遲學(xué)力

隨著LKJ的推廣運(yùn)用，機(jī)車正線牽引安全事故基本得到消滅，但調(diào)車作業(yè)安全事故變得較為突出。目前，調(diào)車作業(yè)事故約占鐵路系統(tǒng)總事故的60%－70%，加強(qiáng)調(diào)車作業(yè)的安全控制對穩(wěn)定鐵路安全生產(chǎn)局面具有十分重要的意義。

1 調(diào)車作業(yè)安全預(yù)警必要性

調(diào)車作業(yè)是鐵路運(yùn)輸生產(chǎn)必不可少的作業(yè)。專用調(diào)車機(jī)由于作業(yè)地點(diǎn)相對固定，安裝有專用調(diào)車監(jiān)控裝置，可以對調(diào)車作業(yè)事故進(jìn)行有效防控。正線機(jī)車主要業(yè)務(wù)是正線牽引列車，但有時(shí)也會從事調(diào)車作業(yè)。由于其調(diào)車作業(yè)涉及的站場不定，所以不適宜安裝專用調(diào)車監(jiān)控裝置，因而其調(diào)車作業(yè)過程缺乏機(jī)控手段，其作業(yè)安全主要依靠乘務(wù)員人工保證，存在較大安全隱患。

調(diào)車作業(yè)常見事故有：碾軋脫軌器、調(diào)車沖突、擠壓道岔等。脫軌器是為了防止列檢人員在檢車作業(yè)時(shí)，因機(jī)車或列車進(jìn)入此線路，對列檢人員造成傷害而設(shè)置的防護(hù)裝置。脫軌器由兩部分組成：表示器和脫軌裝置，如圖1所示。

圖1 脫軌器組成示意圖

表示器在當(dāng)前列車行進(jìn)方向的左側(cè)；脫軌裝置為白色鑄鐵件，啟用狀態(tài)下覆蓋在列車行進(jìn)方向的左側(cè)鋼軌上，列車輾壓時(shí)會致使列車脫軌，從而保證列檢人員的安全。正線機(jī)車調(diào)車作業(yè)安全預(yù)警系統(tǒng)采用視頻圖像實(shí)時(shí)處理技術(shù)，對脫軌器及其狀態(tài)進(jìn)行自動識別，必要時(shí)對乘務(wù)員進(jìn)行報(bào)警或提示，是保障作業(yè)人員安全的重要設(shè)備。

2 調(diào)車作業(yè)安全預(yù)警系統(tǒng)結(jié)構(gòu)

正線機(jī)車調(diào)車作業(yè)安全預(yù)警系統(tǒng)，對脫軌器的檢測分為脫軌器表示器檢測和當(dāng)前軌道檢測二部分。檢測脫軌器表示器以確定脫軌器是否啟用，檢測當(dāng)前軌道是確定脫軌器是否對當(dāng)前軌道有效。系統(tǒng)由圖像采集單元和檢測主機(jī)二部分組成，通過以太網(wǎng)進(jìn)行信息交互，如圖2所示。

圖2 系統(tǒng)結(jié)構(gòu)圖

圖像采集單元核心部分由4臺安裝在機(jī)車兩端司機(jī)室中的專用相機(jī)組成，每端包括一臺低照度相機(jī)和一臺彩色相機(jī)。低照度相機(jī)負(fù)責(zé)采集軌道圖像，彩色相機(jī)負(fù)責(zé)采集脫軌器表示器圖像；而檢測主機(jī)負(fù)責(zé)對圖像進(jìn)行智能分析，即首先對彩色相機(jī)采集得到的圖像進(jìn)行識別，判斷脫軌器是否啟用，并得到脫軌器的位置坐標(biāo)，然后對低照度相機(jī)得到的圖像進(jìn)行識別，確定當(dāng)前運(yùn)行軌道，并判斷脫軌器坐標(biāo)是否在當(dāng)前軌道的左側(cè)，最終確定當(dāng)前軌道左側(cè)脫軌器是否啟用。

3 表示器檢測

3．1 顏色分割

正常情況下，脫軌器表示器在啟用狀態(tài)下為紅色，因此，紅色信息就成為了識別脫軌器的重要信息之一。通過對顏色的分割，能夠減少待處理的信息總量，把脫軌器所在的區(qū)域提取出來。彩色相機(jī)輸出的是RGB圖像，而RGB色彩空間的圖像受光照影響較大，不適合用作顏色信息提取。因此，為避免光照的影響，可以將原圖像先變換到HSV（hue，saturation and intensity）色彩空間，然后對紅色標(biāo)識牌進(jìn)行分割。HSV色彩空間如圖3所示。

圖3 HSV色彩空間

紅色的HSV空間分布在H分量的 ［0，20］與 ［340，360］區(qū)間上和S大于0．5的區(qū)間上。根據(jù)以上結(jié)論，在HSV空間上對紅色進(jìn)行分割，如圖4所示。

圖4 圖像分割結(jié)果

3．2 去除誤檢測

由于現(xiàn)實(shí)環(huán)境中色彩比較復(fù)雜，因此顏色特征不能成為識別脫軌器表示器的唯一標(biāo)識，在基于顏色的分割中可能會出現(xiàn)誤檢測的現(xiàn)象。如圖4中D圖所示，分割出的結(jié)果不但有表示器，還有紅色指示燈和遠(yuǎn)處的紅色旗幟。因此，需要根據(jù)脫軌器表示器的形狀、梯度直方圖等其他特征進(jìn)行校驗(yàn)，去除誤檢測的部分。算法分為以下2步：

1．形狀檢驗(yàn)。脫軌器表示器是一個矩形紅牌，可以對圖4中D圖分割出的圖像進(jìn)行邊緣提取，對邊緣進(jìn)行直線檢測，判斷是否存在大于一定距離的平行線，如果不存在，則不是脫軌器表示器。

2．梯度直方圖信息。對于形狀檢測的結(jié)果，取圖像的梯度直方圖信息（HOG），作為樣本特征，采用支持向量機(jī)（SVM）的方法，對樣本進(jìn)行分類，去除誤檢測。檢測結(jié)果如圖5所示，黑色矩形區(qū)域?yàn)闄z測到的脫軌器表示器。

圖5 表示器檢測結(jié)果

4 當(dāng)前軌道檢測

4．1 當(dāng)前軌道檢測原理

我國鐵路建設(shè)采用軌距為1435mm的標(biāo)準(zhǔn)鐵軌。為進(jìn)行軌道檢測，需建立軌道模型，如圖6A所示。相機(jī)安裝在車頭前方，且與地面有一定角度向下拍攝圖像，得到的圖像模型如圖6B所示。由于視角的問題，在圖6B上軌道已經(jīng)不再是平行的，離相機(jī)越遠(yuǎn)，2條軌道之間的距離越近，最終相交到遠(yuǎn)處一點(diǎn)。由于作為軌道特征的平行特性在相機(jī)獲得的圖像上不能顯現(xiàn)出來，所以將圖像投影到鳥瞰的視角上 （從空中垂直俯視的視角），如圖6C所示。在鳥瞰圖上，軌道則變成了平行的曲線。

當(dāng)前軌道檢測的主要步驟：首先通過IPM（Iverse Perspective Mappinh，逆透視投影變換）將相機(jī)中獲取的原始圖像生成鳥瞰圖，然后進(jìn)行平行曲線檢測，確定中心線，最后將中心線從鳥瞰圖透視變換到原始圖像上，確定當(dāng)前軌道在原始圖像上的中心線坐標(biāo)。

圖6 軌道檢測示意圖

4．2 IPM變換

定義世界坐標(biāo)系為 ｛FW｝＝ ｛XW，YW，ZW｝，原點(diǎn)為相機(jī)的光心，相機(jī)坐標(biāo)系為 ｛FC｝＝ ｛XC，YC，ZC｝，圖像坐標(biāo)系為｛Fi｝＝｛u，v｝，定義α為俯視角 （Pitch angle），β為偏移角 （yaw angle）如圖7所示。

根據(jù)上述關(guān)系可以計(jì)算出單應(yīng)矩陣T。

其中，fu為相機(jī)內(nèi)參中的水平焦距，fv為相機(jī)內(nèi)參中的垂直焦距，Cu為相機(jī)內(nèi)參中的水平光心坐標(biāo)，Cv為相機(jī)內(nèi)參中的垂直光心坐標(biāo)，C1＝cosα，C2＝cosβ，S1＝sinα，S2＝sinβ，h為相機(jī)光心離地面的高度。根據(jù)T可以計(jì)算出鳥瞰圖。如圖6D、6E所示。

圖7 IPM坐標(biāo)系關(guān)系

4．3 平行曲線檢測

將得到的鳥瞰圖水平分割十段，對每段圖像進(jìn)行平行直線檢測，根據(jù)平行線的距離，計(jì)算出候選的平行線對。將平行線對應(yīng)的中線連接到一起，形成軌道的中心線。然后通過T的逆矩陣將中心線坐標(biāo)重新映射回原始圖像。

5 小結(jié)

基于視頻圖像識別技術(shù)設(shè)計(jì)的正線機(jī)車調(diào)車作業(yè)安全預(yù)警裝置，可以較好地識別脫軌器狀態(tài)，并對乘務(wù)員及時(shí)進(jìn)行預(yù)警，從而有效防止正線機(jī)車調(diào)車作業(yè)過程中誤軋脫軌器的作業(yè)事故。但是，在實(shí)際應(yīng)用過程仍然存在一些問題，例如，夜晚工作時(shí)，由于光線情況比較復(fù)雜，各種光干擾較多，光線投射到軌道上會出現(xiàn)光斑，加上擋風(fēng)玻璃的衍射作用，造成軌道圖像采集單元采集到的軌道圖像清晰度降低，軌道識別正確率有所降低，有時(shí)甚至無法檢測到軌道。如何提高夜晚狀態(tài)下軌道檢測的識別準(zhǔn)確率是下一步研究的重點(diǎn)。

［1］ 林立新，楊宏偉．GPS定位的調(diào)車系統(tǒng)．機(jī)車電傳動［J］，2004（4）．

［2］ Aly，M．Real time Detection of Lane Markers in Urban Streets．Intelligent Vehicles Symposium，2008 IEEE，pages 7－12，June 2008．

［3］ Michael Gschwandtner，Wolfgang Pree，Andreas Uhl．Track Detection for Autonomous Trains．6th International Symposium，ISVC 2010，Las Vegas，NV，USA，November 29－December 1，2010，Proceedings，Part III．pages 19－28 ．2010．

［4］ Yue Wang，Eam Khwang Teoh，and Dinggang Shen．Lane detection and tracking using b－snake．Image Vision Comput．，22（4）：269－280，2004．