鐵路運輸是大眾出行和貨物運輸?shù)闹匾A設施。隨著我國鐵路建設的迅猛發(fā)展,運行里程不斷增加和路網(wǎng)不斷完善,鐵路覆蓋地形范圍更加廣袤,使得列車行駛環(huán)境更加復雜,限界入侵事故頻發(fā),嚴重威脅列車行駛安全。實現(xiàn)鐵路入侵物檢測,有效規(guī)避異物侵限事故,對保障鐵路運營安全具有極其重要的意義。針對行人、交通運輸工具、建筑垃圾以及自然災害引起的崩石、泥石流等所造成的侵限行為,僅憑現(xiàn)有的安全監(jiān)測措施已難以滿足行車安全防護。學習當前國內(nèi)外已有軌道交通限界監(jiān)測技術,基于機器視覺結(jié)合圖像處理技術已成為交通安全監(jiān)測的研究熱點課題,論文提出了基于機器視覺的軌道異物入侵檢測算法研究。研究內(nèi)容主要包括:（1）鐵路侵限區(qū)域的劃分。針對道砟、軌枕等噪聲的影響以及傳統(tǒng)的邊緣檢測算法對鋼軌邊緣檢測效果欠佳,使得無法以鋼軌邊緣為基礎,實現(xiàn)侵限區(qū)域的準確劃分,為此,本文提出一種基于灰度形態(tài)學的鋼軌邊緣檢測算法,實現(xiàn)鋼軌邊緣的自適應檢測,并利用多約束霍夫變換對檢測結(jié)果進行優(yōu)化,實現(xiàn)侵限區(qū)域的準確劃分。（2）入侵物的檢測與侵限行為的判斷。首先,研究鐵路常用的入侵物檢測算法,針對傳統(tǒng)目標檢測算法檢測結(jié)果出現(xiàn)漏檢、錯檢等問題,本文對Vibe... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

中中三種濾波算圖2.3算法對不同濾波算法效同類型的噪聲效果圖

基于機器視覺的鐵路軌道異物入侵檢測算法研究-12-Sobel算子用于檢測圖像邊緣水平和垂直方向的兩個卷積核分別為：101121202,000101121xyGG(2.9)采用范數(shù)衡量梯度的幅度為：(,)max(,)xyGxyGG(2.10)(2)Canny算子Canny算子是通過高斯濾波器進行濾波處理后，利用一階導數(shù)算子，得到每個像素點水平和垂直方向的梯度幅值和方向，并對梯度幅值進行非極大值抑制。最后對經(jīng)過非極大值抑制的梯度圖像使用兩個閾值來分別檢測強邊緣和弱邊緣，實現(xiàn)邊緣的兩次提取，將Canny算子運用到鐵路場景中，檢測結(jié)果如圖2.3(c)所示。(a)濾波效果圖(b)Soble邊緣檢測(c)Canny邊緣檢測圖2.4傳統(tǒng)邊緣檢測算法通過對同時含有10%的高斯噪聲和10%椒鹽噪聲的軌道圖像進行本文提出的基于灰度形態(tài)學的多尺度結(jié)構(gòu)元素濾波，分別采用傳統(tǒng)的Sobel算子和Canny算子對濾波后軌道圖像進行邊緣檢測。由于枕木、螺帽、道砟、軌旁樹木以及接觸網(wǎng)支柱等因素的影響，即使在濾波處理后，這兩種傳統(tǒng)邊緣檢測算子能夠檢測到鋼軌邊緣的同時，由枕木、螺帽等背景像素所組成的類似線條邊緣仍然比較突出，不能夠完全排除檢測結(jié)果中出現(xiàn)的偽邊緣，且Sobel算子和Canny算子只采用像素點的水平和垂直梯度進行鋼軌邊緣檢測，導致檢測到的鋼軌邊緣較寬，且邊緣完整度效果較差，難以得到閉合、平滑的鋼軌邊緣。能夠準確、完整地檢測軌道圖像中的鋼軌邊緣，是實現(xiàn)侵限區(qū)域準確劃分的關鍵技術之一。針對傳統(tǒng)邊緣檢測算法中存在的問題，本文在采用灰度形態(tài)學實現(xiàn)軌道圖像濾波的同時，采用該灰度形態(tài)學邊緣檢測算法實現(xiàn)鋼軌邊緣的檢測。2.2.2自適應灰度形態(tài)學鋼軌邊緣檢測數(shù)學形態(tài)學往往不僅應用于圖像濾波，而且通過構(gòu)建不同的結(jié)構(gòu)元素以及基本形態(tài)

蘭州交通大學工程碩士學位論文-15-圖像邊緣的實質(zhì)是灰度圖像中像素值發(fā)生突變的所有像素點的集合[30]，圖像邊緣的方向?qū)嵸|(zhì)指該邊緣的切線方向。對于位于鋼軌邊緣上的任一像素點，由于其像素值與鄰域像素值之間的突變性，某個方向的梯度值往往會大于其它三個方向像素點的梯度值，將梯度值最大時所對應的方向定義為該鋼軌邊緣的法線方向，利用線段的切線方向與其法線相互垂直的數(shù)學關系，確定鋼軌邊緣的變化方向。根據(jù)鋼軌邊緣變化方向，位于鋼軌邊緣上的任一像素點就可自適應地選取結(jié)構(gòu)元素。設f(x,y)表示一幅軌道圖像，對于其中的任意一像素點(i,j)∈f(x,y)，通過如式2.16所示的差分計算，分別獲得水平方向、45°方向、垂直方向以及135°方向的梯度值，分別用Ga(i,j)、Gb(i,j)、Gc(i,j)和Gd(i,j)表示。(,)(,1)(,1)(,)(1,1)(1,1)(,)(1,)(1,)(,)(1,1)(1,1)abcdGijfijfijGijfijfijGijfijfijGijfijfij(2.16)如式2.17所示，對像素點(i,j)∈f(x,y)的4個方向的梯度值做對比運算后，獲得梯度最大值。max(,)max(,),(,),(,),(,)bacdGijGijGijGijGij(2.17)其中，Gmax(i,j)表示像素點(i,j)在某個方向上的最大梯度值，即為該鋼軌邊緣的法線方向。采用Gmax(i,j)作為該點選取結(jié)構(gòu)元素的判斷標準，即：如果Gmax(i,j)=Gx(i,j)，則s=sx，x=﹛a,b,c,d﹜。然后根據(jù)式2.15，實現(xiàn)軌道圖像的鋼軌邊緣準確檢測。通過本文提出的自適應灰度形態(tài)學鋼軌邊緣檢測算法，對軌道圖像進行鋼軌邊緣檢測，其檢測結(jié)果效果圖如圖2.6所示。圖2.6本文算法邊緣檢測

【參考文獻】：
期刊論文
[1]鐵路侵限異物檢測方法綜述[J]. 王泉東,楊岳,羅意平,魏曉斌,劉斯斯.  鐵道科學與工程學報. 2019(12)
[2]基于擴展的Haar-Like特征和LBP特征的人臉壓縮跟蹤算法[J]. 曹潔,唐瑞萍,李偉.  傳感器與微系統(tǒng). 2019(11)
[3]基于自適應的ViBe運動目標檢測方法[J]. 郭迎春,楊飛飛,師碩.  控制工程. 2019(09)
[4]基于自適應均值的地鐵隧道裂縫圖像濾波算法[J]. 張振海,尹曉珍,任倩.  重慶交通大學學報(自然科學版). 2019(06)
[5]基于改進ViBe的海面遠距離運動目標檢測[J]. 楊毅,鄒衛(wèi)軍,白云耀,郭進,何俊杰.  電光與控制. 2019(11)
[6]基于Vibe和三幀差法的目標檢測算法[J]. 白一帆,李海芳,扆夢楠.  湖南科技大學學報(自然科學版). 2018(02)
[7]基于光流法檢測來車的軌旁作業(yè)安全防護策略[J]. 周瑞鴻,林俊亭.  鐵道標準設計. 2019(01)
[8]鐵路鋼軌異物距離檢測方法研究[J]. 黃尊地,常寧,鄭聲佳,梁明輝,吳澤欽,梁乘瑋,李特特.  鐵道科學與工程學報. 2018(03)
[9]一種基于幾何約束的軌道提取方法研究[J]. 王忠立,蔡伯根.  交通運輸系統(tǒng)工程與信息. 2017(06)
[10]基于邊緣特征和多幀差分法的運動目標檢測算法[J]. 火元蓮,秦梅,宋亞麗.  紅外技術. 2017(02)

博士論文
[1]基于數(shù)學形態(tài)學的醫(yī)學圖像處理理論與方法研究[D]. 趙于前.中南大學 2006

碩士論文
[1]復雜環(huán)境下運動目標檢測和跟蹤方法研究[D]. 劉康.西安理工大學 2019
[2]基于圖像的鐵路障礙物自動檢測算法研究[D]. 孫永麗.西安電子科技大學 2018
[3]面向智能監(jiān)控的目標檢測追蹤算法設計實現(xiàn)[D]. 于雄飛.西南交通大學 2018
[4]三維激光雷達圖像在鐵路異物侵限檢測中的應用研究[D]. 林玉兵.北方工業(yè)大學 2018
[5]基于雙目立體視覺的軌道入侵物識別技術研究[D]. 王群.北京交通大學 2018
[6]基于人臉識別的目標檢測與跟蹤算法研究與實現(xiàn)[D]. 趙曉東.中北大學 2018
[7]自適應視覺背景更新的運動目標檢測算法研究[D]. 黃曉凌.重慶郵電大學 2017
[8]基于智能相機的鐵路異物侵限檢測系統(tǒng)設計[D]. 張旭東.北京交通大學 2017
[9]基于數(shù)字圖像處理的鐵路異物檢測[D]. 秦金.大連交通大學 2016
[10]鐵路軌道異物入侵的智能識別研究[D]. 李丹丹.蘭州交通大學 2016



本文編號：3370823