铁路异物侵入检测.doc

铁路异物侵入检测
前言
滚石、行人、动物等异物侵入铁路限界，频频引发铁路交通事故，严重威胁了人民生命财产安全和铁路运输经济的发展。铁路入侵检测问题成为各国铁路运输安全关注的热点问题。传统的轨道检测主要是依靠人力,通过在全国范围内设置大量专业巡路人员来达到轨道检测的效果。这种方式虽然能够非常准确的检测到安全隐患,但是太过于浪费人力和财力,同时对于紧急事故反应也不够迅速。
为了解决人力检测所带来的弊端，基于计算机的全自动检测方式显的非常重要。随着智能视频监控技术的飞速发展，基于视频监控的入侵检测技术得到了越来越多的研究和尝试性应用。
关键字：铁路异物、智能视频技术、运动目标检测
研究现状
滚石、落物、行人、动物、车辆等异物侵入铁路限界，具有突发性、无规律、不可预测等特点⋯，在列车速度超过200 km／h时，仅靠司机目视发现后采取制动措施，将不能有效避免事故发生，严重威胁行车安全。为此，美国旧-3]、日本H1等铁路运输发达国家均采用先进技术检测铁路入侵异物并提前预警，确保行车安全，我国也在《新建时速300～350 km客运专线铁路设计暂行规定》"1中明确规定应根据需要对自然灾害和异物侵限等进行监测，为列车运行计划调整、行车控制提供依据。
近年来，铁路入侵检测问题已成为各国铁路运输安全关注的热点。目前我国铁路供电部门主要以人工方式定期对绝缘瓷瓶的绝缘子进行清扫和检查。这种方式很难实时监控绝缘子状态，因此有必要研究基于计算机的全自动检测方式。铁路入侵检测的方法主要有双电网、倾角传感、红外对射、视频内容分析、光栅放射谱和监测雷达技术等。
由于监测直观，监控范围大伸，视频监控作为一种重要的安全保障方法广泛应用于铁路安全监控系统。但目前的视频监控系统大都需要专人监看，监控人员的工作强度很大，容易产生疏漏。
在国内，多采用安装于防护网上的探测电缆进行检测，同时辅助视频监控系统对现场状况进行确认。在已经开通运营的京津城际高速铁路就采用的这种监控方式如图1所示，该监控方式多应用于跨铁桥环境，通过安装于跨铁桥两侧的金属防护网上的监测电缆来检测侵界异物，当有异物损坏防护网落入铁路线路时，位于防护网上的监测电缆将被切断启动报警系统。然而，该方法可靠性较差，只有在异物损坏监测电缆的情况下才能够有效检测出侵界异物。

图 1接触式异物侵限检测系统
中国石油庆阳石化分公司的刘建斌提出利用光纤布喇格光栅应力传感器替代传统的安装于防护网上的电类传感器。该方法增加了系统的抗电磁干扰能力。然而接触式检测本身存在局限性，监测效率较低，多应用于跨铁桥等高危路段。
北京交通大学的王洋采用基于激光幕墙的方法进行异物检测。该方法通过安装多个二维激光传感器形成激光幕墙来检测入侵异物如图2所示。该方法检测速度快，灵敏度高，但是安装比较复杂，受环境影响较大，只能检测几个截面，不能准确测量出异物的大小和形状，且成本较高。

图 2基于激光幕墙的异物检测
兰州交通大学的朱正平、王秀丽、岳秋菊提出一种基于机器视觉的轨道异物侵界检测方法。该方法首先利用Hough变换检测出铁轨，以铁轨的边缘为基础建立检测窗口，通过检测窗口内的灰度变化判断是否存在异物如图3所示。该方法实现简单，低成本，实时性好，然而可靠性较低，无法判断异物的大小和位置。

图 3基于灰度量方图的异物检测
北京交通大学的葛大伟提出一种基于视频内容分析的铁路入侵检测方法。该方法首先利用基于混合多高斯背景模型的背景差分算法提取出异物，然后对异物行为进行分析，实现入侵行为的识别与报警。基于视频内容分析的铁路入侵检测系统软件运行界面如图4所示。该方法容易实现，成本较低，但是基于图像差分难以避免对静止异物的误检和对阴影的漏检，系统的可靠性较低，异物定位不准等问题。

图 4基于视频内容分析的铁路入侵检测
结合国内外研究现状，本文针对入侵异物的来源、特点及铁路入侵检测的远景环境特征，采用智能视频技术，对监控图像序列中入侵运动目标的检测、跟踪和分类方法展开研究，提出用于目标检测的相对背景差分法、用于目标跟踪的基于特征的匹配算法和基于透视规律的目标分类方法，实现运动物体人侵行为的自动识别、分类和报警，为进一步开展铁路入侵智能视频检测系统的研究和开发提供便利。
检测算法
运动目标检测是指从视频序列中将变化区域从背景图像中提取出来，是后续目标跟踪、分类和行为理解的基础。静态场景下目标检测一般采用光流法、帧间差分法和背景差分法。其中，背景差分法能够较好的检测出前景像素点，不受目标运动速度的限制，是运动目标检测的首选方法。但该方法不具有鲁棒性，对外界的变化比较敏感。
为有效剔除光照等外界条件变化对运动目标检测的影响，本文结合铁路入侵检测的远景环境特征，提出一种基于参考点的“相对背景差分法”，其基本思想是：计算当前帧图像与背景图像上各对应像素点的灰度值之比，为灰度变化率，取场景中没有被入侵的像素点为参考点，以参考点处的灰度变化率作为参考变化率，二者之差即为各像素点灰度的相对变化率。若某像素点灰度值相对变化率超出阈值，认为该像素点是前景点，否则为背景点。算法流程如图5所示。

图 5改进背景差分法流程图
算法具体步骤如下
(1) 背景选取。在光照最强时，场景内所有点的像素值会随之增加到最大，故认为光照最强的场景能够反映各像素点值随光照的变化能力，所以取场景中光照最强期间的一帧空白场景作为背景图像，其上各点的灰度记为f(x,y)。
(2) 参考点选取。在f(x,y)上分散选定若干极少受到入侵的点（如天空、高大建筑物上的点） (x0i,y0i)作参考点，灰度f(x0i,y0i)用来反映背景光照的变化情况（其中i=1，2，⋯，n，n为参考点个数）。采用排序法，选取(x0i,y0i)中灰度变化率最小的点，作为可靠参考点，记为(x0,y0)，对应的灰度记为f(x0,y0)。
(3) 当前帧各点灰度相对变化率计算。设当前帧图像上各点灰度值为f'(x,y)，可靠参考点(x0,y0)在其上的像素值为f’(x0,y0)，则当前帧各点灰度相对变化率Cp(x,y)为
Cpx,y=f'(x,y)f(x,y)-f’(x0,y0)f(x0,y0)
(1)
(4) 运动目标判断。由式(1)，可得差分后的二值化图像D(x,y)为
Dx,y=1 Forground,Cpx,y≥T0 Background,otherwise
其中：丁为设定的相对变化率阈值。若某像素点灰度值相对变化率Cpx,y超出阈值丁，认为该像素点是运动点，否则为背景点。这里的阈值丁选用最佳全局阈值法选取。该方法假设入侵目标与背景的灰度差别明显，分处于不同的灰度级，且图像中引入的噪声服从均值为零的高斯分布。因此，图像的灰度分布曲线近似表示为2个正态分布的密度函数，分别代表目标和背景的直方图。如果假设条件满足，图像的直方图上会出现2个分离的峰值。然后，根据最小误差理论，取直方图的两峰值间的波谷所对应的灰度为分割阈值，如图6所示。

图 6最佳全局阈值
跟踪方法
铁路入侵检测的目标特点为，检测的目标不可被预知的，有可能是刚体，也有可能是非刚体。且图像数据在采集和传输的过程中，会引入大量的噪声。基于模型的跟踪法初始化困难，要求有较高的目标检测精度；基于区域的跟踪算法对目标区域的灰度进行匹配，但很容易跟丢目标，可靠性较差；而基于特征的目标跟踪方法算法简单，跟踪速度快，具有很好的实时性。根据交通流序列图像帧间间隔短，连续性强的特点，可以认为同一车辆在相邻帧间的质心位置、面积大小和外接矩形长宽变化不大，故本文选用了基于目标特征的跟踪方法，并综合多种目标特征信息，实现了对目标的简单有效跟踪。
定义第k帧中的模板目标i和第k+1帧中的待匹配目标j的质心位置分别为(xki,yki)和(xk+1j,yk+1j)，分别具有外接矩形长宽比Rki和Rk+1j，且外接矩形面积分别为Aki和Ak+1j。则有模板与下一帧图像中待匹配目标的靠近程度C(i,j)：
Ci,j=(xki-xk+1j)2+(yki-yk+1j)2max⁡((xki-xk+1j)2+(yki-yk+1j)2)
模板与待匹配目标的形状的接近程度R(i,j)为
Ri,j=Rki-Rk+1jmax⁡(Rki-Rk+1j)
模板与待匹配目标的面积的接近程度Ai,j为
Ai,j=Aki-Ak+1jmax⁡(Aki-Ak+1j)
则得到模板与待匹配目标的综合匹配度Mi,j为
Mi,j=αCi,j+βRi,j+γAi,j
其中：α，β和γ表示各匹配度因子的加权系数，经过实验，选取α=0.5，β=0.3和γ=0.2，取得了较好的效果。
基于透视关系的目标分类方法
入侵铁路的运动目标主要有行人、车辆、动物等。统计发现，卡车、巴士、小轿车、三轮车及行人的面积比和宽高比具有明显的特征区别，基于此，本文提出一种基于透视规律的宽高比和面积比计算方法，利用这些特征实现目标分类。简化后铁路异物入侵场景透视关系如图7所示。在场景中寻找已知高度作为计算的基准高度H。透视算法为：以监视器所在平面为画面，找到场景中某一铅垂面内与目标高度方向垂直的两条平行直线l1(l1=k1x+b1)和l2(l2=k2x+b2)，取l1和l2间的距离H为基准高度；检测到的运动目标用其外接矩形框简化表示，并设目标框上下左右边界坐标分别为yu，yd，xl和xr。由透视规律可知，投射到画面上的目标高度方向与基准高度方向平行。

图 7透视关系简图
yd反映了目标距画面的距离。而l1上各点的纵坐标，也能够反映在该点处竖直方向的线距离透视面的距离。当延长y=yd与l1交于1点时，对应该点处的竖直线为a。a与目标距离画面等距且高度方向平行，由透视规律可知，a与目标框的实际高度比等于它们在画面上的高度比。已知a的实际高度为2条平行线间的距离H，易推得目标的实际高度h1：
h1=H×k1yd-yuk1yd-b1-k2yd-b2
可以认为入侵目标在画面上的投影后，宽高比被较好地继承下来，故目标的实际宽度：
w1=xr-xlyd-yuh1
将此公式代入到图8所示的场景中。该图像为一室内走廊的场景，属于简单的一点透视，检测到的人物用矩形框法进行简化表示。这里基准高度选择为门高，精确测量H=2.08 m。用式(7)算得人的实际高度为1.64 m，与人的真实身高1.66m相吻合。计算得到的尺寸可以辅助宽高比特征对检测到的目标进行分类，同时还可以辅助甄别近处面积较大的噪点。

图 8廊内的透视效果
结论
(1)研究了铁路场景下入侵运动目标检测方法，提出基于参考点的“相对背景差分法”、基于目标特征的跟踪算法和基于透视规律的目标分类方法，实现对多目标场景运动目标的实时检测识别。
(2)基于参考点的“相对背景差分法”在没有明显增加运算量的前提下，通过参考点剔除光照的影响，增强了算法的鲁棒性，并将基础背景差分法的误检率和漏检率分别减小了24.56%和54.17%。
(3)本文采用的基于特征的目标跟踪算法具有较强的实时陛，且算法性能优于传统的基于区域的目标跟踪方法，将其误匹配率和漏匹配率分别减小了64.78%和22.58%。
(4)提出的基于透视规律的目标分类方法具有建模简单、计算量小的优点，在本文所用实验场景下分类的正确率达到85．1％，具有一定的工程应用价值。
参考文献：
[1] 李家才. 铁路入侵运动目标实时检测技术[A]. 长沙:中南大学,2013