视频图像处理技术在保障机车调车作业安全方面的研究与实践

迟学力

随着LKJ的推广运用，机车正线牵引安全事故基本得到消灭，但调车作业安全事故变得较为突出。目前，调车作业事故约占铁路系统总事故的60%－70%，加强调车作业的安全控制对稳定铁路安全生产局面具有十分重要的意义。

1 调车作业安全预警必要性

调车作业是铁路运输生产必不可少的作业。专用调车机由于作业地点相对固定，安装有专用调车监控装置，可以对调车作业事故进行有效防控。正线机车主要业务是正线牵引列车，但有时也会从事调车作业。由于其调车作业涉及的站场不定，所以不适宜安装专用调车监控装置，因而其调车作业过程缺乏机控手段，其作业安全主要依靠乘务员人工保证，存在较大安全隐患。

调车作业常见事故有：碾轧脱轨器、调车冲突、挤压道岔等。脱轨器是为了防止列检人员在检车作业时，因机车或列车进入此线路，对列检人员造成伤害而设置的防护装置。脱轨器由两部分组成：表示器和脱轨装置，如图1所示。

图1 脱轨器组成示意图

表示器在当前列车行进方向的左侧；脱轨装置为白色铸铁件，启用状态下覆盖在列车行进方向的左侧钢轨上，列车辗压时会致使列车脱轨，从而保证列检人员的安全。正线机车调车作业安全预警系统采用视频图像实时处理技术，对脱轨器及其状态进行自动识别，必要时对乘务员进行报警或提示，是保障作业人员安全的重要设备。

2 调车作业安全预警系统结构

正线机车调车作业安全预警系统，对脱轨器的检测分为脱轨器表示器检测和当前轨道检测二部分。检测脱轨器表示器以确定脱轨器是否启用，检测当前轨道是确定脱轨器是否对当前轨道有效。系统由图像采集单元和检测主机二部分组成，通过以太网进行信息交互，如图2所示。

图2 系统结构图

图像采集单元核心部分由4台安装在机车两端司机室中的专用相机组成，每端包括一台低照度相机和一台彩色相机。低照度相机负责采集轨道图像，彩色相机负责采集脱轨器表示器图像；而检测主机负责对图像进行智能分析，即首先对彩色相机采集得到的图像进行识别，判断脱轨器是否启用，并得到脱轨器的位置坐标，然后对低照度相机得到的图像进行识别，确定当前运行轨道，并判断脱轨器坐标是否在当前轨道的左侧，最终确定当前轨道左侧脱轨器是否启用。

3 表示器检测

3．1 颜色分割

正常情况下，脱轨器表示器在启用状态下为红色，因此，红色信息就成为了识别脱轨器的重要信息之一。通过对颜色的分割，能够减少待处理的信息总量，把脱轨器所在的区域提取出来。彩色相机输出的是RGB图像，而RGB色彩空间的图像受光照影响较大，不适合用作颜色信息提取。因此，为避免光照的影响，可以将原图像先变换到HSV（hue，saturation and intensity）色彩空间，然后对红色标识牌进行分割。HSV色彩空间如图3所示。

图3 HSV色彩空间

红色的HSV空间分布在H分量的 ［0，20］与 ［340，360］区间上和S大于0．5的区间上。根据以上结论，在HSV空间上对红色进行分割，如图4所示。

图4 图像分割结果

3．2 去除误检测

由于现实环境中色彩比较复杂，因此颜色特征不能成为识别脱轨器表示器的唯一标识，在基于颜色的分割中可能会出现误检测的现象。如图4中D图所示，分割出的结果不但有表示器，还有红色指示灯和远处的红色旗帜。因此，需要根据脱轨器表示器的形状、梯度直方图等其他特征进行校验，去除误检测的部分。算法分为以下2步：

1．形状检验。脱轨器表示器是一个矩形红牌，可以对图4中D图分割出的图像进行边缘提取，对边缘进行直线检测，判断是否存在大于一定距离的平行线，如果不存在，则不是脱轨器表示器。

2．梯度直方图信息。对于形状检测的结果，取图像的梯度直方图信息（HOG），作为样本特征，采用支持向量机（SVM）的方法，对样本进行分类，去除误检测。检测结果如图5所示，黑色矩形区域为检测到的脱轨器表示器。

图5 表示器检测结果

4 当前轨道检测

4．1 当前轨道检测原理

我国铁路建设采用轨距为1435mm的标准铁轨。为进行轨道检测，需建立轨道模型，如图6A所示。相机安装在车头前方，且与地面有一定角度向下拍摄图像，得到的图像模型如图6B所示。由于视角的问题，在图6B上轨道已经不再是平行的，离相机越远，2条轨道之间的距离越近，最终相交到远处一点。由于作为轨道特征的平行特性在相机获得的图像上不能显现出来，所以将图像投影到鸟瞰的视角上 （从空中垂直俯视的视角），如图6C所示。在鸟瞰图上，轨道则变成了平行的曲线。

当前轨道检测的主要步骤：首先通过IPM（Iverse Perspective Mappinh，逆透视投影变换）将相机中获取的原始图像生成鸟瞰图，然后进行平行曲线检测，确定中心线，最后将中心线从鸟瞰图透视变换到原始图像上，确定当前轨道在原始图像上的中心线坐标。

图6 轨道检测示意图

4．2 IPM变换

定义世界坐标系为 ｛FW｝＝ ｛XW，YW，ZW｝，原点为相机的光心，相机坐标系为 ｛FC｝＝ ｛XC，YC，ZC｝，图像坐标系为｛Fi｝＝｛u，v｝，定义α为俯视角 （Pitch angle），β为偏移角 （yaw angle）如图7所示。

根据上述关系可以计算出单应矩阵T。

其中，fu为相机内参中的水平焦距，fv为相机内参中的垂直焦距，Cu为相机内参中的水平光心坐标，Cv为相机内参中的垂直光心坐标，C1＝cosα，C2＝cosβ，S1＝sinα，S2＝sinβ，h为相机光心离地面的高度。根据T可以计算出鸟瞰图。如图6D、6E所示。

图7 IPM坐标系关系

4．3 平行曲线检测

将得到的鸟瞰图水平分割十段，对每段图像进行平行直线检测，根据平行线的距离，计算出候选的平行线对。将平行线对应的中线连接到一起，形成轨道的中心线。然后通过T的逆矩阵将中心线坐标重新映射回原始图像。

5 小结

基于视频图像识别技术设计的正线机车调车作业安全预警装置，可以较好地识别脱轨器状态，并对乘务员及时进行预警，从而有效防止正线机车调车作业过程中误轧脱轨器的作业事故。但是，在实际应用过程仍然存在一些问题，例如，夜晚工作时，由于光线情况比较复杂，各种光干扰较多，光线投射到轨道上会出现光斑，加上挡风玻璃的衍射作用，造成轨道图像采集单元采集到的轨道图像清晰度降低，轨道识别正确率有所降低，有时甚至无法检测到轨道。如何提高夜晚状态下轨道检测的识别准确率是下一步研究的重点。

［1］ 林立新，杨宏伟．GPS定位的调车系统．机车电传动［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．