吳波　封松林　艾成漢　楊林杰　孫國棟　吳曦

摘 要： 針對TFDS檢測系統(tǒng)中制動開關(guān)定位耗時較長的缺點，提出一種基于Hu不變矩的變步長匹配方法。該方法由粗匹配和精匹配組成，并根據(jù)制動開關(guān)形狀設(shè)計了橫向匹配的變步長計算公式。首先通過Hu不變矩計算模板圖像與檢測圖像中模板窗口的匹配值，根據(jù)匹配值的權(quán)重來選擇對應步長，并把匹配值大于設(shè)定閾值的點作為初級預選點；然后獲取每個預選點鄰域內(nèi)的最佳匹配點，將其保存到極大值序列以搜索最大值，最終鎖定制動開關(guān)所在區(qū)域。實驗結(jié)果表明，該算法對尺度變換、平移以及旋轉(zhuǎn)具有一定的不變性，且匹配速度大大提高，取得了良好的匹配效果。

關(guān)鍵詞： 制動開關(guān)； 圖像匹配； Hu不變矩； 變步長

中圖分類號： TN911.73?34； TP399 文獻標識碼： A 文章編號： 1004?373X（2016）24?0092?04

Braking switch image matching algorithm based on invariant moment

WU Bo1，2， FENG Songlin1，2， AI Chenghan3， YANG Linjie3， SUN Guodong3， Wu Xi4

（1. Shanghai Advanced Research Institute， Chinese Academy of Sciences， Shanghai 201210， China；

2. University of Chinese Academy of Sciences， Beijing 100049， China； 3. Hubei University of Technology， Wuhan 430068， China；

4. Wuxi Power Supply Company， Jiangsu Electric Power Company， Wuxi 214062， China）

Abstract： A matching method of variable step size based on Hu invariant moments is proposed to overcome the disadvantage of time?consuming positioning of the braking switch in TFDS detecting system. The method consists of coarse matching and precise matching. The variable step size calculation formula for horizontal matching was designed according to the shape of the breaking switch. The matching values of the template windows in template image and detection image are calculated with Hu invariant moments. The corresponding step size is selected according to the weight of the matching values. Those points whose matching values are greater than the given threshold are taken as the pre?selected points to get the optimal matching points in the neighborhood of each pre?selected point and then save them into the maximum sequence to search the maximum value. The region where the breaking switch lies in is located finally. The experimental results show that this algorithm has certain invariant properties in the aspects of scaling variation， translation and rotation， improves the matching speed greatly， and has obtained a good matching effect.

Keywords： braking switch； image matching； Hu invariant moment； variable step size

目前，我國列車故障檢測主要以人工現(xiàn)場檢測為主，其勞動強度大、效率低，檢測質(zhì)量難以保證，已無法滿足我國高速發(fā)展的貨運列車檢測要求。部分鐵路線安裝的貨車故障軌邊圖像檢測系統(tǒng)[1]（Trouble of moving Freight car Detection System，TFDS）雖減輕了現(xiàn)場檢測的繁瑣與勞動強度，提高了檢測效率，但長時間、高度集中觀察圖片給檢測人員帶來了極大的精神疲勞，導致檢測質(zhì)量難以保證。因此，實現(xiàn)TFDS的自動故障檢測是發(fā)展的必然趨勢，可克服人工檢測易受外界干擾的局限性[2?3]。制動開關(guān)[4]是貨運列車制動過程中的一個重要部件，位于貨車底部，用于關(guān)閉或者打開制動管。由于制動開關(guān)位置存在一定的不確定性，傳統(tǒng)算法難以直接定位把手所在區(qū)域，本文提出的基于不變矩匹配方法為此提供了良好的解決方案，并在對比傳統(tǒng)灰度匹配方法的基礎(chǔ)上，對其做了改進與優(yōu)化。

1 制動開關(guān)圖像匹配總體方案

制動開關(guān)是貨運列車制動的關(guān)鍵部件，是TFDS中需重點檢測的故障，其圖像匹配的方案總體流程見圖1。

首先通過相機實時采集列車底部相應區(qū)域的圖像，同時在圖像處理系統(tǒng)中加載制動開關(guān)的模板圖像，分別對檢測圖像和模板圖像進行相應的預處理。為保證算法的快速性，本文結(jié)合制動開關(guān)在列車底部大致的裝配位置，對檢測圖像根據(jù)其尺寸規(guī)格來設(shè)定先驗區(qū)域，以減少搜索范圍。最后按照后續(xù)設(shè)計的制動開關(guān)模板匹配算法，快速鎖定制動開關(guān)所在區(qū)域。

由于列車圖像大多在室外拍攝，圖像質(zhì)量很容易受光照強度、天氣狀況等因素影響。這些因素導致檢測圖像中存在大量噪聲，針對圖像噪聲分布無特定規(guī)律且不變矩對連通區(qū)域具有良好的描述特性，故選用高斯平滑濾波[5?6]去除圖像噪聲并對其二值化。

2 Hu不變矩描述子

在圖像處理中，不同階次的矩是常用的描述圖像信息的統(tǒng)計特征，且具有一定的平移、旋轉(zhuǎn)和尺度不變性。由于高階矩對圖像噪聲、變形非常敏感，常用的三階Hu不變矩具有較好的匹配適應能力。對于一幅二維離散圖像f（i，j）的p+q階矩[7?9]定義為：

通過式（4）計算出的Hu不變矩描述子概念簡單、區(qū)域描述穩(wěn)定，故被廣泛地應用在圖像識別的特征提取中。采用不變矩來描述圖像之間的相似度，其匹配特性幾乎不受幾何失真影響。

3 基于Hu不變矩的制動開關(guān)變步長圖像匹配方法

雖然Hu不變矩的制動開關(guān)匹配算法相對灰度匹配算法而言，對平移、尺度變化、旋轉(zhuǎn)具有一定的不變性，但是不變矩的計算量大、耗時較長，不能滿足貨運列車檢測的實時性要求。因此對匹配算法的搜索策略進行了改進，提出了變步長的快速匹配方法。該方法由粗匹配和精匹配兩部分組成，粗匹配保證了算法的快捷性，精匹配可確保匹配精度達像素級，變步長匹配方法流程如圖2所示。

其改進主要在于根據(jù)模板圖像與檢測圖像中模板窗口（即每次匹配之前設(shè)置的動態(tài)ROI）的匹配值決定下一匹配的步長。不同大小的匹配值對搜索最佳匹配位置的權(quán)重是不同的，匹配值相對小的位置，距離最佳匹配位置較遠，可以適當放大匹配步長；匹配值越大，則越靠近最佳匹配位置，理所當然應該減小匹配步長。從而克服傳統(tǒng)模板匹配中逐像素移動的缺陷，大大縮短了匹配時間。

實驗分析發(fā)現(xiàn)，制動開關(guān)形狀特征在檢測圖像中橫向變化緩慢，而縱向變化較快。為了兼顧匹配的準確性和快速性，縱向的匹配步長定為兩個像素，并設(shè)計了基于匹配值的橫向匹配步長的計算公式：

[S=INT（（1-Rvalue）?Step）， Rvalue≤0.92， 0.9 < Rvalue≤1] （5）

式中：Rvalue為當前的匹配值；Step為跳躍影響系數(shù)，本實驗取Step=30；S為匹配值對應的步長。當Rvalue≤0.9時，S為式（5）計算取整后的數(shù)值；當Rvalue>0.9時，S=2。由于變步長匹配算法存在天然的缺陷，并不一定能夠保證找到最佳的匹配位置，只能確保搜索其靠近位置。為此設(shè)定了匹配閾值T，將大于匹配閾值T的位置點相關(guān)信息保存到預選點集中，作為初級的預選點，預選方案為：

[t（i，j）=1， Rvalue f（i，j）>T 0， Rvalue f（i，j）≤T ] （6）

式中：[Rvalue f（i，j）]為圖像在該位置的匹配值；[t（i，j）]為1，表示[f（i，j）]為預選點；[t（i，j）]為0，表示[f（i，j）]不是預選點。預選點的個數(shù)和搜索時間是相互矛盾的，閾值設(shè)定太低，過多無謂預選點會消耗大量匹配時間，閾值設(shè)定太高，最佳匹配位置點有可能被排除在預選點范圍以外，導致錯誤的匹配。本文通過實驗分析，設(shè)定的預選點閾值T=0.99，對應預選點個數(shù)為50。然后，重新遍歷初級預選點，以該點為中心，在特定大小的鄰域內(nèi)重新設(shè)定ROI逐像素匹配并計算其匹配值，每次獲取該局部范圍內(nèi)最佳匹配值所對應的像素點，并將該像素點的匹配值和位置信息保存到極大值序列中。

最后，將極大值序列中的匹配值進行排序，最大值對應的位置即為最佳匹配位置的中心。精匹配鄰域取以預選點為中心9×9（即r=4）窗口，精匹配示意圖如圖3所示。通過相似性度量方法計算7個不變矩間的關(guān)系，從而衡量兩幅圖像間的相似程度，對兩幅圖像不變矩間的相似度采用歸一化度量方法，計算公式如下：

[Rvalue=i=17MiNii=17Mi2i=17Ni212] （7）

式中：Mi（i=1～7）表示模板圖像的7個不變矩；Ni（i=1～7）表示檢測圖像中動態(tài)ROI（Regions of Interet， 感興趣區(qū)域）的7個不變矩；Rvalue表示匹配值，Rvalue∈（0，1），越接近1，表示相似度越高。

4 實驗結(jié)果和分析

4.1 基于灰度和Hu不變矩的制動開關(guān)匹配比較

由于列車圖像大多拍攝環(huán)境比較惡劣，拍攝的圖片往往會伴隨著一定的偏轉(zhuǎn)和尺度變化。為了滿足檢測的需要，使用基于灰度和提出的Hu不變矩模板匹配算法分別對存在不同旋轉(zhuǎn)角度、尺度變化以及兩種因素混合的制動開關(guān)圖像進行匹配實驗[9?11]。

實驗環(huán)境為Xeon 3.40 GHz，內(nèi)存8.00 GB的PC機，操作系統(tǒng)為Windows 7 32位操作系統(tǒng)，編程軟件為Visual Studio 2010+OpenCV 2.4.4。對比實驗發(fā)現(xiàn)：歸一化的灰度模板匹配算法在尺度縮放因子小范圍變動、角度超過±3°之后，匹配性能迅速下降，出現(xiàn)匹配不準（見圖4（b））或者匹配錯誤（見圖4（c）、圖4（d））。

基于Hu不變矩匹配算法在尺度縮放因子為0.8～1.2、旋轉(zhuǎn)角度在±18°范圍之內(nèi)，仍然可以得到精確的匹配結(jié)果，如圖5所示，可以滿足制動開關(guān)檢測的要求。

4.2 基于Hu不變矩的制動開關(guān)變步長匹配改進前后對比

改進前后基于Hu不變矩的匹配算法各自隨機運行8次，運行時間見表1，其平均值分別為27 363.63 ms，1 881.5 ms；可見改進前算法時間是改進后的13倍，改進后算法滿足TFDS定時檢測要求。

5 結(jié) 論

本文對基于歸一化的灰度和Hu不變矩制動開關(guān)匹配算法做了實驗對比，實驗表明Hu不變矩匹配算法具有更強的適應性，對平移、旋轉(zhuǎn)和尺度變化具有一定的魯棒性，可以在縮放因子為0.8～1.2、旋轉(zhuǎn)角度為±18°的區(qū)間內(nèi)精確定位制動開關(guān)位置，匹配精度達到像素級。針對Hu不變矩算法耗時較長的缺點，提出了基于Hu不變矩匹配值的變步長圖像匹配方法，提升了匹配速度，算法耗時為1.8 s左右，基本上滿足制動開關(guān)匹配的實時性要求。此外，該方法可推廣應用于電力系統(tǒng)等開關(guān)斷合狀態(tài)的檢測。

注：本文通訊作者為孫國棟。

參考文獻

[1] 齊輝.對TFDS貨車運行故障動態(tài)圖像檢測系統(tǒng)運用情況的初步探索[J].鐵道機車車輛，2007，27（4）：51?54.

[2] 李永華，兆文忠.鐵路貨車故障模式危害性分析方法[J].中國鐵道科學，2009，30（3）：103?108.

[3] 王華勝.模糊綜合評價法在機車車輛故障分析中的應用[J].中國鐵道科學，2000，21（4）：51?57.

[4] 孫國棟，盧婷，戚雨航.基于幾何特征匹配的截斷塞門手把圖像分割[J].制造業(yè)自動化，2013，35（5）：46?47.

[5] 王耀貴.圖像高斯平滑濾波分析[J].計算機與信息技術(shù)，2008（8）：79?81.

[6] 李雪威，張新榮.保持邊緣的高斯平滑濾波算法研究[J].計算機應用與軟件，2010，27（1）：83?84.

[7] ZUNIC Dragia， ZUNIC Jovia. Shape ellipticity from Hu moment invariants [J]. Applied mathematics and computation， 2014， 226： 406?414.

[8] 王振海.融合HU不變矩和SIFT特征的商標檢索[J].計算機工程與應用，2012，48（1）：187?190.

[9] 楊小岡，曹菲，繆棟，等.基于相似度比較的圖像圖像灰度匹配算法研究[J].系統(tǒng)工程與電子技術(shù)，2005，27（5）：918?921.

[10] 計長安，張秀彬，吳浩，等.基于灰度權(quán)重NMI的快速圖像匹配[J].計算機工程，2007，33（24）：25?28.

[11] 潘海為，李鵬遠，韓啟龍，等.一種新穎的醫(yī)學圖像建模及相似性搜索方法[J].計算機學報，2013，36（8）：1745?1756.