铁路视频路障检测报警系统中路轨边缘提取方案研究.docx

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。 2 cancy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CCS 3.1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-maximum suppression) 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