CN102490764B - 铁轨道岔缺口自动检测方法 - Google Patents

Abstract

本发明铁轨道岔缺口自动检测方法，涉及铁轨道岔的监测，步骤是：采集铁轨的状态视频图像；对所采集铁轨的状态视频图像的处理；铁轨道岔缺口状态的检测，包括定位线槽或反位线槽、确定线槽中线的位置、计算偏差和判断左偏量或右偏量是否超过2mm由此判断转辙机是否正常扳动。本发明方法完成对铁轨道岔状态的实时检测，以实时掌握铁轨道岔缺口实际状态，保证了铁轨道岔缺口监测的直观性和检测的准确性。

Description

铁轨道岔缺口自动检测方法

技术领域

本发明的技术方案涉及铁轨道岔的监测，具体地说是铁轨道岔缺口自动检测方法。

背景技术

目前我国对铁轨道岔状态的自动监测尚属空白，铁轨道岔状态的检测完全依靠人工完成，这不但耗费大量人力，而且不可能进行全天候监测和实时检测。随着铁路运营速度的提高，结合我国铁路发展的现状和国际经验，对铁轨道岔状态的全天候监测和实时检测，将成为保障铁路安全运营的关键之一。

CN200995695公开了一种铁路钢轨断轨检测装置，该装置是基于硬件电路来完成的，成本较高，包括断轨信号处理报警系统和断轨信号检测电路，对于检测铁路的钢轨断轨有一定的效用，而却完全实现不了对铁轨道岔状态的监测，因为在铁轨道岔变轨时，并不存在断轨的状态，即电路是通路，没有断路；CN1693852提供了一种仪表指针自动检测识别方法及自动读数方法，主要包括采集仪表图像、仪表图像的预处理、应用Hough变换进行指针原点检测、计算仪表图像的中心投影点来检测识别仪表指针位置等步骤，再在检测识别指针位置的基础上读出指针的值。此检测方法只适用于仪表指针自动检测，完全无法应用于铁轨道岔状态检测，原因是：第一，采集设备缺乏补光措施，照片质量不具备作为检测源；第二，该方法没有经过图像分割处理，仅仅应用了Hough变换检测线，缺乏图像纹理的检测，检测出的干扰线无法消除，不具备一定的信息量，对于铁轨道岔状态缺口无法检测。总之，现有的铁轨道岔状态的检测技术存在无法完成对铁轨道岔状态的实时检测，以实时掌握铁轨道岔缺口实际状态的缺点。

发明内容

本发明所要解决的技术问题是：提供铁轨道岔缺口自动检测方法，通过微型数字图像传感器，对铁轨道岔状态进行全天候的动态图像采集和监测，并采用无线传输技术自动上传所采集的动态图像信息，再利用特有的图像自动识别和测量技术，计算偏移量数据，完成对铁轨道岔状态的实时检测，以实时掌握铁轨道岔缺口实际状态，保证了铁轨道岔缺口监测的直观性和检测的准确性。

本发明解决该技术问题所采用的技术方案是：铁轨道岔缺口自动检测方法，步骤是：

第一步，采集铁轨的状态视频图像

采用≥704*576分辨率的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数＞25帧，采用LED补光，采集次数为8～12次/天，每次的采集视频图像长度为5～8分钟，其中优选采用分辨率为704*576～1440*900的CCD摄像机和摄像机每秒帧数26～40帧；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对该图像进行计算或分析的象素单位转换为国际单位毫米/每象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率与所用CCD摄像机的分辨率相同的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{255-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2）

来计算出图像分割的最佳阈值T，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选70～100，

（4）利用霍夫变换找出角度在80～100度间的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的检测线，此处即为线槽区域位置，线槽区域位置在铁轴上半区域为定位线槽，线槽区域位置在铁轴下半区域为反位线槽；

3.2由线槽的边缘线确定线槽中线的位置，计算式为：

$x=x_1+\frac{x_2-x_1}{2}---\left(1.3\right)$

其中x为线槽中线的横坐标，x₁为线槽左边框横坐标，x₂为线槽右边框横坐标，所有坐标的单位均为象素；

3.3计算偏差：由事先确定好的基准线与线槽中线做比较，如线槽中线在基准线的左边，则为左偏，在右边则为右偏，偏差的计算式为：

x'＝abs(x-x₀)*α    （1.4）

其中x'为偏差量，左偏时称左偏差量，右偏时称右偏差量，其单位为mm，x为线槽中线位置，其单位为象素，x₀为基准线位置，其单位为象素，α为转换率，其单位mm/象素；

3.4判断左偏量或右偏量是否超过2mm，由此判断转辙机是否正常扳动，左偏量或右偏量超过2mm为转辙机不正常扳动，反之则为转辙机正常扳动，同时将铁轨道岔缺口状态，包括定位线槽或反位线槽、转辙机正常扳动或转辙机不正常扳动以及左偏量值或右偏量值返回用户显示界面，并写入数据库文件，以便以后随时查询。

本发明的有益效果是：

与现有技术相比，本发明铁轨道岔缺口自动检测方法的突出的实质性特点是：申请人自主研制的铁轨道岔缺口自动检测技术是通过微型数字图像传感器，对铁轨道岔缺口动态图像实时采集，采用无线传输技术自动上传，通过对视频采集中的最后一帧图像进行处理，检测出对应的上缺口线，下缺口线及缺口类型，并将结果返回到用户显示界面中，最终将检测结果写入数据库及相关文件。可见本发明方法是利用特有的图像自动识别和测量技术，计算偏移量数据，实现铁轨道岔缺口监测的直观性和准确性，从而避免现场开盖检查。

与现有技术相比，本发明铁轨道岔缺口自动检测方法的显著进步如下：

（1）现有的铁轨道岔缺口检测过程中，需要人工在现场进行测量，工作效率偏低。采用本发明方法可极大地提高工作效率，由人工去现场检测矫正的频率为1次/天，提高到本发明铁轨道岔缺口自动检测方法的1次/月。本发明方法对铁路设备道岔的工作状态进行实时监测，通过缺口图像的监测实时掌握道岔设备的工作运行实际状态，通过微型摄像头采集到的转辙机的实际铁轨道岔缺口图像加以分析，得到铁轨道岔缺口状态，包括定位线槽或反位线槽、转辙机正常扳动或转辙机不正常扳动以及左偏量值或右偏量值，使铁轨道岔维护人员能够提前了解道岔工作状态的变化趋势，并及时发现存在的潜在问题，便于实现道岔相关设备的预防性状态维修，防患于未然，完成有关道岔设备工作状态有效的预警功能，提高铁轨道岔状态维修的效率。

（2）本发明方法检测精度高，精确度可以达到0.1mm。

（3）本发明方法检测速度快，每处理检测一个点的数据，检测识别时间<30S；

（4）本发明方法应用到铁轨道岔缺口检测中，给客户展示出检测结果及图像，减少了客户的工作成本，大大的提高了铁轨道岔缺口检测效率。

（5）本发明方法具有计算速度快、识别准确度高、人为因素小、操作方便、简单实用和进行自动化信息处理的优点，从而克服了纯人工铁轨道岔缺口检测时出现的视觉误差、其他人为误差和效率低下的缺点。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明铁轨道岔缺口自动检测方法的技术路线处理流程简化示意图。

图2为铁轨道岔缺口状态视频图像所涉及的基本定义介绍示意图。

图3为采用本发明方法的检测效果图之一的反位状态图。

图4为采用本发明方法的检测效果图之一的定位状态图。

图中，1.线槽，2.线槽中线，3.基准线，4.铁轴上半区，5.铁轴下半区。

具体实施方式

图1所示实施例表明，本发明铁轨道岔缺口自动检测方法的技术路线处理流程是：采集铁轨的状态视频图像→压缩视频图像并传输至控制处理主机→抓拍所采集铁轨的状态视频图像的最后一帧图像来处理→去除图像干扰噪声→图像增强→图像分割→检测是定位线槽或反位线槽→确定线槽中线→计算偏差→铁轨道岔缺口状态返回显示状态并保存数据。

图2所示实施例表明，本发明铁轨道岔缺口自动检测方法中的铁轨道岔缺口状态视频图像所涉及的基本定义有线槽1、线槽中线2、基准线3、铁轴上半区4和铁轴下半区5。

图3所示实施例表明，本发明铁轨道岔缺口自动检测方法检测到铁轨道岔缺口状态为反位状态。

图4所示实施例表明，本发明铁轨道岔缺口自动检测方法检测到铁轨道岔缺口状态为定位状态。

实施例1

第一步，采集铁轨的状态视频图像

采用800*600分辨率的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数30帧，采用LED补光，采集次数为8次/天，每次的采集视频图像长度为8分钟；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对图像进行计算或分析的象素单位转换为国际单位毫米/每象素，转换率为0.0776mm/象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率800*600的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{225-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点，这里将分段线性拉伸的两折点(x₁,y₁)和(x₂,y₂)设置为（30，30）、（130，130）；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2）

来计算出图像分割的最佳阈值T，本实施例的阈值T=125，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽1的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选100；

（4）利用霍夫变换找出角度在80度的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的检测线，此处即为线槽区域位置，本实施例的结果如图4左图所示，线槽1与检测线重合并线槽区域位置在铁轴上半区域4，按线槽区域位置判定为定位线槽；

3.2由线槽1的边缘线确定线槽中线2的位置，计算式为：

$x=30+\frac{130-30}{2}=80---\left(1.3\right)$

其中x为线槽中线2的横坐标，单位为象素；

3.3计算偏差：由事先确定好的基准线3与线槽中线2做比较，如图4左图所示，线槽中线2在基准线3的左边，为左偏，偏差为：

x'＝abs(80-114)*0.0776＝2.6384mm   （1.4）

其中x'为左偏差量，其单位为mm；

3.4由于判断左偏差大于2mm，得知转辙机非正常扳动，同时将铁轨道岔缺口状态为定位线槽、转辙机不正常扳动以及左偏量值大于2mm返回用户显示界面，并写入数据库文件，以便查询，检验效果如图4左图所示。

实施例2

第一步，采集铁轨的状态视频图像

采用1024*768分辨率的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数35帧，采用LED补光，采集次数为10次/天，每次的采集视频图像长度为10分钟；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对图像进行计算或分析的象素单位转换为国际单位毫米/每象素，转换率为0.0776mm/象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率1024*768的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{225-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点，这里将分段线性拉伸的两折点(x₁,y₁)和(x₂,y₂)设置为（30，40）、（160，120）；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2），

来计算出图像分割的最佳阈值T，本实施例的阈值T=175，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽1的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选70；

（4）利用霍夫变换找出角度在85度的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的检测线，此处即为线槽区域位置，本实施例的结果如图3右图所示，线槽1与检测线重合并线槽区域位置在铁轴下半区5判定为反位线槽；

3.2由线槽的边缘线确定线槽中线2的位置，计算式为：

$x=30+\frac{160-30}{2}=95---\left(1.3\right)$

其中x为线槽中线2的横坐标，单位为象素；

3.3计算偏差：由事先确定好的基准线3与线槽中线2做比较，如图3右图所示，线槽中线2在基准线3的右边，为右偏，偏差为：

x'＝abs(95-120)*0.0776＝1.9400mm    （1.4）

其中x'为右偏差量，其单位为mm；

3.4由于判断右偏差小于2mm，得知转辙机正常扳动，同时将铁轨道岔缺口状态为反位线槽、转辙机正常扳动以及右偏量值小于2mm返回用户显示界面，并写入数据库文件，以便查询，检验效果如图3右图所示。

实施例3

第一步，采集铁轨的状态视频图像

采用1440*900分辨率的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数40帧，采用LED补光，采集次数为12次/天，每次的采集视频图像长度为8分钟；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对图像进行计算或分析的象素单位转换为国际单位毫米/每象素，转换率为0.0776mm/象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率1440*900的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{225-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点，这里将分段线性拉伸的两折点(x₁,y₁)和(x₂,y₂)设置为（30，60）、（170，100）；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2），

来计算出图像分割的最佳阈值T，本实施例的阈值T=157，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽1的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选80；

（4）利用霍夫变换找出角度在90度的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的基准线3，此处即为线槽区域位置，本实施例的结果如图3左图所示，线槽1与基准线3重合并线槽区域位置在铁轴下半区域5判定为反位线槽；

3.2由线槽的边缘线确定线槽中线2的位置，计算式为：

$x=30+\frac{170-30}{2}=100---\left(1.3\right)$

其中x为线槽中线2的横坐标，单位为象素；

3.3计算偏差：由事先确定好的基准线3与线槽中线2做比较，如图3左图所示，线槽中线2在基准线3的左边，为左偏，偏差为：

x'＝abs(100-120)*0.0776＝1.5520mm    （1.4）

其中x'为左偏差量，其单位为mm；

3.4由于判断左偏差小于2mm，得知转辙机正常扳动，同时将铁轨道岔缺口状态为反位线槽、转辙机正常扳动以及左偏量值小于2mm返回用户显示界面，并写入数据库文件，以便查询，检验效果如图3左图所示。

实施例4

第一步，采集铁轨的状态视频图像

采用704*576分辨率的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数26帧，采用LED补光，采集次数为12次/天，每次的采集视频图像长度为8分钟；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对图像进行计算或分析的象素单位转换为国际单位毫米/每象素，转换率为0.0776mm/象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率704*576的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{225-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点，这里将分段线性拉伸的两折点(x₁,y₁)和(x₂,y₂)设置为（60，90）、（160，150）；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2），

来计算出图像分割的最佳阈值T，本实施例的阈值T=127，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽1的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选75；

（4）利用霍夫变换找出角度在100度的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的检测线，此处即为线槽区域位置，本实施例的结果如图4右图所示，线槽1与检测线重合并按线槽区域位置在铁轴上半区4域判定为定位线槽；

3.2由线槽的边缘线确定线槽中线的位置，计算式为：

$x=60+\frac{160-60}{2}=110---\left(1.3\right)$

其中x为线槽中线2的横坐标，单位为象素；

3.3计算偏差：由事先确定好的基准线3与线槽中线2做比较，如图4右图所示，

线槽中线2在基准线3的右边，为右偏，偏差为：

x'＝abs(110-125)*0.0776＝1.1640mm    （1.4）

其中x'为右偏差量，其单位为mm；

3.4由于判断右偏差小于2mm，得知转辙机正常扳动，同时将铁轨道岔缺口状态为定位线槽、转辙机正常扳动以及右偏量值小于2mm返回用户显示界面，并写入数据库文件，以便查询，检验效果如图4右图所示。

Claims (1)

1.铁轨道岔缺口自动检测方法，其特征在于步骤是：

第一步，采集铁轨的状态视频图像

采用分辨率为704*576～1440*900的CCD摄像机采集铁轨的状态视频图像，该摄像机每秒帧数26～40帧，采用LED补光，采集次数为8～12次/天，每次的采集视频图像长度为5～8分钟；

第二步，对所采集铁轨的状态视频图像的处理

2.1处理前的准备工作

将由第一步采集铁轨的状态视频图像压缩并传输至控制处理主机，计算出当前该计算机分辨率下的转换率，即将计算机对该图像进行计算或分析的象素单位转换为国际单位毫米/每象素；

2.2前期视频图像的处理

2.2.1打开视频，抓拍由第一步采集铁轨的状态视频图像的最后一帧图像作为状态稳定帧图像来处理，这样要处理的便是一张分辨率与所用CCD摄像机的分辨率相同的图像；

2.2.2采用中值滤波将由2.2.1得到的图像的干扰噪声去除，即将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，具体步骤如下：通过从图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据；

2.2.3对图像进行增强处理，采用分段线性拉伸方法，满足以下变换：

$f\left(x\right)=\left\{\begin{array}{cc}\frac{y_1}{x_1}x& x<x_1\\ \frac{y_2-y_1}{x_2-x_1}(x-x_1)+y_1& x_1\&le;x\&le;x_2\\ \frac{225-y_2}{255-x_2}(x-x_2)+y_2& x>x_2\end{array}\right.---\left(1.1\right)$

式中(x₁,y₁)和(x₂,y₂)是分段线性拉伸的两折点；

2.3图像分割

对经过2.2步前期处理的视频图像，采用大律法自适应阈值的图像分割方法进行图像分割，具体过程是：对于图像，记T为前景与背景的图像分割阈值，前景点数占图像比例为W₀，平均灰度为U₀，背景点数占图像比例为W₁，平均灰度为U₁，图像的总平均灰度为：U＝W₀*U₀+W₁*U₁，从最小灰度值到最大灰度值遍历查找T，当T使得大律法计算值g＝W₀*(U₀-U)²+W₁*(U₁-U)²为最大时，T即为图像分割的最佳阈值，直接应用大律法计算量较大，在实现时采用如下等价公式：

g＝W₀*W₁*(U₀-U₁)²    （1.2）

来计算出图像分割的最佳阈值T，完成分割；

第三步，铁轨道岔缺口状态的检测

利用经过上述2.2步和2.3步处理的视频图像来进行铁轨道岔缺口状态的检测，以下所提及的图像均指经过上述2.2步和2.3步处理的视频图像,步骤如下：

3.1检测是定位线槽或反位线槽

线槽的宽度可以由用户提前标定，利用Canny算子结合纹理特征检测出是定位线槽或反位线槽，具体步骤如下：

（1）降噪处理，将原始图像与高斯mask作卷积，

（2）找出图像的亮度梯度，

（3）在图像中跟踪边缘并Canny算子结束，阈值上限选255，阈值下限选70～100，

（4）利用霍夫变换找出角度在80～100度间的直线并标定；

（5）利用二值分割图像，找出线槽区域和线槽边缘重合的检测线，此处即为线槽区域位置，线槽区域位置在铁轴上半区域为定位线槽，线槽区域位置在铁轴下半区域为反位线槽；

3.2由线槽的边缘线确定线槽中线的位置，计算式为：

$x=x_1+\frac{x_2-x_1}{2}---\left(1.3\right)$

其中x为线槽中线的横坐标，x₁为线槽左边框横坐标，x₂为线槽右边框横坐标，所有坐标的单位均为象素；

3.3计算偏差：由事先确定好的基准线与线槽中线做比较，如线槽中线在基准线的左边，则为左偏，在右边则为右偏，偏差的计算式为：

x'＝abs(x-x₀)*α    （1.4）

其中x'为偏差量，左偏时称左偏差量，右偏时称右偏差量，其单位为mm，x为线槽中线位置，其单位为象素，x₀为基准线位置，其单位为象素，α为转换率，其单位mm/象素；

3.4判断左偏量或右偏量是否超过2mm，由此判断转辙机是否正常扳动，左偏量或右偏量超过2mm为转辙机不正常扳动，反之则为转辙机正常扳动，同时将铁轨道岔缺口状态，包括定位线槽或反位线槽、转辙机正常扳动或转辙机不正常扳动以及左偏量值或右偏量值返回用户显示界面，并写入数据库文件，以便以后随时查询。

Images