熊仕勇,陈春俊,王　锋

(1.西南交通大学机械工程学院,成都　610031； 2.西南交通大学牵引动力国家重点实验室,成都　610031)

随着我国城市轨道交通的迅速发展，轨道基础设施的状态检测是保证列车运营安全的前提，轨道检测车(简称轨检车)能对轨道的几何参数进行实时检测。早期的轨道检测是采用光电传感器和伺服机构进行检测，这种检测方法极易受振动、天气等环境因素的影响[1]。国外铁路发达国家对轨道的检测采用了计算机网络、激光摄像等技术。采用钢轨轮廓检测数据与标准钢轨轮廓数据比对，借助数值计算方法，精确掌握轨道状态，而对钢轨轮廓数据特征点快速、准确提取是保证钢轨轮廓精确匹配[2]、轨道几何不平顺精确检测的前提。

目前，随着传感器技术的发展，激光摄像传感器得到了广泛应用，我国轨检车引进了基于激光和摄像技术的检测方法。文献[3]提出一种基于二维激光位移传感器的轨距检测方法，采用2D实现钢轨轮廓数据检测。文献[1]提出基于激光三角测量原理的轨距检测系统，该方法对轨形轮廓数据进行曲率角计算、平滑，通过曲率角寻找轮廓特征点后进行图像匹配，该方法对轮廓可选特征点较少。文献[2]根据以空间圆弧上所有点为圆心做与圆弧等半径的圆时它们相交于同一点的理论，获取测量钢轨轨腰圆弧中心特征点的世界坐标。这种提取方法计算复杂，噪声影响大且特征点单一。同样，文献[6]提出一种基于曲率角计算提取轮廓特征点的方法。而实际轨形轮廓数据用基于曲率提取特征点，导致可选特征点单一化，对实测轮廓进行曲率角计算会带来很大的误差，定位能力不强。

针对目前钢轨轮廓特征点提取方法现状，本文提出一种基于钢轨轮廓特征曲线的特征点提取方法，对采集的钢轨轮廓数据采用基于中值误差与连续度自适应调整权值的平滑滤波方法对实测轮廓数据进行平滑处理，解决存在分段的二维轮廓数据的平滑问题。定义了轮廓特征曲线应满足的两个基本属性，给出了特征曲线的一种定义方式，利用特征曲线上的特征点能快速定位实测轮廓特征点，由于特征曲线实现方式的多样性，使得实测轮廓数据特征点的选取不再单一。最后，采用GJ-2型轨道检测车进行试验，通过对实际轨道进行轮廓测量，采用本文所提出的特征点提取方法对实测轮廓数据进行特征点提取，试验证明，该方法能快速、准确地定位轮廓特征点。

1　基于2D钢轨轮廓测量原理

激光摄像及图像处理技术在轨道不平顺检测中的应用，使得我国轨道检测技术实现了质的飞越。激光摄像式传感器的应用实现了钢轨轮廓的连续动态测量[5]，二维激光位移传感器用于在线检测钢轨轮廓，其原理如图1所示。1号、2号二维激光位移传感器安装在专用检测梁上，检测梁与检测车转向架焊接连接，二维激光位移传感器的安装需满足能同时对钢轨顶面、侧面及轨腰进行检测。

图1　二维激光位移传感器钢轨轮廓测量

二维激光位移传感技术基于三角测距原理，内部由线型激光源模块、光学滤镜及透镜、DSP模块、CCD和CAN总线数据传输模块组成。如图2(a)所示，线型激光源发射线型激光切面，在激光切面内形成一个梯形可测范围平面，在切面激光的梯形可测范围内的激光投射在钢轨表面形成钢轨轮廓线，2D内部的光学器件感知反射光线并将其投射到高性能CCD可得到上千个轮廓测点数据。在2D传感器内部进行图像处理、钢轨轮廓提取及数字化后以数据流的形式将轮廓测点数据发送到CAN总线上，上位机在CAN总线接口卡中可提取轮廓测点数据。该测点数据的物理意义是实际钢轨轮廓测点在2D传感器坐标系中的空间坐标。如图2(b)所示，实测钢轨轮廓测点数据在2D传感器坐标系中的轮廓数据。

图2　钢轨激光轮廓

2　钢轨轮廓特征曲线及特征点提取

2.1　轮廓特征曲线定义

如图2(b)所示，钢轨轮廓数据可由1条二维离散曲线P=[p(j)=(x(j),y(j)),(j=1～n)]来表示，其中n为轮廓数据点总数。由于检测车振动影响，实测钢轨轮廓数据在其传感器坐标系中的位置坐标具有随机性，考虑到钢轨轮廓数据上任意一点相对其他点之间的位置关系具有不变特性，为了表征钢轨轮廓数据各坐标点之间的这种不变特性，提出了钢轨轮廓特征曲线的概念。能作为钢轨轮廓特征曲线需具备以下两个属性。

(1)特征曲线上任一点与钢轨轮廓数据物理位置上一点具有一一对应关系。

(2)特征曲线能表征钢轨轮廓点内部之间不变的物理位置关系，与测量坐标系无关。

利用钢轨轮廓特征曲线可把实测二维轮廓数据用一维曲线去表征，对一维曲线数据的处理更易于对钢轨轮廓特征点的提取。为满足特征曲线两个基本属性，本文给出了一种实现特征曲线的方法，以钢轨轮廓数据上任一点(p(i)=(x(i),y(i)),i∈[1+R,n-R])的前后第R个点p(i-R)=(x(i-R),y(i-R))、p(i+R)=(x(i+R),y(i+R))之间的距离值s(i)作为点p(i)的特征距离。

(1)

钢轨轮廓上所有点的特征距离便可构成特征曲线。定义钢轨轮廓数据特征曲线f(i)为

f(i)=(i,s(i)),i∈[1+R,n-R]

(2)

利用式(2)求解标准轮廓特征曲线如图3所示，图3(a)是对标准钢轨轮廓曲线解析式离散化后模拟激光投射图像，图3(b)是标准轮廓数据按式(2)计算所对应的特征曲线。

图3　标准轮廓及其特征曲线

分析标准轮廓特征曲线可知，曲线上任一点的纵坐标数值大小，表征了实测轮廓数据上该点前后第R个点p(i-R)与p(i+R)之间的距离大小，该数值越小，表明这3个点p(i)、p(i-R)、p(i+R)所处位置越紧密。由于激光投射存在盲区导致轨形数据分段，特征曲线包含明显凸起部分。

2.2　轮廓曲线平滑

特征曲线不受检测车运行振动的影响，但阳光干扰会使得投射图像产生噪点，噪点的存在会使得特征曲线形成凸起“毛刺”。另外，由于2D传感器内部对轮廓数据数字化转化过程存在数字化误差。噪点和数字化误差的存在都会降低特征曲线平滑度，影响特征点的准确提取。因此，在对实测轮廓数据计算其特征曲线之前，必须对钢轨轮廓数据进行平滑处理。本文采用基于中值误差与连续度自适应调整权值的平滑滤波方法，通过引入权值因子，有效解决存在分段的轮廓数据达到分段平滑的效果。同时，该方法还能有效去除噪点，消除噪点对特征曲线的影响。

(3)

式中，ω(k+i)≥0,(-N≤i≤N)称为权值因子，其大小取决于：

中值误差项

空间连续度

(5)

则权值因子

ω(k+i)=ω1(k+i)×ω2(k+i)=

(6)

权值因子ω(k+i)中的系数σ1、σ2表示钝化程度，其值越大，钝化作用越强，轮廓数据中的不平滑点将消失；反之，钝化作用越弱。σ1、σ2的选取根据轮廓数据的复杂程度和噪声干扰而不同，可通过多次试验选取合适的值，有效选择σ1可达到不同的平滑效果，合理选择σ2可有效去除轮廓数据中噪点。

2.3　特征点提取

本文根据特征曲线上的特征点来寻找实测激光轮廓数据特征点。因此，能快速、有效去定位一维特征曲线上的特征点是关键所在。如图3(b)所示，观察特征曲线，具有明显的突起，某点处的特征距离与下一点的特征距离从40 mm突变为100 mm，同样存在从90 mm突变到26 mm的点，这种具有较大距离突变的点即可作为特征曲线的特征点。此外，特征曲线上总存在特征距离值最小的一点，该点亦可作为实测轮廓特征点的定位点。根据特征曲线上的特征点，便可得到对应实测轮廓数据的特征点。

综上分析，特征曲线上的特征点可选择定义为

fi=(f-1(min[f(i)]),min[f(i)])

(7)

(8)

式中，常数m的大小要能确保找到特征曲线突变点。根据式(7)、式(8)可得实测轮廓数据特征点

pi=(x((f-1(min[f(i)])),y((f-1(min[f(i)])))

(9)

pk=(x(k),y(k))

(10)

式中k值由式(8)决定。

轮廓特征点提取流程如下：一帧完整轮廓数据→对轮廓数据进行平滑处理→根据轮廓数据计算其特征曲线→根据定义寻找特征曲线上特征点→根据特征曲线上特征点寻找轮廓特征点。

根据特征曲线及特征点的定义，对实测轮廓寻找特征点，如图4所示。

图4　实测轮廓特征点

3　试验验证

为验证本文所提出的钢轨轮廓数据特征点提取方法，采用GJ-2型轨道检测车在实际地铁线路上进行试验。检测梁安装如图5(a)所示，2D激光位移传感器安装如图5(b)所示。

图5　检测梁及2D激光位移传感器安装

检测车在运行过程中，由定位装置检测车辆每走过一定距离(250 mm)后实时发送触发信号到2只2D激光位移传感器中，2D接收触发信号，收集一帧2D轮廓数据，完成一次钢轨轮廓数据的测量。图6分别是一帧实测左轨、右轨内侧轮廓在其自身传感器测量坐标系中的(x，y)坐标值的平滑前后对比图。

图6　一帧实测轮廓数据平滑效果

利用本文所介绍的轮廓数据特征曲线的概念，对图6中轨形数据计算其特征曲线的平滑前后对比，如图7所示。

图7　实测轮廓特征曲线平滑前后对比

图8为一系列实测轮廓特征点提取后轮廓数据在2D测量坐标系下的三维图，其中红色圈出为所提取特征点。

图8　实测轮廓特征点提取

图6(b)中，原始轮廓数据存在干扰噪点，采用本文平滑方法能有效去除噪点对特征曲线的影响，保证了特征曲线上的特征点的准确提取。如图8所示，通过连续采集钢轨轮廓数据进行特征点提取，可以看到红色圈出的一系列特征点并不在一条直线上，这是由于车体振动所带来的影响，但可以发现，使用本文方法能定位每帧轨形数据的特征位置，完全消除车体振动对轮廓数据的影响，能准确提取钢轨轮廓特征点。

利用该方法提取钢轨轮廓特征点，影响其提取精度主要是2D传感器自身的分辨率及数字化误差，使用本文的平滑方法可在一定程度上减少数字化误差的影响。在实际应用中选用高精度的二维激光位移传感器可提供检测精度。

4　结语

钢轨轮廓特征点的快速、准确提取是解决目前基于激光摄像的轨道几何不平顺高速检测的难点之一。本文利用钢轨轮廓特征曲线不仅能快速定位特征点，而且可以通过调整定义特征曲线的尺度R来定义实测轮廓不同位置的特征点，该方法不受车体振动影响，适合工程应用。

(1)本文所提出的基于2D的钢轨轮廓特征点提取方法，能对钢轨轮廓特征点进行动态快速检测。

(2)通过引入权值因子，利用基于中值误差与连续度的自适应调整权值的平滑滤波方法对实测轮廓数据进行平滑处理，有效解决存在分段的轮廓数据达到分段平滑的效果。同时，该方法还能有效去除噪点，消除噪点对特征曲线的影响。

(3)利用钢轨激光轮廓特征曲线的概念，从轮廓特征曲线的特征点去寻找实测激光轮廓特征点，通过试验计算过程得知该方法提取特征点的在线计算实时性强。

文中给出了一种定义轮廓特征曲线的方式，不同的特征曲线定义会寻找到更多的特征点，后续还会对特征曲线的实现方式做进一步研究。

参考文献：

[1]史红梅，张继科.基于激光三角测量原理的轨距检测系统研究[J].仪器仪表学报，2013，34(9):1934-1940.

[2]鞠标，朱洪涛，徐鞠萍，等.基于轨检车振动问题的钢轨轮廓匹配方法研究[J].振动与冲击，2017，36(3):65-69.

[3]Yang Q， Lin J. Track gauge dynamic measurement based on 2D laser displacement sensor[C]∥Mech-anic Automation and Control Engineering (MACE)， 2011 Second International Conference on. IEEE， 2011:5473-5476.

[4]安小雪.基于动态模板的钢轨磨耗测量方法研究[D].上海：上海工程技术大学，2013.

[5]Alippi C， Casagrande E， Scotti F， et al. Composite real-time image processing for railways track profile measurement[J]. IEEE Transactions on instrumentation and measurement， 2000，49(3):559-564.

[6]张文景，许晓鸣.一种基于曲率提取轮廓特征点的方法[J].上海交通大学学报，1999，33(5):592-595.

[7]Menaka R， Chellamuthu C， Karthik R. Efficient feature point detection in CT images using Discrete Curvelet Transform[J]. Journal of Scientific & Industrial Research， 2013，72(5):312-315 .

[8]陈燕新，戚飞虎.一种新的提取轮廓特征点的方法[J].红外与毫米波学报，1998，17(3):171-176.

[9]陈东生，田新宇.中国高速铁路轨道检测技术发展[J].铁道建筑，2008(12):82-86.

[10] Ren S， Gu S， Xu G， et al. A new track inspection car based on a laser camera system[J]. Chinese Optics Letters， 2011，9(3):44-47.

[11] 谢勤岚.图像降噪的自适应高斯平滑滤波器[J].计算机工程与应用，2009，45(16):182-184.

[12] 江亮亮，杨付正，任光亮.用于网格去噪的自适应双边滤波器[J].华南理工大学学报(自然科学版)，2015(11):54-60.

[13] Shen Y， Barner K E. Fuzzy vector median-based surface smoothing[J]. IEEE Transactions on Visualization and Computer Graphics， 2004，10(3):252-265.

[14] 占栋，于龙，肖建，等.钢轨轮廓全断面检测中轨廓动态匹配方法研究[J].铁道学报，2015，37(5):71-77.