馬彥昭，胡浩基，王曰海

　　（浙江大學 信息與電子工程學院，浙江 杭州 310027）

       摘要：提出一種基于SIFT特征的鐵道檢測圖片的匹配方法。由人工標定鐵路上的目標位置圖片，通過匹配算法計算匹配圖片與目標位置圖片可匹配SIFT特征點的數量，利用DTW最優路徑規劃得到全局最優的匹配結果,從匹配結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。實驗證明，該算法在效率和準確度上均有較好的表現。

　　關鍵詞：匹配；鐵道；SIFT特征；DTW

0引言

　　隨著中國鐵路技術的發展，對鐵道的安全性也提出了更高的要求。為此，相關部門在列車上安裝了高幀率的攝像頭，并對獲得的圖片進行人工檢測，以發現鐵道及其周邊環境（如兩側的線桿）是否發生異常變化。然而，由于路程遠、幀率高，每輛列車僅僅在兩個站點之間獲取的圖片數量就達到了幾萬甚至幾十萬。對于人工檢測，無疑需要極高的勞動強度。而事實卻是，由于圖片之間較高的相似性和連續性，對于每根線桿都會有多張可供檢測的冗余的圖片，所以在這上萬張圖片中真正需要用來檢測的只有幾千張甚至幾百張。

　　針對鐵路檢測圖片的冗余問題，本文提出了一種降低圖片冗余度的方法，在準確度和效率上都有較好的表現。

1流程

　　此方法包括了數據選擇、尺度不變特征轉換（ScaleInvariant Feature Transform，SIFT）特征檢測與匹配、動態時間歸整（Dynamic Time Warping，DTW）、最佳匹配圖片輸出四個部分。每一部分具體操作過程將在后文中詳細介紹。

2數據選擇

　　2.1選擇目標位置圖片

　　選擇天氣良好時兩站點之間拍攝的一組圖片。按照電線桿標號的順序，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作為目標位置圖片（用黑實線標記出）。最終選擇的圖片數量為M1，圖片集設為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(設為Match，數量為M2)，并保證Match與Aim具有相同的起點和終點。

3SIFT特征檢測與匹配

　　3.1輸入待匹配圖片

　　SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性［1-2］，關于SIFT特征的具體提取與匹配方法，在參考文獻［3］中已有詳細的說明，此處不再作為重點陳述的對象。

3.2SIFT特征檢測與匹配

　　分別檢測Aim與Match中第i，j張圖片的SIFT特征，記為進行SIFT特征匹配。將匹配的特征點數量記為Ni,j，構成矩陣N。

4DTW動態規劃

　　4.1DTW算法

　　該算法基于動態規劃（DP）的思想［4-5］，原本是語音識別中的一種算法，用于孤立詞識別。此處將其最優路徑作為不同圖片匹配結果。

　　4.2DTW最優路徑規劃

　　搜索從N1,1點出發，點(i,j)可達到的前一個格點只可能是(i-1,j),(i-1,j-1)和(i,j-1)。那么(i,j)選擇這三個距離中的最大者所對應的點作為其前續格點，設Di,j為(i,j)到(1,1)的累計距離。則：

　　這樣從(1,1)點出發(令Di,j=0)搜索，反復遞推，直到DM1,M2就可以得到最優路徑Road。Roadi,j=1表示路線經過(i,j)點。Roadi,j=0,表示路線未經過。

　　對于矩陣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張圖片的匹配結果。曲線經過的地方表示Roadi,j=1。

　　由圖可以得到，對于每一張目標匹配圖片，有多張匹配圖片與之對應。例如，以上選出的‘1220’線桿，在目標圖片中是第38張圖片。在匹配圖片中標號為771~779這9張圖片是與之匹配的結果。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對應于多張圖片Matchj。則對于每一個i，找到使Ni,j最大時的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，則將編號為776的圖片，即圖3圖片f作為最后的匹配結果輸出。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。

　　對于每一張圖片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，便實現了將原有的數量為M2的圖片壓縮為數量為M1的圖片集合的目的。

6實驗結果

　　在MATLAB R2014a 環境下，對不同路段圖片，在天氣不同的條件下進行匹配。同時進行人工驗證，檢驗得到的匹配結果是否可以用于實際的檢測中。實驗結果如表1所示。

　　實驗結果證明：該匹配方法取得了較好的效果，輸出的匹配圖片可以滿足人工檢測的需求。

7結束語

　　本文提出了一種基于SIFT特征的鐵道檢測圖片的匹配方法，具有準確、高效率和極大降低人工勞動強度的優點。同時此方法對環境、拍攝角度、拍攝器材和天氣的依賴較小，具有較好的魯棒性，可適用于多種場合。

　　SIFT特征提取與匹配需要較大的計算量，是日后繼續深入研究的重點。即考慮根據實際應用環境，通過一定的約束條件，降低計算量，以提高計算的速度，使此方法具備更強的實際應用能力。

　　參考文獻

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

　　［2］ 官云蘭，張紅軍，劉向美. 點特征提取算法探討［J］.東華理工學院學報,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.

　　［4］ 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．

　　［5］ 趙力.語音信號處理［M］.北京：清華大學出版社，2004.

　　［6］ 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.