技术领域本发明涉及属于轨道交通检测领域，具体涉及一种基于二维激光位移传感器的钢轨轮廓动态测量轮廓是否发生失真变形的实时识别、变形后的轮廓校正新方法等。
背景技术：
目前，采用线结构激光光源与CCD摄像机组合构建的非接触式钢轨轮廓动态测量系统在轨道养护中得到了广泛应用。该系统装于轨检车或公铁两用检测车上，随车体行进直接对钢轨断面的各项参数进行快速精确地测量，大大提升了养护作业效率。按照CCD成像数据处理方式的不同，该系统可分为激光视像技术和激光位移技术两种。激光视像技术在传统非接触式钢轨轮廓检测系统中应用最为普遍，它通过对视觉传感器进行高精度的标定，求得CCD摄像机成像模型的外部参数，将摄像机二维图像坐标系内的数据精确转换到三维世界坐标系中。然后通过识别测量图像中的钢轨轮廓、提取断面激光光条中心的亚像素坐标、依据成像模型转换得到测量轮廓世界坐标，最后实现测量轮廓与标准轮廓的对准与磨耗测量。由于现场钢轨表面锈渍、油污及阳光反射影响，激光视像技术的轮廓检测精度相对较低。激光位移技术依据钢轨表面反射激光在二维CCD成像阵列中的不同位置，通过激光三角法直接计算得到测量轮廓上各个采样点距光源入射点的数字距离坐标，进而通过与标准轮廓的对准实现磨耗测量。两者相比，激光位移技术具有检测精度更高(约为量程的0.1％)，检测速度更快(可达6000轮廓/s)，测量不受色彩、表面材质或离散光线影响等特点，更适合现代高速铁路的检测维护需求。建立轨道基准坐标系如图1所示，其中轨距方向为X轴，垂直于轨顶踏面方向为Y轴，钢轨纵向为Z轴。车体行驶过程中的6个自由度振动分别为沿X轴的侧摆振动、沿Y轴的浮沉振动、沿Z轴的伸缩振动、绕X轴的点头振动、绕Y轴的摇头振动、绕Z轴的侧滚振动。各方向振动相互耦合，很难直接测出。6种振动形式中，只有点头振动和摇头振动引起测量轮廓发生失真变形，导致检测精度下降。其中，点头振动引起测量轮廓在垂直方向的等比例拉伸，摇头振动引起测量轮廓在轨距方向的等比例拉伸，示意图如图2(a)、图2(b)、图2(c)所示。设点头角度为θ1，摇头角度为θ2，取正常轮廓和变形轮廓上对应的一点(x1,y1)和(x1',y1')，则点头振动的影响为：{x1′=x1y1′=y1/cosθ1---(1)]]>摇头振动的影响为：{x1′=x1/cosθ2y1′=y1---(2)]]>若两个方向均发生振动，则{x1′=x1/cosθ2y1′=y1/cosθ1---(3)]]>针对动态测量时的轮廓变形问题，激光视像技术利用能够获取测量轮廓三维世界坐标的特性，国内外研究者先后提出了正交分解振动补偿法、最近点迭代ICP(IterativeClosestPoint)校准法、基于多线结构光视觉传感器的辅助平面投影法等，取得了较好的轮廓校准效果。然而，检测精度更高的激光位移技术由于只能获取测量轮廓上各个采样点相对光源入射点的二维数字坐标，无法像激光视像技术一样获取第三维轨道纵向坐标，因此对该问题一直未能得到有效地解决，这也限制了激光位移技术在轮廓检测中的应用。基于二维数字坐标的激光位移技术在轮廓变形识别与校准中所面临的技术难点主要有以下几个方面：1)难以找到直观有效的特征对原始测量轮廓是否发生变形做出实时准确地识别由于传感器倾斜照射钢轨内侧，原始测量轮廓是旋转的。相对测量正常轮廓，测量变形轮廓发生了拉伸变换，所以两者的直观区别在于特征点对的距离会在拉伸前后发生变化。60Kg/m标准模板轮廓如图3所示，轮廓断面分为轨头、轨腰、轨底三部分。轨头区点B为轨颚点，由1:20直线AB与1:3直线BC相交而成；轨腰区CD为R400mm圆弧，DE为R20mm圆弧，两者切于点E；轨底区EF和FG分别为1:3与1:9直线，两者交于点F。实际测量环境中点A会被磨损，且点C易被轨颚区遮挡、点G被道砟或扣件掩盖、点D和点E由于噪声影响位置变化较大，所以可用的特征点只有B、F两点。B、F垂直坐标差较大、水平坐标差较小，只能对变化角度较大的点头振动引起的轮廓变形做出识别，难以实时准确地识别其他变形轮廓(摇头轮廓、混合变形轮廓)或小角度点头轮廓。2)常规二维轮廓匹配方法校准难度大一是A～G七个特征点中可用的特征点只有B、F两点，不能通过直接凑齐3对特征点来求得仿射变换参数；二是当测量轮廓发生仿射变形时，轨腰R400与R20由圆弧变为椭圆弧，弧长很短(相应的圆心角分别为12.3°和65.9°)，表面含有噪声，通过最小二乘法来拟合椭圆的中心点坐标、长短轴和倾斜角等5个参数，求解精度较低，难以满足实际需求。3)钢轨在生产过程中引入的测量误差实际钢轨在生产过程中，会与标准模板轮廓存在一定的误差，因此通过测量正常轮廓来提取B、F两个特征点坐标进行统计平均作为模板轮廓的两个匹配特征点。本发明相关轮廓符号集见表1表1相关轮廓符号集
技术实现要素：
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于三层匹配的钢轨轮廓实时形态识别与失真校准方法。为解决上述技术问题，本发明所采用的技术方案是：一种基于三层匹配的钢轨轮廓实时形态识别与失真校准方法，包括以下步骤：1)采集多幅正常轮廓，经匹配特征点提取、特征区域点集映射、3层匹配区总体适应度值的计算与统计平均，获取后续用于识别校准的模板轮廓匹配特征点与分类阈值；2)随机动态采集测量轮廓，将所述测量轮廓与所述模板轮廓进行对齐匹配；3)提取测量轮廓匹配特征点，构建所述测量轮廓与所述模板轮廓的三层匹配区，计算所述测量轮廓的总适应度；4)比较所述测量轮廓总适应度与所述轮廓分类阈值，若所述总适应度小于或等于所述轮廓分类阈值，则所述测量轮廓为正常轮廓；否则，所述测量轮廓为变形轮廓；5)对所述正常轮廓，直接计算得到钢轨磨耗；对所述变形轮廓，先与所述模板轮廓进行预对准，再依据所述变形轮廓三层匹配区总适应度，使用粒子群算法逐步迭代获取最优仿射变换参数，最后对所述变形轮廓进行校准，计算钢轨磨耗。与现有技术相比，本发明所具有的有益效果为：本发明通过分析测量变形轮廓、测量正常轮廓与标准模板轮廓各自的特点，最终选用现场测量的正常轮廓来提取模板轮廓校准特征点与分类阈值；通过模板轮廓向复原轮廓特征区域点集映射，创新性地构造出轨颚点、轨头直线区与轨腰特征区等三层匹配区，并计算三层总体适应度，来对正常轮廓与变形轮廓进行实时准确地分类；针对变形轮廓，先预对准，再利用粒子群算法，以仿射变换旋转角、垂直方向与水平方向伸缩比作为粒子群中每个粒子位置向量，以三层匹配区的总适应度作为粒子群迭代优化的适应度函数，通过迭代寻优估计钢轨轮廓仿射变换参数，最终实现变形轮廓校准；测量轮廓与模板轮廓初次匹配仍采用双圆弧法，识别出的大部分正常轮廓可直接计算磨耗，少部分变形轮廓使用粒子群算法校准后再计算磨耗，这在一定程度上保证了该方法实际应用中的实时性。附图说明图1为轨道基准坐标系；图2(a)、图2(b)、图2(c)为不同类型振动对测量的影响；图3为60Kg/m标准模板轮廓断面图；图4为本发明轮廓识别及校准流程；图5为本发明用于识别校准的轮廓匹配特征点与分类阈值的获取流程；图6为本发明Ramer分割后的原始轮廓及特征点定位；图7为本发明正常轮廓特征点提取；图8为本发明特征区域点集映射示意图；图9为本发明测量轮廓分类示意图；图10为本发明变形轮廓校准流程；图11(a)初始变形轮廓(点头振动)；图11(b)变形轮廓与模板轮廓初步校准；图11(c)最优个体适应度变化；图11(d)最终校准结果。具体实施方式本发明根据振动影响下测量变形轮廓与标准模板轮廓未磨损区域存在仿射变换的特性，通过分析现场测量的变形轮廓、正常轮廓与标准模板轮廓各自的特点，提出一种基于轨颚点、轨头直线区与轨腰特征区三层匹配的钢轨轮廓实时形态识别与失真校准方法，并以我国应用最为广泛的60Kg/m钢轨进行了多种振动影响下的变形轮廓识别与校准实验，取得了良好的实验效果。该方法包括采集统计后续用于识别校准的轮廓匹配特征点与分类阈值；随机测量轮廓的实时形态识别；变形轮廓的校准等三个步骤。总体流程如图4所示。一、采集统计后续用于识别校准的轮廓匹配特征点与分类阈值本发明通过测量多幅正常轮廓来获取后续用于识别校准的轮廓匹配特征点与分类阈值，流程如图5所示。1)特征点采集选取轨颚点、轨底斜率1:3和1:9直线交点作为轮廓匹配的两个特征点。采用Ramer多边形逼近算法对钢轨轮廓进行分割并提取特征点，示例如图6所示。由于传感器倾斜照射钢轨内侧，所以原始轮廓是旋转的。图中圆圈所在位置为分割点，标示数字为其在原始数据中的编号。分割点集中轨颚点与轨底点几何位置特征如下：轨颚点B与其下一点具有最大的垂直落差，轨底点F所在直线是轨底区最长的一段，由此可准确定位两个特征点在轮廓点集中的位置编号。假定轮廓点集中分割点矢量为P＝(P1,P2,…,Pn)。分割点集沿Y向的坐标差矢量为(y2-y1,y3-y2,…,yn-yn-1)，分割点集中最高点索引为ymax，点集距离矢量为(||P2-P1||,||P3-P2||,…,||Pn-Pn-1||)，则B点在矢量P中的索引为indexB=argmaxi(yi+1-yi),i=1,2,...,n-1---(4)]]>F点在矢量P中的索引为indexF=argmaxi||Pi-Pi-1||,i=ymax+1,ymax+2,...,n---(5)]]>测量轮廓通过双圆心法与模板轮廓匹配对齐后，轨颚点和轨底点利用其索引值，得到其在复原轮廓中的坐标，示意图如图7。图7中圆圈所示位置即为提取到的轨颚点与轨底点。假定有m幅正常轮廓，则统计平均后的模板轮廓匹配特征点坐标分别为B‾=[x‾B,y‾B]=[Σi=1mxBi/m,Σi=1myBi/m]F‾=[x‾F,y‾F]=[Σi=1mxFi/m,Σi=1myFi/m]---(6)]]>2)特征区域点集映射观察图7可知，模板轮廓坐标沿Y轴单调递增，沿X轴非单调变化，所以点集映射方法为取模板轮廓上指定点，沿X轴向与指定点相同Y坐标处的测量轮廓进行映射。取模板轮廓LKs轨腰区曲线C'F'，确保C'F'响应点存在于测量轮廓LKnm轨腰区范围内；轨头区直线A'B'，确保A'B'响应点存在于LKnm轨头区1:20直线范围内。分别以模板轮廓A'B'、C'F'为特征区域，向LKnm对应区域做点集映射，通过三次样条插值得到LKnm上相应位置的响应点坐标，示意图如图8所示。3)三层匹配区适应度的计算三层匹配区由轨颚点B、轨头1:20直线区A'B'、轨腰区C'F'构成，适应度分别为fitnessjaw，fitnesshead，fitnesswaist。A'B'区映射点有q1个，模板轮廓映射点集和测量轮廓响应点集中第j个点的横坐标分别为xhmj、xhrj；C'F'区映射点有q2个，模板轮廓映射点集和测量轮廓响应点集中第j个点的横坐标分别为xwmj、xwrj。第i个测量轮廓与模板轮廓间的三层适应度分别为①轨颚点适应度通过计算测量轮廓点B与模板轮廓特征点之间的距离得到，即fitnessjaw=(xBi-x‾B)2+(yBi-y‾B)2---(7)]]>②轨头区适应度通过计算轨头区模板轮廓映射点集与测量轮廓响应点集对应点的均方差得到，即fitnesshead=1q1Σj=1q1(xhmj-xhrj)2---(8)]]>③轨腰区适应度通过计算轨腰区模板轮廓映射点集与测量轮廓响应点集对应点的均方差得到，即fitnesswaist=1q2Σj=1q2(xwmj-xwrj)2---(9)]]>第i个正常轮廓三层匹配区的总适应度为fitnessni＝fitnessjaw+fitnesshead+fitnesswaist(10)轮廓分类阈值为thr＝E(fitnessn)+a·σ(fitnessn)(11)式中fitnessn为所有正常轮廓适应度的集合，σ(fitnessn)为适应度统计标准差，a为阈值调整因子，a∈[0,3]。二、随机测量轮廓的实时准确分类随机动态采集一幅测量轮廓LKo，先假定其为正常轮廓，通过双圆心法将LKo与模板轮廓LKs进行匹配对齐，得到LKom；然后通过上节所述的轮廓多边形分割与特征区域点集映射，构建LKom的三层匹配区，计算测量轮廓LKo匹配区的适应度fitness。分类准则如下LKo=LKn,iffitness≤thrLKd,otherwise---(12)]]>识别过程如图9所示。三、变形轮廓校准首先，以式(6)所计算出的为原点，将变形轮廓LKd与模板轮廓LKs在该点预对准，从而减少估计参数中的平移矢量；然后，以测量轮廓旋转角θ、两个坐标轴的伸缩系数Sx和Sy组合作为粒子群中每个粒子的位置向量Xi＝[θi,Sxi,Syi]T。以该向量对初步对齐轮廓LKda进行仿射变换，得到复原轮廓。构造复原轮廓三层匹配区，计算其适应度作为该粒子的适应度；最后通过粒子群迭代寻优，求得最优的仿射变换参数，对变形轮廓进行校准。校准算法流程如图10所示。粒子群每一次迭代中，每个粒子通过和自身上一次适应度值的比较，找到个体极值；通过和种群中全部粒子适应度值的比较，找到全局极值，进而通过下式更新自身的速度和位置。：Vidk+1=ωVidk+c1r1(Pidk-Xidk)+c2r2(Pgdk-Xidk)---(13)]]>Xidk+1=Xidk+Vidk+1---(14)]]>式中，ω为惯性权重，d＝1,2,…,D，D为位置向量长度；i＝1,2,…,n，n为种群规模；k为当前迭代次数，Vid为粒子的速度；Pid为粒子个体极值；Pgd为种群全局极值；c1和c2为非负常数，称为加速度因子；r1和r2为分布于[0,1]之间的随机数。为防止PSO的早熟收敛，引入简单变异算子，以一定的概率重新初始化该粒子。迭代结束后，以全局最优粒子的位置向量Pg＝[θg,Sxg,Syg]T作为最终的仿射变换参数。取点初步对齐后的待校准轮廓LKd'和最终复原轮廓LKr上对应的两点(xd',yd')和(xr,yr)，则xryr1T=xd′yd′1Tcosθgsinθg0-sinθgcosθg0001Sxg000Syg0001---(15)]]>四、实验验证1)硬件实验平台实验取一段长1m，表面有锈蚀与现场钢轨反光特性相似的60型钢轨作为测量对象。采用英国ZSY高精度激光二维位移传感器进行轮廓数据采集，传感器垂直测量范围为175-425mm，水平范围为115-230mm，线性度0.1％。本应用中，Ramer分割阈值ε＝0.6，分类阈值的调整因子a＝1.5。PSO算法参数为：种群规模100，迭代次数50，惯性权重为1，加速度因子c1和c2均为1.494，速度更新区间为[-Vmax,Vmax]，Vmax＝[0.01,0.01,0.01]；位置更新区间为[Xmin,Xmax]，Xmin＝[0.523,0.866,0.866]，Xmax＝[1.047,1,1]，旋转角θ单位为弧度。2)变形轮廓校准过程a)采集变形轮廓，并与模板轮廓进行初步校准通过移动和旋转钢轨来模拟点头或摇头振动对检测的影响，采得的变形轮廓示例如图11(a)所示，该轮廓由于点头振动导致轨道垂直方向发生拉伸变换，轨腰对齐后轨顶踏面部分被拉伸到了模板轮廓以上。变形轮廓与模板轮廓轨底点初步对齐后的结果如图11(b)所示。b)粒子群迭代优化，利用最优粒子实现最终校准粒子群迭代进化过程中最优个体的适应度变化曲线如图11(c)所示，优化后的最终校准结果如图11(d)所示。校准后垂直方向轮廓数据被合理地压缩回来。