鐵路機(jī)車快速超視距障礙物識別算法

鐵路機(jī)車快速超視距障礙物識別算法向榮;蔣榮欣【摘要】Todealwithreal-timeobstacledetectingover-the-horizononrailline,thispaperdevisedafastover-the-horizonobstaclerecognitionalgorithm,whichconsistsofthreeparts.Edgedetectionisusedtopreprocessaccordingtotexturefeatures.Tracksarelocatedbyfindingthelongestconnecteddomainprojectionbasedonthelongitudinalextensioncharacteristicsoftwotracks.Finally,obstaclepositionislocatedbydifferenceofforegroundandbackgroundpixels,followingbycomputingitsscaleanddistance.Experimentsshowedthatthisalgorithmcostsaverage43msperrecognitionofoneframewitharecognitionrateat90.%針對超視距情況下，鐵路行車路障監(jiān)控的實(shí)時(shí)性問題，提出了一種快速超視距障礙物識別方法.先利用紋理特征進(jìn)行快速預(yù)處理與邊緣檢測;再利用鐵軌的縱向延展特點(diǎn),用搜索連通域投影最長的方法定位鐵軌區(qū)域并建立檢測窗;并行的用幀差法比較當(dāng)前幀與檢測窗識別出障礙物，最后利用IPM模型計(jì)算障礙物大小與距離.實(shí)驗(yàn)結(jié)果表明,在確保90.3%識別率的前提下,本算法識別障礙物平均耗時(shí)43ms.【期刊名稱】《湘潭大學(xué)自然科學(xué)學(xué)報(bào)》【年(卷)，期】2013(035)002【總頁數(shù)】6頁(P103-108)【關(guān)鍵詞】障礙物識別;超視距;逆透視映射【作者】向榮;蔣榮欣【作者單位】浙江大學(xué)儀器科學(xué)與技術(shù)學(xué)系，浙江杭州310027;浙江大學(xué)儀器科學(xué)與技術(shù)學(xué)系，浙江杭州310027【正文語種】中文【中圖分類】TP391.41鐵路是我國主要的現(xiàn)代化交通工具，對經(jīng)濟(jì)、社會和科技發(fā)展，滿足人民物質(zhì)和文化生活需要起著非常重要的作用.但由于地震、水災(zāi)、車輛故障、公路鐵路道口等突發(fā)事件等，大大小小的鐵路交通事故頻發(fā)不斷.駕駛員接收的大部分突發(fā)事件信息、都來自車外，在超視距或能見度不好時(shí)，駕駛員觀察障礙物信息就顯得十分困難.我國列車平均時(shí)速200km/h，最高時(shí)速可達(dá)480km/h，這對2km以內(nèi)超視距障礙物識別算法的實(shí)時(shí)性提出了很高的要求.目前，國外的路軌檢測系統(tǒng)雖然已經(jīng)有較成熟的產(chǎn)品，但大多是向待檢測方位發(fā)出激光、磁感應(yīng)、超聲波等信號，通過傳感器檢測反射信號，如美國的SperryRailService公司的磁感應(yīng)超聲波鐵軌檢測車，但該方法只能對較大體積，有一定高度的障礙物進(jìn)行檢測.基于圖像檢測障礙物識別技術(shù)研究在公路領(lǐng)域起步較早，它通常有道路識別［1］,道路標(biāo)志識別［2］,障礙物識別［3~7］幾個(gè)方面.鐵路方面，美國ENSCO公司研制的VIS軌道視頻檢查系統(tǒng)比較有影響力，但其功能并不成熟，超視距處理效果欠佳.我國鐵路鐵軌間距具有高度結(jié)構(gòu)化特點(diǎn)，軌間距及軌寬具有非常嚴(yán)格的標(biāo)準(zhǔn)，所以通常借助于顏色、紋理、邊緣等特征進(jìn)行鐵軌檢測，對軌道障礙物的識別通常采用幀差法或者光流法［8~10］.本文針對機(jī)車障礙物檢測的實(shí)時(shí)性要求，展開超視距列車前方圖像信息分析，提出了一種鐵路機(jī)車障礙物識別方法.擬用遠(yuǎn)程紅外熱成像與CCD圖像傳感技術(shù)超視距獲得前方圖像信息，并在此基礎(chǔ)上進(jìn)行圖像處理與模式識別技術(shù)，將前方障礙物及沿線路行車信息自動提供給駕駛?cè)藛T，在進(jìn)一步提高行車安全的同時(shí)，也避免了駕駛?cè)藛T人工觀察的辛苦和誤差.不僅使交通參與者以最佳的效率完成任務(wù)，而且還能大大減小傷亡事故發(fā)生.1鐵路IPM模型基于視頻處理的鐵軌障礙物定位不同于磁感應(yīng)超聲波的識別方式，前者依據(jù)接受反射信號的時(shí)間來推算障礙物的距離.而視頻圖像中，由于攝像機(jī)視角拍攝會造成畸變現(xiàn)象，障礙物在圖像中的位置和距離并不是簡單的線性關(guān)系.為了準(zhǔn)確定位障礙物的距離，本文采用Bertozzi等基于1991年由Mallot等［11］提出的逆透視映射的方法(inverseperspectivemapping，IPM).文獻(xiàn)［11］中詳細(xì)介紹了IPM方法及其在車道線檢測和障礙物檢測中的應(yīng)用.該原理建立了圖像坐標(biāo)系下的二維場景與世界坐標(biāo)系下的真實(shí)三維場景的轉(zhuǎn)換關(guān)系.由于IPM經(jīng)過精確的標(biāo)定，其結(jié)果可以真實(shí)且準(zhǔn)確地重現(xiàn)交通場景，極大的消除攝像機(jī)的視角拍攝造成的畸變，為定位障礙物距離提供可靠的理論依據(jù).由圖1所示，建立坐標(biāo)系，IPM轉(zhuǎn)換公式如下所示［12］：其中m、n分別為攝像機(jī)的拍攝圖像寬和高，r、c分別為圖像平面中像素點(diǎn)所在的行和列，h為攝像機(jī)距離地面的高度(一般位于機(jī)車首節(jié)車廂頂部，距離約為4.4m);a為攝像機(jī)視角的1/2;0為攝像機(jī)安裝的俯角.2障礙物識別算法設(shè)計(jì)考慮到攝像機(jī)拍攝具有幀延續(xù)性，因此確定鐵軌區(qū)域，建立檢測窗可以極大的縮小障礙物搜索范圍，避免對每一幀圖像進(jìn)行鐵軌檢測的處理，降低時(shí)間復(fù)雜度，從而提高識別速度.本文采取了鐵軌動態(tài)建模的算法設(shè)計(jì)，如圖2所示.利用在短時(shí)間內(nèi)背景基本不變的特點(diǎn)，將采集到的圖像碼流的起始部分取一幀作為背景幀.考慮到實(shí)時(shí)性要求，可以從中分割出包含障礙物檢測區(qū)域的檢測窗，這樣每次檢測將只在檢測窗中進(jìn)行，可以大大縮減障礙物檢測時(shí)間.對每一幀作障礙物檢測處理，然后將后續(xù)幀與背景的信息進(jìn)行加權(quán)求和，更新為新的背景.另外，每隔20s識別鐵軌區(qū)域，重構(gòu)檢測窗，完成鐵軌動態(tài)建模任務(wù).由于這個(gè)過程只需要進(jìn)行加權(quán)加運(yùn)算，時(shí)間復(fù)雜度很低，故能夠有效的加快識別速度.另外，這種背景建模方式不需要對彎道進(jìn)行特殊處理，在彎道的情況下也能動態(tài)更新出背景.2.1預(yù)處理與邊緣檢測在鐵路視頻圖像序列獲取、傳輸和接收過程當(dāng)中，難免會受到各種因素的干擾而存在噪聲，影響鐵軌檢測的精度.為了降低噪聲干擾，必須對圖像進(jìn)行預(yù)處理.另外，由于采用的是黑白CCD攝像頭，省去了灰度化的步驟，也降低了時(shí)間開銷.預(yù)處理具體步驟如下：a） 給當(dāng)前處理幀加上時(shí)間信息，以備存檔；b） 去掉攝像機(jī)采集圖像的邊框，這些地方經(jīng)常會是全黑或者全白的像素；c） 采用低通高斯濾波進(jìn)行圖像去噪.邊緣檢測是突出圖像紋理細(xì)節(jié)的關(guān)鍵，它的處理效果直接決定了鐵軌的定位是否準(zhǔn)確.本文實(shí)驗(yàn)了Roberts，Sobel，Prewitt，Canny，Gauss-Laplace常用的邊緣檢測算子，從處理效果，時(shí)間消耗上進(jìn)行比較.結(jié)果可參看表1與圖3.表1640x480分辨率下各邊緣檢測算法對比Tab.1Timespentofedgedetectionsin640x480類別URobertsSobelPrewittCannyGauss-Laplace用時(shí)/ms32444612134由圖3可見，Roberts,Sobel,Prewitt,Canny處理后的鐵軌完整度高，可識別度高.而Gauss-Laplace的鐵軌與路基的區(qū)分度不夠，無法采用.另考慮到Roberts的時(shí)間復(fù)雜度低于其他算法，故本文采用Roberts邊緣檢測識別鐵軌.2.2鐵軌定位經(jīng)過邊緣檢測，可以發(fā)現(xiàn)，鐵軌具有明顯的縱向延伸性利用這個(gè)特點(diǎn)，可以對圖像中的連通域進(jìn)行Y軸方向的投影，取投影最長的兩個(gè)連通域?yàn)殡p軌.但是，圖像中連通域的數(shù)量很多，直接進(jìn)行二值化檢測連通域時(shí)耗太長.可以采用形態(tài)學(xué)濾波，不僅增強(qiáng)鐵軌連通域的連續(xù)性，而且加快鐵軌定位速度，采用的具體方法如下：a） 垂直方向壓縮為原來的1/4，水平方向壓縮為原來的1/2，增強(qiáng)鐵軌的連續(xù)性;b） 改進(jìn)Otsu算法自適應(yīng)二值化圖像；c） 形態(tài)學(xué)開運(yùn)算；d） 連通域檢測，并同時(shí)計(jì)算當(dāng)前連通域的Y軸方向投影長度，并記錄最長的兩個(gè)連通域；e） 填充兩軌之間的像素，建立檢測窗.邊緣檢測算法雖然能夠強(qiáng)化圖像中的邊緣細(xì)節(jié)，但對鐵軌的連通性有所破壞，為了解決這個(gè)問題，可將圖像水平與垂直方向壓縮，在不影響圖中物體形態(tài)的同時(shí)，增加連通體如鐵軌的完整性，同時(shí)也可以將后續(xù)處理的時(shí)耗大大降低.本文改進(jìn)Otsu算法，在與傳統(tǒng)Otsu算法效果基本一致的情況下，使時(shí)耗降低為原來的1/8.假設(shè)邊緣檢測后的圖像均值為方差計(jì)算如下：對于黑底白字圖片，r1為背景像素比例，g1為背景灰度，r2為字符像素比例，g2為字符灰度.為把白字從黑底中分離出來，選取假定閾值式中字符像素點(diǎn)所占比例r1/r2可以通過字符點(diǎn)陣數(shù)據(jù)估算，經(jīng)統(tǒng)計(jì)該比例約為0.15.然后利用整個(gè)區(qū)域的均值和方差進(jìn)行M與C的近似.計(jì)算公式如下：采用T1作為可能的二值化分割閾值，上下放寬10個(gè)灰度值進(jìn)行最大類間方差處理得到準(zhǔn)確的分割閾值.在步驟d）中，在每一次連通域檢測中引入了鐵軌預(yù)判定機(jī)制，簡單地說，就是篩掉像素和過少的連通域，避免重復(fù)計(jì)算Y軸投影的時(shí)耗.經(jīng)過以上步驟，鐵軌間區(qū)域的檢測窗就可以建立了，為了更加安全，檢測窗水平方向向鐵軌外沿放大10%，用以檢測近軌障礙物.結(jié)果如圖4所示.2.3障礙物判定識別與定位路軌上的障礙物是列車行進(jìn)過程中隨機(jī)出現(xiàn)的、形狀特征無法預(yù)測，故很難給障礙物下一個(gè)明確的定義.本文認(rèn)為，一切高于鐵軌平面的物體定義為列車前方障礙物，具體判定與識別步驟如下：a） 提取當(dāng)前幀的檢測窗區(qū)域；b） 與背景幀進(jìn)行逐像素差分；c） 改進(jìn)Otsu算法自適應(yīng)二值化圖像；d） 形態(tài)學(xué)開運(yùn)算；e） 將去噪結(jié)果與二值化的檢測窗進(jìn)行或運(yùn)算；f） 提取障礙物的連通域，進(jìn)行大小及距離計(jì)算；g） 發(fā)送控制信號進(jìn)行預(yù)警，并將該幀壓縮存檔.在識別了鐵軌，建立檢測窗后，只需要關(guān)注檢測窗的區(qū)域.首先將當(dāng)前幀與背景幀進(jìn)行差分，與鐵軌識別一樣，也進(jìn)行自適應(yīng)二值化與開運(yùn)算的操作，以減少高頻噪點(diǎn)干擾.將去噪的結(jié)果與檢測窗區(qū)域進(jìn)行或運(yùn)算，即若鐵軌中間有不明物體時(shí)，或運(yùn)算結(jié)果為1，反映在圖像上為白色物塊，則可以認(rèn)定該物塊為障礙物.接下來，搜索所有的障礙物連通域，并記錄連通域Y軸方向上的最小像素坐標(biāo)值rmin，假定該值為物體最接近鐵軌的坐標(biāo)，利用公式（1）則可以計(jì)算出該障礙物與機(jī)車的距離：假定障礙物為平面體，可推導(dǎo)出圖像中障礙物的像素點(diǎn)和與其切面面積關(guān)系約為：其中式（10）~（13）中，m、n分別為攝像機(jī)的拍攝圖像寬和高，rmin為連通域Y軸方向上的最小像素坐標(biāo)值；h為攝像機(jī)距離地面的高度；a為攝像機(jī)視角的1/2;0為攝像機(jī)安裝的俯角；au與av參見公式（3）和（4）.最后，匯總當(dāng)前幀的時(shí)間信息T,障礙物的切面面積S,距離機(jī)車的距離「給無線模塊發(fā)送預(yù)警信號.同時(shí)通知DSP壓縮該幀圖像，結(jié)合以上報(bào)警參數(shù)存入數(shù)據(jù)庫，完成預(yù)警.3實(shí)驗(yàn)結(jié)果與分析在一段彎道鐵路上，采用分辨率為640x480的CCD攝像機(jī)進(jìn)行拍攝，添加障礙物進(jìn)行系統(tǒng)有效性檢驗(yàn).3.1鐵軌識別圖5（a）為內(nèi)存中存儲的背景幀，每一輪障礙物識別后，當(dāng)前幀會以0.3%的加權(quán)值疊加更新，此權(quán)值越大背景更新的速度就變快.圖5（f）為Roberts邊緣檢測后二值化的結(jié)果，Otsu二值化具有很強(qiáng)的自適應(yīng)性，處理后鐵軌具有很強(qiáng)的可分離性.但是，由圖中可見，兩條鐵軌的完整連接性都被邊緣檢測破壞.圖5(g)中，將圖像進(jìn)行縱、橫向4:2壓縮后，進(jìn)行最長兩條連通域的識別就可以得到完整的鐵軌區(qū)域，如圖5(h).最后，填充兩軌間區(qū)域，建立檢測窗，如圖5(i)所示，整個(gè)鐵軌識別過程平均耗時(shí)415ms.表2為該視頻分辨率下本文鐵軌識別關(guān)鍵步驟與其他文獻(xiàn)［8~10］的比較.表2鐵軌定位算法時(shí)耗對比Tab.2Timespentoflocationalgorithmms灰度化需要24不需要步驟其他文獻(xiàn)耗時(shí)/ms本文算法耗時(shí)/0邊緣檢測Canny121Roberts32壓縮圖像不壓縮直接Otsu二值化9141垂直水平壓縮比4:2再Otsu二值化893二值化傳統(tǒng)Otsu二值化893改進(jìn)Otsu二值化1073.2障礙物識別圖5(b)為當(dāng)前幀的原始圖像.在實(shí)驗(yàn)了多個(gè)間隔時(shí)間后，可以發(fā)現(xiàn)間隔幀數(shù)較小時(shí)處理任務(wù)量較大，間隔幀數(shù)設(shè)置過大時(shí)，彎道往往不能實(shí)時(shí)更新，準(zhǔn)確的反應(yīng)路況.最后本文的間隔幀數(shù)為15幀.圖5(c)利用幀差法處理當(dāng)前幀與背景幀，再進(jìn)行二值化，差分結(jié)果在鐵軌區(qū)域和OSD區(qū)域有明顯差值.而檢測窗的引入良好的解決了差分鐵軌外區(qū)域的不必要時(shí)間消耗與虛警情況.經(jīng)過前景圖和背景圖的差分之后，利用形態(tài)學(xué)開運(yùn)算對其中的高頻小噪點(diǎn)進(jìn)行濾除，得到圖5(d).最后與檢測窗區(qū)域進(jìn)行與運(yùn)算判定出障礙物，實(shí)驗(yàn)安裝的攝像機(jī)視角a為4°，俯角。為3°,通過IPM模型得算得距離為151m，與實(shí)際的160m較為接近.整個(gè)障礙物檢測過程平均耗時(shí)43ms，檢測窗的建立極大減少了障礙物的識別時(shí)間.從表3可以看出，識別準(zhǔn)確率為90.3%，誤報(bào)率為6.6%，漏報(bào)率為3.1%.表3障礙物檢測結(jié)果Tab.3Obstacledetectionresult處理視頻幀數(shù)有障礙物總幀數(shù)識別正確總幀數(shù)誤報(bào)幀數(shù)漏報(bào)幀數(shù)1128778101974354結(jié)束語提出了一種基于智能圖像分析的快速障礙物識別方法，針對超視距檢測列車前方障礙物的實(shí)時(shí)性，獲取障礙物大小及位置等難點(diǎn)問題進(jìn)行了研究.文中提出的鐵軌動態(tài)建模方式使鐵軌識別與障礙物識別并行處理，降低了處理器的識別運(yùn)算任務(wù)，壓縮圖像后連通域識別鐵軌方法能快速有效定位鐵軌區(qū)域，改進(jìn)的快速Otsu算法能極大加快二值化的處理速度，利用IPM模型獲得障礙物的距離與大小都具有很強(qiáng)的參考價(jià)值.該算法在識別率90.3%的前提下，障礙物識別平均耗時(shí)43ms.參考文獻(xiàn)宋蕾.復(fù)雜地形下的道路識別[J].計(jì)算機(jī)應(yīng)用研究，2012，29（10）：3964.劉義杰，張湘平，譚霜.基于視覺注意機(jī)制的交通路標(biāo)檢測方法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（10）：3960.沈志熙，黃席樾，楊振宇