CN111160118A - 钢轨磨损位置的识别方法、装置及计算机可读存储介质 - Google Patents

钢轨磨损位置的识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111160118A
CN111160118A CN201911262833.4A CN201911262833A CN111160118A CN 111160118 A CN111160118 A CN 111160118A CN 201911262833 A CN201911262833 A CN 201911262833A CN 111160118 A CN111160118 A CN 111160118A
Authority
CN
China
Prior art keywords
steel rail
image
wear
acquiring
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911262833.4A
Other languages
English (en)
Inventor
安达
江金陵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN201911262833.4A priority Critical patent/CN111160118A/zh
Publication of CN111160118A publication Critical patent/CN111160118A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种钢轨磨损位置的识别方法、装置及计算机可读存储介质，包括：获取包含磨损位置的钢轨长图像；根据获得的钢轨长图像获取钢轨区域长图像，并根据钢轨区域长图像获取一系列钢轨区域图像帧；利用预先建立的高斯混合模型判断钢轨区域图像帧中的像素是否是磨损点；对钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；根据确定的磨损点确定钢轨区域的磨损位置。由于利用了高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，进而根据磨损点确定了磨损位置，因此实现了钢轨表面磨损位置的自动识别，从而节省了人力成本，提高了识别效率。

Description

钢轨磨损位置的识别方法、装置及计算机可读存储介质
技术领域
本文涉及图像处理技术，尤指一种钢轨磨损位置的识别方法、装置及计算机可读存储介质。
背景技术
随着现代列车的行驶速度越来越快，对铁路的安全性要求也随之提高。然而，因为锈蚀、运输负载过大等问题会使得钢轨表面受到不同程度的磨损，如果不及时发现进而维护，极有可能会酿成严重的火车事故。
相关技术中，钢轨表面磨损的识别主要依靠人工的巡检与目测。
然而，这种方法十分耗费人力成本，且识别效率低下。
发明内容
本申请提供了一种钢轨磨损位置的识别方法、装置及计算机可读存储介质，能够实现钢轨磨损位置的自动识别，从而提高识别效率。
本申请提供了一种钢轨磨损位置的识别方法，包括：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
所述利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，包括：
对获得的每一帧钢轨区域图像进行如下操作：
利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象；
利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率；
当获得的概率大于预设概率，确定该像素点是磨损点。
所述根据获得的钢轨长图像获取钢轨区域长图像，包括：
对获得的钢轨长图像进行图像均衡化处理和二值化处理；
使用霍夫变换检测处理后钢轨长图像中包含的直线；
根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
所述根据钢轨区域长图像获取一系列钢轨区域图像帧，包括：
设定窗口的边长为所述钢轨区域长图像中钢轨的宽度；
沿钢轨方向以预设步长对所述钢轨区域长图像进行滑窗，得到所述一系列钢轨区域图像帧。
所述预设步长包括：所述钢轨区域长图像中钢轨的宽度的十分之一。
本申请还提供了一种钢轨磨损位置的识别装置，包括：
第一获取模块，用于获取包含磨损位置的钢轨长图像；
第二获取模块，用于根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
第一处理模块，用于利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
第二处理模块，用于对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
第三处理模块，用于根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
所述第一处理模块具体用于：
对获得的每一帧钢轨区域图像进行如下操作：
利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象；
利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率；
当获得的概率大于预设概率，确定该像素点是磨损点。
所述第二获取模块具体用于：
对获得的钢轨长图像进行图像均衡化处理和二值化处理；
使用霍夫变换检测处理后钢轨长图像中包含的直线；
根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
本申请还提供了一种钢轨磨损位置的识别装置，包括：处理器和存储器，其中，存储器中写入有以下可被处理器执行的命令：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
本申请还提供了一种计算机可读存储介质，所述存储介质上存储有计算机可执行命令，所述计算机可执行命令用于执行以下步骤：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
与相关技术相比，本申请包括：获取包含磨损位置的钢轨长图像；根据获得的钢轨长图像获取钢轨区域长图像，并根据钢轨区域长图像获取一系列钢轨区域图像帧；利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；对钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。由于利用了预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，进而根据磨损点确定了磨损位置，因此实现了钢轨表面磨损位置的自动识别，从而节省了人力成本，提高了识别效率。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例提供的一种钢轨磨损位置的识别方法的流程示意图；
图2为本申请实施例提供的一种未经过均衡化的钢轨示意图及像素直方图；
图3为本申请实施例提供的一种经过均衡化的钢轨示意图及像素直方图；
图4为本申请实施例提供的一种钢轨区域长图像示意图；
图5为本申请实施例提供的一种一系列钢轨区域图像帧的示意图；
图6为本申请实施例提供的一种钢轨区域的磨损位置的示意图；
图7为本申请实施例提供的一种钢轨磨损位置的识别装置的结构示意图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供一种钢轨磨损位置的识别方法，如图1所示，包括：
步骤101、获取包含磨损位置的钢轨长图像。
步骤102、根据获得的钢轨长图像获取钢轨区域长图像，并根据钢轨区域长图像获取一系列钢轨区域图像帧。
在一种示例性实例中，对钢轨进行检测的时候更多的是关注钢轨部分，把整张图像(包含路基和枕木)用于判断损伤位置会对模型造成干扰，降低了模型的准确率，同时也会增加计算时间降低检测效率，所以从钢轨长图像中截取钢轨区域是十分必要的。
在一种示例性实例中，根据获得的钢轨长图像获取钢轨区域长图像，包括：
首先、对获得的钢轨长图像进行图像均衡化处理和二值化处理。
在一种示例性实例中，未经过均衡化的钢轨示意图及像素直方图如图2所示，从直方图中可以看出，原图像的像素分布主要在0-0.6之间，图像偏暗，许多细节不能很好体现。经过均衡化的钢轨示意图及像素直方图如图3所示，对图像进行均衡化处理后，图像对比度明显增强，细节特征可以被更好的体现。
其次、使用霍夫变换检测处理后钢轨长图像中包含的直线。
在一种示例性实例中，由于钢轨亮度明显高于背景并且边缘可以认为是两条直线，因此可以使用霍夫变换检测处理后钢轨长图像中包含的直线。
最后、根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
在一种示例性实例中，检测到直线后记录直线横坐标并截取钢轨区域，得到钢轨区域长图像，所得到的钢轨区域长图像可以如图4所示。
在一种示例性实例中，根据钢轨区域长图像获取一系列钢轨区域图像帧，包括：
首先、设定窗口的边长为钢轨区域长图像中钢轨的宽度。
其次、沿钢轨方向以预设步长对钢轨区域长图像进行滑窗，得到一系列钢轨区域图像帧。
在一种示例性实例中，预设步长包括：钢轨区域长图像中钢轨的宽度的十分之一。
在一种示例性实例中，窗口尺寸为钢轨的宽度像素值w，设置步长为w/10，从而将长图片转化为n张w*w像素的图片，可以理解为视频中的帧，滑窗过程相当于视频的时间轴，因此，磨损点检测可以转化为视频中运动的前景提取。即将空间轴转化为了时间轴，所得到的一系列钢轨区域图像帧(假设磨损点为P点)可以如图5所示。
步骤103、利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点。
在一种示例性实例中，该步骤包括：
对获得的每一帧钢轨区域图像进行如下操作：
首先、利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象。
其次、利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率。
最后、当获得的概率大于预设概率，确定该像素点是磨损点。
在一种示例性实例中，在高斯混合模型(Gaussian Mixture Model，GMM)中，图像帧中某个像素点的时间序列构成了像素过程，如式(1)所示：
{X1,X2,...Xt}＝{I(x,y,i),1≤i≤t}
其中，(x,y)表示图像中的某一点，i表示帧数，I(x,y,i)表示第i帧图像中(x,y)位置像素点的像素值，即Xi。
在一种示例性实例中，对每个像素点建立一个由K个单高斯模型混合而成的模型如式(2)所示，
Figure BDA0002312038350000081
其中，P(Xt)表示t时刻被观观测像素值Xt出现的概率，K表示模型个数，wi,t、μi,t、Σi,t分别表示时刻t时第i个高斯分布的权重(所有权重之和为1)、均值以及协方差，η为高斯概率密度函数，如式(3)所示，
Figure BDA0002312038350000082
其中，协方差
Figure BDA0002312038350000083
σi表示标准差，I表示单位矩阵。K的值由计算机的存储空间和计算能力所决定，通常K取值3～5，K值越大，处理波动的能力越强，能够更好地模拟动态变化的环境，但同时计算量加大，处理时间变长。
由于噪声及外界环境的渐变会影响背景，所有需要不断更新背景模型，即更新每一个高斯模型的参数。通常，对于输入的当前帧图像，将其像素值与当前的K个背景模型逐一进行匹配，根据公式(4)判断，
|Xt-μi,t-1|＜2.5σi,t-1 (4)
其中，Xt为当前帧像素点在时刻t时的像素值，μi,t-1和σi,t-1分别为高斯分布的均值和标准差，如果Xt与μi,t-1满足公式(4)则认为该像素点与已有的背景模型匹配成功，并按照公式(5)增大阈值匹配的高斯分布的权重、均值及方差，且终止与后续模型的匹配。
Figure BDA0002312038350000084
其中，α为更新速率，决定了背景更新的快慢，如果取值较小，背景更新速率慢，则适应环境变化的能力相对较弱，反之，适应环境的能力强，但是容易引进噪声，相反，如果不满足公式(4)，则认为像素点与该高斯模型不匹配，则需按照公式(6)减小该高斯模型的权重，均值和方差则保持不变，并继续进行与后续高斯模型的匹配。
wi,t＝(1-α)wi,t-1 (6)
当所有高斯模型都一一进行判断而最终没有发现与当前点匹配的高斯模型，则按照wi,t/σi,t从高到低排序，以当前观测值为均值，初始化相对排在最后面的高斯模型而言一个较大的反差和较小的权重来重新构造一个高斯模型替换掉排在最后面的那个。权重更新之后，还需要按照公式(7)对其进行归一化，使各权重之和为1。
Figure BDA0002312038350000091
对模型进行更新之后，高斯模型与背景的相关程度越大，则标准差σi,t越小，权值wi,t越大。按照wi,t/σi,t从大到小进行排序后，排在前面的最有可能成为背景像素的分布，用满足公式(8)的前B个高斯模型组建背景。
Figure BDA0002312038350000092
其中，T为比例阈值，T的选择影响到检测精度和计算量，如果T取值较小，则模型将退化为单高斯，不能更好地表征背景的缓慢变化，如果T值较大，检测精度得以提高但同时会增加计算量。在这B个高斯模型中，如果至少有一个能与当前的像素值匹配成功，则当前像素值被归类为背景，否则，归类为前景。
步骤104、对钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点。
步骤105、根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
在一种示例性实例中，经过上述步骤，可以找到钢轨区域的磨损位置，所找到的钢轨区域的磨损位置可以如图6所示。
本申请实施例提供的钢轨磨损位置的识别方法，由于利用了预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，进而根据磨损点确定了磨损位置，因此实现了钢轨表面磨损位置的自动识别，从而节省了人力成本，提高了识别效率。
本申请实施例还提供一种钢轨磨损位置的识别装置，如图7所示，该钢轨磨损位置的识别装置2包括：
第一获取模块21，用于获取包含磨损位置的钢轨长图像。
第二获取模块22，用于根据获得的钢轨长图像获取钢轨区域长图像，并根据钢轨区域长图像获取一系列钢轨区域图像帧。
第一处理模块23，用于利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点。
第二处理模块24，用于对钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点。
第三处理模块25，用于根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
在一种示例性实例中，第一处理模块23具体用于：
对获得的每一帧钢轨区域图像进行如下操作：
利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象。
利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率。
当获得的概率大于预设概率，确定该像素点是磨损点。
在一种示例性实例中，第二获取模块22具体用于：
对获得的钢轨长图像进行图像均衡化处理和二值化处理。
使用霍夫变换检测处理后钢轨长图像中包含的直线。
根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
在一种示例性实例中，第二获取模块22具体用于：
设定窗口的边长为钢轨区域长图像中钢轨的宽度。
沿钢轨方向以预设步长对钢轨区域长图像进行滑窗，得到一系列钢轨区域图像帧。
在一种示例性实例中，预设步长包括：钢轨区域长图像中钢轨的宽度的十分之一。
本申请实施例提供的钢轨磨损位置的识别装置，由于利用了预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，进而根据磨损点确定了磨损位置，因此实现了钢轨表面磨损位置的自动识别，从而节省了人力成本，提高了识别效率。
在实际应用中，所述第一获取模块21、第二获取模块22、第一处理模块23、第二处理模块24和第三处理模块25由位于表钢轨磨损位置的识别装置中的中央处理器(CentralProcessing Unit，CPU)、微处理器(Micro Processor Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable GateArray，FPGA)等实现。
本申请实施例还提供一种钢轨磨损位置的识别装置，包括：处理器和存储器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任意一种所述的方法的处理。
本申请实施例还提供一种存储介质，存储介质上存储有计算机可执行命令，计算机可执行命令用于执行如上述任意一种所述的方法的处理。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种钢轨磨损位置的识别方法，其特征在于，包括：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
2.根据权利要求1所述的方法，其特征在于，所述利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点，包括：
对获得的每一帧钢轨区域图像进行如下操作：
利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象；
利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率；
当获得的概率大于预设概率，确定该像素点是磨损点。
3.根据权利要求1所述的方法，其特征在于，所述根据获得的钢轨长图像获取钢轨区域长图像，包括：
对获得的钢轨长图像进行图像均衡化处理和二值化处理；
使用霍夫变换检测处理后钢轨长图像中包含的直线；
根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
4.根据权利要求1所述的方法，其特征在于，所述根据钢轨区域长图像获取一系列钢轨区域图像帧，包括：
设定窗口的边长为所述钢轨区域长图像中钢轨的宽度；
沿钢轨方向以预设步长对所述钢轨区域长图像进行滑窗，得到所述一系列钢轨区域图像帧。
5.根据权利要求4所述的方法，其特征在于，所述预设步长包括：所述钢轨区域长图像中钢轨的宽度的十分之一。
6.一种钢轨磨损位置的识别装置，其特征在于，包括：
第一获取模块，用于获取包含磨损位置的钢轨长图像；
第二获取模块，用于根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
第一处理模块，用于利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
第二处理模块，用于对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
第三处理模块，用于根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
7.根据权利要求6所述的装置，其特征在于，所述第一处理模块具体用于：
对获得的每一帧钢轨区域图像进行如下操作：
利用获得的当前钢轨区域图像帧调整基于上一帧钢轨区域图像得到的混合高斯模型，得到更新的混合高斯模型，并将更新的混合高斯模型作为下一帧钢轨区域图像调整对象；
利用更新的混合高斯模型计算当前钢轨区域图像帧中每个像素点是磨损点的概率；
当获得的概率大于预设概率，确定该像素点是磨损点。
8.根据权利要求6所述的装置，其特征在于，所述第二获取模块具体用于：
对获得的钢轨长图像进行图像均衡化处理和二值化处理；
使用霍夫变换检测处理后钢轨长图像中包含的直线；
根据检测到的直线截取其中的钢轨区域，得到钢轨区域长图像。
9.一种钢轨磨损位置的识别装置，其特征在于，包括：处理器和存储器，其中，存储器中写入有以下可被处理器执行的命令：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机可执行命令，所述计算机可执行命令用于执行以下步骤：
获取包含磨损位置的钢轨长图像；
根据获得的钢轨长图像获取钢轨区域长图像，并根据所述钢轨区域长图像获取一系列钢轨区域图像帧；
利用预先建立的高斯混合模型判断所有钢轨区域图像帧中的像素是否是磨损点；
对所述钢轨区域长图像中的每个像素点进行如下操作：获取将该像素点判断为磨损点的钢轨区域图像帧的个数；当获得的个数大于预设个数，确定该像素点为磨损点；
根据确定的钢轨区域长图像中的磨损点确定钢轨区域的磨损位置。
CN201911262833.4A 2019-12-11 2019-12-11 钢轨磨损位置的识别方法、装置及计算机可读存储介质 Pending CN111160118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911262833.4A CN111160118A (zh) 2019-12-11 2019-12-11 钢轨磨损位置的识别方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911262833.4A CN111160118A (zh) 2019-12-11 2019-12-11 钢轨磨损位置的识别方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111160118A true CN111160118A (zh) 2020-05-15

Family

ID=70556907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911262833.4A Pending CN111160118A (zh) 2019-12-11 2019-12-11 钢轨磨损位置的识别方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111160118A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985106A (zh) * 2014-05-16 2014-08-13 三星电子（中国）研发中心 用于对强噪声图像进行多帧融合的设备和方法
CN108805837A (zh) * 2018-06-06 2018-11-13 合肥康之恒机械科技有限公司 一种动态目标高效跟踪图像数据传输方法及系统
CN109785301A (zh) * 2018-12-27 2019-05-21 北京交通大学 一种基于图像处理的钢轨波磨自动识别方法与评估方法
CN110047070A (zh) * 2019-04-22 2019-07-23 山东师范大学 一种轨道磨损程度的识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985106A (zh) * 2014-05-16 2014-08-13 三星电子（中国）研发中心 用于对强噪声图像进行多帧融合的设备和方法
CN108805837A (zh) * 2018-06-06 2018-11-13 合肥康之恒机械科技有限公司 一种动态目标高效跟踪图像数据传输方法及系统
CN109785301A (zh) * 2018-12-27 2019-05-21 北京交通大学 一种基于图像处理的钢轨波磨自动识别方法与评估方法
CN110047070A (zh) * 2019-04-22 2019-07-23 山东师范大学 一种轨道磨损程度的识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张辉 等: ""基于曲率滤波和改进 GMM 的钢轨缺陷自动视觉检测方法"", 《仪器仪表学报》 *

Similar Documents

Publication Publication Date Title
US10607089B2 (en) Re-identifying an object in a test image
US10803357B2 (en) Computer-readable recording medium, training method, and object detection device
KR102275452B1 (ko) 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치
US9947077B2 (en) Video object tracking in traffic monitoring
Sen-Ching et al. Robust techniques for background subtraction in urban traffic video
US9990546B2 (en) Method and apparatus for determining target region in video frame for target acquisition
US11574481B2 (en) Camera blockage detection for autonomous driving systems
US10373320B2 (en) Method for detecting moving objects in a video having non-stationary background
Ding et al. An adaptive road ROI determination algorithm for lane detection
CN102222214A (zh) 快速物体识别算法
CN105303153A (zh) 一种车辆车牌识别方法及装置
US20210110174A1 (en) Road obstacle detection device, road obstacle detection method, and recording medium storing a road obstacle detection program
US20150220804A1 (en) Image processor with edge selection functionality
CN105261021A (zh) 去除前景检测结果阴影的方法及装置
CN116030396B (zh) 一种用于视频结构化提取的精确分割方法
CN103985106A (zh) 用于对强噪声图像进行多帧融合的设备和方法
US20180247651A1 (en) Method and device for detecting voice activity based on image information
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
Maity et al. Background modeling and foreground extraction in video data using spatio-temporal region persistence features
US11961308B2 (en) Camera blockage detection for autonomous driving systems
CN108009480A (zh) 一种基于特征识别的图像人体行为检测方法
CN111160118A (zh) 钢轨磨损位置的识别方法、装置及计算机可读存储介质
CN107886524B (zh) 一种电梯门运动轨迹识别方法
US20150350579A1 (en) Image processing apparatus, image processing method, and storage medium
CN107067411B (zh) 一种结合密集特征的Mean-shift跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication