軌道視覺檢測系統中行程編碼的應用研究

閔永智，康 飛，黨建武，鄧 岳

MIN Yongzhi1,KANG Fei1,DANG Jianwu1,DENG Yue2

1.蘭州交通大學 自動化與電氣工程學院，蘭州730070

2.中國北車集團 大連機車車輛有限公司，遼寧 大連116000

1.School of Automation and Electrical Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China

2.Dalian Locomotive and Rolling Stock CO.,LTD.CNR Group,Dalian,Liaoning 116000,China

1 引言

隨著我國鐵路建設的快速發展，鐵路客貨運輸呈現高速重載發展趨勢，而保障運輸安全的前提是線路質量安全。在工務養護過程中，常采用視覺檢測方案檢查軌道病害、指導線路維修、保障行車安全。軌道視覺檢測系統圖像預處理過程中的閾值分割會造成軌道輪廓產生“斷線”和“邊緣毛刺”現象。該現象主要采用形態學運算中的膨脹處理來進行消除，而該過程需要進行大量的卷積運算且運算量極大。因此，本文采用行程編碼方法對形態學膨脹過程進行優化。該方法具有不考慮背景區域僅描述核心區域，不考慮內部區域僅針對邊界區域的特點。此外，存在圖像區域邏輯交、并的簡單運算是該方法對形態學膨脹進行有效優化的另一重要優勢[1]。目前對于行程編碼對形態學膨脹算法的優化研究中，文獻[2]分別從運行內存與運算時間的角度驗證了基于行程編碼法的形態學膨脹在運算效率上的優勢。Trein 等人的研究提出了一種基于FPGA 的行程編碼運算邏輯電路，實現了行程編碼算法優化的圖像數據在硬件上的高速執行與并行輸入[3]。文獻[4]根據行程編碼的連通關系鏈接節點形成邊界并在切削層上構造物體區域的行程編碼，從而得到切削區域的拓撲結構。吳錚提出了一種基于形態學膨脹運算和行程編碼的新型小波編碼器，有效地提高了數學形態學用于二值圖像處理的速度[5]。因此，基于行程編碼優化的形態學膨脹算法能夠有效提高圖像預處理速度，同時在硬件上易于高速處理和實現。

2 軌道視覺檢測系統原理

傳統的接觸式軌道檢測設備由于故障率高，檢測精度差、抗干擾性差等原因已經逐步被非接觸式的視覺檢測方案所取代[6]。軌道視覺檢測系統主要利用機器視覺原理提取軌道橫斷面幾何參數，并結合多傳感器數據融合進行參數修正，軌道質量通過軌道橫斷面幾何參數判斷。圖1 為軌道視覺檢測系統示意圖，該系統主要由CCD 高速攝像機與線激光源組成。CCD 高速攝像機通過識別線激光光源在軌道表面法向的反射成像生成原始圖像數據，再通過一系列算法得到軌道橫斷面單像素輪廓。

圖1 軌道視覺檢測系統原理示意圖

經過多年的發展，針對軌道視覺檢測系統的研究不斷完善，但研究內容與側重各不相同。許貴陽等開發的基于機器視覺的車載軌道巡檢系統主要運用主成分分析等建模方法對軌道病害進行模式識別檢測處理[7]。伏思華等設計出一種由測量主車和測量靶車兩部分組成的基于合作標志方法的新型軌道幾何參數測量系統[8]。文獻[9]提出利用DLT 和CSS 角點算法對鋼軌軌頭磨耗進行檢測。這些研究多側重于軌道視覺檢測系統的模型建立，系統搭建與后端實現。但目前針對軌道視覺檢測系統前端圖像預處理過程與算法處理實時性的深入研究尚無詳細表述。

在軌道視覺檢測設備中圖像數據信息量巨大，因此圖像處理算法的速度是制約系統整體檢測性能的關鍵。而在圖像處理的各個流程中，圖像的預處理用于抑制無效信息，增強有效特征，要占據絕大部分的幀處理時間和運算內存，而后期算法已經非常成熟，其優化效果對圖像處理整體速度的提高效果甚微。因此，提高圖像處理速度的關鍵在于圖像預處理過程的優化。

3 基于行程編碼法的形態學膨脹優化算法

3.1 行程編碼

行程編碼用于描述圖像核心區域。在一個逐行掃描處理的圖像矩陣中，具有相同灰度值的像素序列為一個行程。該行程僅存儲灰度值常數k與行程長度L，從而避免了同一的灰度值的反復存儲。若n×n區域圖像數據矩陣中第α行像素灰度值為(k0,k1,…,kn)，其中ki～ki+5為該行中一個像素集合，灰度值常數為k，則該行程編碼表示為(k,6)。

由定義可將圖像關注區域視為其全體行程編碼的集合。由于行程編碼表示區域具有同一灰度值，因此在對圖像關注區域進行邏輯交、并運算過程中可避免大量的重復冗余計算[10]。

3.2 形態學膨脹與優化特性

在軌道視覺檢測過程中由于光線的干擾經常會出現閾值分割處理后軌道輪廓的“斷線”和“邊緣毛刺”的現象。這嚴重影響了系統檢測的精度。因此需要利用形態學膨脹的方法來使斷線和毛刺重新“生長”成為一個平滑的連通區域。

形態學膨脹定義為：

其中M為關注區域ROI，N表示為結構元。

本系統通過獨特的視角提醒人們關注日常居室環境，避免室內污染對身體健康在不被感知的情況下造成的損害。采用方便、簡單的設計實現室內環境數據的采集和呈現，并通過共享到云服務器為環境大數據分析提供依據。同時也考慮后期維護上比較容易，成本低、效率高。

形態學膨脹可以視為在Minkowski 加法中使用轉置的結構元得到的運算結果，其中Minkowski 加法可定義為[11]：

即當轉置后的結構元與ROI 存在非空交集時則以當前覆蓋區域為運算結果進行存儲。由定義可知其滿足交換律M⊕N=N⊕M與分配律(M∪N)⊕T=M⊕T∪N⊕T。這是基于行程編碼優化的形態學膨脹算法成立的重要基礎。

3.3 行程編碼對膨脹過程的優化

若mi、nj分別為ROI 與結構元區域的單一行程的行程編碼；a、b表示兩個區域各自的行程數。則基于行程編碼優化的形態學膨脹算法的具體優化過程如下：

將ROI 與結構元逐點求非空交集的形式轉化為利用行程編碼運算求解形式，如式（3）所示：

利用交換律與分配率進行轉換如式（4）所示：

分別計算單一行程mi、nj的膨脹結果mi⊕nj，并對a、b次單行程處理結果求并集，優化后的Minkowski 加法可用行程編碼方法表示為式（5）形式：

由于對單一行程求并集運算極其簡單，通過算法的時間復雜度T(n)來對比算法優化前后的運算效率。

時間復雜度T記為：

隨著n的增大，算法執行的時間增長率和函數?(n)的增長率成正比[12]。若矩形圖像與ROI 區域尺寸分別為U×U和u×u像素，則其行程數分別為U與u。其中結構元為一個直徑為v像素的圓型區域，故其行程數為v。依據Minkowski 加法定義直接對二值圖像進行膨脹處理的時間復雜度為O(U2v2)，而優化處理后的時間復雜度為O(uv)。由于U?u故算法執行效率以2 階提高，因此經算法優化后的形態學膨脹運算計算量明顯降低。

綜上，基于行程編碼優化的形態學膨脹算法在時間復雜度上較二值圖像直接進行膨脹處理有效降低。因此，可將其應用于對圖像處理實時性要求極高的軌道視覺檢測系統中。此外，在實際應用過程中，形態學膨脹并不能完全消除干擾，故前期還需對圖像進行濾波去噪與圖像灰度變換處理以降低光斑噪聲對測量精度的影響，其具體算法與實現過程由于篇幅所限另文詳述。

4 實驗驗證與數據分析

圖2為軌道視覺檢測系統提取的一副800×640的8 bit軌道圖像。實驗條件為：實驗室環境下日光燈漫射照明。選用CCD 工業攝像機的像素尺寸為5.6 μm×5.6 μm，幀率60 f/s，信噪比>52 dB。圖中白色亮帶為一字線性激光光源垂直照射軌道形成的輪廓線，激光光源為紅光，扇角10°，波長650 nm；實驗選用圖形處理器為Intel 至強X3450，工作站主頻為2.66 GHz。

圖2 軌道圖像

實際應用中為降低陽光等外界光線干擾，采用最大類間方差自動閾值分割方法對光帶信息進行動態提取，該方法可有效降低固定閾值法造成的圖像信息丟失與冗余[13]，其選取的最優閾值即使該類間方差取最大值時的閾值[14]。該方法抗干擾能力強，尤其適用于分割目標與背景反差較大的圖像分割應用[15]。本實驗中圖像分割結果如圖3（a）所示。將二值圖像局部放大可見存在斷線和邊緣毛刺現象，這一現象導致不能在進一步細化處理時得到準確的像素坐標，從而影響到測量精確度。

為了填補和平滑處理斷線與邊緣毛刺，需要對閾值分割后的二值圖像進行形態學膨脹處理。實驗采用基于行程編碼的形態學膨脹優化算法對圖像進行膨脹處理，處理結果如圖3（b）所示。

圖3 優化算法處理前后比較

可見優化算法將斷線和邊緣毛刺完全消除，并得到平滑的軌道輪廓，形成一個完整的連通區域。由式（5）可知，優化算法并不會改變形態學膨脹的處理結果，僅在運算過程中進行了優化。

圖4 為基于行程編碼優化的形態學膨脹算法的處理流程與圖像編碼處理過程。

對優化前后10 幀圖像處理時間進行分析，以進一步驗證優化算法在處理實時性上的優勢，統計結果如表1 所示。

圖4 優化算法處理流程與編碼處理過程

表1 優化前后10 幀圖像處理時間統計 ms

由表1 可見，基于行程編碼優化的形態學膨脹算法在單幀圖像處理速度上較優化前大幅提高。為進一步探究優化算法對不同像素大小圖像的處理結果，實驗選取100 幀與圖3 相同場景的6 種不同像素大小圖像分別進行處理，優化前后平均幀處理時間與圖像像素大小關系如圖5 所示。

圖5 不同像素圖像優化前后幀平均處理時間

由圖5 可見，對二值圖像直接進行膨脹處理的幀平均處理時間隨著圖像像素的增大呈指數上升趨勢，而優化后的處理結果隨像素增大的上升趨勢平緩。單幀圖像處理速度完全能夠滿足軌道視覺檢測系統實時在線高速檢測的要求。

5 結束語

針對軌道輪廓圖像閾值分割過程中存在邊緣毛刺和斷線現象，研究了基于行程編碼優化的形態學膨脹算法并探究了其優化過程。將本文算法應用于軌道視覺檢測系統的圖像預處理過程中，依據優化算法特性與處理結果分析了優化前后軌道輪廓圖像預處理速度差異。實驗結果表明：（1）單幀圖像經過基于行程編碼優化的形態學膨脹算法處理的結果較閾值分割圖像直接膨脹處理速度提高5 倍。（2）二值圖像直接進行膨脹處理的圖像幀處理時間隨著圖像像素的增長呈指數上升趨勢，而優化處理后的幀平均處理時間上升趨勢趨于平緩。（3）依據4 點/m 工務軌道檢測規范，可提高理論檢測精度到20 點/m 或在檢測精度不變的條件下相應提高系統檢測速度。

[1] Sonka M，Hlavac V，Boyle R.Image processing，analysis and machine vision[M].[S.l.]：Thomson-Engineering，2007.

[2] Kim W J，Kim S D，Kim K.Fast algorithms for binary dilation and erosion using run-length encoding[J].ETRI Journal，2005，27（6）：814-817.

[3] Trein J，Schwarzbacher A T，Hoppe B，et al.A hardware implementation of a run length encoding compression algorithm with parallel inputs[C]//Proceedings of Signals and Systems Conference（ISSC 2008），2008.

[4] 楊建中，王啟富，黃正東，等.組合曲面的粗加工刀軌算法[J].計算機輔助設計與圖形學學報，2006，18（2）：295-301.

[5] 吳錚，何明一.小波圖像的膨脹-游程編碼算法[J].電子與信息學報，2005，27（7）：1030-1034.

[6] 劉鐵，任盛偉，許貴陽，等.GJ-4 型軌檢車軌距-軌向檢測系統改造[J].中國鐵道科學，2006，27（6）：137-140.

[7] 許貴陽，史天運，任盛偉，等.基于計算機視覺的車載軌道巡檢系統研制[J].中國鐵道科學，2013（1）：139-144.

[8] 伏思華，于起峰，王明志，等.基于攝像測量原理的軌道幾何參數測量系統[J].光學學報，2010（11）：3203-3208.

[9] Jin Wenrui，Zhan Xingqun，Jiang Benhe.An automatic scheme for rail wear detection based on infrared image analysis[C]//Proceedings of the 8th International Conference on Signal Processing，2006.

[10] 阮柏堯，陳偉峰，張歆奕.PCNN 與行程編碼結合的圖像壓縮方法[J].計算機工程與應用，2008，44（20）：196-197.

[11] Steger C，Ulrich M，Wiedemann C.Machine vision algorithms and applications[M].[S.l.]：Wiley-VCH，2008.

[12] 王紅梅，應紅霞，季紹紅.遞歸函數時間復雜度的分析[J].東北師大學報：自然科學版，2001（4）：111-113.

[13] 王昊.高速軌道檢測圖像處理技術[J].鐵路技術創新，2012（1）：35-37.

[14] 李敏，羅洪艷，鄭小林，等.一種改進的最大類間方差圖像分割法[J].南京理工大學學報：自然科學版，2012，36（2）：332-337.

[15] 徐建東，孫迎春，李帥，等.基于多峰分布最大類間方差的堊白米粒檢測方法[J].光電子·激光，2012（5）：956-960.