动态行车环境下钢轨轮廓激光条纹中心提取方法及装置制造方法及图纸

本发明专利技术提供一种动态行车环境下钢轨轮廓激光条纹中心提取方法及装置，其中，该方法包括：将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像；基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向；根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据该方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标。上述技术方案提高了动态行车环境下激光条纹中心提取的效率、准确性和鲁棒性。

【技术实现步骤摘要】
动态行车环境下钢轨轮廓激光条纹中心提取方法及装置
本专利技术涉及数据处理
，特别涉及一种动态行车环境下钢轨轮廓激光条纹中心提取方法及装置。
技术介绍
线结构光测量系统中，激光束被垂直地投射到被测物体表面，摄像机从另一个角度拍摄激光条纹图像，并按照三角测量法获得激光断面数据。三角测量法要求投影到物体表面的轮廓线应该无限薄，即仅有一个像素宽度。但由于光线散射、成像系统的点扩散效应等原因，造成实际轮廓线在像平面的投影图像具有一定的厚度，呈光条状。因此，如何快速准确地提取激光条纹中心的位置，得到实际轮廓线上每一点准确的空间坐标值，是线结构光测量系统需要解决的一个关键问题。行车环境中，基于主动激光三角测量技术的钢轨轮廓测量面临着一系列难题。其中的一个主要问题是目前的激光条纹提取方法对噪声和光照变化较为敏感，而列车实际行驶环境中，因照明变化、不均匀反射以及表面不平顺而引入的干扰信息以噪声形式反映在激光图像上，这些干扰因素会改变激光的轮廓形状。传统的光条中心提取方法主要以牺牲鲁棒性为代价来提高激光检测的精度，这类方法往往适用于环境光和激光功率可控的室内检测场景，而室外行车环境中由于存在各种噪声干扰，造成激光轮廓变形，图像的亮度不均匀，甚至部分激光完全缺失，因此传统方法并不适合应用于铁路场景中。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种动态行车环境下钢轨轮廓激光条纹中心提取方法，用以提高动态行车环境下激光条纹中心提取的效率、准确性和鲁棒性，该方法包括：将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像；所述深度学习网络结构分割模型根据多个钢轨轮廓激光条纹图像样本预先训练生成；基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向；根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标；所述亚像素坐标为光条纹中心位置的坐标。本专利技术实施例还提供了一种动态行车环境下钢轨轮廓激光条纹中心提取装置，用以提高动态行车环境下激光条纹中心提取的效率、准确性和鲁棒性，该装置包括：分割单元，用于将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像；所述深度学习网络结构分割模型根据多个钢轨轮廓激光条纹图像样本预先训练生成；法线主方向确定单元，用于基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向；中心提取单元，用于根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标；所述亚像素坐标为光条纹中心位置的坐标。本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述动态行车环境下钢轨轮廓激光条纹中心提取方法。本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述动态行车环境下钢轨轮廓激光条纹中心提取方法的计算机程序。本专利技术实施例提供的技术方案的有益技术效果如下：首先，通过将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像，该深度学习网络结构分割模型根据多个钢轨轮廓激光条纹图像样本预先训练生成，去除了背景噪声以及不均匀的漫反射和镜面反射对光条提取造成的干扰，增强了光条纹中心提取的鲁棒性；其次，通过基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向，避免了后续复杂的模板匹配和耗时的梯度计算，提高了光条纹中心提取的效率；最后，根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标，该亚像素坐标为光条纹中心位置的坐标，保证了光条纹中心提取的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，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是本专利技术实施例中涉及的入射激光光路的示意图；图2是本专利技术实施例中涉及的镜面反射与图像显影的示意图；图3(a-1)-3(b-2)是本专利技术实施例中涉及的镜面反射对光条提取造成的影响示意图，其中：3(a-1)为轨头光带处发生镜面反射，3(a-2)、3(a-1)为图二值化结果；3(b-1)为打磨后的钢轨发生镜面反射，3(b-2)、3(b-1)为图二值化结果；图4(a)-4(d)是本专利技术实施例中涉及的钢轨轮廓激光条纹图像的灰度分布特征的示意图；图5是本专利技术实施例中基于分区域多模板匹配的光条中心线提取的原理示意图；图6是本专利技术实施例中深度学习网络结构用于图像分割的性能统计图；图7是本专利技术实施例中钢轨轮廓数据标注的示意图；图8是本专利技术实施例中轨廓激光条纹区段划分的示意图；图9(a)和9(b)是本专利技术实施例中像素梯度方向示意图，其中：图9(a)是整幅图像求梯度方向；9(b)是仅在分割得到的光条上求梯度方向；图10是本专利技术实施例中各子区域对应的方向模板示意图；图11是本专利技术实施例中基于方向模板提取像素级光条中心的示意图；图12是本专利技术实施例中基于灰度重心法提取亚像素级光条中心的示意图；图13是本专利技术实施例中对光条纹图像进行旋转与缩放预处理的示意图；图14是本专利技术实施例中光条分割结果对比的示意图，其中：图14中(a)是原始轨廓图像；图14中(b)是固定阈值二值化结果；图14中(c)是动态阈值二值化结果；图14中(d)是深度学习分割结果；图15是本专利技术实施例中光条图像的卷积特征示意图：其中图15中的(a)第一层卷积特征，大小为16×256×256；图15中的(b)第二层卷积特征，大小为64×128×128；图15中的(c)第三层卷积特征，大小为128×164×164；图16是本专利技术实施例中不同光条中心提取方法实验结果对比示意图，其中：图16中的(a)为灰度重心法的实验结果示意图；图16中的(b)为方向模板法的实验结果示意图；图16中的(c)Steger法的实验结果示意图；图16中的(d)本专利技术提出的方法的实验结果示意图；图17是本专利技术实施例中不同光条中心提取方法执行时间对比示意图；图18是本专利技术实施例中动态行车环境下钢轨轮廓激光条纹中心提取方法的流程示意图；图19是本专利技术实施例中动态行车环境下钢轨轮廓激光条纹中心提取装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所本文档来自技高网...

【技术保护点】
1.一种动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，包括：将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像；所述深度学习网络结构分割模型根据多个钢轨轮廓激光条纹图像样本预先训练生成；基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向；根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标；所述亚像素坐标为光条纹中心位置的坐标。

【技术特征摘要】
1.一种动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，包括：将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像；所述深度学习网络结构分割模型根据多个钢轨轮廓激光条纹图像样本预先训练生成；基于光条纹的梯度直方图，确定每一子区域的法线主方向；每一子区域对应一个法线主方向；根据每一子区域的法线主方向，对每一子区域构造相应的方向模板，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮廓激光条纹中心的亚像素坐标；所述亚像素坐标为光条纹中心位置的坐标。2.如权利要求1所述的动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，在将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型之前，还包括：对所述待提取钢轨轮廓激光条纹图像进行预处理；将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像，包括：将预处理后的待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像。3.如权利要求1所述的动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，对所述待提取钢轨轮廓激光条纹图像进行预处理，包括：对待提取钢轨轮廓激光条纹图像进行旋转、裁剪和缩放预处理操作，得到预处理后的待提取钢轨轮廓激光条纹图像。4.如权利要求1所述的动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，所述深度学习网络结构分割模型为ENet分割模型；将待提取钢轨轮廓激光条纹图像输入到深度学习网络结构分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像，包括：将待提取钢轨轮廓激光条纹图像输入到ENet分割模型，按照光条纹的灰度特征和梯度方向特征，将光条纹图像分割成多个子区域图像。5.如权利要求1所述的动态行车环境下钢轨轮廓激光条纹中心提取方法，其特征在于，根据每个子区域的方向模板，确定每一子区域的光条中心的亚像素坐标，根据每一子区域的光条中心的亚像素坐标，提取动态行车环境下钢轨轮...

【专利技术属性】
技术研发人员：王昊，王胜春，赵鑫欣，戴鹏，杜馨瑜，
申请(专利权)人：中国铁道科学研究院集团有限公司基础设施检测研究所，北京铁科英迈技术有限公司，中国铁道科学研究院集团有限公司，
类型：发明
国别省市：北京,11