一种用于货运铁路无人驾驶的轨道限界识别方法技术

本发明专利技术公开一种用于货运铁路无人驾驶的轨道限界识别方法，包括：S1.获取轨道图像，对所述轨道图像进行预处理；S2.对预处理后的所述轨道图像，使用改进的ZS细化算法进行细化处理；S3.对经过细化处理后的所述轨道图像，进行去噪处理，获得完整轨道线，完成轨道限界识别。采用本发明专利技术的技术方案，提取到的轨道限界连续性好，准确度高；同时能够对直道、弯道、岔道进行轨道检测，并适用于多变天候的情况。并适用于多变天候的情况。并适用于多变天候的情况。

A method of track gauge recognition for driverless freight railway

【技术实现步骤摘要】
一种用于货运铁路无人驾驶的轨道限界识别方法


[0001]本专利技术属于轨道交通、无人驾驶、人工智能以及图像处理等
，尤其涉及一种用于货运铁路无人驾驶的轨道限界识别方法。

技术介绍

[0002]轨道限界识别技术是基于传感器图像进行轨道线识别的技术，在改善铁路安全、无人驾驶等方面具有重要意义。
[0003]现有技术存在的不足在于：机车中无法配备高算力的大体积设备，同时设备工作环境恶劣，需要轻便的算法；货运列车行进时整个机车振动幅度大，图像容易出现一定程度的抖动；货运铁路的轨道相比于高速铁路轨道、有轨电车轨道及地铁轨道，碎石路面、不规则枕木、道路交汇以及沟壑栅栏的出现使得其周边环境更为复杂，并且存在着较大曲率的弯道及复杂的岔道情况，一些基于边缘检测算子的轨道识别适应不了复杂的路况环境。

技术实现思路

[0004]为了解决上述问题，本专利技术提供一种用于货运铁路无人驾驶的轨道限界识别方法，其可提高轨道限界识别的准确度，同时对于算力要求低。
[0005]为实现上述目的，本专利技术采用如下的技术方案：
[0006]1.一种用于货运铁路无人驾驶的轨道限界识别方法，包括：
[0007]S1.获取轨道图像，对所述轨道图像进行预处理；
[0008]S2.对预处理后的所述轨道图像，使用改进的ZS细化算法进行细化处理；
[0009]S3.对经过细化处理后的所述轨道图像，进行去噪处理，获得完整轨道线，完成轨道限界识别。
[0010]可选地，对所述轨道图像进行预处理包括：对所述轨道图像进行直方图均衡化与图像阈值分割。
[0011]可选地，所述直方图均衡化为：对所述轨道图像中像素分配不均匀的图像进行非线性拉伸，重新分配图像的像素值，获得像素值均匀分配在整个灰度范围内的所述轨道图像。
[0012]可选地，所述图像阈值分割为对像素值均匀分配在整个灰度范围内的所述轨道图像进行自适应阈值化处理，以及二值化操作，获得二值图像。
[0013]可选地，所述改进的ZS细化算法的步骤包括：
[0014]S21.对所述二值图像中的边界点进行标记并获取冗余点；
[0015]S22.对所述冗余点进行提取。
[0016]可选地，所述S21包括：
[0017]S211.获取所述二值图像中以边界点为中心的8邻域，标记中心点为P1，顺时针方向的相邻点分序列别为P2,P3,
…
P9，其中P2位于P1正上方；
[0018]S212.获取中心点P1的8邻域中非零邻点的个数Num(P1)；
[0019][0020]S213.获取序列P2,P3,
…
,P9中从0到1的变化次数S(P1)；
[0021][0022][0023]S214.获取中心点P1四邻域内非零邻点的个数N
(4)
；
[0024][0025]当N
(4)
＝2时，即存在冗余点。
[0026]可选地，所述S22包括：
[0027]S221.对P1的8邻域点按照顺时针顺序进行二进制编码B(P1)，获得P2,P3,
…
P9每点对应的二进制，并获取B(P1)中所有二进制的值的集合Σ；
[0028][0029]S222.设置约束条件，对满足约束条件的点进行标记；
[0030]所述约束条件的表达式为：
[0031][0032]其中，a、b、c、d分别为约束条件a、约束条件b、约束条件c、约束条件d；
[0033]S223.将所述约束条件c改为P2*P4*P8＝0，所述约束条件d改为P2*P6*P8＝0，对满足约束条件的点进行标记；
[0034]S224.将S222与S223中标记的点进行去除；
[0035]S225.重复操作S222至S224，直到没有满足约束条件的点被标记，完成冗余点的提取。
[0036]可选地，所述S3中进行去噪处理的步骤包括：
[0037]S31.定义经过改进的ZS细化算法后的所述轨道图像为I1，imgW和imgH为原始图像的宽度和高度，W和H为最小外接矩形的宽度和高度，最小外接矩形的宽高比为T，长度为L，面积为S；
[0038]T＝W/H
[0039]L＝Max{W，H}
[0040]S＝W*H
[0041]其中,W∈(0,imgW),H∈(0,imgH)；
[0042]S32.获取I1中所有轮廓的最小外接矩形，其中，每个最小外接矩形的长度为L
i
，若L
i
小于设定的阈值参数λ1，λ1∈(40，50)，则将其域内的所有像素设置为0，若大于设定的参数，根据从大到小的顺序保留前λ2位，λ2∈(12，15)，获取处理结果图像记为I2；
[0043]S33.基于3*3结构元，对I2进行形态学膨胀操作，获取处理结果记为I3；
[0044]S33.基于I3的几何属性，对I3进行长度和面积系数的筛选，完成去噪，获得所述完整轨道线。
[0045]可选地，所述S33中，通过筛选规则对I3进行长度和面积系数的筛选；
[0046]所述筛选规则为：当某个轮廓的最小外接矩形的高度和宽度以及区域面积不满足筛选规则表达式时，排除该轮廓；
[0047]所述筛选规则表达式为：
[0048][0049]其中，λ为I1中最小外接矩形的长度筛选系数，δ为I1中最小外接矩形的面积筛选系数。
[0050]与现有技术相比，本专利技术具有如下优点和技术效果：
[0051](1)本专利技术的算法对算力要求不高，不需要体积较大的GPU设备，一般的带有CPU的小型嵌入式工控机即可满足要求；
[0052](2)本专利技术针对可能出现的抖动图像，采用了两种图像预处理相结合，便于后续的识别；
[0053](3)本专利技术针对复杂的周边环境加入了去噪处理，以排除障碍物对轨道线提取的干扰。
附图说明
[0054]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0055]图1为本专利技术实施例的一种用于货运铁路无人驾驶的轨道限界识别方法流程示意图；
[0056]图2为本专利技术实施例的直方图均衡化前后对比示意图；
[0057]图3为本专利技术实施例的ZS细化算法与改进的ZS细化算法的结果对比示意图；
[0058]图4为本专利技术实施例的轨道限界识别方法每个阶段的效果示意图；
[0059]图5为本专利技术实施例的冗余点示意图。
具体实施方式
[0060]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0061]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，包括：S1.获取轨道图像，对所述轨道图像进行预处理；S2.对预处理后的所述轨道图像，使用改进的ZS细化算法进行细化处理；S3.对经过细化处理后的所述轨道图像，进行去噪处理，获得完整轨道线，完成轨道限界识别。2.根据权利要求1所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，对所述轨道图像进行预处理包括：对所述轨道图像进行直方图均衡化与图像阈值分割。3.根据权利要求2所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，所述直方图均衡化为：对所述轨道图像中像素分配不均匀的图像进行非线性拉伸，重新分配图像的像素值，获得像素值均匀分配在整个灰度范围内的所述轨道图像。4.根据权利要求3所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，所述图像阈值分割为对像素值均匀分配在整个灰度范围内的所述轨道图像进行自适应阈值化处理，以及二值化操作，获得二值图像。5.根据权利要求4所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，所述改进的ZS细化算法的步骤包括：S21.对所述二值图像中的边界点进行标记并获取冗余点；S22.对所述冗余点进行提取。6.根据权利要求5所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，所述S21包括：S211.获取所述二值图像中以边界点为中心的8邻域，标记中心点为P1，顺时针方向的相邻点分序列别为P2,P3,
…
P9，其中P2位于P1正上方；S212.获取中心点P1的8邻域中非零邻点的个数Num(P1)；S213.获取序列P2,P3,
…
,P9中从0到1的变化次数S(P1)；,P9中从0到1的变化次数S(P1)；S214.获取中心点P1四邻域内非零邻点的个数N
(4)
；当N
(4)
＝2时，即存在冗余点。7.根据权利要求6所述的用于货运铁路无人驾驶的轨道限界识别方法，其特征在于，所述S22包括：
S221.对P1的8邻域点按照顺时针顺序进行二进...

【专利技术属性】
技术研发人员：吴澄，汪一鸣，盛洁，张瑾，王远鹏，王阳，钱曙杰，夏从东，吕志荣，
申请(专利权)人：苏州市轨道交通集团有限公司，
类型：发明
国别省市：