基于深度学习的轨道车辆线阵相机图像畸变校正方法

由于轨道车辆运行速度时刻变化,造成轨旁线阵相机在不同时间采集同一类型车辆的图片张数和分割点不同,导致采集到过车图像存在畸变失真,畸变失真给后续基于图像的轨道车辆故障检测和识别带来困难,因此需要对采集图像进行畸变校正。本文在综合分析轨道车辆图像畸变失真原理的基础上,提出一种基于深度学习的轨道车辆线阵相机图像畸变校正方法。该方法基于RetinaNet网络设计了一种新的损失函数,用于车辆零部件位置的准确定位,并实现位置框的紧密贴合。同时,文中提出采用定位框的长宽比计算图形畸变率,通过畸变率数值对图像对应区域进行校正。试验结果表明,与其他畸变校正方法相比,本文所提算法具有更好的畸变校正能力,较好的检测速度,对不同畸变程度的图像具有较好的稳健性和泛化能力。