随着交通运输业的发展,铁路运输已成为我国交通运输的主要方式之一。钢轨是组成铁路的重要部件,通过钢轨列车将自身的压力传递到轨枕上,使得车身能够平滑、顺畅地在线路上运行。一旦钢轨出现弯曲、断裂或者偏离等情况,就会导致列车产生晃动、颠簸,甚至脱轨。由于钢轨与轨枕的连接是通过轨道扣件来实现,轨道扣件可以保持钢轨的连续性与整体性,阻止钢轨相对轨枕的移动,并且充当列车行驶时的减震系统,故轨道扣件的状态识别对提高铁路运行的安全性具有重要意义。作为一种无螺栓式轨道扣件,潘德路快速弹条型扣件(SFC,Slab Fast Clip)具有扣压力大、零部件少、平顺性好等特点,正逐渐取代传统扣件被应用于铁路中。考虑到传统的轨道扣件状态识别算法并不能对SFC快速弹条的状态进行有效识别,本文针对SFC快速弹条研究扣件状态识别算法。首先,对获取的SFC快速弹条图像进行预处理。通过直方图均衡化,减少噪声对于图片质量的影响,提高了图片的清晰度与对比度。然后,使用模糊聚类算法对图像进行处理,进一步提高图像不同区域的对比度,从而降低了SFC快速弹条的定位难度。接着,使用十字交叉法对SFC快速弹条进行定位,去除图像中的干扰信息。在此基础上,利用ACE算法增强弹条的纹理,弱化背景的纹理,并使用灰度-梯度共生矩阵提取SFC快速弹条的纹理特征。同时,使用Gabor滤波器对扣件区域图像的高频分量进行增强,并提取SFC快速弹条的形状特征。再采用并行融合的方式对两种特征进行融合。最后,将融合好的特征放入SVM中进行训练,利用训练好的SVM分类器对SFC快速弹条进行状态识别。以在地铁线路现场用线阵相机采集的500张轨道扣件图片作为实验材料,对本文提出的算法进行验证。实验结果表明,本文算法能够有效地解决SFC快速弹条状态识别的问题,具有较好的正确率、误检率和漏检率。