CN105426894B - 铁道塞钉图像检测方法及装置 - Google Patents

Abstract

本发明提供了铁道塞钉图像检测方法及装置，其中方法包括：获取轨道图像；对于获取的每一张轨道图像，将当前轨道图像分成多个子区域，在每个子区域中，采用平滑区间自适应的局部三值模式LTP算法生成子区域的明度局部二值模式LBP特征直方图和子区域的暗度LBP特征直方图，拼接明度LBP特征直方图和暗度LBP特征直方图得到子区域的特征直方图；拼接当前轨道图像的所有子区域的特征直方图，得到当前轨道图像的图像特征；根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。本发明能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

Description

铁道塞钉图像检测方法及装置

技术领域

本发明涉及图像处理领域，特别涉及铁道塞钉图像检测方法及装置。

背景技术

塞钉是一种位于轨腰处的电务轨旁设备，是提供轨道占用信号的关键设备之一，直接影响铁路信号的传输从而影响行车安全。实际生产生活中，需要对塞钉进行巡检，以保证铁路安全行车。

传统的塞钉巡检方法是人工上道巡检，由于上道巡检受各种外界因素影响，并且可巡检时间较短，导致人工上道巡检塞钉至少存在如下问题：检测时间短；故障处理时间短；危险性高；受外界环境因素影响明显。为了应对人工上道巡检塞钉的上述问题，现有技术提供了一种半自动塞钉巡检方法，主要包括拍摄轨道图像，人工从大量的轨道图像中筛选出塞钉图像，人工通过塞钉图像对塞钉进行检查，判断塞钉是否符合各项要求。

上述的半自动塞钉巡检方法虽然令工作人员有足够的时间进行塞钉检查，并且降低了巡检危险性，然而大量的轨道图像中只有很少一部分图像包含塞钉图像，依靠人工的方式从大量的轨道图像中筛选出塞钉图像，具有筛选难度大、筛选效率低下的缺陷，进而导致塞钉巡检效率低下。

发明内容

本发明提供了铁道塞钉图像检测方法及装置，能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

第一方面，本发明实施例提供了铁道塞钉图像检测方法，包括以下步骤：

利用安装在轨道巡检车上的图像采集设备获取轨道图像；

对于获取的每一张所述轨道图像，将当前轨道图像分成多个子区域，在每个所述子区域中，采用平滑区间自适应的LTP(local ternary pattern，局部三值模式)算法生成该子区域的明度LBP(Local Binary Patterns，局部二值模式)特征直方图和该子区域的暗度LBP特征直方图，拼接所述明度LBP特征直方图和所述暗度LBP特征直方图得到所述子区域的特征直方图；

拼接所述当前轨道图像的所有所述子区域的特征直方图，得到所述当前轨道图像的图像特征；

根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像。

结合第一方面，本发明实施例提供了第一方面第一种可能的实施方式，其中，所述利用安装在轨道巡检车上的图像采集设备获取轨道图像，包括：

在轨道巡检车的车体底部两侧限界范围内分别安装线阵相机，所述线阵相机的镜头指向轨道外侧轨腰区域，所述线阵相机的镜头指向与所述轨道的轨面夹角范围为[30°-a，30°+a]，a为预设角度，利用所述线阵相机获取轨道图像。

结合第一方面，本发明实施例提供了第一方面第二种可能的实施方式，其中，所述采用平滑区间自适应的局部三值模式LTP算法生成所述子区域的明度局部二值模式LBP特征直方图和所述子区域的暗度LBP特征直方图，包括：

以每个像素点为中心，根据所述每个像素点周围区域的明暗情况确定所述每个像素点的平滑区间；

根据所述每个象素点的平滑区间利用LTP算法生成所述每个像素点的LTP编码；

将所述每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码；

统计所述子区域内所有像素点的明度LBP编码，得到所述子区域的明度LBP特征直方图，统计所述子区域内所有像素点的暗度LBP编码，得到所述子区域的暗度LBP特征直方图。

结合第一方面第二种可能的实施方式，本发明实施例提供了第一方面第三种可能的实施方式，其中，所述以每个像素点为中心，根据所述每个像素点周围区域的明暗情况确定所述每个像素点的平滑区间，包括：

利用公式t＝t₀×σ确定所述每个像素点的平滑区间；其中，t为所述每个象素点的平滑区间，t₀为预设常数，σ为所述每个像素点周围区域内各个像素点的像素灰度值的标准差。

结合第一方面第二种可能的实施方式，本发明实施例提供了第一方面第四种可能的实施方式，其中，所述根据所述每个象素点的平滑区间利用LTP算法生成所述每个像素点的LTP编码，包括；

利用以下公式生成所述每个像素点的LTP编码；

其中，t为所述每个像素点的平滑区间，i_c为所述每个像素点的灰度值，u为所述每个像素点周围区域的各个像素点的灰度值，s(u,i_c,t)为所述每个像素点的LTP编码。

结合第一方面第二种可能的实施方式，本发明实施例提供了第一方面第五种可能的实施方式，其中，所述将所述每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码，包括：

将所述每个像素点的LTP编码中值为“-1”的编码置为“0”，得到所述每个像素点的明度LBP编码；

将所述每个像素点的LTP编码中值为“1”的编码置为“0”，值为“-1”的编码置为“1”，得到所述每个像素点的暗度LBP编码。

结合第一方面，本发明实施例提供了第一方面第六种可能的实施方式，其中，所述将当前轨道图像分成多个子区域，包括：

采用以下方式中的一种或多种将当前轨道图像分成多个子区域：区域交叠分区、区域非交叠分区、多层分区、矩形分区、圆形分区、椭圆形分区。

结合第一方面、第一方面第一种至第六种可能的实施方式，本发明实施例提供了第一方面第七种可能的实施方式，其中，在根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像之前，还包括：

利用SVM(Support Vector Machine，支持向量机)分类器对所述当前轨道图像的图像特征进行运算，得到所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度。

结合第一方面第七种可能的实施方式，本发明实施例提供了第一方面第八种可能的实施方式，其中，所述SVM分类器采用下述方法训练：

选取样本库中的塞钉图像和非塞钉图像分别作为正负样本；

对所述正负样本进行伽马校正；

基于所述明度LBP特征直方图和所述暗度LBP特征直方图提取校正后的所述正负样本的图像特征；

利用所述正负样本的图像特征对SVM分类器进行训练。

第二方面，本发明实施例提供了铁道塞钉图像检测装置，包括：

图像获取模块，用于利用安装在轨道巡检车上的图像采集设备获取轨道图像；

区域特征提取模块，用于对于获取的每一张所述轨道图像，将当前轨道图像分成多个子区域，在每个所述子区域中，采用平滑区间自适应的局部三值模式LTP算法生成所述子区域的明度局部二值模式LBP特征直方图和所述子区域的暗度LBP特征直方图，拼接所述明度LBP特征直方图和所述暗度LBP特征直方图得到所述子区域的特征直方图；

图像特征提取模块，用于拼接所述当前轨道图像的所有所述子区域的特征直方图，得到所述当前轨道图像的图像特征；

塞钉图像检测模块，用于根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像。

本发明实施例中，首先获取轨道图像，然后对当前轨道图像进行分区处理，并基于明度LBP特征直方图和暗度LBP特征直方图提取当前轨道图像的图像特征，最后根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。通过本发明实施例中的铁道塞钉图像检测方法及装置，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出本发明实施例所提供的铁道塞钉图像检测方法的第一种流程示意图；

图2示出本发明实施例所提供的线阵相机的安装位置示意图；

图3示出本发明实施例所提供的明度LBP编码和暗度LBP编码转化过程示意图；

图4示出本发明实施例所提供的铁道塞钉图像检测方法的第二种流程示意图；

图5示出本发明实施例所提供的SVM分类器的训练流程示意图；

图6示出本发明实施例所提供的铁道塞钉图像检测装置的第一种结构图；

图7示出本发明实施例所提供的铁道塞钉图像检测装置的第二种结构图；

图8示出本发明实施例所提供的铁道塞钉图像检测装置的第三种结构图。

附图标记如下：

巡检车21，第一线阵相机22，第二线阵相机23，界限24，轨面25。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到依靠人工的方式从大量的轨道图像中筛选出塞钉图像，具有筛选难度大、筛选效率低下的缺陷，进而导致塞钉巡检效率低下的问题，本发明提供了铁道塞钉图像检测方法及装置，通过图像检测的方法能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。下面结合实施例进行具体描述。

参考如图1所示的铁道塞钉图像检测方法，该方法包括以下步骤：

步骤102，利用安装在轨道巡检车上的图像采集设备获取轨道图像；

步骤104，对于获取的每一张轨道图像，将当前轨道图像分成多个子区域，在每个子区域中，采用平滑区间自适应的LTP(local ternary pattern，局部三值模式)算法生成该子区域的明度LBP(Local Binary Patterns，局部二值模式)特征直方图和该子区域的暗度LBP特征直方图，拼接明度LBP特征直方图和暗度LBP特征直方图得到该子区域的特征直方图；

步骤106，拼接当前轨道图像的所有子区域的特征直方图，得到当前轨道图像的图像特征；

步骤108，根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。

本发明实施例中，首先获取轨道图像，然后对当前轨道图像进行分区处理，并基于明度LBP特征直方图和暗度LBP特征直方图提取当前轨道图像的图像特征，最后根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。通过本发明实施例中的铁道塞钉图像检测方法，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

步骤102中，利用安装在轨道巡检车上的图像采集设备获取轨道图像，能够通过如下方法实现：在轨道巡检车的车体底部两侧限界范围内分别安装线阵相机，线阵相机的镜头指向轨道外侧轨腰区域，线阵相机的镜头指向与轨道的轨面夹角范围为[30°-a，30°+a]，其中a为预设角度，利用上述线阵相机获取轨道图像。具体地，参见如图2所示的线阵相机安装位置，图中巡检车21的行车方向垂直于纸面，第一线阵相机22和第二线阵相机23分别安装于巡检车21的车体底部，车体两侧界限24范围内。两个线阵相机的镜头指向轨道外侧轨腰附近，两个线阵相机的指向与轨面25夹角30°左右。图2中的第一线阵相机22和第二线阵相机23的工作原理为：巡检车21上安装有同步定位系统，通过同步定位系统能够利用安装在巡检车21上的轴头速度传感器获取巡检车21的运行速度脉冲信息，根据该运行速度脉冲信息触发第一线阵相机22和第二线阵相机23拍照，获取轨道图像。本发明实施例中，将线阵相机作为图像采集设备安装在巡检车上，利用线阵相机数据传输效率高、扫描频率高、适合于运动扫描成像的优点，能够准确采集到轨道图像。根据巡检车的运行速度触发线阵相机拍照，能够保证采集到的轨道图像连续无丢失。

在通过步骤102获取大量的轨道图像后，还依据公式s＝cr^γ对轨道图像进行伽马校正，其中，c和γ分别为正常数，r为轨道图像校正前的像素灰度值，s为轨道图像校正后的像素灰度值，r和s的范围在[0,1]之间。伽马校正是对人眼视觉特性较为接近的模拟，并且运算速度较快，对轨道图像进行伽马校正能够使轨道图像更易于后续的分析处理。

在对轨道图像进行伽马校正后，执行步骤104，对每张轨道图像进行分区处理，并基于明度LBP特征直方图和暗度LBP特征直方图提取每个子区域的图像特征。下面详细描述步骤104的具体过程。

步骤104中，将当前轨道图像分成多个子区域，能够通过如下过程实现：采用以下方式中的一种或多种将当前轨道图像分成多个子区域：区域交叠分区、区域非交叠分区、多层分区、矩形分区、圆形分区、椭圆形分区。具体地，把轨道图像分成若干区域，既可以采用区域交叠的分区方法，也可以采用区域不交叠但完整覆盖整个图像的方法，还可以采用多层分区的方法。针对不同的成像方式与应用场景，还可以采用不同的区域大小与区域形状，如3*3分区，6*9分区，圆形分区或者椭圆形分区等。一种优选的实施方式中，采用区域不交叠但完整覆盖整个图像的方法将每张轨道图像分成1层4个区域。本发明实施例中，采用多种方式将轨道图像分成多个子区域，能够保证针对轨道图像的特点有针对性的进行分区处理，从而提取到准确的轨道图像的图像特征。

步骤104中，采用平滑区间自适应的LTP算法生成该子区域的明度LBP特征直方图和该子区域的暗度LBP特征直方图，包括以下(a)(b)(c)(d)过程：(a)以每个像素点为中心，根据每个像素点周围区域的明暗情况确定每个像素点的平滑区间；(b)根据每个象素点的平滑区间利用LTP算法生成每个像素点的LTP编码；(c)将每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码；(d)统计该子区域内所有像素点的明度LBP编码，得到该子区域的明度LBP特征直方图，统计该子区域内所有像素点的暗度LBP编码，得到该子区域的暗度LBP特征直方图。

另外，LBP算法是一种二元模式的图像纹理特征编码方法，仍以上述3*3的像素范围为例，LBP算法的基本原理是：如果中心像素点周围的8个像素点中的某个像素点的灰度值u大于等于中心像素点的灰度值i_c，将该像素点的灰度值u用1代替，即该像素点的二值编码为1。如果某个像素点的灰度值u小于中心像素点的灰度值i_c，将该像素点的灰度值u用0代替，即该像素点的二值编码为0。与LBP算法相比，LTP算法引入了平滑区间t的概念，使得每个像素点周围区域的像素点能够用1、-1、0三种数值表示，更加精确的表示了中心像素点的局部纹理特征，并且，LTP算法比LBP算法更能够抑制噪声影响。

上述过程(a)和过程(b)中，为了利用LTP算法生成每个像素点的LTP编码，首先通过过程(a)确定LTP算法中的平滑区间t。过程(a)以每个像素点为中心，根据每个像素点周围区域的明暗情况确定每个像素点的平滑区间，包括：利用公式t＝t₀×σ确定每个像素点的平滑区间；其中，t为每个象素点的平滑区间，t₀为预设常数，σ为每个像素点周围区域内各个像素点的像素灰度值的标准差。这里每个像素点的周围区域可以根据算法目标、成像条件等选取多种的大小与形状，一种优选的实施方式中，选取3*3像素区域为每个像素点的局部区域，则中心像素点为当前要计算的像素点，周围的8个像素点为周围区域。根据公式t＝t₀×σ可知，当中心像素点和邻域像素点的灰度值较为接近，即周围区域较平滑时，σ趋于0，平滑区间t变小，反之，当周围区域不平滑时，平滑区间t变大。可见，通过公式t＝t₀×σ能够根据中心像素点周围区域的明暗情况确定中心像素点的平滑区间，从而对于不同的中心像素点，能够自适应的调节平滑区间，从而针对不同的中心像素点，利用LTP算法有针对性的描述局部纹理特征。

通过上述过程(a)和过程(b)，能够根据中心像素点周围区域的明暗情况确定LTP算法中的平滑区间，从而根据图像实际局部区域灰度分布自适应调整噪声抑制强弱，在图像平滑与图像细节保持方面取得平衡，从而更能准确描述区域特征，并提高LTP算法性能。

由于通过过程(a)和过程(b)计算得到的每个像素点的LTP编码为1、-1、0表示的三值编码，而图像处理过程中只能处理1和0的二值编码，因此在过程(a)和过程(b)后，还需要执行过程(c)将每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码。过程(c)中，将每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码，包括：(c1)将每个像素点的LTP编码中值为“-1”的编码置为“0”，得到每个像素点的明度LBP编码；(c2)将每个像素点的LTP编码中值为“1”的编码置为“0”，值为“-1”的编码置为“1”，得到每个像素点的暗度LBP编码。

具体地，参考如图3所示的明度LBP编码和暗度LBP编码转化过程，由图3所示的转化过程可知，明度LBP编码表示邻域像素点灰度值u大于等于中心像素点灰度值i_c加上平滑区间t的情况，暗度LBP编码表示邻域像素点灰度值u小于等于中心像素点灰度值i_c减去平滑区间t的情况。

在过程(a)(b)(c)的基础上，为了确定区域图像特征，还需要执行过程(d)：统计每个子区域内所有像素点的明度LBP编码，得到该子区域的明度LBP特征直方图，统计该子区域内所有像素点的暗度LBP编码，得到该子区域的暗度LBP特征直方图。步骤104中，在过程(d)之后，还将每个子区域的明度LBP特征直方图和暗度LBP特征直方图拼接起来，得到每个子区域的特征直方图。

通过步骤102和步骤104，提取到了当前轨道图像的每个子区域的特征直方图，对于当前轨道图像而言，还能够通过步骤106，拼接当前轨道图像的所有子区域的特征直方图，得到当前轨道图像的图像特征。对于每张轨道图像，都按照步骤104至步骤106的方法，提取每张轨道图像的图像特征。紧接着，还通过步骤108，根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像，从而得到检测塞钉图像的目的。

本发明实施例中，在步骤108，根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像之前，还包括以下动作：利用SVM(Support Vector Machine，支持向量机)分类器对当前轨道图像的图像特征进行运算，得到当前轨道图像的图像特征与塞钉图像的图像特征的匹配度；其中，SVM分类器采用下述方法训练：(1)选取样本库中的塞钉图像和非塞钉图像分别作为正负样本；(2)对正负样本进行伽马校正；(3)基于明度LBP特征直方图和暗度LBP特征直方图提取校正后的正负样本的图像特征，即采用上述步骤102至步骤106的方法提取图像特征；(4)利用正负样本的图像特征对SVM分类器进行训练。

具体地，上述方法(4)利用正负样本的图像特征对SVM分类器进行训练，包括：利用正负样本的图像特征采用10重交叉验证的方法对SVM分类器进行训练，得到最优分类曲面，从而完成SVM分类器的训练。一种优选的实施例中，通过上述方法(1)(2)(3)(4)对SVM分类器进行训练，利用训练好的SVM分类器检测轨道图像中是否包含塞钉图像，从而自动从大量的轨道图像中检测出塞钉图像。本发明实施例中，训练SVM分类器，利用SVM分类器检测轨道图像中是否包含塞钉图像，能够快速自动地从大量的轨道图像中检测出塞钉图像。

综上，本实施例中通过平滑区间自适应的LTP算法能够准确提取到轨道图像的图像特征，自适应调整噪声抑制强弱，在图像平滑与图像细节保持方面取得平衡，有助于后续准确检测出塞钉图像。通过本实施例中的铁道塞钉图像检测方法，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

本实施例中的平滑区间自适应的LTP算法，即首先根据每个像素点周围区域的明暗情况确定每个像素点的平滑区间，然后根据平滑区间确定LTP编码的算法，又称为ALTP(Adaptive Local Ternary Patterns，自适应局部三值模式)算法。依照前文所写，首先对图像进行分区处理，对于分区处理后的每个子区域进行平滑区间自适应的LTP算法的过程又称为APLTP(Adaptive Partition Local Ternary Patterns，自适应分区局部三值模式)算法。能够知道，ALTP算法中，计算平滑区间时和计算三值编码时局部区域的确定可以根据算法目标、成像条件等选取多种的大小与形状，计算平滑区间时的局部区域和计算三值编码时的局部区域可以相同，也可以不相同。APLTP算法中，能够针对不同的成像方式与应用场景，采用不同大小和形状的分区方法。

为了进一步说明上述的铁道塞钉图像检测方法，如图4所示，本发明实施例还提供了检测铁道塞钉图像的具体流程，该流程包括：

步骤401，图像获取。在轨道巡检车上安装线阵相机，利用线阵相机获取大量的轨道图像。

步骤402，图像校正。对于当前轨道图像而言，对当前轨道图像进行伽马校正。

步骤403，图像分区。采用区域不交叠但完整覆盖整个图像的方法将校正后的当前轨道图像分成1层4个子区域。

步骤404，计算每个像素点的平滑区间。在当前子区域中，以每个像素点为中心，设置局部区域为3*3像素的矩形区域，利用公式t＝t₀×σ确定每个像素点的平滑区间；其中，t为每个象素点的平滑区间，t₀为预设常数，σ为每个像素点周围区域内8个像素点的像素灰度值的标准差。

步骤405，计算每个像素点的LTP编码。在当前子区域中，以每个像素点为中心，设置局部区域为3*3像素的矩形区域，根据步骤404计算得到的平滑区间利用LTP算法计算每个像素点的LTP编码。

步骤406，将每个像素点的LTP编码转化为LBP编码。将步骤405计算得到的每个像素点的LTP编码转化为每个像素点的明度LBP编码和暗度LBP编码。

步骤407，统计子区域的明度LBP特征直方图和暗度LBP特征直方图。在当前子区域中，统计所有像素点的明度LBP编码，得到当前子区域的明度LBP特征直方图，统计所有像素点的暗度LBP编码，得到当前子区域的暗度LBP特征直方图。

步骤408，生成子区域的特征直方图。拼接当前子区域的明度LBP特征直方图和暗度LBP特征直方图，得到当前子区域的特征直方图。

步骤409，重复步骤404至步骤408，直到计算完所有子区域的特征直方图。

步骤410，生成轨道图像的图像特征。拼接所有子区域的特征直方图，得到当前轨道图像的图像特征。

步骤411，利用SVM分类器检测当前轨道图像是否含有塞钉图像。将当前轨道图像的图像特征输入训练好的SVM分类器内进行分析，确定当前轨道图像是否包含塞钉图像。

通过上述步骤401至步骤411，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

上述步骤411中，SVM分类器采用如图5所示的方法训练，具体包括：

步骤501，选择样本。选择一定量的塞钉图像作为正样本，一定量的非塞钉图像作为负样本。

步骤502，提取样本图像特征。采用图4中步骤402至步骤410的方法提取正负样本的图像特征。

步骤503，样本输入。将步骤502得到的图像特征输入SVM分类器。

步骤504，分类器训练。对SVM分类器进行10重交叉验证，得到最优分类曲面。

通过上述步骤501至步骤504，能够得到训练好的SVM分类器，从而利用训练好的SVM分类器检测轨道图像是否包含塞钉图像。利用SVM分类器进行图像检测具有检测快速、结果准确的优点，适用于大量的重复的检测工作。

本发明实施例中，上述提到的铁道塞钉图像检测方法适用于高铁、普通铁路与地铁区段。实验证明，通过上述的铁道塞钉图像检测方法，在满足80.0％查准率的前提下，查全率为99.9％，完全满足实际要求。

为了进一步说明上述的铁道塞钉图像检测方法，本发明实施例还提供了铁道塞钉图像检测装置，用于执行上述的铁道塞钉图像检测方法。如图6所示的铁道塞钉图像检测装置，该装置包括：

图像获取模块61，用于利用安装在轨道巡检车上的图像采集设备获取轨道图像；

区域特征提取模块62，用于对于获取的每一张轨道图像，将当前轨道图像分成多个子区域，在每个子区域中，采用平滑区间自适应的局部三值模式LTP算法生成该子区域的明度局部二值模式LBP特征直方图和该子区域的暗度LBP特征直方图，拼接上述明度LBP特征直方图和暗度LBP特征直方图得到该子区域的特征直方图；

图像特征提取模块63，用于拼接当前轨道图像的所有子区域的特征直方图，得到当前轨道图像的图像特征；

塞钉图像检测模块64，用于根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。

本发明实施例中，首先利用图像获取模块61获取轨道图像，然后利用区域特征提取模块62和图像特征提取模块63对当前轨道图像进行分区处理，并基于明度LBP特征直方图和暗度LBP特征直方图提取当前轨道图像的图像特征，最后利用塞钉图像检测模块64根据当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定当前轨道图像是否包含塞钉图像。通过本发明实施例中的铁道塞钉图像检测装置，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。

本发明实施例中，图像获取模块61包括：图像获取单元，用于在轨道巡检车的车体底部两侧限界范围内分别安装线阵相机，该线阵相机的镜头指向轨道外侧轨腰区域，该线阵相机的镜头指向与轨道的轨面夹角范围为[30°-a，30°+a]，其中a为预设角度，利用上述线阵相机获取轨道图像。本发明实施例中，将线阵相机作为图像采集设备安装在巡检车上，利用线阵相机数据传输效率高、扫描频率高、适合于运动扫描成像的优点，能够准确采集到轨道图像。

本发明实施例中，区域特征提取模块62包括：平滑区间确定单元，用于以每个像素点为中心，根据每个像素点周围区域的明暗情况确定每个像素点的平滑区间；LTP编码计算单元，用于根据每个象素点的平滑区间利用LTP算法生成每个像素点的LTP编码；LBP编码转化单元，用于将每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码；明暗度LBP特征直方图生成单元，用于统计子区域内所有像素点的明度LBP编码，得到子区域的明度LBP特征直方图，统计子区域内所有像素点的暗度LBP编码，得到子区域的暗度LBP特征直方图。

通过上述平滑区间确定单元和LTP编码计算单元，能够根据中心像素点周围区域的明暗情况确定LTP算法中的平滑区间，从而根据图像实际局部区域灰度分布自适应调整噪声抑制强弱，在图像平滑与图像细节保持方面取得平衡，从而更能准确描述区域特征，并提高LTP算法性能。

本发明实施例中，区域特征提取模块62包括：分区单元，用于采用以下方式中的一种或多种将当前轨道图像分成多个子区域：区域交叠分区、区域非交叠分区、多层分区、矩形分区、圆形分区、椭圆形分区。本发明实施例中，采用多种方式将轨道图像分成多个子区域，能够保证针对轨道图像的特点有针对性的进行分区处理，从而提取到准确的轨道图像的图像特征。

如图7所示，本发明实施例中的装置还包括匹配度计算模块71，用于利用支持向量机SVM分类器对当前轨道图像的图像特征进行运算，得到当前轨道图像的图像特征与塞钉图像的图像特征的匹配度。

如图8所示，本发明实施例中的装置还包括SVM训练模块81，用于训练SVM分类器。SVM训练模块81具体用于：选取样本库中的塞钉图像和非塞钉图像分别作为正负样本；对正负样本进行伽马校正；基于明度LBP特征直方图和暗度LBP特征直方图提取校正后的正负样本的图像特征；利用正负样本的图像特征对SVM分类器进行训练。

本发明实施例中，训练SVM分类器，利用SVM分类器检测轨道图像中是否包含塞钉图像，能够快速自动地从大量的轨道图像中检测出塞钉图像。

综上，通过本实施例中的铁道塞钉图像检测方法及装置，依据图像处理原理能够自动从大量的轨道图像中检测出塞钉图像，缓解人工筛选塞钉图像效率低下的问题，从而提高塞钉巡检效率。本实施例中通过平滑区间自适应的LTP算法能够准确提取到轨道图像的图像特征，自适应调整噪声抑制强弱，在图像平滑与图像细节保持方面取得平衡，有助于后续准确检测出塞钉图像。

本发明实施例所提供的铁道塞钉图像检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.铁道塞钉图像检测方法，其特征在于，包括以下步骤：

利用安装在轨道巡检车上的图像采集设备获取轨道图像；

对于获取的每一张所述轨道图像进行伽马校正后，将当前轨道图像分成多个子区域，在每个所述子区域中，采用平滑区间自适应的局部三值模式LTP算法生成所述子区域的明度局部二值模式LBP特征直方图和所述子区域的暗度LBP特征直方图，拼接所述明度LBP特征直方图和所述暗度LBP特征直方图得到所述子区域的特征直方图；

拼接所述当前轨道图像的所有所述子区域的特征直方图，得到所述当前轨道图像的图像特征；

根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像。

2.根据权利要求1所述的方法，其特征在于，所述利用安装在轨道巡检车上的图像采集设备获取轨道图像，包括：

在轨道巡检车的车体底部两侧限界范围内分别安装线阵相机，所述线阵相机的镜头指向轨道外侧轨腰区域，所述线阵相机的镜头指向与所述轨道的轨面夹角范围为[30°-a，30°+a]，a为预设角度，利用所述线阵相机获取轨道图像。

3.根据权利要求1所述的方法，其特征在于，所述采用平滑区间自适应的局部三值模式LTP算法生成所述子区域的明度局部二值模式LBP特征直方图和所述子区域的暗度LBP特征直方图，包括：

以每个像素点为中心，根据所述每个像素点周围区域的明暗情况确定所述每个像素点的平滑区间；

根据所述每个像 素点的平滑区间利用LTP算法生成所述每个像素点的LTP编码；

将所述每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码；

统计所述子区域内所有像素点的明度LBP编码，得到所述子区域的明度LBP特征直方图，统计所述子区域内所有像素点的暗度LBP编码，得到所述子区域的暗度LBP特征直方图。

4.根据权利要求3所述的方法，其特征在于，所述以每个像素点为中心，根据所述每个像素点周围区域的明暗情况确定所述每个像素点的平滑区间，包括：

利用公式确定所述每个像素点的平滑区间；其中，为所述每个像 素点的平滑区间，为预设常数，为所述每个像素点周围区域内各个像素点的像素灰度值的标准差。

5.根据权利要求3所述的方法，其特征在于，所述根据所述每个像 素点的平滑区间利用LTP算法生成所述每个像素点的LTP编码，包括；

利用以下公式生成所述每个像素点的LTP编码；

其中，为所述每个像素点的平滑区间，为所述每个像素点的灰度值，为所述每个像素点周围区域的各个像素点的灰度值，为所述每个像素点的LTP编码。

6.根据权利要求3所述的方法，其特征在于，所述将所述每个像素点的LTP编码转化为明度LBP编码和暗度LBP编码，包括：

将所述每个像素点的LTP编码中值为“-1”的编码置为“0”，得到所述每个像素点的明度LBP编码；

将所述每个像素点的LTP编码中值为“1”的编码置为“0”，值为“-1”的编码置为“1”，得到所述每个像素点的暗度LBP编码。

7.根据权利要求1所述的方法，其特征在于，所述将当前轨道图像分成多个子区域，包括：

采用以下方式中的一种或多种将当前轨道图像分成多个子区域：区域交叠分区、区域非交叠分区、多层分区、矩形分区、圆形分区、椭圆形分区。

8.根据权利要求1至7任一项所述的方法，其特征在于，在根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像之前，还包括：

利用支持向量机SVM分类器对所述当前轨道图像的图像特征进行运算，得到所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度。

9.根据权利要求8所述的方法，其特征在于，所述SVM分类器采用下述方法训练：

选取样本库中的塞钉图像和非塞钉图像分别作为正负样本；

对所述正负样本进行伽马校正；

基于所述明度LBP特征直方图和所述暗度LBP特征直方图提取校正后的所述正负样本的图像特征；

利用所述正负样本的图像特征对SVM分类器进行训练。

10.铁道塞钉图像检测装置，其特征在于，包括：

图像获取模块，用于利用安装在轨道巡检车上的图像采集设备获取轨道图像；

区域特征提取模块，用于对于获取的每一张所述轨道图像进行伽马校正后，将当前轨道图像分成多个子区域，在每个所述子区域中，采用平滑区间自适应的局部三值模式LTP算法生成所述子区域的明度局部二值模式LBP特征直方图和所述子区域的暗度LBP特征直方图，拼接所述明度LBP特征直方图和所述暗度LBP特征直方图得到所述子区域的特征直方图；

图像特征提取模块，用于拼接所述当前轨道图像的所有所述子区域的特征直方图，得到所述当前轨道图像的图像特征；

塞钉图像检测模块，用于根据所述当前轨道图像的图像特征与塞钉图像的图像特征的匹配度，确定所述当前轨道图像是否包含塞钉图像。