熊麒，张孟轩，黄楠兴，曹金，谢勇君

（1.暨南大学 轨道交通研究院，广东 珠海 519000；2.暨南大学 国际能源学院，广东 珠海 519000）

0 引 言

随着城市交通拥堵、环境污染、能源短缺等问题日益突出，许多城市选择修建地铁、轻轨等轨道交通来缓解城市交通压力，同时减少尾气的排放量。但是由于地铁项目普遍投资高、审批相对困难，而现代有轨电车凭借高速度、高舒适性、安全可靠低造假、低污染、短工期等优点，重新焕发生机，在中小型城市中被广泛投入使用。

由于现代有轨电车槽型轨采用埋入式设计，槽型轨内很容易积聚如树叶、石子、污泥等各类垃圾，容易腐蚀轨道及车辆元件，严重时更会影响到现代有轨电车的行车安全，因此，槽型轨的清洁工作是保障现代有轨电车安全运营的重要环节，为了保障有轨电车的运行安全，本团队在珠海市协同创新项目的支持下研发的现代有轨电车槽型轨道自动清洁车，车体搭载一套自动清洁系统，用于槽型轨上垃圾的自动清洁，可实现全天候有效清除有轨电车第三轨上的导电物、树叶、沙子、灰尘等，同时可清除轨面及轨道槽内渣土、砂石、油泥等沉积物，推进了轨道清洁车向全自动化的发展程度，并间接推动了现代有轨电车的发展。

由于现代电车槽型轨道具有槽型轨道岔，我们发现清洁车经过道岔时，清洁工具容易受到撞击，从而使清洁工具受到损坏。与钢轨结合的道岔设备是线路的关键设备，供列车转入或越过另一股轨道，在轨道网络连接中起着关键作用。清洁工具遭受撞击具体体现为：车辆尾部装载的高压射流与轨道清洁集成装置，其真空吸嘴在运行时须部分伸入轨道槽中，尽可能离垃圾离些，才能发挥效用，车上操作人员在遭遇道岔之前需手动通过控制面板提起清洁集成装置。因此，对轨道道岔进行迅速识别的算法研究，对实现更自动化、更高效的轨道清洁显得十分重要。

图像识别技术是现在研究领域中的热点技术，通过图像识别能够解决以往难以解决的问题。为了实现对轨道道岔的识别，本文提出一种利用道岔特征要素进行识别的轨道清洁车保护系统，并将其搭载于本项目组前期研制的现代有轨电车轨道清洁车上，从而保证轨道清洁车工作过程的有效性和安全性。

1 轨道自动清洁车及轨道道岔识别系统构成

本团队在珠海市协同创新项目的支持下研发的现代有轨电车槽型轨道自动清洁车结构图如图1所示；本文设计的轨道道岔识别系统的整体构成示意图如图2所示，主要包括图像采集模块和上位机模块。图像采集模块为安装在清洁车车头定点位置的高速摄像头，高速摄像头采用WP-UC500工业相机，采集速度快，500万像素下可达每秒37.5帧，符合动态测量的要求。上位机模块为安装于清洁车驾驶室内的上位机，上位机中安装有轨道道岔检测的软件，可以对高速摄像头采集到的轨道图像进行一系列预处理，图像提取，得到轨道轮廓的二值图，并根据道岔特征条件对轨道轮廓进行判断，推断前方是否存在道岔。当检测出前方存在道岔时，工控机将自动向PLC发出控制指令，利用液压系统控制向上抬起高压水枪等清洁工具，避免与道岔碰撞摩擦，造成清洁工具的损坏。若抬起清洁工具的操作失败，PLC会向工控机模块发送警报信息，提醒操作人员注意。

图1 现代有轨电车槽型轨道自动清洁车基本结构及部件图

图2 道岔识别系统的整体构成

2 道岔自动检测算法原理

图3为道岔自动检测算法原理图，主要包括图像采集、图像预处理、特征提取以及特征处理四个过程。

2.1 图像预处理

由于轨道环境复杂，噪声过多，噪声源复杂，本环节主要利用高斯噪声模拟真实环境的噪声进行降噪处理，便于分析设计算法、量化评估算法效果，主要方法为：

2.1.1 灰度处理

从双轨高速摄像头采取到的轨道图像是RGB组成的三通道图像。由于三通道图像中存在的色彩信息等冗余信息对本算法无关，同时会导致图像的细节复杂、噪点更多、锐度更高，影响检测的正确度与系统工作效率，因此，首先对输入的图像进行灰度处理，降为单通道图像，以此降低计算的复杂度，提高计算速度。

本文采用加权平均法对图像进行灰度化处理，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均，得到合理的灰度图像，简化后续降噪处理的计算难度，如式（1）所示：

其中，、、分别表示图像中红、绿、蓝通道的像素值大小。

图3 道岔自动检测总体算法流程图

2.1.2 设置ROI区域

为了减少计算量，提高运算速度，本文在图像上设置ROI区域，只关注轨道区域，并进行裁剪，提取ROI区域图像并存放于一张新的图像，减小图像处理的范围。结合从轨道清洁车上搭载的定点摄像头采集到的图像，由于轨道清洁车沿轨道行驶，路线和视角较为固定，轨道所占图像中的位置绝大部分为图像中间梯形区域位置，因此，设置固定的ROI区域，使后续图像处理的区域只覆盖轨道及轨道前方画面，去除两旁画面的影响。一方面可以减小图像分析的计算量，使计算完成的速度更快，另一方面可以有效去除非重点区域的噪声处理过程，使噪声处理更加具有针对性，从而得到更为显著的效果。

2.1.3 逆透视（IPM）

由于现实中存在透视原理，即现实中的平行线在拍摄画面中会呈现相交的状态，这对本文轨道提取将造成影响。因此本文通过对上一步骤中提取到的ROI图像进行逆透视变换，消除这种图像畸变对后续分析处理的影响。本文运用OpenCV函数库中的获取透视变换矩阵函数GetPerspectiveTransform以及透视变换函数warpPerspective实现逆透视变换，获取轨道线的正射影像，便于后续轨道线的提取。

2.1.4 双边滤波

传统的高斯滤波，会对物体边缘造成一定量的模糊，即对高频细节保护不足，在对轨道图像处理时，考虑到轨道呈线形，边缘模糊对轨道形状产生的影响较大，所以需要保留轨道边缘信息，因此不能使用传统的滤波方式，而是采用能够较好保留边缘信息的双边滤波。

双边滤波是一种边缘保护滤波的方法，结合图像的空间邻近度和像素值相似度，考虑像素点的空域特性和值域特性，在高斯滤波的基础上添加了高斯方差，依据像素值对滤波的区域进行区分，利用邻域像素值的加权值组合输出像素的值，加权系数取决于定义域核和值域核的乘积，即为下式双边滤波权重函数，如式（2）所示：

其中，(,)，(,)分别指两个像素点的坐标。

双边滤波在有效去除高斯噪声的同时，保证与边缘点相离较远的点不会对边缘附近的点产生影响，较好地保存了轨道图像的边缘信息。

本文运用bilateralFilter函数实现双边滤波得到降噪后的图像。将经过ROI裁剪出的源图像src输出为目标图像dst，设置参数，像素邻域的直径＝为非正数，正比于sigmaSpace，从sigmaSpace中计算出它的值。为保证去噪效果最佳且图像清晰平滑不模糊，调整颜色空间和坐标空间的sigma参数，使得影响像素的颜色范围和区域大小更加合适，选取参数为：sigmaColor＝100，sigmaSpace＝15。

2.2 特征提取

实现对降噪后的图像中的轨道轮廓的提取。其主要方法为：

采用阈值法对图像进行二值化，大于所设置的阈值就将图像上的像素点的灰度值设置为255，小于阈值就将图像上的像素点的灰度值设置为0。通过二值图像，能更好地分析物体的形状和轮廓，用来强化轨道的边缘轮廓信息。对于降噪模糊处理后的轨道单通道图像，通过设置阈值，将单通道图像转变为二值图，从而实现去除模糊点集，增强目标点集的作用。

采用形态学基本梯度，即膨胀减腐蚀，将膨胀后的图和腐蚀图相减，得到轨道的轮廓特征。同时通过开运算，即先腐蚀后膨胀，平滑物体的轮廓，断开较窄的狭颈并消除细的突出物，以消除黑色背景中的白点杂质，去除在图像中存在的孤立小物体，同时有效地平滑图像中较大物体的边缘，消除杂散噪声的影响，使图像形状更准确光滑。

2.3 特征处理

根据经过二值化和特征提取得到的轨道轮廓的二值图，判断轨道的交叉情况，如图4所示。

通过观察归纳可知，当轨道不存在道岔或转弯时，轨道应当保持平行状态。以最常见的单开道岔为例，当图像选定的ROI区域有道岔出现时，出现的最突出的特征就是轨道数量的增加，可以通过对二值图像中轨道距离信息进行特征检测，当轨道之间距离出现变化时，则有可能是轨道数量增加导致的，经过进一步判断，排除转弯轨道造成的轨道距离变化的情形，确定轨道数量增加，即可实现道岔的识别。具体操作为：

图4 轨道特征图

2.3.1 等距抽样

在提取出的轨道边缘信息二值图中从下往上等间距抽取行像素，得到每一行中存在轨道像素点的坐标值。

2.3.2 坐标差分

对抽取出来的每行轨道像素点的横坐标进行差分，得到彼此之间的以像素为单位的距离信息。

2.3.3 轨道轮廓信息剔除

形态学处理过程可能会导致轨道轮廓的存在，因此在进行同一行像素点横向坐标差分时，除了会得到不同轨道间距离信息，还会有同一条轨道线上像素距离的干扰信息；考虑到轨道轮廓的像素距离远小于轨道间的像素距离，本文采用设置阈值的方式，对每一行差分后数值过小的轨道轮廓距离值进行剔除，从而得到该行轨道间距的信息集。

2.3.4 运用道岔特征规律进行判断

（1）选定基准值：轨道清洁车在运行过程中获取的轨道轮廓提取的二值图像，假设清洁车一开始运行在平行直轨上，取ROI区域左轨距离左边界的距离平均值为基准值，右轨距离右边界的距离平均值为基准值，取为△为左轨距左边界最大距离减最小距离的绝对值，为△为右轨距右边界最大距离减最小距离的绝对值，设置相应阈值[－△,＋△]，[－△，+△]作为判断的依据。

（2）依据判别条件进行轨道场景的判断。当轨道清洁车在轨道上正常工作时，高速摄像头在车头定点位置正对着车辆前方将要经过的轨道进行拍摄，从高速摄像头中采集图像中的轨道场景可分为以下三种情景：

1）直轨情形。直轨情形下如图4（a）所示，选定的ROI区域内只有两条轨道，左右轨道与相邻最近的ROI左右边界像素间距几乎不变，保持在阈值[－△,＋△]，[－△,＋△]之内。

2）转弯轨道情形。转弯轨道情形下如图4（b）所示，选定的ROI区域内只有两条轨道，以左转轨道为例，此时由于轨道从直轨转变为左转弯轨，左边轨道与ROI区域左边界像素间距减小，右边轨道与ROI区域边界像素间距增加，两者均脱离阈值[－△,＋△Sa]，[－△,＋△]。

3）道岔情形。在运行过程中，高速摄像头采集的道岔情形，从清洁车前方路径来看，可分为主道进入分叉口型（含单开道岔、双开道岔、三开道岔），分叉口汇入主道型两种。

主道进入分叉口型道岔的识别：单开道岔：以左拐道岔为例，如图4（c）所示，此时由于轨道从直轨转变为左拐道岔，ROI区域内的道岔处应出现四条轨道，从左到右依次命名为轨1、2、3、4，由左转道岔示意图可知，轨4为原本直行轨道的右轨，其与ROI区域右边界像素间距应与直行轨道时一致，保持在阈值[－△,＋△]内，而轨1为分支轨道的左轨，与ROI区域左边界像素间距应脱离阈值并呈递减趋势，此时可判断前方存在左拐单开道岔。右拐单开道岔判断方法同理。

双开道岔与三开道岔：双开道岔也称Y型道岔，如图4（e）所示；三开道岔也称为Ψ型道岔，如图4（f）所示。与单开道岔不同，Y型道岔相衔接的两股道向两侧分岔，Ψ型道岔同时衔接三股道，最外侧的两条轨道也向两侧分叉，此时轨1与ROI区域左边界，轨4（三开道岔为轨6）与ROI区域右边界的像素间距都脱离阈值并呈递减趋势，通过以上特征可判断前方存在Y型道岔。

分叉口汇入主道型道岔的识别：与主道进入分叉口型道岔不同的是，汇入型道岔轨道交叉点不是平行的。以清洁车碰到第一个轨道交叉点前的轨道命名，从左到右依次命名为轨1、2、3，以左转汇入道岔为例，如图4（h）所示，离清洁车最近的是轨2和轨3相交点，位于ROI区域的右侧，在轨1和轨2相交点前，即碰到第二个轨道交叉点之前，轨1与ROI区域左边界像素间距依然保持在阈值[－△,＋△]内，而轨3与ROI区域右边界像素间距从零开始呈递增趋势，在第一个轨道相交点处回到阈值。通过以上特征可以判断前方为分叉口汇入主道型道岔。单开道岔、双开道岔、三开道岔的分叉口汇入主道型道岔都满足以上判断条件。

3 仿真结果分析

本文基于Python3.8以及OpenCV4.5.5.64图像库的环境下，以单开道岔为例，对样本进行处理分析如图5所示，所得样本处理流程图以及轨道轮廓提取的像素散点图如图6所示。

对样本道岔图像进行检测时，对轨道中提取的若干行像素点间距信息进行拟合，所得结果如图7所示。

图5 道岔识别过程处理效果图

图6 单开轨道轮廓像素散点图

图7 间距信息拟合图

本例样本中，对单开左拐道岔提取轮廓的间距信息进行提取，取80行以前的像素间距可以看出，获得的最左边轨道与ROI左边界之间轨道距离呈递减趋势，最右边轨道与ROI右边界之间轨道距离保持在阈值之内，符合单开左拐道岔特征，故判断ROI区域内存在道岔，符合本文中对道岔是否存在的设计思路。

4 结 论

本文克服了在轨道清洁车正常工作情况下，清洁工具遇到道岔路口由于不能及时躲避，会对轨道清洁集成装置，其真空吸嘴等运行时须部分伸入轨道槽中的清洁工具造成损坏的问题。提出了一种现代有轨电车槽型轨轨道道岔自动检测系统，通过对图像进行灰度处理，设置ROI区域，逆透视，双边滤波完成图像的预处理，通过图像阈值处理，形态学梯度，开运算对降噪后图像进行轨道轮廓提取，最后利用道岔存在特征条件对轨道轮廓二值图进行识别，实现了对采集图像中有无道岔的识别判断。仿真实验结果证明，算法可以对单开道岔及双开道岔等清洁车运行中出现的道岔类型进行有效的识别。在识别出采集图像中出现道岔后，道岔自动检测系统将自动向PLC发出控制指令，利用液压系统控制向上抬起清洁工具以避免与道岔碰撞摩擦，保证清洁车工作的安全性和有效性。该系统对轨道自动清洁车的保护和行驶的安全具有指导意义及理论基础。