基于道釘中心點(diǎn)定位的幾何特征扣件定位算法

曹義親，易 湖，邱 沂，周一緯

基于道釘中心點(diǎn)定位的幾何特征扣件定位算法

曹義親，易 湖，邱 沂，周一緯

(華東交通大學(xué)軟件學(xué)院，江西 南昌 330013)

針對因軌道圖像中圖像歪斜、尺寸不一等導(dǎo)致定位失效、精度降低的問題，提出基于道釘中心點(diǎn)定位的幾何結(jié)構(gòu)特征扣件定位算法。采用先定位道釘中心點(diǎn)再定位扣件的思想。首先在圖像預(yù)處理得到邊緣圖像的基礎(chǔ)上，對圖像邊緣進(jìn)行腐蝕與膨脹處理，使道釘邊緣具備似圓性，再通過改進(jìn)Hough變換進(jìn)行圓形檢測定位道釘所處大致區(qū)域并進(jìn)行擴(kuò)充，然后從原圖像中粗提取出道釘區(qū)域圖像；隨后進(jìn)行邊緣檢測并采用OpenCV輪廓提取及多邊形檢測算法精確擬合道釘六邊形，計(jì)算出道釘中心點(diǎn)；最后根據(jù)提出的幾何結(jié)構(gòu)特征扣件定位算法計(jì)算各頂點(diǎn)的位置，從而實(shí)現(xiàn)軌道扣件的精確定位。仿真實(shí)驗(yàn)結(jié)果表明，該算法定位準(zhǔn)確度達(dá)99.33%，定位精度達(dá)0.997，定位速率為29.8張/秒，優(yōu)于相關(guān)對比算法。同時(shí)，在不同的天氣條件、道釘腐蝕、道釘遮擋等情況下，新算法具備較好的魯棒性及一定的抗干擾能力。

扣件定位；道釘定位；輪廓提??；多邊形檢測；幾何特征

軌道扣件作為固定鋼軌的重要部件，其缺失、斷裂、移位等缺陷極大影響列車運(yùn)行安全，扣件缺陷檢測技術(shù)有著必不可缺的地位[1]。近年來，人工巡檢的方式逐漸被自動(dòng)檢測方式所取代[2]。由于在軌道圖像中扣件區(qū)域僅占小部分，若對整幅圖像直接檢測扣件，不僅受圖像噪聲、光照條件、冗余特征等因素影響，且耗時(shí)長、精度低[3-4]。為減少檢測耗時(shí)并提高精度，先定位后識別成了當(dāng)下研究的主要技術(shù)，軌道扣件定位是軌道缺陷檢測領(lǐng)域比較活躍的研究方向[5-6]。

近年來，以圖像邊緣特征為基礎(chǔ)的扣件定位研究取得了不少成果。文獻(xiàn)[7]提出“十字交叉定位法”，通過灰度化、Sobel算子、亮點(diǎn)統(tǒng)計(jì)定位鋼軌與軌枕邊界，結(jié)合先驗(yàn)知識定位扣件，該方法受圖像質(zhì)量、光照條件等因素影響，定位準(zhǔn)確度不高；文獻(xiàn)[8]改進(jìn)了“十字交叉定位法”，通過中值濾波、Canny算子、灰度積分投影法進(jìn)行定位，其準(zhǔn)確率有所提高，但Canny算子對光照條件敏感，算法受閾值選取因素影響較大。上述方法忽略了軌道圖像采集過程中的設(shè)備而產(chǎn)生抖動(dòng)，導(dǎo)致鋼軌、軌枕與圖像邊界并非保持垂直，故算法失效。

為提升算法魯棒性，文獻(xiàn)[9]提出Rank變換結(jié)合直線段檢測(line segment detector，LSD)提取墊板與軌枕接觸的邊界線進(jìn)而結(jié)合先驗(yàn)知識定位扣件；鄔春明和鄭宏闊[10]提出改進(jìn)Census變換、Mean-shift聚類算法、Hough變換提取墊板與軌枕的接觸邊緣，結(jié)合先驗(yàn)知識實(shí)現(xiàn)扣件定位，在一定程度上提升了算法的魯棒性，在墊板與軌枕接觸邊界模糊、不連續(xù)時(shí)，定位精度不理想，對圖像噪聲、偽邊緣等因素敏感。為進(jìn)一步提升算法魯棒性，鄒逸等[11]提出改進(jìn)Canny算子結(jié)合Hough變換直線提取鋼軌、軌枕與軌肩邊界的扣件定位方法；趙建龍和顧桂梅[12]改進(jìn)了引導(dǎo)濾波去噪算法并結(jié)合灰度積分投影與模板匹配算法定位扣件，降低了圖像噪聲、光照條件等影響，提高了定位準(zhǔn)確率，但定位耗時(shí)較長，定位精度有待提高。

基于上述分析，針對圖像采集過程中因設(shè)備抖動(dòng)、尺寸不一導(dǎo)致扣件區(qū)域圖像歪斜、定位失效、精度降低等問題，本文提出基于道釘中心點(diǎn)定位的幾何結(jié)構(gòu)特征扣件定位算法。

1 本文算法

1.1 算法設(shè)計(jì)

軌道圖像中扣件區(qū)域特征信息繁雜，直接定位扣件易受其他區(qū)域圖像信息干擾，效果不佳，而道釘區(qū)域包含內(nèi)容單一，邊緣灰度值變化明顯，道釘、扣件二者之間具有嚴(yán)格的空間幾何結(jié)構(gòu)特征關(guān)系，故本文提出一種先定位道釘中心點(diǎn)、后利用幾何結(jié)構(gòu)特征定位扣件的算法。

本文算法先對待檢測圖像進(jìn)行預(yù)處理得到邊緣圖像，隨后利用本文設(shè)計(jì)的算法粗提取道釘區(qū)域并精確定位道釘中心點(diǎn)，最后結(jié)合幾何結(jié)構(gòu)特征法定位扣件，算法流程如圖1所示。

圖1 算法流程

1.2 軌道圖像預(yù)處理

采集到的圖像清晰度高、冗余信息多[13]，直接進(jìn)行檢測會使運(yùn)算量徒增，為了降低檢測效率，在不影響后續(xù)定位的精度下需進(jìn)行圖像縮放處理[14]。采集獲取的圖像分辨率為2048×2048像素，約每張2 MB，可縮小其分辨率至512×512像素，約每張80 KB，極大降低運(yùn)算量，提高處理效率。

圖像在采集及傳輸中易受設(shè)備性能、外部環(huán)境的影響，為了快速有效削弱圖像噪聲，本文采用高斯濾波進(jìn)行圖像去噪。若直接處理RGB待檢測圖像的3個(gè)分量，對扣件定位效果并沒有提升作用，還將加大處理耗時(shí)，而圖像灰度化能在縮減RGB 3個(gè)分量至1個(gè)的基礎(chǔ)上不影響梯度信息，還降低了處理耗時(shí)。為進(jìn)一步降低噪聲的影響并增強(qiáng)邊緣細(xì)節(jié)，本文采用OTSU自適應(yīng)二值化處理[15]，降低了噪聲影響，增強(qiáng)了邊緣細(xì)節(jié)。

上述操作得到的圖像仍包含噪聲點(diǎn)與偽邊緣像素點(diǎn)，為降低其影響，本文采用改進(jìn)Canny算法[16]對圖像進(jìn)行邊緣檢測，弱化偽邊緣影響，較好提取出道釘邊緣，最終的預(yù)處理效果如圖2示。

圖2 圖像預(yù)處理((a)源圖；(b)結(jié)果)

1.3 道釘區(qū)域粗提取

預(yù)處理后的圖像已削弱了噪聲的影響，保留了道釘?shù)倪吘壧卣?，考慮到道釘中心點(diǎn)精準(zhǔn)定位易受其他區(qū)域信息的影響，使其定位偏移、定位錯(cuò)誤，影響最終扣件定位準(zhǔn)確率。為此，本文先粗提取道釘區(qū)域，再檢測其邊緣，隨后精確擬合道釘六邊形，進(jìn)而精準(zhǔn)定位道釘中心點(diǎn)。粗提取流程如圖3所示，各階段結(jié)果如圖4所示。

圖3 道釘區(qū)域粗提取過程

為了使道釘邊緣具備似圓性，本文針對預(yù)處理得到的邊緣圖像進(jìn)行局部自適應(yīng)閾值二值化操作，結(jié)果如圖4(b)所示，再利用Canny檢測邊緣(圖4(c))。上述操作使得圖像邊緣發(fā)生腐蝕與膨脹，進(jìn)而使道釘邊緣具備了似圓性，根據(jù)該特性，結(jié)合已有的改進(jìn)Hough變換算法[17]進(jìn)行圓探測。由于受圓弧邊緣噪聲影響，可能使少量區(qū)域存在圓形誤判，通過調(diào)節(jié)圓形半徑范圍、圓心間距、成圓閾值等參數(shù)，使得該算法能檢測出道釘所處圓形區(qū)域范圍，并有效地去除圓弧邊緣噪聲。結(jié)果如圖4(d)所示，擴(kuò)充結(jié)果如圖4(e)所示。從原圖中截取得到道釘區(qū)域粗提取最終結(jié)果如圖4(f)所示。因所檢測的圓形區(qū)域僅粗略描述道釘所處大致區(qū)域，故需要對該區(qū)域進(jìn)行擴(kuò)充，使提取的圖像完整包含整個(gè)道釘。本文通過引入擴(kuò)充系數(shù)，結(jié)合道釘擬合圓半徑及圓心點(diǎn)坐標(biāo)(,)計(jì)算道釘所處正方形區(qū)域各頂點(diǎn)坐標(biāo)，即

1.4 道釘中心點(diǎn)精確定位

道釘區(qū)域粗提取的圖像僅包含道釘區(qū)域，其灰度化后的圖像中道釘邊緣灰度值變化極其明顯，且剩余區(qū)域包含信息少，干擾程度低。本文基于此特性利用Canny邊緣檢測算法快速檢測圖像的邊緣(圖5(a))，得到的結(jié)果如圖5(b)所示。

分析圖5(b)發(fā)現(xiàn)，道釘輪廓信息明顯，易篩選擬合，故本文結(jié)合輪廓提取算法[18]先提取圖像中存在的輪廓，通過施加邊距、周長、面積約束適應(yīng)性改進(jìn)OpenCV中多邊形擬合算法對所有輪廓進(jìn)行篩選擬合，結(jié)果如圖5(c)所示，進(jìn)而計(jì)算得到道釘中心點(diǎn)，結(jié)果如圖5(d)所示。

1.5 幾何結(jié)構(gòu)特征法定位扣件

軌道圖像在采集過程中因設(shè)備抖動(dòng)會出現(xiàn)扣件區(qū)域歪斜、尺寸不一等情況，如圖6所示。

圖6 不同狀態(tài)的軌道圖像((a)標(biāo)準(zhǔn)圖像；(b)尺寸變化；(c)圖像偏轉(zhuǎn))

由此，現(xiàn)有大部分算法對此類圖像進(jìn)行扣件定位時(shí)極易定位失效和不準(zhǔn)。通過研究道釘、扣件等各軌道部件間的幾何結(jié)構(gòu)發(fā)現(xiàn)，軌道各零部件遵循嚴(yán)格的空間位置要求，有著縝密的幾何結(jié)構(gòu)關(guān)系，如圖7所示。

圖7(a)提供后續(xù)計(jì)算推導(dǎo)的超參數(shù)，即

圖7 軌道圖像幾何結(jié)構(gòu)圖((a)標(biāo)準(zhǔn)幾何結(jié)構(gòu)圖；(b)尺寸變化幾何結(jié)構(gòu)圖；(c)尺寸變化且圖像偏轉(zhuǎn)幾何結(jié)構(gòu)圖)

Fig. 7 Geometric feature map of track image ((a) Standard geometric structure drawings; (b) Geometrical result structure of dimensional variation; (c) Geometrical structure diagram of size change and image deflection)

圖7(b)和(c)中，，分別表示左上道釘中心點(diǎn)、右下道釘中心點(diǎn)，1(1,1)，2(2,2)，3(3,3)，4(4,4)與5(5,5)，6(6,6)，7(7,7)，8(8,8)分別表示扣件定位框1和框2各頂點(diǎn)坐標(biāo)。

通過分析道釘中心點(diǎn)與扣件區(qū)域框各頂點(diǎn)間的空間幾何關(guān)系發(fā)現(xiàn)，在圖像標(biāo)準(zhǔn)的情況下，1(1,1)與(x,y)，(x,y)滿足

由于采集的圖像存在尺寸變化，使得扣件定位框與實(shí)際區(qū)域不符，如圖7(b)所示。本文通過引入比例系數(shù)描述待檢測圖與標(biāo)準(zhǔn)圖的尺寸變化關(guān)系，即

考慮到圖像存在不同程度偏轉(zhuǎn)，使得圖像中扣件定位框也發(fā)生偏轉(zhuǎn)，如圖7(c)所示。通過引入偏轉(zhuǎn)角描述待檢測圖與標(biāo)準(zhǔn)圖的偏轉(zhuǎn)關(guān)系，即

式(3)結(jié)合縮放比例系數(shù)變換為

式(6)結(jié)合偏轉(zhuǎn)角變換為

為解決待檢測圖像扣件區(qū)域存在偏轉(zhuǎn)的問題，故預(yù)選框需繞點(diǎn)1(1,1)進(jìn)行相對應(yīng)的旋轉(zhuǎn)得到實(shí)際定位框。通過幾何證明得其旋轉(zhuǎn)角即為偏轉(zhuǎn)角。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用的軌道圖像來自華東交通大學(xué)圖像處理與模式識別研究所實(shí)驗(yàn)室數(shù)據(jù)樣本庫，整理分類得到樣本集Set01，其中標(biāo)準(zhǔn)圖像、尺寸變化圖像、偏轉(zhuǎn)圖像、既圖像偏轉(zhuǎn)且尺寸變化等樣本各300張，共1 200張，其用作驗(yàn)證算法的有效性。通過從樣本庫隨機(jī)抽取得到樣本集Set02，其中晴天、陰天、雨天圖像各300張，共計(jì)900張，其用作驗(yàn)證算法的準(zhǔn)確性、精確性和時(shí)效性。

2.2 參數(shù)設(shè)定

位框1頂點(diǎn)0(0,0)坐標(biāo)為(421,129)；定位框長0=211，寬0=132。

2.3 度量標(biāo)準(zhǔn)

實(shí)驗(yàn)評價(jià)標(biāo)準(zhǔn)包括主觀評價(jià)和客觀評價(jià)。主觀評價(jià)即肉眼觀測結(jié)果圖像，以此衡量算法有效性；客觀評價(jià)采用定位準(zhǔn)確率(location accuracy，LA)、平均交并比(mean intersection over union，mIoU)和每秒幀率(frame per second，F(xiàn)PS)分別度量算法定位率、定位精度與定位速率。

LA指正確定位的樣本數(shù)占總樣本數(shù)的比例，即

交并比(IoU)[19]指輸出定位框C與人工標(biāo)注定位框G的交疊率，取平均記為mIoU，即

FPS評估算法每秒可以處理的圖片數(shù)量為

2.4 實(shí)驗(yàn)與結(jié)果分析

為評價(jià)算法性能，選取了改進(jìn)十字交叉法[8]、Sobel+積分投影[16]、Canny+Hough+積分投影[20]、加權(quán)引導(dǎo)濾波+積分投影[12]、Rank+LSD[9]、改進(jìn)Canny+Hough[11]和改進(jìn)Census+Hough[10]共7種算法進(jìn)行對比實(shí)驗(yàn)。首先利用實(shí)驗(yàn)數(shù)據(jù)集Set01驗(yàn)證算法的有效性，結(jié)果見表1。

表1 不同算法的定位有效性

表1中，文獻(xiàn)[8,12,16,20]算法在圖像標(biāo)準(zhǔn)的情況下定位有效，在圖像發(fā)生偏轉(zhuǎn)或尺寸產(chǎn)生變化時(shí)出現(xiàn)了定位失效、定位精度低的問題，原因是上述算法采用了積分投影，通過水平、垂直方向積分投影定位鋼軌、軌枕、軌肩邊界，圖像發(fā)生偏轉(zhuǎn)時(shí)，三者并非與水平或垂直方向保持對應(yīng)垂直關(guān)系，則算法定位失??；而結(jié)合固定先驗(yàn)知識直接定位扣件則未自適應(yīng)圖像尺寸變化，定位精度很低。文獻(xiàn)[9-11]算法通過探測軌枕與墊板接觸的分界線的定位扣件，具備有效性。

為主觀評價(jià)各有效算法定位效果，本文利用數(shù)據(jù)集Set02進(jìn)行仿真實(shí)驗(yàn)，定位結(jié)果如圖9所示。

由圖9可看出，本文算法在晴天、陰天、雨天均具有極好的定位效果，優(yōu)于其他算法。在雨天，由于光照不足影響邊緣特征的提取，雨水的聚集在較大程度上影響墊板與軌枕接觸的邊界線檢測，造成檢測的邊界線過粗、間斷，使得各對比算法定位效果不佳。本文算法中道釘邊緣特征雖然受光照條件的影響，但受道釘區(qū)域表面雨水堆積影響程度低，因此道釘六邊形邊緣梯度突變的特性未受本質(zhì)影響，定位效果較好。

圖9 各算法在不同天氣下定位結(jié)果((a)晴天；(b)陰天；(c)雨天)

為客觀評價(jià)各算法，本文利用數(shù)據(jù)集Set02進(jìn)行仿真實(shí)驗(yàn)，統(tǒng)計(jì)了各有效算法在各天氣條件下的LA，mIoU，F(xiàn)PS?？陀^評價(jià)指標(biāo)結(jié)果見表2。

分析表2可知，本文算法在不同天氣光照條件下的LA分別為99.33%，98.67%，96.00%；綜合LA為98.00%。在晴天提高了0.60%～3.50%，陰天提高了1.30%～3.00%，雨天提高了0.34%～2.00%，綜合提高了1.00%～2.80%。

表2 各有效算法的評價(jià)指標(biāo)結(jié)果

注：加粗?jǐn)?shù)據(jù)為最優(yōu)值

其他算法在晴天光照條件表現(xiàn)較佳，在雨天則表現(xiàn)略差。因?qū)Ρ人惴ㄔ谟晏鞐l件下，墊板與軌枕接觸的邊界線易受雨水堆積影響而造成檢測出的邊界線與實(shí)際邊界線有較大誤差，后續(xù)結(jié)合先驗(yàn)知識定位扣件進(jìn)一步放大了誤差，造成定位精度下降。仿真實(shí)驗(yàn)表明，本文算法在晴天、陰天、雨天條件下皆各優(yōu)于其他對比算法，在雨天情況下定位精度提高雖不明顯，但綜合定位精度優(yōu)于其他算法。

相同設(shè)備條件下，改進(jìn)Canny+Hough定位算法的定位速率最不理想，因該算法對其改進(jìn)Canny算法的復(fù)雜度高，而本文算法采用了OpenCV內(nèi)置優(yōu)化好的相關(guān)函數(shù)，定位速率達(dá)29.20張/秒，極大地快于其他算法。

為了對比各算法存在噪聲性能受影響程度，同時(shí)也為驗(yàn)證本文算法的魯棒性，特對加噪圖像進(jìn)行了相關(guān)對比實(shí)驗(yàn)。

在數(shù)據(jù)集Set02基礎(chǔ)上分別對不同天氣條件下的圖像施加椒鹽與高斯混合噪聲，得到晴天、陰天、雨天加噪數(shù)據(jù)集分別為Set03a，Set03b，Set03c樣本各300張。定位效果如圖10所示，評價(jià)指標(biāo)結(jié)果見表3。

圖10 各算法在噪聲圖像下定位結(jié)果((a)晴天噪聲圖像；(b)陰天噪聲圖像；(c)雨天噪聲圖像)

表3 不同噪聲圖像下定位評價(jià)指標(biāo)值

注：加粗?jǐn)?shù)據(jù)為最優(yōu)值

從圖10可以看出，各算法在圖像存在較多噪聲時(shí)定位效果均受到了影響，其中Rank+LSD算法表現(xiàn)最差，因扣件區(qū)域圖像信息繁雜，出現(xiàn)各種噪聲時(shí)，極易檢測出偽邊緣，不利于后續(xù)獲取墊板與軌枕接觸的邊界線；另外2種算法通過改進(jìn)Canny和改進(jìn)Census變換，在一定程度上削弱了光照、噪聲等影響，故受影響程度不大，但其定位區(qū)域易出現(xiàn)過大或過小、與實(shí)際定位框偏差較大的情況，定位效果總體表現(xiàn)劣于本文算法。

對比表2和表3，各算法的定位準(zhǔn)確率和定位精度均有不同程度下降，其中Rank+LSD算法各指標(biāo)降幅最大，綜合定位準(zhǔn)確率和定位精度分別下降了2.78%和2.90%；改進(jìn)Canny+Hough與改進(jìn)Census變換+Hough算法定位準(zhǔn)確率受影響程度較小，但定位精度降幅有待進(jìn)一步考量；本文算法不僅定位準(zhǔn)確性受噪聲影響程度低，且定位精度降幅極小，優(yōu)于其他算法。本文算法采用的先粗提取道釘、后結(jié)合幾何結(jié)構(gòu)提取扣件的思想，即使整體圖像出現(xiàn)了較多噪聲，導(dǎo)致扣件區(qū)域圖像信息繁雜，易受噪聲點(diǎn)影響出現(xiàn)虛假的邊緣，但道釘區(qū)域圖像內(nèi)容單一，受噪聲影響程度小，不易出現(xiàn)偽邊緣，本文算法依舊能夠準(zhǔn)確地粗提取出道釘區(qū)域并精確地定位道釘中心點(diǎn)。基于幾何結(jié)構(gòu)的方式計(jì)算各定位框頂點(diǎn)避免了定位性能下降的風(fēng)險(xiǎn)。

由于在實(shí)際線路中，道釘區(qū)域易出現(xiàn)腐蝕、遮擋等偶然因素，為進(jìn)一步驗(yàn)證本文算法的抗干擾能力，本文從數(shù)據(jù)集中整理了道釘區(qū)域受不同類型、不同程度干擾的軌道圖像進(jìn)行了實(shí)驗(yàn)，結(jié)果如圖11所示。

實(shí)驗(yàn)表明，在軌道圖像道釘區(qū)域受到各種不同程度干擾時(shí)，本文算法依舊能夠保持良好的定位效果，說明了本文算法有著較強(qiáng)的抗干擾能力。

圖11 本文算法在干擾圖像下定位結(jié)果

3 結(jié)束語

本文針對扣件定位中存在圖像偏轉(zhuǎn)、尺寸變化、光照變化、噪聲污染情況下出現(xiàn)的定位失效和精度降低等問題，基于先定位道釘、后定位扣件的思想，提出了一種采用Hough變換、輪廓篩選、六邊形探測定位道釘?shù)乃惴?，并提出了基于道釘中心點(diǎn)定位的幾何結(jié)構(gòu)特征法定位扣件的新算法，能適應(yīng)圖像的偏轉(zhuǎn)、尺寸變化，定位效果受天氣條件變化影響小，在道釘腐蝕、道釘部分遮擋、圖像污染時(shí)仍能保持良好的定位效果，魯棒性與抗干擾能力較好。仿真實(shí)驗(yàn)結(jié)果表明，本文算法在主觀評價(jià)以及客觀評價(jià)的定位有效性、定位準(zhǔn)確率、定位精度、定位速率等評價(jià)指標(biāo)方面均優(yōu)于其他算法。

隨著研究的深入，道釘?shù)膿p壞將影響定位效果，單側(cè)道釘損壞雖可由另一側(cè)道釘信息通過先驗(yàn)知識庫補(bǔ)全進(jìn)而定位扣件，而若兩側(cè)道釘區(qū)域同時(shí)出現(xiàn)嚴(yán)重腐蝕、道釘缺失、大面積遮擋、道釘和扣件幾何形狀發(fā)生嚴(yán)重變化，此時(shí)算法定位表現(xiàn)較差，雖此類情況在鐵路實(shí)際運(yùn)行過程中出現(xiàn)概率極低。后續(xù)工作中，將針對這些問題繼續(xù)進(jìn)行研究。

[1] ISLAM S, KHAN R A. Clustering and detection of good and bad rail line anchors from images[C]//The 18th International Conference on Computer and Information Technology. New York: IEEE Press, 2015: 222-226.

[2] 王建柱, 李清勇, 張靖, 等. 軌道病害視覺檢測: 背景、方法與趨勢[J]. 中國圖象圖形學(xué)報(bào), 2021, 26(2): 287-296.

WANG J Z, LI Q Y, ZHANG J, et al. Visual inspection of rail defects: background, methodologies, and trends[J]. Journal of Image and Graphics, 2021, 26(2): 287-296 (in Chinese).

[3] AYTEKIN ?, REZAEITABAR Y, DOGRU S, et al. Railway fastener inspection by real-time machine vision[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015, 45(7): 1101-1107.

[4] WEI X K, YANG Z M, LIU Y X, et al. Railway track fastener defect detection based on image processing and deep learning techniques: a comparative study[J]. Engineering Applications of Artificial Intelligence, 2019, 80: 66-81.

[5] 魏秀琨, 所達(dá), 魏德華, 等. 機(jī)器視覺在軌道交通系統(tǒng)狀態(tài)檢測中的應(yīng)用綜述[J]. 控制與決策, 2021, 36(2): 257-282.

WEI X K, SUO D, WEI D H, et al. A survey of the application of machine vision in rail transit system inspection[J]. Control and Decision, 2021, 36(2): 257-282 (in Chinese).

[6] 王宇桐. 地鐵軌道扣件圖像定位和分類方法研究[D]. 北京: 北京建筑大學(xué), 2020.

WANG Y T. Research on positioning and classification method of metro rail fastener image[D]. Beijing: Beijing University of Civil Engineering and Architecture, 2020 (in Chinese).

[7] 范宏. 基于圖像的鐵路扣件缺陷檢測算法研究[D]. 成都: 西南交通大學(xué), 2012.

FAN H. Research of the detection algorithm on railway fastener defects based on image[D]. Chengdu: Southwest Jiaotong University, 2012 (in Chinese).

[8] 吳祿慎, 萬超, 陳華偉, 等. 一種改進(jìn)的十字交叉軌道扣件定位方法[J]. 鐵道標(biāo)準(zhǔn)設(shè)計(jì), 2016, 60(12): 49-53.

WU L S, WAN C, CHEN H W, et al. An improved cross rail fastener positioning method[J]. Railway Standard Design, 2016, 60(12): 49-53 (in Chinese).

[9] 侯云, 李柏林, 劉甲甲, 等. 基于灰度不變性的扣件定位特征提取方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2015, 32(11): 193-196.

HOU Y, LI B L, LIU J J, et al. Railway fasteners positioning feature extraction based on gray-scale invariance[J]. Computer Applications and Software, 2015, 32(11): 193-196 (in Chinese).

[10] 鄔春明, 鄭宏闊. 改進(jìn)Census變換的鐵路扣件定位方法[J]. 北京交通大學(xué)學(xué)報(bào), 2019, 43(2): 58-63.

WU C M, ZHENG H K. Railway fasteners positioning method by improved Census transform[J]. Journal of Beijing Jiaotong University, 2019, 43(2): 58-63 (in Chinese).

[11] 鄒逸, 顧桂梅, 張軍平. 基于改進(jìn)Canny算子的鐵路扣件定位方法[J]. 蘭州交通大學(xué)學(xué)報(bào), 2019, 38(1): 72-77, 94.

ZOU Y, GU G M, ZHANG J P. The positioning method of railway fasteners based on improved canny algorithm[J]. Journal of Lanzhou Jiaotong University, 2019, 38(1): 72-77, 94 (in Chinese).

[12] 趙建龍, 顧桂梅. 基于引導(dǎo)濾波和積分投影算法的軌道扣件定位[J]. 蘭州交通大學(xué)學(xué)報(bào), 2019, 38(3): 31-36.

ZHAO J L, GU G M. Track fastener positioning based on guided filtering and integral projection algorithm[J]. Journal of Lanzhou Jiaotong University, 2019, 38(3): 31-36 (in Chinese).

[13] FAN H, COSMAN P C, HOU Y, et al. High-speed railway fastener detection based on a line local binary pattern[J]. IEEE Signal Processing Letters, 2018, 25(6): 788-792.

[14] 王宇桐, 許貴陽, 周素霞. 基于垂向定位與灰度投影的地鐵扣件定位方法[J]. 鐵道建筑, 2019, 59(6): 112-116.

WANG Y T, XU G Y, ZHOU S X. Metro fastener location method based on vertical location and gray projection[J]. Railway Engineering, 2019, 59(6): 112-116 (in Chinese).

[15] YANG L X, FENG Q X. The improvement of bernsen binarization algorithm for QR code image[C]//The 5th IEEE International Conference on Cloud Computing and Intelligence Systems. New York: IEEE Press, 2018: 931-934.

[16] ZHANG X, CHEN F E. Lane line edge detection based on improved adaptive canny algorithm[J]. Journal of Physics: Conference Series, 2020, 1549(2): 022131.

[17] 朱正偉, 宋文浩, 焦竹青, 等. 基于隨機(jī)Hough變換改進(jìn)的快速圓檢測算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2018, 39(7): 1978-1983.

ZHU Z W, SONG W H, JIAO Z Q, et al. Fast circle detection algorithm based on improved randomized Hough transform[J]. Computer Engineering and Design, 2018, 39(7): 1978-1983 (in Chinese).

[18] Jiang B, Luo R, Mao J, et al. Acquisition of localization confidence for accurate object detection[C]//Proceedings of the European conference on computer vision. Heidelberg: Springer, 2018: 784-799.

[19] SUZUKI S, BE K. Topological structural analysis of digitized binary images by border following[J]. Computer Vision, Graphics, and Image Processing, 1985, 30(1): 32-46.

[20] 羅文婷, 李中軼, 李林, 等. 基于改進(jìn)Canny算法的道路標(biāo)線自動(dòng)識別及定位[J]. 西南交通大學(xué)學(xué)報(bào), 2018, 53(6): 1253-1260.

LUO W T, LI Z Y, LI L, et al. Automated lane marking identification based on improved canny edge detection algorithm[J]. Journal of Southwest Jiaotong University, 2018, 53(6): 1253-1260 (in Chinese).

Track fastener localization algorithm based on geometric features and the spike center point localization

CAO Yi-qin, YI Hu, QIU Yi, ZHOU Yi-wei

(School of Software, East China Jiaotong University, Nanchang Jiangxi 330013, China)

To solve the problems of positioning failure and accuracy reduction caused by skewedness and nonstandard size of images in the track image, a fastener positioning algorithm based on the spike center point location and geometric structure features was proposed. The new method adopted the idea of first locating the center point of the spike, and then locating the fasteners with geometric features. Based on the edge image obtained by image preprocessing, the edges of track spike in the image would be characteristic of roundness after being corroded and dilated. Then, by means of the Hough transform circle detection algorithm, the rough area of the spike was located and expanded, so that the spike area could be roughly extracted from the original image. The edges of spike area image were then detected and OpenCV, a contour extraction and polygon detection algorithm, was employed to accurately fit the spike hexagon and calculate the spike center point. Finally, the coordinates of each vertex of the fastener bounding box was obtained using the fastener location algorithm proposed based on geometric structure features. The experiment results show that the positioning accuracy of the new algorithm is 99.33%, the precision is 0.997, and the speed is 29.8 fps, superior to the algorithms compared. Meanwhile, under different circumstances, such as weather conditions, spike corrosion, or occlusion, the new algorithm displays better robustness and anti-interference ability.

fastener positioning; spike positioning; contour extraction; polygon detection; geometric features

TP 391

10.11996/JG.j.2095-302X.2022020324

A

2095-302X(2022)02-0324-09

2021-07-19；

2021-09-28

國家自然科學(xué)基金項(xiàng)目(61663009)；江西省科技支撐計(jì)劃重點(diǎn)項(xiàng)目(20161BBE50081)

曹義親(1964–)，男，教授，碩士。主要研究方向?yàn)閳D像處理與模式識別。E-mail：yqcao@ecjtu.edu.cn

19 July，2021；

28 September，2021

National Natural Science Foundation of China (61663009);Key Project Supported by the Technology Support Program of Jiangxi Province of China (20161BBE50081)

CAO Yi-qin (1964–), professor, master. His main research interests cover digital image processing and pattern recognition. E-mail：yqcao@ecjtu.edu.cn