一种基于预测权重的轨道转弯识别方法
文献发布时间:2023-06-19 09:44:49
技术领域
本发明属于图像识别技术领域,涉及一种基于预测权重的轨道转弯识别方法。
背景技术
近年来,随着轨道交通建设规划的实施,轨道交通、客运专线建设正在高速发展,为了实现更快的人员来往、物资运输,列车运行速度也在不断提高,同时为了保障列车运行的安全,对轨道车辆及运营设备的要求也越来越高。在正常运行时,列车设备上安装有列车运行自动防护系统(ATP)进行安全自动防护。但对于铁路检修工程车,考虑到运营的特殊性及经济性,并没有安装列车运行自动防护系统装置。尤其是在前方铁轨转弯时,需要人为的判断前方是否有转弯并手动减速,这样大大地降低了效率。而且人不能时时刻刻保持高效率的状态,当司机受施工作业压力、任务繁重等因素影响下,可能会出现处理速度慢,甚至错误处理等危险行为。这就需要提出一种能够实时识别前方铁轨直行还是转弯的方法。
图像识别技术是以图像的主要特征为基础的,利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。图像识别的基本过程可以分为预处理、特征抽取和选择、分类器设计、分类决策等。因此通过图像识别技术对铁轨弯道进行识别是一种有效的方法。
关于铁轨弯道识别的技术前人也提出过许多方法。经过现有的文献检索发现,申请号为201210080391的专利,专利名称为:一种轨道识别方法,该方法包括“安装视频采集装置;摄像头采集图像,并输入数据处理装置;确定感兴趣的区域,至少包括图像中的轨道;进行预处理得到轨道的轮廓点;采用Hough变换对轮廓点进行处理,分别得到两条待拟合的直线的斜率;对上述两条待拟合直线进行拟合;识别轨道;计算轨道上每点到火车的距离;判断前方是否有弯道。”申请号为201410546719的专利,专利名称为:一种轨道最小曲率半径的图像识别方法,该方法包括“通过摄像装置获取目标图像;对目标图像进行直方图均衡化预处理;对均衡化图像构建区域生长模型,确定相似性准则,确定生长停止条件;将铁轨模型进行曲线拟合,得到铁轨识别图像;判断前方是否有转弯”上述两个专利,都对铁轨进行了预处理和曲线拟合,但是存在一些问题:第一预处理方法较为简单,识别效果不佳;第二曲线拟合的效果其实在实际当中不是非常好,存在许多干扰噪声,包括铁路的多轨道、树木等因素;第三在实时摄像中,相邻两帧图像之间的信息是非常相似的,而许多现有方法忽略了相邻两帧图像的特征点信息。
发明内容
为了解决现有轨道识别的难题,本发明的目的是提出一种基于预测权重的轨道转弯识别方法,能够准确识别前方轨道是直行还是转弯,从而及时地进行语音报警。
本发明的技术方案是:一种基于预测权重的轨道转弯识别方法,包括:
(1)通过摄像装置实时捕获工程车前方目标图像
将摄像头固定在工程车驾驶室内,通过摄像装置实时捕获工程车前方目标图像。
(2)确定ROI(Region Of interest)区域
图像识别首先需要对感兴趣的区域进行操作,过滤掉不感兴趣的区域。识别对象是轨道,因此ROI区域是两条轨道,同时考虑到离摄像头最近的轨道在直行或转弯时都是相同的,只有在远处才有区别,因此ROI区域为图2和图3目标图像中的小方框S区域。
(3)对ROI区域内的目标图像采用直方图均衡化,进行图像增强
对铁轨转弯进行分析判断不需要彩色图像信息,否则会降低运算速率,需要先对其进行灰度化。其次当原始图像的灰度分布在某一段狭窄的区间中时,如白天太阳光较强导致灰度分布在较高亮度的区间,或是阴天太阳光较弱导致灰度分布在较低亮度的区间,造成图像不够清晰、识别率降低,这时需要运用直方图均衡进行图像增加,将灰度分布较为平衡地延展到0到255区间上,使得图像的对比度增强,使图像更清晰有利于后续的识别分类。
(4)采用改进的Sobel变换对目标图像进行边缘检测
若要得到铁轨的轨迹,必须进行边缘检测,这里采用改进的Sobel算子与目标图像进行卷积,并用无穷范数表示梯度值。对于铁路而言,从摄像头角度去看两条铁轨在远处汇聚成一点,且估算出直线角度在60°附近,除了用90°普通的Sobel模版,还可以用改进的45°和135°模版。考虑到铁轨上的枕木是水平直线段,其边缘也会被检测出来,导致后续Hough变换会检测出许多水平直线,作为无效直线会对铁轨的识别产生一定的影响,因此不考虑0°模版。边缘检测有具体的3×3梯度模版如图4所示。
假设某3×3模版的原图像F(x,y)为:
将三种Sobel算子分别与上述原图像作卷积得:
S
S
S
将综合梯度值用无穷范数表示:
此时得到的G(x,y)为边缘检测后的图像。
(5)采用改进的Bernsen算法对边缘检测的图像进行二值化
在Hough变换检测直线前需要对图像进行二值化处理,而普通的处理方法是对上述Sobel变换后的图像进行人工设置阈值方法,即超过某一门限值则设置为255,未超过则设置为0,这样提取的边缘效果较差。而Bernsen算法作为一种局部二值化算法是将图像分割成块,然后分别计算阈值,通过比较选出最佳阈值。一般算法通常会忽略扫描框对周边像素的阈值选取,从而造成边缘断点或缺失,因此该方法可以抑制不均匀光照给图像带来的影响。假设G(x,y)为原始图像,且窗口大小为(2w+1)*(2w+1),w是像素宽度,则该窗口下的阈值T
其中i,j表示步长,x+i,y+j表示像素点位置。
由普通Bernsen算法得到的图像容易受制于噪声的干扰,导致与预期图像有一定偏差,因此采用改进的Bernsen算法,结合高斯滤波和中值滤波对结果进行线性组合。
假设高斯滤波器模版为H
K
经高斯滤波后的Bernsen阈值T
假设中值波器模版为H
K
经高斯滤波后的Bernsen阈值T
由上述三种Bernsen算法线性组合确定最佳阈值T(x,y)为:
T(x,y)=(1-a-b)T
- 一种基于预测权重的轨道转弯识别方法
- 一种基于方向预测的车道线轨道线识别方法及系统