铁路扣件螺母中心定位方法与流程

本发明涉及轨道交通检测设备领域，具体涉及一种用于铁路扣件螺母中心定位的方法。

背景技术：

扣件是铁路系统的重要组成部分，其需要定期拆卸维护以保证铁路运行安全。目前，扣件拆卸主要依靠人工拆卸，这样不仅效率低下，而且具有一定危险性。因此，设计实现扣件自动拆卸装置将有十分重要的意义。对于自动拆卸装置，其主要完成的是对扣件螺母的拆卸，如此，完成扣件螺母精确定位将是扣件自动拆卸装置设计成功的关键。

对螺母精确定位主要包括两步，一是从所得扣件图像中精确定位到螺母中心的像素坐标；二是将所得像素坐标转换到世界坐标从而得到螺母和拆卸装置之间的距离，实现螺母精确物理定位。本专利所提方法主要是实现螺母中心像素坐标的精确定位。

目前，对于扣件螺母中心像素坐标精确定位的相关研究很少，已存在有一种利用纹理抑制结合特征分级实现螺母中心定位的方法。该方法首先对扣件轮廓图像进行纹理抑制；而后利用处理后的轮廓图像定位螺母下方圆形垫片中心和螺母中心；最后，通过定位的两中心结合得到最终的螺母中心实现定位。该方法示意图如图1所示。除此之外，大部分研究均集中在扣件区域的定位，即从原图像中提取出扣件区域，而对螺母中心定位没有涉及。

上述纹理抑制结合特征分级的方法虽可对螺母中心像素坐标进行定位，但定位准确率偏低。其利用圆形垫片和螺母“中心相同”这一特点以及各自的形状特征，通过定位得到垫片中心和螺母中心，利用两级中心共同作用来得到最终的螺母中心。但在实际铁路扣件系统中，螺母和垫片中心根本不同，二者中心间存在一定偏差。同时螺母本身形状特征不稳定，由于腐蚀和油污覆盖等因素，其六边形特征基本无法辨认。此时，利用“共中心”这一特点和形状特征进行螺母中心定位必然会产生较大偏差，从而导致定位失败使定位准确率偏低。此外，扣件区域定位只针对扣件整体，以从原图像准确得到扣件区域为目标，对于螺母中心精确定位则无法完成。

可见，纹理抑制结合特征分级方法对扣件螺母中心定位准确率偏低，特别是图2中螺母形状特征基本丧失的情况下，其无法直接定位到螺母中心。而间接通过定位垫片中心作为螺母中心，必然会存在较大偏差而使定位失败。

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，提供一种铁路扣件螺母中心定位方法，实现铁路扣件螺母中心的精确定位。

为解决上述技术问题，本发明所采用的技术方案是：一种铁路扣件螺母中心定位方法，该方法主要实现过程为：利用道钉的轮廓和区域纹理信息，检测道钉中心，利用所述道钉中心确定螺母中心。

本发明方法具体实现步骤包括：

1)采集钢轨图像，对所述钢轨图像进行二值化，所得到的二值化图像的最大连通区域即为钢轨区域；

2)利用所述钢轨区域将所述钢轨图像分为两部分，从该两部分图像中分别截取子图像进行二值化处理，对得到的两个二值化图像进行与操作，得到总的二值化图像，该总的二值化图像中的最大连通区域即为轨枕区域；

3)利用所述钢轨区域和轨枕区域得到扣件的粗定位图像；

4)选取标准扣件图像作为扣件模板图像，计算所述扣件的粗定位图像与扣件模板图像之间的相关性，所得相关性数值最大的位置即为扣件的精确位置，如此即完成扣件精定位，同时提取得到扣件子图像；

5)提取所得扣件子图像的初始轮廓，去除该图像中的无关轮廓，得到扣件轮廓图像；

6)对所述扣件轮廓图像进行圆形拟合，得到初始道钉区域，对所述初始道钉区域进行筛选，得到候选道钉区域；

7)计算候选道钉区域的灰度均值m和信息熵e，归一化所述灰度均值m和信息熵e，得到归一化的灰度均值和信息熵纹理特征，利用所述灰度均值和信息熵纹理特征选择最终的道钉区域；

8)利用所述最终的道钉区域确定道钉的圆心坐标，则该圆心坐标即为螺母的中心坐标。

步骤4)中，所述相关性r的计算公式为：其中，θm,n和θ'm,n分别是扣件粗定位图像像素点(m,n)处和扣件模板图像中像素点(m,n)处方向场特征值。

所述方向场特征值ix和iy为像素水平和竖直方向梯度。

步骤5)中，定义满足下述任一条件的轮廓是明显大于道钉轮廓的无关轮廓，即待去除的轮廓：其中，dl和dw分别表示各轮廓连通区域沿图像长度和宽度方向的像素值，l和w表示扣件子图像的长度和宽度。

所述初始道钉区域集直径位于区间且圆心像素横坐标位于扣件轮廓图像中间1/3宽度范围内的道钉区域为候选道钉区域集。

灰度均值m和信息熵e的计算公式如下：zi为候选道钉区域像素点灰度值，p(zi)为各灰度值出现的次数。

归一化的灰度均值和信息熵纹理特征计算公式为：其中c为候选道钉区域半径。

步骤7)中，利用所述灰度均值和信息熵纹理特征选择最终的道钉区域的步骤包括：

1)对每个候选道钉区域的灰度均值和信息熵纹理特征排序，灰度均值按降序排列，信息熵纹理特征按升序排列；

2)给灰度均值最大和信息熵纹理特征最小的区域最多的票数，其它区域按灰度均值降序，信息熵纹理特征升序给予依次递减的票数；

3)将每个候选道钉区域所得票数相加，得票最多的区域即为最终道钉区域。

与现有技术相比，本发明所具有的有益效果为：本发明可以准确实现扣件螺母中心的精确定位，同时对于不同环境下的扣件螺母，其依然具有较好的定位准确率和定位效果。

附图说明

图1纹理抑制结合特征分级方法螺母中心定位示意图；

图2为实际铁路中的螺母和圆形垫片图；图2(a)螺母形状特征消失；图2(b)圆形垫片存在偏差；

图3定位算法流程框图；

图4扣件粗定位；

图5扣件精定位；

图6(a)初始轮廓图像；图6(b)处理后的轮廓图像；

图7道钉在图像中位置区间；

图8(a)初始道钉区域粗定位；图8(b)候选道钉区域粗定位；

图9道钉精定位；

图10螺母中心精确定位；

图11为不同类型扣件中心定位结果；(a)正常扣件(b)表面油污扣件(c)背景杂物扣件。

具体实施方式

本发明利用道钉和螺母中心相同，同时其圆形特征更加稳定的特点，通过检测道钉中心来实现螺母中心的定位。提出的新方法利用道钉轮廓和区域纹理信息，可以准确检测到道钉中心进而实现螺母中心的精确定位。

本发明定位算法基本流程如下。

整个定位算法主要包括两部分，一是扣件区域定位，二是从得到的扣件子图像中实现螺母中心的精确定位。系统框图如图3所示。

扣件区域定位用来从获取的原图像中提取扣件区域，螺母中心定位主要通过扣件子图像轮廓获取、道钉粗定位和道钉精定位三步来完成。所用图像在实际铁路环境中采集。

本发明定位算法实现步骤如下。

第一步：扣件区域定位

(1)扣件粗定位

粗定位主要利用扣件和钢轨、轨枕间的位置关系，通过检测得到钢轨和轨枕区域来初步确定扣件区域。利用钢轨区域过度曝光，亮度明显大于其他区域的特性，设置阈值为0.75对原图像进行二值化，所得二值图像中最大连通区域即为钢轨区域。

通过检测到的钢轨区域将原图像分为两部分，从两部分图像中分别截取100像素宽的子图像进行二值化，阈值设为0.38。而后对得到的两二值图像进行与操作，此时二值图像中的最大连通区域即是轨枕区域。检测到钢轨和区域后即可完成扣件粗定位。

(2)扣件精定位

精定位通过模板匹配来实现。选取标准扣件图像作为扣件模板图像，分别计算粗定位扣件图像和扣件模板图像方向场，而后将扣件模板图像在粗定位图像上滑动，同时计算二者重合区域方向场特征的相关性，所得相关性数值最大的位置即为扣件精确位置，如此即完成扣件精定位同时可提取得到扣件子图像。

方向场计算公式

θ为方向估计值，ix和iy为像素水平和竖直方向梯度(1)

相关性计算公式

θm,n和θ'm,n分别是扣件粗定位图像和扣件模板图像中像素点(m,n)处方向场特征值(2)

第二步：获取扣件子图像轮廓

通过canny算子提取得到的扣件子图像的初始轮廓。而后根据铁路行业标准，道钉上端直径为24mm，整个扣件区域长度为142mm，宽度为106mm，因此道钉在整个扣件区域中长宽方向所占比例约为1/6和1/4。而在扣件子图像中，此比例同样满足。根据此比例关系，定义满足下述任一条件的轮廓是明显大于道钉轮廓的无关轮廓，需要去除。

上述两条件中，dl和dw分别表示各轮廓连通区域沿图像长度和宽度方向的像素值，l和w表示扣件子图像的长度和宽度。阈值的选取是将上述严格比例关系扩大2倍。同时，以10个像素作为阈值，将像素点个数小于该阈值的轮廓定义为明显小于道钉轮廓的无关轮廓进行移除。得到的轮廓图像如图6(b)。

第三步：道钉粗定位

得到扣件图像轮廓后，利用最小二乘法对每个轮廓进行圆形拟合，所得圆形组成初始道钉区域集，如图8(a)。

最小二乘法圆拟合公式

(xi,yi)为每个轮廓中像素点的坐标

(3)

n为每一个轮廓像素点个数，(a,b)为拟合圆的圆心，c为半径(4)

根据相机视野计算公式，一旦相机到物体距离已知，则可得到相机覆盖视野范围。根据成像比例关系(d为道钉直径物理尺寸，w为相机视野范围宽度，w为所成图像宽度，d为道钉直径的像素宽度)，可以得到据此，在扣件图像中，道钉直径的像素宽度与图像宽度比值即可得知，此处该比值为1/4(图中道钉直径为50像素，图像宽度为200像素)。那么道钉直径的像素宽度必在(δ为允许的偏差值，设为5像素)区间内。同时在扣件系统中，道钉必位于其中间位置，如此，可在准确提取的扣件子图像中将道钉位置限定在图像中间1/3宽度区间内，如图7。

通过上述两个限定条件对所得初始道钉区域集进行筛选，直径在区间同时圆心像素横坐标位于图像中间1/3宽度范围内的道钉区域即为候选道钉区域集。如此即可去除大部分非道钉区域，从而完成道钉粗定位。

第四步：道钉精定位和螺母中心定位

(1)道钉精定位

由于道钉在扣件系统中高度值最大，因此在扣件图像中道钉区域一般为亮度较大区域，表现为灰度值较大。同时在扣件图像中道钉区域灰度一致性较好，一般不存在大量的灰度突变，表现为信息熵较小。综合以上分析，灰度均值和信息熵被用来作为完成道钉精定位的纹理特征。分别计算候选道钉区域的灰度均值m和信息熵e。

zi为候选区域像素点灰度值，p(zi)为各灰度值出现的次数。(5)

计算得到灰度均值和信息熵后，由于每个候选道钉区域大小不一致，直接将灰度均值和信息熵进行比较将无法筛选出道钉区域。因此，对每个候选区域的灰度均值和信息熵进行归一化。

归一化计算公式

c为候选道钉区域半径(6)

得到每一候选区域归一化的灰度均值和信息熵纹理特征后，利用该纹理特征采用投票法选出最终的道钉区域。投票规则如下：

①对每个候选区域的灰度均值和信息熵排序，灰度均值按降序排列，信息熵按升序排列；

②给灰度均值最大和信息熵最小的区域最多的票数(最多票数为候选区域个数)，其它区域按灰度均值降序，信息熵升序给予依次递减的票数；

③将每个候选区域所得票数相加，得票最多的区域即为最终道钉区域。

(2)螺母中心定位

通过精定位得到最终的道钉区域后，其圆心像素坐标也被得到，该坐标同时也是螺母中心坐标，如此即完成对扣件螺母中心的精确定位。

实施例

采用在常石(常德-石门)线采集的1500张扣件图片进行中心定位实验。采集图片包含三种类型扣件：正常、表面油污和背景杂物，每种类型500张图片。对于实际环境中的螺母中心(即道钉中心)，难以得知其精确位置，因此本发明以人工标注的中心作为标准。同时为了减小人工标注带来的误差，采用多次标注并以平均绝对误差(mae)值的大小作为中心定位是否准确的评判标准。此处，mae＜＝6pixels认为是中心定位准确。

n为标定次数，xci为标定中心位置，xm为检测到的中心位置(7)

三种类型扣件螺母中心定位准确率(准确率为中心定位正确的图片和图片总数量的比值)如表1，图11给出部分中心定位的结果。

表1不同类型扣件的螺母中心定位准确率

从表1数据和图8(a)、图8(b)的定位结果可以看出，所提算法可以准确实现扣件螺母中心的精确定位，同时对于不同环境下的扣件螺母，其依然具有较好的定位准确率和定位效果。