翟國銳 張強(qiáng) 陳成林

摘 要：隨著我國經(jīng)濟(jì)的快速發(fā)展，鐵路運(yùn)輸在人們生活中所占的比重也越來越大，而保障列車運(yùn)行安全也愈發(fā)重要。其中軌道交通信號燈的主動識別可以輔助駕駛員進(jìn)行燈色判斷，從而可有效的降低列車運(yùn)行安全隱患，提升列車運(yùn)行安全。本文提出了一種基于視覺的軌道交通信號機(jī)識別算法，該算法主要包括有信號機(jī)提取部分、信號機(jī)檢測部分以及信號機(jī)融合過濾部分。其中信號機(jī)提取可有效的提取信號機(jī)的檢測區(qū)域，信號機(jī)檢測部分可實(shí)現(xiàn)對信號機(jī)的檢測，而信號機(jī)融合過濾部分可對檢測結(jié)果進(jìn)行進(jìn)一步優(yōu)化。通過對工業(yè)相機(jī)采集的視頻數(shù)據(jù)集進(jìn)行測試，獲得了較高的精確度，證明了本文方法的可行性和魯棒性。

關(guān)鍵詞：信號燈檢測;圖像處理;軌道交通;深度學(xué)習(xí)

中圖分類號：U284.1 文獻(xiàn)標(biāo)識碼：A

0 引言

隨著我國經(jīng)濟(jì)的快速發(fā)展，交通運(yùn)輸在人們生活中所占的比重也越來越大，其中鐵路運(yùn)輸在交通運(yùn)輸中處于較為重要的地位[1]。近幾年，列車速度進(jìn)過多次的提高，鐵路列車的載客量及運(yùn)輸量也不斷的提升，隨之造成的鐵路安全事故也隨之提高，如2011年，上海地鐵10號線豫園至老西門下行區(qū)間兩列車發(fā)生追尾事故，事故造成271人受傷。2017年11月15日，新加坡地鐵東西線因信號系統(tǒng)改造過程中防護(hù)功能出現(xiàn)故障，列車未能識別出前車并繼續(xù)向前自動運(yùn)行，導(dǎo)致相撞事故，造成20多人受傷。列車事故的頻發(fā)讓鐵路運(yùn)輸安全受到了人們越來越多的關(guān)注。

影響鐵路列車運(yùn)輸安全的影響因素有很多種，比如認(rèn)為影響因素、周圍設(shè)備的影響因素、環(huán)境的因素等。其中環(huán)境影響因素中，鐵路信號燈的誤判斷及誤識別是影響鐵路運(yùn)輸安全的因素的主要原因之一。軌道交通信號燈是軌道交通系統(tǒng)的重要設(shè)施，主要用于輔助列車駕駛員根據(jù)信號燈狀態(tài)做出正確決策，以保證鐵路系統(tǒng)正常運(yùn)轉(zhuǎn)。然而列車司機(jī)容易出現(xiàn)疲勞等狀態(tài)，同時列車實(shí)際運(yùn)行時會因光線、天氣等多種因素造成列車駕駛員對信號燈燈色進(jìn)行誤判，從而提高了列車運(yùn)行時的安全隱患。因此列車運(yùn)行系統(tǒng)需要有一套能夠準(zhǔn)確檢測并識別軌道信號燈的技術(shù)來輔助駕駛員進(jìn)行信號燈識別，從而提升列車的運(yùn)行安全[2-3]。

軌道交通信號燈識別不僅是列車無人駕駛系統(tǒng)的核心感知模塊，而且對現(xiàn)階段手動駕駛列車進(jìn)行駕駛員輔助判斷也有著重要的意義。近年來在汽車自動駕駛方面，車路協(xié)同V2X技術(shù)越來越受到重視，但V2X的發(fā)展依賴公共交通設(shè)施的建設(shè)與覆蓋，暫未得到普及，同時在列車自動駕駛方面也受到了同樣的路側(cè)設(shè)施限制。另一方面，基于視覺的信號機(jī)檢測由于不依賴路側(cè)設(shè)備，完全依賴于相機(jī)進(jìn)行主動識別，基于視覺傳感器的信號燈的檢測與識別還是迄今為止的最優(yōu)解決方案[4-5]。

本研究提出了一種基于視覺的軌道信號燈檢測算法，該算法主要包括三大階段：信號燈提取階段、信號燈識別階段以及信號機(jī)融合過濾階段。信號燈取階段主要結(jié)合列車的運(yùn)行位置結(jié)合信號燈的顏色等特征對信號燈可能的位置進(jìn)行提取;信號燈識別階段主要通過深度學(xué)習(xí)對提取的信號燈位置進(jìn)行分類，從而判斷是否存在有信號機(jī);信號機(jī)過濾階段主要對識別的信號機(jī)進(jìn)行進(jìn)一步過濾，從而提升檢測的可靠性。

1 信號機(jī)提取

信號機(jī)區(qū)域提取，主要是在圖像區(qū)域中提取處可能的信號機(jī)區(qū)域，基于提取的信號機(jī)區(qū)域可實(shí)現(xiàn)信號機(jī)的檢測。本文主要通過融合信號機(jī)的位置信息進(jìn)行信號機(jī)區(qū)域提取，其提取流程如圖1所示。首先本文獲取車載相機(jī)返回的實(shí)時圖像信息，在此基礎(chǔ)上通過時間同步獲取與此圖像對應(yīng)的列車實(shí)時位置信息，并通過位置查詢從而獲取信號機(jī)在圖像中的搜索區(qū)域;在此基礎(chǔ)上本文將切割后的精準(zhǔn)信號機(jī)檢測區(qū)域進(jìn)行顏色空間轉(zhuǎn)換，考慮到本研究檢測的軌道交通信號機(jī)主要為紅色、和綠色，而不同顏色對不同色彩通道的敏感度不同，因此我們選取灰度道用于潛在區(qū)域提取，增加信號機(jī)潛在區(qū)域提取數(shù)目，防止漏檢。

眾所周知，圖像采集設(shè)備所獲取的圖像大多情況下利用RGB色彩通道表示，但該色彩通道在處理顏色信息時，魯棒性較差，精確性不高。因此，我們選擇將原始圖像轉(zhuǎn)換到灰度色彩通道，如圖2所示。在灰度圖像中，信號機(jī)區(qū)域較為敏感，這與周圍其他的顏色形成了鮮明的對比。因此我們再一次將RGB三通道彩色圖像轉(zhuǎn)換為單通道的灰度圖像，然后利用閾值N（常取大于220）再將灰度圖像轉(zhuǎn)換為二值圖像。進(jìn)一步的我們利用二值圖像的連通域信息與形態(tài)學(xué)濾波可得到二值圖中潛在信號機(jī)區(qū)域。

軌道交通信號機(jī)的顏色、大小、形狀都有其固有的特征，而在不同的外部環(huán)境下其特征值也會發(fā)生相應(yīng)的變化。通過列車信號信息信息，我們先將運(yùn)行環(huán)境分為白天、晚上、隧道三種情況，同時挑選出潛在區(qū)域的面積大小、區(qū)域長寬比、面積距離比三個特征作為信號機(jī)形態(tài)學(xué)濾波參數(shù)，通過濾波參數(shù)，可對灰度兩色彩通道產(chǎn)生的連通域進(jìn)行優(yōu)化，減少信號機(jī)潛在區(qū)域數(shù)量，從而獲取有效的信號機(jī)區(qū)域。

2 信號機(jī)檢測

在獲取信號機(jī)區(qū)域后，需判斷此區(qū)域是否為信號機(jī)，并進(jìn)一步的分析屬于哪種類型信號機(jī)，本文選取了ShuffleNet[6]分類網(wǎng)絡(luò)對提取的每一個信號機(jī)區(qū)域進(jìn)行圖像分類。

本文引入了ShuffleNet神經(jīng)網(wǎng)絡(luò)模型，作為一種極其高效的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，該網(wǎng)絡(luò)架構(gòu)專門為計算能力非常有限的移動設(shè)備而設(shè)計，是一個非常輕量化的網(wǎng)絡(luò)架構(gòu)。該網(wǎng)絡(luò)架構(gòu)在進(jìn)行卷積層設(shè)計時采用了兩個新的操作：逐點(diǎn)群卷積（Pointwise Group Convolution）和通道混洗（Channel Shuffle），這使得應(yīng)用于圖像分類問題時在保障算法能夠?qū)崿F(xiàn)精準(zhǔn)的分類同時實(shí)現(xiàn)較小的計算資源消耗。

本文所應(yīng)用的ShuffleNet神經(jīng)網(wǎng)絡(luò)整體架構(gòu)如表1所示。本文所提出的網(wǎng)絡(luò)主要包含有一系列的ShuffleNet單元，網(wǎng)絡(luò)結(jié)構(gòu)可分解為三個步驟。主要有如下特點(diǎn)：

1）每個階段的第一個構(gòu)建塊的步長為2，下一階段的通道翻倍;2）同一階段內(nèi)的除步長外的其他超參數(shù)保持不變;3）本文所選用的ShuffleNet網(wǎng)絡(luò)模型結(jié)構(gòu)與ResNet模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計較為類似，結(jié)構(gòu)中每個ShuffleNet單元的瓶頸通道數(shù)均為輸出通道的1/4。

上表為本文信號機(jī)分類網(wǎng)絡(luò)的整體架構(gòu)，表中表示為分組數(shù)量，其大小表示了卷積的連接稀疏性。

3 信號機(jī)融合過濾

在實(shí)際的軌道車輛運(yùn)行過程中，圖像采集器獲得的圖像是連續(xù)的，可融合的，而非孤立的。因此，利用連續(xù)幀的信號機(jī)檢測信息，融合輸出檢測結(jié)果可以大大提高信號機(jī)檢測的質(zhì)量，提高算法的魯棒性與精確性。在實(shí)際的信號機(jī)檢測中，往往會存在漏檢、誤檢、多信號機(jī)、檢測時間過短等多種問題，因此通過綜合分析，確定了以下的融合思路：

3.1 基于位置篩選信號機(jī)

在實(shí)際的軌道運(yùn)行過程中，不同的信號機(jī)設(shè)計思路使得可利用的信號機(jī)信息各自不同。有些線路只需要關(guān)注車輛運(yùn)行線路右側(cè)的信號機(jī)，有些線路則需要觀測兩側(cè)信號機(jī)。因此，首先根據(jù)線路實(shí)情，根據(jù)位置信息對可利用信號機(jī)進(jìn)行初步選取。然后，當(dāng)檢測到多個信號機(jī)的時候，如圖3，根據(jù)距離關(guān)系，選取最近的信號機(jī)為當(dāng)前幀所需考慮的信號機(jī)，確保每一幀圖像中，僅有一個信號機(jī)為利用信號機(jī)。

3.2 多幀結(jié)果融合

在得到每一幀圖像的利用信號機(jī)后，我們以連續(xù)5幀圖像作為一組判定值，若5幀中有超過2幀檢測到信號機(jī)，才考慮信號機(jī)存在，并選取最多出現(xiàn)的信號機(jī)作為最終輸出結(jié)果。但是在某些情況下，可能會出現(xiàn)存在信號機(jī)但漏檢了，此時則會暫時用上一幀檢測到的信號機(jī)信息替換本幀的檢測信息，但若連續(xù)3幀都沒檢測到信號機(jī)，則認(rèn)為信號機(jī)不再存在。此外，我們還會將每一個融合得到的信號機(jī)位置信息輸入到下一幀的類別判定層中，作為一個潛在的信號機(jī)區(qū)域，以提升檢測的魯棒性。最終，將最終的信號機(jī)檢測位置與類別輸出到系統(tǒng)中，已完成軌道信號機(jī)檢測。

4 實(shí)驗(yàn)結(jié)果

為了對本文的信號機(jī)識別效果進(jìn)行驗(yàn)證，本文列車運(yùn)行環(huán)境中真實(shí)行車視頻及位置同步數(shù)據(jù)，進(jìn)一步的對紅燈以及綠燈識別效果進(jìn)行評估。本文選取了6 000張樣本進(jìn)行性能評估，其中紅燈、綠燈以及無燈場景數(shù)據(jù)各2 000張，并選取了誤識別率和漏識別率作為評價標(biāo)準(zhǔn)，其中誤識別率表示錯誤的識別的信號機(jī)占總總樣本的比例，漏識別率表示漏識別的信號機(jī)占總樣本的比例。本文的算法精度如下表所示。

由上表可得，本文提出的信號機(jī)識別算法在紅燈以及綠燈的識別上均有較好的效果。以上結(jié)果證明了本文方法對環(huán)境光強(qiáng)和障礙物的大小變化不敏感，適應(yīng)范圍廣，魯棒性高，部分場景的識別效果如下圖所示。

5 總結(jié)

本文提出了一種基于視覺的軌道交通信號機(jī)識別算法，該算法主要包括有信號機(jī)提取部分、信號機(jī)檢測部分以及信號機(jī)融合過濾部分。其中信號機(jī)提取可有效的提取信號機(jī)的檢測區(qū)域，信號機(jī)檢測部分可實(shí)現(xiàn)對信號機(jī)的檢測，而信號機(jī)融合過濾部分可對檢測結(jié)果進(jìn)行進(jìn)一步優(yōu)化。通過對工業(yè)相機(jī)采集的視頻數(shù)據(jù)集進(jìn)行測試，獲得了較高的精確度，證明了本文方法的可行性和魯棒性。

參考文獻(xiàn)：

[1]陸遠(yuǎn).鐵路運(yùn)輸安全管理問題及其管理體制改革對策[J].企業(yè)改革與管理，2018，26（12）：205+220.

[2]CHEN Z L，HUANG X M.Accurate and reliable detection of traffic lights using multiclass learning and multi object tracking[J].IEEE Intelligent Transportation Systems Magazine，2016，8（04）：28-42.

[3]許明文，張重陽.基于顯著性特征的交通信號燈檢測和識別[J].計算機(jī)與數(shù)字工程，2017，45（07）：1397-1401.

[4]Kim J ，Cho H ，Hwangbo M ，et al.Deep Traffic Light Detection for Self-driving Cars from a Large-scale Dataset[C].2018 IEEE International Conference on Intelligent Transportation Systems （ITSC）.IEEE，2018.

[5]YELAL M R，SASI S，SHAFFER G R，et al.Color-based signal light tracking in real-time video[C].IEEE International Conference on Video and Signal Based Surveillance，Sydney，IEEE，2006：8-12.

[6]Zhang X ，Zhou X ，Lin M ，et al.ShuffleNet： An Extremely

Efficient Convolutional Neural Network for Mobile Devices[J].2017.