基于截線法的鐵路扣件骨架提取算法

張 雨,王志暉,李柏林

(西南交通大學機械工程學院,成都 610031)

鐵路扣件作為連接鋼軌和軌枕的重要部件，其丟失、斷裂等缺陷會加快鋼軌磨損，增加列車脫軌等事故發(fā)生的可能性，嚴重影響軌道交通安全，因此扣件檢查是高速鐵路巡檢的重點項目[1]。隨著我國鐵路網(wǎng)建設(shè)的高速發(fā)展，迫切需要提高扣件缺陷的自動化檢測水平[2]。近年來，一些學者針對鐵路扣件的自動化檢測方法進行了積極的探索，提出了一系列的鐵路扣件檢測算法[3-8]。Yang等[6]運用方向場理論提取方向字段作為識別特征，在精確定位扣件位置的情況下檢測效果較好，但實際線路中由于光照不均勻等原因，圖像質(zhì)量存在較大的差異，降低了檢測效果。王珍珍等[7]將邊緣特征作為鐵路扣件缺陷分類的重要依據(jù)。由于現(xiàn)有檢測算法所提取的底層特征受光照和噪聲的影響較大，且難以準確刻畫扣件狀態(tài)，所以算法識別率不高。而基于骨架特征[8-11]的方法是一種將物體形狀細化的方法，不僅能夠集成物體的幾何和拓撲特性，而且可以降低形狀特征維度和算法復雜度，故而在復雜圖像的識別方面具有明顯的優(yōu)勢。

傳統(tǒng)的骨架提取方法所提取的是圖像中目標的中軸[12]，可以很清晰、簡潔地表述物體形狀，對于輪廓規(guī)則且噪聲較少的目標具有較好的識別效果。但是，對于背景區(qū)域復雜且噪聲較多的圖像來說，直接使用傳統(tǒng)算法生成的骨架會產(chǎn)生很多細小的分支，從而導致后續(xù)的扣件識別部分難以進行，所以必須通過剪枝處理[13-14]，去除多余骨架分支。然而，經(jīng)過剪枝處理后的骨架雖然較為精確，但算法的復雜度和運行時間明顯提高，不能滿足算法實時性的要求。針對這一問題，高立青等[15]提出一種基于截線法的快速骨架提取方法，首先對目標圖像進行輪廓多邊形離散曲線演化，并由所得顯著凸頂點的類型將輪廓多邊形進行分塊；然后分別利用水平線族和豎直線族掃描輪廓塊，將所得割線的中點作為目標骨架點，進而提取出完整的骨架。雖然該方法所得骨架位置不是很精確，但對于復雜圖像的識別具有較好的效果，與傳統(tǒng)算法相比，時間復雜度明顯降低，并且可以達到算法實時性的要求。

綜上所述，本文通過引入截線法的概念，提出一種基于截線法的鐵路扣件骨架提取算法，以滿足提高識別準確度及算法實時性的要求。

1 圖像預處理

初步采集到的軌道圖像包括鋼軌、軌枕和扣件等多個部件，因此不能直接用于扣件骨架特征提取。本文根據(jù)文獻[16]的算法獲得鋼軌和軌枕的位置信息，并應用交叉定位分割出扣件子圖像。由于子圖像中包含有大量的外部噪聲且其中的背景區(qū)域會對骨架提取產(chǎn)生嚴重干擾，所以需要進行預處理，即先通過單通道的局部二值模式方法進行二值化，然后提取包含扣件端部的感興趣區(qū)域。

水平方向的局部二值模式(Local Binary Pattern， LBP)方法[17]，是通過編碼中心像素點與單方向上的鄰域像素點的灰度值大小關(guān)系來編碼局部區(qū)域的紋理信息。本文通過求解水平方向的紋理圖像得到扣件二值圖像。

中心像素點的單通道LBP編碼值可以表示為

(1)

(2)

Ip(x,y)=I(x,y+R),p=0°

(3)

首先對已經(jīng)分割好的圖像如圖1(a)所示使用均值濾波[18]。然后設(shè)定單通道的局部二值模式的鄰域半徑的值為3，并使用公式(1)和(3)計算水平方向的紋理圖像如圖1(b)所示。最后對所得圖像進行極值中值濾波，并使用形態(tài)學的閉運算去除端部孔洞，以得到二值圖像，如圖1(c)所示。

圖1 扣件二值圖像獲取示意

2 基于方位距離變換的感興趣區(qū)域提取

2.1 方位距離變換

經(jīng)典的歐氏距離變換是先計算二值圖像中目標點像素與距其最近的背景點像素間的歐式距離[19]，并把該距離值作為目標點像素值，然后采用串行掃描的方法遍歷圖像，最后得到距離場。方位距離變換與歐氏距離變換的不同之處在于只計算目標像素點特定方向上的歐氏距離，從而得到單方向的距離場。

對于二值圖像上的目標像素點I(x1,y1)與在特定方向上距其最近的背景像素點I(x2,y2)，其距離值定義為

D(x1,y1)=

(4)

2.2 感興趣區(qū)域提取

本算法所要尋找的感興趣區(qū)域是扣件的4個端部，扣件的丟失和斷裂也是根據(jù)端部信息進行判斷。由于扣件端部與擋板和墊板底部間的空間位置關(guān)系是扣件本身的固有屬性，分別位于扣件上下方，所以可以利用圖像特征，通過方位距離變換求解擋板以及墊板底部區(qū)域的近似骨架特征，進而提取感興趣區(qū)域。

首先對扣件圖像進行0°方向的方位距離變換，得到距離場D1。然后對圖像進行近似骨架提取。由于擋板以及墊板底部區(qū)域在扣件二值圖像中均為白色長條狀，故可以通過計算D1中行極大值的方法求解其近似骨架特征。

yn=ym+D1(xm,ym)

(5)

由(xm,ym)和(xm,yn)即可提取出擋板以及墊板底部區(qū)域的近似骨架。如圖2(a)所示。

最后提取感興趣區(qū)域。提取出骨架特征后，根據(jù)枕肩和墊板底部和扣件間的空間位置關(guān)系分割提取扣件的目標區(qū)域，然后將其劃分為Lu、LD、Ru、Rd(左上、左下、右上、右下)四個感興趣區(qū)域，如圖2(b)所示。

圖2 扣件圖像預處理示意

3 基于截線法的扣件骨架提取算法

本文采用截線法來近似獲取鐵路扣件端部的骨架特征。利用不同方向的方位距離變換計算扣件各端部區(qū)域的骨架生長點，并以該點為中心點，沿扣件的彎曲方向利用水平線族和豎直線族掃描扣件端部輪廓，得到截線段后，計算其中心點，依次連接骨架生長點和所有截線中心點即可得到完整的扣件圖像骨架。

3.1 提取骨架生長點

分析扣件形狀可知，其端部部分具有較大的彎曲弧度且各部分的彎曲方向互不相同，所以在使用截線法提取扣件端部骨架特征前，需要將每個部分分割為兩個區(qū)域，以便于使用水平線族或豎直線族掃描端部輪廓。但是，通常扣件的端部輪廓都包含有一些干擾區(qū)域，而且輪廓曲線不規(guī)則，故難以通過離散曲線演化[20]的方法獲取輪廓顯著凸頂點，因此無法利用該方法分割扣件端部部分。方位距離變換是基于圖像目標形狀內(nèi)部像素點的圖像處理方法，在對于識別目標輪廓不規(guī)則且具有較多干擾區(qū)域的圖像時仍具有顯著的效果，所以通過不同方向的方位距離變換方法來計算骨架生長點，從而實現(xiàn)對端部部分的分割。

根據(jù)扣件端部的形狀，所提取的骨架生長點應滿足位于扣件端部輪廓的中心位置，即中軸，且端部彎曲弧度較大的位置。

綜合分析并結(jié)合扣件端部形狀，扣件Lu、Rd、Ld區(qū)域的骨架生長點應位于扣件端部彎曲弧度較大位置處135°方向與45°方向截線段中點的交點位置；Ru區(qū)域的骨架生長點應位于扣件端部彎曲弧度較大位置處90°方向截線的中點。

以Lu區(qū)域為例，為找到滿足條件的骨架生長點，需要計算扣件端部區(qū)域135°方向與45°方向截線的交點位置，而該交點同時也須是兩段截線段的中點。Lu區(qū)域骨架生長點的計算步驟如下所示。

步驟1：對Lu區(qū)域進行45°，135°，225°和315°方向的方位距離變換，得到距離場D2、D4、D6和D8。

步驟2：如圖3所示，以D2、D6相同位置區(qū)域的8×8矩陣為例，由于D2、D6是在相反方向上進行的方向歐氏距離變換，故兩矩陣在45°方向的元素值的排列是相反的，同理，D4、D8在135°方向元素值的排列是相反的。若將D2、D6點乘，所得矩陣在45°方向上每一行的最大值點即為該行的中點；將D4、D8點乘，所得矩陣在135°方向上每一行的最大值點即為該行的中點。

圖3 距離場示意

骨架生長點的計算方法為：首先對所求距離場進行約束，以保證骨架點的位置；然后，分別將D2、D6和D4、D8點乘，以保證實現(xiàn)約束的同時得到所需的特征矩陣，計算如式(6)所示

(6)

其中，p1、q1、p2、q2和p3、q3、p4、q4分別為D2、D6與D4、D8的約束參數(shù)。由于骨架生長點應在矩陣C1與C2在45°、135°方向上的極大值點上，所以對C1與C2進行融合，所得矩陣C即為所需特征矩陣。

C=C1+C2

(7)

步驟3：計算特征矩陣C的極大值點(x1,y1)，其中x1為行數(shù)，y1為列數(shù)。

(x1,y1)=max(C)

(8)

該極大值點即為所求Lu區(qū)域骨架生長點，如圖4(a)所示。其他區(qū)域骨架生長點的提取方法與Lu區(qū)域類似。通過Lu、Ld、Ru、Rd區(qū)域的端部骨架生長點分別沿135°，90°，45°和135°方向做截線，即可將各個扣件端部部分分割為兩個子區(qū)域，然后使用截線法分別掃描所得兩區(qū)域的輪廓以提取骨架節(jié)點。

圖4 扣件骨架生長點示意

3.2 提取近似骨架特征

本文所提取扣件端部骨架節(jié)點的方法與基于歐氏距離變換[21]的骨架化方法不同，主要通過截線法來計算骨架節(jié)點，以替代圖像距離場的局部最大值點。與文獻[13]通過輪廓多邊形的頂點來提取行人骨架的方法存在較大差異的是，本文經(jīng)過預處理后的扣件輪廓不存在多邊形頂點，且處理過的扣件端部輪廓為規(guī)則不明顯的曲線，故本文的截線法采用相同間距的平行線族掃描的方法提取骨架節(jié)點，使最終生成的骨架在最大程度上接近端部形狀。本文算法根據(jù)每個扣件感興趣區(qū)域的彎曲情況，分別采用水平截線和豎直截線提取端部骨架，其中，由骨架生長點分割的兩個子區(qū)域的骨架節(jié)點數(shù)應相同，從而可以保證扣件圖像骨架特征向量的維度不變，以便于后續(xù)分類算法中的分析計算。另外，由于水平截線法和豎直截線法在算法上是完全類似的，故下面主要討論水平截線法。

已知由8個端部子區(qū)域所組成的扣件圖像、骨架生長點的坐標(xn,yn)以及扣件端部輪廓C，其中，1≤n≤4；設(shè)扣件端部子區(qū)域的骨架節(jié)點數(shù)為k，水平截線段間的距離為m，故水平截線為x=lm+xn，其中l(wèi)為扣件端部單個子區(qū)域內(nèi)截線的個數(shù)，且滿足1≤l≤k；設(shè)任意水平截線與端部輪廓C的交點為(aij,bij)、(aij,bi(j+1))，其中1≤i≤l，1≤j≤2l；計算兩交點的中點坐標rij；對于bij，應滿足

bi(j+1)-bij

(9)

式中，pi為兩交點間距離的約束參數(shù)。

(10)

對于滿足上述條件的bij、bi(j+1)、rij，則稱點rij為扣件端部輪廓的骨架節(jié)點，稱bij、bi(j+1)為骨架點rij的生成點，稱點bij到點bi(j+1)距離的一半為rij的截線半徑。

以Lu區(qū)域為例來介紹截線法算法步驟。

步驟1：由上節(jié)方法已經(jīng)計算出Lu區(qū)域的骨架生長點(x1,y1)，并以此點為中心，由端部向下彎曲的方向等間距的作水平截線，使水平截線的個數(shù)為4，生長點與截線、截線與截線間的間距相同，如圖5(a)所示。經(jīng)過大量實驗，將該間距m設(shè)定為5，故水平截線

x=x1+5l

(11)

式中，參數(shù)l滿足1≤l≤4。

步驟2：所需的截線只需求與扣件端部輪廓相交的部分，故可以通過不同方向的方位距離變換的方法，求解截線與輪廓線的交點。以骨架生長點下的第一個截線段的求解為例，過程如下：

首先，已知計算出的距離場D1與所求交點的行數(shù)a11，求解D1在Lu區(qū)域a11行的極大值點，并對所求解的區(qū)域設(shè)定約束。

(12)

式中，c1為像素點(a11,b11)處的像素值，同時也是該行的極大值。

然后，根據(jù)計算得到的極大值點求解a11行的另外一個交點

b12=b11+c1

(13)

由于扣件二值圖像端部的彎曲形狀不規(guī)則，很容易導致所得截線不符合所需截線的要求。如圖5(a)所示，由骨架生長點向下方的第三、四條截線因為此原因過長，導致生成的骨架不能準確表示端部形狀。針對該情況，由公式(11)設(shè)定相對應的約束參數(shù)，進而使第三條截線的第一個交點與第二條截線第一個交點滿足一定的約束關(guān)系，然后使第四條截線的第一個交點與第三條截線的第一個交點滿足一定的約束關(guān)系，最終效果如圖5(b)所示。最后，依次計算所有水平截線段的交點坐標，求解方法與上述計算過程相同。

圖5 水平截線法約束示意

步驟3：計算出所有水平截線段后，再求解截線段的中點即所求骨架節(jié)點rij。以Lu區(qū)域的第一條水平截線為例，其骨架節(jié)點坐標(x11,y11)的計算方法為

(14)

通過上述方法計算出所有的骨架節(jié)點坐標，將其依次連接，之后再連接骨架生長點，即可得到Lu區(qū)域第一個子區(qū)域的骨架，如圖6(a)所示。Lu區(qū)域骨架生長點的右上方為另一子區(qū)域，該區(qū)域采用豎直截線法來求解骨架節(jié)點，方法同上述用水平截線法求骨架節(jié)點。通過計算得到該子區(qū)域所有的骨架點并依次連接，之后再與骨架生長點相連，實驗結(jié)果如圖6(b)所示。最后去除所有的截線段，即可得到完整的Lu區(qū)域骨架，如圖6(c)所示。

按照上述Lu區(qū)域的骨架提取算法即可依次求解扣件所有感興趣區(qū)域的骨架節(jié)點位置，然后連接各個區(qū)域的骨架節(jié)點，得到最終的扣件骨架圖像，如圖6(d)所示。

圖6 扣件圖像骨架生成示意

3.3 算法流程

本文算法的基本流程共分為兩個階段，如圖7所示。第一階段為預處理階段，首先對原始的扣件圖像進行濾波，然后通過水平方向的局部二值模式方法實現(xiàn)圖像的二值化，通過提取圖像中枕肩以及墊板底部區(qū)域的近似骨架特征得到扣件感興趣區(qū)域；第二階段為扣件端部骨架提取階段，先根據(jù)扣件的骨架生長點的要求對扣件圖像進行不同方向的方位距離變換，然后計算骨架生長點坐標，并通過截線法來提取扣件端部骨架點，最后連接各點得到完整的扣件端部骨架。

圖7 扣件檢測算法流程

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)集設(shè)置

為了進一步測試本文算法的實用性以及綜合性能，首先需要選用合適的扣件樣本圖像庫。本文采用的圖像庫充分考慮了各種工況條件，從采集的圖像中選擇2 400張組成圖片庫，其中包括各種工況圖像；正常圖像1 200張、缺陷扣件圖像如斷裂、丟失和道砟遮擋等狀況的圖像各400張，其中扣件圖像均為120×180像素灰度圖。本文在Matlab2014a的實驗環(huán)境下進行檢測。每次實驗隨機抽取正常狀態(tài)的圖像300張，斷裂、丟失和道砟遮擋等狀況的圖像各100張。重復抽取4次，得到4組實驗數(shù)據(jù)。實驗結(jié)果取4組數(shù)據(jù)結(jié)果的平均值。

4.2 實驗及結(jié)果分析

為了驗證本文算法對于各種缺陷狀況的分類能力與魯棒性，本實驗針對正常、丟失、斷裂以及大量道砟遮擋等多種扣件圖像進行骨架特征的提取，如圖8所示；然后統(tǒng)計各種狀況下對扣件缺陷狀況的識別率。

圖8 不同缺陷狀況下的扣件端部骨架提取

設(shè)定判斷扣件是否正常的準則為：若各感興趣區(qū)域的骨架特征均存在，則判定該扣件為正常扣件；反之，若骨架特征在任何一個感興趣區(qū)域不存在，則判定該扣件為缺陷扣件。具體實驗步驟如下。

(1)從原始圖片庫中抽取正常圖像1 200張，斷裂、丟失、大量道砟遮擋等狀況的扣件圖像各400張組成實驗樣本庫。

(2)在實驗樣本庫中隨機抽取正常狀態(tài)的圖像300張，斷裂、丟失和道砟遮擋等狀況的圖像各100張。重復抽取4次，得到4組實驗數(shù)據(jù)。

(3)對于每種狀況分別進行實驗，提取出每類扣件圖像的骨架特征。其中，如圖8(a)所示，若扣件左側(cè)發(fā)生斷裂，其骨架特征在左側(cè)部分均不存在；如圖8(b)所示，對于扣件丟失的情況，所提骨架特征在各區(qū)域均不存在。如圖8(c)所示，扣件左側(cè)下方出現(xiàn)遮擋的情況，故所提骨架特征只在左側(cè)下方部分不存在。

(4)統(tǒng)計截線法在不同狀況下的識別率，并對統(tǒng)計結(jié)果進行分析，實驗結(jié)果取4組數(shù)據(jù)結(jié)果的平均值。最終結(jié)果如表1所示。

表1 本文算法不同狀況下的識別率

由表1可知：截線法在扣件不同缺陷狀況下均有較高的識別率，對于斷裂的情況識別率為99.25%，道砟遮擋的情況識別率為98%，丟失的情況識別率為100%。說明本文算法在識別缺陷扣件時具有較強的應用優(yōu)勢，并且實驗所需時間較短，滿足算法實時性要求。

5 結(jié)論

為了能夠精確描述鐵路扣件端部形狀，提出了一種基于截線法的鐵路扣件骨架提取算法。首先，利用多種預處理方法提取感興趣區(qū)域；其次，計算扣件端部的骨架生長點，實現(xiàn)對各端部區(qū)域的有效分割；然后，使用截線法對分割區(qū)域進行骨架點提取；最后，連接各區(qū)域骨架點，形成完整的骨架特征。實驗表明，通過截線法所提取的骨架特征，能夠?qū)崿F(xiàn)對扣件端部形狀的準確描述，而且對于扣件的整體結(jié)構(gòu)的表達更加準確。對于復雜圖像的識別具有較好的效果，在識別缺陷扣件時具有較強的應用優(yōu)勢，算法時間較短，可以達到實時性的要求。