曾祥銀，鄭伯川，劉 丹

（西華師范大學(xué)計(jì)算機(jī)學(xué)院，四川南充 637002）

0 引言

由于中國社會經(jīng)濟(jì)發(fā)展的需要，國家大力發(fā)展鐵路運(yùn)輸，因此中國鐵路事業(yè)取得了舉世矚目的成就，為中國經(jīng)濟(jì)的發(fā)展提供了強(qiáng)勁動力［1］。隨著鐵路網(wǎng)絡(luò)覆蓋范圍的不斷增加以及列車運(yùn)行速度的不斷提高，使得鐵路運(yùn)輸已成為國民出行和物流運(yùn)輸?shù)幕窘煌üぞ咧?，安全性也越來越受到人們的重視?］。

異物侵入鐵路安全限界（異物侵限）嚴(yán)重影響列車安全運(yùn)行，如山體滑坡堆積的沙土和石塊，非法入侵的行人、動物和車輛等對列車的安全構(gòu)成巨大威脅。異物侵限不僅會中斷鐵路交通正常運(yùn)行，破壞鐵路軌道和列車，還可能會危害到人民生命和財(cái)產(chǎn)安全，給國家和人民帶來嚴(yán)重?fù)p失，因此對異物侵限事件檢測是保障列車安全運(yùn)行的重要內(nèi)容。

隨著計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，智能視頻監(jiān)測在鐵路安全監(jiān)測中的應(yīng)用越來越廣泛，基于視頻圖像的鐵路軌道異物侵限檢測，首先需要從圖像中劃定鐵路限界，鐵路限界是指為保證運(yùn)輸安全而制定的建筑物、設(shè)備與機(jī)車車輛相互間在線路上不能逾越的輪廓尺寸線，因此快速準(zhǔn)確地檢測出鐵路軌道線是異物侵限檢測的第一個(gè)關(guān)鍵步驟。只有正確檢測出了軌道線才能正確劃定鐵路限界，才能進(jìn)行異物侵限檢測。

目前，對鐵路軌道線檢測的研究相對較少，現(xiàn)有研究文獻(xiàn)主要采用傳統(tǒng)的基于圖像特征的檢測方法和基于模型匹配的檢測方法。基于圖像特征的檢測方法主要利用軌道區(qū)域和背景區(qū)域在輪廓、方向、灰度、紋理等方面的特征差異來分割軌道線［3-4］，其中文獻(xiàn)［4］中的軌道線檢測準(zhǔn)確率為77%，檢測速度為0.30 frame/s。文獻(xiàn)［5］中應(yīng)用圖像處理與識別技術(shù)提出基于主方向迭代校正的鐵軌檢測算法，該算法首先基于梯度圖像的霍夫（Hough）變換，估計(jì)出軌道的主方向，然后結(jié)合判定準(zhǔn)則進(jìn)行軌道檢測與定位，它的軌道線檢測準(zhǔn)確率為90%，檢測速度為1.36 frame/s。針對道砟、軌枕等噪聲對傳統(tǒng)的邊緣檢測算法影響較大，文獻(xiàn)［6］中提出一種基于灰度形態(tài)學(xué)的軌道邊緣檢測算法，實(shí)現(xiàn)軌道邊緣的自適應(yīng)檢測，并利用多約束霍夫變換對檢測結(jié)果進(jìn)行優(yōu)化提高了檢測精度。基于模型匹配的檢測方法建立局部線性模型或建立直線、拋物線和曲線等全局線性模型來檢測軌道線［7］。文獻(xiàn)［8］中結(jié)合軌道在圖像中的特征和拉東（Radon）變換思想，基于布雷森漢姆直線算法（Bresenham’s line algorithm）提出了鐵路軌道直線檢測方法。直線模型只能擬合出鐵軌直線的部分，不能刻畫出軌道彎軌部分，文獻(xiàn)［9］中提出了一種基于直線和雙曲線相結(jié)合的分段曲線模型來檢測軌道線，進(jìn)一步提高了對軌道線描述的準(zhǔn)確性，它的軌道線檢測準(zhǔn)確率為89%，檢測速度為17.76 frame/s。復(fù)雜的線性模型雖能更好地?cái)M合出軌道線邊界，但當(dāng)軌道周圍出現(xiàn)較多噪聲時(shí)，擬合的軌道線可能會出現(xiàn)較大的波動。由于鐵路軌道線周圍區(qū)域包含大量復(fù)雜的背景信息，有軌道扣件、軌枕、地面應(yīng)答器和道砟等設(shè)施設(shè)備，還有道岔、信號燈、光照和陰影等變化影響，因此軌道線檢測具有較大的難度，在精確度和魯棒性方面還有很大的提升空間。

與鐵路軌道線檢測相似的研究是車道線檢測研究，鐵路軌道線檢測可以借鑒車道線檢測的思想進(jìn)行研究?，F(xiàn)有的車道線檢測主要分為兩大類。一類是通過傳統(tǒng)的數(shù)字圖像處理方法進(jìn)行檢測，主要包括模型匹配的檢測方法［10］和特征提取的檢測方法［11］?；谀Ｐ推ヅ涞姆椒?，使用數(shù)學(xué)中的線性模型來擬合道路圖像中的車道線。如文獻(xiàn)［12］中在近景中使用線性拋物線模型，在遠(yuǎn)景中使用二次函數(shù)曲線來擬合車道線。文獻(xiàn)［13］中使用帶有附加非線性的雙曲線模型來匹配曲率連續(xù)變化的道路。文獻(xiàn)［14］中基于隨機(jī)采樣一致算法和改進(jìn)的River Flow算法，提出了一種曲線車道線檢測方法，該方法使用近視野中檢測到的直線或最后一幀的曲線結(jié)果來指導(dǎo)遠(yuǎn)視野中的特征點(diǎn)搜索，在虛線車道和車輛遮擋情況下提高了車道線檢測的魯棒性能?；谔卣鞯姆椒?，主要是利用車道線的顏色、紋理、亮度等與背景差異較大的車道線特征信息識別檢測圖像中的車道線［15］。文獻(xiàn)［16-17］中主要利用在灰度圖像中車道線像素的灰度通常要大于非車道線像素的灰度的特點(diǎn)來設(shè)置合適的閾值尋找車道線。文獻(xiàn)［18］中使用貝葉斯分類來確定縮小圖像中每個(gè)像素屬于路面的概率，接著和理想道路面的似然度圖像進(jìn)行匹配，找到最佳的道路面候選區(qū)域，最后利用霍夫變換檢測車道線。文獻(xiàn)［19］中提出了一種基于形態(tài)學(xué)的車道線檢測算法，該算法通過對原始圖像進(jìn)行濾波，然后利用具有車道模型特征的結(jié)構(gòu)元素對處理后的圖像進(jìn)行特定目標(biāo)提取，最后進(jìn)行霍夫變換標(biāo)記車道線。另一類是通過神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行檢測，文獻(xiàn)［20］中提出SCNN（Spatial CNN）模型，通過將常規(guī)的逐層卷積（layer-by-layer convolutions）換成了逐條卷積（slice-by-slice convolutions），使得信息可以跨行和跨列傳遞，更好地檢測到車道線。文獻(xiàn)［21］中將車道檢測問題看作一個(gè)實(shí)例分割問題，設(shè)計(jì)了兩個(gè)網(wǎng)絡(luò)分支，車道分割分支負(fù)責(zé)區(qū)分車道和背景，而車道嵌入分支則把分段的車道像素分解成不同的車道線實(shí)例。文獻(xiàn)［22］中將生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）引入車道線檢測，增加分割網(wǎng)絡(luò)中像素之間的關(guān)聯(lián)，提高了檢測精度。文獻(xiàn)［23］中提出了Line-CNN網(wǎng)絡(luò)模型，使用目標(biāo)檢測方法檢測車道線。由于車道線的區(qū)域遠(yuǎn)小于目標(biāo)檢測中的物體區(qū)域，該模型使用候選線（line proposal）來替換傳統(tǒng)目標(biāo)檢測的候選區(qū)域（region proposal）。文獻(xiàn)［24］中在候選線的基礎(chǔ)上引入注意力機(jī)制，提出了一個(gè)速度與性能兼?zhèn)涞能嚨谰€檢測模型。更多的使用神經(jīng)網(wǎng)絡(luò)方式用于車道線檢測請參閱文獻(xiàn)［25-28］。由于神經(jīng)網(wǎng)絡(luò)可以自動從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)潛在特征，并把學(xué)習(xí)結(jié)果向同類型未知數(shù)據(jù)泛化，因此基于神經(jīng)網(wǎng)絡(luò)方式的車道線檢測準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)檢測方式。

基于神經(jīng)網(wǎng)絡(luò)的車道線檢測方法具有檢測準(zhǔn)的優(yōu)點(diǎn)，但多數(shù)神經(jīng)網(wǎng)絡(luò)模型層級深、結(jié)構(gòu)復(fù)雜導(dǎo)致計(jì)算量特別大，對軟硬件條件要求高，實(shí)用性不強(qiáng)。本文在借鑒已有的車道線和鐵路軌道線檢測方法的基礎(chǔ)上，結(jié)合鐵路軌道線的特征，提出了一種簡單高效的基于深度卷積神經(jīng)網(wǎng)絡(luò)的鐵路軌道線線檢測方法，該方法能快速、準(zhǔn)確地檢測出軌道線。本文的主要工作包括：

1）使用網(wǎng)格分割法縮小標(biāo)注圖像的尺寸，用一個(gè)像素點(diǎn)代替網(wǎng)格局部區(qū)域的軌道線信息。基于縮小的軌道線標(biāo)注圖，提出一種新的用于軌道線分割檢測的深度卷積神經(jīng)網(wǎng)絡(luò)。與一般分割網(wǎng)絡(luò)輸出整張分割圖像不同，該網(wǎng)絡(luò)輸出的分割圖像與縮小后的軌道線標(biāo)注圖大小相同，因此該網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、參數(shù)量少、推理速度快等優(yōu)點(diǎn)。

2）針對檢測出的軌道線，提出了一種基于幾何信息的左右軌道線點(diǎn)聚類方法，該方法能夠正確區(qū)分出左右軌道線點(diǎn)。

1 數(shù)據(jù)集

1.1 數(shù)據(jù)采集

本文數(shù)據(jù)集來源于真實(shí)鐵路軌道上的錄制視頻，通過視頻處理軟件對視頻進(jìn)行每秒截取一幀的方式，總共獲取到2 996張?jiān)紙D像，部分圖像如圖1所示。

圖1 鐵路軌道圖像Fig.1 Railway track images

1.2 數(shù)據(jù)預(yù)處理

由于采集視頻的設(shè)備不具備防抖功能，導(dǎo)致截取的部分圖像存在模糊的現(xiàn)象，需要對模糊圖像進(jìn)行數(shù)據(jù)清理，最終刪除1 976張無法標(biāo)注軌道線的模糊圖像，剩下1 020張較為清晰的圖像。截取的圖像大小為1 920像素×1 080像素。由于鐵路軌道區(qū)域集中在圖像的中下區(qū)域，為了保留軌道區(qū)域的情況下提高模型性能，對原始圖像進(jìn)行裁剪。對每張?jiān)紙D像裁剪左上角坐標(biāo)點(diǎn)（460，80）和圖像右下角坐標(biāo)點(diǎn)（1 460，1 080）所形成的矩形區(qū)域作為最終的圖像，裁剪所得的圖像大小為1000像素×1000像素。

1.3 數(shù)據(jù)標(biāo)注

鐵路軌道線檢測相關(guān)的研究相對較少，因此參考車道線檢測相關(guān)研究對鐵路軌道線進(jìn)行標(biāo)注。具體方式是使用專業(yè)車道線數(shù)據(jù)集標(biāo)注軟件labelme，手工對每張圖像上的軌道線進(jìn)行標(biāo)注，盡可能標(biāo)注更多點(diǎn)來體現(xiàn)鐵路軌道線本身的直線和弧線形狀，然后將這些標(biāo)注點(diǎn)坐標(biāo)保存到標(biāo)簽文件中。原圖標(biāo)注效果如圖2所示。

圖2 標(biāo)注圖像Fig.2 Labeled images

1.4 標(biāo)注圖像網(wǎng)格分割

本文數(shù)據(jù)集的原始標(biāo)注圖像是二值圖像，將原始標(biāo)注圖像沿水平方向和垂直方向分別進(jìn)行50等分，劃分成50×50個(gè)網(wǎng)格。每一個(gè)網(wǎng)格代表20像素×20像素信息，轉(zhuǎn)換后的標(biāo)注圖像Thw(1≤h≤50，1≤w≤50)，每個(gè)像素的取值如下：

其中，標(biāo)注圖像網(wǎng)格分割如圖3所示：圖3（a）是原標(biāo)注圖像中有軌道線點(diǎn)超過10個(gè)的情況，縮小為一個(gè)軌道線點(diǎn)，并將此網(wǎng)格的像素值設(shè)置為1，表示存在軌道線；圖3（b）是原標(biāo)注圖中軌道線點(diǎn)少于10個(gè)情況，縮小為一個(gè)非軌道線點(diǎn)，并將此網(wǎng)格的像素值設(shè)置為0，表示不存在軌道線；圖3（c）是對原始標(biāo)注圖像經(jīng)過網(wǎng)格化后處理的標(biāo)簽結(jié)果。

圖3 網(wǎng)格分割定位示意圖Fig.3 Schematic diagram of grid division and location

本文基于對比實(shí)驗(yàn)結(jié)果，將網(wǎng)格分割閾值設(shè)置為10個(gè)軌道線點(diǎn)。如圖4所示：圖4（a）是原始標(biāo)注圖，大小為1 000像素×1 000像素；圖4（b）～（d）是分割定位圖，大小為50像素×50像素。圖4（b）是設(shè)置閾值為10的情況，能夠很好保留原始標(biāo)注圖的信息。圖4（c）和（d）分別是閾值為15和20的情況，可以看出，閾值太大就不能很好地保留原始標(biāo)注圖的信息。因此，本文選擇一個(gè)能夠相對較好保留原始標(biāo)注信息的閾值。

圖4 不同閾值的網(wǎng)格分割效果對比Fig.4 Comparison of grid division effect with different thresholds

1.5 數(shù)據(jù)擴(kuò)充

經(jīng)過數(shù)據(jù)處理后，剩下1 020張圖像及其對應(yīng)的標(biāo)簽文件，考慮到數(shù)據(jù)量過小不能達(dá)到訓(xùn)練神經(jīng)網(wǎng)絡(luò)的要求，結(jié)合現(xiàn)實(shí)中數(shù)據(jù)的情況采用水平和垂直翻轉(zhuǎn)對數(shù)據(jù)集進(jìn)行擴(kuò)充。數(shù)據(jù)擴(kuò)充后的數(shù)據(jù)集包含4 080張圖像，并且在模型訓(xùn)練時(shí)，實(shí)時(shí)對數(shù)據(jù)進(jìn)行亮度、對比度、飽和度以及顏色方式的增強(qiáng)。

2 左右鐵路軌道線檢測方法

本文提出一種可區(qū)分左右軌道線的鐵路軌道線檢測方法，該方法主要分為3個(gè)部分：第1部分采用深度卷積神經(jīng)網(wǎng)絡(luò)模型將圖像中的列車行駛前方的兩條軌道線檢測出來；第2部分則采用幾何信息聚類方法區(qū)分并聚類左右兩條鐵路軌道線；第3部分將檢測到的軌道線還原到原始圖像中。

2.1 基于深度卷積神經(jīng)網(wǎng)絡(luò)的軌道線分割

通?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)的圖像分割是對每一個(gè)像素進(jìn)行判斷，因此存在分割速度不夠快的問題。為了改進(jìn)圖像逐像素分割方法速度不夠快的問題，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的軌道線分割方法。提出的深度卷積神經(jīng)網(wǎng)絡(luò)模型主體呈線性結(jié)構(gòu)，由卷積層、池化層、歸一化層以及激活層所組成，具體結(jié)構(gòu)如圖5所示。

圖5 所提方法的網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structureof the proposed method

其中ConvBlock是一個(gè)由3×3卷積、BatchNorm2D歸一化和LekyRelu激活所構(gòu)成的模塊，每次進(jìn)行ConvBlock操作可以選擇輸出結(jié)果的通道數(shù)，多次ConvBlock操作使得輸入數(shù)據(jù)的通道數(shù)由3增長到256再減少到1，輸入圖像大小為800像素×800像素，通道數(shù)為3，卷積過程采用填充方式不改變圖像大小。每次經(jīng)過最大池化操作后，圖像大小變?yōu)樵瓉淼囊话耄偣步?jīng)過4次池化操作，最終輸出層圖像大小變?yōu)?0像素×50像素，通道數(shù)為1。每個(gè)像素點(diǎn)也是概率點(diǎn)，代表原始圖像每個(gè)20像素×20像素大小網(wǎng)格區(qū)域是否存在軌道線。模型整體參數(shù)量為100萬級別，模型參數(shù)體積為4.3 MB。

采用二分類交叉熵?fù)p失函數(shù)（Binary CrossEntropy）計(jì)算模型損失。設(shè)P為模型推理得到的檢測圖中所有像素點(diǎn)構(gòu)成的集合，G為真實(shí)的標(biāo)注掩模圖中所有像素點(diǎn)構(gòu)成的集合，損失函數(shù)定義為：

其中：pi為模型檢測圖中像素點(diǎn)i的值，gi為標(biāo)注圖像中像素點(diǎn)i的值，N是圖像的像素點(diǎn)總個(gè)數(shù)。

2.2 鐵路左右軌道線區(qū)分

神經(jīng)網(wǎng)絡(luò)檢測出鐵路軌道線位置信息后，還需要通過位置信息聚類出左右軌道線。本文采用幾何信息聚類方法將檢測出的軌道線點(diǎn)進(jìn)行軌道線歸類，具體算法步驟如下：

1）對每張檢測概率圖，從下往上、從左往右沿著密度上升的方向移動，依次處理每個(gè)檢測為軌道線的像素概率點(diǎn)。

2）對每個(gè)軌道線點(diǎn)，判斷是否確定了軌道線的起點(diǎn)，若沒有則執(zhí)行步驟3），若有則執(zhí)行步驟4）。

3）將當(dāng)前軌道線點(diǎn)作為一條軌道線的起點(diǎn)。

4）計(jì)算與已歸類軌道線點(diǎn)集合的距離、角度相關(guān)性。計(jì)算歸類判斷方法如圖6所示，設(shè)已歸類軌道線點(diǎn)集合Ω構(gòu)成的線為L2，欲歸類檢測點(diǎn)為P1，已歸類軌道線點(diǎn)集合中距離P1最近的點(diǎn)為P2，P1和P2構(gòu)成的線為L1，P1和P2之間的距離為S，L1和L2之間的夾角為α，具體判斷如下：如果S≥width/3并且|α|≥π/4，其中width為檢測概率圖的寬度，那么P1作為一條新的軌道線起點(diǎn)；否則計(jì)算P1點(diǎn)和每個(gè)已歸類好的軌道線點(diǎn)集合的相關(guān)性：R=1/α+1/S，排序相關(guān)性，將P1歸入到相關(guān)性最大的軌道線集合。

圖6 相關(guān)屬性計(jì)算Fig.6 Calculation of related attributes

5）重復(fù)步驟1）～4），直到所有像素概率點(diǎn)處理完成。

得到了區(qū)分左右軌道線的位置信息，可視化效果如圖7所示。

圖7 左右軌道線聚類部分結(jié)果Fig.7 Some resultsof clusteringof left and right railway tracks

2.3 檢測出的軌道線還原到原圖像

檢測圖大小為50像素×50像素，其中一個(gè)像素點(diǎn)代表原圖中的一個(gè)20像素×20像素區(qū)域，為了將檢測圖中的軌道線點(diǎn)還原到原圖軌道線上，只需要將檢測圖中軌道線點(diǎn)的坐標(biāo)做相應(yīng)的放大就可以了。具體做法為：

其中，xi、yi是檢測圖中軌道線點(diǎn)i的坐標(biāo)，xi'、yi'是原圖中對應(yīng)的軌道線點(diǎn)i的坐標(biāo)。檢測圖與原圖中對應(yīng)軌道線點(diǎn)如圖8所示。

圖8 檢測結(jié)果還原到原始圖Fig.8 Detection results returning to original images

分別對左右軌道線點(diǎn)集合，采用直接連線軌道線點(diǎn)方式獲得完整的軌道線。如圖9是繪制了完整軌道線的部分原圖?？梢钥闯?，檢測得到的軌道線與真實(shí)軌道貼合很緊密，并且左右軌道也能夠正確區(qū)分。

圖9 部分軌道線檢測結(jié)果Fig.9 Some resultsof railway track detection

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)使用硬件環(huán)境：CPU為Inter Xeon 4114，2個(gè)CPU 2.20 GHz，RAM大小為32 GB，GPU為NVIDIA GP100，GPU內(nèi)存16 GB。軟件環(huán)境：Ubuntu18.04、Pytorch1.4、Python3.6.9。

3.1 模型訓(xùn)練

數(shù)據(jù)集被分為訓(xùn)練集（80%）、驗(yàn)證集（10%）和測試集（10%）進(jìn)行模型優(yōu)化和性能評價(jià)。由于模型輸入數(shù)據(jù)大小為800像素×800像素，而預(yù)處理后的圖片大小為1 000像素×1 000像素，在進(jìn)行模型訓(xùn)練、測試和檢測的過程中，本文使用了雙立方插值實(shí)時(shí)對讀取數(shù)據(jù)進(jìn)行Resize操作。

訓(xùn)練過程得到的訓(xùn)練和驗(yàn)證損失曲線如圖10所示，訓(xùn)練初始模型的訓(xùn)練集和驗(yàn)證集損失都比較高，第2到第5個(gè)批次（epochs）損失迅速下降，接著損失緩慢下降；當(dāng)訓(xùn)練批次達(dá)到15次左右，模型達(dá)到最佳效果。在后續(xù)的訓(xùn)練中，訓(xùn)練損失和驗(yàn)證損失都無明顯變化，說明對于當(dāng)前數(shù)據(jù)集，模型已經(jīng)得到了充分的訓(xùn)練。

圖10 損失函數(shù)的變化情況Fig.10 Changeof loss functions

3.2 評價(jià)指標(biāo)

為了判斷一條軌道線是否被檢測出來，本文借鑒車道線檢測中的相關(guān)方法將鐵路軌道視為寬度等于10像素的線［20-22］，并計(jì)算標(biāo)注圖像中的線和模型檢測圖中線之間的交并比（Intersection over Union，IoU）。當(dāng)IoU大于等于某個(gè)閾值（0.30/0.35/0.40/0.45/0.50）則認(rèn)為是正確檢測到軌道線（True Positive，TP），若IoU小于設(shè)定的閾值則認(rèn)為是假正例（False Positive，F(xiàn)P），除此之外，標(biāo)注圖中存在的軌道線而模型沒有檢測到則是假負(fù)例（False Negative，F(xiàn)N）。另外，使用F1作為最后的評價(jià)指標(biāo)：

其中：Precision為精確率、Recall為召回率。它們的計(jì)算方式如下：

準(zhǔn)確率（Accuracy）的計(jì)算參考并結(jié)合文獻(xiàn)［9］和文獻(xiàn)［20］的計(jì)算方式：

其中n為測試數(shù)據(jù)集中標(biāo)注軌道線的總數(shù)量，Oi是第i軌道線的檢測結(jié)果，每個(gè)結(jié)果的取值如下：

Thr為設(shè)定的閾值。

3.3 實(shí)驗(yàn)結(jié)果

利用上述評價(jià)指標(biāo)，對測試數(shù)據(jù)集使用本文提出的方法檢測軌道線的性能如表1所示。當(dāng)閾值取值為0.30，0.30為車道線檢測中容差率的最低標(biāo)準(zhǔn)（最高標(biāo)準(zhǔn)為0.50），F(xiàn)1最高達(dá)到了98.82%。隨著閾值取值的增大，召回率、精確率和F1性能指標(biāo)都開始下降。當(dāng)閾值由0.35增大到0.50時(shí)，F(xiàn)1指標(biāo)快速下降了29.61%。結(jié)合可視化結(jié)果發(fā)現(xiàn)在視覺遠(yuǎn)端的軌道線檢測的準(zhǔn)確率比較低，近端的準(zhǔn)確率高。而作為高速行駛的列車，它的危險(xiǎn)區(qū)域要大于傳統(tǒng)的車道區(qū)域，因此本文使用0.35作為軌道線檢測最終的閾值。

表1 所提方法的軌道線檢測性能 單位：%Tab.1 Railway track detection performanceof the proposed method unit：%

其中測試數(shù)據(jù)集中總共有204條標(biāo)注軌道線，模型正確檢測出196條軌道線，準(zhǔn)確率達(dá)到96%，多次實(shí)驗(yàn)計(jì)算得到平均檢測速度為155 frame/s，能夠?qū)崟r(shí)地對視頻監(jiān)控圖像進(jìn)行軌道線檢測，部分軌道線檢測結(jié)果如圖9所示。

4 結(jié)語

通過研究已有的車道線和鐵路軌道線檢測方法，提出一種新的可區(qū)分左右軌道的鐵路軌道線檢測方法。該方法首先構(gòu)建一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型用于檢測鐵路軌道線，然后使用幾何信息聚類方法區(qū)分左右軌道線，最終對鐵路軌道線的檢測達(dá)到了96%的檢測準(zhǔn)確率和155 frame/s的檢測速度。所提出的深度卷積神經(jīng)網(wǎng)絡(luò)模型的體積和計(jì)算量都比較小，適合部署到邊緣移動設(shè)備進(jìn)行實(shí)時(shí)軌道線檢測。本文雖然能快速從視頻圖像中提取軌道線，但是對遠(yuǎn)端軌道線的檢測準(zhǔn)確率不高。下一步的研究工作主要考慮對遠(yuǎn)端和近端使用不同大小的網(wǎng)格分割以提高檢測準(zhǔn)確率。