發(fā)布時(shí)間：2021-08-29 14:27

　　鐵路運(yùn)輸是大眾出行和貨物運(yùn)輸?shù)闹匾A(chǔ)設(shè)施。隨著我國(guó)鐵路建設(shè)的迅猛發(fā)展,運(yùn)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(fù)雜,限界入侵事故頻發(fā),嚴(yán)重威脅列車行駛安全。實(shí)現(xiàn)鐵路入侵物檢測(cè),有效規(guī)避異物侵限事故,對(duì)保障鐵路運(yùn)營(yíng)安全具有極其重要的意義。針對(duì)行人、交通運(yùn)輸工具、建筑垃圾以及自然災(zāi)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(cè)措施已難以滿足行車安全防護(hù)。學(xué)習(xí)當(dāng)前國(guó)內(nèi)外已有軌道交通限界監(jiān)測(cè)技術(shù),基于機(jī)器視覺結(jié)合圖像處理技術(shù)已成為交通安全監(jiān)測(cè)的研究熱點(diǎn)課題,論文提出了基于機(jī)器視覺的軌道異物入侵檢測(cè)算法研究。研究?jī)?nèi)容主要包括:（1）鐵路侵限區(qū)域的劃分。針對(duì)道砟、軌枕等噪聲的影響以及傳統(tǒng)的邊緣檢測(cè)算法對(duì)鋼軌邊緣檢測(cè)效果欠佳,使得無法以鋼軌邊緣為基礎(chǔ),實(shí)現(xiàn)侵限區(qū)域的準(zhǔn)確劃分,為此,本文提出一種基于灰度形態(tài)學(xué)的鋼軌邊緣檢測(cè)算法,實(shí)現(xiàn)鋼軌邊緣的自適應(yīng)檢測(cè),并利用多約束霍夫變換對(duì)檢測(cè)結(jié)果進(jìn)行優(yōu)化,實(shí)現(xiàn)侵限區(qū)域的準(zhǔn)確劃分。（2）入侵物的檢測(cè)與侵限行為的判斷。首先,研究鐵路常用的入侵物檢測(cè)算法,針對(duì)傳統(tǒng)目標(biāo)檢測(cè)算法檢測(cè)結(jié)果出現(xiàn)漏檢、錯(cuò)檢等問題,本文對(duì)Vibe... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

中中三種濾波算圖2.3算法對(duì)不同濾波算法效同類型的噪聲效果圖

基于機(jī)器視覺的鐵路軌道異物入侵檢測(cè)算法研究-12-Sobel算子用于檢測(cè)圖像邊緣水平和垂直方向的兩個(gè)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(jìn)行濾波處理后，利用一階導(dǎo)數(shù)算子，得到每個(gè)像素點(diǎn)水平和垂直方向的梯度幅值和方向，并對(duì)梯度幅值進(jìn)行非極大值抑制。最后對(duì)經(jīng)過非極大值抑制的梯度圖像使用兩個(gè)閾值來分別檢測(cè)強(qiáng)邊緣和弱邊緣，實(shí)現(xiàn)邊緣的兩次提取，將Canny算子運(yùn)用到鐵路場(chǎng)景中，檢測(cè)結(jié)果如圖2.3(c)所示。(a)濾波效果圖(b)Soble邊緣檢測(cè)(c)Canny邊緣檢測(cè)圖2.4傳統(tǒng)邊緣檢測(cè)算法通過對(duì)同時(shí)含有10%的高斯噪聲和10%椒鹽噪聲的軌道圖像進(jìn)行本文提出的基于灰度形態(tài)學(xué)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(duì)濾波后軌道圖像進(jìn)行邊緣檢測(cè)。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(cè)算子能夠檢測(cè)到鋼軌邊緣的同時(shí)，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(cè)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(diǎn)的水平和垂直梯度進(jìn)行鋼軌邊緣檢測(cè)，導(dǎo)致檢測(cè)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(zhǔn)確、完整地檢測(cè)軌道圖像中的鋼軌邊緣，是實(shí)現(xiàn)侵限區(qū)域準(zhǔn)確劃分的關(guān)鍵技術(shù)之一。針對(duì)傳統(tǒng)邊緣檢測(cè)算法中存在的問題，本文在采用灰度形態(tài)學(xué)實(shí)現(xiàn)軌道圖像濾波的同時(shí)，采用該灰度形態(tài)學(xué)邊緣檢測(cè)算法實(shí)現(xiàn)鋼軌邊緣的檢測(cè)。2.2.2自適應(yīng)灰度形態(tài)學(xué)鋼軌邊緣檢測(cè)數(shù)學(xué)形態(tài)學(xué)往往不僅應(yīng)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(xué)工程碩士學(xué)位論文-15-圖像邊緣的實(shí)質(zhì)是灰度圖像中像素值發(fā)生突變的所有像素點(diǎn)的集合[30]，圖像邊緣的方向?qū)嵸|(zhì)指該邊緣的切線方向。對(duì)于位于鋼軌邊緣上的任一像素點(diǎn)，由于其像素值與鄰域像素值之間的突變性，某個(gè)方向的梯度值往往會(huì)大于其它三個(gè)方向像素點(diǎn)的梯度值，將梯度值最大時(shí)所對(duì)應(yīng)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(xué)關(guān)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(diǎn)就可自適應(yīng)地選取結(jié)構(gòu)元素。設(shè)f(x,y)表示一幅軌道圖像，對(duì)于其中的任意一像素點(diǎn)(i,j)∈f(x,y)，通過如式2.16所示的差分計(jì)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(duì)像素點(diǎn)(i,j)∈f(x,y)的4個(gè)方向的梯度值做對(duì)比運(yùn)算后，獲得梯度最大值。max(,)max(,),(,),(,),(,)bacdGijGijGijGijGij(2.17)其中，Gmax(i,j)表示像素點(diǎn)(i,j)在某個(gè)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(diǎn)選取結(jié)構(gòu)元素的判斷標(biāo)準(zhǔn)，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(shí)現(xiàn)軌道圖像的鋼軌邊緣準(zhǔn)確檢測(cè)。通過本文提出的自適應(yīng)灰度形態(tài)學(xué)鋼軌邊緣檢測(cè)算法，對(duì)軌道圖像進(jìn)行鋼軌邊緣檢測(cè)，其檢測(cè)結(jié)果效果圖如圖2.6所示。圖2.6本文算法邊緣檢測(cè)

【參考文獻(xiàn)】：
期刊論文
[1]鐵路侵限異物檢測(cè)方法綜述[J]. 王泉東,楊岳,羅意平,魏曉斌,劉斯斯.  鐵道科學(xué)與工程學(xué)報(bào). 2019(12)
[2]基于擴(kuò)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(yīng)的ViBe運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 郭迎春,楊飛飛,師碩.  控制工程. 2019(09)
[4]基于自適應(yīng)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(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[5]基于改進(jìn)ViBe的海面遠(yuǎn)距離運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 楊毅,鄒衛(wèi)軍,白云耀,郭進(jìn),何俊杰.  電光與控制. 2019(11)
[6]基于Vibe和三幀差法的目標(biāo)檢測(cè)算法[J]. 白一帆,李海芳,扆夢(mèng)楠.  湖南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[7]基于光流法檢測(cè)來車的軌旁作業(yè)安全防護(hù)策略[J]. 周瑞鴻,林俊亭.  鐵道標(biāo)準(zhǔn)設(shè)計(jì). 2019(01)
[8]鐵路鋼軌異物距離檢測(cè)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(xué)與工程學(xué)報(bào). 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(yùn)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(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 火元蓮,秦梅,宋亞麗.  紅外技術(shù). 2017(02)

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

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



本文編號(hào)：3370823