用于动车组故障检测的图像识别算法研究

马凌宇

摘要：动车组运行故障动态图像检测系统（TEDS）利用对当前图像与其历史图像的比较，实现列车运行状况的即时监测以及自动预警。因为，各个时间获得的图像肯定不可能完全一致，就造成仅仅基于SIFT特征匹配的故障识别算法误报率非常高。因此，本文给出一种自适应融合局部和全局匹配的图像故障识别算法：将图像基于车厢对齐比对；基于SIFT特征匹配，利用局部比对粗略定位故障位置；以上述位置为模板，查询历史图像以精确判断故障位置。后续实验证明，这一算法能有效地分析和警示运行动车组的问题情况，使得工作人员能够及时发现突发问题，确保动车运行安全。

关键词：动车组故障检测 图像识别 算法

中图分类号：TP39 文献标识码：A 文章编号：1007-9416（2016）12-0140-02

随着我国高速铁路事业的进一步发展，动车组安全检测工作的建设变得尤为关键。当前的检测形式为入库地沟式静态监控，而运行过程中的动态监控不足。这必然造成动车组可能长时间带问题行驶，造成了很大的安全隐患。高速运行中的车辆，其关键部位容易遭受石块等物体的较强撞击，另外因为长时间受到传动力及制动力，其部件可能出现各种程度的动摇，所以行驶中的动态监控对于确保动车运行安全起到非常关键的作用。

对于以上情况，相关部门提出了动车组运行故障动态图像检测系统（TEDS， Trouble of moving EMU DetectionSystem）。它通过轨边装设的线阵摄像头，收集行驶动车组走行部、底架悬吊件、钩缓连接、制动配件、车体两侧裙板、转向架等位置图像，与其最近行驶的历史图像进行比较，检查当前行驶车辆的结构件是否有改变、改变的趋势以及改变的形式，完成故障的及时预警。但是因为速度、光线、大气、抖动等各种外界因素的变化，造成不同时间采集的两幅图像之间存在分辨率、亮度、长度等差别，所以当前僅是应用基于SIFT特征匹配的图像故障识别算法具有许多的误报情况，故障定位不准确。

因此，本文提出一种自适应融合局部和全局匹配的图像故障识别算法：（l）将图像基于车厢对齐比对；（2）基于SIFT特征匹配，利用局部比对粗略定位故障位置；（3） 以上述位置为模板，查询历史图像以精确判断故障位置。后续实验证明，本算法对于行驶动车组的异常状况能有效地及时告警，使得工作人员可迅速发现相关故障，确保动车运行安全。

1 用于动车组故障检测的图像识别算法

文中提出的自适应融合局部和全局匹配的图像故障识别算法框架：（1）以车厢为基准对不同时间采集的动车图像进行对齐配准，尽可能地排除因为速率、抖动、光线等外部原因引起的图像错位情况；接着应用局部匹配粗略定位故障坐标，也就是利用SIFT特征匹配算法，查找现场采集图像中无法与历史图像匹配成功的特征区域，将其当作待识别故障区域；（2）将待识别故障区域当作模板，在整幅历史图像中实现全局查找匹配，准确定位故障。后续实验证明，本算法针对运行动车组的异常状况能有效地实现告警，增强了动车组隐蔽故障发现能力和故障产生初期的预警性能，提高了动车组行驶的安全预防能力，为避免动车组问题运行提供了有效措施。

1.1 图像的对齐比对

因为图像在采集过程中容易遭受车速、天气等很多外部原因的干扰，往往引起图像差别，为此首先要对现场采集的动车图像以车厢为基准进行图像拼接和分割，实现与历史图像的对齐比对。具体来讲，分为三部分：（1）实现动车车头对齐，即根据火车车号，从火车车头模板库中提取该车型的车头模板，与现场采集的火车图像进行车头模板匹配，并对匹配成功的图像于车头起始位置进行图像分割。（2）实现车厢对齐，即利用车厢模板库中该车型的车厢连接处模板，对实时采集的火车图像进行模板匹配，并对匹配成功的图像在车厢连接处位置进行图像分割，而其他图像则依次拼接，从而形成一幅完整的车厢图像。（3）存储车厢图像，完成该车型历史图像库的更新。

1.2 图像的故障识别算法

当前的图像故障识别算法多数是应用基于SIFT特征的匹配算法，但是局部特征中不包含所有位置信息，而图像中又有着许多的特征类似而语义差别的特征点，所以仅从特征类似性的角度分析，会造成许多的误报故障点。因此，有些算法提出使用基于像素的全局匹配解决问题，但是因为车速、天气、光线、抖动等外部因素引发的图像不一致状况，即相同坐标位置对应的图像内容不一致，造成仅是利用像素差的全局匹配不能较好地解决误报情况。基于此种情况，本文提出一种自适应融合局部和全局匹配的故障识别算法。

（1）提取现场采集图像的尺度不变特征变换描述子（SIFT， Scale-invariant feature transform），该描述子是一种局部特征，不仅具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够保持较好的不变性。（2）提取历史图像的SIFT特征描述子，现场采集图像的SIFT特征与历史图像的SIFT特征进行匹配，粗略定位故障区域。（3）将故障区域作为模板，利用模板匹配算法，在历史图像中寻找该区域。若匹配成功，则表明该故障区域为误报故障，忽略不计；反之，将故障区域的坐标位置反馈给系统。

SIFT特征匹配主要包含两个阶段：（1）SIFT特征的生成，即从图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量；（2）SIFT特征向量的匹配。具体地说，首先利用检测子检测出图像中的兴趣点，再利用描述子对兴趣点周边的区域进行鲁棒的特征描述，最后利用匹配算法匹配两幅图像的描述子。

当两幅图像的SIFT特征向量生成后，应用兴趣点特征向量的欧式距离作为两幅图像中兴趣点的相似性判定度量。取图像现场采集图像中的某个兴趣点，并找出其与历史图像中欧式距离最近的前2个兴趣点，在这个兴趣点中，假如最近的距离除以次近的距离低于某个比例阂值，则接受这一对匹配点。减少这个比例阂值，SIFT匹配点数目会降低，但更为平稳。

2 实验分析

实验分析，选取TEDS采集的高分辨率图像数据来分析算法的性能，并和现有的图像故障识别算法实现比较和分析。TEDS采集设施包括三套沉箱和两套侧箱，其中两套沉箱共装设五个超高速高清晰线阵摄像头，用来收集动车底部的高清图像（比如制动设备、驱动设备、牵引设备、转向架、轮轴、车钩及车底部其他部件），左右侧部各装设两套侧箱，其中一套用于收集转向架图像，一套用于收集裙摆图像。本实验将第一天采集到的列车图像作为历史图像，分别对第二天以及第三天收集到的图像做出故障分析。

第一组实验主要用来分析算法的故障识别能力，本文主要运用问题漏报率以及问题误报率这两个标准来实现评价。这里的问题漏报率指的是在故障检测中存在N次故障有M次未能检测出来；而问题误报率指的是在检测出的N次故障中，其中有M次不是故障。

能够分析得出，对于第三天采集的列车图像，算法在误报率和漏报率方面的指标都是高过第二天，证明图像之间的差异性越大，算法故障识别的困难程度也变得更大。并且两组数据的误报率均高于漏报率，因本算法的故障识别基础为局部特征匹配的检测结果，而局部特征匹配旨在盡量降低漏报率，因此本算法的故障识别误报率相对于漏报率较高。

第二组实验比较了局部特征匹配以及全局模板匹配在故障识别方面的性能。能够得出，SIFT特征匹配虽然可以定位故障位置，但是存在大量误报的故障区域。由于两幅图像拍摄的光线，天气等不同，使得看似相同的图像可能具有完全不同的角点特征，图像中的角点具有很好的局部显著性和稳定性，但是单纯利用SIFT局部特征匹配检测出很多“噪声”兴趣点，使得故障识别存在误报率高的问题。而基于模板匹配的故障识别算法尽管在一定程度上降低了误报率，且能够基本精确的定位故障区域，但是它的性能在一定程度上受到模板大小的干扰，而且匹配计算量大，速度慢，实时性不强。

因此，本文提出的自适应融合局部和全局匹配的图像故障识别算法将SIFT局部特征匹配和全局模板匹配的优势相结合，充分利用了局部和全局信息进行故障识别，定位精准，误报率低，且计算时间也有一定的缩短，可以有效地提升动车运行过程中的安全监控质量。

3 结语

本文对于动车组行驶故障检测，提出了一种自适应融合局部和全局匹配的图像故障识别算法。其在基于SIFT局部特征匹配的前提下，应用全局模板匹配实现故障识别定位。具体来讲，将图像以车厢为基准对比；基于SIFT特征匹配通过局部比对粗略定位故障区域；以其作为模板，搜寻整幅历史图像以精准定位故障位置；按照故障的位置以及损伤程度，整体判定故障级别，进行多级报警。实验分析证明，本算法对于行驶动车组的异常状况能有效地实现告警，使工作人员可迅速发现相关故障，增强动车运行质量。

参考文献

[1]石建伟.高速铁路建设动车组运行故障图像检测系统的实践[J].铁路计算机应用，2014，23（5）：24-27.

[2]许营营，谭天赋，董涛.动车组运行故障动态图像检测系统（TEDS）的图像对比算法研究[J].科技致富向导，2014（9）：244-244.

[3]谢赞德.浅析动车组运行故障动态图像检测系统运用管理[J].科技视界， 2014（12）：83-83.

[4]王锐.浅谈动车组运行故障动态图像检测系统（TEDS）实践与故障应急处理办法[J].工业设计，2015（8）：80-81.

[5]张华.动车组运行故障图像检测系统（TEDS-3D）设备在高铁无砟轨道上安装方案的探讨[J].文摘版：工程技术，2016（2）：263-263.