[发明专利]动态行车环境下钢轨轮廓激光条纹中心提取方法及装置

说明书

本发明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。

技术领域

本发明涉及数据处理技术领域，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。

背景技术

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。

发明内容

本发明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。

本发明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。