用于動車組故障檢測的圖像識別算法研究

馬凌宇

摘要：動車組運行故障動態圖像檢測系統（TEDS）利用對當前圖像與其歷史圖像的比較，實現列車運行狀況的即時監測以及自動預警。因為，各個時間獲得的圖像肯定不可能完全一致，就造成僅僅基于SIFT特征匹配的故障識別算法誤報率非常高。因此，本文給出一種自適應融合局部和全局匹配的圖像故障識別算法：將圖像基于車廂對齊比對；基于SIFT特征匹配，利用局部比對粗略定位故障位置；以上述位置為模板，查詢歷史圖像以精確判斷故障位置。后續實驗證明，這一算法能有效地分析和警示運行動車組的問題情況，使得工作人員能夠及時發現突發問題，確保動車運行安全。

關鍵詞：動車組故障檢測 圖像識別 算法

中圖分類號：TP39 文獻標識碼：A 文章編號：1007-9416（2016）12-0140-02

隨著我國高速鐵路事業的進一步發展，動車組安全檢測工作的建設變得尤為關鍵。當前的檢測形式為入庫地溝式靜態監控，而運行過程中的動態監控不足。這必然造成動車組可能長時間帶問題行駛，造成了很大的安全隱患。高速運行中的車輛，其關鍵部位容易遭受石塊等物體的較強撞擊，另外因為長時間受到傳動力及制動力，其部件可能出現各種程度的動搖，所以行駛中的動態監控對于確保動車運行安全起到非常關鍵的作用。

對于以上情況，相關部門提出了動車組運行故障動態圖像檢測系統（TEDS， Trouble of moving EMU DetectionSystem）。它通過軌邊裝設的線陣攝像頭，收集行駛動車組走行部、底架懸吊件、鉤緩連接、制動配件、車體兩側裙板、轉向架等位置圖像，與其最近行駛的歷史圖像進行比較，檢查當前行駛車輛的結構件是否有改變、改變的趨勢以及改變的形式，完成故障的及時預警。但是因為速度、光線、大氣、抖動等各種外界因素的變化，造成不同時間采集的兩幅圖像之間存在分辨率、亮度、長度等差別，所以當前僅是應用基于SIFT特征匹配的圖像故障識別算法具有許多的誤報情況，故障定位不準確。

因此，本文提出一種自適應融合局部和全局匹配的圖像故障識別算法：（l）將圖像基于車廂對齊比對；（2）基于SIFT特征匹配，利用局部比對粗略定位故障位置；（3） 以上述位置為模板，查詢歷史圖像以精確判斷故障位置。后續實驗證明，本算法對于行駛動車組的異常狀況能有效地及時告警，使得工作人員可迅速發現相關故障，確保動車運行安全。

1 用于動車組故障檢測的圖像識別算法

文中提出的自適應融合局部和全局匹配的圖像故障識別算法框架：（1）以車廂為基準對不同時間采集的動車圖像進行對齊配準，盡可能地排除因為速率、抖動、光線等外部原因引起的圖像錯位情況；接著應用局部匹配粗略定位故障坐標，也就是利用SIFT特征匹配算法，查找現場采集圖像中無法與歷史圖像匹配成功的特征區域，將其當作待識別故障區域；（2）將待識別故障區域當作模板，在整幅歷史圖像中實現全局查找匹配，準確定位故障。后續實驗證明，本算法針對運行動車組的異常狀況能有效地實現告警，增強了動車組隱蔽故障發現能力和故障產生初期的預警性能，提高了動車組行駛的安全預防能力，為避免動車組問題運行提供了有效措施。

1.1 圖像的對齊比對

因為圖像在采集過程中容易遭受車速、天氣等很多外部原因的干擾，往往引起圖像差別，為此首先要對現場采集的動車圖像以車廂為基準進行圖像拼接和分割，實現與歷史圖像的對齊比對。具體來講，分為三部分：（1）實現動車車頭對齊，即根據火車車號，從火車車頭模板庫中提取該車型的車頭模板，與現場采集的火車圖像進行車頭模板匹配，并對匹配成功的圖像于車頭起始位置進行圖像分割。（2）實現車廂對齊，即利用車廂模板庫中該車型的車廂連接處模板，對實時采集的火車圖像進行模板匹配，并對匹配成功的圖像在車廂連接處位置進行圖像分割，而其他圖像則依次拼接，從而形成一幅完整的車廂圖像。（3）存儲車廂圖像，完成該車型歷史圖像庫的更新。

1.2 圖像的故障識別算法

當前的圖像故障識別算法多數是應用基于SIFT特征的匹配算法，但是局部特征中不包含所有位置信息，而圖像中又有著許多的特征類似而語義差別的特征點，所以僅從特征類似性的角度分析，會造成許多的誤報故障點。因此，有些算法提出使用基于像素的全局匹配解決問題，但是因為車速、天氣、光線、抖動等外部因素引發的圖像不一致狀況，即相同坐標位置對應的圖像內容不一致，造成僅是利用像素差的全局匹配不能較好地解決誤報情況。基于此種情況，本文提出一種自適應融合局部和全局匹配的故障識別算法。

（1）提取現場采集圖像的尺度不變特征變換描述子（SIFT， Scale-invariant feature transform），該描述子是一種局部特征，不僅具有尺度不變性，即使改變旋轉角度，圖像亮度或拍攝視角，仍然能夠保持較好的不變性。（2）提取歷史圖像的SIFT特征描述子，現場采集圖像的SIFT特征與歷史圖像的SIFT特征進行匹配，粗略定位故障區域。（3）將故障區域作為模板，利用模板匹配算法，在歷史圖像中尋找該區域。若匹配成功，則表明該故障區域為誤報故障，忽略不計；反之，將故障區域的坐標位置反饋給系統。

SIFT特征匹配主要包含兩個階段：（1）SIFT特征的生成，即從圖像中提取出對尺度縮放、旋轉、亮度變化無關的特征向量；（2）SIFT特征向量的匹配。具體地說，首先利用檢測子檢測出圖像中的興趣點，再利用描述子對興趣點周邊的區域進行魯棒的特征描述，最后利用匹配算法匹配兩幅圖像的描述子。

當兩幅圖像的SIFT特征向量生成后，應用興趣點特征向量的歐式距離作為兩幅圖像中興趣點的相似性判定度量。取圖像現場采集圖像中的某個興趣點，并找出其與歷史圖像中歐式距離最近的前2個興趣點，在這個興趣點中，假如最近的距離除以次近的距離低于某個比例閡值，則接受這一對匹配點。減少這個比例閡值，SIFT匹配點數目會降低，但更為平穩。

2 實驗分析

實驗分析，選取TEDS采集的高分辨率圖像數據來分析算法的性能，并和現有的圖像故障識別算法實現比較和分析。TEDS采集設施包括三套沉箱和兩套側箱，其中兩套沉箱共裝設五個超高速高清晰線陣攝像頭，用來收集動車底部的高清圖像（比如制動設備、驅動設備、牽引設備、轉向架、輪軸、車鉤及車底部其他部件），左右側部各裝設兩套側箱，其中一套用于收集轉向架圖像，一套用于收集裙擺圖像。本實驗將第一天采集到的列車圖像作為歷史圖像，分別對第二天以及第三天收集到的圖像做出故障分析。

第一組實驗主要用來分析算法的故障識別能力，本文主要運用問題漏報率以及問題誤報率這兩個標準來實現評價。這里的問題漏報率指的是在故障檢測中存在N次故障有M次未能檢測出來；而問題誤報率指的是在檢測出的N次故障中，其中有M次不是故障。

能夠分析得出，對于第三天采集的列車圖像，算法在誤報率和漏報率方面的指標都是高過第二天，證明圖像之間的差異性越大，算法故障識別的困難程度也變得更大。并且兩組數據的誤報率均高于漏報率，因本算法的故障識別基礎為局部特征匹配的檢測結果，而局部特征匹配旨在盡量降低漏報率，因此本算法的故障識別誤報率相對于漏報率較高。

第二組實驗比較了局部特征匹配以及全局模板匹配在故障識別方面的性能。能夠得出，SIFT特征匹配雖然可以定位故障位置，但是存在大量誤報的故障區域。由于兩幅圖像拍攝的光線，天氣等不同，使得看似相同的圖像可能具有完全不同的角點特征，圖像中的角點具有很好的局部顯著性和穩定性，但是單純利用SIFT局部特征匹配檢測出很多“噪聲”興趣點，使得故障識別存在誤報率高的問題。而基于模板匹配的故障識別算法盡管在一定程度上降低了誤報率，且能夠基本精確的定位故障區域，但是它的性能在一定程度上受到模板大小的干擾，而且匹配計算量大，速度慢，實時性不強。

因此，本文提出的自適應融合局部和全局匹配的圖像故障識別算法將SIFT局部特征匹配和全局模板匹配的優勢相結合，充分利用了局部和全局信息進行故障識別，定位精準，誤報率低，且計算時間也有一定的縮短，可以有效地提升動車運行過程中的安全監控質量。

3 結語

本文對于動車組行駛故障檢測，提出了一種自適應融合局部和全局匹配的圖像故障識別算法。其在基于SIFT局部特征匹配的前提下，應用全局模板匹配實現故障識別定位。具體來講，將圖像以車廂為基準對比；基于SIFT特征匹配通過局部比對粗略定位故障區域；以其作為模板，搜尋整幅歷史圖像以精準定位故障位置；按照故障的位置以及損傷程度，整體判定故障級別，進行多級報警。實驗分析證明，本算法對于行駛動車組的異常狀況能有效地實現告警，使工作人員可迅速發現相關故障，增強動車運行質量。

參考文獻

[1]石建偉.高速鐵路建設動車組運行故障圖像檢測系統的實踐[J].鐵路計算機應用，2014，23（5）：24-27.

[2]許營營，譚天賦，董濤.動車組運行故障動態圖像檢測系統（TEDS）的圖像對比算法研究[J].科技致富向導，2014（9）：244-244.

[3]謝贊德.淺析動車組運行故障動態圖像檢測系統運用管理[J].科技視界， 2014（12）：83-83.

[4]王銳.淺談動車組運行故障動態圖像檢測系統（TEDS）實踐與故障應急處理辦法[J].工業設計，2015（8）：80-81.

[5]張華.動車組運行故障圖像檢測系統（TEDS-3D）設備在高鐵無砟軌道上安裝方案的探討[J].文摘版：工程技術，2016（2）：263-263.