杜青臣++林憲旗++張文亮++馮倩

摘 要：在列車行駛過程中，為了正確響應(yīng)激光測(cè)距儀的觸發(fā)，準(zhǔn)確識(shí)別出立柱以排除誤觸發(fā)，本文提出一種車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)大幅提高鐵路立柱識(shí)別的實(shí)效性以及檢測(cè)精度，保證限界測(cè)量的準(zhǔn)確性。首先采用雙三次樣條插值法處理送入圖片，在保證圖片分辨率的情況下減小圖片大小、提高處理速度；然后根據(jù)梯度特征選擇ROI區(qū)域，并計(jì)算ROI區(qū)域的Hog特征，避免對(duì)整幅圖片的遍歷，提高檢測(cè)效率；最后訓(xùn)練SVM分類器，送入待測(cè)樣本進(jìn)行分類。通過實(shí)驗(yàn)分析驗(yàn)證，本文提出的車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)有較高的識(shí)別率和實(shí)效性。

關(guān)鍵詞：立柱識(shí)別 限界測(cè)量 梯度特征 方向梯度直方圖 車載式 三次樣條插值

中圖分類號(hào)：U29 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2017）09（c）-0001-03

隨著高鐵事業(yè)的快速發(fā)展，鐵路沿線環(huán)境的檢測(cè)工作越來越重要[1-2]，目前國內(nèi)已開展基于圖像處理的鐵路限界研究工作[3-6]。吳健等提出一種復(fù)雜背景下的鐵路防護(hù)欄網(wǎng)格提取算法[7]，對(duì)鐵路沿線的防護(hù)欄網(wǎng)進(jìn)行檢測(cè)并及時(shí)修復(fù)。王浩等設(shè)計(jì)了鐵路隧道限界檢測(cè)儀[8]，實(shí)現(xiàn)了在機(jī)車運(yùn)行過程中對(duì)周圍環(huán)境的自動(dòng)檢測(cè)，判斷是否存在超限物體。

鐵路沿線除了防護(hù)欄網(wǎng)等超限物體外，還存在大量接觸網(wǎng)的支柱、通信柱和隔離柱，鐵路部門必需定期進(jìn)行立柱檢測(cè)以保證限界測(cè)量的準(zhǔn)確性[9]。本文提出一種車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)，該系統(tǒng)利用圖像模式識(shí)別技術(shù)、GPS定位技術(shù)完成對(duì)鐵路沿線立柱的自動(dòng)判別。該系統(tǒng)的使用大幅度提高機(jī)車高速運(yùn)行過程中的立柱識(shí)別的工作效率以及檢測(cè)精度。

1 車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

本文首先通過對(duì)鐵路立柱識(shí)別系統(tǒng)的構(gòu)成分析，結(jié)合具體的技術(shù)要求，得出了該系統(tǒng)的整體結(jié)構(gòu)方案，包括觸發(fā)單元、圖像高速采集單元、激光限界測(cè)量單元。鐵路立柱識(shí)別系統(tǒng)的整體結(jié)構(gòu)圖如圖1所示。

1.2 算法設(shè)計(jì)

本設(shè)計(jì)中采用Hog特征與SVM分類相結(jié)合的方法將拍攝到的圖片進(jìn)行分類。先用雙三次樣條插值法處理送入圖片，根據(jù)梯度特征選擇ROI區(qū)域，計(jì)算ROI區(qū)域的Hog特征，訓(xùn)練分類器，然后送入待測(cè)樣本進(jìn)行分類。算法流程圖如圖2所示。

1.2.1 雙三次樣條插值

本文使用MV-GED32C-T工業(yè)相機(jī)拍攝測(cè)試圖片，圖片大小為480×640，直接處理圖片會(huì)增加運(yùn)算時(shí)間和計(jì)算量，因此首先對(duì)圖片進(jìn)行三次樣條插值，減小圖片大小，降低運(yùn)算時(shí)間，提高處理速度。

設(shè)源圖像f大小為m×n，縮放后目標(biāo)圖像g為M×N，則對(duì)g上的感興趣像素點(diǎn)（X，Y）來說，在f上的對(duì)應(yīng)坐標(biāo)為：

×× （1）

選?。╔，Y）的16鄰域作為計(jì)算目標(biāo)圖像g（X，Y）處像素值的參數(shù)。假設(shè)點(diǎn)P就是目標(biāo)圖像g在點(diǎn)（X，Y）處對(duì)應(yīng)于原始圖片f中的位置，P點(diǎn)的坐標(biāo)為P（x+u，y+v），其中x，y為整像素坐標(biāo)；u，v為亞像素坐標(biāo)。P點(diǎn)的16鄰域的像素點(diǎn)用f（i，j）（i，j=0，1，2，3）來表示。

構(gòu)造權(quán)重函數(shù)為

（2）

假設(shè)行系數(shù)為k_i，列系數(shù)為k_j，f（i，j）對(duì)應(yīng)的系數(shù)為kij，則

kij=ki×kj （3）

雙三次樣條插值法作為預(yù)處理環(huán)節(jié)，在保證圖片分辨率的情況下減小了待檢測(cè)圖片大小，提高處理速度。

1.2.2 ROI區(qū)域提取

在實(shí)際特征提取時(shí)，如果對(duì)整幅圖片提取Hog特征，計(jì)算量會(huì)相當(dāng)大，立柱作為圖片中的一小部分，有明顯的梯度特征，方便進(jìn)行粗提取。因此為了進(jìn)一步減小運(yùn)算時(shí)間、提升準(zhǔn)確率，本文對(duì)雙三次樣條插值后的圖片進(jìn)行ROI區(qū)域提取，得到粗略的立柱區(qū)域。

假設(shè)三次樣條插值后的圖片為g（x，y），將g（x，y）沿寬度方向分塊：

i （4）

遍歷每子塊，計(jì)算子塊梯度幅值圖和梯度角度圖。設(shè)角度圖像為，梯度圖像為，則

（5）

（6）

分析可得，立柱邊緣像素的梯度角度全部在水平區(qū)域，而背景像素的梯度角度不定，由于拍攝誤差，可能造成圖片中柱子有一定的傾斜角度，計(jì)算每子塊中梯度角度在內(nèi)的梯度幅值和為：

（7）

其中，

（8）

那么，立柱所在ROI區(qū)域?yàn)椋?/p>

（9）

其中，

（10）

ROI區(qū)域提取的結(jié)果圖如圖3所示。

1.2.3 Hog特征提取

HOG特征表示邊緣梯度的結(jié)構(gòu)特征，是一種局部區(qū)域的描述符，可以比較好地描述大圖中的小目標(biāo)。提取HOG 特征步驟如下。

（1）計(jì)算圖像水平方向和垂直方向的梯度值。

（11）

式中，、分別表示像素點(diǎn)（x，y）處的水平方向梯度、垂直方向梯度；表示像素點(diǎn)（x，y）的像素值。

（2）計(jì)算像素點(diǎn)（x，y）處的梯度幅值和梯度方向。

（3）把圖像分割成若干個(gè)8×8像素單元（Cell），在每個(gè)Cell中，把梯度方向在[-π/2，π/2]內(nèi)平均劃分為9個(gè)區(qū)間（Bin），如圖4所示。對(duì)所有像素的梯度幅值在各個(gè)方向區(qū)間進(jìn)行直方圖統(tǒng)計(jì)，得到一個(gè)9維的特征向量。

（4）每相鄰4個(gè)單元組成一個(gè)塊（Block），把4個(gè)單元的特征向量串聯(lián)起來得到塊的36維特征向量；然后用塊對(duì)樣本圖像進(jìn)行掃描，掃描步長(zhǎng)為一個(gè)單元；最后將所有塊的特征串聯(lián)得到目標(biāo)圖片的特征。圖5表示了單元Cell、塊Block和整個(gè)圖像的關(guān)系。

1.2.4 分類識(shí)別

采用SVM作為樣本分類器，訓(xùn)練樣本包括正樣本和負(fù)樣本，正樣本為包含立柱的圖片，負(fù)樣本為隨機(jī)背景圖片。endprint

本文的分類識(shí)別步驟如下。

（1）分別選取500張立柱圖片和隨機(jī)背景圖片作為正、負(fù)樣本，對(duì)圖片進(jìn)行雙三次樣條插值，然后粗提取疑似包含立柱的ROI區(qū)域，求取ROI區(qū)域的Hog特征送入SVM中訓(xùn)練，得到SVM分類器。

（2）再分別選取200張正、負(fù)樣本作為測(cè)試樣本，將誤判的樣本分別加入到正確的樣本集中重新訓(xùn)練分類器。

（3）重復(fù)上一步驟訓(xùn)練分類器，得到最終的SVM分類器。

（4）將待測(cè)圖片送入訓(xùn)練好的SVM分類器中，篩選出包含立柱的目標(biāo)圖片。

2 車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)實(shí)驗(yàn)結(jié)果與分析

本文所用到的實(shí)驗(yàn)圖片均為MV-GED32C-T工業(yè)相機(jī)拍攝，拍攝地點(diǎn)為濟(jì)南鐵路局兗州供電段，圖6為部分樣本圖片。為了驗(yàn)證算法的有效性，本文將該方法與其他兩種方法進(jìn)行對(duì)比，方法一為全遍歷圖片提取Hog特征進(jìn)行SVM分類，方法二為全遍歷三次樣條插值后的圖片并提取Hog特征進(jìn)行SVM分類，三種方法均采用相同的訓(xùn)練集和測(cè)試集，對(duì)比結(jié)果如表1所示。

實(shí)驗(yàn)結(jié)果分析可得，從識(shí)別率上來看，本文算法的識(shí)別率為91.4%，明顯高于方法一和方法二；從耗時(shí)來看，本文算法的耗時(shí)為0.811s，實(shí)時(shí)性明顯優(yōu)于方法一和方法二，降低了識(shí)別算法所需要的時(shí)間。也就是說本文算法能用更短的時(shí)間識(shí)別出更多的立柱目標(biāo)，因此本文算法更具有實(shí)時(shí)性和準(zhǔn)確率。

3 結(jié)語

本文提出的車載式鐵路立柱自動(dòng)識(shí)別系統(tǒng)，在機(jī)械結(jié)構(gòu)設(shè)計(jì)上保證了系統(tǒng)平臺(tái)的穩(wěn)固性，避免了火車行車過程中劇烈晃動(dòng)造成的主機(jī)位移偏差。在算法上將ROI區(qū)域提取和Hog特征分類相融合，提出一種改進(jìn)的立柱自動(dòng)識(shí)別算法。該算法利用雙三次樣條插值縮小檢測(cè)圖片，在經(jīng)過梯度特征提取ROI區(qū)域，將其作為Hog特征提取的檢測(cè)圖片，最后通過將待測(cè)樣本送入訓(xùn)練好的SVM分類器得到立柱識(shí)別的分類結(jié)果。通過現(xiàn)場(chǎng)實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)有較高的識(shí)別率，有很大的工程應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 中國鐵道科學(xué)研究院，北京交通大學(xué).鐵路建筑限界管理及系統(tǒng)研究[Z].2004.

[2] 張延波，解兆延，葛兆斌，等.基于運(yùn)動(dòng)控制卡的光源自動(dòng)定位系統(tǒng)設(shè)計(jì)[J].山東科學(xué)，2012，25（1）：92-95.

[3] 仲崇成，李恒奎，李鵬，等.高速綜合檢測(cè)列車綜述[J].中國鐵路，2013（6）：89-93.

[4] 姜樹明，蔡秀霞，張?jiān)?視頻圖像綜合處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].山東科學(xué)，2013，26（3）：54-59.

[5] 康熊，王衛(wèi)東，李海浪.高速綜合檢測(cè)列車關(guān)鍵技術(shù)研究[J].中國鐵路，2012（10）：3-7.

[6] 崔浩，王中秋，劉慧，等.基于輪廓線提取技術(shù)的波峰坐標(biāo)采集算法研究[J].山東科學(xué)，2014，27（2）：25-29.

[7] 吳健.復(fù)雜背景下鐵路防護(hù)欄網(wǎng)在線檢測(cè)系統(tǒng)研究[D].江西理工大學(xué)，2016.

[8] 王浩.鐵路隧道限界檢測(cè)儀的研究和設(shè)計(jì)[D].成都：西南交通大學(xué)，2003.

[9] Dalal N，Triggs.B.Histograms of oriented gradients for human detection[A].IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].2005.endprint