鐵路鋼軌異物距離檢測(cè)方法研究

黃尊地，常寧，鄭聲佳，梁明輝，吳澤欽，梁乘瑋，李特特

(五邑大學(xué) 軌道交通學(xué)院，廣東 江門(mén) 529020)

保證鐵路運(yùn)輸安全是國(guó)家鐵路總公司及各路局各項(xiàng)工作的重心。相對(duì)于東部地區(qū)，西部地區(qū)的西藏鐵路公司、烏魯木齊鐵路局等鐵路現(xiàn)場(chǎng)不安全的影響因素很多，包括大風(fēng)、風(fēng)沙、風(fēng)吹雪等突發(fā)情況，造成鐵路線路堆積異物，正線旅客列車(chē)大面積晚點(diǎn)影響路局正常的運(yùn)輸組織，車(chē)輛段內(nèi)調(diào)車(chē)作業(yè)中斷或直接影響行車(chē)安全[1?3]。因此，對(duì)于鐵路鋼軌線路上異物入侵及距離計(jì)算的檢測(cè)系統(tǒng)應(yīng)該是各路局安全檢測(cè)系統(tǒng)最重要的內(nèi)容之一。目前基于機(jī)器視覺(jué)對(duì)鐵路鋼軌線路進(jìn)行異物入侵檢測(cè)的主要方法有幾類(lèi)，其中一類(lèi)是使用固定式攝像機(jī)[4?8]，這類(lèi)方法主要將高清攝像機(jī)放置到比較容易受異物入侵的鐵路線路區(qū)段，包括風(fēng)區(qū)重要的鐵路線路、人流可能穿越的鐵路區(qū)段或道岔區(qū)段等，采用鋼軌特征識(shí)別及圖像處理算法進(jìn)行檢測(cè)并提前報(bào)警；還有一類(lèi)是使用移動(dòng)式攝像機(jī)[9?15]，這類(lèi)方法現(xiàn)在得到越來(lái)越多的應(yīng)用，可以實(shí)時(shí)將異物入侵信息反饋到列車(chē)上，通過(guò)截取一幀一幀的實(shí)時(shí)視頻圖片處理算法分析前方異物位置及進(jìn)行列車(chē)?yán)锍汤塾?jì)等工作。上述研究?jī)?nèi)容主要應(yīng)用在正線上，對(duì)車(chē)輛段或存車(chē)場(chǎng)內(nèi)列車(chē)實(shí)時(shí)運(yùn)行的前方異物距離判斷及算法研究偏少。針對(duì)目前特殊區(qū)域監(jiān)控系統(tǒng)的不足，本文開(kāi)展鐵路線路實(shí)時(shí)異物距離測(cè)試方案設(shè)計(jì)，基于車(chē)鉤裝載移動(dòng)式攝像機(jī)和鋼軌識(shí)別方法[12,16]，利用橫向視覺(jué)和縱向視覺(jué)幾何原理提出2種鋼軌異物距離檢測(cè)方法，為鐵路運(yùn)輸安全提供技術(shù)方案。

1　鐵路鋼軌異物距離測(cè)試方案

整體測(cè)試方案中包含攝像機(jī)、燈光、無(wú)線傳輸?shù)扔布O(shè)備，視頻存儲(chǔ)、照片獲取、照片讀入等程序操作，以及灰度處理、平滑處理、邊緣檢測(cè)、直線檢測(cè)、鋼軌方程、異物檢測(cè)和距離檢測(cè)等算法操作。攝像機(jī)等設(shè)備放置在車(chē)鉤前段，鏡頭與軌面平行，在鋼軌中心線上方；軟件處理設(shè)備放置在后端機(jī)車(chē)司機(jī)室內(nèi)。鐵路鋼軌異物及距離測(cè)試具體方案如圖1所示。

圖1　測(cè)試方案Fig. 1　Test plan

2　鐵路鋼軌識(shí)別算法

2.1　鋼軌識(shí)別算法

鐵路鋼軌識(shí)別中，首先對(duì)照片進(jìn)行預(yù)處理；并根據(jù)其像素特征進(jìn)行二值化，即將圖片信息參數(shù)平面量化；其次進(jìn)行邊緣細(xì)化，對(duì)于每一個(gè)邊緣點(diǎn)，以其梯度方向?yàn)橹行?，設(shè)置一小區(qū)間及相應(yīng)計(jì)算步長(zhǎng)，對(duì)每個(gè)區(qū)間中的θ量化值計(jì)算相應(yīng)的ρ值，這些點(diǎn)對(duì)應(yīng)的參數(shù)空間的坐標(biāo)即是所檢測(cè)直線的參數(shù)；最后邊緣跟蹤，形成一個(gè)連貫的、對(duì)應(yīng)于一個(gè)物體邊界或景物實(shí)體之間有意義的邊界，即完成霍夫變換算法識(shí)別出鋼軌方程(見(jiàn)圖2)。具體公式推導(dǎo)過(guò)程如下。

圖2　霍夫變換原理圖Fig. 2　Hough transform principle diagram

鐵路鋼軌的特征比較明顯，一是2條鋼軌是不間斷的2條平行直線，其間隔距離保持不變；二是鋼軌與車(chē)輪的摩擦原因造成部分鋼軌表明亮度很大，但同時(shí)有很多鐵路線，尤其是存車(chē)場(chǎng)線路鋼軌亮度不大；三是鋼軌與周?chē)壵?、扣件和道床的組成結(jié)構(gòu)及色差還是存在較大差別，這些特征對(duì)于鋼軌在圖片中的識(shí)別有較大影響。結(jié)合式(2)～(3)，根據(jù)霍夫變換統(tǒng)計(jì)直線方程規(guī)律及極值判斷，最終得到鋼軌在圖片中的直線方程。

2.2　鋼軌識(shí)別算法驗(yàn)證

為了驗(yàn)證鋼軌識(shí)別算法的檢測(cè)效果，在實(shí)驗(yàn)室的鋼軌直線段進(jìn)行了試驗(yàn)驗(yàn)證，見(jiàn)圖3所示。圖3(a)為經(jīng)過(guò)二值化處理和霍夫變換后得到的直線識(shí)別情況，計(jì)算結(jié)果得到鋼軌上一系列點(diǎn)的坐標(biāo)；圖3(b)為兩端坐標(biāo)擬合的直線方程反饋到真實(shí)圖片上，驗(yàn)證其與鋼軌的匹配程度，結(jié)果表明匹配較好。

圖3　驗(yàn)證結(jié)果Fig. 3　Verification results

其中鋼軌識(shí)別的直線方程分別為：

3　鐵路鋼軌異物距離識(shí)別算法

3.1　基于橫向視覺(jué)的鋼軌異物距離檢測(cè)方法

基于橫向視覺(jué)的鋼軌異物距離檢測(cè)方法如圖 4所示，在實(shí)物示意圖中，O為攝像機(jī)的位置，OP為攝像機(jī)橫向視角的中心線，CG和DH為左右兩側(cè)的鋼軌，與中心線等距對(duì)稱(chēng)布置；C和D 2點(diǎn)為初次進(jìn)入攝像機(jī)鏡頭里的鋼軌點(diǎn)，CD段到攝像機(jī)的距離為l0；M點(diǎn)為異物在鋼軌上的位置，MN段到攝像機(jī)的距離為l1；AB段為遠(yuǎn)處進(jìn)入攝像機(jī)的范圍。在以實(shí)物為原型的照片示意圖中，照片像素為b*p，如果去掉天空部分，只保留鋼軌部分，照片像素為b*p/2，其中CD段橫向像素差值為b0，MN段橫向像素差值為b1，兩端縱向像素差值為p1。

圖4　橫向視覺(jué)檢測(cè)原理圖Fig. 4　Lateral visual inspection principle

由圖4(a)可知，根據(jù)相似三角形的原理，可以得到異物點(diǎn)到攝像機(jī)的距離與橫向視覺(jué)范圍的比例關(guān)系，如下：

其中：l0已知，欲求l1，必須計(jì)算出CD段和EF段的實(shí)物長(zhǎng)度之比。

2鋼軌CG和DH橫向間距為1 435 mm，且在直線段間距保持不變。在圖4(b)照片示意圖中，由于相機(jī)視角和像素的關(guān)系，2段平行線變成了斜率不同的斜線，其橫向像素差值不同。由此可知：

由式(6)和式(8)可得

圖像處理后，通過(guò)鋼軌方程及異物點(diǎn)橫坐標(biāo)識(shí)別，進(jìn)行異物檢測(cè)及距離計(jì)算。

3.2　基于縱向視覺(jué)的鋼軌異物距離檢測(cè)方法

基于縱向視覺(jué)的鋼軌異物距離檢測(cè)方法如圖 5所示，在實(shí)物示意圖中，O點(diǎn)為攝像機(jī)的位置，高度為h，焦距為s；P點(diǎn)為圖像成像側(cè)，R和Q分別為初次進(jìn)入攝像機(jī)鏡頭里的鋼軌位置和異物所在鋼軌位置的中心點(diǎn)，到攝像機(jī)的距離分別為l0和l1，與軌面的夾角分別為a1和a2；R和Q成像點(diǎn)距軌面的距離分別為p2和p3。在以實(shí)物為原型的照片示意圖中，照片像素為 b*p，如果去掉天空部分，只保留鋼軌部分，照片像素為b*p/2，其中CD段橫向像素差值為b0，MN段橫向像素差值為b1，兩端縱向像素差值為p1。

圖5　縱向視覺(jué)檢測(cè)原理圖Fig. 5　Longitudinal visual inspection principle

由圖5(a)可知，根據(jù)R和Q分別所在的2個(gè)直角三角形相似，可以得出到攝像機(jī)距離與攝像機(jī)參數(shù)的比例關(guān)系，如下所示：

由式(10)～(11)計(jì)算可得：

其中：Δb表示異物點(diǎn)到標(biāo)定初始點(diǎn)的距離在屏幕上的成像。

由圖5(b)中的圖片示意圖可知，照片中的像素和攝像機(jī)成像存在一定的關(guān)系，如下所示：

由式(12)和(13)可得：

圖像處理后，通過(guò)鋼軌方程及異物點(diǎn)縱坐標(biāo)識(shí)別，進(jìn)行異物檢測(cè)及距離計(jì)算。

4　實(shí)驗(yàn)室線路試驗(yàn)及結(jié)果分析

五邑大學(xué)軌道交通學(xué)院可移動(dòng)列車(chē)綜合實(shí)驗(yàn)室，包括一臺(tái)10 m地鐵列車(chē)、120 m長(zhǎng)度的鐵路線路，接觸網(wǎng)、變電所等供電設(shè)備以及運(yùn)營(yíng)管理和信號(hào)控制室等。為整體方案測(cè)試和異物距離檢測(cè)提供了可行性條件。

由圖6(a)可以看出，線路兩端是站臺(tái)，其中照片中遠(yuǎn)處站臺(tái)停放地鐵列車(chē)；正線120 m長(zhǎng)，經(jīng)過(guò)道岔左邊是側(cè)線，中間很長(zhǎng)一段距離都是直線，便于開(kāi)展測(cè)距試驗(yàn)。在鋼軌附近，放置卷尺標(biāo)注尺寸，象征性的異物放置在鋼軌上，距離攝像機(jī)的位置分別為7，12，18，25和45 m。

圖6　實(shí)驗(yàn)室測(cè)試圖Fig. 6　Test in the laboratory

軟件處理和算法檢測(cè)后的情況如圖6(b)所示，算法識(shí)別的鋼軌方程劃線與圖片中鋼軌完全吻合，限界方程劃線在軌道線路兩側(cè)，同時(shí)，象征性異物已被識(shí)別出，計(jì)算結(jié)果見(jiàn)表1所示。

表1　測(cè)距算法實(shí)驗(yàn)室檢測(cè)結(jié)果Table 1　Detection results of distance algorithm in the laboratory

由表1數(shù)據(jù)可知，在45 m范圍內(nèi)，2種測(cè)距算法都保持較高的精度要求，誤差在5%以?xún)?nèi)。同時(shí)，在測(cè)試數(shù)據(jù)誤差整體分析中，尤其對(duì)于中長(zhǎng)距離，基于橫向視覺(jué)的鋼軌異物距離檢測(cè)方法比基于縱向視覺(jué)的鋼軌異物距離檢測(cè)方法要更加準(zhǔn)確一些。

5　鐵路現(xiàn)場(chǎng)試驗(yàn)及結(jié)果分析

為了保證整個(gè)測(cè)試方案的可行性和檢測(cè)算法的準(zhǔn)確性，進(jìn)行鐵路現(xiàn)場(chǎng)的驗(yàn)證試驗(yàn)。鐵路現(xiàn)場(chǎng)選擇在烏魯木齊鐵路局烏西貨車(chē)存車(chē)場(chǎng)進(jìn)行，存車(chē)場(chǎng)要進(jìn)行長(zhǎng)編組列車(chē)的調(diào)車(chē)作業(yè)，車(chē)尾需要工作人員輔助查看線路及鐵路異物，為方案開(kāi)展提供了必要性。具體測(cè)試現(xiàn)場(chǎng)如圖7(a)所示?，F(xiàn)場(chǎng)有很多條貨運(yùn)股道，選擇中間的一條線路，攝像機(jī)放置在車(chē)鉤位置，同時(shí)在鋼軌中間標(biāo)注尺寸，以及放置象征性的異物，模擬實(shí)際列車(chē)運(yùn)行時(shí)前方的異物情況。

圖7　鐵路現(xiàn)場(chǎng)測(cè)試圖Fig. 7　Test in the railway scene

軟件處理和算法檢測(cè)后的情況如圖7(b)所示，算法識(shí)別的鋼軌方程劃線與圖片中鋼軌完全吻合，限界方程劃線在軌道線路兩側(cè)，同時(shí)，象征性異物已被識(shí)別出，計(jì)算結(jié)果見(jiàn)表2所示。

表2　測(cè)距算法鐵路現(xiàn)場(chǎng)檢測(cè)結(jié)果Table 2　Detection results of distance algorithm in the railway scene

由表2數(shù)據(jù)可知，在40 m的范圍內(nèi)，2種測(cè)距算法都保持較高的精度要求，由于現(xiàn)場(chǎng)的環(huán)境較實(shí)驗(yàn)室更為復(fù)雜，個(gè)別尺寸誤差在 6%左右。同時(shí)，在全部測(cè)試數(shù)據(jù)誤差分析中，尤其是中長(zhǎng)距離，基于橫向視覺(jué)的鋼軌異物距離檢測(cè)方法比基于縱向視覺(jué)的鋼軌異物距離檢測(cè)方法要更加準(zhǔn)確。

6　結(jié)論

1) 基于鐵路鋼軌的特征，通過(guò)灰度處理、平滑處理、二值化處理、邊緣檢測(cè)以及霍夫變換直線檢測(cè)等算法，可以準(zhǔn)確地識(shí)別鋼軌方程并匹配圖像文件。

2) 結(jié)合機(jī)器視覺(jué)和鐵路鋼軌特征，分別提出基于橫向視覺(jué)和縱向視覺(jué)的鋼軌異物距離檢測(cè)方法；通過(guò)試驗(yàn)數(shù)據(jù)誤差分析，算法具有較好的魯棒性，尤其是中長(zhǎng)距離，基于橫向視覺(jué)比縱向視覺(jué)的檢測(cè)方法要更加準(zhǔn)確一些，適合監(jiān)控遠(yuǎn)程異物。

3) 整體方案經(jīng)過(guò)實(shí)驗(yàn)室測(cè)試以及烏魯木齊鐵路局現(xiàn)場(chǎng)試驗(yàn)驗(yàn)證，異物距離測(cè)試精度滿(mǎn)足工程要求，為鐵路運(yùn)輸現(xiàn)場(chǎng)作業(yè)安全提供理論依據(jù)和技術(shù)方案。

參考文獻(xiàn)：

[1] Maneesha S, Sameer S, Jay J, et al. Autonomous rail track inspection using vision based system [C]// IEEE International Conference on Computational Intelligence for Homeland Security and Personal Safety. Alexandria,USA, 2006: 56?59.

[2] Bogdan S, Andrzej C. Fast detection and impulsive noise removal in color images[J]. Real Time Imaging, 2005,11(5/6): 389?402.

[3] Davey J, Wallace A, Stenson N, et al. The experiences and perceptions of heavy vehicle drivers and train drivers of dangers at railway level crossings[J]. Accident Analysis and Prevention, 2008, 40(2): 1217?1222.

[4] JUN Xue, JUN Cheng, LI Wang, et al. Visual monitoring based railway grade crossing surveillance system[C]//Congress on Image and Signal Processing, Hainan, China,2008: 427?431.

[5] 習(xí)可. 基于智能視頻技術(shù)的鐵路入侵檢測(cè)[D]. 長(zhǎng)沙:中南大學(xué), 2010.XI Ke. Railway intrusion detection based on intelligent video technology[D]. Changsha: Central South University,2010.

[6] 李家才，陳治亞，王夢(mèng)格. 鐵路入侵運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)技術(shù)[J]. 鐵道科學(xué)與工程學(xué)報(bào)，2013, 10(6): 116?120.LI Jiacai, CHEN Zhiya, WANG Mengge. Moving target real-time detection of railway intrusion[J]. Journal of Railway Science and Engineering, 2013, 10(6): 116?120.

[7] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 鐵路鋼軌視覺(jué)識(shí)別檢測(cè)方法[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 45(7):2496?2502.WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al.Railway rail identification detection method using machine vision[J]. Journal of Central South University(Science and Technology), 2014, 45(7): 2496?2502.

[8] 王前選, 梁習(xí)鋒, 劉應(yīng)龍, 等. 緩變異物入侵鐵路線路視覺(jué)檢測(cè)方法[J]. 中國(guó)鐵道科學(xué), 2014, 35(3): 137?143.WANG Qianxuan, LIANG Xifeng, LIU Yinglong, et al.Visual detection method for the invasion of slowly changing foreign matters to railway lines[J]. China Railway Science, 2014, 35(3): 137?143.

[9] Susumu K, Tsuyoshi N, Yasukazu O. A global optimization algorithm for real-time onboard stereo obstacle detection systems[C]// Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul. Turkey,2007: 13?15.

[10] Sadayuki T. Vision-based vehicles in Japan: Machine vision systems and driving control systems[J]. IEEE Transactions on Industrial Electronics, 1994, 41(4): 398?405.

[11] Fatih K, Yusuf S A. Vision-based railroad track extraction using dynamic programming[C]// Proceedings of the 12th InternationalIEEEConference onIntelligent Transpertation Systems, St Louis, Mo, USA, 2009: 42?47.

[12] 郭保青, 許西寧, 余祖俊. 單幅軌距圖像中軌道特征識(shí)別與定位方法研究[J]. 電子測(cè)量與儀器學(xué)報(bào), 2011,25(4): 309?314.GUO Baoqing, XU Xining, YU Zujun. Research on recognition and positioning method of rail landmark in single image[J].Journal of Electronic Measurement and Instrument, 2011, 25(4): 309?314.

[13] 郭保青, 朱力強(qiáng), 史紅梅, 等. 基于單幅圖像的軌檢車(chē)位置矯正方法研究[J]. 鐵道學(xué)報(bào), 2011, 33(12): 72?77.GUO Baoqing, ZHU Liqiang, SHI Hongmei, et al.Research on track inspection car position correction method by use of single imge[J]. Journal of the China Railway Society, 2011, 33(12): 72?77.

[14] 同磊. 基于機(jī)器視覺(jué)的軌道交通線路異物檢測(cè)技術(shù)研究[D]. 北京: 北京交通大學(xué)機(jī)械與電子控制工程學(xué)院,2012: 23?40.TONG Lei. A study on railway obstacle detection using machine vision[D]. Beijing: Beijing Jiaotong University,School ofMechanicalElectronic andControl Engineering, 2012: 23?40.

[15] 同磊, 朱力強(qiáng), 余祖俊, 等. 基于車(chē)載前視檢測(cè)相機(jī)的軌道異物檢測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2012,12(4): 79?84.TONG Lei, ZHU Liqiang, YU Zujun, et al. Railway obstacle detection using onboard forward-viewing camera[J].Journal ofTransportationSystems Engineering and Information Technology, 2012, 12(4):79?84.

[16] 閔永智, 殷超, 黨建武, 等. 基于圖像色相值突變特征的鋼軌區(qū)域快速識(shí)別方法[J]. 交通運(yùn)輸工程學(xué)報(bào),2016, 16(1): 46?54.MIN Yongzhi, YIN Chao, DANG Jianwu, et al. Fast recognition method of rail region based on hue value mutation feature of image[J]. Journal of Traffic and Transportation Engineering, 2016, 16(1): 46?54.