铁路扣件作为钢轨与轨枕之间的必要连接部件,是维系铁路运输安全的重要元件,它主要用于固定钢轨正确位置,防止钢轨在纵横向发生位移,同时还能提供适量的弹性,并将钢轨所受的力传递给轨枕或道床承轨台。扣件的缺失使钢轨不能完全固定,严重影响着列车的安全运行,严重的情况下将可能导致列车发生脱轨等重大事故。随着现代铁路的飞速发展,对轨道扣件检测提出新的需求。传统的人工检测在实际检测中实时性和准确性差,所以如何快速、准确地实现铁路扣件状态识别检测就显得至关重要。本文结合铁路扣件图像采集系统和成熟的图像处理技术实现铁路扣件的识别检测。论文的主要工作有:首先,从铁路扣件图像采集的基本要求出发,分析现场采集图像的实际情况、相机成像原理、光源特性等选取具体的采集系统硬件设备,同时根据扣件缺陷识别检测原理介绍了本文算法流程。其次,图像在采集过程中会产生噪声,需要对铁路扣件图像进行滤波去噪。由于中值滤波去噪时能够去除椒盐噪声带来的伪边缘,而引导滤波算法在去噪时具有较好的边缘保持特性。因此,本文采用改进的引导滤波算法对铁路扣件图像去噪,有利于保留扣件边缘特征,保证后续铁路扣件图像中扣件定位以及识别的准确性。再次,分析Canny边缘检测算法以及广泛应用的Opencv,在传统Canny算法的基础上,结合Matlab中的自适应函数,运用具有自适应性的基于Opencv改进Canny算法对铁路扣件图像进行边缘检测;然后根据边缘检测的结果通过灰度积分投影算法定位图像中钢轨、轨枕的位置,进而粗定位扣件区域,最后在粗定位的基础上结合模板匹配算法实现扣件区域的精确定位。最后,分别提取描述扣件边缘的LBP(Local Binary Pattern,局部二值模式)特征和扣件纹理的PHOG(Pyramid Histogram of Oriented Gradient,金字塔方向梯度直方图)特征。为获得更能精确表征扣件特征的特征向量,将以上两类特征进行融合。再将融合后的特征向量输入SVM(Support Vector Machine,支持向量机)实现铁路扣件状态识别。仿真实验表明,本文的扣件检测系统提高了铁路扣件缺陷识别的准确性,能够为铁路巡道工人提供可靠的依据。