一种适用于低质量图像的车钩对中状态视频检测方法

本发明属于轨道交通智能运维领域，涉及一种适用于低质量图像的车钩对中状态视频检测方法。

背景技术：

1、列车的在线解编技术能使列车在正线任意位置完成联挂解编任务，能提高列车编组作业的灵活性和可操作性，节约人力物力和时间成本；该技术能为线路的灵活编组和混合运行赋能、提高城市轨道交通运行效率、提升居民出行体验以及节能减排。在列车的在线解编技术应用理论中，核心需求是随时随地实现列车间车钩状态的检测，判断车钩实时状态，从而根据车钩状态判断列车是否具有连挂与解编的条件。

2、目前，车钩对中的操作主要是通过地面人工辅助的手段进行对中，需要司机下车查看车钩状态，人工辅助的对中方式自动化程度低、效率低、成本高、对场地要求高，不利于满足城市轨道交通灵活编组运行的要求，因此提升车钩对中检测过程中智能化水平成为未来发展趋势。

技术实现思路

1、一种适用于低质量图像的车钩对中状态视频检测方法，包括以下步骤：

2、s1、对双目摄像机所采集的图像进行预处理，对像素大小为x*y的图像i1进行高斯模糊处理得到i1-gus，提取边缘i1-edgp并进行膨胀操作得到边缘集i1-edga，搜索i1-edga得到轮廓集i1-cona，筛选轮廓集i1-cona中最小外接正矩形长宽比在一定范围内的轮廓，得到轮廓集i1-fila，最小外接正矩形中心点写入点集i1-poi，并能与轮廓集i1-fila一一对应；

3、s2、对i1-fila中的轮廓进行聚类，得到若干个簇i1-clu作为聚类结果，将每个簇的质心的位置记入点集i1-ctr；

4、s3、由于摄像机拍摄位置正对车钩，因此图像中车钩所处的位置一定处于图像的中轴线附近。同时认为簇中点数量大于450的簇为有效簇。故筛选簇集质心最接近i1横向中心轴x/2处，且簇中点数量超过450的簇i1-int，设该簇质心为i1-ict；

5、s4、将i1-int中的点所对应的轮廓一一取出并写入轮廓集i1-ic、计算轮廓最小外接正矩形区域框，平均宽高分别表示为i1-w和i1-h，通过i1-ict、i1-w、i1-h确定感兴趣区间i1-roi1；

6、s5、选取第一帧聚类质心坐标i1-int1作为初值，基于欧式距离逐帧检测目标点位置，并根据结果更新可靠位置，迭代100次；

7、s6、使用基于历史可靠结果的预热算法对每帧提取结果进行平滑，所得的点即为特征点a；

8、s7、选取i1中的另一感兴趣区域i1-roib，对该区域图像进行高斯模糊处理、灰度化处理后提取其边缘，对边缘进行膨胀处理得到边缘集i1-edgb，搜索i1-edgb，得到轮廓集i1-conb；筛选轮廓集i1-conb中长宽比在一定范围内的轮廓，得到轮廓集i1-filb，遍历轮廓集i1-filb找到周长最小的轮廓i1-minb，轮廓i1-minb的中心点即为特征点b；

9、s8、将车钩对准状态下的特征点a、b记作基准点a1和b1，连接a1、b1得到车钩对准状态下的基准线l1，基准线在检测全程中固定，将每一帧中的特征点a、b记作的目标点ai和bi，连接得到目标线li，计算l1、li的夹角θ用以评估当前车钩状态，当θ小于一定角度时则判断为车钩处于对中状态，反之不然。

10、进一步地，s1中所述图像的预处理过程，为防止模糊后丢失必要的边缘信息，在保证canny识别结果较为准确的前提下，取较小的卷积核，卷积核大小为1*1；提取边缘后，根据图像特点，将膨胀处理的结构元素大小设置为10*10的卷积核，进行如下运算：

11、

12、其中b表示结构元素，z是图像中的像素位置，表示膨胀操作，表示结构元素b关于点z的反射并平移。如果(b)在(z)处与(i1-gus)的交集不为空，即(i1-gus)中至少有一个元素在(b)的覆盖下是高亮的(值为1)，那么在膨胀后的图像中，点(z)也会被设置为高亮。

13、进一步地，选择3个数据点作为初始簇中心，使用k-means聚类方法进行迭代，目标是最小化簇内距离的总和，即每个点到其簇中心的距离之和；

14、其数学公式可以表示为：

15、

16、(j)是代价函数，(i1-clu)表示簇的分配，(i1-ctr)表示簇中心，(k)是簇的数量，是第(i)个簇中的点集，是第(i)个簇的中心，(x)是簇中的点。

17、进一步地，s3中所述对感兴趣簇i1-int的确定，根据相机与车钩安装的几何位置关系，筛选点集i1-ctr中距离i1横向中心轴x/2处较近的点所在的簇；同时为保证该点的分布稳定性和在视频中的普适性，要求500帧内通过簇的点数量超过450。

18、进一步地，s4中所述对感兴趣区间i1-roi1的确定，将i1-int所在的轮廓逐帧取出写入轮廓集i1-ic、计算矩形轮廓的平均宽高分别为i1-w和i1-h，感兴趣区间为两边平行于水平线的矩形，其一对对角点a,b的坐标分别为：

19、

20、

21、xict、yict为s4中簇i1-int的质心i1-ict的横、纵坐标。

22、进一步地，s5中所述对可靠位置的更新，选取第一帧聚类质心坐标i1-int1作为初值，再逐帧计算感兴趣区间中目标点与可靠位置的欧式距离，筛选出距离可靠位置较近的点，将这些点与可靠位置加权平均，得到更新后的可靠位置，迭代100次此过程，完成预热操作，得到初始可靠位置。

23、进一步地，s6中所述对特征点a的确定，根据s5中迭代更新得到的可靠位置，计算每一帧感兴趣区间中识别的点与可靠位置的欧式距离，取欧式距离小于等于20像素点中距离最小的点作为该帧的识别结果，即特征点a。

24、进一步地，s8中所述车钩对中状态下的特征点a和特征点b相连接得到车钩对准状态下的基准线l1，以表示l1的方向，每一帧的特征点ai和特征点点bi连接得到目标线l2，以表示l2的方向，利用如下公式：

25、θ＝arctan 2(det,dot)；

26、用于评估当前的车钩状态，当|θ|<1°时反馈status:good，表示车钩已处于对中状态；当|θ|>1°时反馈status:bad,表示角度过大，车钩未对中。

27、受到车钩污渍、锈迹，拍摄光线、环境等条件的限制，影响特征点的精准识别，本发明采用数据处理中的k-means聚类和数据平滑技术，以及基于历史结果的可靠性判断与结果修正，实现了一种基于视频识别技术的高可靠性列车车钩对中实时检测方法。本发明应用范围广泛，能显著提高列车灵活编组自动化水平，推动列车在线联挂解编的发展及应用。

技术特征：

1.一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s2中所述图像的预处理过程，为防止模糊后丢失必要的边缘信息，在保证canny识别结果较为准确的前提下，取较小的卷积核，卷积核大小为1*1；提取边缘后，根据图像特点，将膨胀处理的结构元素大小设置为10*10的卷积核，进行如下运算：

3.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s3中所述轮廓的聚类过程，选择3个数据点作为初始簇中心，使用k-means聚类方法进行迭代，目标是最小化簇内距离的总和，即每个点到其簇中心的距离之和。

4.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s4中所述对感兴趣簇i1-int的确定，根据相机与车钩安装的几何位置关系，筛选点集i1-ctr中距离i1横向中心轴x/2处较近的点所在的簇；同时为保证该点的分布稳定性和在视频中的普适性，要求该位置轮廓出现率为90％，即该簇中点的数量≥预热视频帧数×0.9。

5.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s5中所述对感兴趣区间i1-roi1的确定，将i1-int所在的轮廓逐帧取出写入轮廓集i1-ic、计算矩形轮廓的平均宽高分别为i1-w和i1-h，感兴趣区间为两边平行于水平线的矩形，其一对对角点a,b的坐标分别为：

6.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s5中所述对可靠位置的更新，选取第一帧聚类质心坐标i1-int1作为初值，再逐帧计算感兴趣区间中目标点与hist的欧式距离，筛选出距离可靠位置较近的点，将这些点与hist加权平均，得到更新后的hist，直到该帧坐标结果与上一次可靠位置的坐标像素距离小于1.5，完成预热操作，得到初始可靠位置。

7.根据权利要求1所述的一种适用于低质量图像的车钩对中状态视频检测方法，其特征在于，s6中所述对特征点a的确定，根据s5中迭代更新得到的可靠位置，计算每一帧感兴趣区间中识别的点与可靠位置的欧式距离，取欧式距离小于等于20像素点中距离最小的点作为该帧的识别结果，即特征点a。

技术总结
本发明涉及一种适用于低质量图像的车钩对中状态视频检测方法，包括以下步骤：采集车钩视频并预处理；利用K‑means聚类方法锁定感兴趣区间，根据聚类结果在目标区间内设置初设位置并进行迭代预热，得到可靠位置；基于预热结果，在目标区域内实时检测目标点位置并与可靠位置比较，得到特征点1；使用最小矩形区域检测算法实时检测特征点2；根据点1、点2的初始可靠位置，连接视频中车钩的基准线；在每一帧检测中，检测点1、点2的实时位置，两点连线作为目标线。计算基准线与目标线之间的夹角；判断车钩对中状态并反馈。

技术研发人员：宁子凡,陈诗骐,乌丽番·吐尔斯别克,李紫妍,沈拓
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/12/5