胥田田，雷锡骞
（兰州工业学院，甘肃 兰州730050）
铁路运输时因行车过程中环境复杂多变，可能出现自然灾害引起的山体滑坡、行人滞留车道等现象，随机异物导致高速运行列车前方出现异物侵限，对行车安全造成较大影响。当前，全自动驾驶及机器视觉检测技术在轨道交通中的研究应用，将获取的帧序列数字图像进行预处理，提高后续轨道异物检测的实时性与准确性，实际中往往将雷达与机器视觉技术融合进行异物检测[1]。
1 铁路框架提取
边缘检测是实现图像分析和理解的首要步骤，准确、实时地获得帧序列中钢轨所在位置信息，为后续异物的检测奠定了基础。将待处理轨道异物图像中灰度值不连续的像素点进行连接、填补和删除，从而形成轨道图像完整的边界。基于机器视觉的轨道线提取如图1所示。
图1 基于机器视觉的轨道线提取流程图
常用的边缘检测方法包括基于灰度直方图与基于梯度值，两种方法均需预先设定阈值，前者遍历图像灰度值，提取出大于阈值T的全部像素点进行合并作为图像边缘，但阈值T的选取对边缘准确定位影响较大；后者划分梯度幅值大于设定阈值的点为边缘像素，但图像中超过阈值的点并非全部为边缘像素，分类过程存在将同一区域内变化剧烈的点错归为边界像素的情况。边缘检测算法依据边缘处的梯度值和灰度差成正比并取值最大的原理，使用微分算子查找取值存在跳变的边缘部分。经典的微分算法有Roberts算子、Prewitt算子、Sobel算子、Canny算子等，Canny算子能较好地去除噪声，在实际中应用较为广泛[2]。
1.1 传统轨道边缘检测及轨道线提取
Canny边缘检测基本特征可以表现为：首先，能够达到有效拟制噪声和尽量精确确定边缘位置的两个条件；其次，测量信噪比与定位乘积后，获得最优化逼近算子；最后，Canny算子对待处理图像按照平滑后再求导的过程进行处理。其获得边缘像素的算法步骤表述为：（1）用高斯滤波器平滑图像；（2）通过计算一阶偏导有限差分，获得梯度幅值和方向；（3）按照非极大值抑制原理对梯度幅值进行分析处理；（4）用双阈值算法检测和连接边缘。
1.2 轨道线提取
Paul Hough于1962年首次提出Hough变换，用来检测直线和曲线，前提要求已知物体边界线的解析方程，但不需要有关区域位置的先验知识，后于1972年由Richard Duda&Peter Hart推广使用。Hough变换的基本原理是将图像中的一个点转化成其对应参数空间的一条直线或曲线，将图像几何图形问题转换成对应参数空间峰值的求解问题，即将全局问题转化为局部问题，便于求解[3]，Hough变换是图像变换中的经典算法之一，但存在运算复杂、计算量大等不足。Hough变换基本原理如图2所示。
图2 Hough变换的基本原理
1.3 轨道线提取的优化
边缘检测优化的三个方面：检测前图像的平滑、增加边缘检测的方向、阈值选取，在图像平滑中，边缘定位与噪声拟制相互矛盾，滤波会对边缘造成损失，增加检测方向会使得算法计算量增大[2]，同时，阈值的选取需要人为设置，而非自适应。
文献[4]中，首先利用Hough变换识别近景轨道，并以此确定远景轨道的起点参数，再将分段的远景轨道按照角度对齐的评判法进行路径生长，最后提取轨道限界区域。文献[5]中，作者通过极值中值滤波代替传统Canny算子中的高斯滤波，在图像梯度幅值和方向方面引入加权系数，自适应迭代阈值法确定高低分割阈值，从以上三方面提高Canny边缘检测的准确性与清晰度，结合Hough变换设计适合直线型与曲线型铁轨内的异物检测。文献[6]中，从相继两幅或多幅图像中提取特征，根据获取的特征信息结合Hough变换达到检测轨道异物的目的。文献[7]中，首先利用Hough变换确定直线轨道，根据拟合的两条直线交点缩小检测窗口，其次遍历窗口内每行的灰度均值，根据灰度值是否发生突变确定当前检测范围是否存在异物，该方法实时性较好。文献[8]中，针对轨道图像噪声特点，提出一种基于多尺度结构元素、多方向（MMSE）的自适应灰度形态学滤波算法，通过对含有噪声的采集图像使用不同的算法进行滤波，可以实现采集图像中噪声的拟制与边缘的加强，根据提取的轨道边缘，结合多约束Hough变换，进一步确定钢轨方程并根据限界距离划分侵限区域。文献[9]中，探索一种高速铁路近景影像轨道边缘提取方法并构建轨道边缘线的同名点坐标映射模型。根据轨道数字影像的灰度信息与点位分布特点，利用Canny算法和概率Hough变换提取铁路轨道的内边缘特征，其中ORB算法与KNN算法实现轨道表面同名点的匹配并由此建立坐标对应关系，利用该关系构建轨道边缘线的多项式映射模型以匹配出边缘同名点，提高轨道边缘检测和匹配方面的可靠性，可为高速铁路几何状态检测提供处理技术支持。文献[10]中，处理获取的数字影像，设计筛选策略解决轨道边缘不突出的情况，实现轨道边缘的可靠自动识别，并根据数字影像的特点与相关理论方法，设计近景摄影测量铁路轨道边缘识别与检测系统，能够有效应用于轨道静态检测。文献[11]中，首先根据Canny算子实现以轨道为主体的检测窗口，其次将检测窗口内图像划分为轨道区域、轨道外侧区域、轨道内侧区域，通过对反变换后的图像像素值做纵向累加，判断纵向累加值峰值的特征，综合判断窗口内是否存在异物，可以有效实现直轨环境下的障碍物检测。文献[12]中，首先将使用Log边缘检测算子检测出的像素点分为直线像素点与曲线像素点两类，在直线、曲线边缘像素点的检测过程中，设置重叠度阈值，根据阈值大小从而排除曲线像素点，只检测直线边缘像素点，最后将输出的斜率计算直线方程进行平面转换，改进算法减少了轨道路基和轨枕直线边缘的影响。文献[13]中，基于轨道图像的亮度、直线特征，将Hough变换和边缘提取算法应用于轨道图像的识别，对已获离散共线像素点按照建立的直线方程进行拟合，以此得到连续直线。文献[14]中，采用改进的中值滤波算法，结合开关去噪，很好地保证了轨道图像细节方面，再利用惯性原理进行边缘追踪，适合轨道异物的现场检测。文献[15]中，对图像进行Canny算子边缘检测后，提出利用链码相关方法来完成对图像中边缘线的识别和删除，根据累计链码值个数来判断线段方向，对干扰线段和有用线段分别进行删除和再连接处理，提取轨道轮廓。文献[16]中，首先将改进的高斯滤波算法应用于边缘检测，保留边缘程度及抗噪效果较好，更加突出铁轨的关键信息，其次将改进二值算法应用于铁路图像的灰度化处理，最后根据像素追踪算法确定铁路框架并建立异物检测窗口。
2 优化实例仿真
为了验证改进算法的可行性，在MATLAB2015a环境下，对铁轨图像进行异物检测区域划分的仿真实验。图3、图4分别对直轨、弯轨进行边缘检测、轨道线提取和检测窗口建立，验证了文献[16]中的算法，该算法对直轨、弯轨均有效，能够较好地划分出异物检测区域。
图3 直轨异物检测区域划分
图4 弯轨异物检测区域划分
3 结束语
本文简述了几种基于传统边缘检测和直线提取的优化算法，在实际应用中，将多种优化方法进行结合检测，通过验证其中一种算法的轨道线提取及检测窗口建立，结果表明，算法有效性及实时性较好，但在暴雨、大雾等天气中，基于机器视觉的异物检测技术依赖于获取的图像质量，摄像机较难获取清晰的图像，从而影响最后的检测效果。
