鐵路機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)控的實時性問題，提出了一種快速超視距障礙物識別方法.先利用紋理特征進行快速預處理與邊緣檢測;再利用鐵軌的縱向延展特點,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前幀與檢測窗識別出障礙物，最后利用IPM模型計算障礙物大小與距離.實驗結(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43ms.【期刊名稱】《湘潭大學自然科學學報》【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】浙江大學儀器科學與技術(shù)學系，浙江杭州310027;浙江大學儀器科學與技術(shù)學系，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、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、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，駕駛員觀察障礙物信息就顯得十分困難.我國列車平均時速200km/h，最高時速可達480km/h，這對2km以內(nèi)超視距障礙物識別算法的實時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、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］,道路標志識別［2］,障礙物識別［3~7］幾個方面.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，軌間距及軌寬具有非常嚴格的標準，所以通常借助于顏色、紋理、邊緣等特征進行鐵軌檢測，對軌道障礙物的識別通常采用幀差法或者光流法［8~10］.本文針對機車障礙物檢測的實時性要求，展開超視距列車前方圖像信息分析，提出了一種鐵路機車障礙物識別方法.擬用遠程紅外熱成像與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，在進一步提高行車安全的同時，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，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超聲波的識別方式，前者依據(jù)接受反射信號的時間來推算障礙物的距離.而視頻圖像中，由于攝像機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［11］中詳細介紹了IPM方法及其在車道線檢測和障礙物檢測中的應用.該原理建立了圖像坐標系下的二維場景與世界坐標系下的真實三維場景的轉(zhuǎn)換關(guān)系.由于IPM經(jīng)過精確的標定，其結(jié)果可以真實且準確地重現(xiàn)交通場景，極大的消除攝像機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，建立坐標系，IPM轉(zhuǎn)換公式如下所示［12］：其中m、n分別為攝像機的拍攝圖像寬和高，r、c分別為圖像平面中像素點所在的行和列，h為攝像機距離地面的高度(一般位于機車首節(jié)車廂頂部，距離約為4.4m);a為攝像機視角的1/2;0為攝像機安裝的俯角.2障礙物識別算法設計考慮到攝像機拍攝具有幀延續(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行鐵軌檢測的處理，降低時間復雜度，從而提高識別速度.本文采取了鐵軌動態(tài)建模的算法設計，如圖2所示.利用在短時間內(nèi)背景基本不變的特點，將采集到的圖像碼流的起始部分取一幀作為背景幀.考慮到實時性要求，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行，可以大大縮減障礙物檢測時間.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.由于這個過程只需要進行加權(quán)加運算，時間復雜度很低，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，必須對圖像進行預處理.另外，由于采用的是黑白CCD攝像頭，省去了灰度化的步驟，也降低了時間開銷.預處理具體步驟如下：a） 給當前處理幀加上時間信息，以備存檔；b） 去掉攝像機采集圖像的邊框，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行圖像去噪.邊緣檢測是突出圖像紋理細節(jié)的關(guān)鍵，它的處理效果直接決定了鐵軌的定位是否準確.本文實驗了Roberts，Sobel，Prewitt，Canny，Gauss-Laplace常用的邊緣檢測算子，從處理效果，時間消耗上進行比較.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/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的時間復雜度低于其他算法，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特點，可以對圖像中的連通域進行Y軸方向的投影，取投影最長的兩個連通域為雙軌.但是，圖像中連通域的數(shù)量很多，直接進行二值化檢測連通域時耗太長.可以采用形態(tài)學濾波，不僅增強鐵軌連通域的連續(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，增強鐵軌的連續(xù)性;b） 改進Otsu算法自適應二值化圖像；c） 形態(tài)學開運算；d） 連通域檢測，并同時計算當前連通域的Y軸方向投影長度，并記錄最長的兩個連通域；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化圖像中的邊緣細節(jié)，但對鐵軌的連通性有所破壞，為了解決這個問題，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，增加連通體如鐵軌的完整性，同時也可以將后續(xù)處理的時耗大大降低.本文改進Otsu算法，在與傳統(tǒng)Otsu算法效果基本一致的情況下，使時耗降低為原來的1/8.假設邊緣檢測后的圖像均值為方差計算如下：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所占比例r1/r2可以通過字符點陣數(shù)據(jù)估算，經(jīng)統(tǒng)計該比例約為0.15.然后利用整個區(qū)域的均值和方差進行M與C的近似.計算公式如下：采用T1作為可能的二值化分割閾值，上下放寬10個灰度值進行最大類間方差處理得到準確的分割閾值.在步驟d）中，在每一次連通域檢測中引入了鐵軌預判定機制，簡單地說，就是篩掉像素和過少的連通域，避免重復計算Y軸投影的時耗.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過程中隨機出現(xiàn)的、形狀特征無法預測，故很難給障礙物下一個明確的定義.本文認為，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） 提取當前幀的檢測窗區(qū)域；b） 與背景幀進行逐像素差分；c） 改進Otsu算法自適應二值化圖像；d） 形態(tài)學開運算；e） 將去噪結(jié)果與二值化的檢測窗進行或運算；f） 提取障礙物的連通域，進行大小及距離計算；g） 發(fā)送控制信號進行預警，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.首先將當前幀與背景幀進行差分，與鐵軌識別一樣，也進行自適應二值化與開運算的操作，以減少高頻噪點干擾.將去噪的結(jié)果與檢測窗區(qū)域進行或運算，即若鐵軌中間有不明物體時，或運算結(jié)果為1，反映在圖像上為白色物塊，則可以認定該物塊為障礙物.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值rmin，假定該值為物體最接近鐵軌的坐標，利用公式（1）則可以計算出該障礙物與機車的距離：假定障礙物為平面體，可推導出圖像中障礙物的像素點和與其切面面積關(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值；h為攝像機距離地面的高度；a為攝像機視角的1/2;0為攝像機安裝的俯角；au與av參見公式（3）和（4）.最后，匯總當前幀的時間信息T,障礙物的切面面積S,距離機車的距離「給無線模塊發(fā)送預警信號.同時通知DSP壓縮該幀圖像，結(jié)合以上報警參數(shù)存入數(shù)據(jù)庫，完成預警.3實驗結(jié)果與分析在一段彎道鐵路上，采用分辨率為640x480的CCD攝像機進行拍攝，添加障礙物進行系統(tǒng)有效性檢驗.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二值化具有很強的自適應性，處理后鐵軌具有很強的可分離性.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，將圖像進行縱、橫向4:2壓縮后，進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，整個鐵軌識別過程平均耗時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［8~10］的比較.表2鐵軌定位算法時耗對比Tab.2Timespentoflocationalgorithmms灰度化需要24不需要步驟其他文獻耗時/ms本文算法耗時/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Otsu二值化1073.2障礙物識別圖5(b)為當前幀的原始圖像.在實驗了多個間隔時間后，可以發(fā)現(xiàn)間隔幀數(shù)較小時處理任務量較大，間隔幀數(shù)設置過大時，彎道往往不能實時更新，準確的反應路況.最后本文的間隔幀數(shù)為15幀.圖5(c)利用幀差法處理當前幀與背景幀，再進行二值化，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)學開運算對其中的高頻小噪點進行濾除，得到圖5(d).最后與檢測窗區(qū)域進行與運算判定出障礙物，實驗安裝的攝像機視角a為4°，俯角。為3°,通過IPM模型得算得距離為151m，與實際的160m較為接近.整個障礙物檢測過程平均耗時43ms，檢測窗的建立極大減少了障礙物的識別時間.從表3可以看出，識別準確率為90.3%，誤報率為6.6%，漏報率為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)誤報幀數(shù)漏報幀數(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時性，獲取障礙物大小及位置等難點問題進行了研究.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算任務，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的參考價值.該算法在識別率90.3%的前提下，障礙物識別平均耗時43ms.參考文獻宋蕾.復雜地形下的道路識別[J].計算機應用研究，2012，29（10）：3964.劉義杰，張湘平，譚霜.基于視覺注意機制的交通路標檢測方法[J].計算機應用研究，2012，29（10）：3960.沈志熙，黃席樾，楊振宇