機(jī)車駕駛路面狀況監(jiān)控系統(tǒng)障礙檢測(cè)算法的研究

超木日力格，趙守國(guó)，王 靜，劉碩研

（1.北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院，北京100044；2.中國(guó)鐵道科學(xué)研究院電子計(jì)算技術(shù)研究所，北京100044）

隨著鐵路運(yùn)營(yíng)速度的提高、客貨運(yùn)量的不斷增加，對(duì)其安全性和可靠性都提出了更高的要求。智能監(jiān)控系統(tǒng)能幫助司機(jī)更好地監(jiān)視路面狀況，把司機(jī)從繁雜而又重復(fù)的工作中解脫出來(lái)，有足夠的時(shí)間和精力處理故障和突發(fā)事件。本文提出的機(jī)車駕駛路面情況監(jiān)控系統(tǒng)包含路障檢測(cè)、定位及報(bào)警等功能，其中紋理特征提取和匹配計(jì)算是機(jī)車駕駛路面狀況監(jiān)控系統(tǒng)的核心[1-2]。

1 機(jī)車駕駛路面狀況監(jiān)控系統(tǒng)介紹

系統(tǒng)主要研究的內(nèi)容為動(dòng)態(tài)背景下機(jī)車駕駛路面障礙物的檢測(cè)。由于車頭振動(dòng)導(dǎo)致的攝像機(jī)拍攝圖像的抖動(dòng)和背景的豐富性及動(dòng)態(tài)性給路軌障礙物的識(shí)別造成了難度。系統(tǒng)的框架如圖1。

圖1 系統(tǒng)框架

2 鐵軌路障檢測(cè)

鐵軌靜態(tài)路障檢測(cè)，即通過(guò)圖像處理方法探查鐵軌上是否有阻礙列車行進(jìn)的障礙物。在靜態(tài)圖像處理的基礎(chǔ)上，根據(jù)鐵路路軌的特殊情況，使用檢測(cè)區(qū)紋理作為特征進(jìn)行障礙物目標(biāo)定位。首先從圖像序列中將比較有代表性的鐵軌上無(wú)障礙物的背景圖像作為固定的圖像存儲(chǔ)起來(lái)，作為標(biāo)準(zhǔn)背景圖像，并且獲得其鐵軌部分的圖像，取區(qū)域紋理特征作為辨別鐵軌上有無(wú)異物的依據(jù)。將當(dāng)前鐵軌區(qū)域圖像紋理特征與標(biāo)準(zhǔn)背景圖像鐵軌區(qū)域紋理特征進(jìn)行對(duì)比，比較原則為：2幅圖像鐵軌區(qū)域紋理特征之差不超過(guò)一定閾值時(shí)，即視為鐵軌上無(wú)障礙物，否則視為有路障且進(jìn)行報(bào)警提示。

2.1 存取標(biāo)準(zhǔn)鐵軌背景圖像

圖2 標(biāo)準(zhǔn)鐵軌背景圖像

鐵軌靜態(tài)路障檢測(cè)的第一步，從圖像序列中選取標(biāo)準(zhǔn)鐵軌圖像，為下一步進(jìn)行特征對(duì)比提供對(duì)比依據(jù)。標(biāo)準(zhǔn)鐵軌背景圖像必須為干凈的、無(wú)障礙物且鐵軌輪廓較為明顯的圖像，一般從拍攝畫(huà)面前100幀圖像中選取，如圖2。

2.2 圖像預(yù)處理

在圖像的傳送和轉(zhuǎn)換過(guò)程中，不可避免地存在一些噪聲，對(duì)后續(xù)的圖像處理造成影響。為了提高后續(xù)處理的精度及速度，有必要通過(guò)圖像預(yù)處理的方式去除噪聲并突出感興趣的特征。圖像預(yù)處理的主要步驟如圖3。圖像灰度化之后，進(jìn)行高斯平滑濾波，濾除高頻噪聲；將濾波之后的圖像進(jìn)行圖像增強(qiáng)，增強(qiáng)用變換函數(shù)：

圖3 圖像預(yù)處理過(guò)程

式中f(x,y)為原圖像灰度值，g(x, y)為變換后圖像灰度值。經(jīng)過(guò)變換后圖像在比較暗的部分其對(duì)比度減弱，而在比較亮譬如鐵軌的部分，其對(duì)比度增強(qiáng)。而后，用canny算子提取邊緣。為了進(jìn)一步突出鐵軌邊緣信息，減少環(huán)境無(wú)用信息，將圖像進(jìn)行二值化處理[3]。

預(yù)處理后的圖像如圖4。

圖4 預(yù)處理后的圖像

2.3 鐵軌框架提取及檢測(cè)窗的建立

為了判斷鐵路路軌或彎道處是否真正存在行車障礙，就必須劃分出監(jiān)控圖像中的危險(xiǎn)區(qū)域。根據(jù)二值圖像中像素的連接性，提取鐵路框架最主要的鐵軌。尋找鐵軌像素主要目的為建立檢測(cè)區(qū)域，減小障礙物的搜索范圍。如圖5，圖片上某一點(diǎn)的像素標(biāo)記為p，其灰度值為B(p)，則其周圍8個(gè)鄰域內(nèi)的像素可標(biāo)記為p0~p7，對(duì)應(yīng)灰度值為B(p0)~B(p7)。鐵軌框架的提取及檢測(cè)窗建立步驟如下：

圖5 圖像像素

（1）尋找端點(diǎn)像素：在圖像中尋找灰度值為1、相鄰8個(gè)像素中灰度值為1的像素個(gè)數(shù)不超過(guò)3個(gè)并且4-/8-鄰連接數(shù)均為1的像素點(diǎn)，即為端點(diǎn)像素。端點(diǎn)像素檢測(cè)出的是每個(gè)線段最下端的點(diǎn)[3]。4-/8-鄰連接數(shù)定義如公式（2）、公式（3）：

（2）端點(diǎn)像素為圖像中線段的下端點(diǎn)處像素。從端點(diǎn)像素出發(fā)，向上進(jìn)行區(qū)域增長(zhǎng)直到將所有端點(diǎn)像素所處線段檢測(cè)出來(lái)。區(qū)域增長(zhǎng)的具體算法為：以端點(diǎn)為生長(zhǎng)種子向上、左、右、左上和右上5個(gè)方向進(jìn)行檢索，當(dāng)相鄰5個(gè)像素中有像素值為1的點(diǎn)，即將此點(diǎn)作為新的生長(zhǎng)種子繼續(xù)區(qū)域增長(zhǎng)，直至檢測(cè)到線段另一頭的終點(diǎn)。

（3）在檢測(cè)出的線段當(dāng)中留下長(zhǎng)度大于閾值T、梯度符合鐵軌走向的線段檢出。

（4）以鐵軌的邊緣為基礎(chǔ)建立檢測(cè)窗。檢測(cè)窗的2個(gè)側(cè)邊沿著鐵軌邊緣，上邊線高度定在圖像高度的1/3處（經(jīng)驗(yàn)值，拍攝到的圖片下1/3部分鐵軌圖像較清晰）。由于拍攝角度導(dǎo)致遠(yuǎn)端鐵軌距離比近端鐵軌距離小，檢測(cè)窗為梯形。

（5）檢測(cè)出的鐵軌線段及檢測(cè)窗如圖6，原圖像上顯示檢測(cè)窗區(qū)域如圖7。

（6）由于火車頭攝像機(jī)的斜向下拍攝角度，檢測(cè)區(qū)域在圖像下半部分，所以彎道的檢測(cè)窗效果跟直道是一樣的。

圖6 鐵軌線段（含檢測(cè)窗）

圖7 標(biāo)準(zhǔn)圖像檢測(cè)窗

2.4 障礙物檢測(cè)

圖像的紋理信息是圖像最基本的特征，反映了圖像本身的屬性，在圖像分析、識(shí)別領(lǐng)域得到了廣泛的應(yīng)用[4]。一幅圖像可以看成是不同紋理模型區(qū)域的嵌套[5]。紋理是一種反應(yīng)圖像灰度級(jí)變化的圖像屬性，一般圖片具有豐富的紋理特征，且其紋理特征的計(jì)算量較小，可以用作區(qū)分不同圖像的依據(jù)。通過(guò)對(duì)比標(biāo)準(zhǔn)鐵軌背景圖像及待測(cè)圖像的紋理特征，可以發(fā)現(xiàn)障礙物。

2.4.1 灰度共生矩陣

由于紋理是由灰度分布在空間位置上的反復(fù)出現(xiàn)而形成的，所以在圖像中相隔某距離的2個(gè)像素灰度值之間會(huì)存在某種關(guān)系?；叶裙采仃嚤硎緢D像中相距某距離的2個(gè)灰度像素同時(shí)出現(xiàn)的聯(lián)合概率分布[6]，其數(shù)學(xué)表達(dá)式：

式中，（x, y）為圖像坐標(biāo)，M、N為圖像大小，K為圖像灰度級(jí)數(shù)目，θ為像素連線角度。

灰度共生矩陣不能直接提供區(qū)別紋理的特征[5]，所以需要進(jìn)一步提取統(tǒng)計(jì)分量作為紋理特征。主要統(tǒng)計(jì)分量有：

（1）能量（角二階矩）：反映了灰度分布均勻程度和紋理粗細(xì)程度。當(dāng)灰度分布較為均勻或紋理較小時(shí)，大部分灰度對(duì)出現(xiàn)概率相差不大，角二階矩較小。

（2）混合熵：熵值很好地描述了圖像的信息量大小，當(dāng)圖像沒(méi)有任何紋理即沒(méi)有太大信息量時(shí)其熵值很小，反之熵值比較大?；旌响赜洖镠。

（3）慣性矩：慣性矩記為I。當(dāng)慣性矩比較大，表明圖像上紋理的線條明顯。

（4） 相關(guān)系數(shù)：主要用來(lái)描述灰度共生矩陣中的元素在行或列方向上的相似程度，記為C。

式中μx,μy和σx,σy分別為灰度共生矩陣每行元素積分和每列元素積分的均值和標(biāo)準(zhǔn)差。

求能量、熵、慣性矩、相關(guān)的均值和標(biāo)準(zhǔn)差作為最終8維紋理特征

[E1, H1, I1, C1, E2, H2, I2, C2]

E1～C1是4個(gè)統(tǒng)計(jì)量的均值，E2～C2是4個(gè)統(tǒng)計(jì)量的標(biāo)準(zhǔn)差。

2.4.2 障礙物的檢測(cè)

通過(guò)計(jì)算灰度共生矩陣能量、熵、慣性矩及相關(guān)系數(shù)等統(tǒng)計(jì)量，得到4維特征向量[E,H,I,C] 來(lái)表示圖像紋理特征。此時(shí)，鐵軌障礙物檢測(cè)就轉(zhuǎn)化為特征向量之間的相似性計(jì)算。使用每幅待測(cè)圖像A和標(biāo)準(zhǔn)鐵軌背景圖像B，檢測(cè)窗內(nèi)紋理特征的歐氏距離D作為最終的評(píng)判標(biāo)準(zhǔn)，當(dāng)其值不超過(guò)某個(gè)閾值T時(shí)，視為鐵軌上無(wú)障礙物。紋理特征歐氏距離的算法為：

公式（9）表示歐氏距離D通過(guò)計(jì)算8維紋理特征中4個(gè)統(tǒng)計(jì)量的均值和標(biāo)準(zhǔn)差的距離得到。D越小，表明2幅圖像鐵軌處的紋理特征越相似。與此同時(shí)，為了提高障礙物檢測(cè)的精度，引入灰度值方差及圖像黑白像素比值作為輔助檢測(cè)。當(dāng)檢測(cè)窗口中突然出現(xiàn)障礙物時(shí)，灰度直方圖方差會(huì)發(fā)生明顯的變化；且大的道路障礙物會(huì)導(dǎo)致大片的無(wú)紋理區(qū)域的出現(xiàn)，自然會(huì)導(dǎo)致窗口內(nèi)黑白像素的比值發(fā)生改變。檢測(cè)到障礙物后，對(duì)機(jī)車司機(jī)發(fā)出警報(bào)，使其及時(shí)采取相應(yīng)的措施。

3 結(jié)果分析

以障礙物存在時(shí)的檢測(cè)準(zhǔn)確率及無(wú)障礙物時(shí)的誤檢率來(lái)驗(yàn)證算法的精度。以會(huì)對(duì)車輛行進(jìn)造成障礙的物體存在時(shí)的圖像為例，分析鐵軌的紋理特征。

圖8 障礙物圖像檢測(cè)窗圖

圖9 障礙物圖像二值化

圖10 鐵軌背景圖像灰度直方圖

圖像8和圖像9分別顯示了障礙物圖像檢測(cè)窗及障礙物圖像二值化后的結(jié)果。圖像10和圖像11分別顯示了標(biāo)準(zhǔn)鐵軌背景圖像和障礙物圖像的灰度直方圖，其方差分別為1 402.05和1 299. 61（四舍五入），且每幅圖像的黑白像素比值為26.099（標(biāo)準(zhǔn)背景圖像）和34.85（有障礙物）。2幅圖像檢測(cè)窗內(nèi)的紋理特征值分別為[0.142 4,3.238, 1.399, 0.055 1, 0.003 8, 0.099, 0.392 9,6.817 9e-04] 和[0.090 2, 3.708, 2.180 1, 0.048 3,0.003 5, 0.1429 , 0.683, 9.109 7e-04] 。此時(shí)，灰度方差突變，黑白像素比值明顯增大，結(jié)合紋理特征差0.007大于閾值（閾值通過(guò)多次試驗(yàn)確定為0.001），確定檢測(cè)窗內(nèi)存在障礙物。

圖11 障礙物圖像灰度直方圖

當(dāng)鐵軌上有存在但無(wú)需報(bào)警的物體時(shí)，與上述紋理特征的分析相同。圖像12和圖像13分別顯示原障礙物圖像和灰度直方圖。

圖12 鐵軌障礙物圖像

圖13 障礙物圖像灰度直方圖

方差為1 448.42，較標(biāo)準(zhǔn)鐵軌背景圖像沒(méi)有很大的差值；且圖像的黑白像素比值為25.155，可判斷為無(wú)大體積的障礙物，導(dǎo)致二值化后的圖像有大面積無(wú)紋理區(qū)域。圖像檢測(cè)窗內(nèi)的紋理特征值為[0.146 4, 3.228 2, 1.475 5, 0.055 6, 0.004 2,0.105 3, 0.444 4, 7.873e-04] ，與標(biāo)準(zhǔn)背景圖像間紋理特征差值為6.717e-04，小于閾值0.001。綜上所述，確定檢測(cè)窗內(nèi)不存在障礙物（即使有障礙物，也不會(huì)對(duì)行車安全造成影響）。

表1 實(shí)驗(yàn)結(jié)果

通過(guò)檢測(cè)多幅圖像，計(jì)算準(zhǔn)確率，如表1。實(shí)驗(yàn)結(jié)果表明，該方法可以實(shí)現(xiàn)鐵軌路面障礙物的檢測(cè)，且其精度較高。通過(guò)實(shí)驗(yàn)分析得出在障礙物的體積較大情況下，此系統(tǒng)的檢測(cè)準(zhǔn)確率較高。

4 結(jié)束語(yǔ)

鐵路場(chǎng)景下路障檢測(cè)算法可以在人不參與的情況下，通過(guò)圖像處理的方法監(jiān)控路面狀況，對(duì)潛在危險(xiǎn)進(jìn)行實(shí)時(shí)報(bào)警[7]。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，系統(tǒng)達(dá)到預(yù)期的檢測(cè)精度，實(shí)現(xiàn)了智能監(jiān)測(cè)路面狀況的研究目標(biāo)。對(duì)該系統(tǒng)，仍有大量的工作有待開(kāi)展，如：紋理特征差閾值的自適應(yīng)選取、路軌障礙物的跟蹤及識(shí)別等等。相信隨著智能監(jiān)控研究的深入，鐵路行車安全性和可靠性將會(huì)越來(lái)越高。

[1] 曾青中. 鐵路機(jī)車單司機(jī)值乘的問(wèn)題與對(duì)策[J] .中國(guó)科技信息，2006（24）：76-77 .

[2] 董宏輝，孫志源，葛大偉，等. 基于混合高斯模型的鐵路入侵物體目標(biāo)識(shí)別方法[J] . 中國(guó)鐵道科學(xué)，2011，32（2）：131-135 .

[3] 宋娟. 路軌自動(dòng)檢測(cè)系統(tǒng)及障礙物識(shí)別技術(shù)的研究[D] .浙江：浙江大學(xué)，2008 .

[4] 張恒博，歐宗瑛. 一種基于顏色基元共生矩陣的圖像檢索方法[J] . 計(jì)算機(jī)工程，2007，33（14）：171-173 .

[5] 張?jiān)票?，張永? 基于圖像紋理特征的目標(biāo)快速檢索[J] . 高技術(shù)通訊，2004，14（8）： 11-14 .

[6] 郭忠偉，鄭華利，馬仁安，等. 一種基于紋理特征的戰(zhàn)場(chǎng)目標(biāo)圖像挖掘方法[J] . 艦船電子工程，2010，30（4）： 65-14 .

[7] 董宏輝，葛大偉，秦勇，等. 基于智能視頻分析的鐵路入侵檢測(cè)技術(shù)研究[J] . 中國(guó)鐵道科學(xué)，2010，31（2）：121-124.