基于軌道視覺特征譜的軌道入侵物檢測方法與流程

本發明涉及軌道安全檢測技術領域，尤其涉及一種基于軌道視覺特征譜的軌道入侵物檢測方法。

背景技術：

軌道交通里程特別是西部復雜地貌環境下鐵路里程不斷增加，亞歐高速鐵路建設，以及嚴峻的國際安全局勢影響，使能用于無人機載入侵物識別設備的軌道線路入侵物快速識別方法和技術成為迫切需求。

在我國現有的軌道安全檢測系統中，主要采用定點安裝監控相機、值班人員實時觀察方式來檢查軌道線路狀況。此種方式需要在軌道線路上點式分布安裝相機，安裝和維護成本高，同時在西部山區、無人區等惡劣復雜地貌環境影響下，無法推廣運用；通過相關人員的觀察判斷檢測線路狀態，容易因為疲勞疏忽等因素造成安全隱患。

國內外研究人員研究的基于固定相機的軌道入侵物自動識別算法，多數以圖像像素特征作為模板，與實時圖像進行匹配檢測入侵物。此方法容易受周圍環境影響，模板需要實時更新，無法應用到無人機載入侵物檢測系統中。

技術實現要素：

本發明的實施例提供了一種基于軌道視覺特征譜的軌道入侵物檢測方法，以實現對軌道入侵物進行有效地檢測。

為了實現上述目的，本發明采取了如下技術方案。

一種基于軌道視覺特征譜的軌道入侵物檢測方法，包括：

沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，利用圖像數據，針對旋轉、亮度、視角、清晰度、尺度和壓縮比6種圖像拍攝和仿射變化建立軌道特征圖像庫，基于所述軌道特征圖像庫構建軌道視覺特征譜；

將所述軌道視覺特征譜與待檢測的軌道圖像進行特征匹配，根據匹配結果判斷所述待檢測的軌道圖像中是否存在軌道入侵物。

進一步地，所述的沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，利用圖像數據，針對旋轉、亮度、視角、清晰度、尺度和壓縮比6種圖像拍攝和仿射變化建立軌道特征圖像庫，基于所述軌道特征圖像庫構建軌道視覺特征譜，包括：

利用搭載云臺相機的無人機沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，依據圖像中的軌道長度劃定軌道特征模板區間，并針對旋轉、亮度、視角、清晰度、尺度和壓縮比6種拍攝和仿射變化建立軌道特征圖像庫，基于所述軌道特征圖像庫構建軌道視覺特征譜，上述處理過程包括如下6個處理步驟：

1)計算像素梯度

運用sobel算子的水平方向模板和垂直方向模板計算軌道圖像數據中每個像素的水平梯度值和垂直梯度值如式(1)和式(2)所示：

式(2)中f(x,y)為圖像數據；

2)計算方向場

由圖像數據中每個像素點的梯度算子求得水平方向平方梯度和垂直方向平方梯度如式(3)所示：

對每一個以像素為中心的圖像滑窗子塊w×w，計算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示：

計算該子塊梯度的平均方向為式(5)所示：

3)軌道定位

對軌道圖像按照上述公式(3)、(4)和(5)提取出方向場，根據方向場得到該軌道圖像的梯度圖像和梯度值，以所述軌道圖像的梯度值為閾值對所述軌道圖像進行閾值化處理，去除背景影響，運用canny邊緣檢測，得出軌道圖像中的軌道的位置；

4)限界提取

根據所述軌道圖像中的軌道的位置和鐵路限界定義提取軌道圖像中的軌道限界區域，該軌道限界區域包括軌道、路基在內的鐵路限界區域以及鐵路限界區域向外延伸的緩沖區域，計算軌道圖像中每一個像素與其最近的軌道像素的距離，將其距離小于等于軌道寬度的區域標記為鐵路限界區域；

5)alp特征提取

提取出每個軌道限界區域的alp特征，對提取出的軌道限界區域的alp特征進行壓縮編碼；

6)軌道視覺特征譜的構建

以每個軌道限界區域的地理位置作為區間索引，將每個軌道限界區域的地理位置與每個軌道限界區間的alp特征融合，綜合該軌道段所有軌道限界區間的融合特征，構建完成軌道視覺特征譜。

進一步地，所述的提取出每個軌道限界區域的alp特征，包括：

①構建高斯尺度空間求尺度空間極值點，高斯核是實現尺度變換的唯一線性卷積核，對于一個尺度參數δ，二維高斯核表示為式(6)所示：

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

為了構建圖像金字塔，在每一個子八度中，使用4個遞增的尺度參數δ的高斯核以及離散拉普拉斯核對原始圖像進行濾波，如式(7)所示：

式中，g(x,y,δ)為離散高斯函數，為離散拉普拉斯算子，符號*代表卷積；

為了求得金字塔中的極值點，使用如式(8)所示的三階多項式濾波器結果；

p(x,y,δ)＝α3(x,y)δ³+α2(x,y)δ²+α1(x,y)δ+α0(x,y)(8)

式中，(x,y)為像素坐標，δ為圖像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯濾波后的圖像加權求和計算得出，p(x,y,δ)為每一個像素點的響應值；

在每個子八度內，計算每幅圖像每個像素的響應p(x,y,δ)，得到候選極值點(x,y)及對應尺度δ^*，將候選極值點重映射到亞像素精度，消除重復的極值點，提取出alp特征點，根據每個alp特征點的區域梯度幅值的直方圖對每個特征點分配一個主方向；

②局部特征選擇，依據alp特征點的尺度δ^*、方向θ、與圖像中心的距離d、峰值d、hessian矩陣平方跡比率ρ、尺度空間函數的二階導數pδδ共6個特征參數，進行如式(9)所示的相關性計算，篩選出相關性大于設定閾值的特征點，作為最終提取出的alp特征點；

r(δ^*,θ,d,d,ρ,pδδ)＝f1(δ^*)·f2(θ)·f3(d)·f4(d)·f5(ρ)·f6(pδδ)(9)

③局部特征描述，以alp特征點為中心的4×4區域內，計算每個區域的8個方向的梯度直方圖，將這些梯度直方圖串聯起來構成一個128維向量，將每個alp特征點描述為一個128維向量。

進一步地，所述的對提取出的軌道限界區域的alp特征進行壓縮編碼，包括：

①局部特征聚合，將每一個128維向量的局部特征描述歸一化，并通過主成分分析提取出32維主向量；

②局部特征壓縮，分為局部特征描述壓縮和局部特征位置壓縮，局部特征描述壓縮中，采用低復雜度轉換編碼方案進行特征描述壓縮，局部特征位置壓縮中，采用位置直方圖編碼方案，將特征表示成二進制比特流；

③全局特征描述，采用可伸縮的壓縮費舍爾向量編碼方案，對圖像特征進行一般化的描述。

進一步地，所述的將所述軌道視覺特征譜與待檢測的軌道圖像進行特征匹配，根據匹配結果判斷所述待檢測的軌道圖像中是否存在軌道入侵物，包括：

在對軌道線路巡檢時，依據構建軌道視覺特征譜的過程中相同拍攝條件實時拍攝待檢測的軌道圖像，在每個軌道區間中，提取軌道限界范圍內實時拍攝的軌道圖像的alp特征，將實時拍攝的軌道圖像與該地理位置處的軌道視覺特征譜進行alp特征匹配；

在實時拍攝的圖像的alp特征和模板特征庫中同位置的軌道視覺特征譜完成特征匹配后，采用閾值法確定實時圖中是否存在入侵物，定義比值ratio為式(10)；

式中unmatchnum表示為匹配的特征點數，matchnum表示匹配成功的特征點數；

如果ratio大于預先設定的閾值，則認為存在入侵物；如果ratio小于閾值，則認為正常；

當檢測到存在入侵物時，在未匹配的剩余特征點集中，運用k-means聚類算法分類出大多數特征點聚集的位置，將該大多數特征點聚集的位置作為入侵物的范圍。

進一步地，所述的將實時拍攝的軌道圖像與該地理位置處的軌道視覺特征譜進行alp特征匹配，包括：

全局描述匹配，采用基于漢明距離的相似性度量描述實時拍攝的軌道圖像與該地理位置處的軌道視覺特征圖像之間的alp特征匹配度；

局部描述匹配，運用最近鄰匹配算法對實時拍攝的軌道圖像與該地理位置處的軌道視覺特征圖像做alp特征匹配。

由上述本發明的實施例提供的技術方案可以看出，本發明實施例提出的軌道視覺特征譜理論及基于軌道視覺特征譜理論的入侵物檢測方法，可以運用到基于無人機的入侵物檢測系統中，解決了傳統檢測系統可靠性差、成本昂貴的問題。該方法特征提取和匹配速度快，可以有效地檢測出軌道中的入侵物，可以運用到基于無人機的入侵物檢測系統中。

本發明附加的方面和優點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發明的實踐了解到。

附圖說明

為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例提出的一種基于軌道視覺特征譜的軌道入侵物檢測方法的處理流程圖；

圖2為本發明實施例提供的一種軌道特征數據庫樣例示意圖；

圖3為本發明實施例提供的一種軌道定位圖；

圖4為本發明實施例提供的一種軌道限界區域圖；

圖5為本發明實施例提供的一種alp特征描述子示意圖；

圖6為本發明實施例提供的一種軌道異物入侵圖像；

圖7為本發明實施例提供的一種入侵物范圍示意圖。

具體實施方式

下面詳細描述本發明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發明，而不能解釋為對本發明的限制。

本技術領域技術人員可以理解，除非特意聲明，這里使用的單數形式“一”、“一個”、“所述”和“該”也可包括復數形式。應該進一步理解的是，本發明的說明書中使用的措辭“包括”是指存在所述特征、整數、步驟、操作、元件和/或組件，但是并不排除存在或添加一個或多個其他特征、整數、步驟、操作、元件、組件和/或它們的組。應該理解，當我們稱元件被“連接”或“耦接”到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無線連接或耦接。這里使用的措辭“和/或”包括一個或更多個相關聯的列出項的任一單元和全部組合。

本技術領域技術人員可以理解，除非另外定義，這里使用的所有術語(包括技術術語和科學術語)具有與本發明所屬領域中的普通技術人員的一般理解相同的意義。還應該理解的是，諸如通用字典中定義的那些術語應該被理解為具有與現有技術的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。

為便于對本發明實施例的理解，下面將結合附圖以幾個具體實施例為例做進一步的解釋說明，且各個實施例并不構成對本發明實施例的限定。

實施例一

本發明針對現有軌道入侵物檢測系統只能定點檢測、受環境變化影響大、檢測速度慢的缺點，以及為滿足無人機載荷小、檢測系統實時性高的特點，提出了軌道視覺特征譜理論及其構建方法，并基于該理論提出了特征匹配的入侵物檢測方法。

本發明實施例提出的基于軌道視覺特征譜的軌道入侵物檢測方法的處理流程如圖1所示，主要包括如下的處理過程：

(1)構建軌道視覺特征譜，本發明定義軌道視覺特征譜為：在軌道同一位置分別提取圖像旋轉、亮度、視角、清晰度、尺度、壓縮比等拍攝和仿射變化的圖像特征，并融合地理信息。該步驟主要包括對軌道圖像的多種仿射變換處理、軌道限界提取、alp(alow-degreepolynomialdetector，低維多項式)描述子提取及視覺特征譜生成；

(2)入侵物檢測，這部分主要采用了alp特征匹配、基于歐幾里得距離的噪聲點消除和k-means聚類方法。實驗結果表明，本發明提出的方法特征提取和匹配速度快，可以滿足基于無人機的入侵物檢測系統要求。

(1)第一部分：構建軌道視覺特征譜。搭載云臺相機的無人機沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，依據圖像中的軌道長度劃定軌道特征模板區間。根據圖像數據，針對旋轉、亮度、視角、清晰度、尺度和壓縮比6種拍攝和仿射變化建立特征圖像庫，進一步基于軌道特征圖像庫構建軌道視覺特征譜，上述處理過程主要分為如下6個具體步驟：

1)計算像素梯度

運用sobel算子的水平方向模板和垂直方向模板計算圖像數據中每個像素的水平梯度值和垂直梯度值如式(1)和式(2)所示。

式(2)中f(x,y)為圖像數據。

2)計算方向場

由每個像素點的梯度算子求得水平方向平方梯度和垂直方向平方梯度如式(3)所示。

對每一個以像素為中心的圖像滑窗子塊w×w，計算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示。

計算該子塊梯度的平均方向為式(5)所示。

本發明選取的圖像滑窗子塊大小為4×4，得到圖像中每一個像素f(i,j)的平均方向

3)軌道定位

對軌道圖像按照上述公式(3)、(4)和(5)提取出方向場，根據方向場得到該軌道圖像的梯度圖像

以上述軌道圖像的梯度值為閾值對上述軌道圖像進行閾值化處理，去除復雜背景影響。然而背景中可能還殘留一些與軌道梯度值相同的像素點，采用形態學腐蝕的方法去除掉這些干擾點。最后運用canny邊緣檢測，得出軌道圖像中的軌道的位置。

4)限界提取

根據鐵路限界定義提取軌道圖像中的軌道限界區域。該軌道限界區域包括軌道、路基在內的鐵路限界區域以及鐵路限界區域向外延伸的緩沖區域。計算軌道圖像中每一個像素與其最近的軌道像素的距離,將其距離小于等于軌道寬度的區域標記為鐵路限界區域。

5)alp特征提取

alp特征描述子相比于經典的sift描述子，alp對特征點的定位更加準確且運算速度更快。正是這一優異特性，2014年頒布的iso/iecmpeg-7part13緊湊視覺描述子cdvs(compactdescriptorforvisualsearch)國際標準中，把alp特征描述子定為實現圖像特征的快速提取、傳輸和匹配的核心算法。

alp特征描述子提取主要步驟為：

①構建高斯尺度空間求尺度空間極值點。高斯核是實現尺度變換的唯一線性卷積核。對于一個尺度參數δ，二維高斯核表示為式(6)所示。

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

為了構建圖像金字塔，在每一個子八度(octave)中，alp中使用4個遞增的尺度參數δ的高斯核以及離散拉普拉斯核對原始圖像進行濾波，如式(7)所示。

式中，g(x,y,δ)為離散高斯函數，為離散拉普拉斯算子，符號*代表卷積。

為了求得金字塔中的極值點，傳統的log濾波方法計算量大，alp使用如式(8)所示的三階多項式近似log濾波器結果，加快運算速度。

p(x,y,δ)＝α3(x,y)δ³+α2(x,y)δ²+α1(x,y)δ+α0(x,y)(8)

式中，(x,y)為像素坐標，δ為圖像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯濾波后的圖像加權求和計算得出，p(x,y,δ)為每一個像素點的響應值。

在每個子八度內，計算每幅圖像每個像素的響應p(x,y,δ)，并按照一定規則進行篩選，得到候選極值點(x,y)及對應尺度δ^*。進一步，將候選極值點重映射到亞像素精度，并消除重復的極值點，提取出alp特征點。

為了圖像描述的旋轉不變性，根據每個特征點的區域梯度幅值的直方圖，對每個alp特征點分配一個主方向。當有其他方向統計量超過主方向的80％時，選擇為該alp特征點的第二主方向。

②局部特征選擇。上一步提取出的alp特征點總數可能遠大于設定的圖像描述長度，需要對alp特征點進行篩選。依據alp特征點的尺度δ^*、方向θ、與圖像中心的距離d、峰值d、hessian矩陣平方跡比率ρ、尺度空間函數的二階導數pδδ共6個特征參數，進行如式(9)所示的相關性計算，篩選出相關性大的特征點，作為最終提取出的alp特征點。

r(δ^*,θ,d,d,ρ,pδδ)＝f1(δ^*)·f2(θ)·f3(d)·f4(d)·f5(ρ)·f6(pδδ)(9)

③局部特征描述。以alp特征點為中心的4×4區域內，計算每個區域的8個方向的梯度直方圖，將這些直方圖串聯起來構成一個128維向量。這樣，每個alp特征點被描述為一個128維向量。

在提取出alp特征點后，需要對提取出的alp特征點進一步壓縮編碼，主要包括3個步驟：

①局部特征聚合。每一個128維向量局部特征描述都將被歸一化，并通過pca(principalcomponentsanalysis，主成分分析)提取出32維主向量。

②局部特征壓縮。分為局部特征描述壓縮和局部特征位置壓縮。局部特征描述壓縮中，采用低復雜度轉換編碼方案進行特征描述壓縮。局部特征位置壓縮中，采用位置直方圖編碼方案，將特征表示成二進制比特流。

③全局特征描述。采用可伸縮的scfv(scalablecompressedfishervector,壓縮費舍爾向量)編碼方案，對圖像特征進行更一般化的描述。

6)軌道視覺特征譜的構建

提取出每個軌道區間的alp特征后，以地理位置作為區間索引，與alp特征融合，綜合該軌道段所有軌道區間的融合特征，最終構建完成軌道視覺特征譜，該軌道視覺特征譜中包含地理位置信息和alp特征描述子。

(2)第二部分：入侵物檢測。在對軌道線路巡檢時，搭載云臺相機的無人機依據構建軌道視覺特征譜的過程中相同的高度、角度和速度自主循跡飛行，機載相機實時拍攝待檢測的軌道圖像，機載計算機對待檢測的軌道圖像實時處理。在每個軌道區間中，提取軌道限界范圍內實時拍攝的圖像的alp特征，并與該地理位置處的軌道視覺特征譜進行alp特征匹配。alp特征匹配主要包括全局描述匹配和局部描述匹配，分別如下：

1)全局描述匹配通過快速計算2幅圖像全局描述特征的加權相關性來實現的。本發明采用基于漢明距離(hammingdistances)的相似性度量描述兩幅圖像的匹配度。相似性定義如(10)所示。

式中為特征二值向量。ha(.,.)表示漢明距離。wha為從數據庫中學習得到的系數。設置閾值τ，如果sq,r＞τ，則特征匹配，否則特征不匹配。

2)局部描述匹配中運用最近鄰匹配算法對待匹配圖像和參考圖像做特征匹配。在匹配完成后，進行幾何一致性檢查，去除錯誤的匹配點。

在實時拍攝的圖像的alp特征和模板特征庫中同位置的軌道視覺特征圖像的alp特征完成匹配后，采用閾值法確定實時圖中是否存在入侵物。定義比值ratio為式(11)。

式中unmatchnum表示為匹配的特征點數，matchnum表示匹配成功的特征點數。

如果ratio大于預先設定的閾值，則認為存在入侵物；如果ratio小于閾值，則認為正常。

當檢測到存在入侵物時，在未匹配的特征點集中，包括可疑入侵物的特征點及與入侵物不相關的周圍環境存在的噪聲特征點。入侵物上的特征點較密集，而噪聲點較分散，通過計算每個特征點與其余點的歐幾里得距離，利用閾值方法去除干擾特征點。

最后，在剩余的特征點集中，運用k-means聚類算法分類出大多數特征點聚集的位置，即提取出可疑入侵物的大致范圍。

實施例二

圖2為對某一軌道區間段圖像做多種仿射變換后構建的軌道特征數據庫樣例示意圖，其中旋轉圖像庫(a)是由在固定位置的相機通過自身旋轉拍攝獲得的；亮度變化和清晰度變化的圖像庫(b)(d)是通過改變相機的光圈和焦距拍攝圖像獲得的；視角變化和尺度變化圖像庫(c)(e)是由同一個地點的不同視角角度及不同拍攝距離拍攝圖像分別獲得的；壓縮比變化圖像庫(f)是由jpeg2000圖像壓縮標準經不同的壓縮率處理后得到的。圖3為對軌道定位的圖像，其中(a)為無人機拍攝的軌道原始圖像，(b)為計算sobel梯度方向場并閾值處理后得到的梯度圖像，(c)為經過圖像腐蝕、canny邊緣檢測及圖像區域填充后得到的軌道位置圖像。圖4為經過限界區域提取后的軌道圖像，在此圖像基礎上，進行alp特征描述子提取。alp特征描述子示意圖如圖5所示，圖中每個圓的圓心代表特征點，圓的半徑代表特征點的尺度，圖中只顯示了部分alp特征點。依據多種仿射變換后圖像提取的alp特征描述子，融合地理位置信息，最終構建為軌道視覺特征譜。圖6為無人機拍攝的存在入侵物的軌道圖像，經限界提取、特征提取、特征匹配和k-means聚類后，檢測到的入侵物范圍，圖7為入侵物范圍示意圖。由實驗結果可以看出，本發明提出的方法可以有效檢測出軌道入侵物。在測試實驗環境intel(r)core(tm)i5-3470cpu、8gb內存、visualstudio2013、opencv3.0下，實驗運行結果所用時間1.2s左右，滿足時速72km/h的無人機巡航檢測實時性要求。

綜上所述，本發明實施例提出的軌道視覺特征譜理論及基于軌道視覺特征譜理論的入侵物檢測方法，以軌道圖像的alp特征為檢測模板，極大減少了存儲量，滿足無人機載荷要求；alp特征匹配速度快，滿足無人機巡航速度要求，因此可以運用到基于無人機的入侵物檢測系統中。同時，alp特征較穩定，受光照、尺度等影響較小，檢測可靠性較高。只需一架無人機即可對全路段進行檢測，無需沿線定點安裝監控相機，極大降低了成本，對于西部山區、無人區等惡劣環境下的軌道檢測具有十分重要的意義。

本領域普通技術人員可以理解：附圖只是一個實施例的示意圖，附圖中的模塊或流程并不一定是實施本發明所必須的。

通過以上的實施方式的描述可知，本領域的技術人員可以清楚地了解到本發明可借助軟件加必需的通用硬件平臺的方式來實現。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品可以存儲在存儲介質中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施例或者實施例的某些部分所述的方法。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置或系統實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的裝置及系統實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解并實施。

以上所述，僅為本發明較佳的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該以權利要求的保護范圍為準。