铁路轨道近景影像钢轨边缘的识别与匹配方法与流程

本发明属于数字图像处理中的特征点提取与匹配，具体是运用铁路轨道近景影像对钢轨边缘进行识别与匹配的领域。

背景技术：

铁路轨道作为支撑列车运行的重要基础设施，其主要作用是引导机车车辆的平稳安全运行。轨道直接承受机车车辆运动荷载，并传递给路基或桥隧等地面结构。为保障列车高速、安全、平稳运行，并延长轨道结构的使用寿命，必须加强对铁路轨道的几何平顺性检测和维护，保证轨道结构处于完好状态，尤其是面临我国铁路数量巨大的特殊性和轨道检测的高精度技术要求，对轨道几何状态检测技术提出了严峻的挑战。

目前，国内外主要是依靠轨检小车和智能型全站仪进行轨道平顺性检测，这种测量技术检测精度较高，已为我国高速铁路初期建设的轨道精调提供了重要的技术支撑。然而，该系统是沿轨道逐点离散稀疏测量，需不断搬换测站，测量已有基准点来实现轨道检测，其检测点的分布密度、测量效率等方面有待进一步改善。考虑到我国高速铁路轨道检测数量巨大，因此亟待探索一种能够实现高效率、高精度的轨道检测技术，改进和补充当前轨检小车和全站仪这种单一检测系统的不足。

轨道近景摄影测量是采用数码相机连续获取轨道影像，通过数字图像特征提取、匹配、影像定向与建模计算，实现对轨道几何线形与平顺状态参数的提取与检测，近景摄影测量技术具有效率高、劳动强度小、计算机处理自动化程度高等显著优势，因此将近景摄影测量技术引入铁路轨道几何状态检测具有极大的应用潜力。

为改善铁路轨道几何状态检测的速度和效率，引入近景摄影测量技术检测轨道几何平顺性，而轨道影像的准确匹配是图像定向建模的重要技术环节。针对铁路轨道近景影像的图像特征相对较少，影像色彩信息较为单一，图像灰度数值具有较高的相似性，钢轨边缘匹配较为困难，因此需探索出一种适合于铁路轨道近景影像钢轨边缘的快速匹配方法。

技术实现要素：

本发明所要解决的技术问题是提供一种铁路轨道近景影像钢轨边缘的识别与匹配方法，使之具有匹配高效率、高精度等优点。

为解决上述技术问题，本发明采用的技术方案是：

一种铁路轨道近景影像钢轨边缘的识别与匹配方法，包括以下步骤：

步骤1：将铁路轨道近景影像上钢轨作为ROI提取出来，经灰度拉伸后，提取轨底内边缘区域ROI，得到轨底内边缘线；

步骤2：根据钢轨的形状特征，推测轨道内边缘的位置，提取推测位置ROI，检测得到准确的轨道内边缘线；

步骤3：将相邻两张影像上轨道面作为ROI提取出来，采用SIFT算法提取轨道面上的特征点，采用KNN算法对相邻两张影像轨道面上特征点进行匹配，采用RANSAC算法结合轨道影像特点剔除误匹配的同名点对，经抽稀处理，得到轨道面同名点对；

步骤4：利用相邻两张影像的轨道面同名点对建立轨道面映射模型，将重叠区域内左影像轨道内边缘线上的像点，通过轨道面映射模型得到右影像上的映射点，距此映射点最近的右影像轨道内边缘线上的像点即为同名点，得到初步匹配的同名点对；

步骤5：由左、右影像内边缘线上初步匹配的同名点对，建立相邻两张影像轨道内边缘线映射模型，则由重叠区域内左影像轨道内边缘线上的任一像点，精确匹配得到右影像轨道内边缘线上的同名点。

与现有技术相比，本发明的有益效果是：

采用本发明方法，在铁路轨道近景影像上提取钢轨ROI时，提取范围较大，包括完整的钢轨，经灰度拉伸处理后，可显著地区别出钢轨和轨道板；为提高边缘检测的精度，在提取边缘时针对的都是较小的区域范围，因此提取轨底内边缘线和轨道内边缘线时，需裁剪其所在位置附近较小区域的ROI，为准确获得内边缘线提供良好的数据基础。

在轨道面同名点匹配时，铁路轨道近景影像轨道面纹理特征差异小且灰度变化不显著，采用SIFT算法提取轨道面上的特征点，KNN算法对相邻两张影像轨道面上特征点进行匹配，RANSAC算法结合轨道影像特点剔除误匹配的同名点对，之后对同名点对进行抽稀处理，得到数量足够且空间分布均匀的同名点对，匹配速度快且准确度高，可为轨道面映射模型的准确建立提供高质量的数据基础。

在建立映射模型时，由于同名点对分布于一个狭长区域内，同名点对像素横、纵坐标的差值相差较悬殊，为增加映射模型的稳定性，对同名点对的像素坐标进行归一化处理，在保证坐标值相对大小不变的情况下提高映射模型的精度。

根据提取出的轨道内边缘线以及轨道面映射模型，计算轨道内边缘线映射模型，可精确匹配出轨道内边缘线上的同名点；本发明方法具有图像处理自动化、快速、高效等优点，可获得高可靠性、高精度的轨道内边缘同名点对。

附图说明

图1是本发明方法的流程框图。

图2是本发明方法中轨道内边缘线提取的步骤示意图。

图3是本发明方法中轨道面特征点提取与匹配的步骤示意图。

图4是本发明方法中轨道面映射模型建立的流程框图。

图5是本发明方法中轨道内边缘线上同名点匹配的步骤示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

由图1可知本发明铁路轨道近景影像钢轨边缘的识别与匹配方法的处理过程，具体为：

处理时：需准备相邻两张铁路轨道近景影像。处理过程：在相邻两张近景影像上分别提取钢轨ROI(Region of Interest，感兴趣区域)，经灰度拉伸后，提取轨底内边缘区域ROI，得到轨底内边缘线，推测轨道内边缘位置，提取推测位置ROI，检测得到准确的轨道内边缘线；在相邻两张铁路轨道近景影像上提取轨道面ROI，在ROI上进行特征点提取与匹配，由抽稀处理后的同名点对建立轨道面映射模型；根据轨道内边缘线和轨道面映射模型，进行轨道内边缘线上同名点初步匹配，建立轨道内边缘线映射模型，则重叠区域内左影像轨道内边缘线上任一像点，均可匹配得到右影像轨道内边缘线上的同名点。处理结果：相邻两张影像轨道内边缘线上高精度的同名点对。

结合图2可知：

轨道内边缘线提取的步骤：在铁路轨道近景影像上提取钢轨ROI，进行灰度拉伸处理后，提取轨底内边缘附近区域ROI，Canny边缘检测算子提取轨底内边缘点，筛选内边缘点后最小二乘拟合，得到精确的轨底内边缘线；依据钢轨的形状特征，推测轨道内边缘位置，提取推测位置附近区域ROI，进行图像增强处理，采用Canny算子检测轨道内边缘点，结合推测位置，筛选内边缘点后最小二乘拟合，得到准确的轨道内边缘线。

结合图3可知：

轨道面特征点提取与匹配的步骤：采用SIFT(Scale-Invariant Feature Transform)算法提取轨道面特征点，在相邻两张影像重叠区域的轨道面ROI上，通过高斯差分(DOG，Difference of Gaussians)算子在多尺度空间检测稳定的关键点，精确确定关键点的位置、尺度和方向，为关键点建立128维的特征描述子，得到具有尺度不变性的特征点；相邻两幅影像重叠区域的特征点及描述子建立后，采用KNN(K-Nearest Neighbor Algorithm，K-最近邻法)对两幅影像的特征点进行粗略匹配，采用RANSAC(Random Sample Consensus，随机抽样一致性)算法结合轨道影像特点进行同名点误匹配的剔除，并使用抽稀处理解决同名点分布过密的情况，得到数量足够且空间分布均匀的轨道面同名点对。

由图4可知：

轨道面映射模型建立的过程：根据相邻两张影像轨道面同名点对，对同名点对像素坐标进行归一化，在保证像素坐标值相对大小不变的情况下，提高映射模型的稳定性；经对同名点坐标值的分析以及实验表明，使用多项式模型对同名点的映射具有较高的精度，则相邻两张影像的轨道面多项式映射模型为：

式中：(x_l,y_l)、(x_r,y_r)分别为左、右影像轨道面上一个同名点对的归一化坐标，(a₀,a₁,a₂,a₃,a₄,b₀,b₁,b₂,b₃,b₄)均为轨道面映射模型参数。通过相邻两张影像的轨道面同名点对，根据最小二乘方法计算出(a₀,a₁,a₂,a₃,a₄,b₀,b₁,b₂,b₃,b₄)10个轨道面映射模型参数，即得到相邻两张影像的轨道面映射模型。

由图5可知：

轨道内边缘线上同名点匹配的过程：根据相邻两张影像上提取的轨道内边缘线，将内边缘线上像点的像素坐标归一化，选取部分左影像上的像点，由轨道面映射模型，计算其在右影像上的映射点，距此映射点最近的右影像轨道内边缘线上的像点即为同名点，由左、右影像轨道内边缘线上的同名点对建立轨道内边缘线映射模型，模型公式同上式(1)所示，由同名点对归一化坐标经最小二乘计算得到模型参数。则左影像轨道内边缘线上的任一像点，均可由轨道内边缘线映射模型，计算其在右影像上的映射点，距此映射点最近的轨道内边缘线上的像点即为同名点，最后将同名点对的归一化坐标还原为像素坐标，即可得到相邻两张影像重叠区域内高精度的轨道内边缘线上同名点对。