馮俊逸，沈 拓，2，張軒雄

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093； 2.同濟(jì)大學(xué) 上海市軌道交通結(jié)構(gòu)耐久與系統(tǒng)安全重點(diǎn)實(shí)驗(yàn)室，上海 201804)

信號(hào)機(jī)是軌道交通的重要基礎(chǔ)設(shè)備之一，是保障列車安全運(yùn)行、實(shí)現(xiàn)行車指揮和列車運(yùn)行現(xiàn)代化、提高運(yùn)輸效率的關(guān)鍵系統(tǒng)設(shè)備。在軌道交通中，凡是危及行車安全的地點(diǎn)，均有設(shè)置信號(hào)機(jī)。如果信號(hào)機(jī)的信號(hào)顯示未被司機(jī)及時(shí)發(fā)現(xiàn)，則會(huì)造成重大的鐵路事故[1]。

目前信號(hào)機(jī)的檢測(cè)方式有兩種：司機(jī)的肉眼觀察與車內(nèi)機(jī)車信號(hào)。當(dāng)列車處于高速運(yùn)行狀態(tài)時(shí)，天氣或司機(jī)注意力不集中等因素可能導(dǎo)致司機(jī)難以及時(shí)辨別甚至未發(fā)現(xiàn)信號(hào)機(jī)。而機(jī)車信號(hào)雖然對(duì)保障行車安全起到了重要作用，但由于機(jī)車信號(hào)尚未主體化，因此實(shí)際運(yùn)行中還存在諸多問題，例如出現(xiàn)掉碼、串碼的情況[2]。為了進(jìn)一步保障列車的運(yùn)行安全，本文以圖像處理技術(shù)為基礎(chǔ)，研究了一種定位和識(shí)別軌旁信號(hào)機(jī)的算法。該算法可作為司機(jī)輔助駕駛的一部分，提醒司機(jī)前方信號(hào)機(jī)狀態(tài)，減輕司機(jī)的駕駛負(fù)擔(dān)。

隨著數(shù)字圖像處理和計(jì)算機(jī)視覺技術(shù)的發(fā)展，圖像處理技術(shù)已經(jīng)在醫(yī)療、工業(yè)、無人駕駛[3]等領(lǐng)域中得到了應(yīng)用。根據(jù)不同研究對(duì)象的特點(diǎn)采用不同的圖像處理方法，能快速地從整張圖像中獲得需要的信息。本文的研究對(duì)象(信號(hào)機(jī))具有鮮明的顏色和形狀特征，通過顏色分割等圖像處理技術(shù)可以快速獲得信號(hào)機(jī)的候選區(qū)域，再考慮實(shí)際情況中信號(hào)機(jī)和軌道的位置特點(diǎn)，以軌道位置信息為依據(jù)可以從候選區(qū)域中對(duì)指揮當(dāng)前軌道運(yùn)行的信號(hào)機(jī)位置進(jìn)行準(zhǔn)確定位，進(jìn)而分析其顏色信號(hào)。

圖像處理技術(shù)已被用于信號(hào)燈識(shí)別，但該應(yīng)用主要集中于路面交通燈，目前的應(yīng)用主要分為3種：(1)通過對(duì)圖像進(jìn)行特征提取，利用分類器進(jìn)行分類識(shí)別[4-5]。文獻(xiàn)[4]先后在RGB和HSV色彩空間進(jìn)行顏色分割，根據(jù)交通燈的幾何特征和背板的顏色信息篩選出候選區(qū)域，提取目標(biāo)的梯度方向直方圖(Histogram of Oriented Gradient,HOG)，特征并通過訓(xùn)練好的支持向量機(jī)(Support Vector Machines,SVM)分類器進(jìn)行分類識(shí)別；(2)根據(jù)信號(hào)燈的圓形特征，利用霍夫圓變換進(jìn)行識(shí)別。文獻(xiàn)[6]在歸一化后的RGB顏色空間進(jìn)行顏色分割，提取出候選區(qū)域，然后對(duì)這些候選區(qū)域進(jìn)行邊緣檢測(cè)，最后通過Hough圓變換定位出交通燈；(3)模板匹配[7-8]。文獻(xiàn)[7]通過HSV顏色分割和形態(tài)學(xué)降噪后得到交通燈的候選區(qū)域，利用交通燈的形狀特征做初步篩選，最后使用歸一化互相關(guān)模板匹配技術(shù)定位出交通燈。

運(yùn)用圖像處理識(shí)別軌道信號(hào)機(jī)的研究較少。文獻(xiàn)[9]在HSV顏色空間內(nèi)進(jìn)行顏色分割，通過Canny算子、腐蝕膨脹以及開閉運(yùn)算等技術(shù)提取鐵路信號(hào)燈圖像的幾何特征，并通過Hough檢測(cè)對(duì)圖像中鐵路信號(hào)燈進(jìn)行定位。文獻(xiàn)[10]根據(jù)火車轉(zhuǎn)向提取不同的ROI(Region of Interest)區(qū)域，在ROI區(qū)域內(nèi)使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信號(hào)機(jī)的定位，最后設(shè)置像素值條件判斷信號(hào)燈所在區(qū)域內(nèi)的顏色信號(hào)。這兩種方法雖然都能識(shí)別到信號(hào)機(jī)，但針對(duì)的場(chǎng)景都比較單一，當(dāng)場(chǎng)景中出現(xiàn)多個(gè)信號(hào)機(jī)時(shí)，無法準(zhǔn)確判斷哪一個(gè)信號(hào)機(jī)在指揮當(dāng)前軌道列車運(yùn)行。針對(duì)此問題，本文結(jié)合軌道交通這一特殊場(chǎng)景，以軌道作為判斷依據(jù)，在準(zhǔn)確識(shí)別到所有信號(hào)機(jī)的前提下，解決場(chǎng)景中出現(xiàn)多個(gè)信號(hào)機(jī)時(shí)的定位問題。

1 軌旁信號(hào)機(jī)識(shí)別算法

1.1 信號(hào)機(jī)候選區(qū)域提取

根據(jù)信號(hào)機(jī)的顏色和形狀特征，從整張圖像中提取出所有信號(hào)機(jī)的候選區(qū)域，后續(xù)再做進(jìn)一步定位。提取方法步驟如下：

步驟1提取ROI。由于相機(jī)安裝在列車上的位置和軌旁信號(hào)機(jī)可能出現(xiàn)的位置相對(duì)固定，通過分析所拍攝的軌道場(chǎng)景圖像數(shù)據(jù)集中不同距離信號(hào)機(jī)出現(xiàn)的位置可知，在相機(jī)各項(xiàng)參數(shù)不變的條件下，不同處的信號(hào)機(jī)均位于圖像的中間區(qū)域。因此，截取圖像中間1/3的圖像，并刪除左右各1/3的圖像，以剩下區(qū)域作為ROI進(jìn)行后續(xù)的處理，如圖1所示。

圖1 虛線框即所取ROIFigure 1. ROI is shown in the dashed box

步驟2顏色分割。對(duì)提取的ROI圖像在RGB色彩空間內(nèi)進(jìn)行顏色分割，可剔除大量與研究對(duì)象無關(guān)的背景干擾，從而便于定位信號(hào)機(jī)的候選區(qū)域。采用固定閾值顏色分割將圖像二值化[11]，與信號(hào)顏色相同的紅、黃、綠的像素點(diǎn)設(shè)為白色，其它像素點(diǎn)設(shè)為黑色。通過統(tǒng)計(jì)分析數(shù)據(jù)集中不同背景和不同光照環(huán)境下信號(hào)顯示的顏色信息，得到信號(hào)顏色在RGB色彩空間中各分量值的大致范圍。各分量閾值范圍如表1所示；

表1 R、G、B的閾值范圍Table 1. Threshold range of R，G，B

步驟3開運(yùn)算。利用開運(yùn)算先腐蝕圖像中的高亮部分，剔除掉一些顏色分割后殘留的小型白斑噪聲。對(duì)腐蝕之后的圖像，針對(duì)其中的高亮部分進(jìn)行膨脹操作，填充大塊圓斑中的小型黑洞，使圖像中的白色圓形區(qū)域更飽滿，便于后續(xù)根據(jù)信號(hào)機(jī)的形狀特征進(jìn)行檢測(cè)；

(a)

(b)圖2 開運(yùn)算效果圖(a)開運(yùn)算前 (b)開運(yùn)算后Figure 2. The result of opening operation(a)Before opening operation (b)After opening operation

步驟4霍夫圓檢測(cè)。本文采用了基于霍夫梯度法的霍夫圓變換[12]。信號(hào)機(jī)在開運(yùn)算后的二值圖像中呈現(xiàn)為白色的圓形，使用霍夫圓變換檢測(cè)圖像中的所有圓形區(qū)域，作為信號(hào)機(jī)的候選區(qū)域。提取效果如圖3所示。

圖3 信號(hào)機(jī)候選區(qū)域Figure 3. The candidate region of signal

1.2 定位當(dāng)前軌道信號(hào)機(jī)

城市軌道交通中，每一個(gè)站臺(tái)附近以及道岔處都設(shè)有信號(hào)機(jī)，這些地方往往不止一條軌道，因此也存在著多個(gè)信號(hào)機(jī)分別顯示相應(yīng)軌道列車的運(yùn)行狀況[1]。此時(shí)需要正確區(qū)分當(dāng)前軌道和其他軌道信號(hào)機(jī)的問題，以防誤判。

為了區(qū)分當(dāng)前軌道和其它軌道的信號(hào)機(jī)，本文利用了信號(hào)機(jī)與軌道的固定位置關(guān)系。信號(hào)機(jī)通常位于當(dāng)前軌道的右邊[1]，因此可以先找到當(dāng)前軌道的右軌所在的直線作為參考。Canny算子在抑制噪聲和邊緣檢測(cè)之間能達(dá)到較好的平衡[13-14]，本文選擇Canny算子對(duì)ROI圖像進(jìn)行邊緣檢測(cè)，利用霍夫直線變換檢測(cè)邊緣圖像中的直線。通過設(shè)置斜率和長(zhǎng)度作為篩選條件，對(duì)右軌道所在的直線進(jìn)行定位，進(jìn)而以右軌作為參考，從候選信號(hào)區(qū)域中定位出右邊距離該軌道最近的信號(hào)機(jī)區(qū)域。具體過程如圖4所示。

圖4 信號(hào)機(jī)的定位(a)邊緣圖像 (b)霍夫直線效果圖 (c)定位右軌 (d)定位信號(hào)機(jī)Figure 4. The location of signal light(a)Edge image (b)Effect image of Hough-line (c)Right rail location (d)Signal light location

圖5 軌旁信號(hào)燈的識(shí)別結(jié)果(圖中的圓圈為算法最終的輸出)(a)夜晚識(shí)別效果圖I (b)夜晚識(shí)別效果圖II (c)白天識(shí)別效果圖I (d)白天識(shí)別效果圖IIFigure 5. Recognition results of trackside signal lights (the circle is the final output of the algorithm)(a)Night recognition effect image I (b)Night recognition effect image II (c)Daytime recognition effect image I (d)Daytime recognition effect image II

1.3 信號(hào)機(jī)顏色識(shí)別

表2 信號(hào)機(jī)識(shí)別結(jié)果Table 2. The signal lights recognition results

不同顏色信號(hào)代表了不同的指令：紅色信號(hào)指示列車必須在信號(hào)機(jī)前停車；綠色信號(hào)指示允許列車進(jìn)入防護(hù)進(jìn)路，且前方道岔處于定位狀態(tài)；黃色信號(hào)指示允許列車進(jìn)入防護(hù)進(jìn)路，但前方道岔處于反位狀態(tài)。

定位到信號(hào)機(jī)后，需要對(duì)其顏色信號(hào)進(jìn)行識(shí)別，將對(duì)應(yīng)的指示發(fā)送給司機(jī)，提醒司機(jī)做好相應(yīng)的準(zhǔn)備。對(duì)識(shí)別到的信號(hào)機(jī)區(qū)域，在RGB色彩空間中，計(jì)算該區(qū)域內(nèi)的紅、黃、綠像素點(diǎn)的分布情況，統(tǒng)計(jì)其中像素點(diǎn)個(gè)數(shù)最多的顏色類型，并將其判定為當(dāng)前信號(hào)機(jī)的顏色。本文中，用于分析像素點(diǎn)顏色類型的RGB閾值范圍與顏色分割時(shí)所用閾值(見表1)相同。

(a)

(b)圖6 虛檢測(cè)和漏檢測(cè)圖像(a)虛檢測(cè) (b)漏檢測(cè)Figure 6. Image of false and missing detection(a)False detection (b)Missing detection

2 實(shí)驗(yàn)驗(yàn)證與分析

為了驗(yàn)證該方法的準(zhǔn)確度和可行性，實(shí)驗(yàn)采集了上海軌道交通11號(hào)線和同濟(jì)大學(xué)軌道交通實(shí)驗(yàn)線的信號(hào)機(jī)圖像作為數(shù)據(jù)集，圖像分辨率為72 dpi，大小為1 800×1 200。使用C++和OpenCV[15-18]在Windows系統(tǒng)中實(shí)現(xiàn)所提出的方法。圖5為不同環(huán)境下不同顏色的軌旁信號(hào)燈識(shí)別效果。

實(shí)驗(yàn)中，測(cè)試了在不同遠(yuǎn)近距離處和在不同光照環(huán)境下的信號(hào)機(jī)圖像，共計(jì)90張，其中同時(shí)存在多個(gè)信號(hào)燈的圖像占圖像總數(shù)的50%。表2為3種顏色信號(hào)機(jī)的識(shí)別結(jié)果，從中可以看出，綠燈的識(shí)別效果最好，該類信號(hào)燈顏色與周圍環(huán)境的差異最大，通過顏色分割得到的二值圖像中，保留下來的信號(hào)燈區(qū)域更為完整。黃燈的識(shí)別效果較紅燈和綠燈更差，由于黃燈受光照的影響比綠色和紅色更明顯，特別是夜間的照明燈光顏色以及墻體的反光與黃色信號(hào)燈非常相似，導(dǎo)致一些識(shí)別錯(cuò)誤。圖6(a)中，由于站臺(tái)右側(cè)墻壁反射了信號(hào)燈的光，導(dǎo)致提取了一個(gè)非信號(hào)機(jī)的候選區(qū)域，但這種虛檢測(cè)可以通過本文的軌道定位信號(hào)機(jī)的方法過濾掉。圖6(b)為距離220 m的信號(hào)機(jī)，但結(jié)果表明本文方法并未識(shí)別到該距離下的信號(hào)機(jī)。原因主要是信號(hào)燈在圖像上僅占4個(gè)像素大小，過少的像素點(diǎn)導(dǎo)致后續(xù)識(shí)別無法檢測(cè)到信號(hào)機(jī)。如圖5 (a)所示，本文方法所能識(shí)別到的最遠(yuǎn)距離約為150 m。

文獻(xiàn)[10]使用卷積神經(jīng)網(wǎng)絡(luò)定位信號(hào)機(jī)耗時(shí)13.83 s，本文采用圖像處理的方法識(shí)別信號(hào)機(jī)，識(shí)別速度更快，識(shí)別時(shí)間僅為0.37 s。此外，文獻(xiàn)[10]的方法在多個(gè)信號(hào)機(jī)同時(shí)存在的場(chǎng)景下，無法對(duì)信號(hào)機(jī)進(jìn)行有效區(qū)分。圖5中，在夜間站臺(tái)的場(chǎng)景下，存在3個(gè)信號(hào)機(jī)時(shí)，本文所提出的方法不僅能夠全部提取出這3個(gè)信號(hào)機(jī)作為候選區(qū)域，還能通過軌道信息，準(zhǔn)確定位出指揮當(dāng)前軌道列車運(yùn)行的信號(hào)機(jī)。通過圖像處理的方法，后續(xù)可在本文的研究基礎(chǔ)上集成更多的功能，例如軌道障礙物識(shí)別及前方車距測(cè)量。

3 結(jié)束語

基于圖像處理的方法，本文提出了一種用于軌道交通輔助駕駛的軌旁信號(hào)機(jī)識(shí)別算法，并通過實(shí)驗(yàn)驗(yàn)證了該算法的可行性。還算法不僅能夠有效地檢測(cè)出信號(hào)機(jī)，還可以根據(jù)軌道和信號(hào)機(jī)之間的位置特征，準(zhǔn)確區(qū)分當(dāng)前軌道和其它軌道的信號(hào)機(jī)，進(jìn)而識(shí)別當(dāng)前軌道信號(hào)機(jī)的顏色信號(hào)，避免誤判，為列車的安全運(yùn)行提供了進(jìn)一步的保障。但該方法仍存在不足，例如其在雨天、大霧天等惡劣環(huán)境下的識(shí)別效果不佳。后續(xù)的研究將針對(duì)這些情況進(jìn)行深入優(yōu)化，以提高該方法的實(shí)際應(yīng)用性能。