CN112149622B - 一种铁路道岔识别方法和系统 - Google Patents
一种铁路道岔识别方法和系统 Download PDFInfo
- Publication number
- CN112149622B CN112149622B CN202011106396.XA CN202011106396A CN112149622B CN 112149622 B CN112149622 B CN 112149622B CN 202011106396 A CN202011106396 A CN 202011106396A CN 112149622 B CN112149622 B CN 112149622B
- Authority
- CN
- China
- Prior art keywords
- line
- turnout
- inclination angle
- main line
- track
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种铁路道岔识别方法和系统。该铁路道岔识别方法和系统,通过采用Hough变换从由待识别铁路轨道图像中提取的边缘信息中筛选出直轨段。根据预设的侧线倾角阈值范围和像素点阈值从边缘二值图像中筛选得到第一道岔侧线;然后对第一道岔侧线进行精确筛选后,得到第二道岔侧线。然后分别提取第一主侧线的端点的x坐标值和第二主侧线的端点的x坐标值,得到第一、二坐标和,根据第一坐标和与第二坐标和间的数值关系,可以精确确定得到待识别铁路道的道岔类型,进而能够解决现有技术中存在的识别精确低、特征设计复杂、计算量大和识别效率低等问题。
Description
技术领域
本发明涉及图像处理和识别技术领域,特别是涉及一种铁路道岔识别方法和系统。
背景技术
铁路运输是世界经济的重要支撑,大型物质生产与流通的运输,包括生产资料和设备的运送都离不开铁路轨道。近年来随着通信、信息处理技术的不断发展,各种人工智能技术不断取得新的应用,同时智能轨道交通也越来越引起人们的关注。轨道交通的自动驾驶系统要求对铁路限界范围进行实时确定。其中轨道线中道岔信息对铁路轨道识别系统十分重要。同时精确识别轨道限界区域也可以减少一些特殊场景下的轨道作业的安全运输事故的发生,例如井下环境等。
近年来,运用图像处理技术将图像中的特定物体或区域进行识别已成为智能交通的基础性工作。对铁路单开道岔的分类可以作为轨道线识别工作的一部分,但是近年来轨道线的识别工作主要存在以下缺点:
1、缺乏对于轨道道岔区域的识别与分类,不能区分道岔主线和侧线,从而造成整体轨道识别精度低等问题;
2、特征设计复杂、计算量大、效率低;
3、对于边缘信息的提取精度不高,带来了大量的噪声线段,影响后续处理的效率。
因此,提供一种能够精确、快速识别铁路道岔的方法或系统,是本领域亟待解决的一个技术难题。
发明内容
本发明的目的是提供一种能够精确、快速识别铁路道岔的方法和系统,以解决现有技术中存在的上述问题。
为实现上述目的,本发明提供了如下方案:
一种铁路道岔识别方法,包括:
获取待识别铁路轨道的彩色图片,并从所述彩色图片中截取包含轨道线的图片区域,得到轨道线区域图片;
提取所述轨道区域图片中包含轨道线的部分边缘信息,得到所述轨道区域的边缘二值图像;
采用Hough变换从所述边缘二值图像中筛选出直轨段;所述直轨段即为道岔主线;所述道岔主线包括第一主线和第二主线;所述第一主线和所述第二主线均为所述直轨段的轨道线;
获取侧线倾角阈值范围和像素点阈值;
根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线;所述第一道岔侧线包括第一侧线和第二侧线;所述第一侧线和所述第二侧线均为与所述直轨段相连的分岔轨段的轨道线;
利用线性相关程度算法分别确定所述第一主线和所述第一侧线间的第一相关度及所述第二主线和所述第二侧线间的第二相关度;
获取预设的相关度区间阈值,并保留所述第一相关度和所述第二相关度均位于所述相关度区间阈值范围内的所述第一道岔侧线,得到第二道岔侧线;所述第二道岔侧线即为与所述道岔主线相连的道岔侧线;
分别提取所述第一主线的端点的x坐标值和所述第二主线的端点的x坐标值,得到第一坐标和;
提取所述第一侧线的端点的x坐标值和所述第二侧线的端点的x坐标值,得到第二坐标和;
根据所述第一坐标和与所述第二坐标和间的数值关系,确定待识别铁路道的道岔类型;所述道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
优选的,所述提取所述轨道区域图片中包含轨道线的部分边缘信息,得到所述轨道区域的边缘二值图像包括:
在所述轨道线区域图片中通过x和y方向上Sobel算子边缘检测叠加提取轨道区域的边缘信息,利用形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像;
优选的,所述采用Hough变换从所述边缘二值图像中筛选出直轨段,具体包括:
采用Hough变换从所述边缘二值图像中筛选出直线;
获取长度阈值和直线倾角阈值范围,并根据所述长度阈值和所述直线倾角阈值范围确定长度-倾角约束条件;
根据所述长度-倾角约束条件和所述直线确定直轨段。
优选的,所述根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线,具体包括:
根据Hough变换在边缘二值图像中筛选的直轨段和所述侧线倾角阈值范围确定所有道岔侧线;所述侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围;
分别获取所述道岔侧线中的第一侧线和所述第一主线间交点的第一y坐标值及所述道岔侧线中的第二侧线和所述第二主线间交点的第二y坐标值;
获取像素点阈值,并判断所述第一y坐标值与所述第二y坐标值间的差值是否大于所述像素点阈值,得到判断结果;
若所述判断结果为大于,则删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
优选的,所述侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角。
优选的,所述根据所述第一坐标和与所述第二坐标和间的数值关系,确定待识别铁路道的道岔类型,具体包括:
一种铁路道岔识别系统,包括:
图片获取模块,用于获取待识别铁路道的彩色图片,并从所述彩色图片中截取包含轨道线的图片区域,得到轨道线区域图片;
边缘二值图像提取模块,用于提取所述轨道区域图片中包含轨道线的部分边缘信息,得到所述轨道区域的边缘二值图像;
道岔主线筛选模块,用于采用Hough变换从所述边缘二值图像中筛选出直轨段;所述直轨段即为道岔主线;所述道岔主线包括第一主线和第二主线;所述第一主线和所述第二主线均为所述直轨段的轨道线;
阈值获取模块,用于获取侧线倾角阈值范围和像素点阈值;
第一道岔侧线筛选模块,用于根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线;所述第一道岔侧线包括第一侧线和第二侧线;所述第一侧线和所述第二侧线均为与所述直轨段相连的分岔轨段的轨道线;
相关度确定模块,用于利用线性相关程度算法分别确定所述第一主线和所述第一侧线间的第一相关度及所述第二主线和所述第二侧线间的第二相关度;
第二道岔侧线确定模块,用于获取预设的相关度区间阈值,并保留所述第一相关度和所述第二相关度均位于所述相关度区间阈值范围内的所述第一道岔侧线,得到第二道岔侧线;所述第二道岔侧线即为与所述道岔主线相连的道岔侧线;
第一坐标和确定模块,用于分别提取所述第一主线的端点的x坐标值和所述第二主线的端点的x坐标值,得到第一坐标和;
第二坐标和确定模块,用于提取所述第一侧线的端点的x坐标值和所述第二侧线的端点的x坐标值,得到第二坐标和;
道岔类型识别模块,用于根据所述第一坐标和与所述第二坐标和间的数值关系,确定待识别铁路道的道岔类型;所述道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
优选的,所述边缘二值图像提取模块,具体包括:
轨道线提取单元,用于在所述轨道线区域图片中通过x和y方向上Sobel算子边缘检测叠加提取轨道区域的边缘信息,利用形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像。
优选的,所述道岔主线筛选模块,具体包括:
直线筛选单元,用于采用Hough变换从所述轨道线中筛选出直线;
约束条件确定单元,用于获取长度阈值和直线倾角阈值范围,并根据所述长度阈值和所述直线倾角阈值范围确定长度-倾角约束条件;
直轨段确定单元,用于根据所述长度-倾角约束条件和所述直线确定直轨段。
优选的,所述第一道岔侧线筛选模块,具体包括:
道岔侧线确定单元,用于根据Hough变换在边缘二值图像中筛选的直轨段和所述侧线倾角阈值范围确定所有道岔侧线;所述侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围;其中,所述侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角;
坐标值确定单元,用于分别获取所述道岔侧线中的第一侧线和所述第一主线间交点的第一y坐标值及所述道岔侧线中的第二侧线和所述第二主线间交点的第二y坐标值;
判断单元,用于获取像素点阈值,并判断所述第一y坐标值与所述第二y坐标值间的差值是否大于所述像素点阈值,得到判断结果;
第一道岔侧线筛选单元,用于当所述判断结果为大于时,删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
优选的,所述道岔类型识别模块,具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的铁路道岔识别方法和系统,通过采用Hough变换从由待识别铁路轨道区域边缘二值图像中筛选出直轨段。根据预设的侧线倾角阈值范围和像素点阈值从边缘二值图像中筛选得到第一道岔侧线;然后对第一道岔侧线进行精确筛选后,得到第二道岔侧线。然后分别提取第一主侧线的端点的x坐标值和第二主侧线的端点的x坐标值,得到第一、二坐标和,根据第一坐标和与第二坐标和间的数值关系,可以精确确定得到待识别铁路道的道岔类型,进而能够解决现有技术中存在的识别精确低、特征设计复杂、计算量大和识别效率低等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的铁路道岔识别方法的流程图;
图2为实施例中提供的应用本发明提供的铁路道岔识别方法进行铁路道岔识别的流程细化图;
图3为本发明提供的铁路道岔识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种能够精确、快速识别铁路道岔的方法和系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的铁路道岔识别方法的流程图,如图1所示,一种铁路道岔识别方法,包括:
步骤100:获取待识别铁路道的彩色图片,并从彩色图片中截取包含轨道线的图片区域,得到轨道线区域图片。
步骤101:提取轨道区域图片中包含轨道线的部分边缘信息,得到轨道区域的边缘二值图像。
步骤102:采用Hough变换从边缘二值图像中筛选出直轨段。直轨段即为道岔主线。道岔主线包括第一主线和第二主线。第一主线和第二主线均为直轨段的轨道线。
该步骤具体包括:
步骤1021:利用轨道区域中轨道线与其他图像区域间的特征差异,通过x和y方向上Sobel算子边缘检测叠加从图像中提取出边缘信息,通过形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像;
步骤1022:采用Hough变换从轨道线中筛选出直线。
步骤1023:获取长度阈值和直线倾角阈值范围,并根据长度阈值和直线倾角阈值范围确定长度-倾角约束条件。
步骤1024:根据长度-倾角约束条件和直线确定直轨段。
步骤103:获取侧线倾角阈值范围和像素点阈值。
步骤104:根据侧线倾角阈值范围和像素点阈值所筛选的直轨段中筛选得到第一道岔侧线。第一道岔侧线包括第一侧线和第二侧线。第一侧线和第二侧线均为与直轨段相连的分岔轨段的轨道线。
该步骤具体包括:
步骤1041:根据侧线倾角阈值范围确定所有道岔侧线。侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围。其中,侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角。
步骤1042:分别获取道岔侧线中的第一侧线和第一主线间交点的第一y坐标值及道岔侧线中的第二侧线和第二主线间交点的第二y坐标值。
步骤1043:获取像素点阈值,并判断第一y坐标值与第二y坐标值间的差值是否大于像素点阈值,得到判断结果。
步骤1044:若判断结果为大于,则删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
步骤105:利用线性相关程度算法分别确定第一主线和第一侧线间的第一相关度及第二主线和第二侧线间的第二相关度。
步骤106:获取预设的相关度区间阈值,并保留第一相关度和第二相关度均位于相关度区间阈值范围内的第一道岔侧线,得到第二道岔侧线。第二道岔侧线即为与道岔主线相连的道岔侧线。
步骤107:分别提取第一主线的端点的x坐标值和第二主线的端点的x坐标值,得到第一坐标和。
步骤108:提取第一侧线的端点的x坐标值和第二侧线的端点的x坐标值,得到第二坐标和。
步骤109:根据第一坐标和与第二坐标和间的数值关系,确定待识别铁路道的道岔类型。道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
该步骤具体包括:
下面提供一个具体实施案例进一步说明本发明的方案,本发明具体实施案例中以采集得到的彩色图片为24位真彩色图片为例进行详细阐述,在具体应用时,本发明的方案也适用于其他类型的彩色图片或影像。
如图2所示,采用本发明提供的铁路道岔识别方法识别24位真彩色图片中的铁路道岔的类型,主要通过采集、图像处理、轨道线提取和道岔分类四个部分完成。
具体包括如下步骤:
步骤1:摄像头安装在列车前方正中央,保证通过摄像头采集的图像中垂线为车辆行驶的正前方,然后调整摄像头的俯仰角到图像中轨道区域占据图片的一半。
从摄像头采集得到的24位真彩色图片,调整截取的部分图片大小,使其宽和高的像素分别为550、390,确定待处理区域的图像大小为550x390。待处理区域位于图像正中央下方区域,例如图像大小为1280x720,则裁剪区域具体为(365:915,330:720)。
对于截取的轨道线区域,首先经过图像灰度化将图片转换成灰度图像,然后经过直方图均衡化以及中值滤波过程,加强图像细节,减少光照变换对图像的影响。
步骤2:利用轨道线和周围部分形成的梯度、亮度等特征差异,通过x和y方向上Sobel算子边缘检测叠加提取出包括轨道线的边缘信息。
对于提取的边缘信息二值图像,使用3x1大小的线性结构元素做两次腐蚀操作,然后使用5x3大小的全1结构元素做两次膨胀操作,最后使用3x5大小的全1结构元素做一次腐蚀操作,突出轨道线信息,并且进一步过滤噪声信息。
步骤3:图像中轨道线曲率较小,在摄像头的视觉变换影响下,图像上轨道线总有一段较长的直轨段,在步骤2得到的边缘二值图像上,通过基于累加特性的改进Hough变换,筛选出图像中的直线边缘信息。通过基于累加特性的改进Hough变换,在Hough变换提取直线中,设定30为一条直线所需最少的曲线交点,100为一条直线的最少像素点的数量,80为像素点在一条直线上亮点的最大距离。
步骤4:对保留的直线信息添加长度和倾角约束,精确的提取Hough轨道线的直轨段。在机身前安装的视觉传感器具有固定视角,在标准轨距1435mm下,在轨的主线直轨段左右倾角记为K1和K2,设定K1和K2的阈值区间:
通过在初始的无弯轨出发场景中,约束Hough变换求解的直线倾角区间,在该方向角的范围内选取长度最长的左右轨道线直轨段,精确的完成对轨道线初始区域的提取。实际摄像头采集到的是视频流,通过前一帧的轨道线直轨段的倾角来进一步设定方向角的区间,设定前一帧倾角5%的上下溢出量作为阈值区间,进一步实现轨道线直轨段精确提取,当处于单开道岔区域时,精确提取的轨道线直轨段即为道岔主线。
步骤5:利用道岔主线和侧线在摄像头中又具有相对位置、交点等成像特征,对单开道岔的主线和侧线进行区分。设置倾角区间,侧线的左右轨道线的倾角记为C1和C2,设定0.03的溢出量将侧线和主线(即直轨段)进行有效区分。
C1和C2阈值区间设定:
情况1:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔,C1和C2的设置区间为:
情况2:侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔,C1和C2的设置区间为:
其中K1和K2分别为步骤4中轨道左右直轨段的倾角,在道岔区域即为左右主线倾角(其中左右主线即为第一、第二主线)。
进一步验证道岔侧线的精确性,分别求解记录左主线和左侧线的交点,右主线和右侧线的交点,比较两个交点y坐标值,设置30像素点为阈值,当y坐标差值小于该阈值,则保留筛选的结果,当差值高于该阈值,则忽略此结果。
步骤6:利用线性相关程度实现道岔侧线的精确提取,并利用主线和侧线的相对位置对道岔进行分类。将步骤5保留的道岔侧线和步骤4提取的道岔主线端点(共8个坐标点)进行线性相关性程度度量。在Hough变换获取直线后,将左(右)主线端点和左(右)侧线端点共4个坐标构成一个小样本,利用以下计算式:
度量了样本x和y值的线性相关程度,越接近于1,样本x和y相关程度越密切,越接近0,越不密切。设置只有当左右两个样本的相关程度同时满足该区间范围,才保留筛选到的道岔侧线,并认为该侧线即为准确的道岔侧线。
提取到的道岔主线端点坐标(共4个坐标值)的x坐标值之和,记为Xz,对于提取到的道岔主线端点坐标(共4个坐标值)的x坐标值之和,记为Xf,当侧线倾角在情况1时道岔主要分为以下两种,即:
当Xz>Xf时,该道岔类型为侧线处于主线左侧的分离型道岔。当Xz<Xf时,该道岔类型为侧线处于主线右侧的汇合型道岔。
当侧线倾角在情况1时道岔主要分为以下两种,即:
当Xz>Xf时,该道岔类型为侧线处于主线左侧的汇合型道岔。当Xz<Xf时,该道岔类型为侧线处于主线右侧的分离型道岔。
其中,在本实施例中提到的左右主线和左右侧线意同第一、第二主线和第一、第二侧线。
此外,针对上述提供的铁路道岔识别方法,本发明还对应提供了一种铁路道岔识别系统,如图3所示,该铁路道岔识别系统包括:
图片获取模块1,用于获取待识别铁路道的彩色图片,并从彩色图片中截取包含轨道线的图片区域,得到轨道线区域图片。
边缘二值图像提取模块2,用于提取所述轨道区域图片中包含轨道线的部分边缘信息,得到所述轨道区域的边缘二值图像。
道岔主线筛选模块3,用于采用Hough变换从边缘二值图像中筛选出直轨段。直轨段即为道岔主线。道岔主线包括第一主线和第二主线。第一主线和第二主线均为直轨段的轨道线。
阈值获取模块4,用于获取侧线倾角阈值范围和像素点阈值。
第一道岔侧线筛选模块5,用于根据侧线倾角阈值范围和像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线。第一道岔侧线包括第一侧线和第二侧线。第一侧线和第二侧线均为与直轨段相连的分岔轨段的轨道线。
相关度确定模块6,用于利用线性相关程度算法分别确定第一主线和第一侧线间的第一相关度及第二主线和第二侧线间的第二相关度。
第二道岔侧线确定模块7,用于获取预设的相关度区间阈值,并保留第一相关度和第二相关度均位于相关度区间阈值范围内的第一道岔侧线,得到第二道岔侧线。第二道岔侧线即为与道岔主线相连的道岔侧线。
第一坐标和确定模块8,用于分别提取第一主线的端点的x坐标值和第二主线的端点的x坐标值,得到第一坐标和。
第二坐标和确定模块9,用于提取第一侧线的端点的x坐标值和第二侧线的端点的x坐标值,得到第二坐标和。
道岔类型识别模块10,用于根据第一坐标和与第二坐标和间的数值关系,确定待识别铁路道的道岔类型。道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
作为本发明的一优选实施例,上述边缘二值图像提取模块2具体包括:
边缘信息提取单元在所述轨道线区域图片中通过x和y方向上Sobel算子边缘检测提取轨道区域的边缘信息,利用形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像;
作为本发明的另一优选实施例,上述道岔主线筛选模块3,具体包括:
直线筛选单元,用于采用Hough变换从二值图像边缘信息中筛选出直线。
约束条件确定单元,用于获取长度阈值和直线倾角阈值范围,并根据长度阈值和直线倾角阈值范围确定长度-倾角约束条件。
直轨段确定单元,用于根据长度-倾角约束条件从直线中确定直轨段。
作为本发明的又一优选实施例,上述第一道岔侧线筛选模块5具体包括:
道岔侧线确定单元,用于根据Hough变换在边缘二值图像中筛选的直轨段和所述侧线倾角阈值范围确定所有道岔侧线。侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围。其中,侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角。
坐标值确定单元,用于分别获取道岔侧线中的第一侧线和第一主线间交点的第一y坐标值及道岔侧线中的第二侧线和第二主线间交点的第二y坐标值。
判断单元,用于获取像素点阈值,并判断第一y坐标值与第二y坐标值间的差值是否大于像素点阈值,得到判断结果。
第一道岔侧线筛选单元,用于当判断结果为大于时,删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
作为本发明的再一优选实施例,上述道岔类型识别模块10具体包括:
综上,本发明提供的铁路道岔识别方法和系统相较于现有技术具有以下优点:
1、相比于单一的轨道线检测项目,本发明弥补了缺乏道岔识别的缺点,提高了对于轨道线整体识别的完整性。且道岔的识别分类增强了轨道线的识别精度,避免道岔侧线对主线识别的干扰。
2、采用倾角、相对位置等特征设计,使得整个识别过程简单易实现、效率高。
3、应用Sobel算子检测边缘、图像形态学处理边缘信息、过滤噪声等方法,在降低计算量的同时,进一步提高了整体轨道线识别的效率和精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种铁路道岔识别方法,其特征在于,包括:
获取待识别铁路道的彩色图片,并从所述彩色图片中截取包含轨道线的图片区域,得到轨道区域图片;
提取所述轨道区域图片中包含轨道线的部分边缘信息,得到轨道区域图片的边缘二值图像;
采用Hough变换从所述边缘二值图像中筛选出直轨段;所述直轨段即为道岔主线;所述道岔主线包括第一主线和第二主线;所述第一主线和所述第二主线均为所述直轨段的轨道线;
获取侧线倾角阈值范围和像素点阈值;
根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线;所述第一道岔侧线包括第一侧线和第二侧线;所述第一侧线和所述第二侧线均为与所述直轨段相连的分岔轨段的轨道线;
利用线性相关程度算法分别确定所述第一主线和所述第一侧线间的第一相关度及所述第二主线和所述第二侧线间的第二相关度;
获取预设的相关度区间阈值,并保留所述第一相关度和所述第二相关度均位于所述相关度区间阈值范围内的所述第一道岔侧线,得到第二道岔侧线;所述第二道岔侧线即为与所述道岔主线相连的道岔侧线;
分别提取所述第一主线的端点的x坐标值和所述第二主线的端点的x坐标值,得到第一坐标和;
提取所述第一侧线的端点的x坐标值和所述第二侧线的端点的x坐标值,得到第二坐标和;
根据所述第一坐标和与所述第二坐标和间的数值关系,确定待识别铁路道的道岔类型;所述道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
2.根据权利要求1所述的铁路道岔识别方法,其特征在于,所述提取所述轨道区域图片中包含轨道线的部分边缘信息,得到轨道区域图片的边缘二值图像,具体包括:
在所述轨道区域图片中通过x和y方向上Sobel算子边缘检测叠加提取轨道区域的边缘信息,利用形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像。
3.根据权利要求1所述的铁路道岔识别方法,其特征在于,采用Hough变换从所述边缘二值图像中筛选出直轨段,具体包括:
采用Hough变换从所述轨道线中筛选出直线;
获取长度阈值和直线倾角阈值范围,并根据所述长度阈值和所述直线倾角阈值范围确定长度-倾角约束条件;
根据所述长度-倾角约束条件和所述直线确定直轨段。
4.根据权利要求1所述的铁路道岔识别方法,其特征在于,所述根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线,具体包括:
根据Hough变换在边缘二值图像中筛选的直轨段和所述侧线倾角阈值范围确定所有道岔侧线;所述侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围;其中,所述侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角;
分别获取所述道岔侧线中的第一侧线和所述第一主线间交点的第一y坐标值及所述道岔侧线中的第二侧线和所述第二主线间交点的第二y坐标值;
获取像素点阈值,并判断所述第一y坐标值与所述第二y坐标值间的差值是否大于所述像素点阈值,得到判断结果;
若所述判断结果为大于,则删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
6.一种铁路道岔识别系统,其特征在于,包括:
图片获取模块,用于获取待识别铁路道的彩色图片,并从所述彩色图片中截取包含轨道线的图片区域,得到轨道区域图片;
边缘二值图像提取模块,用于提取所述轨道区域图片中包含轨道线的部分边缘信息,得到轨道区域图片的边缘二值图像;
道岔主线筛选模块,用于采用Hough变换从所述边缘二值图像中筛选出直轨段;所述直轨段即为道岔主线;所述道岔主线包括第一主线和第二主线;所述第一主线和所述第二主线均为所述直轨段的轨道线;
阈值获取模块,用于获取侧线倾角阈值范围和像素点阈值;
第一道岔侧线筛选模块,用于根据所述侧线倾角阈值范围和所述像素点阈值从所筛选的直轨段中筛选得到第一道岔侧线;所述第一道岔侧线包括第一侧线和第二侧线;所述第一侧线和所述第二侧线均为与所述直轨段相连的分岔轨段的轨道线;
相关度确定模块,用于利用线性相关程度算法分别确定所述第一主线和所述第一侧线间的第一相关度及所述第二主线和所述第二侧线间的第二相关度;
第二道岔侧线确定模块,用于获取预设的相关度区间阈值,并保留所述第一相关度和所述第二相关度均位于所述相关度区间阈值范围内的所述第一道岔侧线,得到第二道岔侧线;所述第二道岔侧线即为与所述道岔主线相连的道岔侧线;
第一坐标和确定模块,用于分别提取所述第一主线的端点的x坐标值和所述第二主线的端点的x坐标值,得到第一坐标和;
第二坐标和确定模块,用于提取所述第一侧线的端点的x坐标值和所述第二侧线的端点的x坐标值,得到第二坐标和;
道岔类型识别模块,用于根据所述第一坐标和与所述第二坐标和间的数值关系,确定待识别铁路道的道岔类型;所述道岔类型包括:侧线处于主线左侧的分离型道岔、侧线处于主线右侧的分离型道岔、侧线处于主线左侧的汇合型道岔和侧线处于主线右侧的汇合型道岔。
7.根据权利要求6所述的铁路道岔识别系统,其特征在于,所述边缘二值图像提取模块,具体包括:
轨道线提取单元,用于在所述轨道区域图片中通过x和y方向上Sobel算子边缘检测叠加提取轨道区域的边缘信息,利用形态学图像处理过滤部分噪声信息,突出轨道线信息,形成二值图像。
8.根据权利要求6所述的铁路道岔识别系统,其特征在于,所述道岔主线筛选模块,具体包括:
直线筛选单元,用于采用Hough变换从所述轨道线中筛选出直线;
约束条件确定单元,用于获取长度阈值和直线倾角阈值范围,并根据所述长度阈值和所述直线倾角阈值范围确定长度-倾角约束条件;
直轨段确定单元,用于根据所述长度-倾角约束条件和所述直线确定直轨段。
9.根据权利要求6所述的铁路道岔识别系统,其特征在于,所述第一道岔侧线筛选模块,具体包括:
道岔侧线确定单元,用于根据Hough变换在边缘二值图像中筛选的直轨段和所述侧线倾角阈值范围确定所有道岔侧线;所述侧线倾角阈值范围包括:侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围,以及侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围;其中,所述侧线在右侧的交汇型道岔或侧线在主线左侧的分离型道岔的侧线倾角阈值范围为:
侧线在左侧的交汇型道岔或侧线在主线右侧的分离型道岔的侧线倾角阈值范围为:
式中,K1为第一主线的倾角,K2为第二主线的倾角,C1为第一侧线的倾角,C2为第二侧线的倾角;
坐标值确定单元,用于分别获取所述道岔侧线中的第一侧线和所述第一主线间交点的第一y坐标值及所述道岔侧线中的第二侧线和所述第二主线间交点的第二y坐标值;
判断单元,用于获取像素点阈值,并判断所述第一y坐标值与所述第二y坐标值间的差值是否大于所述像素点阈值,得到判断结果;
第一道岔侧线筛选单元,用于当所述判断结果为大于时,删除该道岔侧线,反之则保留该道岔侧线得到第一道岔侧线。
10.根据权利要求9所述的铁路道岔识别系统,其特征在于,所述道岔类型识别模块,具体包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106396.XA CN112149622B (zh) | 2020-10-16 | 2020-10-16 | 一种铁路道岔识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106396.XA CN112149622B (zh) | 2020-10-16 | 2020-10-16 | 一种铁路道岔识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149622A CN112149622A (zh) | 2020-12-29 |
CN112149622B true CN112149622B (zh) | 2022-02-18 |
Family
ID=73952085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106396.XA Active CN112149622B (zh) | 2020-10-16 | 2020-10-16 | 一种铁路道岔识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149622B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101909966A (zh) * | 2008-01-09 | 2010-12-08 | 通用电气公司 | 用于绘制铁路轨道的方法和系统 |
CN110497931A (zh) * | 2019-04-16 | 2019-11-26 | 北京华横科技有限公司 | 一种岔区轨道状态检测方法 |
CN110736999A (zh) * | 2019-10-24 | 2020-01-31 | 北京交通大学 | 基于激光雷达的铁路道岔检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8180590B2 (en) * | 2003-10-06 | 2012-05-15 | Marshall University Research Corporation | Railroad surveying and monitoring system |
CN106156387B (zh) * | 2015-04-14 | 2019-05-14 | 上海申通地铁集团有限公司 | 轨道交通线路图纸数据的自动导出方法 |
CN110490918B (zh) * | 2019-07-12 | 2023-04-07 | 中铁第六勘察设计院集团有限公司 | 基于三维激光扫描技术的既有铁路道岔岔心提取方法 |
-
2020
- 2020-10-16 CN CN202011106396.XA patent/CN112149622B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101909966A (zh) * | 2008-01-09 | 2010-12-08 | 通用电气公司 | 用于绘制铁路轨道的方法和系统 |
CN110497931A (zh) * | 2019-04-16 | 2019-11-26 | 北京华横科技有限公司 | 一种岔区轨道状态检测方法 |
CN110736999A (zh) * | 2019-10-24 | 2020-01-31 | 北京交通大学 | 基于激光雷达的铁路道岔检测方法 |
Non-Patent Citations (2)
Title |
---|
Vision based rail track and switch recognition for self-localization of trains in a rail network;Jürgen Wohlfeil,and etc;《2011 IEEE Intelligent Vehicles Symposium (IV)》;20110605;第1025-1030页 * |
铁路钢轨缺陷伤损巡检与监测技术综述;田贵云等;《仪器仪表学报》;20160831;第37卷(第8期);第1763-1779页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149622A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100741739B1 (ko) | 노면주행레인 검출장치 | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN112434695B (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
CN100452093C (zh) | 路面行驶车道检测装置 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
US8184859B2 (en) | Road marking recognition apparatus and method | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
TW201322203A (zh) | 車道偏移警示方法及系統 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
CN104392224A (zh) | 一种公路路面裂纹检测方法 | |
CN103235938A (zh) | 车牌检测与识别的方法及系统 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN106503640A (zh) | 一种占用公交车道的检测方法 | |
CN111754460A (zh) | 一种转辙机缺口自动检测方法、系统及存储介质 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN114049306A (zh) | 一种基于图像摄像机和高性能显卡的交通异常检测系统设计 | |
CN112149622B (zh) | 一种铁路道岔识别方法和系统 | |
JP2002008019A (ja) | 軌道認識装置及び軌道認識装置を用いた鉄道車両 | |
JPH11353581A (ja) | 昼間における車種判別装置及び方法 | |
KR20040061223A (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 | |
CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 | |
CN109886120B (zh) | 一种斑马线检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |