馬彥昭,，胡浩基，王曰海

　?。ㄕ憬髮W(xué) 信息與電子工程學(xué)院,，浙江 杭州 310027）

       摘要：提出一種基于SIFT特征的鐵道檢測(cè)圖片的匹配方法,。由人工標(biāo)定鐵路上的目標(biāo)位置圖片，通過(guò)匹配算法計(jì)算匹配圖片與目標(biāo)位置圖片可匹配SIFT特征點(diǎn)的數(shù)量,，利用DTW最優(yōu)路徑規(guī)劃得到全局最優(yōu)的匹配結(jié)果,從匹配結(jié)果中得到一張匹配度最高的圖片并將其輸出用于道路檢測(cè),。實(shí)驗(yàn)證明，該算法在效率和準(zhǔn)確度上均有較好的表現(xiàn),。

　　關(guān)鍵詞：匹配；鐵道,；SIFT特征,；DTW

0引言

　　隨著中國(guó)鐵路技術(shù)的發(fā)展，對(duì)鐵道的安全性也提出了更高的要求,。為此,，相關(guān)部門(mén)在列車(chē)上安裝了高幀率的攝像頭，并對(duì)獲得的圖片進(jìn)行人工檢測(cè),，以發(fā)現(xiàn)鐵道及其周邊環(huán)境（如兩側(cè)的線桿）是否發(fā)生異常變化,。然而，由于路程遠(yuǎn),、幀率高,，每輛列車(chē)僅僅在兩個(gè)站點(diǎn)之間獲取的圖片數(shù)量就達(dá)到了幾萬(wàn)甚至幾十萬(wàn)。對(duì)于人工檢測(cè),，無(wú)疑需要極高的勞動(dòng)強(qiáng)度,。而事實(shí)卻是，由于圖片之間較高的相似性和連續(xù)性,，對(duì)于每根線桿都會(huì)有多張可供檢測(cè)的冗余的圖片,，所以在這上萬(wàn)張圖片中真正需要用來(lái)檢測(cè)的只有幾千張甚至幾百?gòu)垺?/p>

　　針對(duì)鐵路檢測(cè)圖片的冗余問(wèn)題，本文提出了一種降低圖片冗余度的方法,，在準(zhǔn)確度和效率上都有較好的表現(xiàn),。

1流程

　　此方法包括了數(shù)據(jù)選擇、尺度不變特征轉(zhuǎn)換（ScaleInvariant Feature Transform,，SIFT）特征檢測(cè)與匹配,、動(dòng)態(tài)時(shí)間歸整（Dynamic Time Warping，DTW）,、最佳匹配圖片輸出四個(gè)部分,。每一部分具體操作過(guò)程將在后文中詳細(xì)介紹。

2數(shù)據(jù)選擇

　　2.1選擇目標(biāo)位置圖片

　　選擇天氣良好時(shí)兩站點(diǎn)之間拍攝的一組圖片,。按照電線桿標(biāo)號(hào)的順序,，依次從圖片中人工選擇出一張可清晰看到該線桿的圖片。如圖1所示,，拍攝到線桿‘1220’共有6張圖片,，從中選擇圖片d作為目標(biāo)位置圖片（用黑實(shí)線標(biāo)記出）,。最終選擇的圖片數(shù)量為M1，圖片集設(shè)為Aim,。

　　2.2輸入待匹配圖片

　　在每次的匹配中,，使用新得到的具有冗余度的一組圖片(設(shè)為Match，數(shù)量為M2),，并保證Match與Aim具有相同的起點(diǎn)和終點(diǎn),。

3SIFT特征檢測(cè)與匹配

　　3.1輸入待匹配圖片

　　SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn),、尺度縮放,、亮度變化保持不變性，對(duì)視角變化,、仿射變換,、噪聲也保持一定程度的穩(wěn)定性［1-2］，關(guān)于SIFT特征的具體提取與匹配方法,，在參考文獻(xiàn)［3］中已有詳細(xì)的說(shuō)明,，此處不再作為重點(diǎn)陳述的對(duì)象。

3.2SIFT特征檢測(cè)與匹配

　　分別檢測(cè)Aim與Match中第i,，j張圖片的SIFT特征,，記為進(jìn)行SIFT特征匹配。將匹配的特征點(diǎn)數(shù)量記為Ni,j,，構(gòu)成矩陣N,。

4DTW動(dòng)態(tài)規(guī)劃

　　4.1DTW算法

　　該算法基于動(dòng)態(tài)規(guī)劃（DP）的思想［4-5］，原本是語(yǔ)音識(shí)別中的一種算法,，用于孤立詞識(shí)別,。此處將其最優(yōu)路徑作為不同圖片匹配結(jié)果。

　　4.2DTW最優(yōu)路徑規(guī)劃

　　搜索從N1,1點(diǎn)出發(fā),，點(diǎn)(i,j)可達(dá)到的前一個(gè)格點(diǎn)只可能是(i-1,j),(i-1,j-1)和(i,j-1),。那么(i,j)選擇這三個(gè)距離中的最大者所對(duì)應(yīng)的點(diǎn)作為其前續(xù)格點(diǎn)，設(shè)Di,j為(i,j)到(1,1)的累計(jì)距離,。則：

　　這樣從(1,1)點(diǎn)出發(fā)(令Di,j=0)搜索,，反復(fù)遞推，直到DM1,M2就可以得到最優(yōu)路徑Road,。Roadi,j=1表示路線經(jīng)過(guò)(i,j)點(diǎn),。Roadi,j=0,表示路線未經(jīng)過(guò)。

　　對(duì)于矩陣Road,，若Roadi,j=1,則Matchj與Aimi匹配,。

　　圖2是杭州至德清局部路段拍攝到的963張圖片匹配到選定的50張圖片的匹配結(jié)果。曲線經(jīng)過(guò)的地方表示Roadi,j=1,。

　　由圖可以得到,，對(duì)于每一張目標(biāo)匹配圖片,，有多張匹配圖片與之對(duì)應(yīng)。例如,，以上選出的‘1220’線桿,，在目標(biāo)圖片中是第38張圖片。在匹配圖片中標(biāo)號(hào)為771~779這9張圖片是與之匹配的結(jié)果,。如圖3所示的a~i的9張圖片,。

5最佳匹配圖片輸出

　　已知一張圖片Aimi對(duì)應(yīng)于多張圖片Matchj。則對(duì)于每一個(gè)i,，找到使Ni,j最大時(shí)的j=jmax,。將Matchjmax作為最佳的匹配圖片輸出。如上述找到的‘1220’所匹配的9張圖片中,，N38,776是N38,771至N38,779中最大的值，則將編號(hào)為776的圖片,，即圖3圖片f作為最后的匹配結(jié)果輸出,。如圖4所示。

　　可以看出,，在天氣條件不同,、拍攝角度和拍攝圖片大小不同的情況下，此方法依然能夠找到一張最合適的圖片用于檢測(cè),。

　　對(duì)于每一張圖片Aimi,均可以找到一張最佳匹配的圖片Matchjmax,將找到的圖片作為匹配集合,，共有圖片M1張。此時(shí),，便實(shí)現(xiàn)了將原有的數(shù)量為M2的圖片壓縮為數(shù)量為M1的圖片集合的目的,。

6實(shí)驗(yàn)結(jié)果

　　在MATLAB R2014a 環(huán)境下，對(duì)不同路段圖片,，在天氣不同的條件下進(jìn)行匹配,。同時(shí)進(jìn)行人工驗(yàn)證，檢驗(yàn)得到的匹配結(jié)果是否可以用于實(shí)際的檢測(cè)中,。實(shí)驗(yàn)結(jié)果如表1所示,。

　　實(shí)驗(yàn)結(jié)果證明：該匹配方法取得了較好的效果，輸出的匹配圖片可以滿(mǎn)足人工檢測(cè)的需求,。

7結(jié)束語(yǔ)

　　本文提出了一種基于SIFT特征的鐵道檢測(cè)圖片的匹配方法,，具有準(zhǔn)確、高效率和極大降低人工勞動(dòng)強(qiáng)度的優(yōu)點(diǎn),。同時(shí)此方法對(duì)環(huán)境,、拍攝角度、拍攝器材和天氣的依賴(lài)較小,，具有較好的魯棒性,，可適用于多種場(chǎng)合,。

　　SIFT特征提取與匹配需要較大的計(jì)算量，是日后繼續(xù)深入研究的重點(diǎn),。即考慮根據(jù)實(shí)際應(yīng)用環(huán)境,，通過(guò)一定的約束條件，降低計(jì)算量,，以提高計(jì)算的速度,，使此方法具備更強(qiáng)的實(shí)際應(yīng)用能力。

　　參考文獻(xiàn)

　?。?］ BROWN M, LOWE D G. Invariant features from interest point groups［C］. InBritish Machine Vision Conference,Cardiff, Wales, 2002：656-665.

　?。?］ 官云蘭，張紅軍,，劉向美. 點(diǎn)特征提取算法探討［J］.東華理工學(xué)院學(xué)報(bào),2007,，30（1）：42-46.

　　［3］ DAVID G L. Distinctive image features from scaleinvariant keypoints［J］.International Journal of Computer Vision, 2004,，60（2）：91-110.

　?。?］ KIM C，SEO K D. Robust DTWbased recognition algorithm for hand—held consumer devices［J］.IEEE Transactions on Consumer Electronics,，2005,51(2):699-709．

　?。?］ 趙力.語(yǔ)音信號(hào)處理［M］.北京：清華大學(xué)出版社，2004.

　?。?］ LeCUN Y A, BOTTOU L, ORR G B, et al. Efficient backprop［C］. Neural Networks: Tricks of the Trade. Springer, 1998,， 7:9-48.

　　［7］ LIU C, YUEN J, TORRALBA A.Sift flow: Dense correspondence across scenes and its applications［J］. Pattern Analysisand Machine Intelligence, IEEE Transactions on,2011,，33(5):978-994.