基于图像处理的铁路轨枕分割方法研究

李志 陈建政

摘 要：轨枕作为铁路线路重要的基础设施，其工作状态是否正常对铁路线路的安全有着重要的影响。文章提出了一种基于图像处理的铁路轨枕分割方法，包含铁路图像采集、图像预处理、轨枕图像分割提取等部分。在对灰度图像进行Laplacian边缘检测处理后采用区域扫描定位法对轨枕位置进行定位，提取轨枕图像，以期应用到后续状态检测中。

关键词：轨枕图像分割；Laplacian算子；边缘检测；区域扫描

轨枕作为支撑钢轨，保持钢轨位置的重要部件，它的维修保养工作对于轨道交通系统的安全运行具有重要意义。近年来，我国对高速铁路客运专线以及城市轨道交通等轨道交通的投入力度不断加大，轨道交通地位日益提高，其安全问题也逐渐突显出来。

长期以来，我国的铁路道路养护工作一直以人工和静态检测为主，这对养路工人的经验以及责任心有较高的要求，而且很难保证结果的准确性和客观性；随着我国轨道交通事业的蓬勃发展，传统的巡逻检测作业方式己经不能正常地满足铁路运输安全的需求，所以我们亟需有一种快速、准确的铁路养护方法以保证铁路的安全运营，为了适应我国铁路发展的要求和解决铁路道路养护中存在的实际问题，研究运用于铁路道路安全巡检的自动化设备提上了日程。

随着基于计算机视觉的非接触式检测技术的发展，图像处理技术渐渐地被应用到铁路线路的状态检测中来， 法国、美国、德国、日本等国家已长期致力于采用计算机图像技术实现轨道结构部件的视觉检测，我国近年来也开始自主研制装载了铁路视觉检测系统的综合检测车[1]。文章主要研究目的就是为后续的轨枕状态检测提供可靠的、精确度高的轨枕分割图像。

1 图像采集处理系统设计

该系统一般由摄像采集系统和图像处理系统两部分构成。

1.1 摄像采集系统

摄像采集系统主要由高速CCD相机和照明系统构成。摄像系统负责采集轨道存储图像并将图像发送到后端进行处理；照明系統则负责在光照条件差的时候提供均匀、稳定的光照。

1.2 图像处理系统

图像处理系统一般由工控机构成。主要功能有：（1）铁路图像预处理：为了突出图像中的轨枕区域，抑制或消除不必要的信息，我们通常用滤波去噪的方式来提高图像质量。（2）定位与图像分割：采用边缘检测和区域扫描统计法从采集的整幅图像中定位出轨枕位置，然后从中分割出轨枕的图像。系统示意图如图1所示。

2 图像预处理

在进行图像数据采集时，由于采集图像的质量有限，为了能使效果达到最好，需要进行相应的预处理操作改善图像质量，以便后续的处理工作得到更好的识别效果。预处理技术一般包括图像二值化、图像滤波、图像压缩等步骤。（1）图像二值化：将灰度图像转化为只有0和1两个值的图像的过程。（2）图像滤波：选择合适的滤波算法进行滤波处理，使图像更加清晰，提高图像质量。（3）图像压缩：通常由于系统本身计算存储能力有限，需要对原始图像进行压缩处理。

3 轨枕的定位与分割

3.1 轨枕定位基本原理

铁路图像的采集干扰多，运算量大，为了突出我们所关心的轨枕区域，因此首先需要对图像进行一系列预处理操作，排除掉钢轨、道砟等我们不关心的因素，再定位并裁剪出轨枕。

在轨枕表面区域，灰度只在垂直方向上有明显跳变，在水平方向是连续的； 而钢轨以外的区域，道砟的纹理比较复杂，在各个方向都存在跳变，可以根据这个特征找到轨枕边缘，同理，找到钢轨两内侧边缘便可分割提取出轨枕图像[2]。

具体步骤为：

（1）利用Laplacian边缘检测算法对图像进行边缘检测，边缘检测阈值由Otsu方法确定；（2）采用区域扫描统计法，以轨枕宽度为区域宽度，在二值图像上从上向下区域扫描，统计区域内的亮点数目，投影在水平方向，其最小值即为轨枕的上边界；（3）同理，可以得到轨枕的其它边界信息；（4）分割轨枕图像。

3.2 基于拉普拉斯算子的边缘检测

Laplacian算子来源于Marr视觉理论中提出的边缘提取思想[3]，即为了尽可能实现对噪声最大程度上的抑制，首先对原始图像进行滤波处理，然后再对滤波后的图像进行边缘检测，对图像的处理过程采用的是二维高斯函数G（x，y）：

其函数图形大约可以看作为倒扣着的钟的形状，其中？啄为高斯函数的空间分布系数，它决定了下垂的钟壁的斜率，即决定了其开口范围的大小，对该函数取拉普拉斯变换，即对高斯函数取二阶方向导数，则得二维Laplacian算子的函数形式[4]：

用该Laplacian算子对输入图像I（x，y）进行卷积运算后，输出图像为：

按照Laplacian算子计算方法对图像进行边缘检测后，其检测结果如图2所示。

3.3 轨枕区域提取

根据前文所述区域扫描统计法，提取轨枕所在区域。针对文章的图像大小，设置轨枕宽度为w，大小约为55像素；为方便扫描作图将图像逆时针翻转90度。以轨枕的像素宽度w为区域扫描统计宽度，在水平方向自左而右进行区域扫描，得到在垂直方向上的亮点统计值的最小值位置即为轨枕的上边界；在水平方向自右向左进行区域扫描，得到在垂直方向上的亮点统计值的最小值位置即为轨枕的下边界。定位方法如图3所示：

如图4所示，扫描结果的横坐标最小值为65，为轨枕的上边界；扫描结果的横坐标的最小值为122，为轨枕的下边界，即求得轨枕的像素宽度为57像素。同理，可以得到轨枕的长度左右边界分别为60和507，即求得轨枕长度的像素宽度为447像素。因此，将轨枕图像大小统一设为60*450像素。对灰度图像和边缘检测结果进行区域截取，结果如图5所示。

4 结束语

图像分割不仅是一种基本的计算机视觉技术，更是对图像的研究从图像处理阶段进阶到图像分析阶段的关键步骤[5]。轨枕图像分割的好坏不仅对后续轨枕状态的检测性能的提高有着重要影响，而且也直接关系着铁路自动化巡检系统的实用价值。文章采用高速CCD相机采集轨道图像，首先对原始图像进行灰度化、滤波处理，其次在对图像进行Laplacian算子边缘处理后采用区域扫描统计法对轨枕位置进行定位，取得轨枕位置信息，最后将采集到的铁路图像中的轨枕分割提取出来，为后续的轨枕状态检测提供可靠保障。

参考文献

[1]李海浪.高速综合检测列车视频监测系统[J].铁路技术创新，2012（1）：20-22.

[2]官鑫，赵智雅，高晓蓉.图像处理技术在钢轨表面缺陷检测和分类中的应用[J].铁路计算机应用，2009（6）：27-30.

[3]Marr D，Hildreth E.Theory of edge detection[J].Proceedings of the Royal Society of London（SeriesB），Biological Sciences，1980，207（1167）： 187-217.

[4]严国萍，何俊峰.高斯-拉普拉斯边缘检测算子的扩展研究[J].华中科技大学 学报（自然科学版），2006，10.

[5]章毓晋.图像工程：图像理解[M].北京：清华大学出版社，2010.