CN106157316A

CN106157316A - 一种基于几何匹配的铁路扣件定位算法及装置

Info

Publication number: CN106157316A
Application number: CN201610560214.3A
Authority: CN
Inventors: 彭博; 佘朝富; 李想; 李文宝; 张韬
Original assignee: Chengdu Tang Source Electrical Ltd By Share Ltd
Current assignee: Chengdu Tang Source Electrical Ltd By Share Ltd
Priority date: 2016-07-15
Filing date: 2016-07-15
Publication date: 2016-11-23

Abstract

本发明公开了一种基于几何匹配的铁路扣件定位算法及装置，涉及铁路技术领域，尤其是一种基于图像处理的铁轨扣件定位算法。本发明采用的技术方案包括：步骤1：获取一帧包含有扣件的图像；步骤2：在图像中对扣件位置进行一次定位；步骤3：在一次定位得到的图像区域中对扣件进行模板匹配得到二次定位区域；步骤4：在二次定位区域中对扣件进行特征识别，确定扣件的位置坐标。

Description

一种基于几何匹配的铁路扣件定位算法及装置

技术领域

本发明涉及铁路技术领域，尤其是一种基于图像处理的铁轨扣件定位算法。

背景技术

随着我国铁路发展的快速推进，截止目前，全国铁路运营里程已达12万公里左右。每天铁路运量已史无前例，如何保证列车安全、稳定、不间断运行已成为中国铁路人的重要使命。

铁路线路设备是铁路运输业的基础设备。合理养护铁路线路设备并及时有效的分析、预防和整治线路设备病害是保障铁路安全运输的关键。而在线路养护中，扣件的日常巡检是必检项目之一，扣件是将钢轨固定在轨枕上用以保持轨距和阻止钢轨相对轨枕发生纵横向移动的关键部件。

目前的大多数的扣件检查主要是人工检测，巡道工人对轨道线路进行实地检测，这种方式要求巡道工人负重10公斤左右的巡道包，步巡长达20公里左右，劳动强度大，且工作环境恶劣，安全性根本无法保证，检测的准确性受人为主观性影响较大，存在大量的漏检和错检现象，并且对于偏远地区无法进行有效检测。

为了解决上述问题，人们提出了一种基于机器视觉的铁轨扣件检测装置，其实现原理是在列车底部安装相机，对铁轨图像进行采集。

发明内容

本发明所要解决的技术问题是：针对上述基于机器视觉的铁轨扣件检测装置采集到的图像提供一种基于图像处理技术的扣件识别定位算法。

本发明采用的技术方案如下，包括：

步骤1：获取一帧包含有扣件的图像；

步骤2：在图像中对扣件位置进行一次定位；

步骤3：在一次定位得到的图像区域中对扣件进行模板匹配得到二次定位区域；

步骤4：在二次定位区域中对扣件进行特征识别，确定扣件的位置坐标。

所述步骤1进一步包括将图像采集装置安装在列车底部，用于采集扣件图像。

步骤2进一步包括：根据列车轨道中枕轨与扣件的相对位置在所述图像中圈出扣件可能出现的区域，将其作为一次定位区域。

步骤3进一步包括：

步骤31：确定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

步骤32：在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度Sm_(μ,v)：

{Sm}_{(μ, v)} = \frac{1}{m} Σ_{i = 1}^{m} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

式中，为模板梯度，为一次定位区域中待匹配图像区域梯度，μ,v分别表示图像的行、列，m≤待匹配图像区域的像素总数n；Xi为第i个像素点横坐标相对于μ的偏移量，Yi为i个像素点纵坐标相对于v的偏移量；

步骤33：当匹配相似度满足下列三个条件中的任意一个时，停止匹配相似度计算并将该待匹配区域作为二次定位区域：

(1)Sm_(μ,v)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

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

其中g取0或1；S^min为在已经计算出来的一次定位区域中的各待匹配区域与模板的匹配度中的最小值。

所述步骤3进一步包括：

步骤32：在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度S_μ,v：

S_{μ, v} = \frac{1}{n} Σ_{i = 1}^{n} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

式中，为模板梯度，为一次定位区域中待匹配图像区域梯度，μ,v分别表示图像的行、列，n为待匹配图像区域的像素总数，Xi为第i个像素点横坐标相对于μ的偏移量，Yi为i个像素点纵坐标相对于v的偏移量；

步骤33：取匹配相似度S_μ,v最大的待匹配图像区域为二次定位区域。

本发明还提供了一种基于几何匹配的铁路扣件定位装置，包括：

图像获取单元，用于获取一帧包含有扣件的图像；

一次定位单元，用于在图像中对扣件位置进行一次定位；

二次定位单元，用于在一次定位得到的图像区域中对扣件进行模板匹配得到二次定位区域；

特征识别单元，用于在二次定位区域中对扣件进行特征识别，确定扣件的位置坐标。

一次定位单元进一步用于根据列车轨道中枕轨与扣件的相对位置在所述图像中圈出扣件可能出现的区域，将其作为一次定位区域。

二次定位单元进一步包括：

模板梯度计算子单元，用于确定包含扣件的模板，提取模板的X方向及Y方向的梯度信息；

相似度计算子单元，用于在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度Sm_(μ,v)：

{Sm}_{(μ, v)} = \frac{1}{m} Σ_{i = 1}^{m} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

二次定位判别子单元，用于当匹配相似度满足下列三个条件中的任意一个时停止该待匹配区域的匹配相似度计算，将该待匹配区域作为二次定位区域：

(1)Sm_(μ,v)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

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

其中g取0或1；S^min为在已经计算出来的一次定位区域中的各区域与模板的匹配度中的最小值。

二次定位单元进一步包括：

相似度计算子单元，用于在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度S_μ,v：

S_{μ, v} = \frac{1}{n} Σ_{i = 1}^{n} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

二次定位判别子单元，用于取匹配度S_μ,v最大的待匹配图像区域为二次定位区域。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明首先根据枕轨与扣件的相对位置在图像中圈出扣件可能出现的区域，然后使用模板匹配进一步确定扣件所在的区域，最后采用模式识别技术对扣件区域中的扣件进行识别并确定其坐标；既提高了运算速度，降低了运算量，同时保证了检测精度。

本发明还提供了一种模板匹配的判别方法，在计算某个待匹配区域与模板的匹配相似度时，当计算到某像素点时发现计算结果已经满足设定条件便不再继续计算，而直接将该待匹配区域作为二次定位区域，进一步提高了运算速度。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明方法流程图。

图2为一次定位结果。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

如图1所示，本发明采用的技术方案包括：

步骤1：获取一帧包含有扣件的图像。

步骤2：在图像中对扣件位置进行一次定位。本领域技术人员知晓，扣件位于铁轨枕轨的两侧，将图像采集装置安装在列车底部且调整好镜头位置时，可以保证拍枕轨始终位于图像中间，而枕轨的宽度是固定的，因此可以根据枕轨的位置及枕轨的宽度、扣件的宽度查找到扣件可能出现的区域，即得到一次定位区域。参见图2。

步骤3：在一次定位得到的图像区域中对扣件进行模板匹配得到二次定位区域。

模板就是一幅已知的小图像，本发明中的模板是包含有扣件的小图像。

模板匹配就是在一幅大图像中搜寻目标，用模板遍历整个大图像，计算各个待匹配区域与模板的匹配相似度。本发明中的大图像是一次定位区域。

本实施例中包括以下步骤：

步骤31：确定包含扣件的模板，提取模板的X方向及Y方向的梯度信息。

步骤32：遍历整个一次定位得到的图像区域，对各个待匹配区域逐一进行模板匹配，计算模板与各个待测区域的匹配相似度S_μ,v：

S_{μ, v} = \frac{1}{n} Σ_{i = 1}^{n} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

式中，为模板梯度，具体是模板第i个像素的梯度值，为一次定位区域中待匹配图像区域中横坐标为μ、纵坐标为v的像素点的梯度，μ,v分别表示图像的行、列，n为待匹配图像区域的像素总数，也即是模板的像素总数，Xi为第i个像素点横坐标相对于μ的偏移量，Yi为i个像素点纵坐标相对于v的偏移量。如此计算出各个待匹配区域与模板的匹配相似度。

由于整个匹配搜索目标的过程较为耗时，有必要优化匹配搜索的进程。一个优选实施例采用平均特性来进行加速优化，即当进行匹配相似度计算时，设定一个最小相似度分值。计算以下公式：

{Sm}_{(μ, v)} = \frac{1}{m} Σ_{i = 1}^{m} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, v + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, v + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, v + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, v + Y i)}}^{T}}^{2}}};

与上式区别在于，求和对象不再是待匹配区域的全部像素点，而是其中一部分，即m≤待匹配图像区域的像素总数n。

当Sm_(μ,v)＞S^min-1+m/n时，停止计算匹配相似度，将该区域作为而次定位区域。为了加快相似度匹配测量，也可以采用判别标准：S_m＞S^min·m/n，这样匹配相似性计算将会进一步增快，但是这样就存在一个问题，若目标被遮挡部分首先计算，那么该匹配计算过程将会很慢，如此一来，部分遮挡的目标将丢失。S^min为在已经计算出来的一次定位区域中的各待匹配区域与模板的匹配度中的最小值。

因此，在另一优选实施例中采用了另一种评判标准，即满足时停止计算匹配相似度，并将该待匹配区域作为二次定位区域。其中，g代表相似性测量过程中贪婪度，g＝1时，所有待匹配区域都将在一个较为严格的标准下进行测量计算；g＝0时，匹配相似标准则相对安全宽松。实际产品中，将g值的设定功能开放给用户，用户可根据实际需要自主设定匹配相似检测的严格程度。

本步骤可采用模式识别技术对二次定位区域图像进行特征值提取，如图像灰度值、梯度值等特征值，然后再使用支持向量机对特征值进行识别，检测其与扣件样本库中的样本相似程度。基于模式识别技术的特征值识别是本领域现有技术，在此不再赘述其详细过程。

本发明还提供了一种与前述方法步骤一一对应的功能模块组成的软系统。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims

1.一种基于几何匹配的铁路扣件定位算法，其特征在于，包括：

步骤1：获取一帧包含有扣件的图像；

步骤2：在图像中对扣件位置进行一次定位；

2.根据权利要求1所述的一种基于几何匹配的铁路扣件定位算法，其特征在于，所述步骤1进一步包括将图像采集装置安装在列车底部，用于采集扣件图像。

3.根据权利要求1所述的一种基于几何匹配的铁路扣件定位算法，其特征在于，步骤2进一步包括：根据列车轨道中枕轨与扣件的相对位置在所述图像中圈出扣件可能出现的区域，将其作为一次定位区域。

4.根据权利要求1所述的一种基于几何匹配的铁路扣件定位算法，其特征在于，步骤3进一步包括：

步骤32：在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度Sm_(μ,ν)：

{Sm}_{(μ, ν)} = \frac{1}{m} Σ_{i = 1}^{m} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, ν + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, ν + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, ν + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, ν + Y i)}}^{T}}^{2}}};

式中，为模板梯度，为一次定位区域中待匹配图像区域梯度，μ,ν分别表示图像的行、列，m≤待匹配图像区域的像素总数n；Xi为第i个像素点横坐标相对于μ的偏移量，Yi为i个像素点纵坐标相对于ν的偏移量；

(1)Sm_(μ,ν)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

(3) - - - {Sm}_{(u, v)} < M I N ((S^{m i n} - 1 + \frac{1 - g \cdot S^{m i n}}{1 - g} \cdot \frac{m}{n}, (S^{\min} \cdot \frac{m}{n}));

5.根据权利要求1所述的一种基于几何匹配的铁路扣件定位算法，其特征在于，所述步骤3进一步包括：

步骤32：在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度S_μ,ν：

S_{μ, ν} = \frac{1}{n} Σ_{i = 1}^{n} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, ν + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, ν + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, ν + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, ν + Y i)}}^{T}}^{2}}};

式中，为模板梯度，为一次定位区域中待匹配图像区域梯度，μ,ν分别表示图像的行、列，n为待匹配图像区域的像素总数，Xi为第i个像素点横坐标相对于μ的偏移量，Yi为i个像素点纵坐标相对于ν的偏移量；

步骤33：取匹配相似度S_μ,ν最大的待匹配图像区域为二次定位区域。

6.一种基于几何匹配的铁路扣件定位装置，其特征在于，包括：

图像获取单元，用于获取一帧包含有扣件的图像；

一次定位单元，用于在图像中对扣件位置进行一次定位；

7.根据权利要求6所述的一种基于几何匹配的铁路扣件定位装置，其特征在于，一次定位单元进一步用于根据列车轨道中枕轨与扣件的相对位置在所述图像中圈出扣件可能出现的区域，将其作为一次定位区域。

8.根据权利要求6所述的一种基于几何匹配的铁路扣件定位装置，其特征在于，二次定位单元进一步包括：

相似度计算子单元，用于在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度Sm_(μ,ν)：

{Sm}_{(μ, ν)} = \frac{1}{m} Σ_{i = 1}^{m} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, ν + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, ν + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, ν + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, ν + Y i)}}^{T}}^{2}}};

(1)Sm_(μ,ν)＞S^min-1+m/n；

(2)Sm_(u,v)＞S^min·m/n；

(3) - - - {Sm}_{(u, v)} < M I N ((S^{m i n} - 1 + \frac{1 - g \cdot S^{m i n}}{1 - g} \cdot \frac{m}{n}, (S^{\min} \cdot \frac{m}{n}));

9.根据权利要求6所述的一种基于几何匹配的铁路扣件定位算法，其特征在于，二次定位单元进一步包括：

相似度计算子单元，用于在一次定位得到的图像区域中逐一进行模板匹配，计算各个区域的匹配相似度S_μ,ν：

S_{μ, ν} = \frac{1}{n} Σ_{i = 1}^{n} \frac{(G_{x_{i}}^{T} \cdot G_{x_{(μ + X i, ν + Y i)}}^{S}) + (G_{y_{i}}^{T} \cdot G_{y_{(μ + X i, ν + Y i)}}^{S})}{\sqrt{G_{x_{i}}^{T^{2}} + G_{y_{i}}^{T^{2}}} \cdot \sqrt{{G_{x_{(μ + X i, ν + Y i)}}^{T}}^{2} + {G_{y_{(μ + X i, ν + Y i)}}^{T}}^{2}}};

二次定位判别子单元，用于取匹配度S_μ,ν最大的待匹配图像区域为二次定位区域。