王飛

隨著我國高速鐵路的快速發(fā)展，以動(dòng)車組維修和養(yǎng)護(hù)為核心任務(wù)的動(dòng)車段（所），成為了高速鐵路安全高效運(yùn)營的重要保障。在動(dòng)車段（所）日常作業(yè)中，為實(shí)現(xiàn)對動(dòng)車組位置的實(shí)時(shí)追蹤，配備了動(dòng)車組位置追蹤系統(tǒng)，而站場狀態(tài)信息就是動(dòng)車組位置追蹤系統(tǒng)的基礎(chǔ)數(shù)據(jù)［1］。

通常，站場狀態(tài)信息是通過以太網(wǎng)接口與外部系統(tǒng)（聯(lián)鎖、CTC、CCS）通信獲取的。在工程實(shí)施階段，由于涉及到網(wǎng)絡(luò)通信和信息的對外傳輸，不易獲得與外部系統(tǒng)的直接接口，所以需要尋求一種能夠擺脫網(wǎng)絡(luò)通信的信息獲取方法。為此，提出采集站場顯示圖像作為數(shù)據(jù)源，利用計(jì)算機(jī)圖像處理與識別技術(shù)，從圖像中獲取站場狀態(tài)信息。

1 位置追蹤系統(tǒng)

動(dòng)車組位置追蹤系統(tǒng)主要包括動(dòng)車組身份識別和位置追蹤2個(gè)主要功能；前者通過室外安裝的車號識別設(shè)備實(shí)現(xiàn)，獲取動(dòng)車組的車型、車組號和編組等信息；后者以站場狀態(tài)信息為基礎(chǔ)，通過邏輯運(yùn)算獲取車列的運(yùn)行軌跡，對動(dòng)車組位置進(jìn)行連續(xù)跟蹤，實(shí)現(xiàn)動(dòng)車段（所）中位置追蹤的全覆蓋［2］。在既有條件下，只有在運(yùn)營線路上的CTC/TDCS具備列車位置追蹤功能，而在動(dòng)車段（所）則只能跟蹤動(dòng)車組位置至到發(fā)線股道，且只有車次信息，無法反映動(dòng)車組在段（所）內(nèi)的走行情況。

2 站場狀態(tài)信息識別方法

站場顯示終端將站場狀態(tài)信息繪制在站場圖中，并在屏幕上輸出顯示。站場設(shè)備（信號機(jī)、道岔和區(qū)段等）在站場圖中有固定的顯示區(qū)域。設(shè)備狀態(tài)發(fā)生變化時(shí)，對應(yīng)區(qū)域的圖像也會(huì)改變。肉眼可以直觀分辨圖像中的設(shè)備及不同狀態(tài)時(shí)的差別。因此，可以預(yù)先建立設(shè)備狀態(tài)與圖像之間的對應(yīng)關(guān)系，通過圖像特征進(jìn)行分選和識別設(shè)備狀態(tài)，解決站場狀態(tài)信息的來源問題。

本方案主要設(shè)備包括視頻分配器和圖像采集卡。如圖1所示，視頻分配器與顯示終端主機(jī)的視頻接口相連，將原顯示輸出一分為二，在不影響既有屏幕顯示的情況下，為圖像采集卡提供視頻信號。

圖1 系統(tǒng)硬件結(jié)構(gòu)

3 關(guān)鍵技術(shù)

3.1 圖像采集

圖像采集卡將視頻信號轉(zhuǎn)換為數(shù)字信號并壓縮編碼為圖像，因此，需要開發(fā)支持圖像采集卡的軟件，將圖像文件讀取到軟件內(nèi)存中。該軟件基于圖像采集卡配套的SDK（Software Development Kit）進(jìn)行二次開發(fā)。SDK內(nèi)部封裝了大量可用的API函數(shù)，并留出功能接口供給外部編程調(diào)用。

首先對采集卡SDK底層函數(shù)庫進(jìn)行研究，自帶的函數(shù)庫提供2種圖像采集方式：一種將數(shù)據(jù)保存在磁盤上，另一種將數(shù)據(jù)復(fù)制到系統(tǒng)緩沖區(qū)。由于緩沖區(qū)是系統(tǒng)在內(nèi)存中單獨(dú)開辟出來的一塊區(qū)域，數(shù)據(jù)在該區(qū)域中的讀寫速度遠(yuǎn)高于磁盤，因此采用緩沖區(qū)方式采集圖像數(shù)據(jù)可以減少對硬盤的讀寫頻率。

采集卡按設(shè)定的頻率將數(shù)據(jù)寫入緩沖區(qū)，同時(shí)發(fā)送消息通知軟件。軟件收到通知后，通過SDK提供的回調(diào)函數(shù)讀取緩沖區(qū)中數(shù)據(jù)，實(shí)現(xiàn)圖像的采集。

3.2 圖像降噪

由于信號傳輸時(shí)本身的衰減和一些外部因素的干擾，采集的站場圖像上存在一些噪聲污染。這些噪點(diǎn)的像素值與正常點(diǎn)不同，可能會(huì)影響圖像特征的精確判斷。為此，采用濾波器去除和減弱噪點(diǎn)的干擾。濾波器的原理是利用自身的濾波矩陣，對圖像中像素點(diǎn)進(jìn)行變換，不同的濾波矩陣可以控制原圖像中像素值在新圖像中的貢獻(xiàn)度，若像素點(diǎn)是突然變化的噪點(diǎn)，則可以通過降低該像素在新圖像中的貢獻(xiàn)值來達(dá)到降噪的目的。常用的均值濾波器是通過計(jì)算與當(dāng)前像素點(diǎn)相鄰像素點(diǎn)的加權(quán)平均值，替代當(dāng)前像素值；中值濾波器則先對與當(dāng)前像素點(diǎn)相鄰的所有像素值進(jìn)行排序，再用中間位置的像素值替代當(dāng)前像素點(diǎn)值。由于噪點(diǎn)的像素值比周圍正常的像素值更高或者更低，因此在排序的時(shí)候，噪聲一般在兩端，因此取中間位置的像素值時(shí)可以去掉大部分噪聲。相比均值濾波，中值濾波器能更好實(shí)現(xiàn)圖像降噪的目的，本文采用中值濾波器對圖像進(jìn)行降噪處理。

3.3 位移糾正

當(dāng)圖像整體出現(xiàn)位移時(shí)，采集的圖像會(huì)出現(xiàn)錯(cuò)位，影響識別和分析結(jié)果，需要對采集圖像進(jìn)行位移糾正。

首先在圖像中設(shè)置特征點(diǎn)，比較采集圖像的特征點(diǎn)與標(biāo)志圖中的預(yù)設(shè)特征點(diǎn)，通過計(jì)算特征點(diǎn)發(fā)生的位移來確定圖像發(fā)生的位移幅值。本文采用模板匹配的方式完成特征點(diǎn)比較［3］，模板匹配采用誤差平方和算法（Sum of Squared Differences，SSD）。如圖2所示，箭頭表示圖像發(fā)生的實(shí)際位移，設(shè)T是圖像的特征模板，大小為M×N（M=20，N=20），其在標(biāo)準(zhǔn)圖中的位置記錄為（I，J），S是大小為m×n的搜索圖（本文m=1 920，n=1 080）。搜索圖S中以（i，j）為左上角，取與特征模板大小一致的子圖，計(jì)算子圖與特征點(diǎn)模板的相似度D。遍歷整個(gè)搜索圖S，找到最小的D（i，j）即可確定與模板匹配的子圖位置。計(jì)算子圖與預(yù)設(shè)特征點(diǎn)位置的差值（i-I，j-J），即是圖像發(fā)生位移的幅值，最后統(tǒng)一對采集圖像進(jìn)行位移糾正處理。

圖2 模板匹配示意圖

3.4 圖像分割

設(shè)備位置在站場圖中是固定的，可采用預(yù)先劃定判別區(qū)域的方式，將設(shè)備圖像從整體中分割出來。判別區(qū)域信息保存在相應(yīng)的參數(shù)文件，由專用的工具軟件生成，主要包括設(shè)備的名稱、類型、該區(qū)域的坐標(biāo)和尺寸等，通過這些信息可以建立設(shè)備與站場圖中顯示區(qū)域的對應(yīng)關(guān)系，如圖3所示。

圖3 圖像分割示意圖

首先，通過工具軟件加載站場圖，用戶在站場圖上用鼠標(biāo)根據(jù)目標(biāo)設(shè)備形狀，劃出不同大小的矩形，工具軟件自動(dòng)記錄矩形的坐標(biāo)和尺寸；然后，人工指定矩形對應(yīng)的設(shè)備名稱和類型，工具軟件將這些參數(shù)存儲在相應(yīng)的變量中；在完成所有設(shè)備區(qū)域的劃分后，生成最終的參數(shù)文件。

3.5 特征提取

對信號機(jī)、道岔和區(qū)段狀態(tài)的判斷主要依據(jù)目標(biāo)區(qū)域的顏色特征，例如，信號機(jī)在開放時(shí)，燈圈區(qū)域填充為綠色或白色，在關(guān)閉時(shí)，填充為紅色或藍(lán)色；道岔和區(qū)段的特征類似，占用時(shí)顯示為紅光帶，空閑時(shí)光帶顯示為灰色。顏色特征無需進(jìn)行大量計(jì)算，只需將圖像中的像素值進(jìn)行相應(yīng)轉(zhuǎn)換，表現(xiàn)為數(shù)值即可。

本文通過顏色矩提取圖像中的顏色特征。顏色矩利用線性代數(shù)中矩的概念，可以有效地描述圖像中顏色的分布［4］。顏色矩主要包括顏色平均值（一階矩）、顏色方差（二階矩）和顏色偏斜度（三階矩），主要特點(diǎn)是特征向量維度低，計(jì)算簡單，比較適合做顏色相似性判斷的場合?；贖SV顏色模型的顏色矩是用于特征提取的常用算法，HSV表達(dá)彩色圖像的方式由色調(diào)（Hue）、飽和度（Sat?uration）和亮度（Value）3個(gè)部分組成，比RGB更接近人們對彩色的感知經(jīng)驗(yàn)，如圖4所示。為了方便進(jìn)行顏色相似性對比，將圖像的顏色模型轉(zhuǎn)換為HSV用于圖像處理。

圖4 HSV顏色模型

顏色特征提取的基本步驟如下：①進(jìn)行顏色空間的轉(zhuǎn)換，將圖像由RGB轉(zhuǎn)換為HSV；②分別獲取目標(biāo)區(qū)域H、S、V的值以及對應(yīng)的像素點(diǎn)數(shù)；③計(jì)算識別區(qū)域的H、S、V的均值、方差和斜度作為圖像的顏色特征值。

3.6 識別算法模型構(gòu)建

3.6.1 構(gòu)建過程

通過對多個(gè)設(shè)備顯示區(qū)域的色調(diào)、平均色彩飽和度和亮度等數(shù)據(jù)的分析，發(fā)現(xiàn)作為判斷依據(jù)的顏色特征，如（灰、紅）（綠、紅、黃）（藍(lán)、紅）等分布并不能在二維平面上通過簡單的線性分割區(qū)域進(jìn)行判決，本文采用BP神經(jīng)網(wǎng)絡(luò)算法對圖像的顏色特征進(jìn)行分類判斷，圖5為該模型的拓?fù)浣Y(jié)構(gòu)。xi（i=1，2，…，n）表示輸入數(shù)據(jù)；yj（j=1，2，…，m）表示輸出數(shù)據(jù)。具體模型構(gòu)建過程如下。

圖5 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

1）確定輸入節(jié)點(diǎn)數(shù)。BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)取決于輸入數(shù)據(jù)的維度，本文以圖像的顏色矩作為圖像特征，參考提取出來的特征數(shù)據(jù)維度，輸入層的節(jié)點(diǎn)數(shù)n取為20。

2）確定輸出節(jié)點(diǎn)數(shù)。輸出層為設(shè)備狀態(tài)，輸出節(jié)點(diǎn)的個(gè)數(shù)與需要區(qū)分的類別數(shù)有關(guān)，輸出節(jié)點(diǎn)個(gè)數(shù)m取為9。

3）確定隱藏層節(jié)點(diǎn)數(shù)。本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型中只有一個(gè)隱藏層，單隱藏層神經(jīng)網(wǎng)絡(luò)的非線性映射能力較弱，因此，隱層節(jié)點(diǎn)需要多設(shè)置一些，本文中隱藏層節(jié)點(diǎn)個(gè)數(shù)取為20。

4）確定激勵(lì)函數(shù)。Leaky Relu函數(shù)具有訓(xùn)練速度快和運(yùn)算量少的優(yōu)點(diǎn)，為了較快的數(shù)據(jù)處理速度，本文的激勵(lì)函數(shù)采用Leaky Relu。

3.6.2 實(shí)現(xiàn)步驟

在完成識別算法模型的構(gòu)建之后，需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將樣本中蘊(yùn)藏的大量信息通過學(xué)習(xí)不斷收集到網(wǎng)絡(luò)模型中［5］，其基本步驟如圖6所示。

圖6 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

1）對輸入層、隱藏層和輸出層各節(jié)點(diǎn)之間的權(quán)值進(jìn)行隨機(jī)初始化。

2）由輸入層輸入訓(xùn)練數(shù)據(jù)，并將信號向下層層傳遞，直到計(jì)算產(chǎn)生輸出層的結(jié)果。

3）比較輸出結(jié)果與期望結(jié)果，計(jì)算兩者之間的誤差。

4）由隱藏層反向傳播誤差信號，將誤差分?jǐn)偨o各層的所有節(jié)點(diǎn)，使各層均獲取該誤差信號。

5）各層根據(jù)誤差信號調(diào)整節(jié)點(diǎn)間的權(quán)值，使誤差信號下降。

6）以上過程循環(huán)進(jìn)行，直到滿足特定的條件為止，完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

4 結(jié)果與分析

為對本方法的準(zhǔn)確性和有效性進(jìn)行驗(yàn)證，采集站場顯示終端畫面，得到站場圖300張，按照大致1：4比例，將圖片庫劃分訓(xùn)練集和測試集。在訓(xùn)練集中人工手動(dòng)截取信號機(jī)、道岔和區(qū)段不同狀態(tài)的圖片各50張，包含不同種狀態(tài)的信號機(jī)、道岔和區(qū)段。利用訓(xùn)練集提取的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，測試集用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型功能的準(zhǔn)確性。驗(yàn)證方法是將測試集圖片數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對實(shí)際輸出與輸入的數(shù)據(jù)進(jìn)行比對。

在測試過程中，本方法表現(xiàn)出良好的識別效果，識別準(zhǔn)確率都在95%以上，平均準(zhǔn)確率可達(dá)98%。細(xì)分來看，本方法基本能夠準(zhǔn)確識別圖片中的信號機(jī)和區(qū)段的不同狀態(tài)，準(zhǔn)確率都在很高的水平。測試過程中的誤識別樣本出現(xiàn)在圖像中的道岔，樣本僅有1個(gè)。后續(xù)分析發(fā)現(xiàn)，該道岔所在區(qū)域設(shè)備布置密集，分割的圖像中包含一部分相鄰的信號機(jī)。在信號機(jī)亮黃燈時(shí)，圖像中主色調(diào)與道岔反位時(shí)更為相似，從而導(dǎo)致識別錯(cuò)誤。后續(xù)調(diào)整該道岔的判別區(qū)域，縮小截取的圖像范圍，確保判別區(qū)域中無其他設(shè)備圖像干擾，重新對該道岔進(jìn)行識別測試，最后輸出結(jié)果顯示與實(shí)際狀態(tài)相符。

5 結(jié)論

從站場顯示圖像中獲取站場狀態(tài)信息的方法不需要進(jìn)行網(wǎng)絡(luò)通信，擺脫了對通信接口的依賴。目前，采用此種部署方式的動(dòng)車組位置追蹤系統(tǒng)已在濟(jì)南局試點(diǎn)應(yīng)用。計(jì)劃后續(xù)在其他位置追蹤系統(tǒng)中推廣實(shí)施。