基于多目标多模板匹配的列车车辆自动化监测系统

沙特国王大学学报基于多目标多模板匹配自适应算法的N. Sasikalaa，P.V.V.基肖尔湾a电子和通信工程系，K.L. University，Indiab图像语音和信号处理研究组，电子和通信工程系，K.L.地址：印度阿提奇莱因福奥文章历史记录：2017年6月8日收到2017年8月17日修订2017年10月3日接受2017年10月4日在线发布保留字：机车车辆自动化多模板匹配高速视频A B S T R A C T通过识别转向架部件实现列车车辆监测系统的自动化是识别以>30 km/h移动的列车底盘中的缺陷的过程。利用基于颜色和纹理的计算机视觉模型和可变形曲线分割模型识别运动列车的部件是一个具有挑战性和计算密集型的问题。提出了一种多目标多模板模型来解决这个问题，在一个计算密集的过程。通过模板提取模型，根据构架中心转向架部件的统计参数，建立了包含40个构架26个对象的多对象多模板库。50个模板设计从250帧的第一个转向架运动通过摄像机平面。利用26 × 40的模板矩阵在每个框架上计算的最大归一化互相关系数在单次计算中识别框架中的转向架部件。以240 fps高速记录列车转向架建立了用于实验的数据集，该实验具有2辆列车，20节车厢，每辆列车捕获15，000帧。正确识别率为91%，错误识别率为15%。©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍印度的铁路运送的乘客比世界上任何其他国家都多。2014年，印度铁路每公里运送约1，158，742万名乘客，占世界铁路客运量的38%。据估计，世界铁路网运送了3，049，392百万乘客（Bougay，2014年）。最的铁路网络采用了信号、机车、客车设计、事故避免系统、轨道维护和高速列车方面的最新技术（Yan等人，2017; Kuffa等人，2016; Wang等人，2016; Qin等人，2015; Naghiyev等人，2017年）。然而，维护系统发挥着最重要和最关键的作用，它实时监控运行中的列车，以避免事故。在印度次大陆，这是由一个庞大的团队*通讯作者。电 子 邮 件 地 址 ： kalapraveen. gmail.com （ N.Sasikala ） ， kluniversity.in（P.V.V.Kishore）。沙特国王大学负责同行审查铁 路 车 辆 检 查 （ RSE ） 分 支 下 的 工 程 师 （ Chandra ， 2008;Munningen，2009）。机车车辆检查涉及人类视觉和听觉传感器对运动列车中的异常的识别。Banerji（2005）讨论了机车车辆工程师面临的挑战和常见问题。Weston等人提出了沿轨道和列车上带有传感器的新模型，以自动化滚动检查过程。（2006年）。当列车驶入和驶出车站时，火车站两侧的三名训练有素的人员以>30Kmph的速度监测行驶中的列车。这六名人员被部署在每个主要火车站，为每一列经过该站的火车 图 1表示车辆检查过程中的人员。列车进站后，滚动检查人员在列车两侧就位，对以下部件进行检查i) 任何悬挂部分ii) 车辆零件的iii) 任何车辆iv) 任何损坏或松动的组件v) 热电冰箱的呼啸声https://doi.org/10.1016/j.jksuci.2017.10.0011319-1578/©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comN. Sasikala，P.V.V.Kishore/ Journal of King Saud University609Fig. 1.正在进行列车滚动检查。列车被监控悬挂部件，松动配件，微调断裂，没有断裂部件和轴箱温度被宣布安全继续其旅程。此程序在列车到达和离开时在车站两端在印度铁路公司，在列车驶入期间执行的RSE被称为滚入，而在发车期间执行的RSE被称为滚出。目前，RSE系统受到人为监控，并受到许多因素的影响，如环境、自然和人类自身。大多数火车事故的发生是由于两个主要原因：轨道故障和列车转向架故障。列车转向架是列车上层车厢的底架.图2显示了印度铁路上两种最常用的转向架（http：//www.tag.com/indianrails/tag.html）。indianrailways.gov.in/railwayboard/uploads/codesmanual/EngCode/chapter-xiv.htm）。RSE中的自动化是一个复杂的，在经济上不可行的，许多传感器沿着轨道放置或放置在每个转向架部件中如Weston et al.（2006）所提出的。 我们介绍了一种利用计算机视觉和图像处理对RSE进行经济有效的监测的程序（Kishore和Raghava Prasad，2017 a）。该模型使用高速摄像头，以240 fps的速度捕获帧，以避免由于移动列车而造成的模糊和混叠效果。捕获过程如图所示。3 .第三章。该记录创建了一组2列火车在2种不同照明条件下的2段视频本工作仅针对ICF转向架。2. 文献综述Kishore 和 Raghava Prasad （ 2017 a ， 2017 b ， 2015 ） ，Raghava Prasad和Kishore（2017）使用修改的Chan Vese，形状先验水平集和形状不变水平集的活动轮廓尝试了基于计算机视觉的RSE水平集在给定转向架零件的形状先验的情况下，在实时提取所需零件方面做得很好对这些模型的性能分析表明，形状不变性模型与其他用于车辆零件分割的活动轮廓模型具有一致性。在这里，我们使用模型来提取各个部分，然后检查它们的健康状况。活动轮廓是迭代，并且在已经实现了对分割误差Narayanaswami（2017）为城市环境中的交通未来提供了愿景。本工作中讨论的想法有助于理解技术和自动化之间的联系，以节省时间和资金，重点是避免事故。在Sabato和Niezrecki（2017年）中，Sabato等人使用3D数字图像相关（DIC）算法来检查铁路枕木和滚珠。两个特定位移的相机安装在以60公里/小时移动的轨道车上，以产生3D图像。采用三维DIC和模式投影算法对轨道变形进行识别.美国联邦铁路管理局2005年至2015年的数据显示，由于轨道、道碴和机车车辆故障，有16，000起脱轨事故。机车车辆自动化对于世界各地的铁路来说非常重要，可以降低成本并避免列车脱轨。计算机视觉处理可用于监测机车车辆以识别转向架中的缺陷。Hart等人（2008年）使用多光谱成像提取转向架节段进行检查。他们记录了移动列车的RGB视频和热视频，并使用全景表示和相关性处理了帧。重点是检测底盘部件上的高温区域，如制动蹄、变速箱、空调鼓风机和车轮接头。然而，这项工作对铁路公司非常有用，因为摄像机会引起模糊，这使得难以识别移动列车上的非加热部件。Kim和Kim（2011）将机车车辆制动问题转化为图像曲线拟合问题。所开发的方法使用列车转向架的底架的数据库设置，并使用曲线拟合工具来识别列车运动期间的制动器对准。设置成本对于实时实现这样的系统构成了很大的缺点。Sanchez-Revuelta和Gomez（1998）的专利显示了在我们工作之前二十年使用计算机视觉进行机车车辆检查。这项专利说，人工视觉将通过在火车上安装摄像头来监控机车车辆。拍摄的视频移动的列车需要许多折叠未对准，并且需要更多的计算能力来再次处理相同的折叠以进行更仔细的检查。Kazanskiy和Popov（2015）提出了一种基于视觉的机车车辆监控系统计算机技术。该工作集成了无眩光照明系统、视频压缩模型和结构化照明模块，以检测轨道上列车的存在，从而监控机车车辆。这项工作接近使机车车辆成为现实，但很少提到对每个转向架部件进行检查。Freid等人（2007年）提供了一种用于车辆评估和处理的带照明和摄像机的车底布置。他们采用简单的边缘检测模型提取轴杆，并使用热成像仪测量其温度。该模型提供了一个很好的洞察力的重要性问题，在机车车辆检测自动化。在Jarzebowicz和Judek（2014）和Zhang et al.（2017）作者图二、印度铁路使用的两种转向架（a）整体客车厂转向架和（b）意大利都灵汽车制造厂（FIAT）/林克霍夫曼布施（LHB）转向架。610N. Sasikala，P.V.V.Kishore/ Journal of King Saud University图三. 使用高速摄像机以240 fps的速度记录机车车辆数据。提出了一种用于监测接触带和机车车辆车轮表面的3D重建。这些方法是有效的，因为3D模型完美地重建了运动部件的表面缺陷。这些方法使用大量的计算时间和能量进行处理，因为很难对所有有缺陷的表面进行建模。上面讨论的模型具有计算昂贵的明显缺点介绍了一种快速、简单、高效的多目标多模板模型用于滚动体分割。模板匹配在图像处理的早期成功地解决了字符识别问题（Tan，1991）。归一化互相关被用作计算模板和查询图像之间的关系的度量（ Briechle 和Hanebeck，2001）。 该模型在许多应用中得到有效实现，例如文档识别（ Peng et al. ，2003 ）、3D 建筑物匹配（ Slade 等人，2017），人体跟踪（He等人，2017），农业成像（Anjomshoae和Rahim，2016）等等。近年来提出了不同的模板匹配模型，使得该过程对查询图像或视频帧的变化有效且鲁棒。 在（Patel等人， 2017年），模板匹配（TM）与经验模式分解（EMD）相结合，以提取视觉驱动视频数据中的事件相关模式核特征模板匹配算法在Hou和Qiu（2014）中提出用于通信网络中的频谱感知。模板的核直方图被用于Han等人。（2014）导致用于模板匹配的无尺度网络模型，其在航空红外图像上进行测试。Hel-Or等人（2014）使用色调映射和NCC的概念提出了光度不变模板匹配Mahmood和Khan（2012）提出了一种快速模板匹配算法。利用单调函数，将部分消去法应用于相关系数的计算。本文提出了两种TM算法，即小模板的基本模式和大模板的扩展模式部分相关消除算法。结果表明，TM算法的速度取决于图像或模板中存在的数据。Lin和Davis（2010）的目标是开发一种有效的多形状模板设计，用于监控视频中的人体检测。该算法试图在不同的摄像机视角和不同的人的见图4。 提出了转向架零件的提取与识别算法。N. Sasikala，P.V.V.Kishore/ Journal of King Saud University611×摆姿势。在Bao等人（2016）中，作者提出了一种基于计算机视觉的移动农业机器人的基于缩放和旋转的多模板创建和匹配模型。由于使用计算机视觉的机车车辆自动化存在所有这些差距摄像机传感器在广角模式下以240 fps的速度记录，如图10所示，在一帧中覆盖整个转向架，分辨率为640 480像素。 在这项工作中，我们提出使用多对象多模板匹配（MOMTM）算法，使基于计算机视觉的机车车辆检测过程更接近实际。从一列40个转向架、20个车厢的15,000帧视频数据集中，我们选取了200个转向架帧，提取了40个模板。共26个转向架零件从ICF耙被用来测试模型。模板上标有转向架部件、模板编号和列车运行方向列车运动的方向是从框架的左到右或从右到左。测量了26个对象和40个对象的查询框架与模板集之间的归一化互相关系数（NCC图五. 火车运动在一个高速视频与广角镜头。图六、模板提取过程从一组250帧的单个转向架从左到右移动的帧。（a）（b）（c）（d）（e）（f）（g）图7.第一次会议。（a）从框架中裁剪的原始模板，（b）部分提取，（c）平均过滤，（d）扩张模板，（e）侵蚀部分，（f）MDG轮廓和（g）保留。612N. Sasikala，P.V.V.Kishore/ Journal of King Saud University模板NCC的最大值将模板标识到转向架视频帧中的对应部分。论文的其余部分被组织为，算法，结果和结论。3. 列车车辆模板匹配算法所提出的多目标多模板机车车辆零件识别和提取的流程图如图所示。 四、从培训列车视频中提取了ICF转向架26个滚动部件的模板。当火车从视频的右到左经过时，创建了多个模板。视频序列中的部分在视频的左侧和右侧变形，并且在帧的中心完美地对齐。为了匹配在整个视频序列中，我们在进入左帧的部件和从右平面退出的部件之间为每个转向架部件建立40个模板。一个10帧的视频序列是在图。 5、一列火车在从帧5220到5402的视频帧中从右向左移动。图中的密切观察。图5示出了中心系杆经过各种视角变化。这种类型的捕获将有助于诊断仅在一个方向上可见的缺陷部件。3.1. 转向架零件模板的制作在列车从左到右或从右到左与视频帧水平的自然运动期间，转向架部件经历水平变形。视频捕获具有广角镜头和高速运动捕获，独立于对象分辨率和模糊。我们在每个视频帧上都有1080p的高分辨率每个转向架部件都是唯一安装的，所有部件都具有不同的功能和相同的列车安全运行目标但是在高速运动过程中，图8.第八条。（a）转向架的中央结合杆，具有用于生成模板库的多个视点处的缩放、旋转和平移，（b）车轮和（c）固定销。图9.第九条。移动模板创建中使用的列车转向架部件（部分显示）。N. Sasikala，P.V.V.Kishore/ Journal of King Saud University613DeFBFBFB.Σ零件形状和尺寸的变形。由于很难提取框架中每个位置的每个零件作为模板，因此在对象的单个最佳模板上使用缩放、旋转和平移来生成转向架零件的多个模板。从整个视频序列中正确的转向架部分的帧的中心提取单个最佳对象模板。提取单个最佳零件的变换，建立转向架各零件的多目标多模板库。高视频帧的中心被标记为模板的中心。第一个模板被提取的中心正是模板上尺寸为2×2的Hx;y滤波操作是由ω表示为TfBpx;yT Bpx;yωHx;y1TfBpx;y是过滤后的转向架零件，p表示零件标签。提出了一种基于形态微分梯度（MDG）的轮廓提取方法。过滤后的模板TfBpx;y用3× 3掩码进行扩张导致Tdp和侵蚀导致Tep，千年发展目标是共同的，在比例、方向和平移方面都完美成形的框架。本文介绍了一种基于中心框架模板提取的工程实例。在图6中对板进行建模。图6中的蓝线被设置为中心被认为是对应像素的简单离散微分，的框架。参考框架尺寸和转向架部件，手动地为每个转向架部件识别一组裁剪坐标BfBp1/4TfB -TfBpð2Þ模板是提取。的提取转向架零件模板TBpx;yRN×3是大小为N的RGB彩色图像。应用平均过滤器MGD输出用平均TBp从而产生如图1所示的二进制图像。7.第一次会议。见图10。所提出的MOMTM算法在ICF转向架上的结果。不614N. Sasikala，P.V.V.Kishore/ Journal of King Saud University不F××F×¼不不F126pr2x2r;cPc2y2r;c表1SA对Video- 1中分割模板数量的影响12451015203035400.220.310.440.490.680.710.790.910.910.92所有像素的平方的累积和给出了转向架部分的封闭边界的面积ACp模板的此区域用于构建模板库。如果面积的差异将当前模板A n nnpn和中心模板A Cnpnn =80%引入模板库。与下一个连续模板相比，下一个模板的面积将正好为80%当列车从框架的右向左移动时，对26个转向架部件和每个部件40个模板重复该过程。3.2. 多对象多模板库模板匹配是使用由对象模板定义的对象特征从对象混合物中提取和识别对象的监督模型。TM是定义在目标和目标空间之间的相关问题。然而，问题变得复杂的动态目标和连续变化的目标空间，如在这项工作中定义的。为了理解问题的复杂性，图6中的中心系杆和一组40个模板中的5个模板是从一个转向架视频中绘制的。每个模板必须缩放，旋转和空间平移到原始中心模板，如图所示。8.第八条。组合比例、方向和平移的变换应用于单个中心模板边界，即图8中的黄色轮廓。每个移动转向架部件有4个10 = 40个模板。印度火车的底盘有26个转向架部件。总的来说，我们已经提取并创建了26个40模板矩阵，以与在15000帧中捕获的火车的整个伸展相关联。26个零件中的每一个都作为模板集放置。例如，模板集-1由26个零件组成，当零件在图6中的蓝线上时，从中心框架提取。当set-1面积下降到80%时，创建下一个模板集，即set-2下一个模板集。图9示出了从图6中的转向架提取的一些模板。一列火车的实际模板库包含1040个模板。3.3. 多目标多模板匹配算法基于图4中的流程图，所提出的多目标多模板匹配算法将解决运动过程中的目标分类问题。图4中的算法在以下步骤中描述如下：(1) 当列车进入视频帧时，加载由框架右侧转向架部件和目标视频帧组成的模板集-1 集合- k由n = 1，2.. . 26相对于左车架侧转向架部件定向的模板(2) 在set - 1的循环中加载一个n = 26的模板。将每个转向架模板移动到每个像素，并计算归一化的互相关系数，其中模板与视频帧重叠(3) 在整个视频帧上移动模板，并记录最大NCC计数器。这是与转向架零件完全匹配的模板然后加载下一个模板，并对所有转向架部件重复该过程。(4) 同一组已加载的模板与下一个加载的视频帧匹配。在每个阶段，使用从匹配和不匹配的模板计算的NCC值来验证模板。(5) 当当前模板集的NCC值小于0.95时，加载下一个模板集来代替旧模板以补偿变化的视频帧。(6) 在整个转向架框架和整个列车上重复该过程，为30个转向架列车提取和标记26个转向架部件中的每一个。4. 结果和讨论实验设置使用240 fps，51°广角运动动作相机进行捕捉。两个训练视频是测试所提出的MOMTM算法的测试每个列车视频长度约为20节车厢，高速视频每列车生成15，000帧。每节列车车厢由2个转向架组成，车厢在转向架上滚动，称为机车车辆。每个转向架占用大约250个框架，对于20节车厢有40个转向架，每个列车的转向架框架数量为250 40 10; 000。对于两个列车视频，我们有一套两个10，000转向架框架要处理。从每个视频集中，标记第一个教练条目使用第3节中的模板创建算法，在250帧视频序列中以不同的间隔选择具有40种不同变化的26个转向架模板视频序列的中心部分产生整个序列中的最佳模板现在在Cti;j[n;：：;r;c22×2xr;cyr;cPÞ22ð3Þ其中，是在视频帧的大小上变化的像素位置。是框架中的行和列。xr;c和yr;c分别是模板和视频帧见图11。MOMTM算法与SIFT、SURF和HOG特征模板匹配的比较。N. Sasikala，P.V.V.Kishore/ Journal of King Saud University615B······¼······2最后，讨论将集中于需要多少模板来提取转向架部件。我们测试的最优性，正确分割转向架部件所需的模板数量。每个转向架零件模板标记为Ttp，其中B表示转向架编号，p表示零件编号。这些部分被标记为p1;p2;p26和tt1;;t40个模板集标签。每套模板由26个转向架零件模板和40个转向架零件模板组成命名为程序多对象多模板匹配。NCC的阈值对于一个视频集被设置为0.9，并且对于一个视频集被设置为0.85。模板与转向架部件不匹配针对该帧测量的平均NCC为0.78，这与设定阈值0.9有偏差通过加载序列中的下一个模板集来重新检查该帧。模板集根据列车从左到右或从右到左的运动顺序排列。通过去除非转向架帧，在整个视频上模拟该算法。整个视频序列所需的模板问题具有90%或更高的识别准确率。分割算法的性能指标是分割精度kBF-BD k另一个视频集。MOMTM算法的适应性取决于在每次比赛后计算的平均NCC如果平均净捐助国SA¼2kanbdkanbd2ð4Þ小于0.9，则加载序列中的下一个模板集，否则使用前一个模板集来匹配下一帧。图10显示了在下午3点在ICF转向架上捕获的列车转向架上的算法结果。在图10中，红色边框图像是用先前加载的模板操作的当前视频帧。我们可以观察其中，BF是正确分类或分段的转向架部件的数量，BD分别是模板或期望输出。表1给出了关于在创建示例模板中使用的模板数量的SA计算。根据表1，模板的数量越多，分割精度越好最后两列几乎没有显示见图12。 显示了在弱光条件下在另一个ICF教练上提出的MOMTM算法。2616N. Sasikala，P.V.V.Kishore/ Journal of King Saud University······表2SA对Video- 2中分割模板数量的影响12451015203035400.210.280.340.430.580.610.790.890.890.9当从35个模板库移动到40个模板库时，变化为0.1。这种最小变化是因为数据集模板之间的最小变化从30到40个模板。针对图10中的该视频序列提出的MOMTM算法具有三个现有技术模板特征匹配模型SIFT、SURF（Peng等人， 2003）和HOG（Slade等人，2017）使用等式4中的测量。图11示出了图10中的RS视频中的每个部分的分割精度之间的曲线图。转向架部件按顺序编号，标签为p1;p2; ;p26。从图 11、MOMTM可以一致地识别转向架部件在整个视频中的准确性。HOG是TM在转向架零件分割和识别方面的次佳方法。SIFT用了很少的模板就得到了图11所示的结果.然而，准确性在所有这三个模型中，都是梯度相关的，并且依次是图像帧中的像素值。MOMTM算法的成功可以归功于它能够根据由于视点变化而引起的帧中对象的变形的变化来更新模板。转向架视频是在极端的自然环境中拍摄的，其中环境照明不断变化，并且相机传感器的位置必须根据列车运动不断重新调整。为了测试所提出的模型的鲁棒性，另一个ICF转向架列车视频被捕获在下午6点。见图12。给出了所提出的方法在第二低光列车转向架视频中的一组视频帧上的结果。转向架部件是深色的，因此我们必须使用视频2的视频帧重新校准模板库。大部分帧的部分使用MOMTM正确分割。本实验中的NCC被设置为0.85以适应视频帧中的条件。当平均NCC小于0.85时，模板集不断更新。图12示出了使用所提出的MOMTM来例外地提取大部分帧。表2给出了SA的平均模板值与模板数量的关系正确提取所需的。与表1视频与中等或明亮的光罩相比，低光罩转向架框架需要大量模板。与视频-1相比，低光视频-2记录了更多的错误识别，总体平均未分割为15%。图13中绘制了Peng等人（2003）和Slade等人（2017）在视频-2上与MOMTM模型的SIFT，SURF和HOG特征模板匹配模型的比较所有转向架部件的SA值始终在0.9以上波动，这意味着每个转向架部件的SA值都大于其他型号。然而，仔细观察图13发现，与其他部件相比，某些转向架部件在提取时显示出高SA。这种区别是由于视频帧中转向架部分的形状、结构和位置的不一致性而产生的。最后，本文提出的多目标多模板算法和模板更新机制，为列车机车车辆零件的自动提取和分割提供了一种有效的方法。提取的零件被进一步处理，以实时识别其健康和缺陷。所有的模拟都是在MATLAB中进行的核心i5处理器，8 GB RAM的机器。5. 结论铁路和许多其他行业的自动化是下一场大革命，计算机视觉将在其中发挥关键作用图十三.在ICF视频实验2上比较所提出的MOMTM算法与SIFT、SURF和HOG特征模板匹配自动化可能在这项工作中，我们提出了一个框架，铁路车辆自动化使用计算机视觉算法。提出了基于归一化互相关系数测量的模板更新模型的多目标多模板算法。利用所提出的模板匹配方法，利用40个模板从一段列车运行视频中提取了26个转向架部件。该算法进行了测试的数据从两个视频的ICF coa- ches广泛使用的印度列车。我们表明，结果是令人鼓舞的，使TM算法的实时仿真模型，为机车车辆自动化与最佳的tem-板计数为30每部分。该算法在两个训练视频上的准确率为91%，未命中率为15%引用Anjomshoae，Sule T.，Rahim，Mohd Shafry Mohd，2016.基于模板的重叠橡胶树叶片识别方法的改进。Comput. 电子学。Agric. 122，176-184.Banerji，Ashutosh Kumar.，2005.铁路和机车车辆工程师--面临的挑战。技术说明。鲍，关俊，蔡，世波，齐，李勇，Xun，Yi，Zhang，Libin，Yang，Qinghua，2016.自然环境下黄瓜识别的多模板匹配算法。Comput.《电子农业》，127，754-762。Bougay，Vladimir，2014.KNOEMA-知识平台。环球杂志企业INF. 系统6（1），62布里切尔，凯，Hanebeck，Uwe D.，2001.使用快速归一化互相关的模板匹配。在：航空航天/国防传感，仿真和控制，pp。95-102.国际光学与光子学学会。Chandra，Satish，2008. 铁路工程。 牛津大学出版社Freid，B.，例如，2007.多光谱机器视觉用于改进铁路机车车辆底盘检测。在：第九届国际重载会议专家技术会议，高科技重载，基律纳，瑞典。Han，R.S.，Shen，S.G.，Yue，G.X.，丁，H.，2014年。基于核直方图的无尺度网络模板匹配模型。电子学。Lett. 50（9），669-671。Hart，J.，例如，2008.利用多光谱成像进行铁路设备底盘检测的机器视觉。载于：第八届世界铁路研究大会论文集，韩国首尔。N. Sasikala，P.V.V.Kishore/ Journal of King Saud University617He，Shusheng，Liang，Alei，Lin，Ling，Song，Tao，2017.一种用于人体跟踪的连续自 适 应 模 板 匹 配 算 法 。 IEEE InternationalConference on Robotic Computing（IRC）IEEE，pp. 303- 309Hel-Or，Y.，Hel-Or，H.，David，E.，2014.色调映射匹配：光度不变模板匹配。IEEETrans.模式肛门。马赫内特尔 36（2），317- 330。Hou ， S. ， Qiu ， R.C. ， 2014 年 。 用 于 频 谱 感 知 的 核 特 征模 板 匹 配 IEEE 运 输 车 辆Technol.63（5），2258-2271。http://www.indianrailways.gov.in/railwayboard/uploads/codesmanual/EngCode/chapter-xiv.htm。雅尔泽博维茨湖Judek，S.，2014.用于铁路车辆集电器接触片检测的3D机器视觉系统。2014年国际应用电子会议（AE）。美 国 电气与电子工程师协会。Kazanskiy，N. Popov，S.，2015.轨道交通计算机视觉系统集成设计技术。模式n。图像肛门。25（2），215-219。Kim，H.，金，W.-是的，2011.机车车辆闸瓦自动检测系统。IEEE Trans.仪器Meas. 60（8），2835-2847。基肖尔，P.V.V.，Raghava Prasad，Ch.，2015.基于形态微分梯度活动轮廓的列车车辆分割。2015年国际计算机、通信和信息学进展会议（ICACCI）。IEEE，pp.1174-1178.基肖尔，P.V.V.，Raghava Prasad，Ch.，2017年a。基于计算机视觉的列车车辆检测。国际光电子光学杂志132，427-444。基肖尔，P.V.V.，Raghava Prasad，Ch.，2017年b月。列车车辆计算机视觉智能监控。Mater. 今天：Proc. 4（2），1730-1739。Kuffa，Michal，Ziegler，Daniel，Peter，Thomas，Kuster，Fredy，Wegener，Konrad，2016.改善铁路轨道声学性能的新磨削策略。 Proc. Inst. 机甲工程师：F部分：J.轨道交通。 0954409716664935。林芝，戴维斯，洛杉矶，2010.基于层次部分模板匹配的人体形状检测与分割。IEEE传输模式分析马赫内特尔32（4），604-618。马哈茂德，A.，汗，S.， 2012. 基于相关系数的部分消去快速模板匹配。IEEE传输图像处理。21（4），2099-2108。Munnier，J.S.，2009.铁路轨道工程塔塔麦格劳希尔教育纳吉耶夫，阿尔祖，夏普斯，莎拉，瑞安，布兰登，科普斯通，安东尼，凯里，迈克，2017.专家知识启发，为未来的欧洲铁路交通管理系统（ERTMS）列车驾驶模型生成人为因素指导。 Proc. Inst. 机甲工程师：F部分：J.轨道交通。 0954409717695902。Narayanaswami，S.，2017.城市交通：基础设施规划和发展的创新。Int. J. Log.管理。第28（1）条。Patel ， Rajesh ， Pandurang Rao ， Madhukar ， Sengottuvel ， Janawadkar S. ，Gireesan，K.，Radhakrishnan，Thimmakudy Sambasiva，2017.结合模板匹配与集合经验模式分解有效提取视觉事件相关模式。In：IEEE Sens. J. 17（7），2146-2153.彭汉川，龙福辉，池哲如，2003。基于分块投影模板匹配的文档图像识别。IEEE传输模式分析 马赫内特尔25（9），1188-1192。Qin，Yong，Yuan，Baojun，Pi，Si，2015.城市轨道智能交通系统框架及关键技术研究。2015年国际铁路运输电气和信息技术会议论文集。施普林格，柏林海德堡，pp.729- 736RaghavaPrasad，Ch.，基肖尔，P.V.V.，2017年。 活动轮廓模型在高速视频数据上列车机车车辆部分分割中的性能。Cogent Eng. 4（1），1-19.Sabato，A.，Niezrecki，C.，2017年。 数字图像相关用于轨枕检测和道碴支撑评估的可行性。测量103，93-105。Sanchez-Revuelta，A.L.，戈麦斯角J.G.，1998.通过人工视觉测量铁路车辆车轮滚动参数的装置和方法。谷歌专利。Slade，Jon，Jones，Christopher B.，Rosin，Paul L.，2017.使用基于HOG的模板匹配对CityGML建筑模型进行自动语义和几何丰富。在：三维地理信息的进展。SpringerInternationalPublishing，pp. 357-372.陈显良1991.基于特征和模板匹配的混合光学字符识别系统。美国专利5，077，805，12月31日发布。Wang，Xiaoxuan，Jiang，Hailin，Sun，Wenzhe，Tang，Tao，2016.基于TD-LTE的城市轨道交通车地通信系统高效双关联资源分配模型。2016年 IEEE第19届智能交通系统国际会议（ITSC）IEEE，pp. 2006-2011年。韦斯顿，P.F.，Li，P.，Ling，C.S.，古德曼，C.J.，古德尔，R.M.，罗伯茨角，澳-地2006年。在正常运行期间使用减少的传感器组。HKIE Trans. 13（1），47-54.Yan，Fei，Gao，Chunhai，Tang，Tao，Zhou，Yao，2017.一种基于通信的列控系统安全管理与信号系统集成方法。城市轨道交通，1-10。Zhang， Y.例如，2017. WTP在火车轮对表面及踏面缺陷三维重建中的应用。Optik-Int.J. 光电子 光学131，749-753。