本发明公开一种基于低秩矩阵分解的铁轨异物检测方法，属于计算机视觉技术领域。实施过程包括：1)对无人机航拍铁路图像进行直线检测并对直线组进行筛选，找到铁轨边缘直线，确定需要检测处理的区域；2)对铁轨区域提取像素向量并进行聚类处理，可划分为枕木和石子两个子集；3)对两个子集构成的矩阵进行低秩矩阵分解，并与求得的带有背景信息的低秩矩阵作差得到前景矩阵；4)对前景矩阵进行滤波和阈值分割即可确定异物在铁轨中的位置。本发明通过一种基于低秩矩阵分解的算法对铁轨异物进行检测，利用空基监视实时传回的画面快速确认异物，可用于铁路安全监测等领域。
1.一种基于低秩矩阵分解的铁轨异物检测方法，其特征在于：包括如下步骤，步骤一、接收无人机搭载相机拍摄的航拍图像并输入计算机中，对图像进行预处理，然后通过直线检测算法对全局进行直线检测，得到直线组；根据铁轨长度以及铁轨和枕木之间的直线夹角的相关性对所求的直线组进行筛选，计算出铁轨边缘直线，并根据直线间距离的约束条件求出铁轨区域作为感兴趣区域进行处理，划分铁轨区域；
步骤二、依次取铁轨区域进行处理，针对每一个铁轨边缘的左侧直线，沿枕木方向向铁轨区域提取像素向量，对像素向量组进行聚类，分离成两个子集并构成对应分类矩阵；
步骤三、对分类矩阵在各自类型下进行低秩矩阵分解，求出低秩矩阵；对分类矩阵和低秩矩阵作差求得矩阵E，即前景目标异物信息；
步骤四、对矩阵E进行预处理，预处理包括滤波运算和阈值分割，对阈值分割后的结果定位并返回原图像中，以此确定异物在原图像中所在位置，完成铁轨异物检测。
2.根据权利要求1所述的一种基于低秩矩阵分解的铁轨异物检测方法，其特征在于：步骤二具体为，依次对N个铁轨区域进行处理，记每个铁轨区域最大宽度分别为lN，取铁轨边缘左侧直线的每一个像素点，沿枕木方向向铁轨区域提取长度为lN的像素向量并组成向量组{v，v2，…,vk}，k为像素向量的个数；对向量组{v，v2，…,vk}聚类为2个子集，分别表示为{m1，m2，…，mp}和{n1，n2，…，nq}，p和q分别表示两个子集中的像素向量的个数，并且有p+q＝k；将每一个子集中的像素向量分别构成对应矩阵Dz和Ds的行向量，其中：Dz＝[m1，m2，…，mp] (1)Ds＝[n1，n2，…，nq] (2)。
3.根据权利要求2所述的一种基于低秩矩阵分解的铁轨异物检测方法，其特征在于：所述的聚类采用Kmeans聚类方法。
4.根据权利要求1所述的一种基于低秩矩阵分解的铁轨异物检测方法，其特征在于：步骤三中所述的对低秩矩阵分解采用加速近端梯度算法、迭代阈值算法、对偶算法、增广拉格朗日乘子法或交替方向方法。
5.根据权利要求1所述的一种基于低秩矩阵分解的铁轨异物检测方法，其特征在于：步骤四具体过程如下：对矩阵E中的元素进行遍历，以3×3网格中最小像素值对中心像素值赋值完成最小值滤波，实现对高频噪声点的去噪效果；
然后对矩阵E进行阈值分割，threshold为自适应法阈值分割所求得的阈值，第i行第j列的像素值为EijEij＝255，if Eij>threshold
其中像素值为255元素即表征检测到的异物；通过对矩阵E中像素值为255的行数查找，计算得出异物信息在Dz和Ds中的位置并返回原图像中，达到异物检测和定位的效果；
每一个子集中的像素向量分别构成对应矩阵Dz和Ds的行向量。
一种基于低秩矩阵分解的铁轨异物检测方法
技术领域
[0001] 本发明属于计算机视觉技术领域，涉及数字图像处理技术和目标检测技术，具体是指一种基于低秩矩阵分解的铁轨异物检测方法。
背景技术
[0002] 铁轨异物检测是指为保证列车行驶安全，需要对铁轨区域进行异物排查的措施。按照我国列车安全行驶的有关规定，在铁路线路安全保护区及其邻近区域，不得有危害列车正常行驶的异物在国家规定的铁路限界内，以免因为司机在较近距离内才能看到异物后进行刹车处理，但刹车不及时、刹车距离过长与异物相撞造成的财产损失和安全事故。
[0003] 当巡检员进入无列车行驶的铁轨进行检修时，由于工作性质很可能将所携带的安全帽、工作扳手等其他物品遗留在铁轨之间，或者列车乘客将垃圾等异物扔出窗外，造成列车安全隐患。
[0004] 近年来，随着国家无人机行业的不断发展，无人机搭载机载镜头经常被用来执行特殊区域异常监视、辅助灾情巡查等任务。在轨道交通领域中，铁路沿线较长，人力检测铁轨遗留异物耗时长、难度大，因此，通过无人机航拍图像实时进行铁轨异物检测，对列车能否安全顺利行驶有着非常重要的辅助作用。
发明内容
[0005] 本发明提供一种基于低秩矩阵分解的铁轨异物检测方法，在不需要任何样本进行学习获得模型进行检测的情况下，利用铁轨间枕木和石子周期重复特性采用聚类和低秩矩阵分解求解低秩矩阵的方法，进行异物检测。由于铁轨区域枕木和石子区域各自的RGB值具有重复周期性，因此可以采用自然聚类的方法将两类区域分离为两个子集。而异常目标被分类在两个子集中，并与所在子集其他成分不相似。通过低秩矩阵分解可以将图像分解为一个包含大部分相似冗余信息的低秩矩阵，利用作差法就可以使包含异常目标信息的前景目标从原本子集中被剥离开来，所以可以采用此方法在各自类型下进行低秩矩阵分解，求得异物信息。
[0006] 具体的，本发明提供的一种基于低秩矩阵分解的铁轨异物检测方法，包括如下步骤：
[0007] 步骤一、接收无人机搭载相机拍摄的航拍图像并输入计算机中，对图像进行预处理，然后通过直线检测算法对全局进行直线检测，得到直线组；根据铁轨长度以及铁轨和枕木之间的直线夹角的相关性对所求的直线组进行筛选，计算出铁轨边缘直线，划分铁轨区域。
[0008] 步骤二、依次取铁轨区域进行处理，针对每一个铁轨边缘的左侧边缘，沿枕木方向向铁轨区域提取像素向量，利用潜在石子和枕木区域的重复性对像素向量组进行聚类，分离成枕木子集和石子子集并构成对应分类矩阵。
[0009] 步骤三、对分类矩阵在各自类型下进行低秩矩阵分解，求出低秩矩阵。对分类矩阵和低秩矩阵作差求得前景目标异物信息。
[0010] 步骤四、对前景目标异物信息进行基础图像算法处理，包括滤波运算和阈值分割。对阈值分割后的结果定位并返回原图像中，以此确定异物在原图像中所在位置，完成铁轨异物检测。
[0011] 本发明的有益效果在于：
[0012] 目前有关于铁轨异物检测的方法都是基于深度学习进行异物检测，但基于深度学习的方法需要对大量样本进行学习和训练以此获得模型进行检测，一旦面对未知异物、异物跳变较大、实际异物与样本异物不符合等情况，就会出现漏检和错检，显示出基于深度学习检测的不稳定性。因此，本发明提出一种基于低秩矩阵分解的铁轨异物检测算法，在不需要任何样本学习的前提下，利用基础图像处理算法实现对铁轨所有异物的检测，该方法具有较好的鲁棒性。
附图说明
[0013] 图1：一种基于低秩矩阵分解的铁轨异物检测方法流程图；
[0014] 图2：一种基于低秩矩阵分解的铁轨异物检测方法实施例的航拍铁轨原图；
[0015] 图3：一种基于低秩矩阵分解的铁轨异物检测方法实施例的直线检测铁轨区域划分结果图；
[0016] 图4：一种基于低秩矩阵分解的铁轨异物检测方法实施例的铁轨异物检测结果图。
具体实施方式
[0017] 下面结合附图和具体实施方式详细介绍本发明具体过程。
[0018] 本发明提供一种基于低秩矩阵分解的铁轨异物检测方法，具体实现流程如图1所示，具体包括如下步骤：
[0019] 步骤一.接收无人机搭载相机拍摄的航拍图像并输入计算机中。对接收到的图像首先进行预处理，包括滤波运算等用以减少噪声的影响，然后运用直线检测算法对图像全局进行直线检测，得到直线组，所述直线组包含直线方程、线段长度、起始点、结束点等信息。该直线检测处理与空间分辨率相关，空间分辨率越大所求得直线越多越准确，但计算量增大。
[0020] 根据铁轨在图像中的走向以及铁轨直线和枕木直线夹角的关联性对所求得的直线组进行筛选，计算出铁轨边缘直线，并根据直线间距离的约束条件求出铁轨区域作为感兴趣区域进行处理。假设得到的铁轨区域有N个，则感兴趣区域也是N个。
[0021] 步骤二.依次对N个铁轨区域进行处理，记每个铁轨区域最大宽度分别为lN，取铁轨边缘左侧直线的每一个像素点，沿枕木方向向铁轨区域提取长度为lN的像素向量并组成向量组{v，v2，…，vk}，k为像素向量的个数。对向量组{v，v2，…，vk}聚类为2个子集，本实验采用Kmeans聚类方法进行聚类，分别表示为{m1，m2，…，mp}和{n1，n2，…，nq}，p和q分别表示两个子集中的像素向量的个数，并且有p+q＝k。将每一个子集中的像素向量分别构成对应矩阵Dz和Ds的行向量，其中：
[0022] Dz＝[m1，m2，…，mp] (1)
[0023] Ds＝[n1，n2，…，nq] (2)
[0024] 步骤三.对所求得的矩阵Dz和Ds进行低秩矩阵分解，可以采用鲁棒主成分分析(简称：RPCA)的方法得到无高频信息干扰、背景一致的低秩矩阵A_z和A_s。本算法选择基于加速近端梯度算法(简称：APG)进行求解，具体过程如下：
[0025] A)将约束条件凸松弛到目标函数中，得到增广拉格朗日函数；
[0026] B)利用二次模型进行逼近；
[0027] C)求导并化简，固定另一未知矩阵，求解低秩矩阵A。
[0028] 对低秩矩阵分解亦可以采用迭代阈值算法，对偶算法，增广拉格朗日乘子法交替方向方法等。由于在步骤一和二中对感兴趣区域的提取和像素所属子集的划分，使得在进行低秩矩阵分解时大大减少运算量，缩短运算时间。
[0029] 对矩阵D和低秩矩阵A作差：
[0030] E＝D-A (3)
[0031] 其中，D＝[Dz，Ds]，A＝[A_z，A_s]
[0032] 得到感兴趣区域中去掉背景信息且含有异常前景目标信息的矩阵E。
[0033] 步骤四.对矩阵E进行预处理，包括最小值滤波运算和阈值分割，检测到异物并定位，具体过程如下：
[0034] 对矩阵E中的元素进行遍历，以3×3网格中最小像素值对中心像素值赋值完成最小值滤波，实现对高频噪声点的去噪效果。
[0035] 然后对矩阵E进行阈值分割，threshold为自适应法阈值分割所求得的阈值，第i行第i列的像素值为Eij
[0036] Eij＝255，ifEij＞threshold
[0037] Eij＝0，ifEij≤threshold
[0038] 其中像素值为255元素即可表征检测到的异物。通过对矩阵E中像素值为255的行数查找，可以计算得出异物信息在D_z和D_s中的位置并返回原图像中，达到异物检测和定位的效果。
[0039] 本发明可用于航拍铁轨图像对异物的检测和定位，对于列车安全行驶和减少人力消耗有着重要意义。
[0040] 实施例
[0041] 本实施例选取基于空基平台所拍摄得到具有代表性的铁轨异物图像为例，如图2所示。对源图像进行直线检测，所得结果如图3所示，并对计算得到的直线进行筛选提取感兴趣的铁轨区域。
[0042] 对感兴趣区域提取像素向量并进行聚类处理，划分为枕木和石子两个子集并对两个子集构成的矩阵进行低秩矩阵分解得到低秩矩阵D，对原矩阵和低秩矩阵作差得到前景矩阵E并对前景矩阵进行滤波和阈值分割确定异物位置并在源图像中标出，实验结果如图4所示。
[0043] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
