企业简介

作为中国自动化领域的权威旗舰网络媒体，控制网创立于1999年7月，是中国举行的第十四届IFAC （International Federation of Automatic Control）大会的中国官方组织机构的唯一指定网站。控制网是中国自动化学会专家咨询工作 委员会（ECC）的秘书处常设之地。是北京自控在线文化传播有限公司开设的网站。

  • 公司类型：其他

联系方式
  • 控制网
  • 地址：北京市海淀区上地十街辉煌国际2号楼1504室
  • 邮编：100085
  • 电话：010-57116291 / 59813326
  • 传真：010-59813329
  • 网址：http://www.kongzhi.net
  • Email：mahongliang@kongzhi.net
  • 联系人：市场部
案例详细
标题铁路路障检测方法
技术领域
行业
简介铁路的路外交通事故每年都为铁路部门和国家带来很大的损失，非常有必要研制出一套铁路路障视频监测系统。而图像处理和图像的监控技术就是研制这套系统的基础。主要综述了现有的图像处理和监控技术的主要技术和方法。以及图像检测技术在铁路路障监测系统中的应用和实现。
内容
1．引言
        铁路和路外伤亡事故每年都为铁路部门和国家带来巨大的经济和人力、物力的损失。为了尽量减少铁路交通事故，铁路部门在一些重要道口架设了桥梁或者开挖了涵洞，但许多偏僻的道口还没有这样的条件。而且我国地理条件复杂，特别是南方山区地带，弯道和桥梁比较多，这就为列车安全行驶带来了更多更大的隐患。
        本文描述的铁路路障检测系统通过在事故的多发地段安放路障视频监测与报警系统，随时监控该路段的情况，发现有威胁机车正常运行的路障时，及时向机车司机报警，以便司机采取紧急制动措施，避免事故的发生。由于该系统安放在铁路路基旁，无人值守，工作环境十分恶劣，因此对整个系统的适应性、稳定性、可靠性等要求高。虽然PC机功能非常强大，而且在公路、工厂、安防等视频监控领域已得到了很好的应用，但其可靠性差，不适用于室外恶劣的工业环境。所以本文选用基于DSP的嵌入式系统，其功能框图如下：


图1  基于DSP的嵌入式系统
 
2.路障检测的步骤 
       铁路路障的检测分下面三个步骤来完成：
1）首先把铁轨所在的区域从整个背景中分离[1]出来。
2）检测铁轨所在的区域内的障碍物。
3）对检测到的障碍物的识别。判断障碍物对机车行驶的危险程度等情况，最后作出判断，发出警报。
2.1.对铁轨所在区域的分离
       铁轨是相对静止且有固定形状，基于铁轨的这个特性，本文采用边缘检测的方法提取铁轨所在的区域。提取铁轨所在区域的方法有很多种，边缘检测只是其中的一种，但该方法能实际有效的提取铁轨的边缘。
       图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域的基础。在彩色图像中，用于边缘检测的信息更加丰富，如具有相同亮度、不同色调的边缘同样可以被检测出来，相应地，彩色图像边缘的定义也是基于3维颜色空间的不连续性。
常用的定义边缘的方法有：

(1)首先在选定的颜色空间上定义一个测量距离,然后利用颜色空间中距离的不连续性来确定边缘。由于这使得颜色空间的边缘检测仍然限制在1维空间中进行,因此,其边缘检测结果与相应灰度图像的边缘检测结果不会有太大差异。
(2)把彩色图像看成是由3个不同颜色分别对应的单色图像组成,然后利用灰度边缘检测方法分别对3个图像进行边缘检测,其结果再经过特定的方法进行合成;

(3)允许边缘在3个分量上具有较大的独立性,同时施加某种同一性约束(如边缘具有相同方向),以便能够同时利用边缘的颜色信息。
       边缘检测常用的算子：经典的边缘检测方法是构造对像素灰度级阶跃变化敏感的微分算子,如Roberts梯度算子、Soble梯度算子等,其边缘检测速度快,但得到的往往是断续的、不完整的结构信息,这类方法对噪声较为敏感。这些算子由于梯度或一阶微分算子通常会在图像边缘附近的区域内产生较宽的响应,故采用上述算子检测的边缘图像常需做细化处理,边缘定位的精度不是很高。为了有效抑制噪声,一般都首先对原图像进行平滑,再进行边缘检测就能成功地检测到真正的边缘。边缘检测技术中较为成熟的方法是线性滤波器,尤其是以拉普拉斯LOG(Laplace of Gauss)算子最为有名。
       利用边缘检测算子检测灰度图像边缘的过程示意图如图2所示。在这一过程中，边缘阈值的选择是边缘检测的关键问题之一。阈值取得过高，便不能检出低幅度的边缘像素，阈值取得过低会将噪声误检为图像边缘。


2.2检测铁轨所在的区域内的障碍物
       路障检测是系统中的关键步骤：铁路现场的环境比较复杂，就要充分考虑到各种天气和环境的变化引起的背景的改变，否则可能产生障碍物的误判断，而使列车的正常行驶受到影响。
       对于运动的障碍物的检测，关键是对序列图像将变化区域从背景图像中提取出来。目前运动区域的检测方法可以分为模板匹配[6]、光流[4]和背景减除[4]。由于关注的区域是运动的人或动物等。不可能用一个固定的模板来表示,模板匹配方法不适用;光流方法时间开销比较大,且抗噪性能差,在复杂背景下也不适用,所以在拟采用背景减除的方法。另一方面,由于铁路的复杂环境中经常出现一些背景的微小变化,如云层的变化，风雨雾雪等恶劣的自然情况,简单的背景减除效果就会受到影响。这里用到了自适应的背景减除算法(adaptive background  subtraction)[1]。即在系统中建立环境图像的背景统计模型,用自适应背景减除算法提取前景区域,并在线更新背景的统计模型。
2.2.1初始化背景模型:
       在没有人或其它物体进入铁轨之前,首先对背景连续采集ｎ幅图像,通过这ｎ幅图像,可以建立一个初始背景的统计模型。在这个模型里,背景中的每一个点ｉ,定义 为该点的颜色值的期望, 为颜色值分布的方差,有如下公式:



       其中 为点ｉ在第ｔ幅图像中的颜色值。这样，所有点的 构成了初始背景模型.
2.2.2前景区域提取:
       初始背景建立以后,对于每一幅新采集的当前图像,就可以进行前景区域的提取了。设当前图像中点ｉ的颜色值为 ,可以通过以下公式将图像二值化:



       其中,所有标志为1的点构成前景区域,为0的点构成背景区域。
 
3.对检测到的障碍物的识别
 
       这一步要对检测到的障碍物的大小，运动趋势及对机车的行驶状况的影响等综合情况进行识别，进而发出报警信号。
       在过去的几年中，已经提出了大量不同的目标跟踪算法。这些方法主要可以分为两类：    (1)基于运动的方法：主要依据健壮的方法，把一段时间内的具有运动一致性的点归为一类，如光流法和特征点法[6],但是计算量较大。   
(2)基于模型的方法:主要依据高层的语义表示和知识描述来完成日标的跟踪。利用目标中的信息部分的不同,可分为：基于目标边界(通常指的是基于边缘方面)的方法，如活动轮廓模型[5]和Hausdoff距离的边缘匹配方法[7]基于目标区域的方法，利用的是目标整个区域纹理特性信息[3]。它可以根据目标本身的更多信息，如颜色和纹理等，来排除背景的干扰，适用于室外的跟踪。但由于目标本身的信息较多，如不力D简化，将不可避免地带来信息匹配时的大量运算。因此对于实时性要求很高的运动目标跟踪技术而言，如何选取目标的特征信息，并在可靠的前提下简化运算是目标跟踪的关键。
       目标的直方图[8]具有特征稳定，抗部分遮挡，计算方法简单和计算量小的特点。将其与均值平移算法结合，避免了全局穷举搜索，是比较理想的目标跟踪方法。为了避免与目标直方图相似的背景伪日标的干扰，以图像差的方式对候选目标进行了运动验证，提高了跟踪的可靠性。在全局范围内匹配目标极为消耗时间，为了保证跟踪的处理速度，Kalman滤波器被用于对日标运动参数的估计，缩小了候选模式的搜索区域。
以上就是常用的一些检测和图像识别的方法以及整个路障检测系统的组成。
 
4.小结
 
       本文提出了一个铁路路障监测系统的框架。主要从技术和软件上综述了近年来常用的各种图像监测领域的方法。对以后进行进一步的路障检测技术的实施打下了理论的基础。
 
参考文献
[1]Gavrila D. The visual analysis of human movement: A survey: Computer Vision and Image Understanding 1999,73(1):82-90
[2] PRATT W K. Digital Image Processing [M]. New York: John Wiley &Sons, 1978.
[3]David Beyer，Philips Mcluch.A Real-T1me Compute Vision System for Measuring Traffic Parameters.1997 IEEE
[4]Daisy Jang，Gee-young Kim．Model-based Tracking of Moving 0bject[J]．Pattern Recognize，1997；30：999-1008
[5]W.J Rockledge Efficiently locating 0bjects Using Hulshof Distance[J].  International J of Computer Vision，1997;24(3)：251-270
[6]胡明昊 任明武 杨静宇 一种基于直方固模式的运动目标实时跟踪算法 计算机工程与应用  2004．3
[7]M Kais，A wit kin，D Petropoulos．Snake：Active Contour Model[J]．International Journal of Computer V1sion，1988;1：321―331