基于多特征融合的復雜背景鐵路護欄網格提取

黎富泉　吳健

摘要：鐵路護欄是列車高速安全運行免受異物入侵的必要保障，其護欄完整性與高速運行的列車以及沿線居民生命財產安全息息相關。傳統的解決辦法都是通過人工進行沿線檢查，費工費時并且不能及時發現。

本文提出一種由搭載在列車車廂上的高速攝像機拍攝鐵路兩側防護欄網格圖像并經計算機處理以識別其完整性方法。首先對采集的鐵路護欄圖像進行預處理;然后提取護欄的相關特征（線性特征、方差特征和矩特征），然后利用加權融合與連通域去燥提取護欄網格。實驗結果表明，本文方法對鐵路護欄網格提取具有較強的魯棒性。

關鍵詞：鐵路防護欄網格? 特征提取? 伽馬變換? 連通域

1 引言

鐵路防護欄網是重要的鐵路交通基礎設施，作為鐵路系統的配套工程，一旦架設在鐵路線兩側的防護欄網被盜、丟失或人為損壞，將會給列車運行和沿線居民生命財產安全造成嚴重威脅。目前已有的研究方法僅對鐵路沿線防護網較粗的水泥欄桿是否完好進行識別，且存在適應性差、漏判率和誤判率高等缺點，同時均未能有效識別鐵路沿線中面積占比最大的防護欄網是否完好，如對于破損面積達200cm2的防護欄網進行正確識別。為了降低成本、提高護欄檢測準確率和即時性，亟需研發一套完備的自動化智能識別系統。

由于鐵路護欄所涉背景類型多樣，開展護欄網格提取相關研究文獻相對較少。文獻[2]基于HMM（Hidden Markov Model）統計模型解碼方法提取一類網格圖像的直線，但其研究對象未涉及圖像背景干擾。文獻[3] 提出一種改進型Mean Shift的鐵路護欄網格提取算法，即經過雙閾值分割、帶寬選擇、區域合并和直線檢測等步驟較有效地實現網格提取，但存在過分割和分割精度有待提高問題。針對鐵路護欄圖像背景復雜多樣以及上述算法存在的誤分割、抗噪性差和精度低等問題，綜合考慮鐵路護欄網格的顯著幾何特征，本文提出一種多特征融合的鐵路護欄網格提取算法，以期在復雜背景下提取出完整的護欄。

2圖像預處理

2.1雙邊濾波降噪

常見的圖像降燥方法有高斯濾波，均值濾波、中值濾波、維納濾波等，該類濾波器容易導致圖像的邊緣細節模糊，丟失護欄的空域信息。為了能夠保留護欄的空域特征，采用雙邊濾波降噪，克服傳統降燥方法存在的護欄邊緣細節模糊和易丟失的空域信息。本文雙邊濾波降噪采取像素空間鄰近度與圖像亮度相似度一種折衷的處理方法，既保留邊緣細節信息，又考慮保邊去燥作用。

2.2圖像增強

為了降低光照因素干擾，有效地提取護欄網格特征，對降噪后的護欄圖像進行圖像增強。本文利用伽馬變換將圖像的亮度級變換到更窄或更寬的區域。

3 網格圖像提取

3.1線性特征

鐵路護欄網格具有優良的線性幾何特征，可近似看成水平直線和垂直直線，故可以選取方向和方向的線性特征?？紤]到護欄使用一段時間后可能會有輕微變形，以及受地形等因素影響，護欄網格并非絕對的水平與垂直走向，故還需在和的基礎上正負偏移，再選取4個方向的線性特征。為便于下文表述，不妨記角度對應的線性特征為，其中。

綜上，在加權融合進行權重選擇時，線性特征權重應不小于0.5，方差特征權重應大于矩特征權重。當時，加權融合結果如圖2（a）所示;當時，加權融合結果如圖2（b）所示;當時，加權融合結果如圖3（a）所示，對圖3（a）進行連通域去燥，其結果如圖3（b）所示。

圖2（a）由于方差特征權重過大，導致提取的護欄過粗和斷裂;圖2（b）由于矩特征權重過大，導致噪聲過多，提取的護欄有孔洞和斷裂;圖3（a）各特征權重比例合適，融合后護欄完整且粗細合適。圖3（b）為連通域去燥處理結果，能夠實現較為完整地護欄提取，提取的護欄左上角和右下角較細，主要是因為在采集的原圖像中護欄的左上角和右下角出現生銹的情況，這也間接反映了護欄的這兩個部分可能需要進行維護。

6 總結

鐵路防護欄網作為鐵路運行安全的重要防護設施之一，其網格精確提取是后續鐵路護欄檢測關鍵步驟。本文以鐵道防護欄圖像為對象，以網格結構為先驗，以多特征融合為手段，以完整性檢測為目標，綜合應用幾何學、形態學和統計學等理論解決了單一特征易造成誤分割和欠分割問題，實現鐵道防護欄網格智能識別，為后續研制鐵路防護欄網格自動檢測系統奠定理論基礎。通過實例仿真實驗驗證，證明本文方法在護欄網格提取方面較一些傳統的方法有優異的性能，但也存在不足之處，如實驗參數需要手動調節，不具備自適應性;基于模板的特征提取，會導致圖像的四周邊緣無法被檢測等。因此，下一步工作主要是解決參數自適應問題和如何根據同態性讓圖像邊緣內側鄰域像素灰度值近似代替邊緣像素值，以減小特征提取誤差。

參考文獻

[1]王勝春，羅四維，王旭，等.基于全景圖像拼接的鐵路護欄缺損檢測[J].數據采集與處理，2017，32（2）：338.

[2]Zhang Y F， Li H O， Doermann D. A Parallel Line Detection Algorithm Based on HMM Decoding[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27（5）： 777-792.

[3]梁禮明，吳健，夏雨辰.均值漂移算法的鐵路護欄網格提取[J].河南科技大學學報（自然科學版），2015，36（3）：28-32.

[4]許博聞，王敏，李琛，等.基于圖像去噪的導向濾波算法的硬件實現[J].微電子學與計算機，2019，36（7）：22-23.[XU B W，WANG，M，LIC，et al. Hardwaredesignforimagedenoisingusingguidedfilter[J]. Microelectronics&Computer，2019，36（7）：22-23.

[5]Papari G，Idowu N，Varslot T. Fast bilateralfilteringfordenoisinglarge 3Dimages[J].IEEE TransactiononImageProcessing，2017，26（1）：251-261.

[6]彭海龍，鄧勇，赫建偉，等.基于多窗口自適應雙邊濾波去噪方法研究與應用[J].石油物探，2019，58（1）：65.

[7]胡鈺，李甜甜，黃梁松，等.基于雙邊伽馬校正的保亮度圖像增強方法[J].計算機應用與軟件，2019，36（5）：205-206.

[8]邱東岳，吉喆，朱騰飛，等.基于方差和顯著性特征的超聲圖像分割方法研究[J].計量學報，2018，39（5）：713.

[9]PapageorgiouCP，OrenM，PoggioT.A GeneralFrameworkforObjectDetection//Proceedings of the IEEE International Conference on Computer Vision，Bombay，India，1998：555-562.

[10]LIUH，ZHAO QJ，ZHANG C，et al.Boosting VLAD with weighted fusion of local descriptorsfor image retrieval[J].Multimedia Tools and Applications，2019，78（9）：11839-11842.

作者簡介

黎富泉（1997-），男，漢族，本科生，研究方向為人工智能。通訊作者：吳?。?991-），男，漢族，碩士，助理研究員，研究方向為計算機視覺和機器學習。