铁路视频路障检测报警系统中路轨边缘提取方案研究

铁路视频路障检测报警系统中路轨边缘提取方案研究

近年来，仅通过手动故障排除法无法满足铁路发展的需要。这就需要设计和实现具有实时性的铁路路障检测报警系统,一方面降低铁路运营的人力成本,提高铁路现代化管理水平;另一方面提高路障检测清除效率,减少运营事故的发生。为了验证算法的有效性,所使用的代表性图片是灰度范围较窄的路轨图像。具体实践方法为:首次安装路轨视频监测系统时,需要在晴朗天气下进行,安装初始化后系统方可工作;需要注意的是,仅需要在系统第一次工作时对边缘进行提取,这里假设系统固定云台不因风雨而发生移位,因而初始边缘提取过程稍长不会影响系统正常运作。为了降低移位隐患,本系统的实现硬件中扩展了LCD接口(系统FLASH中存储初始化时的背景图像)用于定期检测系统故障时判别当前边缘是否偏离(通过背景做差实现),并采取相应措施(矫正位置并复位系统)。1直方图均衡化在实际图像处理应用中,对输入图像通常都要运用增强技术,以突出图像的细节。输入的铁路路轨环境图像如图1所示。本文采用使图像锐化突出输入图像的更多细节来增强图像的方法。由于图像灰度的动态范围较窄,所以很难对其进行增强。对此采取的策略是,通过直方图均衡化来扩大图像的动态灰度范围,同时达到图像锐化的效果。直方图均衡化后的路轨图像如图2所示。变换函数的离散型式可表示为式中:n是图像中像素综合;nk是灰度级为rk的像素个数;L为图像中可能的灰度级总数。采用直方图均衡化处理之后的图像对比度较输入源图像有了明显增强,这将有利于图像边界提取的进行。同时,直方图均衡化的实现还有两个显著的特点:首先也是最显著的特点是其能够实现完全“自动化”,因而程序实现过程比较简单;其次,如果原始图像的动态灰度范围较大甚至是全范围(256灰度级),直方图均衡化后的图像将不会有太大改动,这可以最大程度地保留原始信息。2cancy边缘检测算法本文采用的边缘检测方法是基于Canny边缘检测的思想,经过在Matlab中对各种边缘检测算法的验证表明,Canny边缘检测是一种相对较好的边缘检测方法,与Sobel等其他单一边缘检测算法相比,其检测的边界连续性和聚合性最高。这里简述本文实现的Canny边缘检测算法基本原理。本文实现的Canny边缘检测算法参考MAT-LAB的IMAGE工具箱中关于该算法的实现描述,并加入阈值自适应调整部分,可以对不同图像的边界检测自动设置合适阈值。该算法在CCS3.1下基于DM642视频开发板编程实现。2.1基于idth和gaus虾ndh的一维高斯滤波器输入图像经过直方图均衡化处理之后,首先将图像经过归一化处理,以浮点阵列的形式存储,然后对该阵列进行一维和二维高斯滤波,一维高斯滤波器的宽度为满足式(1)的pw的最小索引中式中:width为一维高斯滤波器的宽度;σ是Canny算子定义的常量,赋值为1;GaussianDieOff为滤波器无效阈值。如果无法满足式(1),则width为1。firstIndex()是编程实现的width求解函数。满足式(1)的一维高斯滤波(向量)函数表达式(一维高斯算子)为与之对应的二维高斯滤波(矩阵)表达式(二维高斯算子)为其中分别对浮点阵列的行列卷积一维高斯算子,然后对一维滤波阵列及其转置卷积二维高斯算子,得到的结果即为滤波阵列。其中,对边界的处理结果是,根据卷积对象的不同,对阵列进行行列扩展,以满足边界的卷积计算要求。2.2幅值矩阵的计算边界检测的第二步为获取滤波阵列对应的幅值矩阵。幅值矩阵是计算边界检测阈值、进行非极大值抑制(non-maximumsuppression)的前提。幅值矩阵的计算公式为式中:ax和ay分别为2.1节中得到的滤波阵列。得到的幅值矩阵同样要进行归一化处理,其处理方式如下式中:magmax为幅值矩阵的最大幅值元素。2.3概率统计学原理边界检测阈值用于确定区分非边界点与弱边界点的低阈值以及弱边界点与强边界点中间的高阈值。在本文使用的Canny边缘检测算法中,高、低阈值可以通过程序自动计算。根据概率统计学原理,其具体实现过程如下:首先得到幅值矩阵的64分度柱状图的存储向量,然后对存储向量元素进行逐次累加,如果累加值超过给定的阈值,则记录当前的分度索引,对其归一化得到的即为高阈值,低阈值表示为高阈值与高低阈值比的乘积。过程的数学描述为式中:counts为柱状图存储向量;highThres和lowThres分别表示计算得到的高低阈值;Tr为高低阈值比;imageHistogram(mag,64)为64分度柱状图向量计算函数。2.4固定像素点的选取非极大值抑制过程用于产生强边缘索引,并根据过程将原始图像处理为弱边界图。强边缘点索引的计算描述如下:该过程对45°分割的180°范围内的4个方向进行梯度插值计算,每个方向均通过插值,利用3×3邻域像素得到当前检索像素的插值幅值,如果该像素点的实际幅值大于插值幅值,则表明该像素点是强边缘点。如果经过计算,不存在强边缘点,则得到的弱边界图即为最终的边界检测结果图。2.5基于cz3.1的边缘检测算法如果存在强边缘点,则需要根据强边缘点进行如下形态学操作:首先,根据强边缘点索引,对强边缘点所在区域进行区域填充,填充的结果在确保边界完整的同时,会使得图像的边缘轮廓变粗。然后对图像进行细化处理。细化处理的主要目的是使得图像中的每条边缘线细化为一个像素宽度。这样处理的优势是:一方面,使得可能因为轮廓变粗粘连的边界断开,使得边界更加符合实际;另一方面,为后续边缘提取过程的线检测过程减小难度和错误。图2经过上述Canny边缘检测算法处理得到的边界图像如图3所示。如前所述,经过对比,在CCS3.1中实现的算法与MATLAB中的实际效果是相当的。该算法在开发板上的实际运行时间约5s。这里需要说明的是,由于摄像机安装固定,在未遇到大灾使得摄像机移位过大的情况下,路轨边缘提取程序在设备运行过程中,仅在初始化时执行一次,然后将获取的路轨边缘图像存储在FLASH处理器中,在随后的故障检测中调用该存储图像即可。因而这里给出的算法实际运行时间是可以接受的。3基于直线的算法如图1所示,由于铁路要穿越许多复杂的地形,因而路轨不可能全部由直线区段构成,在转弯处势必要铺设曲率变化的路轨。因此,需要一种能同时检测直线和曲线路轨边缘的方法。经典线检测方法中应用最多的是Hough变换,它能够根据空间变换实现直角坐标域线段到极坐标域的线-点映射。但是,由于这种对直线特性的依赖,使其只能够对直线段进行有效的检测,而无法将其应用于曲线检测。改进的Hough变换虽然能够检测曲线,但前提是该曲线的曲率是常数,这与路轨曲率渐变的特点相悖,因而也不能采用。本文提出了一种不依赖于直线的线提取方法,该方法对直线和曲线提取的效果是相当的。本算法实现的主要功能如下:(1)对满足判定准则的两条最长边界线进行提取,作为初始路轨边缘线。(2)对未达到最优结果的两条最长边界线进行终点延拓,直到满足延拓终止条件为止。(3)对起点未达边界的曲线进行起点延拓,使其延伸到图像边框。该算法的最终目标是要实现提取的路轨边缘尽可能完整。3.1市场内边缘质量的选取现阶段我国铁路铺设的空间形式是以碎石为基础,上层是衔接两条钢轨的枕木(混凝土),最上层为金属制路轨。由于金属与石材及混凝土材料对光的反射系数不同,因而在理论上,从摄像机获取的感光图像中可以提取出完整的路轨边缘。但实际中,由于摄像头放置、光线明暗以及路轨固有宽度等因素的影响,所获取的路轨是断续、聚合型分散分布的。断续是由路轨的固有宽度和光线导致的成像因素引起的;聚合型分散分布中,聚合是指尽管路轨断续,但是总体的边缘结构是分布在一定范围内的,分散意味着在该范围内的边界分布呈断续状态。此外,周围环境与路轨的反射系数相差也比较明显,因而用前述的边界检测算法是可以提取到断续的路轨边缘的,但是仅仅通过边界检测提取的边缘是极不完整的,所得为最终完整边缘的可能性很小,这从图4与图1的对比中可以明显看出。因而有必要提出一种算法,对提取的路轨进行合理延拓,得到更加完整的路轨边缘。3.2算法的实现3.2.1canity边缘检测算法的特点(1)由于摄像机对距离自身越近的对象感知越完全,信息保留越完整,即近拍摄点图像较远拍摄点图像清晰,更容易获取满足条件的曲线。因而,算法对图像的检索从左下方像素开始。(2)在Canny边缘检测算法的最终图像中,图像边界像素灰度值均为0,这样在曲线提取中可以从非边界点开始检索,减少了越界判断的开销。因而算法中使用的实际边界不是图像的原始边界,而是各边框内移了一个像素。(3)聚合型分散分布的边界曲线簇的边界走向是近似一致的,因而可以用于对初始曲线的接续操作。(4)算法的实现做了如下假设:假设钢轨曲率足够小,监测点离地高度足够小,监测角偏离足够小,使得同一图像中不会出现路轨反向严重的情形;借助云台等设施,摄像机在安装时可以调整视角和位置,以减小检测难度。3.2.2曲线搜索连接算子的描述由于扫描从图像下方开始,本算法在考虑优先4连通域检测的前提下提出如下连通算子式中的数字标号表示3×3连通域的检索顺序。3.2.3以关键因素为基础的接接点算法描述算法的主要实现步骤如下:步骤1保存原始图像的副本,两幅图像分别用于步骤2和步骤3。步骤2初始化曲线提取过程(1)进行全图像检索,提取满足如下准则的曲线簇:准则Ⅱ:如果满足准则Ⅰ,曲线最大与最小行坐标之差大于nHeight/5。准则Ⅲ:如果满足准则Ⅱ,曲线的反向程度不超过准则Ⅱ行坐标差的1/10。将满足准则的曲线存储在图像副本1中,用于检测满足曲率和走向条件的两条初始待接续曲线;将仅满足准则Ⅰ的曲线簇存储于图像副本2中,用于检测接续线,同时去除杂线,减少计算工作量。(2)从满足3条准则的曲线簇中,根据聚类分析原理,首先将所有曲线按照曲线类型和走向分为直线、趋势向左曲线和趋势向右曲线3类,然后根据各类曲线的条数,将其中的“弱势”即曲线条数较少的曲线簇从整体中删除,保留“强势”曲线和直线构成的曲线簇。(3)按照曲率的大小对当前曲线簇进行升序排序,排序通过起泡法实现。(4)然后从起始两条曲线开始进行检索,检索依据如下准则进行:准则Ⅳ:两条曲线的起点水平间距大于终点水平间距,并且起点水平间距大于nWidth/10。如果不满足准则Ⅳ,则按照曲线长度将当前曲线中的较短曲线换出,该步骤的依据是路轨边缘在近摄像处的路轨相对曲率较小,远摄像处的路轨曲率较大。经过检索得到的两条满足条件的曲线即为初始待接续曲线。同时记录下来的信息还包括两条曲线的走向趋势,以便后续对接续线的判别。在进行初始化曲线检索的同时,为了避免已检索曲线的像素干扰,将该曲线的所有有效像素清零,这样既可以减少干扰,同时减少了重复检索的计算量。步骤3对获取的两条初始待接续曲线终点进行接续,以延拓完善检测区域。(1)接续曲线的搜索方式:接续曲线的起点搜索从初始化曲线或前一接续过程结束得到的接续线正上方邻接像素开始,搜索范围定义为:向轨道内侧搜索宽度为当前两边缘线间距值的1/2,向轨道外侧搜索宽度为当前两边缘线间距值。搜索过程保证每次搜索均从当前待接续两条曲线中终点行坐标较大的曲线开始。(2)接续操作结束条件:如果两条待接续曲线上方邻接像素左右搜索区域均无接续像素,则接续操作结束。(3)接续过程的实现(1)按照上述步骤3的(1)中定义的搜索方式对当前待接续曲线的接续线起点进行搜索;(2)如果存在,则提取该接续线,并根据走向判别该接续线是否满足走向一致性条件,如果不满足,则根据走向一致性对接续线进行裁剪,删除反向部分,保留同向部分,然后转(3),如果无接续线,则跳出结束;(3)将提取的接续线加入待接续曲线队列中,并重新计算曲线整体走向;(4)判定新的当前待接续曲线,转(1)。对接续线的擦除操作与步骤3的(1)相同。(4)对终点接续完毕的曲线进行起点接续延拓。如果终点接续完毕的曲线起点未在图像边界上,则应对起点进行近似延拓,根据初始20点构成的直线或曲线的斜率进行直线延展,直到抵达图像边界为止。该算法的流程图如图5和图6所示。接续后的边缘提取图像如图7所示。为了佐证该算法的有效性,另附两幅图像进行验证,其过程分别如图8~图11所示。4基于阈值自适应的can现行边缘提取算法本文提出了基于Canny边缘检测技术和聚合接续法的路轨边缘提取方法,并在TI公司的DM642视频开发板上编程实现。该方法一定程度上弥补了Hough变换只适用于直线提取的不足,对有曲率的路轨边缘的提取能够达到预期的效果。该算法尽量在算法智能性和程序计算量上寻求折中,能够较好地满足工程上对边缘提取精度的要求,经过DM642视频开发板测试,算法的整体运行时间为10s,计算量适中