雷煥宇,劉偉銘

(華南理工大學土木與交通學院，廣東 廣州 510641)

0 引 言

隨著我國城市軌道交通的不斷發(fā)展，暴露出來與之相關安全問題也越來越多。地鐵站臺屏蔽門與列車門之間存在一定距離的間隙，該間隙存在夾人夾物而造成運營安全事故的風險[1]。例如2014年北京地鐵五號線上，因列車啟動時，乘客被夾在列車門與站臺屏蔽門之間，最終不幸身亡;2014年南京地鐵發(fā)生空隙夾人事件，乘客被地鐵保安救助無傷亡；2010年上海地鐵二號線上，一位女乘客在燈閃鈴響的情況下?lián)屓攵粖A并最終造成死亡。因此，地鐵列車與站臺屏蔽門間空隙存在巨大的安全隱患。目前為了消除該隱患，地鐵公司要求列車司機在車頭瞭望車尾燈帶的完整性來排除空隙夾人夾物的風險。然而，這種判斷方式不僅效率低下，而且準確率低，還易造成司機視覺疲勞。因此，借助其他的技術輔助司機完成開車前空隙異物自動檢測已成為地鐵運營中的研究熱點。

目前隨著計算機技術和先進的傳感器技術的不斷進步，目標識別和檢測技術[2-6]的準確性和可靠性也在不斷提高。對于智能交通領域，許多先進的技術被應用于實際生活中[4-10]。在地鐵站臺異物檢測方面，主要是通過在屏蔽門與列車門之間設置障礙物探測裝置。王瑞峰等[6]通過間隙安置紅外光幕的方式來檢測空間異物；黎卓虹等[7]通過采用激光探測方案檢測空間異物；黃華文等[8]利用圖像處理技術來檢測直線站臺車門與屏蔽門間的夾人夾物情況；吳衛(wèi)海等[9]則通過在滑動門下方安裝藍色燈帶做參考物來完成曲線型站臺車門與屏蔽門間異物檢測；譚飛剛等[10]采用機器視覺的方法來進行地下地鐵的屏蔽門與列車門間障礙物的檢測。雖然已經(jīng)有部分學者對地鐵屏蔽門與列車門之間的異物檢測進行了研究，然而上述的研究主要是基于地下環(huán)境下的，而針對戶外地鐵站臺的研究相對較少。目前在香港和國內(nèi)某些地區(qū)，城市軌道部分建在戶外，戶外的站臺環(huán)境相對于地下，外界光線的劇烈變化對圖像數(shù)據(jù)的采集造成很大的干擾。本文在查看相關研究文獻[11-18]的基礎上，提出一種基于K-means的方法來判斷屏蔽門與列車門之間是否含有異物，該算法通過構造人工光學背景，首先進行圖像預處理，然后利用無監(jiān)督的K-means聚類方法，自適應閾值將圖像二值化，通過燈帶完整信息來判斷是否含有空間異物。

1 人工構建鮮明背景

1.1 地鐵戶外站臺環(huán)境

目前地鐵大部分建立在地下，由于地下隧道強風壓的作用，屏蔽門大多采用全封閉式安裝，在屏蔽門完全開啟前，站臺區(qū)和軌行區(qū)通過屏蔽門完全隔開，因此當列車在站時，列車與屏蔽門之間的間隙大多處于光線較暗的狀態(tài)，此時通過車頭瞭望車尾處燈帶，干擾較少，便于判斷是否夾人夾物。而除了地下軌道，由于規(guī)劃和實際環(huán)境的原因，部分地鐵站臺建立在地面上，外界環(huán)境對異物檢測的影響較大，尤其是外界光線的變化劇烈。如圖1所示，戶外站臺的屏蔽門大多不是全封閉式的，而是采用半人高的滑動門，當司機瞭望列車門和屏蔽門間隙時，由于全視野觀察，極容易受到外部的聲音和光線干擾，降低了司機的注意力，誘發(fā)異物或者行人被夾漏檢的風險。如圖2所示，本文通過在車頭上下架設雙攝像頭拍攝車尾，從而判斷間隙是否含有空間異物，由于外界光線的變化，尤其是白天和晚上，陰天和晴天，有太陽直射和無太陽直射，所呈現(xiàn)的光學背景是不同的，因此需采用人工構建光學背景的辦法提高檢測精度。

圖1 戶外地鐵環(huán)境圖

1.2 人工構建光學背景

由于外界光線的變化，無法通過攝像頭拍攝現(xiàn)有的自然背景來判斷間隙是否含有異物，故本文采用在車尾處人工安裝發(fā)光的條形發(fā)光燈帶。如圖2所示，該燈帶可發(fā)出單色暖色系光線，既不會刺激行人，易于接受，又能夠給司機觀察提供可參照的背景，降低司機的疲勞感，并且維護簡單且能連續(xù)發(fā)光，完全兼容現(xiàn)有人工檢測和視頻自動檢測，可明顯提高異物檢測的準確率。由于白天和晚上，外界光強的變化，使得燈帶呈現(xiàn)的光學背景并不完全一致，故采用基于顏色空間的預處理，提高檢測算法的魯棒性。

圖2 安裝示意圖及人工光學背景

2 基于圖像顏色空間的預處理

研究表明，人眼對顏色的感知是三維的，利用顏色特征來進行圖像的檢索是比較符合人眼觀察的視覺特性的。圖像的顏色特征不僅取決于圖像本身，而且還與觀察者的視覺系統(tǒng)和觀察經(jīng)驗有關。對彩色圖像顏色特征提取的研究，必須在特定的顏色空間中進行。常用到的顏色空間很多，比如RGB空間、HSV空間、YUV空間等。在實際應用中，大部分攝像頭采集的圖像是RGB空間圖像，需要根據(jù)具體情況轉化為合適的顏色空間，其中因為HSV空間對光線具有更強的魯棒性，因此本文需要將RGB空間轉化為HSV空間。

HSV(Hue， Saturation， Value)是根據(jù)顏色的直觀特性由A.R.Smith在1978年創(chuàng)建的一種顏色空間，即六角錐體模型(Hexcone Model)。因大部分圖像采集設備都是基于RGB空間，其取值范圍為[0,255],故假設(r,g,b)分別是一個顏色的紅、綠和藍坐標，它們的值是0～255的實數(shù)。設zmax=max (r,g,b),zmin=min (r,g,b)。要將其轉化為HSV空間中的(h,s,v)值，h∈[0,360)是角度的色相角，而s,v∈[0,1]是飽和度和亮度，計算公式為：

(1)

(2)

(3)

由于HSV模型可以只用反映色彩本質(zhì)特性的色度、飽和度來進行各種顏色的聚類，將亮度信息和灰度信息從色彩中提取出去，從而去掉光照的影響，將顏色和亮度分開處理，使程序具有更強的魯棒性，比RGB模型具有更好的識別效果。色度和飽和度屬性能比較準確地反映顏色種類，對外界光照條件的變化敏感程度低。

(a) RGB (b) HSV (c) H通道 (d) S通道 (e) V通道 (f) 合成效果

通過車首放置的攝像頭可以完整地拍攝列車門與屏蔽門整個間隙，盲區(qū)少。由于外界光線的變化對采集圖像數(shù)據(jù)的干擾，本文通過將RGB顏色空間轉化為HSV顏色空間,再進行比例融合，從而合成新的能提取燈帶邊緣的顏色通道。如圖3所示，其中圖3(a)表示原RGB三通道合成圖，圖3(b)表示轉化后的HSV三通道合成圖，圖3(c)表示只提取H通道的單通道圖，圖3(d)表示只有S通道的單通道圖，圖3(e)表示只有V通道的單通道圖，圖3中可以看出，H通道含有大量的影響目標提取的噪點，不適合目標提取，圖3(d)能很好地抑制背景噪點的干擾，但是對目標邊緣有輕微影響，而圖3(e)有很好的目標邊緣，但是背景噪聲較大，因此，本文將S通道和V通道進行比例融合，形成新的單通道圖。

3 異物檢測

本文所提的檢測算法，是基于原有人工檢測的方式，通過在車頭車尾設置攝像頭和人工條形背景光源，利用檢測算法判斷光源燈帶的完整性，從而檢測中間夾縫區(qū)域是否含有異物，具體檢測流程如圖4所示。

3.1 基于K-means聚類的二值化計算

傳統(tǒng)的K-means聚類求解最優(yōu)解的過程需要考察樣本集D所有可能的簇劃分，通過N次迭代，假設有M個數(shù)據(jù)對象，最終聚類數(shù)目為K，計算每個數(shù)據(jù)對象到各個聚類中心的距離，則K-means算法的時間復雜度是O(NMK)。本文針對單一的視野對象，可將簇內(nèi)對象分為3類：高光強的燈帶區(qū)域、背景區(qū)域和隨光線變化的中間過渡帶區(qū)域。經(jīng)過實驗，運行時間如表1所示，對于一幀640×480的圖片，通過K-means聚類算法計算運行時間是724 ms，運算效率相對較低。為了提高運算效率，考慮無須對夾縫區(qū)域外進行檢測，故通過劃取感興趣區(qū)域(ROI)，將計算區(qū)域縮小。針對地鐵外界環(huán)境小時段變化小，長時段變化大的特點，無需針對每一幀圖像采用K-means聚類分割的方法，故本文提出以一輛列車到站和下一輛列車到站的時間差作為計算周期，通過K均值聚類計算二值化閾值的方法，將原視頻圖像二值化，提取燈帶邊緣，可進一步提高檢測效率。

圖4 檢測算法流程圖

(4)

(5)

其中，K=3為聚類數(shù)量，Ci為第i類簇的中心像素值,th為計算出的二值化閾值,Ib(x,y)為二值化后的圖像。

原始的三通道圖經(jīng)過通道提取和融合，轉化為單通道圖像，經(jīng)過K-means聚類算法可將圖像分成3類即K=3，可計算出3個聚類中心點的像素值Ci(i=1,2,3)，且從小到大排列。其中i=1時表示背景區(qū)域，i=2時的那個簇為燈帶與背景的過渡區(qū)域，即燈帶的內(nèi)邊緣和外邊緣之間的區(qū)域，i=3時表示燈帶區(qū)域。經(jīng)過實驗發(fā)現(xiàn)，拍攝圖片燈帶核心區(qū)域光強大且均勻，較穩(wěn)定，而燈帶的外邊緣發(fā)散，波動大，為了提高燈帶完整性，故提取燈帶的內(nèi)邊緣，即第二類和第三類的分界線。采用式(4)，通過燈帶類的中心像素值和過渡帶類的中心像素值求取均值，并將此均值作為燈帶提取的二值化閾值。

3.2 最大連通域提取

圖像經(jīng)過二值化后會因為噪聲的干擾而出現(xiàn)一些孤立點，需要進一步利用形態(tài)學操作來消除孤立點，或者孤立局部小干擾區(qū)域。利用公式(6)，統(tǒng)計連通域的像素點，提取該圖像內(nèi)最大像素點數(shù)的區(qū)域。

(6)

其中，Mmax為最大連通域，n為連通域個數(shù)，zi為第i個連通域中像素的個數(shù)。

3.3 夾人夾物判斷

通過式(6)提取出的最大連通域二值化圖像，可計算出最大連通域的長度和寬度，通過式(7)與模板燈帶進行比較，從而判斷出燈帶是否被遮擋，進而檢測出空隙中是否存在異物。

檢測結果=

(7)

其中，Lt為原燈帶長度，Lm為最大連通域長度，tht為長度判斷閾值，Wt為原燈帶寬度，Wm為最大連通域寬度，wht為寬度判斷閾值。在本文算法中，關于tht和wht的取值結果將直接影響檢測的精度和穩(wěn)定性。閾值過大，則準確率提高，漏檢率增加；閾值過低，靈敏度增加，漏檢率降低但誤報率也增加。根據(jù)測試經(jīng)驗，寬度閾值采用模板寬度的1/2，長度閾值采用模板寬度的1/40，效果相對較好。

4 仿真實驗

本實驗通過在戶外架設燈帶和攝像頭模仿地鐵戶外站臺環(huán)境，燈帶和攝像頭之間的距離約60 m，攝像頭拍攝圖像大小為640×480。

實驗配置如下：

操作系統(tǒng)Windows7，內(nèi)存4 GB，CPU AMD A6-4400M，硬盤300 GB；軟件平臺為QT和OpenCV3.0。

表1 不同算法耗時對比

類型原圖像提取時間/msROI圖像提取時間/ms燈帶完整性固定閾值方法0.050.01不完整K-means聚類72465完整K-means提取閾值0.050.01完整

表1中采用了文獻[8]固定閾值的方法對燈帶區(qū)域進行目標提取，單幀提取耗時很短，但是由于不能適應外部光線的變化，提取出來的燈帶完整性差，不能很好地從背景中分割出來。基于K-means聚類的方法對原640×480的單幀做目標提取，需要不斷地進行迭代運算，提取簇類中心，故耗時較長，通過劃取感興趣區(qū)域后，將640×480的單幀圖像轉化為500×60的小圖像，再進行目標提取則可減少計算區(qū)域降低檢測時間；通過提取的簇類中心計算出二值化閾值，無需進行迭代運算，可進一步提高檢測效率，通過聚類計算自適應光線的閾值進行二值化，既能快速進行目標分割，又能完整提取燈帶區(qū)域。

表2 不同寬度閾值時的檢測對比

寬度閾值固定閾值(5個像素)模板寬度的1/3模板寬度的1/2模板寬度的2/3異物(≤2 cm)不能檢測不能檢測不能檢測不能檢測異物(2^8 cm)出現(xiàn)誤檢出現(xiàn)誤檢可以檢測出現(xiàn)漏檢異物(>8 cm)可以檢測可以檢測可以檢測可以檢測

表3 不同長度閾值的檢測對比

長度閾值固定閾值(10個像素)模板寬度的1/20模板寬度的1/40異物(≤2 cm)不能檢測不能檢測不能檢測異物(2^8 cm)出現(xiàn)誤檢可以檢測出現(xiàn)漏檢異物(>8 cm)可以檢測可以檢測可以檢測

表2是通過采用不同的寬度閾值進行的檢測結果，表3是不同長度閾值的檢測結果，閾值過大，則準確率提高，漏檢率增加；閾值過低，靈敏度增加，漏檢率降低但誤報率也增加。實際檢測效果與所采用的攝像頭的精度、焦距和檢測距離有關系。成像效果越清晰，像素點數(shù)量越多，檢測效果越好，能檢測到的異物越小，在該設備下，針對2 cm的小物體，不能很好地檢測。誤檢的主要原因是閾值太小，出現(xiàn)光線突變擾動時，不能很好地適應。漏檢主要是對部分小物體出現(xiàn)在邊緣區(qū)域，不能檢測。而針對地鐵安全檢測的風險，不可接受的風險主要是危害乘客生命的風險。而該方法主要是檢測是否有乘客及可危害列車及乘客安全的大件物體。故主要是提高大件物體的檢測準確率。

實際測試時，采用的燈帶物理寬度為5 cm,長2 m。白天在圖像中的成像的像素點寬度約10個像素點，寬度約480個像素點，晚上由于光線的輻射，寬度和長度會增加5個像素左右，因此不適合采用固定閾值，為了自適應，寬度閾值采用模板的1/2，長度閾值采用模板的1/40。

通過采集不同時間段不同天氣狀態(tài)下視頻圖像，共得到5 h視頻數(shù)據(jù)，該視頻數(shù)據(jù)包括白天、晚上，晴天和陰天等多種情況。在視頻數(shù)據(jù)中，本文利用人工遮擋和放置異物(>2 cm)的情況模擬屏蔽門與列車門之間夾人夾物的情況，對采集的視頻進行夾人夾物檢測實驗，通過測試其實驗參數(shù)設置如下：S通道和V通道的融合比例分別為0.3和0.7。本文設計的方法能夠很好地檢測出列車?？空九_時行人上下車以及中間夾物時對光帶完整性的影響，其準確率可達100%，檢測顯示結果如圖5所示，上面2幅表示白天的檢測效果，下面2幅表示晚上的檢測效果。作為對比，本文引入地下地鐵的異物檢測算法作為比較，結果發(fā)現(xiàn)文獻[8]中所提到的方法檢測效果欠佳，準確率僅為50%,具體原因主要為不能自適應外部環(huán)境，而本文所設計的方法能夠有效克服上述固定閾值方法中的不足，因此，對于戶外站臺的屏蔽門異物檢測，本文的方法更具有優(yōu)勢。

圖5 界面檢測結果顯示圖

5 結束語

本文在現(xiàn)有的戶外地鐵車門與屏蔽門間人工異物檢測和地下站臺光幕、激光、視頻檢測方法不足的基礎上，利用計算機視覺技術提出了一種基于K-means自適應光線的地鐵戶外站臺異物自動檢測算法。該算法通過在車首放置攝像頭，可以完整拍攝列車門與屏蔽門整個間隙的立體空間區(qū)域，通過在車尾構造人工光學背景，可以在狹縫區(qū)域的盲區(qū)小的情況下，實現(xiàn)高精度和高準確率的目標實時檢測，同時還能和現(xiàn)有的人工檢測方式相兼容。在算法上，通過將RGB顏色空間轉化為HSV空間，提高對外界光線變化的魯棒性，采用無監(jiān)督的K-means方法，自適應提取閾值，通過閾值分割提取目標。該算法與已有的檢測方法相比，具有檢測精度高、盲區(qū)小、可自適應光線的優(yōu)點。通過仿真模擬實驗，結果表明，本文所提方法可以很好地檢測出乘客上下車，可以輔助司機進行開車前的空隙異物檢測。

參考文獻：

[1] 邵蓉. 地鐵屏蔽門車門夾人夾物防范措施討論[J]. 科技視界, 2016(6):124-125.

[2] 李旭冬,葉茂,李濤. 基于卷積神經(jīng)網(wǎng)絡的目標檢測研究綜述[J]. 計算機應用研究, 2017(10):1-9.

[3] Hsu Y W, Ciou Y S, Perng J W. Object recognition system design in regions of interest based on AdaBoost algorithm[C]// International Conference on Information Fusion. 2017:1-5.

[4] Xu Dan, Ouyang Wanli, Ricci E, et al. Learning cross-modal deep representations for robust pedestrian detection[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017.

[5] Huang Zhijie. Pedestrian detection algorithm in video analysis based on centrist[C]// IEEE International Conference on Intelligent Transportation, Big Data & Smart City. 2016:117-120.

[6] 王瑞峰,楊子河,孔維珍. 紅外光幕在地鐵屏蔽門障礙物探測中的研究[J]. 傳感器與微系統(tǒng), 2013,32(3):25-28.

[7] 黎卓虹. 屏蔽門防夾人激光探測裝置安裝方案探討[J]. 中國高新技術企業(yè), 2009(19):46-47.

[8] 黃華文,劉偉銘,李軍,等. 地鐵屏蔽門與車門間異物自動檢測技術[J]. 鐵路計算機應用, 2015(12):62-65.

[9] 吳衛(wèi)海,劉偉銘,李海玉,等. 一種新的地鐵曲線站臺異物檢測系統(tǒng)研究[J]. 城市公共交通, 2015(9):33-36.

[10] 譚飛剛,劉開元. 基于機器視覺的地鐵曲線型站臺異物檢測算法[J]. 深圳信息職業(yè)技術學院學報, 2017,15(1):75-77.

[11] 劉靖明,韓麗川,侯立文. 基于粒子群的K均值聚類算法[J]. 系統(tǒng)工程理論與實踐, 2005,25(6):54-58.

[12] Sauvaget C, Boyer V. Stylization of lighting effects for images[C]// IEEE the 6th International Conference on Signal-Image Technology and Internet Based Systems. 2010:43-50.

[13] Liu He, Wang Yadong, Wang Lei. The effect of light conditions on photoplethysmographic image acquisition using a commercial camera[J]. IEEE Journal of Translational Engineering in Health & Medicine, 2014,2:1-11.

[14] Gritti T, Monaci G. Automatic light scene setting through image-based sparse light effect approximation[J]. IEEE Transactions on Multimedia, 2012,14(4):1351-1358.

[15] Cohenaddad V, Klein P N, Mathieu C. Local search yields approximation schemes for k-means and k-median in Euclidean and minor-free metrics[C]// The 57th IEEE Annual Symposium on Foundations of Computer Science (FOCS). 2016:353-364.

[16] 董素鴿,胡代弟. 顯示圖像復雜目標優(yōu)化識別仿真研究[J]. 計算機仿真, 2017(5):453-456.

[17] 張文達,許悅雷,倪嘉成,等. 基于多尺度分塊卷積神經(jīng)網(wǎng)絡的圖像目標識別算法[J]. 計算機應用, 2016,36(4):1033-1038.

[18] 王維哲,李娜. 一種去光照干擾的運動目標圖像分割算法[J]. 科技通報, 2015(6):166-168.