一种基于分割图像的轨道线路检测方法

技术领域

本发明涉及轨道巡线技术领域，尤其涉及一种基于分割图像的轨道线路检测方法。

背景技术

与人工巡检相比，基于无人机的轨道自主巡线方案在效率与安全性方面都有极大的优势，因此无人机自主巡检方案是轨道运营环境巡检的发展趋势。在无人机自主沿轨道线路导航过程中，实时、高精度的轨道目标检测是需要解决的首要挑战之一。

目前，现有技术中的轨道线路检测方法主要有人工构造特征和启发式算法，特征包括颜色、梯度、结构张量和脊状特征等，启发式算法包括霍夫变换、K-均值滤波器和卡尔曼滤波器等。

随着深度学习的发展，轨道目标检测可被设计成端到端的训练任务，主要包括两个步骤：通过深度神经网络来识别轨道目标在图像中的位置，然后利用评分网络来判断目标是否存在缺陷。

目前，现有技术中的轨道线路检测方法仍缺乏针对无人机平台进行轨道线路检测的系统方法。启发式算法经常无法处理复杂场景中的轨道(如光照条件变化和背景噪声)，深度学习方法会忽略轨道线路的内在特征(如线性形状和独特的结构)。

发明内容

本发明的实施例提供了一种基于分割图像的轨道线路检测方法，以实现有效地利用无人机检测轨道线路。

为了实现上述目的，本发明采取了如下技术方案。

一种基于分割图像的轨道线路检测方法，包括：

利用无人机俯拍的轨道线路的视频图像得到分割掩模，将分割掩膜表示为离散化的梯形块；

建立梯形块节点的有向图并聚类，过滤低置信度的梯形块区域；

根据梯形块节点的有向图将过滤后得到的离散化的梯形块重构为连续曲线，利用所述连续曲线表示轨道线路。

优选地，所述的利用无人机俯拍的轨道线路的视频图像得到分割掩模，将分割掩膜表示为离散化的梯形块，包括：

通过无人机连续俯拍轨道线路的视频数据，将视频数据分割成连续的多帧轨道线路图像，基于轨道线路图像采用基于轻量神经网络的铁路轨道时实分割方法得到分割掩模M，分割掩模M表示图像中的铁路轨道；

将分割掩模M划分为一组沿铁轨方向的等间隔的小连接域，根据连接域的凸轮廓计算将每个连接域表示为一个梯形块，得到一组梯形块的中心点和四个顶点坐标，每一个梯形块表示为t＝{U

优选地，所述的根据连接域的凸轮廓计算将每个连接域表示为一个梯形块，包括：

设多边形U

优选地，所述的建立梯形块节点的有向图并聚类，过滤低置信度的梯形块区域，包括：

对分割得到的梯形块进行过滤处理的过程表示为式(2)：

S＝Filter(T)(2)

式中，S＝{s

将梯形块作为节点，建立有向图，利用聚类算法将离散的梯形块T聚集为链状结构，经过过滤处理，根据链状结构长度和强节点数目保留具有高置信度的链状结构作为真实的轨道线，低置信度的链状结构作为背景被过滤。

优选地，所述的建立梯形块节点有向图并聚类为链状结构，根据链状结构长度和强节点数目保留具有高置信度的链状结构作为真实的轨道线，低置信度的链状结构作为背景被过滤，包括：

对于任何一对梯形块t

式中，h

如果梯形块节点包含一对轨道并被道渣包围，则该梯形块节点构成强节点，否则构成弱节点；过滤长度小于图像高度一半的候选轨道线或者强节点数目少于所有节点数一半的候选轨道线，其余的被视为轨道线路。

优选地，所述的根据梯形块节点的有向图将过滤后得到的离散化的梯形块重构为连续曲线，利用所述连续曲线表示轨道线路，包括：

分别利用二次多项式和线性函数表示轨道中心线和轨道宽度，将过滤得到的分割区域离散的节点重构为连续曲线来表示轨道线，表示为式(4)：

L＝Reconstruct(S)(4)

式中，S表示过滤后得到的轨道线路，L＝{l

分别采用二次多项式曲线和以v为自变量的线性函数来近似轨道中心线和宽度，如式(5)(6)：

CL(u,v|a

W(w,v|a

式中a

由上述本发明的实施例提供的技术方案可以看出，本发明提出了一种创新的基于离散过滤重构的方法来构建具有高度置信度的局部识别结果，为轨道线检测中的错误分割、背景噪声和遮挡问题提供了系统的解决方案。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1本发明实施例提供的一种基于分割图像的轨道线路检测方法的实现原理图；

图2为本发明实施例提供的一种基于分割图像的轨道线路检测方法的具体处理流程图；

图3为本发明实施例提供的一种轨道轨道分割结果离散化示意图。

图4为本发明实施例提供的一种梯形块节点构造有向图示意图。

图5为本发明实施例提供的一种强节点和弱节点示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供的一种基于分割图像的轨道线路检测方法的实现原理图如图1所示，具体处理流程如图2所示，包括如下的处理步骤：

步骤S1.利用无人机俯拍的轨道线路的视频图像得到分割掩模，将分割掩膜表示为离散化的梯形块。

(1)通过无人机连续俯拍轨道线路的视频数据，将视频数据分割成连续的多帧轨道线路图像，基于轨道线路图像采用基于轻量神经网络的铁路轨道时实分割方法得到分割掩模M，分割掩模M表示图像中的铁路轨道。

将分割掩模M划分为一组沿铁轨方向的等间隔的小连接域，如图3(a)所示，考虑到计算量和重构结果的平滑性，本发明采用的连接域的划分数目参数B为16。

(2)根据连接域的凸轮廓计算，将每个连接域表示为一个梯形块，得到一组梯形块的中心点和四个顶点坐标。图3为本发明实施例提供的一种轨道轨道分割结果离散化示意图。将利用分割网络得到的分割掩模M沿轨道方向分割成一组梯形块T：

T＝Discrete(M)(1)

式中，T＝{t

每一个梯形块表示为t＝{U

如图3(b)所示，通过

步骤S2.建立梯形块节点的有向图并聚类，过滤低置信度的梯形块区域。

建立梯形块节点的有向图并聚类以过滤低置信度的分割区域的方法为：以所有梯形块作为节点建立单向有向图，并根据高度差计算节点之间的距离；利用凝聚聚类算法划分候选节点；划分强节点与弱节点；根据链状结构长度和强节点数目过滤不可信的分割区域。

对分割得到的梯形块进行过滤处理的过程表示为式(2)：

S＝Filter(T)(2)

式中，S＝{s

经过建立节点有向图并聚类，离散的梯形块T被聚集为链状结构，经过过滤步骤，根据链状结构长度和强节点数目，保留具有高置信度的链状结构作为真实的轨道线，低置信度的链状结构作为背景被过滤，如图1(c)所示。

(1)图4为本发明实施例提供的一种梯形块节点构造有向图示意图。将所有的梯形块作为节点，建立有向图。

如图4所示。对于任何一对梯形块t

/>

式中，h

(2)将边界节点作为聚类簇，利用凝聚聚类算法将所有节点划分为轨道候选节点。

(3)图5为本发明实施例提供的一种强节点和弱节点示意图。如果梯形块包含一对轨道并被道渣包围，则该梯形块构成“强节点”，否则构成“弱节点”，如图5所示，浅灰色的梯形块为强节点，深黑色边框的梯形块为弱节点。强节点最有可能是整个轨道的一部分，而弱节点更容易被误识别。

(4)过滤长度小于图像高度一半的候选轨道线或者强节点数目少于所有节点数一半的候选轨道线，其余的被视为轨道线路。

步骤S3.将过滤后得到的离散结构重构为连续曲线以表示轨道线路，包括：

分别利用二次多项式和线性函数表示轨道中心线和轨道宽度，重构得到平滑连续的轨道曲线。

重构过程将过滤得到的分割区域离散的节点重构为连续曲线来表示轨道线，表示为式(4)：

L＝Reconstruct(S)(4)

式中，S表示步骤S2中过滤得到的轨道，L＝{l

考虑到轨道曲率半径较大，分别采用二次多项式曲线和以v为自变量的线性函数来近似轨道中心线和宽度，如式(5)(6)：

CL(u,v|a

W(w,v|a

式中a

综上所述，本发明实施例针对轨道目标的连续性、线性和自身结构的相似性特征，对分割结果进行了离散化表示，有利于精准识别轨道线。

考虑复杂场景中的轨道，包括光线变换与遮挡问题，对分割结果进行了过滤，提高了识别的准确性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。