(完整word版)鐵路異物侵入檢測.doc

1、鐵路異物侵入檢測前言滾石、 行人、動物等異物侵入鐵路限界，頻頻引發(fā)鐵路交通事故，嚴(yán)重威脅了人民生命財產(chǎn)安全和鐵路運輸經(jīng)濟(jì)的發(fā)展。鐵路入侵檢測問題成為各國鐵路運輸安全關(guān)注的熱點問題。傳統(tǒng)的軌道檢測主要是依靠人力,通過在全國范圍內(nèi)設(shè)置大量專業(yè)巡路人員來達(dá)到軌道檢測的效果。這種方式雖然能夠非常準(zhǔn)確的檢測到安全隱患,但是太過于浪費人力和財力,同時對于緊急事故反應(yīng)也不夠迅速。為了解決人力檢測所帶來的弊端，基于計算機(jī)的全自動檢測方式顯的非常重要。隨著智能視頻監(jiān)控技術(shù)的飛速發(fā)展，基于視頻監(jiān)控的入侵檢測技術(shù)得到了越來越多的研究和嘗試性應(yīng)用。關(guān)鍵字：鐵路異物、智能視頻技術(shù)、運動目標(biāo)檢測研究現(xiàn)狀滾石、落物、行人、

2、動物、車輛等異物侵入鐵路限界，具有突發(fā)性、無規(guī)律、不可預(yù)測等特點 ?，在列車速度超過200 km h 時，僅靠司機(jī)目視發(fā)現(xiàn)后采取制動措施，將不能有效避免事故發(fā)生，嚴(yán)重威脅行車安全。為此，美國舊-3、日本 H1 等鐵路運輸發(fā)達(dá)國家均采用先進(jìn)技術(shù)檢測鐵路入侵異物并提前預(yù)警，確保行車安全，我國也在新建時速300350 km客運專線鐵路設(shè)計暫行規(guī)定1 中明確規(guī)定應(yīng)根據(jù)需要對自然災(zāi)害和異物侵限等進(jìn)行監(jiān)測，為列車運行計劃調(diào)整、行車控制提供依據(jù)。近年來， 鐵路入侵檢測問題已成為各國鐵路運輸安全關(guān)注的熱點。目前我國鐵路供電部門主要以人工方式定期對絕緣瓷瓶的絕緣子進(jìn)行清掃和檢查。這種方式很難實時監(jiān)控絕緣子狀態(tài)，

3、因此有必要研究基于計算機(jī)的全自動檢測方式。鐵路入侵檢測的方法主要有雙電網(wǎng)、傾角傳感、紅外對射、視頻內(nèi)容分析、光柵放射譜和監(jiān)測雷達(dá)技術(shù)等。由于監(jiān)測直觀， 監(jiān)控范圍大伸， 視頻監(jiān)控作為一種重要的安全保障方法廣泛應(yīng)用于鐵路安全監(jiān)控系統(tǒng)。 但目前的視頻監(jiān)控系統(tǒng)大都需要專人監(jiān)看，監(jiān)控人員的工作強(qiáng)度很大，容易產(chǎn)生疏漏。在國內(nèi)， 多采用安裝于防護(hù)網(wǎng)上的探測電纜進(jìn)行檢測，同時輔助視頻監(jiān)控系統(tǒng)對現(xiàn)場狀況進(jìn)行確認(rèn)。 在已經(jīng)開通運營的京津城際高速鐵路就采用的這種監(jiān)控方式如圖1 所示，該監(jiān)控方式多應(yīng)用于跨鐵橋環(huán)境，通過安裝于跨鐵橋兩側(cè)的金屬防護(hù)網(wǎng)上的監(jiān)測電纜來檢測侵界異物，當(dāng)有異物損壞防護(hù)網(wǎng)落入鐵路線路時，位于防護(hù)網(wǎng)

4、上的監(jiān)測電纜將被切斷啟動報警系統(tǒng)。然而， 該方法可靠性較差， 只有在異物損壞監(jiān)測電纜的情況下才能夠有效檢測出侵界異物。圖 1 接觸式異物侵限檢測系統(tǒng)中國石油慶陽石化分公司的劉建斌提出利用光纖布喇格光柵應(yīng)力傳感器替代傳統(tǒng)的安裝于防護(hù)網(wǎng)上的電類傳感器。該方法增加了系統(tǒng)的抗電磁干擾能力。然而接觸式檢測本身存在局限性，監(jiān)測效率較低，多應(yīng)用于跨鐵橋等高危路段。北京交通大學(xué)的王洋采用基于激光幕墻的方法進(jìn)行異物檢測。該方法通過安裝多個二維激光傳感器形成激光幕墻來檢測入侵異物如圖2 所示。該方法檢測速度快，靈敏度高， 但是安裝比較復(fù)雜，受環(huán)境影響較大，只能檢測幾個截面，不能準(zhǔn)確測量出異物的大小和形狀，且成本較

5、高。圖 2 基于激光幕墻的異物檢測蘭州交通大學(xué)的朱正平、王秀麗、岳秋菊提出一種基于機(jī)器視覺的軌道異物侵界檢測方法。該方法首先利用 Hough 變換檢測出鐵軌， 以鐵軌的邊緣為基礎(chǔ)建立檢測窗口， 通過檢測窗口內(nèi)的灰度變化判斷是否存在異物如圖 3 所示。該方法實現(xiàn)簡單，低成本，實時性好，然而可靠性較低，無法判斷異物的大小和位置。圖3 基于灰度量方圖的異物檢測北京交通大學(xué)的葛大偉提出一種基于視頻內(nèi)容分析的鐵路入侵檢測方法。該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異物，然后對異物行為進(jìn)行分析，實現(xiàn)入侵行為的識別與報警?；谝曨l內(nèi)容分析的鐵路入侵檢測系統(tǒng)軟件運行界面如圖4 所示。該方法容

6、易實現(xiàn)，成本較低，但是基于圖像差分難以避免對靜止異物的誤檢和對陰影的漏檢，系統(tǒng)的可靠性較低，異物定位不準(zhǔn)等問題。圖 4 基于視頻內(nèi)容分析的鐵路入侵檢測結(jié)合國內(nèi)外研究現(xiàn)狀， 本文針對入侵異物的來源、特點及鐵路入侵檢測的遠(yuǎn)景環(huán)境特征，采用智能視頻技術(shù)， 對監(jiān)控圖像序列中入侵運動目標(biāo)的檢測、 跟蹤和分類方法展開研究， 提出用于目標(biāo)檢測的相對背景差分法、 用于目標(biāo)跟蹤的基于特征的匹配算法和基于透視規(guī)律的目標(biāo)分類方法， 實現(xiàn)運動物體人侵行為的自動識別、 分類和報警， 為進(jìn)一步開展鐵路入侵智能視頻檢測系統(tǒng)的研究和開發(fā)提供便利。檢測算法運動目標(biāo)檢測是指從視頻序列中將變化區(qū)域從背景圖像中提取出來，是后續(xù)目標(biāo)跟

7、蹤、分類和行為理解的基礎(chǔ)。靜態(tài)場景下目標(biāo)檢測一般采用光流法、幀間差分法和背景差分法。其中， 背景差分法能夠較好的檢測出前景像素點，不受目標(biāo)運動速度的限制，是運動目標(biāo)檢測的首選方法。但該方法不具有魯棒性，對外界的變化比較敏感。為有效剔除光照等外界條件變化對運動目標(biāo)檢測的影響，本文結(jié)合鐵路入侵檢測的遠(yuǎn)景環(huán)境特征，提出一種基于參考點的“相對背景差分法”，其基本思想是：計算當(dāng)前幀圖像與背景圖像上各對應(yīng)像素點的灰度值之比，為灰度變化率， 取場景中沒有被入侵的像素點為參考點，以參考點處的灰度變化率作為參考變化率，二者之差即為各像素點灰度的相對變化率。若某像素點灰度值相對變化率超出閾值，認(rèn)為該像素點是前景點

8、，否則為背景點。 算法流程如圖 5 所示。當(dāng)前幀圖像差分圖像二值化背景圖像閾值當(dāng)前幀圖像參考點灰度值背景圖像參考點灰度值圖5 改進(jìn)背景差分法流程圖算法具體步驟如下(1) 背景選取。在光照最強(qiáng)時，場景內(nèi)所有點的像素值會隨之增加到最大，故認(rèn)為光照最強(qiáng)的場景能夠反映各像素點值隨光照的變化能力，所以取場景中光照最強(qiáng)期間的一幀空白場景作為背景圖像，其上各點的灰度記為?(?,?)。(2) 參考點選取。在 ?(?,?)上分散選定若干極少受到入侵的點（如天空、高大建筑物上的點） (?作參考點， 灰度 ?(?,0?0?)用來反映背景光照的變化情況（其中 i=1，0?,?0?)2，?，n，n 為參考點個數(shù)） 。采

9、用排序法， 選取 (? ,? )中灰度變化率最小的點，作0?0?為可靠參考點，記為 (?，對應(yīng)的灰度記為 ?(?,?)00 。0, ?)0(3) 當(dāng)前幀各點灰度相對變化率計算。設(shè)當(dāng)前幀圖像上各點灰度值為?(?,?)，可靠參考點 (?0, ?)0 在其上的像素值為,?0 )，則當(dāng)前幀各點灰度相對變化率?(?,?)為?(?0(),?0)?(?,?)?(?0?,? = |-|?(?,?) ?(?,0 ?)0(1)(4) 運動目標(biāo)判斷。由式 (1)，可得差分后的二值化圖像 ?(?,?)為()1 ? ?, ?()? ?,? = 0?,其中：丁為設(shè)定的相對變化率閾值。若某像素點灰度值相對變化率 ?)(?

10、?,?超出閾值丁，認(rèn)為該像素點是運動點，否則為背景點。這里的閾值丁選用最佳全局閾值法選取。該方法假設(shè)入侵目標(biāo)與背景的灰度差別明顯，分處于不同的灰度級，且圖像中引入的噪聲服從均值為零的高斯分布。因此，圖像的灰度分布曲線近似表示為2 個正態(tài)分布的密度函數(shù)，分別代表目標(biāo)和背景的直方圖。如果假設(shè)條件滿足，圖像的直方圖上會出現(xiàn) 2 個分離的峰值。然后，根據(jù)最小誤差理論，取直方圖的兩峰值間的波谷所對應(yīng)的灰度為分割閾值，如圖6 所示。圖6 最佳全局閾值跟蹤方法鐵路入侵檢測的目標(biāo)特點為，檢測的目標(biāo)不可被預(yù)知的，有可能是剛體， 也有可能是非剛體。且圖像數(shù)據(jù)在采集和傳輸?shù)倪^程中，會引入大量的噪聲?；谀Ｐ偷母櫡?/p>

11、初始化困難，要求有較高的目標(biāo)檢測精度；基于區(qū)域的跟蹤算法對目標(biāo)區(qū)域的灰度進(jìn)行匹配，但很容易跟丟目標(biāo)，可靠性較差； 而基于特征的目標(biāo)跟蹤方法算法簡單，跟蹤速度快， 具有很好的實時性。根據(jù)交通流序列圖像幀間間隔短，連續(xù)性強(qiáng)的特點， 可以認(rèn)為同一車輛在相鄰幀間的質(zhì)心位置、面積大小和外接矩形長寬變化不大，故本文選用了基于目標(biāo)特征的跟蹤方法，并綜合多種目標(biāo)特征信息，實現(xiàn)了對目標(biāo)的簡單有效跟蹤。定義第 ?幀中的模板目標(biāo)?和第 ?+ 1 幀中的待匹配目標(biāo)?的質(zhì)心位置分別為?和(? , ?)?(?,?)，分別具有外接矩形長寬比?+1?+1模板與下一幀圖像中待匹配目標(biāo)的靠近程度? ? 和 ? ，且外接矩形面積分

12、別為? ?+1?(?),：?和?。則有?+1?2?2(?- ? )+ (?-? )?( ?,?) =?+1?+1 ?)22)max (? -?+(?- ?)?+1?+1模板與待匹配目標(biāo)的形狀的接近程度?(?),為?|?-? |?( ?),=?+1?|)max ( |? -?+1模板與待匹配目標(biāo)的面積的接近程度()?,?為?|?-?|?+1?( ?,) =?max (|? - ?|)?+1則得到模板與待匹配目標(biāo)的綜合匹配度?( ?,?) 為?( ?,?) = ?( ?,?) + ?( ?,?) + ?( ?,?)其中： ，?和 ?表示各匹配度因子的加權(quán)系數(shù)，經(jīng)過實驗， 選取 = 0.5，?= 0

13、.3 和 ?= 0.2 ，取得了較好的效果。基于透視關(guān)系的目標(biāo)分類方法入侵鐵路的運動目標(biāo)主要有行人、車輛、動物等。統(tǒng)計發(fā)現(xiàn)，卡車、巴士、小轎車、三輪車及行人的面積比和寬高比具有明顯的特征區(qū)別， 基于此，本文提出一種基于透視規(guī)律的寬高比和面積比計算方法， 利用這些特征實現(xiàn)目標(biāo)分類。 簡化后鐵路異物入侵場景透視關(guān)系如圖7 所示。在場景中尋找已知高度作為計算的基準(zhǔn)高度?。透視算法為：以監(jiān)視器所在平面為畫面，找到場景中某一鉛垂面內(nèi)與目標(biāo)高度方向垂直的兩條平行直線?1(? = ?+ ?) 和111和 ?間的距離 ?為基準(zhǔn)高度；檢測到的運動目標(biāo)用其外接矩形框簡化?(?22 = ?+2 ?)2 ，取 ?1

14、2表示，并設(shè)目標(biāo)框上下左右邊界坐標(biāo)分別為?，?， ?和 ?。由透視規(guī)律可知，投射到畫面? ?上的目標(biāo)高度方向與基準(zhǔn)高度方向平行。圖7 透視關(guān)系簡圖反映了目標(biāo)距畫面的距離。而 ?上各點的縱坐標(biāo)，也能夠反映在該點處豎直方向的線距離?1透視面的距離。當(dāng)延長?= ?與?交于 1 點時，對應(yīng)該點處的豎直線為?。?與目標(biāo)距離畫面?1等距且高度方向平行，由透視規(guī)律可知， ?與目標(biāo)框的實際高度比等于它們在畫面上的高度比。已知 ?的實際高度為 2 條平行線間的距離 ?，易推得目標(biāo)的實際高度 ? 1：?( ? - ?)?1 =1?1( ?- ?1) - ?2( ?- ?2)可以認(rèn)為入侵目標(biāo)在畫面上的投影后，寬高比

15、被較好地繼承下來，故目標(biāo)的實際寬度：? =? -?1?-?1將此公式代入到圖 8 所示的場景中。 該圖像為一室內(nèi)走廊的場景，屬于簡單的一點透視，檢測到的人物用矩形框法進(jìn)行簡化表示。這里基準(zhǔn)高度選擇為門高，精確測量 H=2.08 m。用式(7)算得人的實際高度為 1.64 m ，與人的真實身高1.66m 相吻合。計算得到的尺寸可以輔助寬高比特征對檢測到的目標(biāo)進(jìn)行分類，同時還可以輔助甄別近處面積較大的噪點。圖 8 廊內(nèi)的透視效果結(jié)論(1)研究了鐵路場景下入侵運動目標(biāo)檢測方法，提出基于參考點的“相對背景差分法”、基于目標(biāo)特征的跟蹤算法和基于透視規(guī)律的目標(biāo)分類方法， 實現(xiàn)對多目標(biāo)場景運動目標(biāo)的實時檢測識別。(2)基于參考點的 “相對背景差分法”在沒有明顯增加運算量的前提下，通過參考點剔除光照的影響，增強(qiáng)了