鐵路扣件圖像特征提取與識別方法研究.pdf

1、隨著我國鐵路跨越式發(fā)展，對鐵路行車安全保障系統(tǒng)提出了新的挑戰(zhàn)。鐵路扣件是鐵路基礎(chǔ)設(shè)施中主要的零部件之一，扣件系統(tǒng)可以依靠自身的彈性變形儲存能量以緩解列車通過時對軌道的機械振動和沖擊，由于其在長期的服役過程中會承受多次往復(fù)性、周期性的彎曲及扭轉(zhuǎn)等交變應(yīng)力作用，因此容易出現(xiàn)斷裂、丟失等缺陷;另外，隨著客運高速化和貨運重載化程度不斷提高，使得扣件的疲勞斷裂或丟失問題變得更為嚴(yán)重，故障率明顯增大。因此，扣件系統(tǒng)的狀態(tài)對于鐵路的運營安全有著至關(guān)重

2、要的作用，鐵路扣件的缺陷檢測和工作狀態(tài)的監(jiān)控對于排除安全隱患，保障列車運行安全具有重要的意義。為適應(yīng)鐵路發(fā)展的新需要，設(shè)計一種基于高度信息共享的、高可靠性的鐵路扣件自動化巡檢系統(tǒng)已成為鐵路運營保障體系中的重點之一。基于計算機視覺的扣件檢測是一個備受關(guān)注的前沿課題和新興的應(yīng)用方向，通過計算機和圖像處理技術(shù)對扣件圖像進(jìn)行分析和處理，實現(xiàn)鐵路扣件的自動化檢測。受前期國內(nèi)外扣件圖像處理研究的啟發(fā)，本論文主要針對鐵路扣件缺陷圖像檢測關(guān)鍵技術(shù)進(jìn)行研

3、究，從扣件子圖像的精確定位、有效圖像特征的提取、扣件圖像分類識別算法等幾個方面進(jìn)行總體考慮，力求提出一種具有較強魯棒性的扣件分類檢測算法。本文的主要貢獻(xiàn)如下:
　　首先，扣件在原始軌道圖像中目標(biāo)較小，在原始圖像中直接對扣件進(jìn)行檢測，難以獲得理想的檢測效果，且計算耗時大。為避免軌道圖像中扣件區(qū)域以外的對象對扣件分類識別的影響，提出一種從粗到精的兩步扣件子圖像分割算法。首先，利用軌道圖像中鋼軌與道砟、軌枕與道砟之間區(qū)域的平均灰度值和顯

4、著性差異，構(gòu)建一種基于兩類差異信息的符號比例函數(shù)，分別獲取鋼軌和軌枕在圖像中的位置，并對扣件區(qū)域進(jìn)行交叉粗定位;然后，利用枕肩與圖像背景間灰度相對不變性對粗分割出來的扣件圖像進(jìn)行二值化，并利用二值圖中軌枕枕肩呈直線特征這一特點，通過投影法確定枕肩的位置，最終根據(jù)枕肩與扣件間的位置關(guān)系精確地確定扣件位置。
　　其次，提出一種可有效進(jìn)行扣件圖像特征描述的EAHOG-MSLBP融合特征。首先，本文設(shè)計了一種基于模板的扣件EA邊緣感知方法

5、，并在感知邊緣的基礎(chǔ)上，提出了一種改進(jìn)的EA-HOG邊緣梯度特征描述算法，使得該特征能夠很好地逼近扣件形狀特征，并且對光照和顏色變化具有不敏感性;然后，針對傳統(tǒng)二元模式及其相關(guān)改進(jìn)算法僅能表達(dá)圖像的微觀紋理模式，而無法捕獲扣件區(qū)域與周圍背景區(qū)域塊間的結(jié)構(gòu)性差異的缺陷，模擬視覺注意機制設(shè)計了一種可捕獲扣件圖像宏觀紋理的MSLBP特征采樣模式，提取扣件圖像的宏觀紋理特征;最后，采用分層次加權(quán)融合的方法將EA-HOG邊緣梯度特征和MSLBP宏

6、觀紋理特征聯(lián)立成EAHOG-MSLBP融合特征。
　　最后，針對扣件圖像中扣件部分?jǐn)嗔训那闆r難以識別的難題，通過對原始扣件圖像進(jìn)行對稱性操作獲得兩個虛擬的對稱性樣本，并將對原始待測試圖像的直接檢測轉(zhuǎn)化為對兩個虛擬對稱性樣本的檢測，該算法突破了傳統(tǒng)的基于計算機視覺的檢測方法對原始圖像進(jìn)行直接測試的局限性。在對兩個虛擬扣件樣本進(jìn)行分類識別時，設(shè)計一種基于權(quán)重累積的稀疏表示分類識別算法。第一步，探索訓(xùn)練集中各類訓(xùn)練樣本在表示待測試樣本上