李立明，柴曉冬，鄭樹彬

(上海工程技術(shù)大學城市軌道交通學院，上海201620)

0 引言

隨著鐵路建設的發(fā)展，軌檢測的自動化、高效化受到廣泛關(guān)注。軌檢測主要是為了得到軌道不平順［1，2］的一系列參數(shù)，包括軌距、水平、方向、高低等［3］。基于圖像處理的測距理論和技術(shù)的發(fā)展，利用高速CCD攝像機結(jié)合圖像處理技術(shù)來精確獲得軌距不平順參數(shù)成為可能，文獻［4，5］設計了基于機器視覺的軌距檢測系統(tǒng)，可以滿足和提高軌距檢測精度和效率，降低檢測成本。本文主要研究在基于機器視覺的軌距檢測系統(tǒng)中，針對現(xiàn)場鋼軌采集圖像背景噪聲復雜的情況，傳統(tǒng)基于灰度圖像的分割方法不足，以及邊緣提取算法的速度慢等缺點，提出基于RGB模型軌道輪廓的識別算法。該算法針對系統(tǒng)中采用的扇形激光光源顏色特征相對固定的特點，首先提取鋼軌RGB圖像的R顏色特征分量，然后選擇合適的背景圖像與其做差影運算，實現(xiàn)圖像的噪聲去除和二值化，并準確地提取出鋼軌斷面輪廓。

1 RGB顏色模型

RGB 顏色模型［6，7］，即紅、綠、藍(RGB)三基色模型，是基于笛卡爾坐標系，3個軸分別是R軸、G軸、B軸(圖1)。對R，G，B進行歸一化處理，所有的值都在區(qū)間［0，1］中。

圖1 RGB顏色立方體Fig 1 RGB color cube

在該模型中，從黑到白的灰度值分布在從原點到離原點最遠頂點間的連線上，而立方體內(nèi)其余各點對應不同的顏色，并可以用從原點到該點的向量表示。對于任何顏色C都通過改變?nèi)臄?shù)量混合得出，其表達式為

2 圖像差影法

圖像差影法可去除一幅圖像中不需要的加性噪聲，加性噪聲可能是緩慢變換的背景陰影、周期性的噪聲或者是在圖像上每一像素處均已知的附加污染。差影圖像提供了圖像間的差異信息，能用以指導動態(tài)檢測、運動目標檢測和跟蹤、圖像背景消除及目標識別等工作。所謂差影法，就是圖像的相減運算，是指把相似景物的拍攝圖像或者同一景物在不同時間、不同波段的圖像相減，其數(shù)學表達式如下

式中 A(x，y)為當前圖像，為B(x，y)固定背景圖像(匹配模版)，C(x，y)為輸出圖像。

本算法中采用原始RGB圖像的灰度圖作為背景圖像B(x，y)，提取R分量得到灰度圖像作為當前圖像A(x，y)。圖像在作差影法運算時，必須使兩相減圖像的對應像點位于空間同一目標點上。由于本算法采用同一副圖像的不同顏色分量做運算，從而保證了A(x，y)，B(x，y)最大程度上的空間點的匹配，兩幅圖像的對應點完全對應，否則，必須先作幾何校正與配準。

3 二值化

圖像二值化根據(jù)其對像素的處理方式，主要分為3類:1)全局閾值法;2)局部閾值法;3)動態(tài)閾值法［8］，還有基于數(shù)學形態(tài)學的二值化方法。為滿足實動態(tài)圖像處理要求，算法中二值化采用基于像素的全局閾值法。對于圖像C(x，y)，記T為前景與背景的分割閾值，前景點數(shù)占圖像比例為w0，平均灰度為u0;背景點數(shù)占圖像比例為w1，平均灰度為u1。圖像的總平均灰度為

從最小灰度值到最大灰度值遍歷T，當T使得方差值

δ2最大時，T即為分割的最佳值。

4 輪廓提取

對得到的二值圖像采用Hilditch細化算法，其主導思想是每次掃描刪除圖像上目標的輪廓像素，直到圖像上不存在可刪除的輪廓像素為止，最終得到一個像素寬度的鋼軌斷面輪廓線。

5 實驗結(jié)果分析

實驗采用德國AVT CCD攝像機，像素分辨率為1280×960，并采用輸出波長為635nm的紅色扇形結(jié)構(gòu)光源。在實驗線路上拍攝鋼軌斷面圖像，圖2(a)為原始RGB圖像，(b)為拉普拉斯邊緣銳化灰度圖像，(c)銳化后圖像的灰度直方圖，圖3為采用傳統(tǒng)的基于灰度圖的圖像在不同閾值T下的分割結(jié)果。

圖2 圖像預處理Fig 2 Image preprocessing

圖3 圖像分割Fig 3 Image segmentation

在基于機器視覺的軌距檢測系統(tǒng)中，采用扇形激光光源照射到鋼軌內(nèi)側(cè)面，在軌面和軌腰上形成紅色激光光帶。在實際采集圖像過程中，由于外部環(huán)境(光照)發(fā)生變化和軌面軌腰噪聲的干擾，通過灰度直方圖可以觀察出，紅色光帶所占用的有效像素的分布很小，基本完全淹沒于背景之中。圖像分割算法中，選取的分割閾值是關(guān)鍵，但從實際效果看，選擇不同的閾值無法完全消除軌面和軌腰可能出現(xiàn)的“光斑”干擾，“光斑”的存在為提取鋼軌輪廓帶來了隨機的噪聲干擾。傳統(tǒng)的基于灰度圖像的直方圖閾值分割方法［9，10］，由于激光帶有效像素密度較小，無法準確分割目標區(qū)域和背景區(qū)域。

針對隨機干擾，本算法由于是對同一幅圖像的不同顏色分量直接運算，可完全消除背景噪聲和軌面亮斑干擾。同時考慮現(xiàn)場光照變化，采用本算法對不同光照條件下采集的圖像作對比研究，圖4為在不同光照條件下對同一位置采集的圖像和應用算法提出到的鋼軌輪廓斷面。

將本算法用于基于機器視覺的軌距檢測系統(tǒng)中，對同一軌距測量點，在4組不同光照條件下分別測量20次，得到軌距數(shù)據(jù)，見表1和圖5。

圖4 不同光照強度下輪廓提取Fig 4 Contour extraction under different illumination

表1 不同光照下測量的軌距(單位:mm)Tab 1 Measured gauge under different illumination(Units:mm)

圖5 軌距檢測曲線Fig 5 Gauge detecting curves

在基于機器視覺的軌距檢測系統(tǒng)的測量中，軌距測量精度達μm級，從測量結(jié)果觀察，在一定范圍內(nèi)的光照強度，采用本算法對軌距測量影響較小，最大偏差小于0.2 mm;光照強度超過一定閾值后，本算法無法準確捕捉軌距測量點，軌距測量數(shù)據(jù)出現(xiàn)跳躍，軌距測量誤差較大，最大偏差達到13.7 mm。

6 結(jié)論

本文采用基于RGB模型的軌道輪廓識別算法，根據(jù)鋼軌輪廓線顏色與背景顏色的差異［11］，成功識別提取了鋼軌輪廓線，消除了背景噪聲的干擾，從圖像處理結(jié)果與軌距測量結(jié)果觀察，隨著光照強度的增加，對本算法有一定的影響，但在一定光照范圍之內(nèi)，本算法具有較好的魯棒性。

［1］Esveld C.Principles of track quality，recording and assessment［J］.Rail International，1992，23(1):10-18.

［2］杜鶴亭.長波長軌道不平順檢測中的數(shù)字濾波方法［J］.中國鐵道科學，2000，21(4):58-64.

［3］余祖俊.軌道交通線路幾何安全狀態(tài)動態(tài)檢測技術(shù)研究［D］.北京:北京交通大學，2008.

［4］鄭樹彬，柴曉冬，李立明，等.基于機器視覺的軌距檢測系統(tǒng)設計［J］.機車電傳動，2010(6):70-74.

［5］鄭樹彬，柴曉冬，韓國閣，等.基于光平面的軌距測量方法［J］.城市軌道交通研究，2010，13(9):22-25.

［6］符寶鼎，袁建暢，郭彩霞.基于RGB顏色模型棉花雜質(zhì)的識別算法［J］.北京紡織，2005(5):48-51.

［7］陳志國，須文波.一種機器視覺異纖高速清除系統(tǒng)［J］.計算機工程與應用，2010，46(10):200-201.

［8］王 民，文義玲.常用圖像去噪算法的比較與研究［J］.西安建筑科技大學學報:自然科學版，2010，42(6):895-898.

［9］李海峰，杜軍平.顏色特征的圖像分類技術(shù)研究［J］.智能系統(tǒng)學報，2008，3(2):156-158.

［10］黃學軍，邢愛鳳，解培中.綜合利用邊緣和顏色特征的圖像檢索［J］.南京郵電學院學報，2004，24(1):27-30.

［11］Manjunath B S，Ohm JR，Vasudenvan V V，et al.Color and texture descriptors［J］.IEEE Trans on CSVT，2001，11(6):703-715.