黃尊地，常寧，鄭聲佳，梁明輝，吳澤欽，梁乘瑋，李特特

(五邑大學(xué) 軌道交通學(xué)院，廣東 江門 529020)

保證鐵路運(yùn)輸安全是國家鐵路總公司及各路局各項工作的重心。相對于東部地區(qū)，西部地區(qū)的西藏鐵路公司、烏魯木齊鐵路局等鐵路現(xiàn)場不安全的影響因素很多，包括大風(fēng)、風(fēng)沙、風(fēng)吹雪等突發(fā)情況，造成鐵路線路堆積異物，正線旅客列車大面積晚點影響路局正常的運(yùn)輸組織，車輛段內(nèi)調(diào)車作業(yè)中斷或直接影響行車安全[1?3]。因此，對于鐵路鋼軌線路上異物入侵及距離計算的檢測系統(tǒng)應(yīng)該是各路局安全檢測系統(tǒng)最重要的內(nèi)容之一。目前基于機(jī)器視覺對鐵路鋼軌線路進(jìn)行異物入侵檢測的主要方法有幾類，其中一類是使用固定式攝像機(jī)[4?8]，這類方法主要將高清攝像機(jī)放置到比較容易受異物入侵的鐵路線路區(qū)段，包括風(fēng)區(qū)重要的鐵路線路、人流可能穿越的鐵路區(qū)段或道岔區(qū)段等，采用鋼軌特征識別及圖像處理算法進(jìn)行檢測并提前報警；還有一類是使用移動式攝像機(jī)[9?15]，這類方法現(xiàn)在得到越來越多的應(yīng)用，可以實時將異物入侵信息反饋到列車上，通過截取一幀一幀的實時視頻圖片處理算法分析前方異物位置及進(jìn)行列車?yán)锍汤塾嫷裙ぷ?。上述研究?nèi)容主要應(yīng)用在正線上，對車輛段或存車場內(nèi)列車實時運(yùn)行的前方異物距離判斷及算法研究偏少。針對目前特殊區(qū)域監(jiān)控系統(tǒng)的不足，本文開展鐵路線路實時異物距離測試方案設(shè)計，基于車鉤裝載移動式攝像機(jī)和鋼軌識別方法[12,16]，利用橫向視覺和縱向視覺幾何原理提出2種鋼軌異物距離檢測方法，為鐵路運(yùn)輸安全提供技術(shù)方案。

1　鐵路鋼軌異物距離測試方案

整體測試方案中包含攝像機(jī)、燈光、無線傳輸?shù)扔布O(shè)備，視頻存儲、照片獲取、照片讀入等程序操作，以及灰度處理、平滑處理、邊緣檢測、直線檢測、鋼軌方程、異物檢測和距離檢測等算法操作。攝像機(jī)等設(shè)備放置在車鉤前段，鏡頭與軌面平行，在鋼軌中心線上方；軟件處理設(shè)備放置在后端機(jī)車司機(jī)室內(nèi)。鐵路鋼軌異物及距離測試具體方案如圖1所示。

圖1　測試方案Fig. 1　Test plan

2　鐵路鋼軌識別算法

2.1　鋼軌識別算法

鐵路鋼軌識別中，首先對照片進(jìn)行預(yù)處理；并根據(jù)其像素特征進(jìn)行二值化，即將圖片信息參數(shù)平面量化；其次進(jìn)行邊緣細(xì)化，對于每一個邊緣點，以其梯度方向為中心，設(shè)置一小區(qū)間及相應(yīng)計算步長，對每個區(qū)間中的θ量化值計算相應(yīng)的ρ值，這些點對應(yīng)的參數(shù)空間的坐標(biāo)即是所檢測直線的參數(shù)；最后邊緣跟蹤，形成一個連貫的、對應(yīng)于一個物體邊界或景物實體之間有意義的邊界，即完成霍夫變換算法識別出鋼軌方程(見圖2)。具體公式推導(dǎo)過程如下。

圖2　霍夫變換原理圖Fig. 2　Hough transform principle diagram

鐵路鋼軌的特征比較明顯，一是2條鋼軌是不間斷的2條平行直線，其間隔距離保持不變；二是鋼軌與車輪的摩擦原因造成部分鋼軌表明亮度很大，但同時有很多鐵路線，尤其是存車場線路鋼軌亮度不大；三是鋼軌與周圍軌枕、扣件和道床的組成結(jié)構(gòu)及色差還是存在較大差別，這些特征對于鋼軌在圖片中的識別有較大影響。結(jié)合式(2)～(3)，根據(jù)霍夫變換統(tǒng)計直線方程規(guī)律及極值判斷，最終得到鋼軌在圖片中的直線方程。

2.2　鋼軌識別算法驗證

為了驗證鋼軌識別算法的檢測效果，在實驗室的鋼軌直線段進(jìn)行了試驗驗證，見圖3所示。圖3(a)為經(jīng)過二值化處理和霍夫變換后得到的直線識別情況，計算結(jié)果得到鋼軌上一系列點的坐標(biāo)；圖3(b)為兩端坐標(biāo)擬合的直線方程反饋到真實圖片上，驗證其與鋼軌的匹配程度，結(jié)果表明匹配較好。

圖3　驗證結(jié)果Fig. 3　Verification results

其中鋼軌識別的直線方程分別為：

3　鐵路鋼軌異物距離識別算法

3.1　基于橫向視覺的鋼軌異物距離檢測方法

基于橫向視覺的鋼軌異物距離檢測方法如圖 4所示，在實物示意圖中，O為攝像機(jī)的位置，OP為攝像機(jī)橫向視角的中心線，CG和DH為左右兩側(cè)的鋼軌，與中心線等距對稱布置；C和D 2點為初次進(jìn)入攝像機(jī)鏡頭里的鋼軌點，CD段到攝像機(jī)的距離為l0；M點為異物在鋼軌上的位置，MN段到攝像機(jī)的距離為l1；AB段為遠(yuǎn)處進(jìn)入攝像機(jī)的范圍。在以實物為原型的照片示意圖中，照片像素為b*p，如果去掉天空部分，只保留鋼軌部分，照片像素為b*p/2，其中CD段橫向像素差值為b0，MN段橫向像素差值為b1，兩端縱向像素差值為p1。

圖4　橫向視覺檢測原理圖Fig. 4　Lateral visual inspection principle

由圖4(a)可知，根據(jù)相似三角形的原理，可以得到異物點到攝像機(jī)的距離與橫向視覺范圍的比例關(guān)系，如下：

其中：l0已知，欲求l1，必須計算出CD段和EF段的實物長度之比。

2鋼軌CG和DH橫向間距為1 435 mm，且在直線段間距保持不變。在圖4(b)照片示意圖中，由于相機(jī)視角和像素的關(guān)系，2段平行線變成了斜率不同的斜線，其橫向像素差值不同。由此可知：

由式(6)和式(8)可得

圖像處理后，通過鋼軌方程及異物點橫坐標(biāo)識別，進(jìn)行異物檢測及距離計算。

3.2　基于縱向視覺的鋼軌異物距離檢測方法

基于縱向視覺的鋼軌異物距離檢測方法如圖 5所示，在實物示意圖中，O點為攝像機(jī)的位置，高度為h，焦距為s；P點為圖像成像側(cè)，R和Q分別為初次進(jìn)入攝像機(jī)鏡頭里的鋼軌位置和異物所在鋼軌位置的中心點，到攝像機(jī)的距離分別為l0和l1，與軌面的夾角分別為a1和a2；R和Q成像點距軌面的距離分別為p2和p3。在以實物為原型的照片示意圖中，照片像素為 b*p，如果去掉天空部分，只保留鋼軌部分，照片像素為b*p/2，其中CD段橫向像素差值為b0，MN段橫向像素差值為b1，兩端縱向像素差值為p1。

圖5　縱向視覺檢測原理圖Fig. 5　Longitudinal visual inspection principle

由圖5(a)可知，根據(jù)R和Q分別所在的2個直角三角形相似，可以得出到攝像機(jī)距離與攝像機(jī)參數(shù)的比例關(guān)系，如下所示：

由式(10)～(11)計算可得：

其中：Δb表示異物點到標(biāo)定初始點的距離在屏幕上的成像。

由圖5(b)中的圖片示意圖可知，照片中的像素和攝像機(jī)成像存在一定的關(guān)系，如下所示：

由式(12)和(13)可得：

圖像處理后，通過鋼軌方程及異物點縱坐標(biāo)識別，進(jìn)行異物檢測及距離計算。

4　實驗室線路試驗及結(jié)果分析

五邑大學(xué)軌道交通學(xué)院可移動列車綜合實驗室，包括一臺10 m地鐵列車、120 m長度的鐵路線路，接觸網(wǎng)、變電所等供電設(shè)備以及運(yùn)營管理和信號控制室等。為整體方案測試和異物距離檢測提供了可行性條件。

由圖6(a)可以看出，線路兩端是站臺，其中照片中遠(yuǎn)處站臺停放地鐵列車；正線120 m長，經(jīng)過道岔左邊是側(cè)線，中間很長一段距離都是直線，便于開展測距試驗。在鋼軌附近，放置卷尺標(biāo)注尺寸，象征性的異物放置在鋼軌上，距離攝像機(jī)的位置分別為7，12，18，25和45 m。

圖6　實驗室測試圖Fig. 6　Test in the laboratory

軟件處理和算法檢測后的情況如圖6(b)所示，算法識別的鋼軌方程劃線與圖片中鋼軌完全吻合，限界方程劃線在軌道線路兩側(cè)，同時，象征性異物已被識別出，計算結(jié)果見表1所示。

表1　測距算法實驗室檢測結(jié)果Table 1　Detection results of distance algorithm in the laboratory

由表1數(shù)據(jù)可知，在45 m范圍內(nèi)，2種測距算法都保持較高的精度要求，誤差在5%以內(nèi)。同時，在測試數(shù)據(jù)誤差整體分析中，尤其對于中長距離，基于橫向視覺的鋼軌異物距離檢測方法比基于縱向視覺的鋼軌異物距離檢測方法要更加準(zhǔn)確一些。

5　鐵路現(xiàn)場試驗及結(jié)果分析

為了保證整個測試方案的可行性和檢測算法的準(zhǔn)確性，進(jìn)行鐵路現(xiàn)場的驗證試驗。鐵路現(xiàn)場選擇在烏魯木齊鐵路局烏西貨車存車場進(jìn)行，存車場要進(jìn)行長編組列車的調(diào)車作業(yè)，車尾需要工作人員輔助查看線路及鐵路異物，為方案開展提供了必要性。具體測試現(xiàn)場如圖7(a)所示?，F(xiàn)場有很多條貨運(yùn)股道，選擇中間的一條線路，攝像機(jī)放置在車鉤位置，同時在鋼軌中間標(biāo)注尺寸，以及放置象征性的異物，模擬實際列車運(yùn)行時前方的異物情況。

圖7　鐵路現(xiàn)場測試圖Fig. 7　Test in the railway scene

軟件處理和算法檢測后的情況如圖7(b)所示，算法識別的鋼軌方程劃線與圖片中鋼軌完全吻合，限界方程劃線在軌道線路兩側(cè)，同時，象征性異物已被識別出，計算結(jié)果見表2所示。

表2　測距算法鐵路現(xiàn)場檢測結(jié)果Table 2　Detection results of distance algorithm in the railway scene

由表2數(shù)據(jù)可知，在40 m的范圍內(nèi)，2種測距算法都保持較高的精度要求，由于現(xiàn)場的環(huán)境較實驗室更為復(fù)雜，個別尺寸誤差在 6%左右。同時，在全部測試數(shù)據(jù)誤差分析中，尤其是中長距離，基于橫向視覺的鋼軌異物距離檢測方法比基于縱向視覺的鋼軌異物距離檢測方法要更加準(zhǔn)確。

6　結(jié)論

1) 基于鐵路鋼軌的特征，通過灰度處理、平滑處理、二值化處理、邊緣檢測以及霍夫變換直線檢測等算法，可以準(zhǔn)確地識別鋼軌方程并匹配圖像文件。

2) 結(jié)合機(jī)器視覺和鐵路鋼軌特征，分別提出基于橫向視覺和縱向視覺的鋼軌異物距離檢測方法；通過試驗數(shù)據(jù)誤差分析，算法具有較好的魯棒性，尤其是中長距離，基于橫向視覺比縱向視覺的檢測方法要更加準(zhǔn)確一些，適合監(jiān)控遠(yuǎn)程異物。

3) 整體方案經(jīng)過實驗室測試以及烏魯木齊鐵路局現(xiàn)場試驗驗證，異物距離測試精度滿足工程要求，為鐵路運(yùn)輸現(xiàn)場作業(yè)安全提供理論依據(jù)和技術(shù)方案。

參考文獻(xiàn)：

[1] Maneesha S, Sameer S, Jay J, et al. Autonomous rail track inspection using vision based system [C]// IEEE International Conference on Computational Intelligence for Homeland Security and Personal Safety. Alexandria,USA, 2006: 56?59.

[2] Bogdan S, Andrzej C. Fast detection and impulsive noise removal in color images[J]. Real Time Imaging, 2005,11(5/6): 389?402.

[3] Davey J, Wallace A, Stenson N, et al. The experiences and perceptions of heavy vehicle drivers and train drivers of dangers at railway level crossings[J]. Accident Analysis and Prevention, 2008, 40(2): 1217?1222.

[4] JUN Xue, JUN Cheng, LI Wang, et al. Visual monitoring based railway grade crossing surveillance system[C]//Congress on Image and Signal Processing, Hainan, China,2008: 427?431.

[5] 習(xí)可. 基于智能視頻技術(shù)的鐵路入侵檢測[D]. 長沙:中南大學(xué), 2010.XI Ke. Railway intrusion detection based on intelligent video technology[D]. Changsha: Central South University,2010.

[6] 李家才，陳治亞，王夢格. 鐵路入侵運(yùn)動目標(biāo)實時檢測技術(shù)[J]. 鐵道科學(xué)與工程學(xué)報，2013, 10(6): 116?120.LI Jiacai, CHEN Zhiya, WANG Mengge. Moving target real-time detection of railway intrusion[J]. Journal of Railway Science and Engineering, 2013, 10(6): 116?120.

[7] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 鐵路鋼軌視覺識別檢測方法[J]. 中南大學(xué)學(xué)報(自然科學(xué)版), 2014, 45(7):2496?2502.WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al.Railway rail identification detection method using machine vision[J]. Journal of Central South University(Science and Technology), 2014, 45(7): 2496?2502.

[8] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 緩變異物入侵鐵路線路視覺檢測方法[J]. 中國鐵道科學(xué), 2014, 35(3): 137?143.WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al.Visual detection method for the invasion of slowly changing foreign matters to railway lines[J]. China Railway Science, 2014, 35(3): 137?143.

[9] Susumu K, Tsuyoshi N, Yasukazu O. A global optimization algorithm for real-time onboard stereo obstacle detection systems[C]// Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul. Turkey,2007: 13?15.

[10] Sadayuki T. Vision-based vehicles in Japan: Machine vision systems and driving control systems[J]. IEEE Transactions on Industrial Electronics, 1994, 41(4): 398?405.

[11] Fatih K, Yusuf S A. Vision-based railroad track extraction using dynamic programming[C]// Proceedings of the 12th InternationalIEEEConference onIntelligent Transpertation Systems, St Louis, Mo, USA, 2009: 42?47.

[12] 郭保青, 許西寧, 余祖俊. 單幅軌距圖像中軌道特征識別與定位方法研究[J]. 電子測量與儀器學(xué)報, 2011,25(4): 309?314.GUO Baoqing, XU Xining, YU Zujun. Research on recognition and positioning method of rail landmark in single image[J].Journal of Electronic Measurement and Instrument, 2011, 25(4): 309?314.

[13] 郭保青, 朱力強(qiáng), 史紅梅, 等. 基于單幅圖像的軌檢車位置矯正方法研究[J]. 鐵道學(xué)報, 2011, 33(12): 72?77.GUO Baoqing, ZHU Liqiang, SHI Hongmei, et al.Research on track inspection car position correction method by use of single imge[J]. Journal of the China Railway Society, 2011, 33(12): 72?77.

[14] 同磊. 基于機(jī)器視覺的軌道交通線路異物檢測技術(shù)研究[D]. 北京: 北京交通大學(xué)機(jī)械與電子控制工程學(xué)院,2012: 23?40.TONG Lei. A study on railway obstacle detection using machine vision[D]. Beijing: Beijing Jiaotong University,School ofMechanicalElectronic andControl Engineering, 2012: 23?40.

[15] 同磊, 朱力強(qiáng), 余祖俊, 等. 基于車載前視檢測相機(jī)的軌道異物檢測[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2012,12(4): 79?84.TONG Lei, ZHU Liqiang, YU Zujun, et al. Railway obstacle detection using onboard forward-viewing camera[J].Journal ofTransportationSystems Engineering and Information Technology, 2012, 12(4):79?84.

[16] 閔永智, 殷超, 黨建武, 等. 基于圖像色相值突變特征的鋼軌區(qū)域快速識別方法[J]. 交通運(yùn)輸工程學(xué)報,2016, 16(1): 46?54.MIN Yongzhi, YIN Chao, DANG Jianwu, et al. Fast recognition method of rail region based on hue value mutation feature of image[J]. Journal of Traffic and Transportation Engineering, 2016, 16(1): 46?54.