铁路立柱自动识别系统设计与开发.docVIP

铁路立柱自动识别系统设计与开发 　　摘 要：在列车行驶过程中，为了正确响应激光测距仪的触发，准确识别出立柱以排除误触发，本文提出一种车载式铁路立柱自动识别系统，该系统大幅提高铁路立柱识别的实效性以及检测精度，保证限界测量的准确性。首先采用双三次样条插值法处理送入图片，在保证图片分辨率的情况下减小图片大小、提高处理速度；然后根据梯度特征选择ROI区域，并计算ROI区域的Hog特征，避免对整幅图片的遍历，提高检测效率；最后训练SVM分类器，送入待测样本进行分类。通过实验分析验证，本文提出的车载式铁路立柱自动识别系统有较高的识别率和实效性。 　　关键词：立柱识别 限界测量 梯度特征 方向梯度直方图 车载式 三次样条插值 　　中图分类号：U29 文献标识码：A 文章编号：1674-098X（2017）09（c）-0001-03 　　随着高铁事业的快速发展，铁路沿线环境的检测工作越来越重要[1-2]，目前国内已开展基于图像处理的铁路限界研究工作[3-6]。吴健等提出一种复杂背景下的铁路防护栏网格提取算法[7]，对铁路沿线的防护栏网进行检测并及时修复。王浩等设计了铁路隧道限界检测仪[8]，实现了在机车运行过程中对周围环境的自动检测，判断是否存在超限物体。 　　铁路沿线除了防护栏网等超限物体外，还存在大量接触网的支柱、通信柱和隔离柱，铁路部门必需定期进行立柱检测以保证限界测量的准确性[9]。本文提出一种车载式铁路立柱自动识别系统，该系统利用图像模式识别技术、GPS定位技术完成对铁路沿线立柱的自动判别。该系统的使用大幅度提高机车高速运行过程中的立柱识别的工作效率以及检测精度。 　　1 车载式铁路立柱自动识别系统设计 　　1.1 系统整体结构设计 　　本文首先通过对铁路立柱识别系统的构成分析，结合具体的技术要求，得出了该系统的整体结构方案，包括触发单元、图像高速采集单元、激光限界测量单元。铁路立柱识别系统的整体结构图如图1所示。 　　1.2 算法设计 　　本设计中采用Hog特征与SVM分类相结合的方法将拍摄到的图片进行分类。先用双三次样条插值法处理送入图片，根据梯度特征选择ROI区域，计算ROI区域的Hog特征，训练分类器，然后送入待测样本进行分类。算法流程图如图2所示。 　　1.2.1 双三次样条插值 　　本文使用MV-GED32C-T工业相机拍摄测试图片，图片大小为480×640，直接处理图片会增加运算时间和计算量，因此首先对图片进行三次样条插值，减小图片大小，降低运算时间，提高处理速度。 　　设源图像f大小为m×n，缩放后目标图像g为M×N，则对g上的感兴趣像素点（X，Y）来说，在f上的对应坐标为： 　　×× （1） 　　选取（X，Y）的16邻域作为计算目标图像g（X，Y）处像素值的参数。假设点P就是目标图像g在点（X，Y）处对应于原始图片f中的位置，P点的坐标为P（x+u，y+v），其中x，y为整像素坐标；u，v为亚像素坐标。P点的16邻域的像素点用f（i，j）（i，j=0，1，2，3）来表示。 　　构造权重函数为 　　（2） 　　假设行系数为k_i，列系数为k_j，f（i，j）对应的系数为kij，则 　　kij=ki×kj （3） 　　双三次样条插值法作为预处理环节，在保证图片分辨率的情况下减小了待检测图片大小，提高处理速度。 　　1.2.2 ROI区域提取 　　在实际特征提取时，如果对整幅图片提取Hog特征，计算量会相当大，立柱作为图片中的一小部分，有明显的梯度特征，方便进行粗提取。因此为了进一步减小运算时间、提升准确率，本文对双三次样条插值后的图片进行ROI区域提取，得到粗略的立柱区域。 　　假设三次样条插值后的图片为g（x，y），将g（x，y）沿宽度方向分块： 　　i （4） 　　遍历每子块，计算子块梯度幅值图和梯度角度图。设角度图像为，梯度图像为，则 　　（5） 　　（6） 　　分析可得，立柱边缘像素的梯度角度全部在水平区域，而背景像素的梯度角度不定，由于拍摄误差，可能造成图片中柱子有一定的倾斜角度，计算每子块中梯度角度在内的梯度幅值和为： 　　（7） 　　其中， 　　（8） 　　那么，立柱所在ROI区域为： 　　（9） 　　其中， 　　（10） 　　ROI区域提取的结果图如图3所示。 　　1.2.3 Hog特征提取 　　HOG特征表示边缘梯度的结构特征，是一种局部区域的描述符，可以比较好地描述大图中的小目标。提取HOG 特征步骤如下。 　　（1）计算图像水平方向和垂直方向的梯度值。 　　（11） 　　式中，、分别表示像素点（x，y）处的水平方向梯度、垂直方向梯度；表示像素点（x，y）的像素值。 　　（2）计算像素点（x，y）处的梯度幅值和梯