郭良君 徐建軍 靳亞平 任青茂

摘 要：在鐵路安全事故中自然災(zāi)害造成的影響尤為嚴(yán)重。隨著鐵路大范圍開工和信息化建設(shè)，鐵路限界內(nèi)的安全防護(hù)需求日益增加。本文提出了鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備，利用機(jī)器學(xué)習(xí)技術(shù)的多種算法對(duì)鐵路限界內(nèi)的人員侵限、異物侵限和自然災(zāi)害進(jìn)行圖像智能識(shí)別和實(shí)時(shí)預(yù)警?；跈C(jī)器學(xué)習(xí)的鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的研制和應(yīng)用能夠輔助鐵路工務(wù)部門維護(hù)鐵路交通順暢，同時(shí)其智能識(shí)別和實(shí)時(shí)預(yù)警功能為鐵路列車的安全、高速運(yùn)行提供了可靠的保障。

關(guān)鍵詞：機(jī)器學(xué)習(xí);防洪減災(zāi);圖像識(shí)別;實(shí)時(shí)預(yù)警

1 緒論

1.1 課題的背景及意義

中國(guó)地域遼闊，自然地理情況復(fù)雜。地區(qū)多山川河流，鐵路橋隧相連。每到雨季，洪水肆虐，滑坡、泥石流、塌方落石等自然災(zāi)害頻繁，對(duì)鐵路運(yùn)輸及安全影響極大。近10年統(tǒng)計(jì)表明，洪水、塌方、落石、泥石流、滑坡等自然災(zāi)害對(duì)鐵路造成的重大事故占所有鐵路重大事故的87%。為了防止災(zāi)害的發(fā)生鐵路部門必須投入大量的工作人員24小時(shí)不間斷地在重點(diǎn)地質(zhì)災(zāi)害區(qū)域進(jìn)行巡守，但由于人力有限經(jīng)常會(huì)出現(xiàn)巡守的重點(diǎn)區(qū)域未發(fā)生隱患而未派人巡守的區(qū)域發(fā)生災(zāi)情，既消耗了大量的人力物力又無法在災(zāi)情初期及時(shí)排查，造成鐵路安全事故。

本課題在深入研究國(guó)內(nèi)外鐵路安全監(jiān)控系統(tǒng)現(xiàn)狀調(diào)研的基礎(chǔ)上，分析災(zāi)害監(jiān)測(cè)技術(shù)及發(fā)展趨勢(shì)，研究大風(fēng)、暴雨、大雪、泥石流、地震災(zāi)害及異物侵限突發(fā)事件對(duì)列車運(yùn)行安全的危害性，提出鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的研制。為鐵路提供由于滑坡、地震、泥石流等自然災(zāi)害、道上滯留的人或動(dòng)物等異物侵限的實(shí)時(shí)監(jiān)測(cè)和預(yù)警。輔助工務(wù)部門維護(hù)鐵路交通順暢，為列車的運(yùn)行安全、高速運(yùn)行提供環(huán)境安全保障。

1.2 國(guó)內(nèi)外研究現(xiàn)狀

1.2.1 鐵路傳統(tǒng)防護(hù)措施的現(xiàn)狀

如今鐵路部門大多通過在鐵軌旁安裝防護(hù)網(wǎng)保障鐵路安全。但這種防護(hù)網(wǎng)不能阻攔大型滾石、洪水、樹枝掉落以及人員翻越。

1.2.2 基于深度學(xué)習(xí)與計(jì)算機(jī)視覺圖像的現(xiàn)狀

在深度學(xué)習(xí)算法出現(xiàn)之前，視覺算法大概分為特征感知、圖像預(yù)處理、特征提取、特征篩、推理預(yù)測(cè)與識(shí)別這五個(gè)步驟。當(dāng)計(jì)算機(jī)視覺采用機(jī)器學(xué)習(xí)方法的時(shí)候必須自己設(shè)計(jì)前四步驟，而手工設(shè)計(jì)特征需要大量的經(jīng)驗(yàn)，需要開發(fā)者對(duì)這個(gè)領(lǐng)域和數(shù)據(jù)特別了解，設(shè)計(jì)出來特征還需要大量的調(diào)試工作;另一個(gè)難點(diǎn)在于，開發(fā)者不只需要手工設(shè)計(jì)特征，還要在此基礎(chǔ)上有一個(gè)比較合適的分類器算法，同時(shí)設(shè)計(jì)特征然后選擇一個(gè)分類器，這兩者合并達(dá)到最優(yōu)的效果，幾乎是不可能完成的任務(wù)。

深度學(xué)習(xí)算法大大提升了人工智能在語(yǔ)音、圖像處理等應(yīng)用層面的準(zhǔn)確度。目前計(jì)算機(jī)視覺圖像中比較成功的深度學(xué)習(xí)的應(yīng)用包括人臉識(shí)別、圖像問答、物體檢測(cè)和物體跟蹤等。

1.3 本文的研究?jī)?nèi)容及章節(jié)安排

本文是基于機(jī)器學(xué)習(xí)對(duì)鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備進(jìn)行研究。全文分為三章節(jié)：第一章節(jié)為緒論，探討課題的背景意義以及國(guó)內(nèi)外研究現(xiàn)狀;第二章節(jié)為系統(tǒng)方案設(shè)計(jì)，對(duì)系統(tǒng)的方案和架構(gòu)進(jìn)行研究;第三章節(jié)為鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的算法研究。

2 方案設(shè)計(jì)

2.1 系統(tǒng)方案

系統(tǒng)通過在鐵路線路限界外安裝高清攝像機(jī)，采集鐵路線路、護(hù)坡等位置的數(shù)字視頻信號(hào)，實(shí)時(shí)傳送至系統(tǒng)監(jiān)控平臺(tái)。值班人員可通過系統(tǒng)監(jiān)控平臺(tái)對(duì)多線路多監(jiān)視點(diǎn)遠(yuǎn)程監(jiān)控。同時(shí)，系統(tǒng)自動(dòng)對(duì)監(jiān)視點(diǎn)數(shù)字視頻進(jìn)行圖像分析、處理和識(shí)別。當(dāng)鐵路線路上出現(xiàn)洪水、石頭掉落、滑坡體位移、泥石流、異物侵入等情況時(shí)，系統(tǒng)自動(dòng)實(shí)時(shí)預(yù)警，輔助值班人員預(yù)判山體滑坡等自然災(zāi)害及異物侵入。盡可能地在確保運(yùn)行安全的前提下，還能夠降低鐵路工務(wù)工人的工作強(qiáng)度。系統(tǒng)還提供標(biāo)準(zhǔn)接口，可與運(yùn)營(yíng)調(diào)度系統(tǒng)、防洪防災(zāi)管理系統(tǒng)等相關(guān)系統(tǒng)互聯(lián)互通、實(shí)現(xiàn)信息的共享。

2.2 系統(tǒng)架構(gòu)

鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的系統(tǒng)架構(gòu)為：系統(tǒng)在野外設(shè)有多個(gè)監(jiān)測(cè)點(diǎn)，安裝智能監(jiān)測(cè)設(shè)備。智能監(jiān)測(cè)設(shè)備采集到的數(shù)字視頻信號(hào)經(jīng)過處理傳到監(jiān)控中心機(jī)房的Web服務(wù)器，在監(jiān)控中心的值班人員通過終端設(shè)備訪問服務(wù)器上安裝的系統(tǒng)軟件，對(duì)鐵路多線路多監(jiān)測(cè)點(diǎn)進(jìn)行遠(yuǎn)程監(jiān)測(cè)。當(dāng)值班人員對(duì)監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)設(shè)備進(jìn)行云臺(tái)控制時(shí)，信號(hào)由終端設(shè)備發(fā)送至Web服務(wù)器，Web服務(wù)器再將信號(hào)傳給監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)設(shè)備，實(shí)現(xiàn)云臺(tái)控制的功能。

3 鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的算法研究

3.1 一種改進(jìn)型背景差分建模算法

改進(jìn)型背景差分建模算法通過收集背景樣本來構(gòu)建背景模型。模型中每個(gè)像素點(diǎn)由至少10個(gè)背景樣本構(gòu)成，背景樣本需要固定，攝像機(jī)在構(gòu)建背景模型時(shí)不能抖動(dòng)，類似mog算法，可以將背景像素插入在鄰域像素點(diǎn)的模型庫(kù)樣本中，并且該算法不受時(shí)間歷史影響，只有被分類為背景點(diǎn)的像素值才被插入到模型中，以保證背景模型的一致性。引入目標(biāo)整體的概念，彌補(bǔ)基于像素級(jí)前景檢測(cè)的不足。針對(duì)updating mask和segmentation mask采用不同尺寸的形態(tài)學(xué)處理方法，提高檢測(cè)準(zhǔn)確率。在updating mask里，計(jì)算像素點(diǎn)的梯度，根據(jù)梯度大小，確定是否需要更新鄰域。梯度值越大，說明像素值變化越大，說明該像素值可能為前景，不應(yīng)該更新。引入閃爍程度的概念，當(dāng)一個(gè)像素點(diǎn)的updating label與前一幀的updating label不一樣時(shí)，blinking level增加15，否則，減少1，然后根據(jù)blinking level的大小判斷該像素點(diǎn)是否為閃爍點(diǎn)[1]。閃爍像素主要出現(xiàn)在背景復(fù)雜的場(chǎng)景，如飛蟲、打雷等，這些場(chǎng)景會(huì)出現(xiàn)像素背景和前景的頻繁變化，因而針對(duì)這些閃爍應(yīng)該單獨(dú)處理，算法中，默認(rèn)的更新因子是32，當(dāng)背景變化很快時(shí)，背景模型無法快速的更新，將會(huì)導(dǎo)致前景檢測(cè)的較多的錯(cuò)誤。因而，需要根據(jù)背景變化快慢程度，調(diào)整更新因子的大小，將更新因子分多個(gè)等級(jí)。

3.1.1 去陰影

視頻內(nèi)容分析要求比較精確的目標(biāo)檢測(cè)方法。常用的背景減方法在檢測(cè)運(yùn)動(dòng)前景時(shí)也會(huì)檢測(cè)到運(yùn)動(dòng)目標(biāo)投射的陰影，將陰影區(qū)域誤認(rèn)為目標(biāo)區(qū)可能造成運(yùn)動(dòng)目標(biāo)粘連或者目標(biāo)區(qū)域幾何變形，影響后續(xù)內(nèi)容分析結(jié)果，因此去除陰影對(duì)于提高后續(xù)圖像分析的準(zhǔn)確性提供了保障。

3.1.2 自適應(yīng)閾值

閾值是基于圖像中物體與背景之間的灰度值差異，用圖像中的每一個(gè)像素點(diǎn)的灰度值和給定的閾值進(jìn)行比較，從灰度圖像中分離目標(biāo)區(qū)域和背景區(qū)域。在灰度圖像中，灰度值變化明顯的區(qū)域往往是物體的輪廓，所以將圖像分成一小塊一小塊的去計(jì)算閾值往往會(huì)得出圖像的輪廓。在鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備中利用自適應(yīng)閾值法，通過圖像的某個(gè)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，保證圖像中各個(gè)像素的閾值會(huì)隨著周期圍鄰域塊的變化而變化，從而將監(jiān)控中出現(xiàn)的侵限物體與背景區(qū)分開來。

3.1.3 自動(dòng)背景建模

背景建模的基本思想是對(duì)圖像的背景進(jìn)行建模，一旦背景模型建立，將當(dāng)前的圖像與背景模型進(jìn)行某種比較，根據(jù)比較結(jié)果確定前景目標(biāo)（需要監(jiān)測(cè)的運(yùn)動(dòng)目標(biāo)）。

3.2 基于目標(biāo)梯度算子軌跡跟蹤算法

在野外環(huán)境中，由于跟蹤目標(biāo)較多并且難以進(jìn)行識(shí)別，但又必須區(qū)分不同目標(biāo)，所以使用了歐氏距離進(jìn)行區(qū)分并設(shè)置了一個(gè)分割比例;分割公式為：

在分割過程中可能有重疊問題，首先進(jìn)行類似A∩B形式計(jì)算求取最大公共像素位置，當(dāng)達(dá)到一定比例時(shí)，一般為0.3以上認(rèn)為應(yīng)該去掉其中面積較小的。

最后連續(xù)采集多幀圖像，分別計(jì)算相鄰幀之間的梯度，形成一個(gè)jacobi 矩陣：

n代表第n張圖像，根據(jù)速度和位移的不同將n設(shè)置在5～25之間。形成jacobi 矩陣之后，通過計(jì)算平均差額判斷是否為該物體。

3.2.1 梯度算子（微積分）/圖像算子

圖像的邊緣定義為兩個(gè)明顯不同強(qiáng)度區(qū)域的過渡，邊緣點(diǎn)對(duì)應(yīng)于一階微分幅度的極大值點(diǎn)以及二階微分的零點(diǎn)。因此，利用梯度模的極大值或二階導(dǎo)數(shù)為零點(diǎn)來提取邊緣就成為了常用的方法[2]。傳統(tǒng)的圖像邊緣檢測(cè)算法大部分都使用這種方法，如Roberts算子、Sobel算子、Prewitt算子、Laplace 算子和Canny算子等。

3.2.2 軌跡跟蹤

邊緣是運(yùn)動(dòng)目標(biāo)的最基本特征，表現(xiàn)在圖像中就是指目標(biāo)周圍圖像灰度有階躍變化或屋頂變化的那些像素集合，它是圖像中局部亮度變化最顯著的部分。邊緣檢測(cè)就是采用某種算法來定位灰度不連續(xù)變化的位置，從而區(qū)分圖像中目標(biāo)與背景的交界線。圖像的灰度變化可以用灰度梯度來表示[3]。

輪廓跟蹤的思想是：

（1）根據(jù)提取的圖像邊緣，找出輪廓上的像素;

（2）根據(jù)這些像素的特征用一定的“跟蹤準(zhǔn)則”找出物體上的其他像素;

（3）其跟蹤效果的好壞主要取決于起始點(diǎn)和跟蹤準(zhǔn)則的選取兩個(gè)因素。

4 總結(jié)

鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的研究建立在自然災(zāi)害頻繁的鐵路無人看守路段安全防護(hù)日益重要的實(shí)際需求之上。本文首先在第一章節(jié)中對(duì)本課題的研究背景和現(xiàn)實(shí)意義進(jìn)行討論，對(duì)比了國(guó)內(nèi)外目前鐵路的安全防護(hù)措施和計(jì)算機(jī)視覺圖像技術(shù)的現(xiàn)狀;其次在第二章節(jié)提出了在鐵路限界內(nèi)進(jìn)行智能化圖像識(shí)別以及實(shí)時(shí)預(yù)警的方案，并設(shè)計(jì)了系統(tǒng)的軟件架構(gòu);在第三章節(jié)本文基于機(jī)器學(xué)習(xí)的兩種技術(shù)方法：一種改進(jìn)型背景差分建模算法和基于目標(biāo)梯度算子軌跡跟蹤算法來實(shí)現(xiàn)本課題對(duì)鐵路限界內(nèi)的行人列車、異物侵限和洪水等自然災(zāi)害的智能識(shí)別?；跈C(jī)器學(xué)習(xí)的鐵路工務(wù)防洪減災(zāi)監(jiān)測(cè)報(bào)警裝備的研制和應(yīng)用不僅可以輔助鐵路工務(wù)部門維護(hù)鐵路交通順暢，同時(shí)其智能識(shí)別和實(shí)時(shí)預(yù)警功能為鐵路列車的安全、高速運(yùn)行提供了可靠的保障。

參考文獻(xiàn)：

[1]何銀飛.基于改進(jìn)的幀差法和背景差法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)[D].燕山大學(xué)，2016.

[2]徐長(zhǎng)祿.視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究[D].南京師范大學(xué)，2017.

[3]趙銀妹.基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究[D].燕山大學(xué)，2018.