线距离检测模块(244)、用于计算汽车列车行驶速度的GPS速度实时计算模块(245)、用于统计汽车列车最大横向摆动量并用于确定当前速度范围下汽车列车最大横向摆动量S_Max的统计计算模块(246)，用于判断汽车列车直线行驶横向稳定性的横向稳定性辨识模块(247)。

2.根据权利要求1所述的汽车列车直线行驶横向稳定性自动辨识系统，其特征在于，

所述摄像机像素标定模块(242)分别用于：求解CCD摄像头C₁和CCD摄像头C₂所拍图像像素的标定值

(1)求解CCD摄像头C₁所拍图像像素的标定值

在CCD摄像头C₁的拍摄范围内设置第一圆形标志，并由CCD摄像头C₁对圆形标志进行拍摄，获得第一圆形标志的图像；

对第一圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B(m，n)，

I(m，n)为采集的第一圆形标志图像数据的灰度值，T为二值化图像分割阈值，T＝210，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第一圆形标志圆心O₁′的横坐标值u、纵坐标值v及半径值R，并将第一圆形标志的圆心坐标O₁′作为与牵引车固连的固连点O₁的坐标，即固连点O₁的横纵坐标值也为u和v， $R=\sqrt{u^2-2\stackrel{\‾}{x}u+v^2-2\stackrel{\‾}{y}v+\stackrel{\‾}{x^2}+\stackrel{\‾}{y^2}},$ 其中， $u=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $v=\frac{(\stackrel{\‾}{x^2}\stackrel{\‾}{y}+\stackrel{\‾}{y}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^{2}y}-\stackrel{\‾}{y^3})({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})-(\stackrel{\‾}{x^2}\stackrel{\‾}{x}+\stackrel{\‾}{x}\stackrel{\‾}{y^2}-\stackrel{\‾}{x^3}-\stackrel{\‾}{{\mathrm{xy}}^2})(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}{2({\stackrel{\‾}{x}}^2-\stackrel{\‾}{x^2})({\stackrel{\‾}{y}}^2-\stackrel{\‾}{y^2})-2{(\stackrel{\‾}{x}\stackrel{\‾}{y}-\stackrel{\‾}{\mathrm{xy}})}^2},$ $\stackrel{\‾}{x}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{x^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{y^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{{\mathrm{xy}}^2}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i^2/\mathrm{\Ω},$ $\stackrel{\‾}{x^{2}y}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i^2{y}_i/\mathrm{\Ω},$ $\stackrel{\‾}{y^3}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{y}_i^3/\mathrm{\Ω},$ $\stackrel{\‾}{\mathrm{xy}}=\underset{i=1}{\overset{\mathrm{\Ω}}{\mathrm{\Σ}}}{x}_i{y}_i/\mathrm{\Ω},$ Ω为点Hough变换确定的圆边缘像素点的个数，x_i、y_i分别表示点Hough变换确定的第i个边缘像素点的横、纵坐标值，

利用直尺直接测得第一圆形标志的直径值D_a，单位：毫米，再计算得到CCD摄像头C₁所拍图像像素的标定值C_v，即：C_v＝D_a/D_c，单位：毫米/像素，其中，D_c＝2R，单位：像素，

(2)求解CCD摄像头C₂所拍图像像素的标定值

在CCD摄像头C₂的拍摄范围内设置第二圆形标志，并由CCD摄像头C₂对圆形标志进行拍摄，获得第二圆形标志的图像；

对第二圆形标志的图像进行阈值分割并二值化处理，得到二值化图像的灰度值B′(m，n)，

I′(m，n)为采集的第二圆形标志图像数据的灰度值，T′为二值化图像分割阈值，T′＝205，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像E′(m，n)，

m、n分别为当前位置像素的横、纵坐标，接着利用点Hough变换和最小二乘法计算第二圆形标志圆心O₂′的横坐标值u′、纵坐标值v′及半径值R′，并将圆形标志的圆心坐标O₂′作为与牵引车固连的固连点O₂的坐标，即固连点O₂的横、纵坐标值也为u′和v′， $R^{\′}=\sqrt{u^{\′2}-2\stackrel{\‾}{x^{\′}}{u}^{\′}+v^{\′2}-2\stackrel{\‾}{y^{\′}}{v}^{\′}+\stackrel{\‾}{x^{\′2}}+\stackrel{\‾}{y^{\′2}}},$ 其中， $u^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{x^{\′}{y}^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $v^{\′}=\frac{(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{y^{\′}}+\stackrel{\‾}{y^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′2}{y}^{\′}}-\stackrel{\‾}{y^{\′3}})({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})-(\stackrel{\‾}{x^{\′2}}\stackrel{\‾}{x^{\′}}+\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′2}}-\stackrel{\‾}{x^{\′3}}-\stackrel{\‾}{{x^{\′}y}^{\′2}})(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}{2({\stackrel{\‾}{x^{\′}}}^2-\stackrel{\‾}{x^{\′2}})({\stackrel{\‾}{y^{\′}}}^2-\stackrel{\‾}{y^{\′2}})-2{(\stackrel{\‾}{x^{\′}}\stackrel{\‾}{y^{\′}}-\stackrel{\‾}{x^{\′}{y}^{\′}})}^2},$ $\stackrel{\‾}{x^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′2}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′}{y}_{i^{\′}}^{\′2}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′2}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x}_{i^{\′}}^{\′2}{y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{y^{\′3}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{y}_{i^{\′}}^{\′3}/{\mathrm{\Ω}}^{\′},$ $\stackrel{\‾}{x^{\′}{y}^{\′}}=\underset{i^{\′}=1}{\overset{{\mathrm{\Ω}}^{\′}}{\mathrm{\Σ}}}{x_{i^{\′}}^{\′}y}_{i^{\′}}^{\′}/{\mathrm{\Ω}}^{\′},$ Ω′为点Hough变换确定的圆边缘像素点的个数，x′_i′、y′_i′分别表示点Hough变换后的第i′个边缘点的横、纵坐标值，

利用直尺直接测得第二圆形标志的直径值D_a′，单位：毫米，再计算得到CCD摄像头C₂所拍图像像素的标定值C′_v，即：C′_v＝D_a′/D′_c，单位：毫米/像素，其中，D′_c＝2R′，单位：像素；

直线标志线参数检测模块(243)和固连点到直线标志线距离检测模块(244)用于：实时测量固连点O₁到CCD摄像头C₁拍摄的白色直线标志线的距离，

(1)直线标志线图像预处理

对C₁实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁(m，n)，

I₁(m，n)为采集的直线标志线图像数据的灰度值，T₁为二值化图像分割阈值，T₁＝230，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁(m，n)，

m、n分别为当前位置像素的横、纵坐标，

(2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a+bx，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}& \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′2}\end{array}\right]\·\left[\begin{array}{c}a\\ b\end{array}\right]=\left[\begin{array}{c}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{y}_k^{\′}\\ \underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}{x}_k^{\′}{y}_k^{\′}\end{array}\right]$ 得到a，b值，a，b为牵引车上CCD摄像头C₁采集的图像拟合出的直线标志线参数，N₁为直线标志线边缘点的像素个数，x′_k、y′_k分别表示直线标志线第k个边缘点的横、纵坐标值，k＝1，2，…，N₁，

(3)固连点O₁到直线标志线距离的计算

利用点到直线的距离公式，求得第t次牵引车上的固连点O₁到直线标志线的矢量距离P_1t，其中u、v分别为固连点O₁在图像上的横、纵坐标值；

直线标志线参数检测模块(243)和固连点到直线标志线距离检测模块(244)还用于：实时测量固连点O₂到CCD摄像头C₂拍摄的白色直线标志线的距离，

(1)直线标志线图像预处理

对C₂实时采集的白色直线标志线图像进行阈值分割并二值化处理，得到二值化图像的灰度值B₁′(m，n)，

I₁′(m，n)为采集的直线标志线图像数据的灰度值，T₁′为二值化图像分割阈值，T₁′＝220，然后，利用基于形态学的边缘检测算法，求得二值化后的边缘图像的灰度值E₁′(m，n)，

m、n分别为当前位置像素的横、纵坐标，同理，可求得C₂采集的白色标志线图像二值化后及边缘检测后的图像的灰度值，

(2)直线标志线参数计算

利用最小二乘法，拟合出直线标志线的参数方程y＝a′+b′x，并利用Gauss-Jordan消去法，求解 $\left[\begin{array}{cc}{N}_1^{\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}& \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′2}\end{array}\right]\·\left[\begin{array}{c}{a}^{\′}\\ b^{\′}\end{array}\right]=\left[\begin{array}{c}\underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{y}_{k^{\′\′}}^{\′\′}\\ \underset{k^{\′\′}=1}{\overset{N_1^{\′}}{\mathrm{\Σ}}}{x}_{k^{\′\′}}^{\′\′}{y}_{k^{\′\′}}^{\′\′}\end{array}\right]$ 得到a′，b′值，a′，b′为牵引车上CCD摄像头C₂采集的图像拟合出的直线标志线参数，N₁′为直线标志线边缘点的像素个数，x″_k′、y″_k′分别表示直线标志线第k′个边缘点的横、纵坐标值，k′＝1，2，…，N₁′，

(3)固连点O₂到直线标志线距离的计算

利用点到直线的距离公式，求得第t次牵引车上的固连点O₂到直线标志线的矢量距离P_2t，

其中u′、v′分别为固连点O₂在图像上的横、纵坐标值；

所述的GPS速度实时计算模块(245)用于：给定速度下，汽车列车横向摆动值计算，

首先，利用GPS实时获得列车第t时刻的北向速度V_Nt和东向速度V_Et，根据速度合成公式，求得第t时刻汽车列车沿直线标志线方向的瞬时速度V_t，即

接着，分别计算第t时刻牵引车距离直线标志线的偏离值W_1t和挂车距离直线标志线的偏离值W_2t：即W_1t＝P_1t·C_v，W_2t＝P_2t·C′_v，t＝1，2，3，…，N_c，N_c为测试次数，N_c＝1000；将速度V_t控制在[V_min，V_max]内，计算并记录当前速度范围[V_min，V_max]下汽车列车在第t时刻的横向摆动值S_t，即S_t＝|W_1t-W_2t|，其中，V_min为当前速度范围下的最小值，V_max为当前速度范围下的最大值；

统计计算模块(246)用于：汽车列车最大横向摆动量计算

对检测过程中记录的各时刻横向摆动值进行统计比较，找出当前速度范围下汽车列车的最大横向摆动量S_Max，S_Max＝Max{S_t}；

横向稳定性辨识模块(247)用于：汽车列车直线行驶横向稳定性的判断

将当前速度范围[V_min，V_max]下汽车列车的最大横向摆动量S_Max同预先设定的横向摆动量阈值S_Th进行比较，S_Th＝10毫米，若S_Max＞S_Th，则汽车列车在当前速度范围下直线行驶不满足横向稳定性的要求，反之，若S_Max≤S_Th，则汽车列车在当前速度范围下直线行驶满足横向稳定性的要求。

Images