今日頭條
官方微信
官方抖音
案例頻道1．引言
鐵路和路外傷亡事故每年都為鐵路部門和國家?guī)砭薮蟮慕?jīng)濟和人力、物力的損失。為了盡量減少鐵路交通事故，鐵路部門在一些重要道口架設了橋梁或者開挖了涵洞，但許多偏僻的道口還沒有這樣的條件。而且我國地理條件復雜，特別是南方山區(qū)地帶，彎道和橋梁比較多，這就為列車安全行駛帶來了更多更大的隱患。
本文描述的鐵路路障檢測系統(tǒng)通過在事故的多發(fā)地段安放路障視頻監(jiān)測與報警系統(tǒng)，隨時監(jiān)控該路段的情況，發(fā)現(xiàn)有威脅機車正常運行的路障時，及時向機車司機報警，以便司機采取緊急制動措施，避免事故的發(fā)生。由于該系統(tǒng)安放在鐵路路基旁，無人值守，工作環(huán)境十分惡劣，因此對整個系統(tǒng)的適應性、穩(wěn)定性、可靠性等要求高。雖然PC機功能非常強大，而且在公路、工廠、安防等視頻監(jiān)控領域已得到了很好的應用，但其可靠性差，不適用于室外惡劣的工業(yè)環(huán)境。所以本文選用基于DSP的嵌入式系統(tǒng)，其功能框圖如下：
圖1 基于DSP的嵌入式系統(tǒng)
2.路障檢測的步驟
鐵路路障的檢測分下面三個步驟來完成：
1）首先把鐵軌所在的區(qū)域從整個背景中分離[1]出來。
2）檢測鐵軌所在的區(qū)域內的障礙物。
3）對檢測到的障礙物的識別。判斷障礙物對機車行駛的危險程度等情況，最后作出判斷，發(fā)出警報。
2.1.對鐵軌所在區(qū)域的分離
鐵軌是相對靜止且有固定形狀，基于鐵軌的這個特性，本文采用邊緣檢測的方法提取鐵軌所在的區(qū)域。提取鐵軌所在區(qū)域的方法有很多種，邊緣檢測只是其中的一種，但該方法能實際有效的提取鐵軌的邊緣。
圖像的邊緣檢測是圖像分割、目標區(qū)域識別、區(qū)域形狀提取等圖像分析領域的基礎。在彩色圖像中，用于邊緣檢測的信息更加豐富，如具有相同亮度、不同色調的邊緣同樣可以被檢測出來，相應地，彩色圖像邊緣的定義也是基于3維顏色空間的不連續(xù)性。
常用的定義邊緣的方法有：
(1)首先在選定的顏色空間上定義一個測量距離,然后利用顏色空間中距離的不連續(xù)性來確定邊緣。由于這使得顏色空間的邊緣檢測仍然限制在1維空間中進行,因此,其邊緣檢測結果與相應灰度圖像的邊緣檢測結果不會有太大差異。
(2)把彩色圖像看成是由3個不同顏色分別對應的單色圖像組成,然后利用灰度邊緣檢測方法分別對3個圖像進行邊緣檢測,其結果再經(jīng)過特定的方法進行合成;
(3)允許邊緣在3個分量上具有較大的獨立性,同時施加某種同一性約束(如邊緣具有相同方向),以便能夠同時利用邊緣的顏色信息。
邊緣檢測常用的算子：經(jīng)典的邊緣檢測方法是構造對像素灰度級階躍變化敏感的微分算子,如Roberts梯度算子、Soble梯度算子等,其邊緣檢測速度快,但得到的往往是斷續(xù)的、不完整的結構信息,這類方法對噪聲較為敏感。這些算子由于梯度或一階微分算子通常會在圖像邊緣附近的區(qū)域內產(chǎn)生較寬的響應,故采用上述算子檢測的邊緣圖像常需做細化處理,邊緣定位的精度不是很高。為了有效抑制噪聲,一般都首先對原圖像進行平滑,再進行邊緣檢測就能成功地檢測到真正的邊緣。邊緣檢測技術中較為成熟的方法是線性濾波器,尤其是以拉普拉斯LOG(Laplace of Gauss)算子最為有名。
利用邊緣檢測算子檢測灰度圖像邊緣的過程示意圖如圖2所示。在這一過程中，邊緣閾值的選擇是邊緣檢測的關鍵問題之一。閾值取得過高，便不能檢出低幅度的邊緣像素，閾值取得過低會將噪聲誤檢為圖像邊緣。
2.2檢測鐵軌所在的區(qū)域內的障礙物
路障檢測是系統(tǒng)中的關鍵步驟：鐵路現(xiàn)場的環(huán)境比較復雜，就要充分考慮到各種天氣和環(huán)境的變化引起的背景的改變，否則可能產(chǎn)生障礙物的誤判斷，而使列車的正常行駛受到影響。
對于運動的障礙物的檢測，關鍵是對序列圖像將變化區(qū)域從背景圖像中提取出來。目前運動區(qū)域的檢測方法可以分為模板匹配[6]、光流[4]和背景減除[4]。由于關注的區(qū)域是運動的人或動物等。不可能用一個固定的模板來表示,模板匹配方法不適用;光流方法時間開銷比較大,且抗噪性能差,在復雜背景下也不適用,所以在擬采用背景減除的方法。另一方面,由于鐵路的復雜環(huán)境中經(jīng)常出現(xiàn)一些背景的微小變化,如云層的變化，風雨霧雪等惡劣的自然情況,簡單的背景減除效果就會受到影響。這里用到了自適應的背景減除算法(adaptive background subtraction)[1]。即在系統(tǒng)中建立環(huán)境圖像的背景統(tǒng)計模型,用自適應背景減除算法提取前景區(qū)域,并在線更新背景的統(tǒng)計模型。
2.2.1初始化背景模型:
在沒有人或其它物體進入鐵軌之前,首先對背景連續(xù)采集ｎ幅圖像,通過這ｎ幅圖像,可以建立一個初始背景的統(tǒng)計模型。在這個模型里,背景中的每一個點ｉ,定義 為該點的顏色值的期望
, 為顏色值分布的方差,有如下公式:
在沒有人或其它物體進入鐵軌之前,首先對背景連續(xù)采集ｎ幅圖像,通過這ｎ幅圖像,可以建立一個初始背景的統(tǒng)計模型。在這個模型里,背景中的每一個點ｉ,定義 為該點的顏色值的期望
, 為顏色值分布的方差,有如下公式:
其中
為點ｉ在第ｔ幅圖像中的顏色值。這樣，所有點的 
構成了初始背景模型.
為點ｉ在第ｔ幅圖像中的顏色值。這樣，所有點的 構成了初始背景模型.2.2.2前景區(qū)域提取:
初始背景建立以后,對于每一幅新采集的當前圖像,就可以進行前景區(qū)域的提取了。設當前圖像中點ｉ的顏色值為 ,可以通過以下公式將圖像二值化:
其中,所有標志為1的點構成前景區(qū)域,為0的點構成背景區(qū)域。
3.對檢測到的障礙物的識別
這一步要對檢測到的障礙物的大小，運動趨勢及對機車的行駛狀況的影響等綜合情況進行識別，進而發(fā)出報警信號。
在過去的幾年中，已經(jīng)提出了大量不同的目標跟蹤算法。這些方法主要可以分為兩類： (1)基于運動的方法：主要依據(jù)健壯的方法，把一段時間內的具有運動一致性的點歸為一類，如光流法和特征點法[6],但是計算量較大。
(2)基于模型的方法:主要依據(jù)高層的語義表示和知識描述來完成日標的跟蹤。利用目標中的信息部分的不同,可分為：基于目標邊界(通常指的是基于邊緣方面)的方法，如活動輪廓模型[5]和Hausdoff距離的邊緣匹配方法[7]基于目標區(qū)域的方法，利用的是目標整個區(qū)域紋理特性信息[3]。它可以根據(jù)目標本身的更多信息，如顏色和紋理等，來排除背景的干擾，適用于室外的跟蹤。但由于目標本身的信息較多，如不力D簡化，將不可避免地帶來信息匹配時的大量運算。因此對于實時性要求很高的運動目標跟蹤技術而言，如何選取目標的特征信息，并在可靠的前提下簡化運算是目標跟蹤的關鍵。
目標的直方圖[8]具有特征穩(wěn)定，抗部分遮擋，計算方法簡單和計算量小的特點。將其與均值平移算法結合，避免了全局窮舉搜索，是比較理想的目標跟蹤方法。為了避免與目標直方圖相似的背景偽日標的干擾，以圖像差的方式對候選目標進行了運動驗證，提高了跟蹤的可靠性。在全局范圍內匹配目標極為消耗時間，為了保證跟蹤的處理速度，Kalman濾波器被用于對日標運動參數(shù)的估計，縮小了候選模式的搜索區(qū)域。
以上就是常用的一些檢測和圖像識別的方法以及整個路障檢測系統(tǒng)的組成。
4.小結
本文提出了一個鐵路路障監(jiān)測系統(tǒng)的框架。主要從技術和軟件上綜述了近年來常用的各種圖像監(jiān)測領域的方法。對以后進行進一步的路障檢測技術的實施打下了理論的基礎。
參考文獻
[1]Gavrila D. The visual analysis of human movement: A survey: Computer Vision and Image Understanding 1999,73(1):82-90
[2] PRATT W K. Digital Image Processing [M]. New York: John Wiley &Sons, 1978.
[3]David Beyer，Philips Mcluch.A Real-T1me Compute Vision System for Measuring Traffic Parameters.1997 IEEE
[4]Daisy Jang，Gee-young Kim．Model-based Tracking of Moving 0bject[J]．Pattern Recognize，1997；30：999-1008
[5]W.J Rockledge Efficiently locating 0bjects Using Hulshof Distance[J]. International J of Computer Vision，1997;24(3)：251-270
[6]胡明昊 任明武 楊靜宇 一種基于直方固模式的運動目標實時跟蹤算法 計算機工程與應用 2004．3
[7]M Kais，A wit kin，D Petropoulos．Snake：Active Contour Model[J]．International Journal of Computer V1sion，1988;1：321―331
北京市公安局海淀分局備案號：11010802023656號