基于机器视觉的铁路轨道异物入侵检测算法研究
发布时间：2021-08-29 14:27
铁路运输是大众出行和货物运输的重要基础设施。随着我国铁路建设的迅猛发展,运行里程不断增加和路网不断完善,铁路覆盖地形范围更加广袤,使得列车行驶环境更加复杂,限界入侵事故频发,严重威胁列车行驶安全。实现铁路入侵物检测,有效规避异物侵限事故,对保障铁路运营安全具有极其重要的意义。针对行人、交通运输工具、建筑垃圾以及自然灾害引起的崩石、泥石流等所造成的侵限行为,仅凭现有的安全监测措施已难以满足行车安全防护。学习当前国内外已有轨道交通限界监测技术,基于机器视觉结合图像处理技术已成为交通安全监测的研究热点课题,论文提出了基于机器视觉的轨道异物入侵检测算法研究。研究内容主要包括:（1）铁路侵限区域的划分。针对道砟、轨枕等噪声的影响以及传统的边缘检测算法对钢轨边缘检测效果欠佳,使得无法以钢轨边缘为基础,实现侵限区域的准确划分,为此,本文提出一种基于灰度形态学的钢轨边缘检测算法,实现钢轨边缘的自适应检测,并利用多约束霍夫变换对检测结果进行优化,实现侵限区域的准确划分。（2）入侵物的检测与侵限行为的判断。首先,研究铁路常用的入侵物检测算法,针对传统目标检测算法检测结果出现漏检、错检等问题,本文对Vibe...
【文章来源】：兰州交通大学甘肃省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
中中三种滤波算图2.3算法对不同滤波算法效同类型的噪声效果图
基于机器视觉的铁路轨道异物入侵检测算法研究-12-Sobel算子用于检测图像边缘水平和垂直方向的两个卷积核分别为：101121202,000101121xyGG(2.9)采用范数衡量梯度的幅度为：(,)max(,)xyGxyGG(2.10)(2)Canny算子Canny算子是通过高斯滤波器进行滤波处理后，利用一阶导数算子，得到每个像素点水平和垂直方向的梯度幅值和方向，并对梯度幅值进行非极大值抑制。最后对经过非极大值抑制的梯度图像使用两个阈值来分别检测强边缘和弱边缘，实现边缘的两次提取，将Canny算子运用到铁路场景中，检测结果如图2.3(c)所示。(a)滤波效果图(b)Soble边缘检测(c)Canny边缘检测图2.4传统边缘检测算法通过对同时含有10%的高斯噪声和10%椒盐噪声的轨道图像进行本文提出的基于灰度形态学的多尺度结构元素滤波，分别采用传统的Sobel算子和Canny算子对滤波后轨道图像进行边缘检测。由于枕木、螺帽、道砟、轨旁树木以及接触网支柱等因素的影响，即使在滤波处理后，这两种传统边缘检测算子能够检测到钢轨边缘的同时，由枕木、螺帽等背景像素所组成的类似线条边缘仍然比较突出，不能够完全排除检测结果中出现的伪边缘，且Sobel算子和Canny算子只采用像素点的水平和垂直梯度进行钢轨边缘检测，导致检测到的钢轨边缘较宽，且边缘完整度效果较差，难以得到闭合、平滑的钢轨边缘。能够准确、完整地检测轨道图像中的钢轨边缘，是实现侵限区域准确划分的关键技术之一。针对传统边缘检测算法中存在的问题，本文在采用灰度形态学实现轨道图像滤波的同时，采用该灰度形态学边缘检测算法实现钢轨边缘的检测。2.2.2自适应灰度形态学钢轨边缘检测数学形态学往往不仅应用于图像滤波，而且通过构建不同的结构元素以及基本形态
兰州交通大学工程硕士学位论文-15-图像边缘的实质是灰度图像中像素值发生突变的所有像素点的集合[30]，图像边缘的方向实质指该边缘的切线方向。对于位于钢轨边缘上的任一像素点，由于其像素值与邻域像素值之间的突变性，某个方向的梯度值往往会大于其它三个方向像素点的梯度值，将梯度值最大时所对应的方向定义为该钢轨边缘的法线方向，利用线段的切线方向与其法线相互垂直的数学关系，确定钢轨边缘的变化方向。根据钢轨边缘变化方向，位于钢轨边缘上的任一像素点就可自适应地选取结构元素。设f(x,y)表示一幅轨道图像，对于其中的任意一像素点(i,j)∈f(x,y)，通过如式2.16所示的差分计算，分别获得水平方向、45°方向、垂直方向以及135°方向的梯度值，分别用Ga(i,j)、Gb(i,j)、Gc(i,j)和Gd(i,j)表示。(,)(,1)(,1)(,)(1,1)(1,1)(,)(1,)(1,)(,)(1,1)(1,1)abcdGijfijfijGijfijfijGijfijfijGijfijfij(2.16)如式2.17所示，对像素点(i,j)∈f(x,y)的4个方向的梯度值做对比运算后，获得梯度最大值。max(,)max(,),(,),(,),(,)bacdGijGijGijGijGij(2.17)其中，Gmax(i,j)表示像素点(i,j)在某个方向上的最大梯度值，即为该钢轨边缘的法线方向。采用Gmax(i,j)作为该点选取结构元素的判断标准，即：如果Gmax(i,j)=Gx(i,j)，则s=sx，x=﹛a,b,c,d﹜。然后根据式2.15，实现轨道图像的钢轨边缘准确检测。通过本文提出的自适应灰度形态学钢轨边缘检测算法，对轨道图像进行钢轨边缘检测，其检测结果效果图如图2.6所示。图2.6本文算法边缘检测
【参考文献】：
期刊论文
[1]铁路侵限异物检测方法综述[J]. 王泉东,杨岳,罗意平,魏晓斌,刘斯斯. 铁道科学与工程学报. 2019(12)
[2]基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法[J]. 曹洁,唐瑞萍,李伟. 传感器与微系统. 2019(11)
[3]基于自适应的ViBe运动目标检测方法[J]. 郭迎春,杨飞飞,师硕. 控制工程. 2019(09)
[4]基于自适应均值的地铁隧道裂缝图像滤波算法[J]. 张振海,尹晓珍,任倩. 重庆交通大学学报(自然科学版). 2019(06)
[5]基于改进ViBe的海面远距离运动目标检测[J]. 杨毅,邹卫军,白云耀,郭进,何俊杰. 电光与控制. 2019(11)
[6]基于Vibe和三帧差法的目标检测算法[J]. 白一帆,李海芳,扆梦楠. 湖南科技大学学报(自然科学版). 2018(02)
[7]基于光流法检测来车的轨旁作业安全防护策略[J]. 周瑞鸿,林俊亭. 铁道标准设计. 2019(01)
[8]铁路钢轨异物距离检测方法研究[J]. 黄尊地,常宁,郑声佳,梁明辉,吴泽钦,梁乘玮,李特特. 铁道科学与工程学报. 2018(03)
[9]一种基于几何约束的轨道提取方法研究[J]. 王忠立,蔡伯根. 交通运输系统工程与信息. 2017(06)
[10]基于边缘特征和多帧差分法的运动目标检测算法[J]. 火元莲,秦梅,宋亚丽. 红外技术. 2017(02)
博士论文
[1]基于数学形态学的医学图像处理理论与方法研究[D]. 赵于前.中南大学 2006
硕士论文
[1]复杂环境下运动目标检测和跟踪方法研究[D]. 刘康.西安理工大学 2019
[2]基于图像的铁路障碍物自动检测算法研究[D]. 孙永丽.西安电子科技大学 2018
[3]面向智能监控的目标检测追踪算法设计实现[D]. 于雄飞.西南交通大学 2018
[4]三维激光雷达图像在铁路异物侵限检测中的应用研究[D]. 林玉兵.北方工业大学 2018
[5]基于双目立体视觉的轨道入侵物识别技术研究[D]. 王群.北京交通大学 2018
[6]基于人脸识别的目标检测与跟踪算法研究与实现[D]. 赵晓东.中北大学 2018
[7]自适应视觉背景更新的运动目标检测算法研究[D]. 黄晓凌.重庆邮电大学 2017
[8]基于智能相机的铁路异物侵限检测系统设计[D]. 张旭东.北京交通大学 2017
[9]基于数字图像处理的铁路异物检测[D]. 秦金.大连交通大学 2016
[10]铁路轨道异物入侵的智能识别研究[D]. 李丹丹.兰州交通大学 2016
本文编号：3370823
【文章来源】：兰州交通大学甘肃省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
中中三种滤波算图2.3算法对不同滤波算法效同类型的噪声效果图
基于机器视觉的铁路轨道异物入侵检测算法研究-12-Sobel算子用于检测图像边缘水平和垂直方向的两个卷积核分别为：101121202,000101121xyGG(2.9)采用范数衡量梯度的幅度为：(,)max(,)xyGxyGG(2.10)(2)Canny算子Canny算子是通过高斯滤波器进行滤波处理后，利用一阶导数算子，得到每个像素点水平和垂直方向的梯度幅值和方向，并对梯度幅值进行非极大值抑制。最后对经过非极大值抑制的梯度图像使用两个阈值来分别检测强边缘和弱边缘，实现边缘的两次提取，将Canny算子运用到铁路场景中，检测结果如图2.3(c)所示。(a)滤波效果图(b)Soble边缘检测(c)Canny边缘检测图2.4传统边缘检测算法通过对同时含有10%的高斯噪声和10%椒盐噪声的轨道图像进行本文提出的基于灰度形态学的多尺度结构元素滤波，分别采用传统的Sobel算子和Canny算子对滤波后轨道图像进行边缘检测。由于枕木、螺帽、道砟、轨旁树木以及接触网支柱等因素的影响，即使在滤波处理后，这两种传统边缘检测算子能够检测到钢轨边缘的同时，由枕木、螺帽等背景像素所组成的类似线条边缘仍然比较突出，不能够完全排除检测结果中出现的伪边缘，且Sobel算子和Canny算子只采用像素点的水平和垂直梯度进行钢轨边缘检测，导致检测到的钢轨边缘较宽，且边缘完整度效果较差，难以得到闭合、平滑的钢轨边缘。能够准确、完整地检测轨道图像中的钢轨边缘，是实现侵限区域准确划分的关键技术之一。针对传统边缘检测算法中存在的问题，本文在采用灰度形态学实现轨道图像滤波的同时，采用该灰度形态学边缘检测算法实现钢轨边缘的检测。2.2.2自适应灰度形态学钢轨边缘检测数学形态学往往不仅应用于图像滤波，而且通过构建不同的结构元素以及基本形态
兰州交通大学工程硕士学位论文-15-图像边缘的实质是灰度图像中像素值发生突变的所有像素点的集合[30]，图像边缘的方向实质指该边缘的切线方向。对于位于钢轨边缘上的任一像素点，由于其像素值与邻域像素值之间的突变性，某个方向的梯度值往往会大于其它三个方向像素点的梯度值，将梯度值最大时所对应的方向定义为该钢轨边缘的法线方向，利用线段的切线方向与其法线相互垂直的数学关系，确定钢轨边缘的变化方向。根据钢轨边缘变化方向，位于钢轨边缘上的任一像素点就可自适应地选取结构元素。设f(x,y)表示一幅轨道图像，对于其中的任意一像素点(i,j)∈f(x,y)，通过如式2.16所示的差分计算，分别获得水平方向、45°方向、垂直方向以及135°方向的梯度值，分别用Ga(i,j)、Gb(i,j)、Gc(i,j)和Gd(i,j)表示。(,)(,1)(,1)(,)(1,1)(1,1)(,)(1,)(1,)(,)(1,1)(1,1)abcdGijfijfijGijfijfijGijfijfijGijfijfij(2.16)如式2.17所示，对像素点(i,j)∈f(x,y)的4个方向的梯度值做对比运算后，获得梯度最大值。max(,)max(,),(,),(,),(,)bacdGijGijGijGijGij(2.17)其中，Gmax(i,j)表示像素点(i,j)在某个方向上的最大梯度值，即为该钢轨边缘的法线方向。采用Gmax(i,j)作为该点选取结构元素的判断标准，即：如果Gmax(i,j)=Gx(i,j)，则s=sx，x=﹛a,b,c,d﹜。然后根据式2.15，实现轨道图像的钢轨边缘准确检测。通过本文提出的自适应灰度形态学钢轨边缘检测算法，对轨道图像进行钢轨边缘检测，其检测结果效果图如图2.6所示。图2.6本文算法边缘检测
【参考文献】：
期刊论文
[1]铁路侵限异物检测方法综述[J]. 王泉东,杨岳,罗意平,魏晓斌,刘斯斯. 铁道科学与工程学报. 2019(12)
[2]基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法[J]. 曹洁,唐瑞萍,李伟. 传感器与微系统. 2019(11)
[3]基于自适应的ViBe运动目标检测方法[J]. 郭迎春,杨飞飞,师硕. 控制工程. 2019(09)
[4]基于自适应均值的地铁隧道裂缝图像滤波算法[J]. 张振海,尹晓珍,任倩. 重庆交通大学学报(自然科学版). 2019(06)
[5]基于改进ViBe的海面远距离运动目标检测[J]. 杨毅,邹卫军,白云耀,郭进,何俊杰. 电光与控制. 2019(11)
[6]基于Vibe和三帧差法的目标检测算法[J]. 白一帆,李海芳,扆梦楠. 湖南科技大学学报(自然科学版). 2018(02)
[7]基于光流法检测来车的轨旁作业安全防护策略[J]. 周瑞鸿,林俊亭. 铁道标准设计. 2019(01)
[8]铁路钢轨异物距离检测方法研究[J]. 黄尊地,常宁,郑声佳,梁明辉,吴泽钦,梁乘玮,李特特. 铁道科学与工程学报. 2018(03)
[9]一种基于几何约束的轨道提取方法研究[J]. 王忠立,蔡伯根. 交通运输系统工程与信息. 2017(06)
[10]基于边缘特征和多帧差分法的运动目标检测算法[J]. 火元莲,秦梅,宋亚丽. 红外技术. 2017(02)
博士论文
[1]基于数学形态学的医学图像处理理论与方法研究[D]. 赵于前.中南大学 2006
硕士论文
[1]复杂环境下运动目标检测和跟踪方法研究[D]. 刘康.西安理工大学 2019
[2]基于图像的铁路障碍物自动检测算法研究[D]. 孙永丽.西安电子科技大学 2018
[3]面向智能监控的目标检测追踪算法设计实现[D]. 于雄飞.西南交通大学 2018
[4]三维激光雷达图像在铁路异物侵限检测中的应用研究[D]. 林玉兵.北方工业大学 2018
[5]基于双目立体视觉的轨道入侵物识别技术研究[D]. 王群.北京交通大学 2018
[6]基于人脸识别的目标检测与跟踪算法研究与实现[D]. 赵晓东.中北大学 2018
[7]自适应视觉背景更新的运动目标检测算法研究[D]. 黄晓凌.重庆邮电大学 2017
[8]基于智能相机的铁路异物侵限检测系统设计[D]. 张旭东.北京交通大学 2017
[9]基于数字图像处理的铁路异物检测[D]. 秦金.大连交通大学 2016
[10]铁路轨道异物入侵的智能识别研究[D]. 李丹丹.兰州交通大学 2016
本文编号：3370823
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3370823.html
