傅薈瑾，郭鵬躍，徐成偉，張萬鵬，馬 禎

（1.中國鐵道科學(xué)研究院 研究生部，北京 100081；2.中國鐵道科學(xué)研究院集團有限公司 電子計算 技術(shù)研究所，北京 100081；3.中國鐵道科學(xué)研究院集團有限公司 北京經(jīng)緯信息技術(shù)有限公司， 北京 100081)

2022年北京冬奧會、冬殘奧會以高速鐵路為主要交通工具[1]，目前，以京張高速鐵路(北京北—張家口)為代表的智能化高速鐵路正在飛速發(fā)展，高速鐵路沿線安全防護也變得至關(guān)重要，需要在高速鐵路沿線橋頭、隧道口、路基地段等易進入重點區(qū)段進行周界入侵監(jiān)測[2]。目前高速鐵路周界技防手段主要利用傳感技術(shù)和電子信息技術(shù)[3]， 但是高速鐵路周界入侵場景復(fù)雜多樣，單一技防手段較難實現(xiàn)高速鐵路周界重點區(qū)域全天候全覆蓋監(jiān)測?；诖耍岢觥耙痪耙话浮钡母咚勹F路周界入侵監(jiān)測技術(shù)方案，面向不同的典型場景，設(shè)計基于多傳感技術(shù)融合的周界入侵監(jiān)測技術(shù)方案，進一步提高高速鐵路周界入侵監(jiān)測水平。

1 高速鐵路周界入侵監(jiān)測技術(shù)研究現(xiàn)狀

目前，高速鐵路周界入侵監(jiān)測技術(shù)前期研究集中于視頻智能分析、振動光纖、脈沖電子圍欄、紅外對射等技術(shù)，隨著技術(shù)的發(fā)展及試驗的開展，出現(xiàn)了應(yīng)用紅外熱成像、毫米波雷達、激光雷達等傳感器進行監(jiān)測的技術(shù)，相關(guān)技術(shù)發(fā)展現(xiàn)狀如下。

（1）視頻智能識別，是通過傳統(tǒng)方法或基于深度學(xué)習(xí)方法實現(xiàn)入侵目標檢測。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中表現(xiàn)出遠優(yōu)于傳統(tǒng)方法的識別效果，利用深度學(xué)習(xí)方法研究視頻智能識別已成為主流方式[4]。視頻智能識別可在第一時間查看入侵現(xiàn)場視頻圖像，提高報警響應(yīng)速度，但是易受外界光影變化、惡劣天氣等因素影響，易產(chǎn)生誤報。

（2）紅外熱成像，是通過非接觸方式探測目標輻射能量，將其轉(zhuǎn)換為電信號，進一步轉(zhuǎn)換為熱圖，以灰度級圖像或偽彩色圖像顯示[5]。紅外熱成像可在無光源條件下對入侵者進行實時監(jiān)測，受夜間、雨雪、霧霾等影響較光學(xué)攝像機小，但圖像對比度低，分辨細節(jié)能力較差，不適用于精確識別。

（3）毫米波雷達，是指工作在毫米波頻段的雷達。毫米波是指長度在1 ~ 10 mm的電磁波，對應(yīng)的頻率范圍為30 ~ 300 GHz[6]。毫米波雷達分析回波特征信息，利用空間特征變換以獲取目標的大小、形狀、材質(zhì)等特征參數(shù)，并將特征參數(shù)與已有數(shù)據(jù)庫中目標特征參數(shù)比較、辨識與分類。隨著毫米波技術(shù)的不斷發(fā)展，識別準確度不斷提升，在復(fù)雜環(huán)境、天氣情況下性能穩(wěn)定。

（4）激光雷達，是通過發(fā)射激光束以探測目標特征參數(shù)的雷達。首先將探測信號向目標發(fā)射，接著比較反射信號與發(fā)射信號，獲得目標距離、速度、方位、形狀等參數(shù)，進而可實現(xiàn)對目標的探測、識別和跟蹤[7]。激光雷達具有分辨率高、隱蔽性好、抗有源干擾能力強等優(yōu)點，但會受天氣影響。激光雷達識別算法通過不斷迭代優(yōu)化，增強在惡劣天氣下的識別準確度。

綜上，目前高速鐵路周界入侵監(jiān)測技術(shù)已有一定的研究成果，其中基于視頻智能識別的方法，在近年來已經(jīng)成為周界入侵監(jiān)測領(lǐng)域的主要發(fā)展方向，但由于各單一技術(shù)均有其局限性，需探索多種傳感技術(shù)融合的監(jiān)測方法，提高周界入侵監(jiān)測準確性。雷達檢測精度高，不受光照影響，可以和視頻智能識別有效結(jié)合，降低漏報率和誤報率。雷達與視頻智能識別融合的方法在近幾年逐漸成為高速鐵路周界入侵監(jiān)測研究熱點，故可利用毫米波雷達、激光雷達與視頻智能識別，研究多傳感技術(shù)融合的周界入侵監(jiān)測方案。

2 場景分析及方案設(shè)計

通過對沿線歷史事故、入侵案例調(diào)研，分析各場景下主要入侵行為，將高速鐵路周界歸納為5類典型監(jiān)測場景：開闊地段的路基段、臨近山體的路基段、路塹、隧道口和橋頭。不同場景防護區(qū)域與入侵行為不同，因此不同場景有不同的周界入侵監(jiān)測需求，需要研究與場景匹配的周界入侵監(jiān)測方案。

（1）開闊地段的路基段。路基地段占沿線各類地段的30%，屬于易進入?yún)^(qū)段。此場景中人員入侵為主要入侵類型，主要入侵方式包括攀爬、破壞柵欄、下挖通道等，主要干擾因素包括柵欄兩側(cè)植被、夜間環(huán)境光等。因此需要對人員入侵行為進行全時段的檢測和識別。

（2）臨近山體的路基段。此場景易發(fā)生山體滑坡、護坡坍塌、山體落石或樹木等異物侵限和攀爬、破壞柵欄、下挖通道等人員入侵情況，主要干擾因素包括柵欄兩側(cè)植被、夜間環(huán)境光等。因此需要對異物侵限和人員入侵行為進行全時段檢測和識別。

（3）路塹。路塹因其處于兩坡底，容易發(fā)生由于護坡坍塌、坡旁落物、塹頂?shù)缆返能囕v及構(gòu)筑物掉落等導(dǎo)致的異物侵限和人員翻越線路入侵的情況，主要干擾因素包括線路兩側(cè)植被、夜間環(huán)境光等。因此需要對異物侵限和人員入侵等行為進行全時段檢測和識別。

（4）隧道口。隧道口容易發(fā)生山體崩塌引起的大量落石侵限、山體樹木植被掉落或者天氣原因引起的滑坡坍塌，攀山者出于躲避極端天氣、穿越山體等因素的考量，多通過隧道口進入隧道，主要干擾因素包括夜間環(huán)境光等。因此需要對異物侵限和人員入侵等行為進行全時段檢測和識別。

（5）橋頭。橋頭是人員入侵橋梁的主要通道，周邊環(huán)境復(fù)雜、人類或動物活動頻繁。此場景中人員入侵是主要入侵類型，入侵行為包括攀爬橋頭邊坡、人為破壞等，主要干擾因素包括柵欄兩側(cè)植被、夜間環(huán)境光等。因此需要對人員入侵行為進行全時段的檢測和識別。

可將5個典型場景分為2大類監(jiān)測場景，一類是開闊地段的路基段、橋頭等主要監(jiān)測人員入侵的場景，另一類是臨近山體的路基段、路塹、隧道口等監(jiān)測人員入侵與異物侵限的場景。針對第一類場景，攝像機提供了良好的可視化分析結(jié)果，毫米波雷達由于其良好的環(huán)境抗干擾能力，在夜晚或雨雪等視覺識別下降的情況下，可以很好地彌補人員入侵的檢出能力，故該場景采用基于“毫米波雷達+視頻智能識別”的融合監(jiān)測技術(shù)方案。針對第二類場景，激光雷達可通過三維點云數(shù)據(jù)準確獲取高精度的物理空間環(huán)境信息，可檢測靜止目標，不受光照影響，結(jié)合在晴朗天氣條件下識別精準的視頻智能識別，實現(xiàn)人員與異物入侵監(jiān)測，故在該場景下采用基于“激光雷達+視頻智能識別”的融合監(jiān)測技術(shù)方案。

3 監(jiān)測方案

基于多傳感融合的技術(shù)提出監(jiān)測方案的技術(shù)架構(gòu)和數(shù)據(jù)結(jié)構(gòu)，并進行功能設(shè)計、性能設(shè)計、接口方案和網(wǎng)絡(luò)方案設(shè)計。

3.1 技術(shù)方案

3.1.1 技術(shù)架構(gòu)

攝像機實時采集鐵路限界內(nèi)的圖像，具備夜晚補光功能，有效提升夜晚場景的識別能力。毫米波雷達實時監(jiān)測限界內(nèi)的動態(tài)目標，形成二維點云數(shù)據(jù)。激光雷達實時監(jiān)測限界內(nèi)的動態(tài)目標和靜態(tài)目標，形成三維點云數(shù)據(jù)。雷達與攝像機進行實時同步監(jiān)測，并將監(jiān)測到的雷達信號與視頻數(shù)據(jù)發(fā)送給雷達與視頻分析模塊，將識別到的入侵目標進行時間和空間上的對準，采用融合算法對兩者的報警數(shù)據(jù)進行綜合評判，并結(jié)合場景信息、天氣信息等信息作為融合算法的輸入條件。毫米波雷達+視頻智能識別融合方案的技術(shù)架構(gòu)如圖1所示，激光雷達+視頻智能識別融合方案的技術(shù)架構(gòu)如圖2所示。

圖1 毫米波雷達+視頻智能識別融合方案的技術(shù)架構(gòu)Fig.1 Technical architecture of millimeter-wave radar + intelligent video recognition fusion

圖2 激光雷達+視頻智能識別融合方案的技術(shù)架構(gòu)Fig.2 Technical architecture of lidar + intelligent video recognition fusion

3.1.2 數(shù)據(jù)結(jié)構(gòu)

利用現(xiàn)場毫米波雷達/激光雷達、攝像機等前端探測設(shè)備采集的數(shù)據(jù)實現(xiàn)基于多傳感技術(shù)融合的高速鐵路周界入侵監(jiān)測，當(dāng)入侵發(fā)生時，前端探測設(shè)備產(chǎn)生報警并向服務(wù)器發(fā)送監(jiān)測數(shù)據(jù)，服務(wù)器對前端探測設(shè)備發(fā)送的監(jiān)測數(shù)據(jù)進行處理和判斷，產(chǎn)生報警信息，服務(wù)器對生成的報警信息進行分析、計算和決策，將報警信息、設(shè)備狀態(tài)信息等發(fā)送至監(jiān)測平臺。毫米波雷達監(jiān)測數(shù)據(jù)如表1所示，其數(shù)據(jù)包含：接口類型、線路編碼、采集時間、目標距離、目標速度、目標方位角等內(nèi)容。激光雷達監(jiān)測數(shù)據(jù)如表2所示，其數(shù)據(jù)包含：接口類型、線路編碼、采集時間、點云位置(X，Y，Z)等內(nèi)容。

表1 毫米波雷達監(jiān)測數(shù)據(jù)Tab.1 Detection data of millimeter-wave radar

表2 激光雷達監(jiān)測數(shù)據(jù)Tab.2 Detection data of lidar

視頻數(shù)據(jù)以視頻流的形式傳輸，傳輸時支持實時傳輸協(xié)議(Real-time Transport Protocol，RTP)。RTP的負載采用基于PS封裝的視音頻數(shù)據(jù)或視音頻基本流數(shù)據(jù)。視頻流的傳輸采用RFC3550規(guī)定的RTP協(xié)議，提供實時數(shù)據(jù)傳輸中的時間戳信息和各數(shù)據(jù)流的同步；采用RFC3550規(guī)定的實時傳輸控制協(xié)議(Real-time Transport Control Protocol，RTCP)，為按序傳輸?shù)臄?shù)據(jù)包提供可靠保證，提供流量控制和擁塞控制。雷達與攝像機數(shù)據(jù)結(jié)構(gòu)如圖3所示。

圖3 數(shù)據(jù)結(jié)構(gòu)Fig.3 Data structure

3.2 功能設(shè)計

基于毫米波雷達/激光雷達+視頻智能識別的高速鐵路周界入侵監(jiān)測方案可以實現(xiàn)自動監(jiān)測、報警管理和設(shè)備管理等功能，實現(xiàn)對典型場景人員入侵與異物侵限的監(jiān)測，監(jiān)測功能如圖4所示。

圖4 監(jiān)測功能Fig.4 Detection function

（1）自動監(jiān)測。主要監(jiān)測信息為綜合視頻系統(tǒng)現(xiàn)場采集設(shè)備、加裝的高清攝像機實時采集現(xiàn)場視頻監(jiān)測信息，以及毫米波雷達、激光雷達實時采集現(xiàn)場的監(jiān)測信息，利用監(jiān)測信息實現(xiàn)自動監(jiān)測。

（2）報警功能。對現(xiàn)場的視頻信息進行智能視頻分析，與毫米波雷達/激光雷達產(chǎn)生的報警數(shù)據(jù)進行數(shù)據(jù)融合和綜合評判，生成報警信息，在終端以圖形、聲音的方式告知值班人員，并支持遠程解除。

（3）設(shè)備管理功能?？蓪崟r監(jiān)測前端探測設(shè)備的工作狀態(tài)，在終端以文字、圖形等形式顯示前端探測設(shè)備供電及網(wǎng)絡(luò)狀態(tài)，設(shè)備故障時實時生成設(shè)備故障報警信息。

3.3 性能設(shè)計

基于毫米波雷達/激光雷達+視頻智能識別的高速鐵路周界入侵監(jiān)測方案性能需滿足實時性、定位精度、準確性、可靠性、可用性和可維護性等要求。

性能設(shè)計指標主要為：在前端探測設(shè)備監(jiān)測范圍內(nèi)從入侵行為開始到產(chǎn)生報警信息所需的響應(yīng)時間不大于3 s；入侵報警定位誤差不大于10 m；統(tǒng)計周期1個月內(nèi)誤報頻次不大于0.002條/(km·h)；設(shè)備的平均故障間隔時間不小于10 000 h；設(shè)備支持7×24 h工作方式；設(shè)備的現(xiàn)場修復(fù)時間不大于30 min。

3.4 接口方案

接口方案提出了前端探測設(shè)備與監(jiān)測平臺間的數(shù)據(jù)通信流程和通信協(xié)議，包括監(jiān)測數(shù)據(jù)、報警數(shù)據(jù)、報警視頻、遠程實時警告數(shù)據(jù)、設(shè)備狀態(tài)數(shù)據(jù)、設(shè)備狀態(tài)變化數(shù)據(jù)及命令數(shù)據(jù)等。

3.4.1 通信流程

（1）監(jiān)測數(shù)據(jù)。設(shè)備向平臺發(fā)送實時監(jiān)測信息。

（2）報警數(shù)據(jù)。設(shè)備發(fā)生報警時向平臺發(fā)送報警數(shù)據(jù)，直至收到平臺的報警接收自動確認信息。報警狀態(tài)持續(xù)時，設(shè)備周期性發(fā)送報警信息，間隔時間可調(diào)。

（3）報警視頻。報警解除后，設(shè)備向平臺發(fā)送報警開始前15 s至報警結(jié)束后15 s之間的報警視頻。

（4）遠程實時警告數(shù)據(jù)。發(fā)生報警時，平臺向設(shè)備發(fā)送實時警告語音數(shù)據(jù)。

（5）設(shè)備狀態(tài)數(shù)據(jù)。設(shè)備向平臺發(fā)送設(shè)備狀態(tài)數(shù)據(jù)，包括設(shè)備通信狀態(tài)、設(shè)備狀態(tài)等固定頻率的數(shù)據(jù)。

（6）設(shè)備狀態(tài)變化數(shù)據(jù)。設(shè)備向平臺發(fā)送設(shè)備狀態(tài)變化數(shù)據(jù)，包括設(shè)備通信狀態(tài)、設(shè)備狀態(tài)等變化觸發(fā)的數(shù)據(jù)。

（7）命令數(shù)據(jù)。平臺向設(shè)備發(fā)送命令信息，設(shè)備按照命令信息完成動作后，向平臺發(fā)送一條該防區(qū)的狀態(tài)信息。命令數(shù)據(jù)包括布/撤防、報警狀態(tài)解除及報警閾值設(shè)置。在防區(qū)狀態(tài)未變化時，設(shè)備每30 s向平臺發(fā)送1次所有防區(qū)的防區(qū)狀態(tài)信息；在某防區(qū)狀態(tài)發(fā)生變化時，設(shè)備實時向平臺發(fā)送該防區(qū)狀態(tài)信息。

3.4.2 通信協(xié)議

（1）非圖像類數(shù)據(jù)。采用MQTT協(xié)議，使用發(fā)布訂閱模型，按業(yè)務(wù)內(nèi)容使用不同主題進行消息傳輸，通信過程中使用JSON格式進行數(shù)據(jù)傳輸。

（2）圖像及音頻類數(shù)據(jù)。在基于IP的網(wǎng)絡(luò)上傳輸時支持RTP/RTCP協(xié)議。

3.5 網(wǎng)絡(luò)方案

網(wǎng)絡(luò)傳輸采用有線網(wǎng)絡(luò)，帶寬不小于2 Mbps，攝像機、毫米波雷達、激光雷達等前端探測設(shè)備部署于現(xiàn)場，用于探測周界人員入侵與異物侵限，前端探測設(shè)備通過光纜與現(xiàn)場監(jiān)控單元連接，現(xiàn)場監(jiān)控單元將監(jiān)測信息進行處理和判斷，產(chǎn)生報警信息并發(fā)送至監(jiān)測平臺，現(xiàn)場監(jiān)控單元通過有線網(wǎng)絡(luò)與監(jiān)測平臺連接。網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure

4 關(guān)鍵技術(shù)

4.1 基于視頻智能分析的目標識別技術(shù)

在高速鐵路周界入侵監(jiān)測中，面臨著黑夜、環(huán)境惡劣等多重影響，選用多目標跟蹤ByteTrack作為周界入侵的視頻檢測算法。

ByteTrack是 基 于tracking-by-detection范 式 的跟蹤方法[8]，其檢測頭采取基于Achor-free的檢測算法Yolox，這是因為如果使用Anchor-based的檢測算法，目標的ReID特征是在Anchor區(qū)域提取，Anchor和目標區(qū)域會出現(xiàn)錯位問題，這將導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時存在嚴重的歧義。同時使用一種簡單高效的數(shù)據(jù)關(guān)聯(lián)方法BYTE，首先利用Yolox的檢測結(jié)果把目標框結(jié)果分為高分和低分，第一次使用高分框和之前的跟蹤軌跡進行匹配，第二次使用低分框與之前沒有匹配上高分框進行匹配，利用卡爾曼濾波后軌跡之間的相似性，在保留高分檢測結(jié)果的同時，從低分檢測結(jié)果中去除背景，實現(xiàn)對遮擋、模糊等困難樣本的跟蹤。訓(xùn)練方面，在Yolox-x預(yù)訓(xùn)練模型的基礎(chǔ)上，采用MOT-17，MOT-20，Crowdhuman，Cityscapes，ETHZ等數(shù)據(jù)集進行訓(xùn)練，使網(wǎng)絡(luò)提高對入侵人員檢測的魯棒性以及對不同場景、不同天氣條件下的泛化性以減少模型的漏報和誤報。

4.2 基于雷達的目標識別技術(shù)

在臨近山體的路基段、路塹、隧道口等高速鐵路周界重點防護區(qū)段，通過部署激光雷達，劃分和確定激光雷達監(jiān)測區(qū)域范圍，利用背景差分、聚類等方法對激光雷達采集的信號數(shù)據(jù)進行自動分析處理，若有異物或人員進入監(jiān)測區(qū)域，監(jiān)測區(qū)域中的點云個數(shù)會發(fā)生變化，通過背景差分提取前景運動目標，通過目標點云聚類判斷是否侵限。

采用基于背景差分的三維點云聚類目標檢測算法[9]，通過軌道附近部署的激光雷達，根據(jù)雷達設(shè)備部署位置、測距范圍、掃描視場角，對納入監(jiān)測范圍的沿線附近區(qū)域，進行異物侵限及人員入侵實時監(jiān)測。標定感興趣的檢測區(qū)域，在無入侵的場景下選取一段連續(xù)幀的激光雷達三維點云數(shù)據(jù)，以高斯混合模型為基礎(chǔ)，使用5個高斯混合分布對背景三維點云數(shù)據(jù)進行建模，構(gòu)建該場景下的背景初始化模型。異物或人員進入監(jiān)測區(qū)域后，雷達反饋實時信號的當(dāng)前幀點云數(shù)據(jù)與背景點云數(shù)據(jù)的變化情況做差分計算，得到前景運動目標。將前景運動目標的點云數(shù)據(jù)進行濾波處理，濾除周邊植被晃動、飛鳥等干擾項信息。基于點云的聚類方法及點云數(shù)據(jù)的坐標信息，由密度可達關(guān)系導(dǎo)出最大密度相連的點云集合簇，設(shè)置點云聚類報警閾值，進行報警評判。

4.3 基于雷達和視頻智能識別融合的目標 識別技術(shù)

基于雷達和視頻智能識別融合的目標識別技術(shù)實現(xiàn)的總體思路是，對攝像機拍攝的視頻序列與雷達采集信號數(shù)據(jù)進行自動分析處理，包括對場景中感興趣目標進行特征提取和融合，對目標行為進行分析和判斷，與用戶定義的判定規(guī)則進行對比分析，從而判斷場景中是否發(fā)生周界入侵事件。

首先，對視頻目標識別、雷達目標識別進行并行處理，得到視頻識別的目標個數(shù)、位置、類別等信息，同時，毫米波雷達采用卡爾曼濾波實現(xiàn)入侵目標跟蹤，得到高精度的點云信息，包括目標個數(shù)、位置、速度等，從這些信息中提取出每個目標在傳感器中位置，并進行目標編號；接著，對雷達與攝像機的相對位置、攝像機外參和內(nèi)參進行標定，通過標定得到變換矩陣，將目標位置通過坐標變換的方式，轉(zhuǎn)換到世界坐標系[10]；最后，將得到的目標編號、目標位置輸入決策算法，決定是否報警。

基于前期的實驗數(shù)據(jù)，針對不同場景的報警數(shù)據(jù)，得到不同前端探測設(shè)備在不同距離、時間、天氣下的報警權(quán)重，進一步，采用加權(quán)求平均的方法得到最終的報警置信度P，計算公式為

式中：i為第i個前端探測設(shè)備；ωi為第i個設(shè)備的報警權(quán)重；pi為第i個設(shè)備的報警狀態(tài)(0或1)。

以良好天氣的開闊地段路基場景為例，坐標系變換如圖6所示，該場景中采用毫米波雷達和攝像機融合的方式，將雷達坐標系和視覺坐標系均轉(zhuǎn)化到世界坐標系中，得到目標是世界坐標系中的位置等信息。接著基于距離、時間選擇不同的報警權(quán)重，權(quán)重系數(shù)通過讀取不同的配置文件獲得，最終得到報警置信度，將其與報警閾值進行比較，如大于設(shè)置的報警閾值，則進行報警。

圖6 坐標系變換Fig.6 Coordinate system transformation

試驗驗證階段，首先在國家鐵道試驗中心進行驗證，搭建開闊地段的路基段、路塹、隧道口等試驗環(huán)境，新立桿安裝毫米波雷達、激光雷達和攝像機等前端探測設(shè)備，在白天與夜晚不同時間下進行人員入侵與異物侵限試驗，人員入侵方式以沿線路行走與橫穿線路為主，行走方式分為直立行走與彎腰行走。接著選取京張高速鐵路南口隧道至居庸關(guān)隧道入口處這一段為試驗場景，由于試驗環(huán)境限制，只安裝激光雷達與攝像機，試驗過程與在國家鐵道試驗中心的試驗相同。每種場景進行100次試驗，綜合2處試驗場景，融合監(jiān)測識別結(jié)果如圖7所示，融合監(jiān)測試驗結(jié)果如表3所示。

表3 融合監(jiān)測試驗結(jié)果Tab.3 Test results of fusion detection

試驗結(jié)果表明，在 3 種典型場景中，晴好天氣的條件下，毫米波雷達與視頻融合的監(jiān)測技術(shù)方案，對直立、彎腰行走的人員，在0 ~ 200 m監(jiān)測范圍內(nèi)可以穩(wěn)定監(jiān)測；激光雷達與視頻融合監(jiān)測技術(shù)方案對人員監(jiān)測能夠?qū)崿F(xiàn)零漏報、低誤報，對體積為 20 cm×30 cm×40 cm的異物，在 70 m 內(nèi)可穩(wěn)定監(jiān)測；但針對遠距離、小目標的監(jiān)測效果有待進一步提升。

5 結(jié)束語

針對高速鐵路周界不同場景，研究 “一景一案”的入侵監(jiān)測方案，提出在開闊路段的路基段、橋頭，可采用基于“毫米波雷達+視頻智能識別”的監(jiān)測方案；在臨近山體的路基段、路塹、隧道口，可采用基于“激光雷達+視頻智能識別”的監(jiān)測方案。進一步研究基于視頻、雷達和多傳感技術(shù)融合的目標識別技術(shù)，并在國家鐵道試驗中心和京張高速鐵路選取部分路段進行了試驗，試驗結(jié)果驗證了雷達與視頻智能識別融合的監(jiān)測方案可有效監(jiān)測入侵行為。下一步可繼續(xù)開展算法研究，提升對高速鐵路周界入侵小目標遠距離識別效果。