基于改進(jìn)DOG邊緣檢測算子的鐵鞋相對位移檢測*

錢榮威，馬增強(qiáng),2，許丹丹，周 涵

(1. 石家莊鐵道大學(xué)電氣與電子工程學(xué)院，石家莊 050043；2. 石家莊鐵道大學(xué)省部共建交通工程結(jié)構(gòu)力學(xué)行為與系統(tǒng)安全國家重點(diǎn)實(shí)驗(yàn)室，石家莊 050043)

0 引言

鐵路車輛溜逸事故是鐵路中較為常見的一種安全事故，是鐵路運(yùn)輸生產(chǎn)中暗藏的“隱形殺手”。所謂溜逸事故是指停留在線路上的機(jī)車車輛，由于沒采取止輪措施或止輪措施不當(dāng)，導(dǎo)致車輛的自然移動(dòng)。為了避免車輛產(chǎn)生溜逸，減輕人員傷亡和財(cái)產(chǎn)損失，現(xiàn)場作業(yè)人員常在防溜作業(yè)中使用防溜鐵鞋[1]。通常是將防溜鐵鞋放置于車輪底下，利用防溜鐵鞋的踏面阻力作用阻止車輛移動(dòng)[2]。防溜鐵鞋通常采用鑄鋼材質(zhì)制成，具有堅(jiān)固耐用、體積小、便攜等特點(diǎn)，目前廣泛應(yīng)用于鐵路各車站和編組站[3]。停車后是否正確防溜，鐵鞋的放置位置是關(guān)鍵，而鐵鞋是否全部取出關(guān)系到列車是否可以安全發(fā)車。目前，鐵鞋的防溜作業(yè)都是人工完成的，由于現(xiàn)場工作人員緊張，沒有專職鐵路防溜作業(yè)人員，極易造成鐵鞋漏放、漏撤等安全隱患。

我國的智能鐵鞋研究從理論到實(shí)踐經(jīng)歷多年摸索。主要有3種方法：①將機(jī)械閉鎖加入到鐵鞋上[4-5]；②將遠(yuǎn)距離通訊終端與傳感器相結(jié)合[6]；③運(yùn)用無線通信技術(shù)、單片機(jī)和高科技檢測技術(shù)相結(jié)合的方法[7]。根據(jù)對已有鐵鞋的探究，最初從鐵鞋本體的機(jī)械設(shè)計(jì)問題出發(fā)，逐漸成為鐵鞋與傳感技術(shù)、無線通信等技術(shù)的結(jié)合，并且使高新技術(shù)逐漸應(yīng)用到鐵路設(shè)施中，契合新時(shí)期下鐵路現(xiàn)代化發(fā)展的大方向[8]。但是現(xiàn)階段受技術(shù)的制約，這3種方法并沒有實(shí)現(xiàn)經(jīng)濟(jì)性和實(shí)用性的完美結(jié)合,因此需要進(jìn)一步從技術(shù)應(yīng)用、經(jīng)濟(jì)實(shí)用著手進(jìn)行改進(jìn)。

近年來，計(jì)算機(jī)視覺[9-10]的快速發(fā)展為鐵鞋相對位移檢測提供了新的思路。本文采用視覺傳感器與圖像處理相結(jié)合的方法來實(shí)現(xiàn)鐵鞋相對位移檢測，并針對傳統(tǒng)DOG邊緣檢測算子無法細(xì)化邊緣的缺點(diǎn)[11]，提出了一種改進(jìn)的DOG邊緣檢測算法得到較為準(zhǔn)確且細(xì)化的鐵鞋邊緣，從而實(shí)現(xiàn)特征點(diǎn)的準(zhǔn)確提有利于鐵鞋與車輪之間相對位移的檢測。本文方法將相機(jī)安裝在車輪旁側(cè)的油箱上，首先對鐵鞋圖像進(jìn)行預(yù)處理，其次采用改進(jìn)的DOG邊緣檢測算子獲得鐵鞋輪廓，對鐵鞋輪廓進(jìn)行特征點(diǎn)提取得到鐵鞋尾部特征點(diǎn)，最后結(jié)合相機(jī)標(biāo)定得到鐵鞋與車輪的相對位移。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)了列車鐵鞋與車輪之間相對位移的非接觸檢測，且誤差在1%以內(nèi)。

1 鐵鞋位置檢測方案原理

通過圖像處理不僅可以直觀地得到鐵鞋的放置位置，而且具有在線測量、非接觸、精度高、成本低等優(yōu)點(diǎn)。圖1為鐵路鐵鞋的使用示意圖，單目相機(jī)安裝在車輪旁側(cè)的油箱上，保證拍攝區(qū)域?qū)㈣F鞋納入其中并確保鞋尾與相機(jī)視野下邊緣平行，以通過定位鞋尾的位置確定其空間位置。

相機(jī)一經(jīng)標(biāo)定其像素距離參數(shù)便是確定的。機(jī)車鐵鞋有其固定的規(guī)格[2]，故其長度也是確定的。首先在相機(jī)視野中標(biāo)記下邊緣，得到下邊緣距車輪

(a) 軌道放置鐵鞋 (b) 鐵鞋置于鞋架上

中心的實(shí)際距離L,其次采用圖像處理算法得到鞋尾距標(biāo)記點(diǎn)的實(shí)際距離L1，最后得到鐵鞋與車輪相對位移Lx，原理如圖2所示。

Lx=L-L1-L0

(1)

圖2 計(jì)算原理示意圖

圖3 本文算法流程圖

本文采用單目相機(jī)進(jìn)行鐵鞋相對位移測量的具流程如下：首先使用單目相機(jī)對鐵鞋所在區(qū)域進(jìn)行圖像采集，將采集的圖像首先進(jìn)行預(yù)處理即ROI區(qū)域提取、濾波、去噪，其次對預(yù)處理后圖像進(jìn)行改進(jìn)DOG邊緣檢測得到鐵鞋邊緣圖，然后在邊緣的基礎(chǔ)上提取鐵鞋特征點(diǎn)。最后結(jié)合相機(jī)標(biāo)定得出鐵鞋的相對位移，算法流程圖如圖3所示。

2 相機(jī)標(biāo)定

圖4 鐵鞋圖像

像素距離與實(shí)際距離的轉(zhuǎn)換需要對攝像頭進(jìn)行物象空間的標(biāo)定。相機(jī)標(biāo)定除了物象空間的標(biāo)定，還應(yīng)進(jìn)行光學(xué)畸變標(biāo)定和投影畸變標(biāo)定，即因?yàn)榘惭b位置誤差代表的圖像畸變矯正。相機(jī)標(biāo)定是非常關(guān)鍵的環(huán)節(jié)，其標(biāo)定結(jié)果的精度及算法的穩(wěn)定性直接影響相機(jī)工作產(chǎn)生結(jié)果的準(zhǔn)確性。因此，做好相機(jī)標(biāo)定是做好后續(xù)工作的前提，提高標(biāo)定精度是重點(diǎn)。

本文采用的物象空間標(biāo)定方法是：固定相機(jī)采集鐵鞋圖像使其充滿整個(gè)視野，如圖4所示。已知的默認(rèn)像素尺寸為v×h，以及鐵鞋的實(shí)際長度L0，即可求出像素距離參數(shù)d。

(2)

3 改進(jìn)DOG算子的鐵鞋特征點(diǎn)提取

3.1 圖像預(yù)處理

圖像預(yù)處理是將圖像進(jìn)行特征抽取、濾波和分割等處理，以消除圖像中無關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)信息的可檢測性。本文的預(yù)處理過程包括提取ROI區(qū)域、濾波和增強(qiáng)。采集到的圖像背景復(fù)雜，感興趣的區(qū)域(ROI)只有鐵鞋一部分，因此需要提取ROI可大大較少處理像素個(gè)數(shù)達(dá)到優(yōu)化算法執(zhí)行時(shí)間的作用。ROI區(qū)域雖然減少了像素處理個(gè)數(shù)但同樣含有一定的噪聲，因此加強(qiáng)或抑制圖像的某些細(xì)節(jié)是不可或缺的操作，處理效果的好壞直接影響后續(xù)圖像處理和分析的可靠性。本文采用的是高斯濾波和中值濾波相結(jié)合的算法，有效去除了鐵軌噪聲的干擾和拍攝場地的其他椒鹽噪聲。盡管去除了噪聲，可能會受天氣和光照的影響，濾波后圖像需要增強(qiáng)處理，本文采用CLAHE(限制對比度的自適應(yīng)直方圖均衡化)進(jìn)行圖像增強(qiáng)，增強(qiáng)后的圖像有利于后續(xù)的邊緣檢測。圖5顯示了圖像預(yù)處理流程圖。

(a) 鐵鞋圖像 (b) ROI區(qū)域 (c) 濾波 (d) CLAHE增強(qiáng)

3.2 基于改進(jìn)DOG算子的鐵鞋邊緣檢測

圖像的邊緣在人類視覺和計(jì)算機(jī)視覺中均起著重要的作用，神經(jīng)學(xué)和心理學(xué)的研究都表明，圖像中突變位置對圖像感知很重要，甚至有時(shí)候只考慮圖像的邊緣就可以大致理解圖像內(nèi)容，并且物體的特征點(diǎn)信息幾乎都體現(xiàn)在邊緣上。因此，鐵鞋邊緣的檢測對后續(xù)特征點(diǎn)的提取極其重要。

3.2.1 高斯差分(DOG)算子

高斯差分(DOG)算子是對高斯拉普拉斯算(LOG)算子的近似。LOG算子是一種二階微分算子邊緣響應(yīng)較好，但算子構(gòu)造過程中需要對二維高斯函數(shù)進(jìn)行拉普拉斯變換計(jì)算量很大，而DOG算子能很好的近似LOG算子，計(jì)算量較小的同時(shí)并能夠保持較好的邊緣響應(yīng)。

設(shè)二維高斯函數(shù)：

(3)

其拉普拉斯變換(LOG):

(4)

二維高斯函數(shù)對δ的一階偏導(dǎo)數(shù)如下：

(5)

(6)

根據(jù)一階偏導(dǎo)定義：

(7)

顯然得到LOG函數(shù)近似值為：

(8)

圖6 DOG算子的邊緣檢測

式中，等號右側(cè)成為高斯差分(DOG)函數(shù)，當(dāng)k=0.95時(shí)，認(rèn)為DOG與LOG的值近似相等。圖6顯示了對鐵鞋圖像進(jìn)行DOG算子的邊緣檢測效果，從圖中看出檢測到的邊緣粗略且包含許多無效邊緣，因此還需進(jìn)一步細(xì)化。

3.2.2 改進(jìn)DOG算子的邊緣細(xì)化

邊緣細(xì)化是將基于DOG算子得到的邊緣強(qiáng)度圖進(jìn)行尋找過零點(diǎn)操作。因?yàn)镈OG算子是一種二階微分算子，所以在邊緣強(qiáng)度圖中的過零像素點(diǎn)即為原圖像的邊緣像素點(diǎn)。圖7顯示了過零點(diǎn)于邊緣檢測中的作用。

設(shè)一元函數(shù):

(9)

圖7a顯示了式(9)的曲線，圖7b顯示的是式(9)的一階導(dǎo)數(shù)，相當(dāng)于一階微分等價(jià)于邊緣強(qiáng)度的概念。對于一階導(dǎo)數(shù)而言，|f′(x)|在x=0處是最大的，則對應(yīng)到f(x)在x=0處函數(shù)值的變化率最大，即邊緣強(qiáng)度最大。而圖7c顯示的二階導(dǎo)數(shù)f″(x)在x=0處的函數(shù)值等于0，即x=0就是f″(x)的過零點(diǎn)，顯然二階導(dǎo)數(shù)的過零點(diǎn)即為f(x)變化率最大的點(diǎn)。因此在圖像邊緣檢測中邊緣強(qiáng)度圖的過零像素點(diǎn)即為原圖像的邊緣像素點(diǎn)。

(a) f(x) (b) f ′(x)

本文采取的過零點(diǎn)檢測方法如下：對邊緣強(qiáng)度的每一個(gè)像素點(diǎn)判斷以該像素的3×3領(lǐng)域內(nèi)的上下方向、左右方向、左上右下方向及右上左下方向的像素值是否有異號出現(xiàn)來判斷該像素點(diǎn)是否為過零點(diǎn)。原理如圖8所示。

(a) 左上右下 (b) 左右 (c) 右上左下 (d) 上下

采用本文改進(jìn)DOG算法得到的鐵鞋邊緣如圖9所示。與未改進(jìn)DOG算法得到的邊緣相比，邊緣細(xì)化效果十分明顯，得到的邊緣更清晰準(zhǔn)確并且消除了大量無效邊緣有利于后續(xù)的特征點(diǎn)提取。

(a) DOG算法 (b) 改進(jìn)DOG算法

3.3 特征點(diǎn)提取

L1=L1′×d

(10)

圖10 像素投影

4 實(shí)驗(yàn)分析

為了測試本文算法得到鐵鞋與車輪相對位移的精確性，采用鞋底總長410 mm的鐵鞋置于鐵軌上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為長30 m的60 kg/m標(biāo)準(zhǔn)雙軌，將固定有采集裝置的三腳架以垂直于鐵軌上一條線為基準(zhǔn)位置進(jìn)行鐵鞋圖像采集。鐵鞋距車輪的實(shí)際距離采用機(jī)械游標(biāo)卡尺測量，其測量范圍0～350 mm，精度0.05 mm。移動(dòng)鐵鞋位置采集6組實(shí)驗(yàn)數(shù)據(jù)，使用公式(11)所示誤差計(jì)算方法，其中檢測距離為Δd，實(shí)際距離為Δs。實(shí)驗(yàn)結(jié)果及誤差分析如表1所示。

由表1誤差結(jié)果分析看，本文算法得到的距離與實(shí)際測量間的平均誤差為0.495 mm，平均誤差百分比為0.585%。本文采用的鐵鞋相對位移檢測方法誤差保持在1%以內(nèi)，對于檢測鐵鞋位置具有較高的精度，可以實(shí)現(xiàn)對鐵鞋的準(zhǔn)確定位。為了進(jìn)一步說明本方法的精確性，通過了大量的現(xiàn)場數(shù)據(jù)，使用本文算法進(jìn)行鐵鞋相對位移測量，將測量數(shù)據(jù)整理得出折線圖如圖11所示，結(jié)果表明該實(shí)驗(yàn)實(shí)現(xiàn)了鐵鞋位置的動(dòng)態(tài)檢測，檢測誤差較小，能精確地檢測出鐵鞋與車輪間的距離信息。

(11)

表1 鐵鞋位置數(shù)據(jù)分析

續(xù)表

圖11 鐵鞋與車輪的檢測距離與實(shí)際距離對比圖

5 結(jié)論

為了提高鐵鞋與車輪之間相對位移的檢測精度，提出了一種基于改進(jìn)DOG邊緣檢測算子的鐵鞋與車輪之間相對位移的檢測方法，提取到的鐵鞋邊緣更加細(xì)化清晰有利于后續(xù)的鐵鞋特征點(diǎn)提取。實(shí)驗(yàn)結(jié)果表明，該方法測得的鐵鞋相對位移十分精確，且誤差均在1%以內(nèi)。證明了該方法的可靠性和可行性，實(shí)現(xiàn)了鐵鞋與車輪之間相對位移的非接觸式檢測。本方法的提出避免了鐵鞋安裝不到位引發(fā)的安全問題，實(shí)現(xiàn)集防溜、撤鞋、在軌檢測于一體。為防止因車輛溜逸發(fā)生事故、確保車站行車安全提供一種技術(shù)保障。