图像分割在轨道异物检测中的应用

胥田田，雷锡骞，金 慧

（兰州工业学院，甘肃 兰州 730050）

0 引 言

在铁路运输过程中，因行车过程环境复杂多变，可能出现自然灾害引起的山体滑坡、有人滞留车道等现象，随机异物会造成高速运行列车前方出现异物侵限，对行车安全造成较大影响。传统障碍物检测主要依赖于巡线、单点监控防护、司机瞭望等人工检测方式，检测效率低，无法满足当今社会对轨道异物检测的智能化要求。国内外针对铁路侵限障碍物主要采用接触式和非接触式方式检测，其中基于雷达、红外、机器视觉等各种方式的融合技术被广泛应用于铁路障碍物的检测[1]。

1 铁路轨道异物图像分割

图像分割根据不同区域间像素点的差异性划分图片中有相同性质的像素并进行标记。实际中根据应用场景的不同动态选择分割方法，完成不同的分割任务，并随着应用场合趋于多样化，陆续出现基于阈值、边缘、区域、聚类等分割方法[2]。

在基于图像处理的轨道静态异物的检测中，首先需将获取的列车前方轨面信息图像进行预处理，再对铁轨所在位置进行定位，便于建立检测窗，最后对窗内异物图像进行图像分割和障碍物检测。基于图像处理的静态轨道异物检测流程如图1所示。

图1 静态轨道异物检测流程

1.1 传统图像分割方法

基于阈值的图像分割方法以设定的阈值对待处理图像进行分类处理，将图像像素与阈值对比后划分为目标与背景，关键需选取恰当的分割阈值，该方法对目标与背景灰度差异明显的图像效果较好；基于边缘的图像分割方法通过区分相邻像素点灰度值的差异性定义并连接边缘像素，从而形成边缘轮廓，实际中利用不同微分算子进行卷积运算是常用的边缘检测方法；基于区域的图像分割方法以常用的区域生长法和分裂合并法为主，分割思想围绕像素的相似程度划分构成区域；基于聚类的图像分割方法设置聚类准则并结合迭代算法，将具有相似特征的像素点聚集到不同的类别中，实现对待处理图像的分割；基于图论的图像分割方法将分割问题转换成对图的划分，通过求解设置目标函数的最优值完成分割过程。

1.2 图像分割方法的优化

文献[3]提出将各向异性扩散散度场信息融合到距离规则化水平集中的新模型，该方法在水平集函数、迭代时间等相关参数方面进行调整与优化，发现其对有噪声图像的分割效果较好，算法鲁棒性、实时性较好[4]。文献[5]运用峰值检测策略调整聚类中心的初始化，在医学图像中进行实验验证，算法工作效率较高、图像分割效果较好。文献[6]提出基于多项式一致逼近的多阈值图像分割算法，改善传统多阈值分割算法的复杂度高、鲁棒性差等缺陷。

图像分割充分结合人工智能应用于军事、医学、工业生产、遥感、交通等领域。宋杰等针对医学病理数据的多样性与复杂性，梳理深度学习相关理论、关键技术并进行对比分析，总结深度学习在数字病理图像分割任务中的建模与应用[7]；李鸿翔等针对基于图像的矿石粒度检测中存在矿石形状随机、矿石间重叠度高等特点，提出GAN-UNet矿石图像分割方法，解决U-Net算法对矿石边缘识别存在的缺陷，减小分割误差[8]；徐金东等利用空间上下文有效建模并研究新的可靠性模糊度量指标，从而提高聚类算法的抗噪性，更好保留交通标志图像、遥感图像等的细节[9]。

1.3 轨道异物图像分割的优化

在高速铁路飞速发展的今天，仅靠人为检测、固定点安装监测点已不能满足社会实现自动化的需求。随着轨道交通中全自动驾驶的实现及基于机器视觉的检测技术的研究应用，如何实现高速列车前方异物的智能检测已成为铁路运营的新趋势。

文献[10]列举机器视觉技术在城市轨道交通各子系统安全状态检测中的研究与应用，提高传统人工等方法的检测效率、降低劳动强度；文献[11]通过融合图像识别、激光雷达、红外测距等检测技术指定障碍物检测方案，同时利用软件算法和机器学习提升了障碍物检测的识别率；文献[12]采用将图像和雷达数据融合的方式，在时间方面根据不同时间融合策略进行时间融合，在空间方面根据雷达坐标、相机坐标与像素坐标三者的关系进行图像畸变校正，并将雷达检测结果与图像检测结果相对应，测试结果表明，该检测方法适用性更广；文献[13]将障碍物检测划分为红外与可见光障碍物图像的检测，前者充分利用红外图像中障碍物整体显著的特征，后者采用将可见光图像先粗定位后细定位的流程，处理不同类型的待处理障碍物图像，验证了算法的有效性；文献[14]中建立以轨道为主体的检测窗口，并依次进行预处理图像反透视变换、划分横向区域、分区图像像素值横向累加等操作，从而综合判断窗口异物位置，在直轨环境下实现障碍物的有效检测；文献[15]提出基于雷达的列车直轨障碍物检测，利用最小二乘法获取雷达数据矫正后得到的较准确的障碍物位置，同时结合构建的检测模型有效克服复杂环境造成的不利影响；文献[16]首先对GPS轨迹数据分段拟合后辅助定位和构建检测区域，其次根据GPS定位当前位置和相关参数构建列车前方障碍物检测区域，最后将目标点位置信息经坐标变换代入检测区域，从而判断目标是否为障碍物，经现场测试，平均检测正确率达到87.45%。

2 优化实例仿真

为验证不同分割算法的可行性，在MATLAB 2015a环境下，对铁轨作业、铁轨作业加噪图像进行不同分割算法的仿真实验并进行定量评价，仿真效果如图2、图3所示，区域间对比度评价效果见表1所列。二维Tsallis熵算法针对不加噪、加噪异物图像分割效果较一维Tsallis熵算法好，但算法复杂度较高，耗时较长。

图2 不加噪轨道异物图像分割

图3 加噪轨道异物图像分割

表1 轨道异物图像分割效果

3 结 语

本文简述了基于阈值分割的铁路轨道异物检测算法，在实际应用中，将机器视觉、图像处理、雷达、红外等多种检测手段进行融合，在算法鲁棒性、实时性等方面效果较好。本文验证了一维、二维Tsallis熵算法的分割效果。分割效果表明，不同的阈值分割算法针对不加噪、加噪图像在有效性与实时性方面效果不同，需在今后的研究中改善算法在不同场合的适用性。