本發(fā)明涉及軌道安全檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于軌道視覺(jué)特征譜的軌道入侵物檢測(cè)方法。

背景技術(shù)：

軌道交通里程特別是西部復(fù)雜地貌環(huán)境下鐵路里程不斷增加，亞歐高速鐵路建設(shè)，以及嚴(yán)峻的國(guó)際安全局勢(shì)影響，使能用于無(wú)人機(jī)載入侵物識(shí)別設(shè)備的軌道線路入侵物快速識(shí)別方法和技術(shù)成為迫切需求。

在我國(guó)現(xiàn)有的軌道安全檢測(cè)系統(tǒng)中，主要采用定點(diǎn)安裝監(jiān)控相機(jī)、值班人員實(shí)時(shí)觀察方式來(lái)檢查軌道線路狀況。此種方式需要在軌道線路上點(diǎn)式分布安裝相機(jī)，安裝和維護(hù)成本高，同時(shí)在西部山區(qū)、無(wú)人區(qū)等惡劣復(fù)雜地貌環(huán)境影響下，無(wú)法推廣運(yùn)用；通過(guò)相關(guān)人員的觀察判斷檢測(cè)線路狀態(tài)，容易因?yàn)槠谑韬龅纫蛩卦斐砂踩[患。

國(guó)內(nèi)外研究人員研究的基于固定相機(jī)的軌道入侵物自動(dòng)識(shí)別算法，多數(shù)以圖像像素特征作為模板，與實(shí)時(shí)圖像進(jìn)行匹配檢測(cè)入侵物。此方法容易受周圍環(huán)境影響，模板需要實(shí)時(shí)更新，無(wú)法應(yīng)用到無(wú)人機(jī)載入侵物檢測(cè)系統(tǒng)中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的實(shí)施例提供了一種基于軌道視覺(jué)特征譜的軌道入侵物檢測(cè)方法，以實(shí)現(xiàn)對(duì)軌道入侵物進(jìn)行有效地檢測(cè)。

為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案。

一種基于軌道視覺(jué)特征譜的軌道入侵物檢測(cè)方法，包括：

沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，利用圖像數(shù)據(jù)，針對(duì)旋轉(zhuǎn)、亮度、視角、清晰度、尺度和壓縮比6種圖像拍攝和仿射變化建立軌道特征圖像庫(kù)，基于所述軌道特征圖像庫(kù)構(gòu)建軌道視覺(jué)特征譜；

將所述軌道視覺(jué)特征譜與待檢測(cè)的軌道圖像進(jìn)行特征匹配，根據(jù)匹配結(jié)果判斷所述待檢測(cè)的軌道圖像中是否存在軌道入侵物。

進(jìn)一步地，所述的沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，利用圖像數(shù)據(jù)，針對(duì)旋轉(zhuǎn)、亮度、視角、清晰度、尺度和壓縮比6種圖像拍攝和仿射變化建立軌道特征圖像庫(kù)，基于所述軌道特征圖像庫(kù)構(gòu)建軌道視覺(jué)特征譜，包括：

利用搭載云臺(tái)相機(jī)的無(wú)人機(jī)沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，依據(jù)圖像中的軌道長(zhǎng)度劃定軌道特征模板區(qū)間，并針對(duì)旋轉(zhuǎn)、亮度、視角、清晰度、尺度和壓縮比6種拍攝和仿射變化建立軌道特征圖像庫(kù)，基于所述軌道特征圖像庫(kù)構(gòu)建軌道視覺(jué)特征譜，上述處理過(guò)程包括如下6個(gè)處理步驟：

1)計(jì)算像素梯度

運(yùn)用sobel算子的水平方向模板和垂直方向模板計(jì)算軌道圖像數(shù)據(jù)中每個(gè)像素的水平梯度值和垂直梯度值如式(1)和式(2)所示：

式(2)中f(x,y)為圖像數(shù)據(jù)；

2)計(jì)算方向場(chǎng)

由圖像數(shù)據(jù)中每個(gè)像素點(diǎn)的梯度算子求得水平方向平方梯度和垂直方向平方梯度如式(3)所示：

對(duì)每一個(gè)以像素為中心的圖像滑窗子塊w×w，計(jì)算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示：

計(jì)算該子塊梯度的平均方向為式(5)所示：

3)軌道定位

對(duì)軌道圖像按照上述公式(3)、(4)和(5)提取出方向場(chǎng)，根據(jù)方向場(chǎng)得到該軌道圖像的梯度圖像和梯度值，以所述軌道圖像的梯度值為閾值對(duì)所述軌道圖像進(jìn)行閾值化處理，去除背景影響，運(yùn)用canny邊緣檢測(cè)，得出軌道圖像中的軌道的位置；

4)限界提取

根據(jù)所述軌道圖像中的軌道的位置和鐵路限界定義提取軌道圖像中的軌道限界區(qū)域，該軌道限界區(qū)域包括軌道、路基在內(nèi)的鐵路限界區(qū)域以及鐵路限界區(qū)域向外延伸的緩沖區(qū)域，計(jì)算軌道圖像中每一個(gè)像素與其最近的軌道像素的距離，將其距離小于等于軌道寬度的區(qū)域標(biāo)記為鐵路限界區(qū)域；

5)alp特征提取

提取出每個(gè)軌道限界區(qū)域的alp特征，對(duì)提取出的軌道限界區(qū)域的alp特征進(jìn)行壓縮編碼；

6)軌道視覺(jué)特征譜的構(gòu)建

以每個(gè)軌道限界區(qū)域的地理位置作為區(qū)間索引，將每個(gè)軌道限界區(qū)域的地理位置與每個(gè)軌道限界區(qū)間的alp特征融合，綜合該軌道段所有軌道限界區(qū)間的融合特征，構(gòu)建完成軌道視覺(jué)特征譜。

進(jìn)一步地，所述的提取出每個(gè)軌道限界區(qū)域的alp特征，包括：

①構(gòu)建高斯尺度空間求尺度空間極值點(diǎn)，高斯核是實(shí)現(xiàn)尺度變換的唯一線性卷積核，對(duì)于一個(gè)尺度參數(shù)δ，二維高斯核表示為式(6)所示：

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

為了構(gòu)建圖像金字塔，在每一個(gè)子八度中，使用4個(gè)遞增的尺度參數(shù)δ的高斯核以及離散拉普拉斯核對(duì)原始圖像進(jìn)行濾波，如式(7)所示：

式中，g(x,y,δ)為離散高斯函數(shù)，為離散拉普拉斯算子，符號(hào)*代表卷積；

為了求得金字塔中的極值點(diǎn)，使用如式(8)所示的三階多項(xiàng)式濾波器結(jié)果；

p(x,y,δ)＝α3(x,y)δ³+α2(x,y)δ²+α1(x,y)δ+α0(x,y)(8)

式中，(x,y)為像素坐標(biāo)，δ為圖像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯濾波后的圖像加權(quán)求和計(jì)算得出，p(x,y,δ)為每一個(gè)像素點(diǎn)的響應(yīng)值；

在每個(gè)子八度內(nèi)，計(jì)算每幅圖像每個(gè)像素的響應(yīng)p(x,y,δ)，得到候選極值點(diǎn)(x,y)及對(duì)應(yīng)尺度δ^*，將候選極值點(diǎn)重映射到亞像素精度，消除重復(fù)的極值點(diǎn)，提取出alp特征點(diǎn)，根據(jù)每個(gè)alp特征點(diǎn)的區(qū)域梯度幅值的直方圖對(duì)每個(gè)特征點(diǎn)分配一個(gè)主方向；

②局部特征選擇，依據(jù)alp特征點(diǎn)的尺度δ^*、方向θ、與圖像中心的距離d、峰值d、hessian矩陣平方跡比率ρ、尺度空間函數(shù)的二階導(dǎo)數(shù)pδδ共6個(gè)特征參數(shù)，進(jìn)行如式(9)所示的相關(guān)性計(jì)算，篩選出相關(guān)性大于設(shè)定閾值的特征點(diǎn)，作為最終提取出的alp特征點(diǎn)；

r(δ^*,θ,d,d,ρ,pδδ)＝f1(δ^*)·f2(θ)·f3(d)·f4(d)·f5(ρ)·f6(pδδ)(9)

③局部特征描述，以alp特征點(diǎn)為中心的4×4區(qū)域內(nèi)，計(jì)算每個(gè)區(qū)域的8個(gè)方向的梯度直方圖，將這些梯度直方圖串聯(lián)起來(lái)構(gòu)成一個(gè)128維向量，將每個(gè)alp特征點(diǎn)描述為一個(gè)128維向量。

進(jìn)一步地，所述的對(duì)提取出的軌道限界區(qū)域的alp特征進(jìn)行壓縮編碼，包括：

①局部特征聚合，將每一個(gè)128維向量的局部特征描述歸一化，并通過(guò)主成分分析提取出32維主向量；

②局部特征壓縮，分為局部特征描述壓縮和局部特征位置壓縮，局部特征描述壓縮中，采用低復(fù)雜度轉(zhuǎn)換編碼方案進(jìn)行特征描述壓縮，局部特征位置壓縮中，采用位置直方圖編碼方案，將特征表示成二進(jìn)制比特流；

③全局特征描述，采用可伸縮的壓縮費(fèi)舍爾向量編碼方案，對(duì)圖像特征進(jìn)行一般化的描述。

進(jìn)一步地，所述的將所述軌道視覺(jué)特征譜與待檢測(cè)的軌道圖像進(jìn)行特征匹配，根據(jù)匹配結(jié)果判斷所述待檢測(cè)的軌道圖像中是否存在軌道入侵物，包括：

在對(duì)軌道線路巡檢時(shí)，依據(jù)構(gòu)建軌道視覺(jué)特征譜的過(guò)程中相同拍攝條件實(shí)時(shí)拍攝待檢測(cè)的軌道圖像，在每個(gè)軌道區(qū)間中，提取軌道限界范圍內(nèi)實(shí)時(shí)拍攝的軌道圖像的alp特征，將實(shí)時(shí)拍攝的軌道圖像與該地理位置處的軌道視覺(jué)特征譜進(jìn)行alp特征匹配；

在實(shí)時(shí)拍攝的圖像的alp特征和模板特征庫(kù)中同位置的軌道視覺(jué)特征譜完成特征匹配后，采用閾值法確定實(shí)時(shí)圖中是否存在入侵物，定義比值ratio為式(10)；

式中unmatchnum表示為匹配的特征點(diǎn)數(shù)，matchnum表示匹配成功的特征點(diǎn)數(shù)；

如果ratio大于預(yù)先設(shè)定的閾值，則認(rèn)為存在入侵物；如果ratio小于閾值，則認(rèn)為正常；

當(dāng)檢測(cè)到存在入侵物時(shí)，在未匹配的剩余特征點(diǎn)集中，運(yùn)用k-means聚類算法分類出大多數(shù)特征點(diǎn)聚集的位置，將該大多數(shù)特征點(diǎn)聚集的位置作為入侵物的范圍。

進(jìn)一步地，所述的將實(shí)時(shí)拍攝的軌道圖像與該地理位置處的軌道視覺(jué)特征譜進(jìn)行alp特征匹配，包括：

全局描述匹配，采用基于漢明距離的相似性度量描述實(shí)時(shí)拍攝的軌道圖像與該地理位置處的軌道視覺(jué)特征圖像之間的alp特征匹配度；

局部描述匹配，運(yùn)用最近鄰匹配算法對(duì)實(shí)時(shí)拍攝的軌道圖像與該地理位置處的軌道視覺(jué)特征圖像做alp特征匹配。

由上述本發(fā)明的實(shí)施例提供的技術(shù)方案可以看出，本發(fā)明實(shí)施例提出的軌道視覺(jué)特征譜理論及基于軌道視覺(jué)特征譜理論的入侵物檢測(cè)方法，可以運(yùn)用到基于無(wú)人機(jī)的入侵物檢測(cè)系統(tǒng)中，解決了傳統(tǒng)檢測(cè)系統(tǒng)可靠性差、成本昂貴的問(wèn)題。該方法特征提取和匹配速度快，可以有效地檢測(cè)出軌道中的入侵物，可以運(yùn)用到基于無(wú)人機(jī)的入侵物檢測(cè)系統(tǒng)中。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提出的一種基于軌道視覺(jué)特征譜的軌道入侵物檢測(cè)方法的處理流程圖；

圖2為本發(fā)明實(shí)施例提供的一種軌道特征數(shù)據(jù)庫(kù)樣例示意圖；

圖3為本發(fā)明實(shí)施例提供的一種軌道定位圖；

圖4為本發(fā)明實(shí)施例提供的一種軌道限界區(qū)域圖；

圖5為本發(fā)明實(shí)施例提供的一種alp特征描述子示意圖；

圖6為本發(fā)明實(shí)施例提供的一種軌道異物入侵圖像；

圖7為本發(fā)明實(shí)施例提供的一種入侵物范圍示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式“一”、“一個(gè)”、“所述”和“該”也可包括復(fù)數(shù)形式。應(yīng)該進(jìn)一步理解的是，本發(fā)明的說(shuō)明書中使用的措辭“包括”是指存在所述特征、整數(shù)、步驟、操作、元件和/或組件，但是并不排除存在或添加一個(gè)或多個(gè)其他特征、整數(shù)、步驟、操作、元件、組件和/或它們的組。應(yīng)該理解，當(dāng)我們稱元件被“連接”或“耦接”到另一元件時(shí)，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這里使用的“連接”或“耦接”可以包括無(wú)線連接或耦接。這里使用的措辭“和/或”包括一個(gè)或更多個(gè)相關(guān)聯(lián)的列出項(xiàng)的任一單元和全部組合。

本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語(yǔ)(包括技術(shù)術(shù)語(yǔ)和科學(xué)術(shù)語(yǔ))具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng)該理解的是，諸如通用字典中定義的那些術(shù)語(yǔ)應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的意義一致的意義，并且除非像這里一樣定義，不會(huì)用理想化或過(guò)于正式的含義來(lái)解釋。

為便于對(duì)本發(fā)明實(shí)施例的理解，下面將結(jié)合附圖以幾個(gè)具體實(shí)施例為例做進(jìn)一步的解釋說(shuō)明，且各個(gè)實(shí)施例并不構(gòu)成對(duì)本發(fā)明實(shí)施例的限定。

實(shí)施例一

本發(fā)明針對(duì)現(xiàn)有軌道入侵物檢測(cè)系統(tǒng)只能定點(diǎn)檢測(cè)、受環(huán)境變化影響大、檢測(cè)速度慢的缺點(diǎn)，以及為滿足無(wú)人機(jī)載荷小、檢測(cè)系統(tǒng)實(shí)時(shí)性高的特點(diǎn)，提出了軌道視覺(jué)特征譜理論及其構(gòu)建方法，并基于該理論提出了特征匹配的入侵物檢測(cè)方法。

本發(fā)明實(shí)施例提出的基于軌道視覺(jué)特征譜的軌道入侵物檢測(cè)方法的處理流程如圖1所示，主要包括如下的處理過(guò)程：

(1)構(gòu)建軌道視覺(jué)特征譜，本發(fā)明定義軌道視覺(jué)特征譜為：在軌道同一位置分別提取圖像旋轉(zhuǎn)、亮度、視角、清晰度、尺度、壓縮比等拍攝和仿射變化的圖像特征，并融合地理信息。該步驟主要包括對(duì)軌道圖像的多種仿射變換處理、軌道限界提取、alp(alow-degreepolynomialdetector，低維多項(xiàng)式)描述子提取及視覺(jué)特征譜生成；

(2)入侵物檢測(cè)，這部分主要采用了alp特征匹配、基于歐幾里得距離的噪聲點(diǎn)消除和k-means聚類方法。實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的方法特征提取和匹配速度快，可以滿足基于無(wú)人機(jī)的入侵物檢測(cè)系統(tǒng)要求。

(1)第一部分：構(gòu)建軌道視覺(jué)特征譜。搭載云臺(tái)相機(jī)的無(wú)人機(jī)沿軌道線路以一定高度、角度和速度巡航并拍攝圖像，依據(jù)圖像中的軌道長(zhǎng)度劃定軌道特征模板區(qū)間。根據(jù)圖像數(shù)據(jù)，針對(duì)旋轉(zhuǎn)、亮度、視角、清晰度、尺度和壓縮比6種拍攝和仿射變化建立特征圖像庫(kù)，進(jìn)一步基于軌道特征圖像庫(kù)構(gòu)建軌道視覺(jué)特征譜，上述處理過(guò)程主要分為如下6個(gè)具體步驟：

1)計(jì)算像素梯度

運(yùn)用sobel算子的水平方向模板和垂直方向模板計(jì)算圖像數(shù)據(jù)中每個(gè)像素的水平梯度值和垂直梯度值如式(1)和式(2)所示。

式(2)中f(x,y)為圖像數(shù)據(jù)。

2)計(jì)算方向場(chǎng)

由每個(gè)像素點(diǎn)的梯度算子求得水平方向平方梯度和垂直方向平方梯度如式(3)所示。

對(duì)每一個(gè)以像素為中心的圖像滑窗子塊w×w，計(jì)算平均平方梯度值δx(i,j)和δy(i,j)，如式(4)所示。

計(jì)算該子塊梯度的平均方向為式(5)所示。

本發(fā)明選取的圖像滑窗子塊大小為4×4，得到圖像中每一個(gè)像素f(i,j)的平均方向

3)軌道定位

對(duì)軌道圖像按照上述公式(3)、(4)和(5)提取出方向場(chǎng)，根據(jù)方向場(chǎng)得到該軌道圖像的梯度圖像

以上述軌道圖像的梯度值為閾值對(duì)上述軌道圖像進(jìn)行閾值化處理，去除復(fù)雜背景影響。然而背景中可能還殘留一些與軌道梯度值相同的像素點(diǎn)，采用形態(tài)學(xué)腐蝕的方法去除掉這些干擾點(diǎn)。最后運(yùn)用canny邊緣檢測(cè)，得出軌道圖像中的軌道的位置。

4)限界提取

根據(jù)鐵路限界定義提取軌道圖像中的軌道限界區(qū)域。該軌道限界區(qū)域包括軌道、路基在內(nèi)的鐵路限界區(qū)域以及鐵路限界區(qū)域向外延伸的緩沖區(qū)域。計(jì)算軌道圖像中每一個(gè)像素與其最近的軌道像素的距離,將其距離小于等于軌道寬度的區(qū)域標(biāo)記為鐵路限界區(qū)域。

5)alp特征提取

alp特征描述子相比于經(jīng)典的sift描述子，alp對(duì)特征點(diǎn)的定位更加準(zhǔn)確且運(yùn)算速度更快。正是這一優(yōu)異特性，2014年頒布的iso/iecmpeg-7part13緊湊視覺(jué)描述子cdvs(compactdescriptorforvisualsearch)國(guó)際標(biāo)準(zhǔn)中，把a(bǔ)lp特征描述子定為實(shí)現(xiàn)圖像特征的快速提取、傳輸和匹配的核心算法。

alp特征描述子提取主要步驟為：

①構(gòu)建高斯尺度空間求尺度空間極值點(diǎn)。高斯核是實(shí)現(xiàn)尺度變換的唯一線性卷積核。對(duì)于一個(gè)尺度參數(shù)δ，二維高斯核表示為式(6)所示。

g(x,y,δ)＝1/2πδ²·exp(-(x²+y²)/2δ²)(6)

為了構(gòu)建圖像金字塔，在每一個(gè)子八度(octave)中，alp中使用4個(gè)遞增的尺度參數(shù)δ的高斯核以及離散拉普拉斯核對(duì)原始圖像進(jìn)行濾波，如式(7)所示。

式中，g(x,y,δ)為離散高斯函數(shù)，為離散拉普拉斯算子，符號(hào)*代表卷積。

為了求得金字塔中的極值點(diǎn)，傳統(tǒng)的log濾波方法計(jì)算量大，alp使用如式(8)所示的三階多項(xiàng)式近似log濾波器結(jié)果，加快運(yùn)算速度。

p(x,y,δ)＝α3(x,y)δ³+α2(x,y)δ²+α1(x,y)δ+α0(x,y)(8)

式中，(x,y)為像素坐標(biāo)，δ為圖像尺度，α0(x,y),α1(x,y),α2(x,y),α3(x,y)由高斯濾波后的圖像加權(quán)求和計(jì)算得出，p(x,y,δ)為每一個(gè)像素點(diǎn)的響應(yīng)值。

在每個(gè)子八度內(nèi)，計(jì)算每幅圖像每個(gè)像素的響應(yīng)p(x,y,δ)，并按照一定規(guī)則進(jìn)行篩選，得到候選極值點(diǎn)(x,y)及對(duì)應(yīng)尺度δ^*。進(jìn)一步，將候選極值點(diǎn)重映射到亞像素精度，并消除重復(fù)的極值點(diǎn)，提取出alp特征點(diǎn)。

為了圖像描述的旋轉(zhuǎn)不變性，根據(jù)每個(gè)特征點(diǎn)的區(qū)域梯度幅值的直方圖，對(duì)每個(gè)alp特征點(diǎn)分配一個(gè)主方向。當(dāng)有其他方向統(tǒng)計(jì)量超過(guò)主方向的80％時(shí)，選擇為該alp特征點(diǎn)的第二主方向。

②局部特征選擇。上一步提取出的alp特征點(diǎn)總數(shù)可能遠(yuǎn)大于設(shè)定的圖像描述長(zhǎng)度，需要對(duì)alp特征點(diǎn)進(jìn)行篩選。依據(jù)alp特征點(diǎn)的尺度δ^*、方向θ、與圖像中心的距離d、峰值d、hessian矩陣平方跡比率ρ、尺度空間函數(shù)的二階導(dǎo)數(shù)pδδ共6個(gè)特征參數(shù)，進(jìn)行如式(9)所示的相關(guān)性計(jì)算，篩選出相關(guān)性大的特征點(diǎn)，作為最終提取出的alp特征點(diǎn)。

r(δ^*,θ,d,d,ρ,pδδ)＝f1(δ^*)·f2(θ)·f3(d)·f4(d)·f5(ρ)·f6(pδδ)(9)

③局部特征描述。以alp特征點(diǎn)為中心的4×4區(qū)域內(nèi)，計(jì)算每個(gè)區(qū)域的8個(gè)方向的梯度直方圖，將這些直方圖串聯(lián)起來(lái)構(gòu)成一個(gè)128維向量。這樣，每個(gè)alp特征點(diǎn)被描述為一個(gè)128維向量。

在提取出alp特征點(diǎn)后，需要對(duì)提取出的alp特征點(diǎn)進(jìn)一步壓縮編碼，主要包括3個(gè)步驟：

①局部特征聚合。每一個(gè)128維向量局部特征描述都將被歸一化，并通過(guò)pca(principalcomponentsanalysis，主成分分析)提取出32維主向量。

②局部特征壓縮。分為局部特征描述壓縮和局部特征位置壓縮。局部特征描述壓縮中，采用低復(fù)雜度轉(zhuǎn)換編碼方案進(jìn)行特征描述壓縮。局部特征位置壓縮中，采用位置直方圖編碼方案，將特征表示成二進(jìn)制比特流。

③全局特征描述。采用可伸縮的scfv(scalablecompressedfishervector,壓縮費(fèi)舍爾向量)編碼方案，對(duì)圖像特征進(jìn)行更一般化的描述。

6)軌道視覺(jué)特征譜的構(gòu)建

提取出每個(gè)軌道區(qū)間的alp特征后，以地理位置作為區(qū)間索引，與alp特征融合，綜合該軌道段所有軌道區(qū)間的融合特征，最終構(gòu)建完成軌道視覺(jué)特征譜，該軌道視覺(jué)特征譜中包含地理位置信息和alp特征描述子。

(2)第二部分：入侵物檢測(cè)。在對(duì)軌道線路巡檢時(shí)，搭載云臺(tái)相機(jī)的無(wú)人機(jī)依據(jù)構(gòu)建軌道視覺(jué)特征譜的過(guò)程中相同的高度、角度和速度自主循跡飛行，機(jī)載相機(jī)實(shí)時(shí)拍攝待檢測(cè)的軌道圖像，機(jī)載計(jì)算機(jī)對(duì)待檢測(cè)的軌道圖像實(shí)時(shí)處理。在每個(gè)軌道區(qū)間中，提取軌道限界范圍內(nèi)實(shí)時(shí)拍攝的圖像的alp特征，并與該地理位置處的軌道視覺(jué)特征譜進(jìn)行alp特征匹配。alp特征匹配主要包括全局描述匹配和局部描述匹配，分別如下：

1)全局描述匹配通過(guò)快速計(jì)算2幅圖像全局描述特征的加權(quán)相關(guān)性來(lái)實(shí)現(xiàn)的。本發(fā)明采用基于漢明距離(hammingdistances)的相似性度量描述兩幅圖像的匹配度。相似性定義如(10)所示。

式中為特征二值向量。ha(.,.)表示漢明距離。wha為從數(shù)據(jù)庫(kù)中學(xué)習(xí)得到的系數(shù)。設(shè)置閾值τ，如果sq,r＞τ，則特征匹配，否則特征不匹配。

2)局部描述匹配中運(yùn)用最近鄰匹配算法對(duì)待匹配圖像和參考圖像做特征匹配。在匹配完成后，進(jìn)行幾何一致性檢查，去除錯(cuò)誤的匹配點(diǎn)。

在實(shí)時(shí)拍攝的圖像的alp特征和模板特征庫(kù)中同位置的軌道視覺(jué)特征圖像的alp特征完成匹配后，采用閾值法確定實(shí)時(shí)圖中是否存在入侵物。定義比值ratio為式(11)。

式中unmatchnum表示為匹配的特征點(diǎn)數(shù)，matchnum表示匹配成功的特征點(diǎn)數(shù)。

如果ratio大于預(yù)先設(shè)定的閾值，則認(rèn)為存在入侵物；如果ratio小于閾值，則認(rèn)為正常。

當(dāng)檢測(cè)到存在入侵物時(shí)，在未匹配的特征點(diǎn)集中，包括可疑入侵物的特征點(diǎn)及與入侵物不相關(guān)的周圍環(huán)境存在的噪聲特征點(diǎn)。入侵物上的特征點(diǎn)較密集，而噪聲點(diǎn)較分散，通過(guò)計(jì)算每個(gè)特征點(diǎn)與其余點(diǎn)的歐幾里得距離，利用閾值方法去除干擾特征點(diǎn)。

最后，在剩余的特征點(diǎn)集中，運(yùn)用k-means聚類算法分類出大多數(shù)特征點(diǎn)聚集的位置，即提取出可疑入侵物的大致范圍。

實(shí)施例二

圖2為對(duì)某一軌道區(qū)間段圖像做多種仿射變換后構(gòu)建的軌道特征數(shù)據(jù)庫(kù)樣例示意圖，其中旋轉(zhuǎn)圖像庫(kù)(a)是由在固定位置的相機(jī)通過(guò)自身旋轉(zhuǎn)拍攝獲得的；亮度變化和清晰度變化的圖像庫(kù)(b)(d)是通過(guò)改變相機(jī)的光圈和焦距拍攝圖像獲得的；視角變化和尺度變化圖像庫(kù)(c)(e)是由同一個(gè)地點(diǎn)的不同視角角度及不同拍攝距離拍攝圖像分別獲得的；壓縮比變化圖像庫(kù)(f)是由jpeg2000圖像壓縮標(biāo)準(zhǔn)經(jīng)不同的壓縮率處理后得到的。圖3為對(duì)軌道定位的圖像，其中(a)為無(wú)人機(jī)拍攝的軌道原始圖像，(b)為計(jì)算sobel梯度方向場(chǎng)并閾值處理后得到的梯度圖像，(c)為經(jīng)過(guò)圖像腐蝕、canny邊緣檢測(cè)及圖像區(qū)域填充后得到的軌道位置圖像。圖4為經(jīng)過(guò)限界區(qū)域提取后的軌道圖像，在此圖像基礎(chǔ)上，進(jìn)行alp特征描述子提取。alp特征描述子示意圖如圖5所示，圖中每個(gè)圓的圓心代表特征點(diǎn)，圓的半徑代表特征點(diǎn)的尺度，圖中只顯示了部分alp特征點(diǎn)。依據(jù)多種仿射變換后圖像提取的alp特征描述子，融合地理位置信息，最終構(gòu)建為軌道視覺(jué)特征譜。圖6為無(wú)人機(jī)拍攝的存在入侵物的軌道圖像，經(jīng)限界提取、特征提取、特征匹配和k-means聚類后，檢測(cè)到的入侵物范圍，圖7為入侵物范圍示意圖。由實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明提出的方法可以有效檢測(cè)出軌道入侵物。在測(cè)試實(shí)驗(yàn)環(huán)境intel(r)core(tm)i5-3470cpu、8gb內(nèi)存、visualstudio2013、opencv3.0下，實(shí)驗(yàn)運(yùn)行結(jié)果所用時(shí)間1.2s左右，滿足時(shí)速72km/h的無(wú)人機(jī)巡航檢測(cè)實(shí)時(shí)性要求。

綜上所述，本發(fā)明實(shí)施例提出的軌道視覺(jué)特征譜理論及基于軌道視覺(jué)特征譜理論的入侵物檢測(cè)方法，以軌道圖像的alp特征為檢測(cè)模板，極大減少了存儲(chǔ)量，滿足無(wú)人機(jī)載荷要求；alp特征匹配速度快，滿足無(wú)人機(jī)巡航速度要求，因此可以運(yùn)用到基于無(wú)人機(jī)的入侵物檢測(cè)系統(tǒng)中。同時(shí)，alp特征較穩(wěn)定，受光照、尺度等影響較小，檢測(cè)可靠性較高。只需一架無(wú)人機(jī)即可對(duì)全路段進(jìn)行檢測(cè)，無(wú)需沿線定點(diǎn)安裝監(jiān)控相機(jī)，極大降低了成本，對(duì)于西部山區(qū)、無(wú)人區(qū)等惡劣環(huán)境下的軌道檢測(cè)具有十分重要的意義。

本領(lǐng)域普通技術(shù)人員可以理解：附圖只是一個(gè)實(shí)施例的示意圖，附圖中的模塊或流程并不一定是實(shí)施本發(fā)明所必須的。

通過(guò)以上的實(shí)施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品可以存儲(chǔ)在存儲(chǔ)介質(zhì)中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例或者實(shí)施例的某些部分所述的方法。

本說(shuō)明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于裝置或系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述得比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說(shuō)明即可。以上所描述的裝置及系統(tǒng)實(shí)施例僅僅是示意性的，其中所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上。可以根據(jù)實(shí)際的需要選擇其中的部分或者全部模塊來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動(dòng)的情況下，即可以理解并實(shí)施。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。