基于轨道视觉特征谱的轨道入侵物检测方法与流程

本发明涉及轨道安全检测技术领域，尤其涉及一种基于轨道视觉特征谱的轨道入侵物检测方法。

背景技术：

轨道交通里程特别是西部复杂地貌环境下铁路里程不断增加，亚欧高速铁路建设，以及严峻的国际安全局势影响，使能用于无人机载入侵物识别设备的轨道线路入侵物快速识别方法和技术成为迫切需求。

在我国现有的轨道安全检测系统中，主要采用定点安装监控相机、值班人员实时观察方式来检查轨道线路状况。此种方式需要在轨道线路上点式分布安装相机，安装和维护成本高，同时在西部山区、无人区等恶劣复杂地貌环境影响下，无法推广运用；通过相关人员的观察判断检测线路状态，容易因为疲劳疏忽等因素造成安全隐患。

国内外研究人员研究的基于固定相机的轨道入侵物自动识别算法，多数以图像像素特征作为模板，与实时图像进行匹配检测入侵物。此方法容易受周围环境影响，模板需要实时更新，无法应用到无人机载入侵物检测系统中。

技术实现要素：

本发明的实施例提供了一种基于轨道视觉特征谱的轨道入侵物检测方法，以实现对轨道入侵物进行有效地检测。

为了实现上述目的，本发明采取了如下技术方案。

一种基于轨道视觉特征谱的轨道入侵物检测方法，包括：

沿轨道线路以一定高度、角度和速度巡航并拍摄图像，利用图像数据，针对旋转、亮度、视角、清晰度、尺度和压缩比6种图像拍摄和仿射变化建立轨道特征图像库，基于所述轨道特征图像库构建轨道视觉特征谱；

将所述轨道视觉特征谱与待检测的轨道图像进行特征匹配，根据匹配结果判断所述待检测的轨道图像中是否存在轨道入侵物。

进一步地，所述的沿轨道线路以一定高度、角度和速度巡航并拍摄图像，利用图像数据，针对旋转、亮度、视角、清晰度、尺度和压缩比6种图像拍摄和仿射变化建立轨道特征图像库，基于所述轨道特征图像库构建轨道视觉特征谱，包括：

利用搭载云台相机的无人机沿轨道线路以一定高度、角度和速度巡航并拍摄图像，依据图像中的轨道长度划定轨道特征模板区间，并针对旋转、亮度、视角、清晰度、尺度和压缩比6种拍摄和仿射变化建立轨道特征图像库，基于所述轨道特征图像库构建轨道视觉特征谱，上述处理过程包括如下6个处理步骤：

1)计算像素梯度

运用sobel算子的水平方向模板和垂直方向模板计算轨道图像数据中每个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)为图像数据；

2)计算方向场

由图像数据中每个像素点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：

对每一个以像素为中心的图像滑窗子块w×w，计算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示：

计算该子块梯度的平均方向为式(5)所示：

3)轨道定位

对轨道图像按照上述公式(3)、(4)和(5)提取出方向场，根据方向场得到该轨道图像的梯度图像和梯度值，以所述轨道图像的梯度值为阈值对所述轨道图像进行阈值化处理，去除背景影响，运用canny边缘检测，得出轨道图像中的轨道的位置；

4)限界提取

根据所述轨道图像中的轨道的位置和铁路限界定义提取轨道图像中的轨道限界区域，该轨道限界区域包括轨道、路基在内的铁路限界区域以及铁路限界区域向外延伸的缓冲区域，计算轨道图像中每一个像素与其最近的轨道像素的距离，将其距离小于等于轨道宽度的区域标记为铁路限界区域；

5)alp特征提取

提取出每个轨道限界区域的alp特征，对提取出的轨道限界区域的alp特征进行压缩编码；

6)轨道视觉特征谱的构建

以每个轨道限界区域的地理位置作为区间索引，将每个轨道限界区域的地理位置与每个轨道限界区间的alp特征融合，综合该轨道段所有轨道限界区间的融合特征，构建完成轨道视觉特征谱。

进一步地，所述的提取出每个轨道限界区域的alp特征，包括：

①构建高斯尺度空间求尺度空间极值点，高斯核是实现尺度变换的唯一线性卷积核，对于一个尺度参数δ，二维高斯核表示为式(6)所示：

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

为了构建图像金字塔，在每一个子八度中，使用4个递增的尺度参数δ的高斯核以及离散拉普拉斯核对原始图像进行滤波，如式(7)所示：

式中，g(x,y,δ)为离散高斯函数，为离散拉普拉斯算子，符号*代表卷积；

为了求得金字塔中的极值点，使用如式(8)所示的三阶多项式滤波器结果；

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

式中，(x,y)为像素坐标，δ为图像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯滤波后的图像加权求和计算得出，p(x,y,δ)为每一个像素点的响应值；

在每个子八度内，计算每幅图像每个像素的响应p(x,y,δ)，得到候选极值点(x,y)及对应尺度δ^*，将候选极值点重映射到亚像素精度，消除重复的极值点，提取出alp特征点，根据每个alp特征点的区域梯度幅值的直方图对每个特征点分配一个主方向；

②局部特征选择，依据alp特征点的尺度δ^*、方向θ、与图像中心的距离d、峰值d、hessian矩阵平方迹比率ρ、尺度空间函数的二阶导数pδδ共6个特征参数，进行如式(9)所示的相关性计算，筛选出相关性大于设定阈值的特征点，作为最终提取出的alp特征点；

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特征点为中心的4×4区域内，计算每个区域的8个方向的梯度直方图，将这些梯度直方图串联起来构成一个128维向量，将每个alp特征点描述为一个128维向量。

进一步地，所述的对提取出的轨道限界区域的alp特征进行压缩编码，包括：

①局部特征聚合，将每一个128维向量的局部特征描述归一化，并通过主成分分析提取出32维主向量；

②局部特征压缩，分为局部特征描述压缩和局部特征位置压缩，局部特征描述压缩中，采用低复杂度转换编码方案进行特征描述压缩，局部特征位置压缩中，采用位置直方图编码方案，将特征表示成二进制比特流；

③全局特征描述，采用可伸缩的压缩费舍尔向量编码方案，对图像特征进行一般化的描述。

进一步地，所述的将所述轨道视觉特征谱与待检测的轨道图像进行特征匹配，根据匹配结果判断所述待检测的轨道图像中是否存在轨道入侵物，包括：

在对轨道线路巡检时，依据构建轨道视觉特征谱的过程中相同拍摄条件实时拍摄待检测的轨道图像，在每个轨道区间中，提取轨道限界范围内实时拍摄的轨道图像的alp特征，将实时拍摄的轨道图像与该地理位置处的轨道视觉特征谱进行alp特征匹配；

在实时拍摄的图像的alp特征和模板特征库中同位置的轨道视觉特征谱完成特征匹配后，采用阈值法确定实时图中是否存在入侵物，定义比值ratio为式(10)；

式中unmatchnum表示为匹配的特征点数，matchnum表示匹配成功的特征点数；

如果ratio大于预先设定的阈值，则认为存在入侵物；如果ratio小于阈值，则认为正常；

当检测到存在入侵物时，在未匹配的剩余特征点集中，运用k-means聚类算法分类出大多数特征点聚集的位置，将该大多数特征点聚集的位置作为入侵物的范围。

进一步地，所述的将实时拍摄的轨道图像与该地理位置处的轨道视觉特征谱进行alp特征匹配，包括：

全局描述匹配，采用基于汉明距离的相似性度量描述实时拍摄的轨道图像与该地理位置处的轨道视觉特征图像之间的alp特征匹配度；

局部描述匹配，运用最近邻匹配算法对实时拍摄的轨道图像与该地理位置处的轨道视觉特征图像做alp特征匹配。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出的轨道视觉特征谱理论及基于轨道视觉特征谱理论的入侵物检测方法，可以运用到基于无人机的入侵物检测系统中，解决了传统检测系统可靠性差、成本昂贵的问题。该方法特征提取和匹配速度快，可以有效地检测出轨道中的入侵物，可以运用到基于无人机的入侵物检测系统中。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提出的一种基于轨道视觉特征谱的轨道入侵物检测方法的处理流程图；

图2为本发明实施例提供的一种轨道特征数据库样例示意图；

图3为本发明实施例提供的一种轨道定位图；

图4为本发明实施例提供的一种轨道限界区域图；

图5为本发明实施例提供的一种alp特征描述子示意图；

图6为本发明实施例提供的一种轨道异物入侵图像；

图7为本发明实施例提供的一种入侵物范围示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明针对现有轨道入侵物检测系统只能定点检测、受环境变化影响大、检测速度慢的缺点，以及为满足无人机载荷小、检测系统实时性高的特点，提出了轨道视觉特征谱理论及其构建方法，并基于该理论提出了特征匹配的入侵物检测方法。

本发明实施例提出的基于轨道视觉特征谱的轨道入侵物检测方法的处理流程如图1所示，主要包括如下的处理过程：

(1)构建轨道视觉特征谱，本发明定义轨道视觉特征谱为：在轨道同一位置分别提取图像旋转、亮度、视角、清晰度、尺度、压缩比等拍摄和仿射变化的图像特征，并融合地理信息。该步骤主要包括对轨道图像的多种仿射变换处理、轨道限界提取、alp(alow-degreepolynomialdetector，低维多项式)描述子提取及视觉特征谱生成；

(2)入侵物检测，这部分主要采用了alp特征匹配、基于欧几里得距离的噪声点消除和k-means聚类方法。实验结果表明，本发明提出的方法特征提取和匹配速度快，可以满足基于无人机的入侵物检测系统要求。

(1)第一部分：构建轨道视觉特征谱。搭载云台相机的无人机沿轨道线路以一定高度、角度和速度巡航并拍摄图像，依据图像中的轨道长度划定轨道特征模板区间。根据图像数据，针对旋转、亮度、视角、清晰度、尺度和压缩比6种拍摄和仿射变化建立特征图像库，进一步基于轨道特征图像库构建轨道视觉特征谱，上述处理过程主要分为如下6个具体步骤：

1)计算像素梯度

运用sobel算子的水平方向模板和垂直方向模板计算图像数据中每个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)为图像数据。

2)计算方向场

由每个像素点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。

对每一个以像素为中心的图像滑窗子块w×w，计算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示。

计算该子块梯度的平均方向为式(5)所示。

本发明选取的图像滑窗子块大小为4×4，得到图像中每一个像素f(i,j)的平均方向

3)轨道定位

对轨道图像按照上述公式(3)、(4)和(5)提取出方向场，根据方向场得到该轨道图像的梯度图像

以上述轨道图像的梯度值为阈值对上述轨道图像进行阈值化处理，去除复杂背景影响。然而背景中可能还残留一些与轨道梯度值相同的像素点，采用形态学腐蚀的方法去除掉这些干扰点。最后运用canny边缘检测，得出轨道图像中的轨道的位置。

4)限界提取

根据铁路限界定义提取轨道图像中的轨道限界区域。该轨道限界区域包括轨道、路基在内的铁路限界区域以及铁路限界区域向外延伸的缓冲区域。计算轨道图像中每一个像素与其最近的轨道像素的距离,将其距离小于等于轨道宽度的区域标记为铁路限界区域。

5)alp特征提取

alp特征描述子相比于经典的sift描述子，alp对特征点的定位更加准确且运算速度更快。正是这一优异特性，2014年颁布的iso/iecmpeg-7part13紧凑视觉描述子cdvs(compactdescriptorforvisualsearch)国际标准中，把alp特征描述子定为实现图像特征的快速提取、传输和匹配的核心算法。

alp特征描述子提取主要步骤为：

①构建高斯尺度空间求尺度空间极值点。高斯核是实现尺度变换的唯一线性卷积核。对于一个尺度参数δ，二维高斯核表示为式(6)所示。

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

为了构建图像金字塔，在每一个子八度(octave)中，alp中使用4个递增的尺度参数δ的高斯核以及离散拉普拉斯核对原始图像进行滤波，如式(7)所示。

式中，g(x,y,δ)为离散高斯函数，为离散拉普拉斯算子，符号*代表卷积。

为了求得金字塔中的极值点，传统的log滤波方法计算量大，alp使用如式(8)所示的三阶多项式近似log滤波器结果，加快运算速度。

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

式中，(x,y)为像素坐标，δ为图像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯滤波后的图像加权求和计算得出，p(x,y,δ)为每一个像素点的响应值。

在每个子八度内，计算每幅图像每个像素的响应p(x,y,δ)，并按照一定规则进行筛选，得到候选极值点(x,y)及对应尺度δ^*。进一步，将候选极值点重映射到亚像素精度，并消除重复的极值点，提取出alp特征点。

为了图像描述的旋转不变性，根据每个特征点的区域梯度幅值的直方图，对每个alp特征点分配一个主方向。当有其他方向统计量超过主方向的80％时，选择为该alp特征点的第二主方向。

②局部特征选择。上一步提取出的alp特征点总数可能远大于设定的图像描述长度，需要对alp特征点进行筛选。依据alp特征点的尺度δ^*、方向θ、与图像中心的距离d、峰值d、hessian矩阵平方迹比率ρ、尺度空间函数的二阶导数pδδ共6个特征参数，进行如式(9)所示的相关性计算，筛选出相关性大的特征点，作为最终提取出的alp特征点。

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特征点为中心的4×4区域内，计算每个区域的8个方向的梯度直方图，将这些直方图串联起来构成一个128维向量。这样，每个alp特征点被描述为一个128维向量。

在提取出alp特征点后，需要对提取出的alp特征点进一步压缩编码，主要包括3个步骤：

①局部特征聚合。每一个128维向量局部特征描述都将被归一化，并通过pca(principalcomponentsanalysis，主成分分析)提取出32维主向量。

②局部特征压缩。分为局部特征描述压缩和局部特征位置压缩。局部特征描述压缩中，采用低复杂度转换编码方案进行特征描述压缩。局部特征位置压缩中，采用位置直方图编码方案，将特征表示成二进制比特流。

③全局特征描述。采用可伸缩的scfv(scalablecompressedfishervector,压缩费舍尔向量)编码方案，对图像特征进行更一般化的描述。

6)轨道视觉特征谱的构建

提取出每个轨道区间的alp特征后，以地理位置作为区间索引，与alp特征融合，综合该轨道段所有轨道区间的融合特征，最终构建完成轨道视觉特征谱，该轨道视觉特征谱中包含地理位置信息和alp特征描述子。

(2)第二部分：入侵物检测。在对轨道线路巡检时，搭载云台相机的无人机依据构建轨道视觉特征谱的过程中相同的高度、角度和速度自主循迹飞行，机载相机实时拍摄待检测的轨道图像，机载计算机对待检测的轨道图像实时处理。在每个轨道区间中，提取轨道限界范围内实时拍摄的图像的alp特征，并与该地理位置处的轨道视觉特征谱进行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，分别如下：

1)全局描述匹配通过快速计算2幅图像全局描述特征的加权相关性来实现的。本发明采用基于汉明距离(hammingdistances)的相似性度量描述两幅图像的匹配度。相似性定义如(10)所示。

式中为特征二值向量。ha(.,.)表示汉明距离。wha为从数据库中学习得到的系数。设置阈值τ，如果sq,r＞τ，则特征匹配，否则特征不匹配。

2)局部描述匹配中运用最近邻匹配算法对待匹配图像和参考图像做特征匹配。在匹配完成后，进行几何一致性检查，去除错误的匹配点。

在实时拍摄的图像的alp特征和模板特征库中同位置的轨道视觉特征图像的alp特征完成匹配后，采用阈值法确定实时图中是否存在入侵物。定义比值ratio为式(11)。

式中unmatchnum表示为匹配的特征点数，matchnum表示匹配成功的特征点数。

如果ratio大于预先设定的阈值，则认为存在入侵物；如果ratio小于阈值，则认为正常。

当检测到存在入侵物时，在未匹配的特征点集中，包括可疑入侵物的特征点及与入侵物不相关的周围环境存在的噪声特征点。入侵物上的特征点较密集，而噪声点较分散，通过计算每个特征点与其余点的欧几里得距离，利用阈值方法去除干扰特征点。

最后，在剩余的特征点集中，运用k-means聚类算法分类出大多数特征点聚集的位置，即提取出可疑入侵物的大致范围。

实施例二

图2为对某一轨道区间段图像做多种仿射变换后构建的轨道特征数据库样例示意图，其中旋转图像库(a)是由在固定位置的相机通过自身旋转拍摄获得的；亮度变化和清晰度变化的图像库(b)(d)是通过改变相机的光圈和焦距拍摄图像获得的；视角变化和尺度变化图像库(c)(e)是由同一个地点的不同视角角度及不同拍摄距离拍摄图像分别获得的；压缩比变化图像库(f)是由jpeg2000图像压缩标准经不同的压缩率处理后得到的。图3为对轨道定位的图像，其中(a)为无人机拍摄的轨道原始图像，(b)为计算sobel梯度方向场并阈值处理后得到的梯度图像，(c)为经过图像腐蚀、canny边缘检测及图像区域填充后得到的轨道位置图像。图4为经过限界区域提取后的轨道图像，在此图像基础上，进行alp特征描述子提取。alp特征描述子示意图如图5所示，图中每个圆的圆心代表特征点，圆的半径代表特征点的尺度，图中只显示了部分alp特征点。依据多种仿射变换后图像提取的alp特征描述子，融合地理位置信息，最终构建为轨道视觉特征谱。图6为无人机拍摄的存在入侵物的轨道图像，经限界提取、特征提取、特征匹配和k-means聚类后，检测到的入侵物范围，图7为入侵物范围示意图。由实验结果可以看出，本发明提出的方法可以有效检测出轨道入侵物。在测试实验环境intel(r)core(tm)i5-3470cpu、8gb内存、visualstudio2013、opencv3.0下，实验运行结果所用时间1.2s左右，满足时速72km/h的无人机巡航检测实时性要求。

综上所述，本发明实施例提出的轨道视觉特征谱理论及基于轨道视觉特征谱理论的入侵物检测方法，以轨道图像的alp特征为检测模板，极大减少了存储量，满足无人机载荷要求；alp特征匹配速度快，满足无人机巡航速度要求，因此可以运用到基于无人机的入侵物检测系统中。同时，alp特征较稳定，受光照、尺度等影响较小，检测可靠性较高。只需一架无人机即可对全路段进行检测，无需沿线定点安装监控相机，极大降低了成本，对于西部山区、无人区等恶劣环境下的轨道检测具有十分重要的意义。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。