基于扩展Haar特征和DBSCAN的钢轨识别算法

发布时间：2021-10-30 18:15

　　障碍物对列车的正常运营构成了极大的安全隐患,钢轨识别是实现障碍物检测的关键步骤。钢轨识别算法需要能够快速有效地检测列车前方钢轨的位置,同时不能占用过多的计算资源,影响障碍物检测程序的运行速度。为解决上述问题,文中提出一种基于扩展Haar特征提取和DBSCAN密度聚类的钢轨识别算法。首先通过仿射变换、池化、灰度均衡化、边缘检测等算法对图像进行预处理,然后基于扩展Haar特征提取图像中钢轨的特征点,最后利用DBSCAN算法对特征点进行聚类,提取出有效的特征数据点进行曲线拟合,从而识别钢轨的位置。通过车载实验结果表明,该方法能够在列车运行过程中有效检测到钢轨的位置,满足多场景、多工况的实际使用需求。 

【文章来源】：计算机科学. 2020,47(S1)北大核心CSCD

【文章页数】：4 页

【部分图文】：

同一线路下的不同轨道

面对不同的环境因素的干扰,本文利用左右钢轨几何特征与位置特征,通过扩展Haar特征和DBSCAN聚类算法来识别图像中钢轨的位置,其流程如图2所示。从列车的前视摄像机获取到前方图像后,对图像的钢轨进行识别。算法主要分为3步:1)图像预处理;2)使用扩展Haar特征提取特征点;3)通过DBSCAN聚类算法筛选出有效的特征点,并对筛选出的特征点进行拟合获取。下文对各个步骤分别进行介绍。2.1 图像预处理

其中,E(Gx)为整个图像像素的均值,σ(Gx)为整个图像像素的方差。最后,对有砟轨道图像进行腐蚀处理,减少道砟碎石对图像特征提取造成的影响。图像预处理结果如图3所示。2.2 扩展Haar特征提取

【参考文献】：
期刊论文
[1]基于Sobel算子的图像边缘检测研究[J]. 袁春兰,熊宗龙,周雪花,彭小辉.  激光与红外. 2009(01)



本文编号：3467196