基于尺度不變特征變換的鋼軌蠕變檢測(cè)研究

張偉，李曦，王一軍, ，蒲浩

?

基于尺度不變特征變換的鋼軌蠕變檢測(cè)研究

張偉1，李曦2，王一軍1, 2，蒲浩3

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410083； 2. 中南大學(xué) 軟件學(xué)院，湖南 長(zhǎng)沙 410075；3. 中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙 410075)

針對(duì)鋼軌現(xiàn)有定點(diǎn)蠕變檢測(cè)技術(shù)的不足，提出一種基于尺度不變特征變換及圖像配準(zhǔn)的非接觸式實(shí)時(shí)觀測(cè)方法。通過安裝于軌側(cè)觀測(cè)樁上的相機(jī)對(duì)待檢鋼軌進(jìn)行拍攝，提取圖像中軌腰附近預(yù)定義的感興趣區(qū)域，而后基于尺度不變特征變換，與同一視場(chǎng)中鋼軌未蠕變圖像的對(duì)應(yīng)感興趣區(qū)域進(jìn)行配準(zhǔn)，得到定場(chǎng)環(huán)境下多關(guān)鍵點(diǎn)在像素坐標(biāo)系中的軌向及高低位移集。根據(jù)相機(jī)的內(nèi)外及畸變參數(shù)將像素位移集映射到世界坐標(biāo)系，對(duì)軌向及高低位移集分別求均值，得出鋼軌的軌向及高低蠕變量。為驗(yàn)證方法的有效性，搭建試驗(yàn)平臺(tái)并采用OpenCV開發(fā)了仿真系統(tǒng)。研究結(jié)果表明：高低和軌向蠕變的相對(duì)測(cè)量誤差均值分別低于0.606%和1.170%。

鐵路工務(wù)；鋼軌蠕變檢測(cè)；尺度不變特征變換；圖像配準(zhǔn)

在列車載荷、溫度力以及路基融沉凍脹等因素的作用下，軌道的物理形態(tài)時(shí)刻發(fā)生著變化。其中，沿軌道延伸方向的爬行稱為軌向蠕變，沿垂直方向的升降稱為高低蠕變。對(duì)鋼軌的蠕變檢測(cè)，一般可通過線路的平順性檢測(cè)實(shí)現(xiàn)：人工操作便攜式測(cè)量?jī)x器[1?2]等方式是目前所采用的主要現(xiàn)場(chǎng)作業(yè)模式；動(dòng)檢列車[2]對(duì)線路進(jìn)行的定期高速巡檢具有檢測(cè)速度快、檢測(cè)結(jié)果可為人工作業(yè)提供宏觀指導(dǎo)等優(yōu)點(diǎn)。近年來，高鐵運(yùn)行方式與傳統(tǒng)工務(wù)作業(yè)模式的矛盾日益突出：高鐵線路普遍采用單根長(zhǎng)度可達(dá)數(shù)千米的無(wú)縫鋼軌，溫度力誘發(fā)的軌向蠕變更為顯著，且無(wú)法通過傳統(tǒng)方式進(jìn)行有效的實(shí)時(shí)檢測(cè)；在非天窗期，高鐵線路禁止一切臨近路基的現(xiàn)場(chǎng)作業(yè)；高速巡檢方式獲得的是鋼軌在載荷狀態(tài)下的動(dòng)態(tài)蠕變。因此，現(xiàn)行工務(wù)作業(yè)模式已無(wú)法滿足對(duì)鋼軌進(jìn)行定點(diǎn)實(shí)時(shí)蠕變觀測(cè)的需要，為此，已有部分前期研究進(jìn)行了相關(guān)探索：定點(diǎn)接觸式，一般通過在鋼軌或軌道板間安裝傳感器，實(shí)現(xiàn)鋼軌蠕變的實(shí)時(shí)測(cè)量。傅勤毅等[3]通過安裝于軌道板和鋼軌之間的直線位移傳感器實(shí)現(xiàn)了軌向蠕變的實(shí)時(shí)測(cè)量，并將結(jié)果通過ZigBee等通信技術(shù)傳輸?shù)竭h(yuǎn)端服務(wù)器；YAN等[4]將相鄰軌枕間的鋼軌簡(jiǎn)化為簡(jiǎn)支梁，通過黏貼在軌腰部位的光纖光柵傳感器，實(shí)時(shí)檢測(cè)了因列車運(yùn)行造成的鋼軌應(yīng)變。該種方式?jīng)Q定了無(wú)法檢測(cè)因路基沉融凍漲等誘發(fā)的鋼軌與支撐物整體遷移式蠕變，且存在影響工務(wù)現(xiàn)場(chǎng)作業(yè)的可能；定點(diǎn)非接觸式，一般通過安裝在軌側(cè)觀測(cè)樁上的光學(xué)設(shè)備，對(duì)鋼軌進(jìn)行定場(chǎng)拍攝，采用計(jì)算視覺等技術(shù)計(jì)算鋼軌的蠕變狀態(tài)。吳湘華等[5]采用基于直方圖匹配的方法跟蹤涂刷在軌腰部位的定位標(biāo)靶并計(jì)算其質(zhì)心，而后與“零時(shí)”質(zhì)心比較，得到了鋼軌的高低蠕變量。采用光學(xué)設(shè)備實(shí)現(xiàn)的非接觸式實(shí)時(shí)測(cè)量，具有設(shè)備易于維護(hù)且不影響工務(wù)現(xiàn)場(chǎng)作業(yè)的優(yōu)點(diǎn)，但受氣象條件及標(biāo)靶污損[5]的影響，限制了其全天候性能。采用傳感網(wǎng)絡(luò)對(duì)鐵路基礎(chǔ)設(shè)施進(jìn)行在線感知[6]，進(jìn)而實(shí)時(shí)評(píng)估其服役狀態(tài)，已成為鐵路智能運(yùn)輸系統(tǒng)的研究熱點(diǎn)。為此，針對(duì)鋼軌蠕變非接觸實(shí)時(shí)檢測(cè)技術(shù)的不足，提出基于尺度不變特征變換(Scale Invariant Feature Transform，SIFT)[7]及圖像配準(zhǔn)[8]的檢測(cè)方法，并進(jìn)行仿真實(shí)驗(yàn)。同文獻(xiàn)[5]提及的方法比較，其優(yōu)點(diǎn)在于：通過對(duì)一張現(xiàn)場(chǎng)照片的處理，可同時(shí)獲得鋼軌上多個(gè)關(guān)鍵點(diǎn)相對(duì)于觀測(cè)原點(diǎn)的軌向和高低蠕變位移。對(duì)多點(diǎn)位移進(jìn)行再處理，在一定程度上消除了定位標(biāo)靶[5]污損及氣象條件造成的影響，進(jìn)一步提高了測(cè)量精度，增強(qiáng)了算法的魯棒性和泛化能力。

1 尺度不變特征變換

為了減少現(xiàn)場(chǎng)氣象條件對(duì)蠕變測(cè)量的影響，采用SIFT[7]作為鋼軌圖像感興趣區(qū)域(Region of Interest，ROI)[9]特征點(diǎn)的描述子，為此，定義圖像(,)的尺度空間函數(shù)(,,)：

式中：和σ+1分別是同一Octave中2個(gè)相鄰圖像的尺度因子。采用式(3)對(duì)每一個(gè)Octave中兩兩相鄰的圖像依序差分，直到所有的Octave差分完畢，得到新的圖像序列構(gòu)成了DOG金字塔。對(duì)于1幅DOG圖像中的對(duì)應(yīng)點(diǎn)，分別與同層及上下2層圖像中總計(jì)26個(gè)相鄰點(diǎn)值比較，若其值為最大或最小，則可以判定該點(diǎn)為離散DOG空間的關(guān)鍵點(diǎn)。為了精確定位連續(xù)空間的關(guān)鍵點(diǎn)及對(duì)應(yīng)的尺度因子，對(duì)式(3)進(jìn)行二階Taylor展開：

式求導(dǎo)并令導(dǎo)數(shù)等于0，可求得偏移量：

將式(5)代入式(4)得：

根據(jù)上述過程：SIFT描述子在一定程度上克服了尺度變化、旋轉(zhuǎn)、形變、光照及其它噪聲的影響，具有較強(qiáng)的魯棒性，因此更加適合野外環(huán)境下鋼軌蠕變定點(diǎn)觀測(cè)的需要，進(jìn)一步提高了觀測(cè)系統(tǒng)的亞全天候性能。

2 基于圖像配準(zhǔn)的鋼軌蠕變檢測(cè)

為在一定程度上克服觀測(cè)部位污損對(duì)測(cè)量結(jié)果的影響，提出基于圖像配準(zhǔn)的鋼軌蠕變檢測(cè)方法。該方法通過固定安裝在軌側(cè)觀測(cè)樁上的工業(yè)相機(jī)，首先拍攝鋼軌未蠕變圖像并在具有顯著特征的部位預(yù)定義ROI，而后采用SIFT獲取ROI中的標(biāo)準(zhǔn)關(guān)鍵點(diǎn)集；在后繼的實(shí)時(shí)測(cè)量過程中，對(duì)每次拍攝的定場(chǎng)鋼軌圖像，同樣通過SIFT獲取相同ROI范圍內(nèi)的實(shí)時(shí)關(guān)鍵點(diǎn)集，并與進(jìn)行配準(zhǔn)，可在定場(chǎng)環(huán)境下得到多關(guān)鍵點(diǎn)相對(duì)于觀測(cè)原點(diǎn)的像素位移集，對(duì)其中的每個(gè)元素進(jìn)行標(biāo)定變換，可得到鋼軌的高低及軌向蠕變量。算法流程如圖1所示。

根據(jù)圖1，鋼軌蠕變檢測(cè)流程由以下2部分 組成。

1) 安裝調(diào)試過程

該過程的主要工作之一是為了提高測(cè)量精度而進(jìn)行的相機(jī)標(biāo)定?？紤]徑向和切向畸變，相機(jī)坐標(biāo)系中點(diǎn)(,)投影到像素坐標(biāo)系中點(diǎn)(,)由下述方程決定：

蠕變觀測(cè)的目的，是檢測(cè)鋼軌相對(duì)于觀測(cè)原點(diǎn)的位置遷移，而在相機(jī)的視場(chǎng)范圍內(nèi)，還包含了除鋼軌之外的其他對(duì)象，為此在鋼軌未蠕變圖像拍攝完畢后，選擇軌腰部位具有顯著特征(可為人工涂刷的標(biāo)志圖案)的區(qū)域作為ROI，并采用SIFT算法提取標(biāo)準(zhǔn)關(guān)鍵點(diǎn)集，以方便蠕變檢測(cè)的實(shí)現(xiàn)。

圖1 鋼軌蠕變檢測(cè)流程

2) 實(shí)時(shí)檢測(cè)過程

對(duì)于現(xiàn)場(chǎng)固定安裝相機(jī)所實(shí)時(shí)拍攝的定場(chǎng)圖像，首先采用SIFT算法從安裝調(diào)試過程中已預(yù)定義的ROI區(qū)域提取實(shí)時(shí)關(guān)鍵點(diǎn)集，鋼軌蠕變過程可視為中的某些關(guān)鍵點(diǎn)遷移到中與之對(duì)應(yīng)配準(zhǔn)點(diǎn)的過程。即對(duì)于特征點(diǎn)

成立，則認(rèn)為此時(shí)0所對(duì)應(yīng)的關(guān)鍵點(diǎn)為的配準(zhǔn)點(diǎn)。為了配準(zhǔn)過程的快速實(shí)現(xiàn)，采用k-d Tree[12]為中所有關(guān)鍵點(diǎn)建立SIFT屬性空間的樹形索引結(jié)構(gòu)，采用改進(jìn)的最近鄰搜索算法-最優(yōu)節(jié)點(diǎn)優(yōu)先(Best-Bin-First，BBF)算法[13]改善因特征向量維數(shù)過高所造成的搜索效率下降問題，結(jié)合式(12)得到了與的初步配準(zhǔn)點(diǎn)對(duì)集，而后通過隨機(jī)抽樣一致性(RANdom SAmple Consensus，RANSAC)[14]算法消除誤匹配，并最終得到精確配點(diǎn)對(duì)集：

圖2 鋼軌蠕變示意圖

Fig. 2 Schematic diagram of rail creep

圖2中，點(diǎn)是點(diǎn)的蠕變對(duì)應(yīng)點(diǎn)，′表示未蠕變鋼軌的位置，′是蠕變后的位置。則根據(jù)軌向和高低蠕變的定義及視場(chǎng)范圍內(nèi)鋼軌的剛體特征：′A//B′。′平行于軸，則，分別是′及與軸的夾角。令′⊥′A，A′⊥B′，則和′(或′)分別代表了軌向蠕變量和高低蠕變量：

3 仿真實(shí)驗(yàn)

為了驗(yàn)證測(cè)量方法的有效性，搭建了實(shí)驗(yàn)平臺(tái)并基于OpenCV2.4.9開發(fā)了測(cè)量軟件。

3.1 實(shí)驗(yàn)設(shè)備及方案

試驗(yàn)平臺(tái)中所使用的主要設(shè)備參數(shù)如表1所示，設(shè)備組裝過程如圖3所示。

表1 主要實(shí)驗(yàn)設(shè)備

圖3為主要設(shè)備組裝示意圖。將三軸滑臺(tái)測(cè)微儀固定在底座上，軌道模型固定在測(cè)微儀的頂端，可通過調(diào)節(jié)測(cè)微儀的,軸旋鈕使得軌道模型在水平和垂直方向移動(dòng)，實(shí)現(xiàn)軌向和高低蠕變的模擬。工業(yè)相機(jī)通過萬(wàn)向球頭及水平和垂直調(diào)節(jié)支架安裝在支座上，通過USB接口與計(jì)算機(jī)連接，相機(jī)距離軌道模型約1 m。調(diào)整鏡頭光圈及焦距，使計(jì)算機(jī)中的圖像清晰，同時(shí)觀察軌道模型的圖像，通過球頭及調(diào)節(jié)支架微調(diào)相機(jī)姿態(tài)，使相機(jī)光軸垂直于軌道，且軌底邊緣與圖像邊緣平行，再次調(diào)節(jié)鏡頭光圈及焦距，使圖像處于最清晰狀態(tài)。

圖3 實(shí)驗(yàn)設(shè)備組裝示意圖

采用黑白棋盤格板及開發(fā)的測(cè)量軟件對(duì)相機(jī)進(jìn)行標(biāo)定，將測(cè)微儀軸均處于0刻度時(shí)的圖像作為鋼軌的未蠕變圖像，選擇其中一條鋼軌作為測(cè)量對(duì)象，采用手動(dòng)方式在軌腰部位定義ROI (1 500*40像素)并提取標(biāo)準(zhǔn)關(guān)鍵點(diǎn)集。調(diào)整測(cè)微儀軸到零刻度，以0.2 mm為步長(zhǎng)，而后沿軸按位移漸次增加的方向使軌道模型滑動(dòng)，每次滑動(dòng)后拍攝照片并采用測(cè)量軟件的實(shí)時(shí)檢測(cè)過程處理，同時(shí)記錄測(cè)量結(jié)果，直到軸方向達(dá)到最大量程，總計(jì)獲得25個(gè)測(cè)量結(jié)果；當(dāng)軌向蠕變測(cè)量完畢后，調(diào)節(jié)測(cè)微儀使軸刻度歸0，然后按照相同的規(guī)則測(cè)量高低蠕變并記錄測(cè)量結(jié)果。

3.2 測(cè)量結(jié)果分析

根據(jù)實(shí)驗(yàn)方案及圖1給出的測(cè)量原理：中包含了720個(gè)標(biāo)準(zhǔn)關(guān)鍵點(diǎn)；在后繼的每次軌向及高低蠕變測(cè)量過程中，分別得到了多個(gè)蠕變配準(zhǔn)點(diǎn)對(duì)，其數(shù)量變化過程如圖4所示。

其中，圖4(a)給出了每次軌向蠕變測(cè)量的配準(zhǔn)點(diǎn)對(duì)數(shù)量變化，圖4(b)給出了每次高低蠕變測(cè)量的配準(zhǔn)點(diǎn)對(duì)數(shù)量變化。采用式(16)對(duì)每次測(cè)量得到的軌向或高低蠕變集進(jìn)行處理，可分別得到對(duì)應(yīng)的軌向或高低蠕變值。軌向蠕變的測(cè)量偏差及相對(duì)誤差如圖5所示。

(a) 軌向蠕變配準(zhǔn)點(diǎn)對(duì)數(shù)變化；(b) 高低蠕變配準(zhǔn)點(diǎn)對(duì)數(shù)變化

其中，圖5(a)為軌向蠕變的測(cè)量偏差，圖5(b)為軌向蠕變測(cè)量的相對(duì)誤差。據(jù)圖可知：測(cè)量偏差介于?0.006~0.040 mm之間，且自第3次測(cè)量開始，所有偏差均為正值；相對(duì)誤差介于0.182%和3.333%之間，且隨著測(cè)量范圍的增加，相對(duì)誤差逐漸減小并基本趨于穩(wěn)定，相對(duì)誤差均值為1.170%。高低蠕變的測(cè)量偏差及相對(duì)誤差如圖6所示。

(a) 軌向蠕變測(cè)量偏差曲線；(b) 軌向蠕變測(cè)量相對(duì)誤差曲線

(a) 高低蠕變測(cè)量偏差曲線；(b) 高低蠕變測(cè)量相對(duì)誤差曲線

其中，圖6(a)為高低蠕變的測(cè)量偏差，圖6(b)為高低蠕變測(cè)量的相對(duì)誤差。據(jù)圖可知：測(cè)量偏差介于?0.02~0.011 mm之間，偏差負(fù)值居多；相對(duì)誤差介于0.045%和2.5%之間，且隨著測(cè)量范圍的增加，相對(duì)誤差逐漸減小并基本趨于穩(wěn)定，平均相對(duì)誤差為0.606%。

3.3 誤差限分析

在仿真過程中，相機(jī)距離鋼軌模型約1 m，標(biāo)定完畢后，在圖像中選擇(0,0),(1,0),(0,1)3點(diǎn)并根據(jù)式(17)得：=0.086 mm；=0.096 mm。即軌向和高低的理論誤差限分別為±0.086 mm和±0.096 mm。根據(jù)圖5(a)和圖6(a)可知，軌向和高低的測(cè)量誤差限均小于理論誤差限，該結(jié)論間接證明了SIFT特征的亞像素特性，并可在一定程度上提高測(cè)量精度。

4 結(jié)論

1) 采用具有旋轉(zhuǎn)平移不變性及可克服光照影響的SIFT特征作為關(guān)鍵點(diǎn)的描述子，可在一定程度上提高現(xiàn)場(chǎng)觀測(cè)的亞全天候能力。

2) 在定場(chǎng)條件下，通過圖像配準(zhǔn)實(shí)現(xiàn)了鋼軌即時(shí)圖像與標(biāo)準(zhǔn)圖像的蠕變跟蹤，達(dá)到了高低及軌向蠕變同時(shí)測(cè)量的目的。

3) 通過1次拍照及配準(zhǔn)計(jì)算，獲得了對(duì)應(yīng)感興趣區(qū)域內(nèi)的多個(gè)配準(zhǔn)點(diǎn)對(duì)，可在一定程度上克服跟蹤標(biāo)靶污損形成的測(cè)量誤差。

4) 仿真實(shí)驗(yàn)結(jié)果表明，實(shí)際檢測(cè)誤差限小于理論誤差限，SIFT特征具有亞像素特征，可提高測(cè)量精度。

5) 在仿真實(shí)驗(yàn)中，分別將軌向和高低蠕變集的均值作為各自的蠕變結(jié)果，該方法不能消除系統(tǒng)誤差的影響，在實(shí)際工程應(yīng)用中可通過平差等方法進(jìn)一步提高測(cè)量精度。

[1] 蔡德鉤. 高速鐵路季節(jié)性凍土路基凍脹時(shí)空分布規(guī)律試驗(yàn)[J]. 中國(guó)鐵道科學(xué), 2016, 37(3): 16?21. CAI Degou. Rest on frost heaving spatial-temporal distribution of high speed railway subgrade in seasonal frozen region[J]. China Railway Science, 2016, 37(3): 16?21.

[2] XU Peng, LIU Rengkui, SUN Quanxin. Dynamic-time- warping-based measurement data alignment model for condition-based railroad track maintenance[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 799?812.

[3] 傅勤毅, 彭亞凱, 王超. 基于ZigBee技術(shù)的無(wú)縫鋼軌爬行監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2016, 13(12): 2478?2482. FU Qinyi, PENG Yakai, WANG Chao. Design of continuously welded rail crawling monitoring system based on ZigBee[J]. Journal of Railway Science and Engineering, 2016, 13(12): 2478?2482.

[4] YAN Lianshan, ZHANG Zhaoting, WANG Ping, et al. Fiber sensors for strain measurements and axle counting in high-speed railway applications[J]. IEEE Sensors Journal, 2011, 11(7): 1587?1594.

[5] 吳湘華, 季天瑩, 陳峰. 鋼軌爬行及路基表層凍脹檢測(cè)技術(shù)[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2015, 12(3): 515?520. WU Xianghua, JI Tianying, CHEN Feng. Detection technology of railway subgrade frost heave and rail crawling[J]. Journal of Railway Science and Engineering, 2015, 12(3): 515?520.

[6] Hodge V J, Simon O K, Michael W. Wireless sensor networks for condition monitoring in the railway industry: A survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3): 1088? 1106.

[7] David G L. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91?110.

[8] Sourabh P, Umesh C P. Remote sensing optical image registration using modified uniform robust SIFT[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(9): 1300?1304.

[9] LI Tong, ZHANG Junping, LU Xiaochen. SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 699?703.

[10] 王鳳艷, 黃潤(rùn)秋, 陳劍平. 基于計(jì)算機(jī)視覺和測(cè)量平差理論的相機(jī)標(biāo)定[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2017, 47(3): 944?951. WANG Fengyan, HUANG Runqiu, CHEN Jianping. Camera calibration based on computer vision and surveying adjustment fundamentals[J]. Journal of Jilin University (Engineering and Technology Edition), 2017, 47(3): 944?951.

[11] ZHANG Zhengyou. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330?1334.

[12] 張貴安, 袁志勇, 童倩倩. 層次結(jié)構(gòu)K-d樹的立體圖像快速匹配方法[J]. 軟件學(xué)報(bào), 2016, 27(10): 2462?2472. ZHANG Guian, YUAN Zhiyong, TONG Qianqian. Fast and hierarchical K-d tree based stereo image matching method[J]. Journal of Software, 2016, 27(10): 2462? 2472.

[13] LIU Haifeng, DENG M, XIAO Chuangbai. An improved best bin first algorithm for fast image registration[C]// Electronic and Mechanical Engineering and Information Technology, 2011 International Conference on Harbin: 2011: 355?358.

[14] WU Yue, MA Wenping, GONG Maoguo. A novel point-matching algorithm based on fast sample consensus for image registration[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1): 43?47.

Research on rail creep detection based on SIFT

ZHANG Wei1, LI Xi2, WANG Yijun1, 2, PU Hao3

(1. School of Information Science and Engineering, Central South University, Changsha 410083, China;2. School of Software, Central South University, Changsha 410075, China; 3. School of Civil Engineering, Central South University, Changsha 410075, China)

According to the defects of existing rail creep detection technology, a non-contact real time observation method was proposed based on scale invariant feature transform (SIFT) and image registration. This method captured image of rail to be detected by a camera mounted on the observation pile, extract the predefined region of interest (ROI) which is registered with corresponding ROI of non-creep rail image in the same field of view, finally, the offset set of track and vertical direction of multi key points in the pixel coordinate system was obtained under the fixed field of view. Mapping the pixel offset set to the world coordinate system based on the all parameters of the camera, the creep value of the track and vertical direction can be calculated by computing the mean value of all elements in the offset set of track and vertical direction separately. In order to verify the effectiveness, the test platform was built, and the simulation system is developed with OpenCV, the experimental results show that the mean value of relative measurement error of track and vertical direction is less than 0.606% and 1.170% respectively.

railway maintenance; rail creep detection; scale invariant feature transform; image registration

10.19713/j.cnki.43?1423/u.2019.01.006

U216

A

1672 ? 7029(2019)01 ? 0042 ? 08

2017?12?25

高鐵聯(lián)合基金資助項(xiàng)目(U1734208)

蒲浩(1973?)，男，四川南充人，教授，博士，從事鐵路線路數(shù)字化設(shè)計(jì)研究；E?mail：haopu@csu.edu.cn

(編輯 涂鵬)