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帶來巨大的經濟和人力、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通過在事故的多發地段安放路障視頻監測與報警系統，隨時監控該路段的情況，發現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，避免事故的發生。由于該系統安放在鐵路路基旁，無人值守，工作環境十分惡劣，因此對整個系統的適應性、穩定性、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環境。所以本文選用基于DSP的嵌入式系統，其功能框圖如下：
圖1 基于DSP的嵌入式系統
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域從整個背景中分離[1]出來。
2）檢測鐵軌所在的區域內的障礙物。
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，發出警報。
2.1.對鐵軌所在區域的分離
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域。提取鐵軌所在區域的方法有很多種，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、目標區域識別、區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域內產生較寬的響應,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檢測鐵軌所在的區域內的障礙物
路障檢測是系統中的關鍵步驟：鐵路現場的環境比較復雜，就要充分考慮到各種天氣和環境的變化引起的背景的改變，否則可能產生障礙物的誤判斷，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域從背景圖像中提取出來。目前運動區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,由于鐵路的復雜環境中經常出現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]。即在系統中建立環境圖像的背景統計模型,用自適應背景減除算法提取前景區域,并在線更新背景的統計模型。
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的點構成前景區域,為0的點構成背景區域。
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，進而發出報警信號。
在過去的幾年中，已經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]基于目標區域的方法，利用的是目標整個區域紋理特性信息[3]。它可以根據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的估計，縮小了候選模式的搜索區域。
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的組成。
4.小結
本文提出了一個鐵路路障監測系統的框架。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