本发明涉及属于图像处理和模式识别领域，具体涉及一种铁路货车车门开启的自动检测识别方法。是基于图像横向相似度及K‑Means聚类的图片检测识别算法，其特征在于，其包括如下步骤：步骤A、获取图片；步骤B、提取图像纹理；步骤C、基于改进的K‑Means分类方法对车门坐标进行聚类。本申请基于图像横向相似度原理的边缘纹理检测以及基于目标聚类算法的车门坐标定位，实现对基于线阵CCD图片的铁路货车车门状态进行自动检测识别。该方法具有很高的检测精度和较低的误识率，同时较快的检测速度也满足实际工程需要，极大的减少了漏检情况，减轻工作人员负担，减少安全隐患。
1.一种铁路货车车门开启的自动检测识别方法，是基于图像横向相似度及K-Means聚类的图片检测识别算法，其特征在于，其包括如下步骤：步骤A、获取图片；
利用线阵CCD相机，在铁路现场获得每辆车实时的安全网图片；
选用高斯滤波器对图像进行平滑卷积，并提高横向相似度；
给定一个d0∈[dmin，∞)，及x0∈R，对于所有的xi∈[x0，x0+d0]均有 其中R为图像区域，dmin为规定的纹理最短长度，T1为x方向的差分阈值，T2为y方向的差分阈值，则图像区域中的区域S(xi，yi)，xi∈[x0，x0+d0]为图像的纹理区域；利用提取出的纹理区域将图像二值化；
将二值化后的图像区域进行一次x方向的闭运算，修复因图像质量问题造成的纹理断裂；
对于修补后纹理区域S(xi，yi)，xi∈[x0，x0+d1]，若满足d1∈[lmin，lmax]，其中lmin、lmax为经验阈值，表示车门部分纹理的长度范围，则认为S(xi，yi)处于车门区域；
步骤C、基于改进的K-Means分类方法对车门坐标进行聚类；
对于提取完毕的车门区域纹理S(xi，yi)，xi∈[x0，x0+d1]，其中x0代表了车门的左侧边缘坐标，x0+d1代表了车门的右侧边缘坐标；利用所有的车门左侧边缘坐标建立一个样本空间；
货车车门共两扇，因此每个样本空间中的聚类数量为两个，首先取样本空间中的最大值和最小值作为聚类中心，在聚类过程中对K-Means方法的改进如下：①判定聚类收敛的依据为类间方差 Si为此聚类的样本空间，ci为聚类中心，D0为经验阈值；且Si中样本数量大于给定值N0；
③若前后两次迭代求得的类间方差和的差值小于给定值ε0，但仍达不到①中的收敛标准，将与聚类中心ci距离最大的样本剔除并进行重新聚类，若存在与聚类中心距离相等的多个样本，则剔除最外侧样本；
以步骤C中的b中样本聚类的方法分别对步骤C中的a中的两个样本空间进行聚类后，得到两扇车门的左、右侧坐标信息，通过计算左门右侧坐标和右门左侧坐标的差值，并与经验阈值比较，判定车门状态。
2.根据权利要求1所述的铁路货车车门开启的自动检测识别方法，其特征在于，步骤A中利用线阵CCD相机，在铁路现场获得每辆车实时分辨率不小于7000*2048个像素，每个像素点精度为2mm的安全网图片。
3.根据权利要求1所述的铁路货车车门开启的自动检测识别方法，其特征在于，步骤B中对图像进行滤波时，高斯滤波窗的形状选用横向条形。
一种铁路货车车门开启的自动检测识别方法
技术领域
[0001] 本发明涉及属于图像处理和模式识别领域，具体涉及一种铁路货车车门开启的自动检测识别方法。
背景技术
[0002] 货车车门保持关闭是保证铁路运行安全和货物安全的重要措施。运行的列车是高速动态状态的，如果车门未正常关闭则会产生货物蹿出的现象，还会由于气流涌入导致货物滚动、倾覆或者坠落、倒塌。用货车运输货物时，保持车门关闭是重要的安全防护手段。在列车高速运行中则容易出现货车车门开启的安全隐患。现阶段对于火车车速快及人的视觉疲劳因素，导致很容易出现漏检。鉴于目前在车站内人工检查困难的现实，需要在调车作业编/发(牵出)线咽喉安装接发列车安全预警系统。因此，如何自动的对货车车门状态进行快速检测识别，是目前铁路货运智能化系统的一个关键问题和前提条件。
发明内容
[0003] 为了解决铁路货车车门状态的检测识别问题，本发明提供一种铁路货车车门开启的自动检测识别方法，该方法可以对铁路货车车门位置进行识别，进而判断货车车门是否开启。
[0004] 本发明解决其技术问题所采用的技术方案是：一种铁路货车车门开启的自动检测识别方法，是基于图像横向相似度及K-Means聚类的图片检测识别算法，其包括如下步骤：
[0005] 步骤1、获取图片；
[0006] 利用线阵CCD相机，在铁路现场获得每辆车实时的安全网图片；
[0007] 步骤2、提取图像纹理；
[0008] (1)对图像进行滤波；
[0009] 选用较大标准差的高斯滤波器对图像进行平滑卷积，消除噪声影响，并提高横向相似度；高斯滤波窗的形状选用横向条形；
[0010] (2)基于图像横向相似度提取图像纹理；
[0011] 对于图像中的点f(x1，y1)若满足：
[0012] 给定一个d0∈[dmin，∞)，及x0∈R，对于所有的x1∈[x0x0+d0]均有 其中R为图像区域，dmin为规定的纹理最短长度，T1为x方向的差分阈值，T2为y方向的差分阈值，则图像区域中的区域S(x1，y1)，x1∈[x0，x0+d0]为图像的纹理区域；利用提取出的纹理区域将图像二值化；
[0013] (3)纹理修补；
[0014] 将二值化后的图像区域进行一次x方向的闭运算，修复因图像质量问题造成的纹理断裂；
[0015] (4)车门纹理提取；
[0016] 对于修补后纹理区域S(x1，y1)，x1∈[x0，x0+d1]，若满足d1∈[lmin，lmax]，其中lmin、lmax为经验阈值，表示车门部分纹理的长度范围，则认为S(x1，y1)处于车门区域；
[0017] 步骤3、基于改进的K-Means分类方法对车门坐标进行聚类；
[0018] 关于传统K-Means算法参照论文MR214227 62.40MacQueen,J.Some methods for classification and analysis of multivariate observations.
[0019] (1)建立样本空间；
[0020] 对于提取完毕的车门区域纹理S(xi，yi)，xi∈[x0，x0+d1]，其中x0代表了车门的左侧边缘坐标，x0+d1代表了车门的右侧边缘坐标；利用所有的车门左侧边缘坐标建立一个样本空间；右侧坐标建立另一个样本空间；
[0021] (2)样本聚类；
[0022] 货车车门共两扇，因此每个样本空间中的聚类数量为两个，首先取样本空间中的最大值和最小值作为聚类中心，在聚类过程中对K-Means方法的改进如下：
[0023] ①因车门处提取出的纹理通常较多，且坐标具有区域密集性，因此判定聚类收敛的依据为类间方差 Si为此聚类的样本空间，ci为聚类中心，D0为经验阈值；且Si中样本数量大于给定值N0；
[0024] ②根据车门处纹理坐标区域密集性的特点，为排除一些离散噪声的干扰，限定聚类空间的半径ri≤r0，r0为经验阈值；
[0025] ③若前后两次迭代求得的类间方差和的差值小于给定值ε0，但仍达不到①中的收敛标准，则此样本空间中存在噪声，将与聚类中心ci距离最大的样本剔除并进行重新聚类，若存在与聚类中心距离相等的多个样本，则剔除最外侧样本；
[0026] (3)车门位置识别；
[0027] 以(2)中样本聚类的方法分别对(1)中的两个样本空间进行聚类后，得到两扇车门的左、右侧坐标信息，通过计算左门右侧坐标和右门左侧坐标的差值，并与经验阈值比较，判定车门状态。
[0028] 本发明基于线阵CCD成像技术得到的实时列车高清图片。由于铁路货车车门上有很明显的条状纹理，所以本发明首先利用图像横向相似度提取出车门纹理，然后通过已有经验值筛选纹理，得到属于车门的有效纹理，再通过改进的K-Means算法对纹理首尾坐标进行聚类，从而得到车门的位置，最后由两扇车门的相对位置关系即可判断出车门的状态。
[0029] 本发明的思想在于：图像横向相似度计算的阈值选择与图片的整体灰度无关，可在很大程度上规避自然光照的影响，而且此方法针对图像局部操作，对一张图片的不同亮度部分都可以完整清晰的提取出线型纹理，能为后期聚类提供可靠的样本集合；并根据问题的实际情况对传统的K-Means算法进行改进，使其抗噪性更强，聚类更准确。
[0030] 本发明的有益效果是，一种铁路货车车门开启的自动检测识别方法，基于图像横向相似度原理的边缘纹理检测以及基于目标聚类算法的车门坐标定位，实现对基于线阵CCD图片的铁路货车车门状态进行自动检测识别。该方法具有很高的检测精度和较低的误识率，同时较快的检测速度也满足实际工程需要，极大的减少了漏检情况，减轻工作人员负担，减少安全隐患。
附图说明
[0031] 图1是本申请的方法流程图。
具体实施方式
[0032] 参照附图，一种铁路货车车门开启的自动检测识别方法，是基于图像横向相似度及K-Means聚类的图片检测识别算法，其包括如下步骤：
[0033] 步骤1、获取图片；
[0034] 利用线阵CCD相机，在铁路现场获得每辆车实时分辨率不小于7000*2048个像素，每个像素点精度为2mm的安全网图片；
[0035] 步骤2、基于基于图像横向相似度提取纹理；
[0036] (1)对图像进行滤波预处理；
[0037] 使用高斯滤波器对图像进行预处理，窗口大小为[9,1]，σ为3；
[0038] (2)基于图像横向相似度提取图像纹理；
[0039] 计算具有横向连续性的像素点P(xi，yi)需满足:
[0040] 且这样的点在x方向必须连续出现35个或35个以上，将符合条件的像素置为255，否则置为0；
[0041] (3)纹理修补；
[0042] 将(2)后的结果图像区域进行一次x方向的闭运算，窗口大小为[15,1]，修复因图像质量问题造成的纹理断裂；
[0043] (4)车门纹理提取；
[0044] 检测结果图像中的所有8连通区域，并记录每个连通区域的x最小坐标xmin，x最大坐标xmax；检测每个连通区域的xmax-xmin，若此值在lmin～lmax之间，则认为此连通区域属于车门部分，并将xmin和xmax分别写入两个样本空间；lmin和lmax为车门纹理长度范围的经验阈值，需根据不同的车型设置不同的值；
[0045] 步骤3、基于改进的K-Means分类方法对车门坐标进行聚类；
[0046] 以所有xmin所在的即车门左侧边缘的样本空间举例，右侧同理；
[0047] (1)建立样本空间；
[0048] 对于提取完毕的车门区域纹理S(xi，yi)，xi∈[x0，x0+d1]，其中x0代表了车门的左侧边缘坐标，x0+d1代表了车门的右侧边缘坐标；利用所有的车门左侧边缘坐标建立一个样本空间；右侧坐标建立另一个样本空间；
[0049] (2)样本聚类；
[0050] 货车车门共两扇，因此每个样本空间中的聚类数量为两个，首先选取样本空间中最小值kmin及最大值kmax作为初始聚类中心，在聚类过程中对K-Means方法的改进如下：。
[0051] ①因车门处提取出的纹理通常较多，且坐标具有区域密集性，因此则检测样本空间中聚类中心半径30像素范围以内的样本；并分别添加进入各自对应的聚类；
[0052] ②根据车门处纹理坐标区域密集性的特点，为排除一些离散噪声的干扰，以聚类中所有样本的坐标平局值作为新的聚类中心，并计算类间方差D0；
[0053] ③重复步骤②，直至两个类间方差均满足Di-Di-1<0.5。此时若Di≤300且聚类空间中样本数量不小于4个，则聚类收敛，两个聚类中心值分别为两扇车门的左侧坐标值；
[0054] (3)车门位置识别；
[0055] 以(2)中样本聚类的方法分别对(1)中的两个样本空间进行聚类后，得到两扇车门的左、右侧坐标信息，通过计算左门右侧坐标和右门左侧坐标的差值，并与经验阈值比较，判定车门状态。
[0056] 本发明基于线阵CCD成像技术得到的实时列车高清图片。由于铁路货车车门上有很明显的条状纹理，所以本发明首先利用图像横向相似度提取出车门纹理，然后通过已有经验值筛选纹理，得到属于车门的有效纹理，再通过改进的K-Means算法对纹理首尾坐标进行聚类，从而得到车门的位置，最后由两扇车门的相对位置关系即可判断出车门的状态。
[0057] 本方法中一共选取了3047幅铁路货车车门关闭图片及189幅铁路货车车门开启图片进行了实验，最后选用正确识别率和每幅图片的平均检测识别时间对本发明的有效性进行评估。其中：正确识别率定义为正确识别的图片个数与总的车门开启图片数目之比；误识率定义为错误识别的图片个数与总的车门关闭图片数目之比；结果如表1所示。正确识别率、误识率和每幅图片的平均检测识别时间三个评价指标均表明了本发明方法的有效性。
[0058] 表1
[0059]正确识别率 95.24％
误识率 0.197％
平均识别时间(s) 0.15
