基于尺度不變特征變換的無砟軌道板鋼筋檢測

吳應永，高曉蓉，楊 陽，尹紫紅

(1.浙江郵電職業技術學院 通信技術咨詢院，杭州 310000；2.西南交通大學 物理科學與技術學院 光電工程研究所，成都 610031；3.中國移動通信集團浙江有限公司 杭州分公司，杭州 310000；4.西南交通大學 土木工程學院 道路與鐵道工程系，成都 610031)

由于高速鐵路無砟軌道板在國內的應用時間不長，所以在檢測其疾病(缺陷)方面仍然缺乏經驗，通過系統地對比分析高速鐵路無砟軌道板的結構[1]、主要病害類型及其原因[2]，以及對應無損檢測方法的優缺點[3]，說明了探地雷達方法是一種很好的檢測無砟軌道板的方法，實際探測也證明了該方法的有效性。但是，由于目前探地雷達病害(缺陷)圖像的鋼筋自動檢測識別功能有限，故基于探地雷達病害(缺陷)圖像，進行了鋼筋自動檢測識別技術研究，為之后的病害(缺陷)工作奠定了良好的基礎。

筆者通過改進尺度不變特征變換(SIFT)算法和模板匹配算法，使其適用于高速鐵路無砟軌道板探地雷達的病害(缺陷)圖像，實現了鋼筋自動檢測識別和計數判斷功能，節省了人力物力。

1 基本原理

1.1 SIFT算法概述

1.1.1 SIFT算法的基本原理

產生SIFT圖像特征的主要計算步驟如下所述[4]。

(1) 尺度空間極值檢測：搜索圖像的所有尺度空間，使用高斯差分尺度空間DOG(Difference of Gaussian) 來檢測尺度空間的極值點。

(2) 精確定位關鍵點：準確計算每個候選點的位置和尺度。

(3) 關鍵點指定方向：為每個關鍵點分配方向，將圖像數據操作轉換為特征點尺度操作。

(4) 特征點描述子的生成：梯度統計當前關鍵點周圍的尺度區域，形成特征點描述子。

1.1.2 SIFT算法存在的問題

SIFT算法仍有些許問題需要改進：首先，提取的特征不是人眼的焦點，特征點被大量檢測，導致信息冗余，影響后續的匹配速度和準確性；其次，特征向量的生成維數高，計算量大，影響實時性，難以應用于實時性要求較高的系統，如基于雙目立體視覺的實時跟蹤系統[5]。盡管已有不斷提出的改進算法，以求在一定程度上提高實時性能，但仍然沒有達到預期的效果。

1.2 無砟軌道板鋼筋自動檢測原理

設計實現的無砟軌道板鋼筋自動檢測算法基于探地雷達圖像，采用SIFT改進算法和模板匹配的方法實現了鋼筋自動檢測識別和數目計數的判斷功能，通過去除錯誤和重復匹配點，提高了檢測的精度，減少了算法的復雜度以及運行時間和內存占用率。

1.2.1 圖像預處理

所采用的圖像預處理方法流程如圖1所示。

圖1 圖像預處理流程圖

采用累積分布函數CDF (Cumulative Distribution Function)，此時的直方圖均衡化映射函數如式(1)所示。

gk=EQ(fk)=(ni/n)=Pf(fi)，

k=0, 1, 2, …,L-1

(1)

式中：EQ為映射函數；L為圖像的灰度等級;求和間隔為0～k。

根據式(1)，可由原圖各像素灰度值得到直方圖均衡化后各像素的灰度值。

中值濾波：數字圖像中一點的值被該點鄰域中的其他點的中值替換，使得周圍的像素值接近真實值，從而消除了孤立的噪聲點。二維中值濾波輸出如式(2)所示。

g(x,y)=med{f(x-k,y-l),(k,l∈W)}

(2)

式中：f(x,y)，g(x,y)分別為原始圖像和處理后的圖像；W為二維模板，通常為3×3，5×5區域;l為縱向平移量。

全局二值化：設置全局閾值T，并使用T將圖像數據分為兩部分，大于T的像素群和小于T的像素群。將大于T的像素組的像素值設置為白色(或黑色)，并且將小于T的像素組的像素值設置為黑色(或白色)，從背景和噪聲中凸顯出目標物體。

Sobel邊緣銳化：圖像的每一個像素的橫向及縱向灰度值通過式(3)來計算該點灰度的大小。

(3)

式中：Gx為像素點的橫向灰度值；Gy為像素點的縱向灰度值。

如果梯度G大于某一閾值，則認為該點(x,y)為邊緣點。

Canny邊緣檢測過程如下所述。

(1) 圖像邊緣檢測必須滿足兩個條件：一是能有效地抑制噪聲；其次，必須盡可能準確地確定邊緣的位置。

(2) 根據信噪比和定位乘積的測量，得到最佳逼近算子，這就是Canny邊緣檢測算子。

(3) 與Marr(LoG，高斯拉普拉斯)邊緣檢測方法類似，其也是一種在平滑后再獲得導數的方法。

提取模板圖像：采用邊緣像素分割法即可實現。

1.2.2 SIFT提取特征點

基于LOWE提出的SIFT算法，采用歐氏距離確定匹配特征點，定義如式(4)所示。

d(loc1,loc2)={[loc1(i,1)-loc2(i,1)]2+

[loc1(i,2)-loc2(i,2)]2}1/2，

i=1, 2, …,n

(4)

式中：loc1(i,1)和loc1(i,2)分別為點1的x和y的坐標值；loc2(i,1)和loc2(i,2)分別為點2的x和y的坐標值。

閾值參數為dR，范圍為[0,1]，定義如式(5)所示。

(5)

式中：d12(loc1,loc2)為點1，2之間的歐氏距離；d13(loc1,loc3)為點1，3之間的歐氏距離。

1.2.3 模板匹配

待測圖像和模板圖像進行配準，找到最佳匹配位置，計算兩幅圖像的SSD(平方差總和)與NCC(歸一化互相關)，來獲得鋼筋部位并標記顯示。SSD和NCC定義如式(6)和(7)所示。

(6)

(7)

式中：x0和y0分別為最佳匹配位置的橫縱坐標；g(x,y)和f(x,y)分別為待測圖像和模板圖像；F(u,v)實現f(x,y)的頻域平移；M，N為模板圖像的長度和寬度;G*(u,v)為待測圖像g(x,y)的頻域平移特解;u,v分別為頻域里的自變量和因變量。

(8)

1.2.4 鋼筋計數

將Canny邊緣檢測過后的圖像用于鋼筋數目的計數和判斷。采用連通性分析法中的Seed Filling(種子填充法)。

選擇前景像素作為種子，然后根據連通區域的兩個基本條件將與種子相鄰的前景像素合并到同一像素集中(像素值相同且位置相鄰)。然后，得到的像素組是連接區域。

基于種子填充方法的連通區域分析方法如下所述。

(1) 掃描圖像，直到當前像素點A(x,y)=1。

(a)A(x,y)作為種子(像素位置)，并給其一個標簽，然后將與種子相鄰的所有前景像素推入堆棧。

(b) 彈出堆棧的頂部像素，給其相同的標簽，然后將堆棧頂部像素附近的所有前景像素推到堆棧上。

(c) 重復步驟(b)，直到棧為空。

此時，找到圖像A中的連接區域，并將該區域中的像素值標記為標簽。

(2) 重復第(1)步，直到掃描結束。

掃描結束后，可以得到圖像A中的所有連接區域。

圖2為種子填充算法的標記結果，標記為“1”的為一個連通區域，標記為“2”的為另外一個連通區域。

圖2 種子填充算法的標記結果

2 試驗結果與分析

2.1 仿真圖像

采用的無砟軌道板探地雷達圖像由仿真軟件產生。仿真的無砟軌道板為CRTS I型P4962，尺寸為4 962 mm×2 400 mm×200 mm(長×寬×高)，表層預留100 mm厚的空氣作為實際探地雷達探頭與無砟軌道板接觸時的間隙。縱向排布16根直徑為13 mm的鋼筋，并從左至右加入不同性質、不同形狀的病害(缺陷)，病害(缺陷)類型尺寸如表1所示。

根據表1設置的病害(缺陷)類型、大小和位置，仿真的無砟軌道板模型如圖3所示。

表1 病害(缺陷)類型尺寸

圖3 無砟軌道板病害(缺陷)仿真模型

2.2 圖像預處理

按照前文所述圖像預處理的基本原理和流程，對仿真軟件獲得的無砟軌道板探地雷達仿真圖像進行處理，直方圖均衡化結果如圖4所示。

圖4 直方圖均衡化結果

圖4顯示的直方圖均衡化處理后的探地雷達圖像中，表面直達波、鋼筋反射波以及背景雜波的對比更加明顯。中值濾波結果如圖5所示，可見，采用4×4窗口中值濾波處理后的探地雷達圖像中，背景雜波以及噪聲可被有效去除。

圖5 中值濾波結果

原圖及全局二值化結果如圖6所示，可見，采用閾值為0.5的全局二值化處理后的探地雷達圖像中，鋼筋反射波可被大部分保留，其余大部分被剔除。

圖6 全局二值化結果

原圖及圖像分割結果如圖7所示，圖7(b)為采用圖像分割技術獲得的單獨鋼筋反射波圖像。

圖7 原圖及圖像分割結果

原圖及Sobel邊緣銳化結果如圖8所示，圖8(b)中使用Sobel算子銳化鋼筋反射波圖像的邊緣。

圖8 原圖及Sobel邊緣銳化結果

圖9 原圖及Canny邊緣檢測結果

圖10 原圖及提取的模板圖像

2.3 改進SIFT提取特征點

使用LOWE提出的SIFT算法初步建立和提取特征點，并通過位置信息判斷去除重復和錯誤匹配的特征點，獲得最終的可靠特征點，結果如圖11所示。

圖11 改進SIFT提取特征點結果

由圖11分析可得，通過改進SIFT算法，可于待測圖像建立146個特征點，于模板圖像建立4個特征點，初步獲得30個匹配特征點，通過位置信息判斷去除了3個重復匹配特征點，最終獲得27個匹配特征點。

2.4 模板匹配

通過模板匹配法可獲得最佳匹配位置并進行標記，以及SSD和NCC參數，模板匹配結果如圖12所示。

圖12 模板匹配結果

由圖12可知：通過模板匹配法可首先定位最佳匹配位置并進行紅星標記顯示，其次通過NCC和SSD的顯示，可直觀判斷波紋交叉點(SSD值越接近0，NCC值越接近1)所在位置極有可能是鋼筋所在位置區域。

2.5 鋼筋計數

通過矩陣的行以及連通性分析法即可獲得鋼筋的準確數目。試驗結果如圖13～15所示。

圖13 待測原始圖

由圖13～15分析可得，對圖13做矩陣求行和，可得結果如圖14所示，為了便于連通性分析，對圖14中的縱坐標在區間[0, 2]內做規約可得如圖15所示結果，通過連通性分析可準確獲得待測原始圖的鋼筋數目為16根，加之模板匹配法獲得的輔助判斷信息，可更加肯定該方法的可行性和正確性。

圖14 待測圖像矩陣行和結果圖

圖15 用于連通性分析圖

3 結語

通過對仿真軟件獲得的無砟軌道板探地雷達仿真圖像進行圖像處理，改進SIFT算法，去除重復和錯誤匹配點從而獲得較好的匹配特征點，加之模板匹配的方法，最終實現了鋼筋的計數判斷。文中算法是無砟軌道板探地雷達圖像處理領域的一種探索和嘗試，后期可在無砟軌道板探地雷達圖像病害(缺陷)自動檢測和算法的實際圖像適用性方面進一步研究。