基于帧间差分优化算法的雾天轨道异物检测方法*

王林峰 万 衡 刘子仪 秦 娜 黄德青 张一鸣

(1.上海应用技术大学轨道交通学院， 201400， 上海；2.西南交通大学电气工程学院， 611756， 成都∥第一作者， 硕士研究生)

及时检测并清除轨道异物对于保证轨道交通列车运行安全有重要意义。针对复杂线路环境和恶劣天气，本文提出基于帧间差分优化算法的雾天轨道异物的检测方法。为解决雾天的图像干扰[1]，运用暗通道先验算法对图像实现去雾处理。为提高轨道异物识别的准确率，引入分权评价对算法进行优化，以增强轨道异物检测系统对恶劣环境的适应能力，优化后异物识别的准确率提高了3.69%。

1 雾天轨道异物检测方法介绍

本文选用暗原色理论算法[2]实现去雾处理，使用帧间差分优化算法的连续监测实现雾天环境下的轨道异物侵入检测。通过消融试验，验证了上述方法的可行性。基本的帧间差分法主要是利用视频序列中相邻两帧的变化来检测静态场景下的运动目标[3]。帧间差分优化算法是将识别的相邻两帧图像改取连续多帧，得出各组差值：

(1)

式中：

Di,j(x,y)——第i帧图像与第j帧图像间的像素差；

Ii(x,y)——第i帧图像在(x,y)位置上的像素值。

通过引入分权评价的概念，建立对应的权重矩阵ω，并选择适当的阈值P将上述差分图像进行二值化处理：

ω=(ωi-3ωi-2…ωi+2ωi+3)T

(2)

Bi(x,y)=Dω

(3)

(4)

式中：

Bi(x,y)——第i张图像整体的差分结果；

D、P——分别为与ω对应的帧间差值矩阵和阈值矩阵；

Ri(x,y)——第i张图像中每个像素点(x,y)二值化后的结果。

2 雾天轨道异物检测试验分析

2.1 图像评价指标构建

灰度方差表示图像灰度值的离散程度，对比度去雾函数和信息熵表示图像质量。具体如下：

(5)

(6)

(7)

式中：

Std——灰度方差、去雾度、信息熵评价指标；

M、N——分别为图像矩阵的长度和宽度；

k、Pk——分别为像素点灰度级和灰度级出现的概率；

C(I)——去雾度;

E——信息商评价指标。

2.2 试验结果与分析

不同算法对图像去雾处理的效果不同。通过消融试验，设置权重矩阵，得到的处理结果如表1所示。

表1 不同图像去雾算法结果对比

由表1可见，通过暗原色先验去雾算法得到的图像质量较好，且图像中各像素点的信息保留较完整。

对不同的轨道异物检测方法进行消融试验，得到的结果如表2所示。

表2 不同评价方法下的轨道异物检测结果

2.3 轨道异物检测效果

对每帧轨道图像进行去雾处理，并进行帧间差分优化，结合权重矩阵得到轨道出现不同异物的效果图。图1提供了人、树、石头等3种异物侵入轨道时的检测结果。

3 结语

对于复杂环境下的轨道异物，通过暗通道先验算法实现去雾处理，提高轨道异物检测系统对恶劣环境的适应能力；引入分权评价实现相邻两帧图像的数值融合，提高检测异物的准确率。但在图像二值化处理中，设定的阈值主观且固定，无法及时随环境改变。后续将深入研究其他恶劣环境对视频图像的抗干扰处理，以及对轨道异物侵入的预警识别。