CN115359449B - 一种转辙机道岔缺口图像的自动识别方法和*** - Google Patents

一种转辙机道岔缺口图像的自动识别方法和*** Download PDF

Info

Publication number
CN115359449B
CN115359449B CN202211271040.0A CN202211271040A CN115359449B CN 115359449 B CN115359449 B CN 115359449B CN 202211271040 A CN202211271040 A CN 202211271040A CN 115359449 B CN115359449 B CN 115359449B
Authority
CN
China
Prior art keywords
notch
image
line
feature library
switch
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211271040.0A
Other languages
English (en)
Other versions
CN115359449A (zh
Inventor
秦广军
卢立清
刘培磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JINAN RAILWAY TIANLONG HIGH-TECH DEVELOPMENT CO LTD
Original Assignee
JINAN RAILWAY TIANLONG HIGH-TECH DEVELOPMENT CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JINAN RAILWAY TIANLONG HIGH-TECH DEVELOPMENT CO LTD filed Critical JINAN RAILWAY TIANLONG HIGH-TECH DEVELOPMENT CO LTD
Priority to CN202211271040.0A priority Critical patent/CN115359449B/zh
Publication of CN115359449A publication Critical patent/CN115359449A/zh
Application granted granted Critical
Publication of CN115359449B publication Critical patent/CN115359449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种转辙机道岔缺口图像的自动识别方法和***，属于转辙机缺口图像识别技术领域；该方法包括：获取转辙机道岔缺口历史图像生成图像特征库；将获取的当前图像预处理后与图像特征库对比得到转辙机定反位置的区域范围图像；计算区域范围图像与图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；从提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据缺口线坐标识别缺口图像。基于该方法，还提出了一种转辙机道岔缺口图像的自动识别***。本发明采用高像素摄像头直接采集缺口位置图像，对原始图像进行特征库比对和缺口线提取，提高了计算的准确度。

Description

一种转辙机道岔缺口图像的自动识别方法和***
技术领域
本发明属于转辙机缺口图像识别技术领域，特别涉及一种转辙机道岔缺口图像的自动识别方法和***。
背景技术
转辙机是指用以可靠地转换道岔位置，改变道岔开通方向，锁闭道岔尖轨，反映道岔位置的重要的信号基础设备，它可以很好地保证行车安全，提高运输效率，改善行车人员的劳动强度。转辙机的类型包括S700K、ZD6、ZY7和ZD9。
现有技术中对以上四种类型转辙机的缺口监测主要采用的方式包括：第一数字缺口监测，为客户提供一个缺口大小值，此种方式不能让客户直观的查看缺口的现状。第二，从实时图像中直接提取缺口线特征，此种方式受外界干扰太大，比如灯光、油污的影响，天窗修时非缺口图像的影响，扳动过快时摄像头拍摄错误的影响等都容易导致缺口线识别错误。如果缺口线特征提取的不准确的话，在特征线提取之后对特征线坐标的提取也不会准确。现有技术中确定特征线坐标的方式在缺口图像的处理过程中对缺口线活动的局部区域进行扫描，扫描结束后根据缺口线特征确定最大值和最小值，进而确定缺口线坐标。该方法不能适用所有斜率的线段，对现场安装环境的适用性也差。
发明内容
为了解决上述技术问题，本发明提出了一种转辙机道岔缺口图像的自动识别方法和***，采用高像素摄像头直接采集缺口位置图像，对原始图像进行特征库比对和缺口线提取，采用 Hough变换确定缺口线的坐标，从而实现了道岔缺口的精确计算。
为实现上述目的，本发明采用以下技术方案：
一种转辙机道岔缺口图像的自动识别方法，包括以下步骤：
获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；
计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据所述缺口线坐标识别缺口图像。
进一步的，所述缺口图像包括定位缺口图像和反位缺口图像；所述缺口图像特征库包括定位缺口图像特征库和反位缺口图像特征库。
进一步的，所述将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像过程包括：
将获取的转辙机道岔缺口当前图像分解成r，g，b三色图像；
对三色图像亮度平衡化之后再重新合成第二缺口图像；
将所述第二缺口图像与缺口图像特征库对比得到缺口所在的区域范围图像，并裁切所述区域范围图像。
进一步的，所述计算区域范围图像与缺口图像特征库之间相似度的方法为：
Figure 228316DEST_PATH_IMAGE001
；
其中，
Figure 692795DEST_PATH_IMAGE002
表示缺口图像特征库中分割块的像素点；
Figure 299357DEST_PATH_IMAGE003
表示区域范围图像中分割块的像素点；
Figure 823879DEST_PATH_IMAGE004
为相似度值；且
Figure 781471DEST_PATH_IMAGE005
位于0-1之间，数值越小表示相似度越高；当 转辙机为S700K时，
Figure 784062DEST_PATH_IMAGE004
小于0.2时表示成立；当转辙机为ZD6时，
Figure 510710DEST_PATH_IMAGE005
小于0.1表 示成立；当转辙机为ZD9、ZY7时，
Figure 206133DEST_PATH_IMAGE006
小于0.17表示成立。
进一步的，所述对区域范围图像降噪处理的过程包括：
对区域范围图像增加对比度，然后采用中值滤波的方式去除小噪点；将去除小噪点后的区域范围图像转换成灰度图像。
进一步的，所述对区域范围图像增加对比度的过程包括：
采用
Figure 901555DEST_PATH_IMAGE007
重新计算当前像素坐 标；
其中
Figure 707837DEST_PATH_IMAGE008
为当前像素坐标；
Figure 554570DEST_PATH_IMAGE009
为当前像素坐标左侧的坐标；
Figure 155316DEST_PATH_IMAGE010
为当前像素坐标 右侧的坐标；
Figure 87500DEST_PATH_IMAGE011
为当前像素坐标前面的坐标；
Figure 431894DEST_PATH_IMAGE012
为当前像素坐标后面的坐标。
进一步的，所述缺口边缘提取的过程包括：遍历预设奇数的监测块，采用自适应阈值二值化，求出最大的缺口线特征点。
进一步的，所述采用自适应阈值二值化，求出最大的缺口线特征点的详细过程包括：
通过调整监测块的大小来分别监测缺口线的特征；监测块的大小范围为[3,31]，且为奇数；
每次变换监测块大小后，求出二值化结果中最直边界线的坐标和最直边界线中符合条件的点的个数；
遍历完所有监测块后求出最大点；如果在Y方向上最大点数大于缺口查找范围的阈值，表示缺口查找成功。
进一步的，所述从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标的过程包括：
依据Hough变换从缺口边缘提取的结果中变换查找符合预设条件的线段；所述预设条件为：半径步长为1，角度步长为π/180所有线段；
出所有线段的斜率和截距y=kx+b；其中k为斜率，b为截距；
从所有线段中找出线段最长，斜率绝对值最大的线段；
把缺口查找范围中心点的y坐标值带入公式y=kx+b，求出x的值，即为缺口线的坐标。
本发明还提出了一种转辙机道岔缺口图像的自动识别***，包括对比模块、提取模块和确定模块；
所述对比模块用于获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；
所述提取模块用于计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
所述确定模块用于从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据所述缺口线坐标识别缺口图像类型。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提出了一种转辙机道岔缺口图像的自动识别方法和***，该方法包括：获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据所述缺口线坐标识别缺口图像。基于一种转辙机道岔缺口图像的自动识别方法，还提出了一种转辙机道岔缺口图像的自动识别***。本发明不需要对转辙机进行任何改造；采用高像素摄像头直接采集缺口位置图像，对原始图像进行特征库比对和缺口线提取，采用特征库比较方式来确定该图像是定位图像还是反位图像，然后再进行缺口线的提取，大大提高了计算的准确度。
本发明中缺口线在整个图像中所占的比例是比较少的，在缺口图像的处理过程中只对缺口线的局部区域进行处理，大大节省了计算时间，提高了整个***的工作效率。
本发明在边缘提取的结果中依据 Hough变换，查找符合预设条件所有可能的线段；从所有线段中找出线段最长，斜率绝对值最大的线段。本发明可以适应所有斜率的线段，更能适应现场的安装环境。
附图说明
如图1为本发明实施例1一种转辙机道岔缺口图像的自动识别方法流程图；
如图2为本发明实施例1中值滤波前的像素点示意图；
如图3为本发明实施例1中值滤波后的像素点示意图；
如图4为本发明实施例1二值化后图像示意图；
如图5为本发明实施例1所有线段图示意图；
如图6为本发明实施例2一种转辙机道岔缺口图像的自动识别***示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种转辙机道岔缺口图像的自动识别方法。根据转辙机类型分别提取缺口图像的特征点，来生成该类型转辙机的缺口特征库，采用生成好的特征库来验证未来时刻收到的图像是否存在缺口，如果存在缺口，再通过边缘提取的方法找到边缘坐标，大大提高了缺口计算的准确度。
S700K转辙机用一个摄像头来拍摄两个方向的缺口，有可能是上缺口，也有可能是下缺口； ZD6、ZD9、ZY7转辙机用两个摄像头来拍摄两个方向的缺口，其中一个是缺口图像，另一个是节点图像，还有在转辙机检修的过程中，摄像头拍摄的图像各式各样，单纯的边缘监测算法算错的几率较大。本算法根据转辙机类型分别提取缺口图像的特征点，来生成该类型转辙机的缺口特征库，采用生成好的特征库来验证未来时刻收到的图像是否存在缺口，如果存在缺口，再通过边缘提取的方法找到边缘坐标，大大提高了缺口计算的准确度。
具体过程包括：获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据缺口线坐标识别缺口图像。
如图1为本发明实施例1一种转辙机道岔缺口图像的自动识别方法流程图。
在步骤S101中，获取每台转辙机道岔缺口历史图像生成缺口图像特征库；缺口图像包括定位缺口图像和反位缺口图像；缺口图像特征库包括定位缺口图像特征库和反位缺口图像特征库。
在步骤S102中，将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像。
首先将获取的转辙机道岔缺口当前图像分解成r，g，b三色图像；
对三色图像亮度平衡化之后再重新合成第二缺口图像；
将所述第二缺口图像与缺口图像特征库对比得到缺口所在的区域范围图像，并裁切所述区域范围图像。首先求出特征库图像的亮度和当前图像的亮度，以特征库图像的亮度为基准调整当前图像的亮度；通过与特征库的比较得出缺口的所在范围，通过裁剪，提高缺口在图像中的占用比例。
在步骤S103中，用TM_SQDIFF_NORMED方法比较裁剪后图像的相似度，符合条件的进行下一步操作；
计算区域范围图像与缺口图像特征库之间相似度的方法为：
Figure 133133DEST_PATH_IMAGE013
；
其中，
Figure 904780DEST_PATH_IMAGE014
表示缺口图像特征库中分割块的像素点；
Figure 324260DEST_PATH_IMAGE015
表示区域范围图像中分割块的像素点；
Figure 472345DEST_PATH_IMAGE006
为相似度值；且
Figure 28091DEST_PATH_IMAGE016
位于0-1之间，数值越小表示相似度越高；当 转辙机为S700K时，
Figure 236219DEST_PATH_IMAGE006
小于0.2时表示成立；当转辙机为ZD6时，
Figure 877415DEST_PATH_IMAGE016
小于0.1表 示成立；当转辙机为ZD9、ZY7时，
Figure 563612DEST_PATH_IMAGE006
小于0.17表示成立。
在步骤S104中，在相似度成立的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
其中降噪处理的过程包括：对区域范围图像增加对比度，然后采用中值滤波的方式去除小噪点；将去除小噪点后的区域范围图像转换成灰度图像。
对区域范围图像增加对比度的过程包括：
采用
Figure 239444DEST_PATH_IMAGE007
重新计算当前像素坐 标；
其中
Figure 352893DEST_PATH_IMAGE017
为当前像素坐标；
Figure 979921DEST_PATH_IMAGE018
为当前像素坐标左侧的坐标；
Figure 469809DEST_PATH_IMAGE019
为当前像素坐标 右侧的坐标；
Figure 147DEST_PATH_IMAGE020
为当前像素坐标前面的坐标；
Figure 550077DEST_PATH_IMAGE021
为当前像素坐标后面的坐标。
这样计算的目的是：使得图像中亮的部分更亮，暗的部分更暗，从而增加图像的对比度。
中值滤波去除小噪点的过程为：取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值。
如图2为本发明实施例1中值滤波前的像素点示意图；将其邻域设置为3×3大小，对其3×3邻域内像素点的像素值进行排序（升序），按升序排序后得到序列值为：[66,78,90,91,93,94,95,97,101]。在该序列中，处于中心位置的值是“93”，因此用该值替换原来的像素值78，作为当前点的新像素值，得到滤波后的像素点图像。如图3为本发明实施例1中值滤波后的像素点示意图。
将去除小噪点后的区域范围图像转换成灰度图像后，采用自适应阈值二值化，遍历预设奇数的监测块，采用自适应阈值二值化，求出最大的缺口线特征点。
采用自适应阈值二值化，求出最大的缺口线特征点的详细过程包括：
通过调整监测块的大小来分别监测缺口线的特征；监测块的大小范围为[3,31]，且为奇数；
每次变换监测块大小后，求出二值化结果中最直边界线的坐标和最直边界线中符合条件的点的个数；
遍历完所有监测块后求出最大点；如果在Y方向上最大点数大于缺口查找范围的阈值，表示缺口查找成功。如图4为本发明实施例1二值化后图像示意图。
在步骤S105中，从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据缺口线坐标识别缺口图像。
在边缘提取的结果中依据 Hough变换，查找半径步长为1角度步长为π/180所有可能的线段；如图5为本发明实施例1所有线段图示意图；
求出所有线段的斜率和截距y=kx+b;
从所有线段中找出线段最长，斜率绝对值最大的线段。此方法可以适应所有斜率的线段，更能适应现场的安装环境。
把缺口查找范围中心点的y坐标值带入公式y=kx+b，求出x的值，即为缺口线的坐标。
根据缺口线坐标识别缺口图像。
本发明实施例1提出的一种转辙机道岔缺口图像的自动识别方法，不需要对转辙机进行任何改造；采用高像素摄像头直接采集缺口位置图像，对原始图像进行特征库比对和缺口线提取，采用特征库比较方式来确定该图像是定位图像还是反位图像，然后再进行缺口线的提取，大大提高了计算的准确度。
本发明实施例1提出的一种转辙机道岔缺口图像的自动识别方法，缺口线在整个图像中所占的比例是比较少的，在缺口图像的处理过程中只对缺口线的局部区域进行处理，大大节省了计算时间，提高了整个***的工作效率。
本发明实施例1提出的一种转辙机道岔缺口图像的自动识别方法，在边缘提取的结果中依据 Hough变换，查找符合预设条件所有可能的线段；从所有线段中找出线段最长，斜率绝对值最大的线段。本发明可以适应所有斜率的线段，更能适应现场的安装环境。
实施例2
基于本发明实施例1提出的一种转辙机道岔缺口图像的自动识别方法，还提出了一种转辙机道岔缺口图像的自动识别***，如图6为本发明实施例2一种转辙机道岔缺口图像的自动识别***示意图，该***包括对比模块、提取模块和确定模块；
对比模块用于获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；
提取模块用于计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
确定模块用于从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据缺口线坐标识别缺口图像类型。
对比模块实现的详细过程为：获取每台转辙机道岔缺口历史图像生成缺口图像特征库；缺口图像包括定位缺口图像和反位缺口图像；缺口图像特征库包括定位缺口图像特征库和反位缺口图像特征库；
首先将获取的转辙机道岔缺口当前图像分解成r，g，b三色图像；
对三色图像亮度平衡化之后再重新合成第二缺口图像；
将第二缺口图像与缺口图像特征库对比得到缺口所在的区域范围图像，并裁切所述区域范围图像。首先求出特征库图像的亮度和当前图像的亮度，以特征库图像的亮度为基准调整当前图像的亮度；通过与特征库的比较得出缺口的所在范围，通过裁剪，提高缺口在图像中的占用比例。
提取模块实现的详细过程包括：用TM_SQDIFF_NORMED方法比较裁剪后图像的相似度，符合条件的进行下一步操作；
计算区域范围图像与缺口图像特征库之间相似度的方法为：
Figure 165866DEST_PATH_IMAGE022
；
其中，
Figure 193865DEST_PATH_IMAGE023
表示缺口图像特征库中分割块的像素点；
Figure 578710DEST_PATH_IMAGE015
表示区域范围图像中分割块的像素点；
Figure 299541DEST_PATH_IMAGE006
为相似度值；且
Figure 402627DEST_PATH_IMAGE016
位于0-1之间，数值越小表示相似度越高；当 转辙机为S700K时，
Figure 234316DEST_PATH_IMAGE006
小于0.2时表示成立；当转辙机为ZD6时，
Figure 473668DEST_PATH_IMAGE016
小于0.1表 示成立；当转辙机为ZD9、ZY7时，
Figure 365400DEST_PATH_IMAGE006
小于0.17表示成立。
在相似度成立的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
其中降噪处理的过程包括：对区域范围图像增加对比度，然后采用中值滤波的方式去除小噪点；将去除小噪点后的区域范围图像转换成灰度图像。
对区域范围图像增加对比度的过程包括：
采用
Figure 955782DEST_PATH_IMAGE007
重新计算当前像素坐 标；
其中
Figure 325583DEST_PATH_IMAGE008
为当前像素坐标；
Figure 685020DEST_PATH_IMAGE018
为当前像素坐标左侧的坐标；
Figure 747654DEST_PATH_IMAGE019
为当前像素坐标 右侧的坐标；
Figure 58288DEST_PATH_IMAGE020
为当前像素坐标前面的坐标；
Figure 497359DEST_PATH_IMAGE021
为当前像素坐标后面的坐标。
这样计算的目的是：使得图像中亮的部分更亮，暗的部分更暗，从而增加图像的对比度。
中值滤波去除小噪点的过程为：取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值。
如图2为本发明实施例1中值滤波前的像素点示意图；将其邻域设置为3×3大小，对其3×3邻域内像素点的像素值进行排序（升序），按升序排序后得到序列值为：[66,78,90,91,93,94,95,97,101]。在该序列中，处于中心位置的值是“93”，因此用该值替换原来的像素值78，作为当前点的新像素值，得到滤波后的像素点图像。如图3为本发明实施例1中值滤波后的像素点示意图。
将去除小噪点后的区域范围图像转换成灰度图像后，采用自适应阈值二值化，遍历预设奇数的监测块，采用自适应阈值二值化，求出最大的缺口线特征点。
采用自适应阈值二值化，求出最大的缺口线特征点的详细过程包括：
通过调整监测块的大小来分别监测缺口线的特征；监测块的大小范围为[3,31]，且为奇数；
每次变换监测块大小后，求出二值化结果中最直边界线的坐标和最直边界线中符合条件的点的个数；
遍历完所有监测块后求出最大点；如果在Y方向上最大点数大于缺口查找范围的阈值，表示缺口查找成功。如图4为本发明实施例1二值化后图像示意图。
对比模块实现的过程包括：在边缘提取的结果中依据 Hough变换，查找半径步长为1角度步长为π/180所有可能的线段；如图5为本发明实施例1所有线段图示意图；
求出所有线段的斜率和截距y=kx+b;
从所有线段中找出线段最长，斜率绝对值最大的线段。此方法可以适应所有斜率的线段，更能适应现场的安装环境。
把缺口查找范围中心点的y坐标值带入公式y=kx+b，求出x的值，即为缺口线的坐标。
根据缺口线坐标识别缺口图像。
本发明实施例2提出的一种转辙机道岔缺口图像的自动识别***，不需要对转辙机进行任何改造；采用高像素摄像头直接采集缺口位置图像，对原始图像进行特征库比对和缺口线提取，采用特征库比较方式来确定该图像是定位图像还是反位图像，然后再进行缺口线的提取，大大提高了计算的准确度。
本发明实施例2提出的一种转辙机道岔缺口图像的自动识别***，缺口线在整个图像中所占的比例是比较少的，在缺口图像的处理过程中只对缺口线的局部区域进行处理，大大节省了计算时间，提高了整个***的工作效率。
本发明实施例2提出的一种转辙机道岔缺口图像的自动识别***，在边缘提取的结果中依据 Hough变换，查找符合预设条件所有可能的线段；从所有线段中找出线段最长，斜率绝对值最大的线段。本发明可以适应所有斜率的线段，更能适应现场的安装环境。
本申请实施例提供的一种转辙机道岔缺口图像的自动识别***中相关部分的说明可以参见本申请实施例1提供的一种转辙机道岔缺口图像的自动识别方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种转辙机道岔缺口图像的自动识别方法，其特征在于，适应所有斜率的线段，更适应现场的安装环境；包括以下步骤：
获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；
计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据所述缺口线坐标识别缺口图像；所述从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标的过程包括：
依据Hough 变换从缺口边缘提取的结果中变换查找符合预设条件的线段；所述预设条件为：半径步长为1，角度步长为π/180所有线段；
确定所有线段的斜率和截距y=kx+b；其中k为斜率，b为截距；
从所有线段中找出线段最长，斜率绝对值最大的线段；
把缺口查找范围中心点的y坐标值带入公式y=kx+b，求出x的值，即为缺口线的坐标；
所述缺口边缘提取的过程包括：遍历预设奇数的监测块，采用自适应阈值二值化，求出最大的缺口线特征点；
所述采用自适应阈值二值化，求出最大的缺口线特征点的详细过程包括：
通过调整监测块的大小来分别监测缺口线的特征；监测块的大小范围为[3,31]，且为奇数；
每次变换监测块大小后，求出二值化结果中最直边界线的坐标和最直边界线中符合条件的点的个数；
遍历完所有监测块后求出最大点；如果在Y方向上最大点数大于缺口查找范围的阈值，表示缺口查找成功。
2.根据权利要求1所述的一种转辙机道岔缺口图像的自动识别方法，其特征在于，所述缺口图像包括定位缺口图像和反位缺口图像；所述缺口图像特征库包括定位缺口图像特征库和反位缺口图像特征库。
3.根据权利要求1所述的一种转辙机道岔缺口图像的自动识别方法，其特征在于，所述将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像过程包括：
将获取的转辙机道岔缺口当前图像分解成r，g，b三色图像；
对三色图像亮度平衡化之后再重新合成第二缺口图像；
将所述第二缺口图像与缺口图像特征库对比得到缺口所在的区域范围图像，并裁切所述区域范围图像。
4.根据权利要求1所述的一种转辙机道岔缺口图像的自动识别方法，其特征在于，所述计算区域范围图像与缺口图像特征库之间相似度的方法为：
Figure 172578DEST_PATH_IMAGE001
；
其中，
Figure 978860DEST_PATH_IMAGE002
表示缺口图像特征库中分割块的像素点；
Figure 153489DEST_PATH_IMAGE003
表示区域范围图像中分割块的像素点；
Figure 754235DEST_PATH_IMAGE004
为相似度值；且
Figure 14315DEST_PATH_IMAGE005
位于0-1之间，数值越小表示相似度越高；当转辙 机为S700K时，
Figure 624288DEST_PATH_IMAGE006
小于0.2时表示成立；当转辙机为ZD6时，
Figure 387845DEST_PATH_IMAGE007
小于0.1表示成 立；当转辙机为ZD9、ZY7时，
Figure 690650DEST_PATH_IMAGE005
小于0.17表示成立。
5.根据权利要求1所述的一种转辙机道岔缺口图像的自动识别方法，其特征在于，所述对区域范围图像降噪处理的过程包括：
对区域范围图像增加对比度，然后采用中值滤波的方式去除小噪点；将去除小噪点后的区域范围图像转换成灰度图像。
6.根据权利要求5所述的一种转辙机道岔缺口图像的自动识别方法，其特征在于，所述对区域范围图像增加对比度的过程包括：
采用
Figure 172447DEST_PATH_IMAGE008
重新计算当前像素坐标；
其中
Figure 320531DEST_PATH_IMAGE009
为当前像素坐标；
Figure 204174DEST_PATH_IMAGE010
为当前像素坐标左侧的坐标；
Figure 677880DEST_PATH_IMAGE011
为当前像素坐标右侧 的坐标；
Figure 646973DEST_PATH_IMAGE012
为当前像素坐标前面的坐标；
Figure 333170DEST_PATH_IMAGE013
为当前像素坐标后面的坐标。
7.一种转辙机道岔缺口图像的自动识别***，其特征在于，适应所有斜率的线段，更适应现场的安装环境；包括对比模块、提取模块和确定模块；
所述对比模块用于获取每台转辙机道岔缺口历史图像，生成缺口图像特征库；将获取的转辙机道岔缺口当前图像预处理后与缺口图像特征库对比得到转辙机定反位置的区域范围图像；
所述提取模块用于计算区域范围图像与缺口图像特征库之间相似度；在相似度满足的条件下，对区域范围图像降噪处理后进行缺口边缘提取；
所述确定模块用于从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标；根据所述缺口线坐标识别缺口图像类型；所述从缺口边缘提取的结果中变换查找符合预设条件的线段，确定所有线段的斜率和截距，进而确定缺口线坐标的过程包括：
依据Hough 变换从缺口边缘提取的结果中变换查找符合预设条件的线段；所述预设条件为：半径步长为1，角度步长为π/180所有线段；
确定所有线段的斜率和截距y=kx+b；其中k为斜率，b为截距；
从所有线段中找出线段最长，斜率绝对值最大的线段；
把缺口查找范围中心点的y坐标值带入公式y=kx+b，求出x的值，即为缺口线的坐标；
所述缺口边缘提取的过程包括：遍历预设奇数的监测块，采用自适应阈值二值化，求出最大的缺口线特征点；
所述采用自适应阈值二值化，求出最大的缺口线特征点的详细过程包括：
通过调整监测块的大小来分别监测缺口线的特征；监测块的大小范围为[3,31]，且为奇数；
每次变换监测块大小后，求出二值化结果中最直边界线的坐标和最直边界线中符合条件的点的个数；
遍历完所有监测块后求出最大点；如果在Y方向上最大点数大于缺口查找范围的阈值，表示缺口查找成功。
CN202211271040.0A 2022-10-18 2022-10-18 一种转辙机道岔缺口图像的自动识别方法和*** Active CN115359449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211271040.0A CN115359449B (zh) 2022-10-18 2022-10-18 一种转辙机道岔缺口图像的自动识别方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211271040.0A CN115359449B (zh) 2022-10-18 2022-10-18 一种转辙机道岔缺口图像的自动识别方法和***

Publications (2)

Publication Number Publication Date
CN115359449A CN115359449A (zh) 2022-11-18
CN115359449B true CN115359449B (zh) 2023-01-24

Family

ID=84008736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211271040.0A Active CN115359449B (zh) 2022-10-18 2022-10-18 一种转辙机道岔缺口图像的自动识别方法和***

Country Status (1)

Country Link
CN (1) CN115359449B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958841B (zh) * 2023-09-18 2023-12-26 众芯汉创(江苏)科技有限公司 基于图像识别的配电线路无人机巡检***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102556119A (zh) * 2011-12-19 2012-07-11 济南铁路天龙高新技术开发有限公司 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法
CN107578410A (zh) * 2017-04-26 2018-01-12 济南铁路天龙高新技术开发有限公司 转辙机缺口图像自动识别方法
CN110310255A (zh) * 2019-05-24 2019-10-08 同济大学 基于目标检测和图像处理的转辙机缺口检测方法
CN110363742A (zh) * 2019-04-19 2019-10-22 上海铁大电信科技股份有限公司 一种基于cnn和图像处理的转辙机缺口检测方法
CN111754460A (zh) * 2020-05-25 2020-10-09 北京驿禄轨道交通工程有限公司 一种转辙机缺口自动检测方法、***及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7324163B2 (en) * 2003-12-23 2008-01-29 Genesis Microchip Inc. Sub-carrier detection (SCD) for motion threshold logic
CN106296651B (zh) * 2016-07-25 2019-08-09 国网江苏省电力公司电力科学研究院 基于线段拟合方法的平行视角下的弧垂图像识别方法
CN108010018A (zh) * 2017-11-27 2018-05-08 浙江华睿科技有限公司 一种硅片的缺口检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102556119A (zh) * 2011-12-19 2012-07-11 济南铁路天龙高新技术开发有限公司 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法
CN107578410A (zh) * 2017-04-26 2018-01-12 济南铁路天龙高新技术开发有限公司 转辙机缺口图像自动识别方法
CN110363742A (zh) * 2019-04-19 2019-10-22 上海铁大电信科技股份有限公司 一种基于cnn和图像处理的转辙机缺口检测方法
CN110310255A (zh) * 2019-05-24 2019-10-08 同济大学 基于目标检测和图像处理的转辙机缺口检测方法
CN111754460A (zh) * 2020-05-25 2020-10-09 北京驿禄轨道交通工程有限公司 一种转辙机缺口自动检测方法、***及存储介质

Also Published As

Publication number Publication date
CN115359449A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
US5715325A (en) Apparatus and method for detecting a face in a video image
EP2783328B1 (en) Text detection using multi-layer connected components with histograms
KR101717613B1 (ko) 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법
KR100975749B1 (ko) 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법
CN109492642B (zh) 车牌识别方法、装置、计算机设备及存储介质
CN105447489B (zh) 一种图片ocr识别***的字符与背景粘连噪声消除方法
JPH06203154A (ja) 画像処理装置
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN116977342B (zh) 基于图像分割的pcb板线路检测方法
CN115359449B (zh) 一种转辙机道岔缺口图像的自动识别方法和***
CN111899270A (zh) 卡片边框检测方法、装置、设备及可读存储介质
CN115049954A (zh) 目标识别方法、装置、电子设备和介质
CN114943841A (zh) 一种基于图像识别辅助作业安全管控的方法及装置
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
CN116597432B (zh) 一种基于改进yolov5算法的车牌识别***
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
JP4224328B2 (ja) 車番認識装置
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
KR20060007901A (ko) 영상으로부터의 중요 객체 추출 장치 및 방법
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN111950409B (zh) 一种道路标记线智能识别方法及***
Jo et al. Pothole detection based on the features of intensity and motion
CN109993761B (zh) 一种三值图像获取方法、装置及车辆
CN117953434B (zh) 基于智能网关的输电线路外力破坏监测方法及***
CN117853484B (zh) 一种基于视觉的桥梁损伤智能监测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant