基于光流法檢測(cè)來(lái)車的軌旁作業(yè)安全防護(hù)策略

周瑞鴻，林俊亭

(1.蘭州交通大學(xué)自動(dòng)化學(xué)院，蘭州 730070；2.甘肅省人工智能與圖形圖像處理工程研究中心，蘭州 730070)

鐵路現(xiàn)場(chǎng)施工過(guò)程中經(jīng)常出現(xiàn)列車碰撞現(xiàn)場(chǎng)工作人員的事故，造成此類事故的主要原因是進(jìn)行現(xiàn)場(chǎng)作業(yè)時(shí)，沒(méi)有可靠的防護(hù)和預(yù)警系統(tǒng)。管理部門已經(jīng)制定了嚴(yán)格的上線作業(yè)規(guī)范，但是在特殊情況下，如違規(guī)作業(yè)中，現(xiàn)場(chǎng)工作人員的安全很難得到保障。

高速鐵路采用專用移動(dòng)通信GSM-R(GSM for Railway)以及衛(wèi)星導(dǎo)航系統(tǒng)GNSS(Global Navigation Satellite System)實(shí)現(xiàn)列車接近預(yù)警系統(tǒng)，實(shí)現(xiàn)與現(xiàn)有的信號(hào)設(shè)備相獨(dú)立的防護(hù)[1-3]，文獻(xiàn)[4]利用雷達(dá)信號(hào)來(lái)檢測(cè)作業(yè)防護(hù)區(qū)段運(yùn)動(dòng)物體，檢測(cè)到有列車接近的信息驅(qū)動(dòng)報(bào)警電路進(jìn)行報(bào)警，現(xiàn)場(chǎng)工作人員聽到報(bào)警器報(bào)警快速撤離危險(xiǎn)區(qū)，有效地保證現(xiàn)場(chǎng)施工人員的安全，但是雷達(dá)檢測(cè)信息的時(shí)候誤警率比較高，雷達(dá)進(jìn)行檢測(cè)的時(shí)候通過(guò)發(fā)射電磁波和接受反射回來(lái)的電磁波信號(hào)判斷是否有車輛駛?cè)搿＠走_(dá)檢測(cè)信號(hào)受電磁波波束角的影響，橫向探測(cè)范圍過(guò)大，會(huì)把不是防護(hù)軌上行駛的列車或者沿線的汽車也作為運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，必然出現(xiàn)誤報(bào)警的情況。

近年來(lái)國(guó)內(nèi)外對(duì)基于機(jī)器視覺(jué)的視頻追蹤以及視頻檢測(cè)技術(shù)開展了廣泛的研究，各鄰域?qū)C(jī)器視覺(jué)的應(yīng)用得到很大的發(fā)展。文獻(xiàn)[5]通過(guò)概率框架建立所追蹤的模型，利用本地似然函數(shù)實(shí)現(xiàn)信息的融合，最終實(shí)現(xiàn)多視角目標(biāo)的視頻追蹤。文獻(xiàn)[6]將Vibe經(jīng)典算法進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)監(jiān)控視頻中目標(biāo)的選擇性提取，然后對(duì)提取的目標(biāo)進(jìn)行分析，根據(jù)分析的結(jié)果對(duì)目標(biāo)進(jìn)行精確跟蹤。

本文針對(duì)鐵路現(xiàn)場(chǎng)作業(yè)的需求，提出一種基于光流法視頻檢測(cè)列車的防護(hù)策略。采用攝像頭和圖像硬件處理平臺(tái)實(shí)現(xiàn)鐵路現(xiàn)場(chǎng)的防護(hù)[7-8]，對(duì)視頻中的運(yùn)動(dòng)物體進(jìn)行特征值提取[9]，通過(guò)對(duì)運(yùn)動(dòng)物體的特征值分析，判斷是否為鋼軌上運(yùn)動(dòng)的列車。

1 基于光流法檢測(cè)列車的鐵路作業(yè)防護(hù)策略的工作原理

基于光流法檢測(cè)來(lái)車的鐵路作業(yè)防護(hù)策略由攝像機(jī)和嵌入式硬件檢測(cè)平臺(tái)組成，系統(tǒng)的結(jié)構(gòu)框圖如圖1所示。

圖1 基于光流法檢測(cè)來(lái)車的結(jié)構(gòu)

設(shè)備的攝像頭檢測(cè)防護(hù)區(qū)段設(shè)計(jì)原理，如圖2所示。作業(yè)人員在進(jìn)行現(xiàn)場(chǎng)作業(yè)時(shí)，將設(shè)備放在施工現(xiàn)場(chǎng)的鋼軌旁邊，將攝像頭通過(guò)拉桿升起來(lái)，攝像頭距離地面的高度h可以調(diào)節(jié)，攝像頭和水平方向的夾角α和β也可以通過(guò)設(shè)備進(jìn)行調(diào)節(jié)，因此作業(yè)人員可以根據(jù)現(xiàn)場(chǎng)的實(shí)際情況對(duì)所防護(hù)的區(qū)段進(jìn)行調(diào)節(jié)，提高了設(shè)備的靈活性和適應(yīng)性。

圖2 攝像頭防護(hù)區(qū)段設(shè)計(jì)原理

設(shè)備所防護(hù)區(qū)段的范圍H是由左邊防護(hù)區(qū)h1和右邊防護(hù)區(qū)h2兩部分之和組成的，原理圖中各個(gè)量之間的數(shù)學(xué)關(guān)系式為

h1=h/tanβ

(1)

h2=h/tanα

(2)

H=h1+h2

(3)

2 光流計(jì)算的主要方法

光流場(chǎng)[10-11]的計(jì)算方法很多，基于梯度的方法使用最廣泛，此方法為了處理方便，以物體運(yùn)動(dòng)前后圖像中的灰度保持不變作為條件，來(lái)導(dǎo)出光流約束方程，方程中含有二維坐標(biāo)系中橫軸(x軸運(yùn)動(dòng)速度)和縱軸(y軸運(yùn)動(dòng)速度)兩個(gè)變量，用一個(gè)方程無(wú)法確定兩個(gè)變量，需引入其他條件作為約束來(lái)確定光流，主要的約束方式有全局約束和局部約束。全局約束是假定物體運(yùn)動(dòng)前后整幅圖像上的光流都不變化，局部約束是假定光流在圖像上的某一區(qū)域不發(fā)生變化。

特征匹配和區(qū)域匹配是兩種比較常見的方法，基于區(qū)域匹配是把圖像分割為子塊，利用一組簡(jiǎn)單的平移運(yùn)動(dòng)來(lái)等效復(fù)雜的運(yùn)動(dòng)，運(yùn)動(dòng)估計(jì)的依據(jù)是對(duì)圖像中分割出的子塊進(jìn)行匹配，視頻編碼對(duì)此方法使用廣泛。

基于能量的方法，首先通過(guò)時(shí)空整合對(duì)圖像序列進(jìn)行處理，時(shí)空整合后可以提高對(duì)速度估計(jì)的正確性，但是對(duì)圖像序列時(shí)空整合后會(huì)降低時(shí)間和空間的分辨率，當(dāng)同時(shí)存在多個(gè)運(yùn)動(dòng)物體時(shí)，估計(jì)精度也會(huì)很大程度的降低。并且，在進(jìn)行濾波的過(guò)程中帶來(lái)很大的運(yùn)算問(wèn)題。

基于相位的方法，通過(guò)帶通濾波器輸出圖像中的相位特性，利用輸出的相位特性來(lái)確定光流。以瞬時(shí)運(yùn)動(dòng)為定義分速度的依據(jù)，然后依據(jù)尺寸、速度和定向分離輸入信號(hào)。

基于神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)的方法[14]目前還不太成熟，但是隨著人工智能和生物視覺(jué)的研究不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)必然會(huì)得到快速的發(fā)展，并且對(duì)光流的計(jì)算具有非常重要的意義。

本文基于梯度的方法基礎(chǔ)上實(shí)現(xiàn)對(duì)圖像中光流的計(jì)算，該方法是目前對(duì)光流的計(jì)算中比較主流的方法，可靠性較其他方法高，能較為準(zhǔn)確地實(shí)現(xiàn)算法中對(duì)光流的計(jì)算。

2.1 梯度光流場(chǎng)約束方程

假定圖像[12]上像素為(x，y)，該點(diǎn)在t時(shí)刻的灰度值為D(x，y，t)，在t+dt時(shí)刻，該點(diǎn)運(yùn)動(dòng)到新的位置像素為(x+dx，y+dy)，該點(diǎn)所對(duì)應(yīng)的灰度值為D′(x+dx，y+dy，t+dt)。

根據(jù)數(shù)學(xué)微分思想，當(dāng)dt→0時(shí)，D=D′。即

在圖像灰度緩慢變化的情況下，將(x+dx，y+dy，t+dt)=(x，y，t)進(jìn)行泰勒級(jí)數(shù)展開

D′(x+dx，y+dy，t+dt)≈D(x，y，t)+

(4)

dy，t+dt)-D(x，y，t)

(5)

又因?yàn)椋篋=D′

D′(x+dx，y+dy，t+dt)-D(x，y，t)=0

(6)

所以

(7)

等式左右兩邊同時(shí)除以dt，即

(8)

Dxu+Dyv+Dt=0

(9)

式中，Dx，Dy，Dt分別表示參考點(diǎn)灰度隨x，y，t的變化率；u和v分別表示參考點(diǎn)沿著x和y方向的移動(dòng)速度。

式(9)便是光流基本方程，寫成向量的形式為

ΔD·u+Dt=0

(10)

式中，ΔD=[Dx，Dy]表示梯度方向；u=[u，v]T表示光流。

式(10)為該點(diǎn)像素值的光流約束方程。u和v組成一個(gè)二維平面坐標(biāo)系，約束方程的u=[u，v]T都在式(9)這條直線上，如圖3所示，該直線與梯度ΔD=[Dx，Dy]垂直。由于此方程中包含二維坐標(biāo)系中橫縱坐標(biāo)兩個(gè)未知數(shù)，一個(gè)方程式無(wú)法確定兩個(gè)未知數(shù)，為求解光流場(chǎng)，必須添加新的約束條件。

圖3 光流基本方程所確定的約束線

2.2 常用的基于梯度的光流計(jì)算方法

(1)運(yùn)動(dòng)場(chǎng)平滑

假定光流在圖像中是平滑變化的。即運(yùn)動(dòng)場(chǎng)既可以滿足約束方程，也可以符合全局平滑性。將光滑性測(cè)度和加權(quán)微分約束測(cè)度進(jìn)行結(jié)合，通過(guò)設(shè)置加權(quán)參數(shù)平衡約束微分和光滑性微分。

(2)預(yù)測(cè)校正

通過(guò)對(duì)光流的估計(jì)實(shí)現(xiàn)運(yùn)動(dòng)物體的運(yùn)動(dòng)預(yù)測(cè)和校正。假設(shè)在一個(gè)很小的區(qū)域內(nèi)運(yùn)動(dòng)矢量不發(fā)生變化，利用數(shù)學(xué)中最小二乘法的思想估計(jì)光流值，這是在像素的基礎(chǔ)上對(duì)光流進(jìn)行計(jì)算，實(shí)現(xiàn)在圖像中利用像素值對(duì)運(yùn)動(dòng)物體進(jìn)行預(yù)測(cè)估計(jì)。

(3)平滑約束

平滑約束是由Nagel提出的一種面向平滑的約束，這種方式并沒(méi)有將約束放在梯度變化最劇烈的方向，這樣便可以有效地處理視頻圖像中對(duì)運(yùn)動(dòng)物體與所在背景中存在的遮擋。

3 基于光流法檢測(cè)列車的鐵路作業(yè)防護(hù)策略算法

算法主要是對(duì)鐵路作業(yè)現(xiàn)場(chǎng)進(jìn)行視頻實(shí)時(shí)檢測(cè)，基于光流場(chǎng)的鐵路作業(yè)現(xiàn)場(chǎng)車輛檢測(cè)算法，通過(guò)現(xiàn)場(chǎng)拍攝的視頻驗(yàn)證了該算法的可行性，在檢測(cè)到的視頻中，可以檢測(cè)到視頻中的運(yùn)動(dòng)物體，并且對(duì)捕捉到的運(yùn)動(dòng)物體進(jìn)行區(qū)分和識(shí)別[13]。

模式識(shí)別是指對(duì)事物或現(xiàn)象所攜帶的信息進(jìn)行描述、辨別、分類和解釋[14]。本文選取向量機(jī)SVM(SupportVectorMachine)機(jī)器學(xué)習(xí)方法[15，16]來(lái)實(shí)現(xiàn)區(qū)分行進(jìn)中的列車及其他運(yùn)動(dòng)物體，此方法具有針對(duì)小樣本數(shù)據(jù)學(xué)習(xí)的優(yōu)勢(shì)、預(yù)測(cè)算法簡(jiǎn)單、容易移植和魯棒性較好的特點(diǎn)。

基于光流場(chǎng)的視頻檢測(cè)運(yùn)動(dòng)物體的步驟如圖4所示。

圖4 光流法檢測(cè)運(yùn)動(dòng)物體的步驟

首先，對(duì)采集到的視頻信息進(jìn)行讀取，然后將其轉(zhuǎn)化為灰度圖后進(jìn)行光流場(chǎng)計(jì)算，對(duì)光流場(chǎng)的閥值進(jìn)行分割得到二值圖像，如果光流場(chǎng)某個(gè)位置的閥值很大，說(shuō)明有運(yùn)動(dòng)物體；利用形態(tài)學(xué)濾波、腐蝕和關(guān)閉對(duì)分割圖形進(jìn)行處理，統(tǒng)計(jì)行人、汽車和火車等不同對(duì)象的位置[17]及面積，通過(guò)面積的比例判斷是否為鋼軌上行駛的列車，如果檢測(cè)結(jié)果為列車，內(nèi)部ARM處理器分析后將下達(dá)電流信號(hào)，觸發(fā)報(bào)警繼電器落下(為了滿足《技規(guī)》中“故障-安全”的原則，本文設(shè)計(jì)的報(bào)警電路中將報(bào)警繼電器的后接點(diǎn)接入報(bào)警電路的控制電路中，避免由于繼電器不能準(zhǔn)確動(dòng)作而影響整個(gè)系統(tǒng)可靠性的情況，若繼電器不能吸起時(shí)，繼電器的后接點(diǎn)接通報(bào)警電路，提醒工作人員維修設(shè)備，從而實(shí)現(xiàn)整個(gè)系統(tǒng)的自檢功能)，從而接通報(bào)警電路進(jìn)行報(bào)警，如果判斷為其他運(yùn)動(dòng)物體，則進(jìn)行下一幀圖像的檢測(cè)?；诠饬鞣z測(cè)列車流程如圖5所示。

圖5 基于光流法檢測(cè)列車流程

4 實(shí)驗(yàn)與結(jié)果分析

本文選取基于梯度的方法計(jì)算光流，利用材質(zhì)球圖像序列分別將其他方法與本文選取的方法進(jìn)行仿真比較，材質(zhì)球做逆時(shí)針旋轉(zhuǎn)運(yùn)動(dòng)，利用不同方法計(jì)算光流的實(shí)驗(yàn)結(jié)果如圖6所示。表1為本文使用的梯度算法與其他兩種算法的誤差結(jié)果對(duì)比。

圖6 視頻光流

表1 圖像序列計(jì)算結(jié)果及誤差對(duì)比

圖6(a)為圖像序列的第7幀，圖6(b)為基于匹配的方法計(jì)算光流場(chǎng)，結(jié)合表1中的數(shù)據(jù)可知，該計(jì)算方法中平均角誤差比較大。圖6(c)為基于能量的方法計(jì)算光流，可以看出，光流向周圍失真，并且通過(guò)表1中的數(shù)據(jù)看出，該計(jì)算方法的標(biāo)準(zhǔn)角誤差比較大，說(shuō)明平均角誤差的波動(dòng)性比較大。圖6(d)為基于梯度的方法計(jì)算光流，可以看出，光流矢量比較清晰，而且結(jié)合表1中的數(shù)據(jù)可知其平均角誤差比較小，而且波動(dòng)性很小，就有很好的穩(wěn)定性，所以本文采用基于梯度的方法來(lái)計(jì)算光流。

本文對(duì)鐵路作業(yè)現(xiàn)場(chǎng)拍攝的視頻進(jìn)行仿真實(shí)驗(yàn)，仿真結(jié)果見圖7。由實(shí)驗(yàn)結(jié)果可知，本文的算法是基于光流法檢測(cè)來(lái)車的鐵路作業(yè)防護(hù)，檢測(cè)鐵路現(xiàn)場(chǎng)防護(hù)區(qū)段行駛車輛，取代目前人工防護(hù)和基于雷達(dá)的鐵路車輛檢測(cè)方法，由實(shí)驗(yàn)結(jié)果可知，基于光流法的車輛運(yùn)動(dòng)檢測(cè)，在檢測(cè)鐵路防護(hù)區(qū)段運(yùn)動(dòng)車輛方面效果較好，能夠準(zhǔn)確地檢測(cè)出視頻中的運(yùn)動(dòng)物體，并且可以根據(jù)運(yùn)動(dòng)物體判斷是否為鋼軌上運(yùn)動(dòng)的列車。本文采用兩個(gè)攝像頭分別對(duì)防護(hù)區(qū)段的上、下行方向進(jìn)行實(shí)時(shí)檢測(cè)，由于兩個(gè)方向的檢測(cè)以及報(bào)警方式完全相同，所以本文中以一個(gè)方向的檢測(cè)結(jié)果為例來(lái)說(shuō)明該模型的檢測(cè)結(jié)果。

圖7 基于光流法列車檢測(cè)實(shí)驗(yàn)結(jié)果

圖7(a)為原始視頻，圖7(b)為添加光流矢量的視頻，給視頻中運(yùn)動(dòng)物體進(jìn)行光流標(biāo)記，圖7(c)為經(jīng)過(guò)閥值分割和形態(tài)學(xué)濾波后的結(jié)果，可以看出能準(zhǔn)確捕捉當(dāng)前背景中的運(yùn)動(dòng)物體，視頻左邊有列車正在運(yùn)動(dòng)，所以此位置光流發(fā)生變化，視頻右上方是北風(fēng)吹動(dòng)的樹枝，所以該位置的光流也發(fā)生變化，用該算法計(jì)算列車和邊框面積的百分比，當(dāng)面積百分比大于35%時(shí)，判定運(yùn)動(dòng)物體為列車，圖中檢測(cè)到兩處運(yùn)動(dòng)物體，其中左邊物體的面積百分比接近35%，所以認(rèn)為是列車，右上角運(yùn)動(dòng)物體的面積比沒(méi)有達(dá)到預(yù)定的比值，所以沒(méi)有判斷為列車。圖7(d)正確標(biāo)識(shí)出列車的位置，通過(guò)SVM準(zhǔn)確區(qū)分運(yùn)動(dòng)的樹枝和運(yùn)動(dòng)的列車。

本文采用在實(shí)際鐵路現(xiàn)場(chǎng)拍攝的多段視頻進(jìn)行實(shí)驗(yàn)，對(duì)不同角度以及同一場(chǎng)景下的不同運(yùn)動(dòng)物體進(jìn)行提取，包括行進(jìn)中的列車、旁線公路上的汽車和其他噪聲(如：背景中有風(fēng)時(shí)晃動(dòng)的樹葉、背景更新殘影和其他旁線運(yùn)動(dòng)物體)，檢測(cè)結(jié)果見表2。

表2 運(yùn)動(dòng)物體檢測(cè)實(shí)驗(yàn)結(jié)果

從3段現(xiàn)場(chǎng)拍攝的視頻中共提取3 200不同樣本，其中列車檢測(cè)準(zhǔn)確率為98.12%，漏檢率為1.28%，誤檢率為1.06%。據(jù)統(tǒng)計(jì)，行進(jìn)中的列車共有19次漏檢，9次誤檢。在19次漏檢中有11次為目標(biāo)剛進(jìn)入攝像機(jī)的拍攝范圍，目標(biāo)在視頻中顯示比較小，但是隨著距離越來(lái)越近，也能夠準(zhǔn)確地檢測(cè)出并且標(biāo)定；8次為在列車與攝像機(jī)所在位置非常近的時(shí)候，此時(shí)列車在圖像中的面積比例相當(dāng)大，不過(guò)作為檢測(cè)防護(hù)系統(tǒng)，這樣的情況對(duì)系統(tǒng)有列車進(jìn)入防護(hù)區(qū)段進(jìn)行提前報(bào)警可靠性沒(méi)有影響。9次誤檢中，有7次是與攝像機(jī)所在位置比較近物體，在圖像中所占的面積比例比較大，風(fēng)吹晃動(dòng)的大樹也被檢測(cè)出；還有2次是旁線公路上出現(xiàn)堵車現(xiàn)象，把好幾輛車連起來(lái)檢測(cè)為列車，因?yàn)槠綍r(shí)訓(xùn)練的樣本與這幾種情況的光流相似，所以SVM誤檢為列車。

旁線汽車檢測(cè)共發(fā)生10次誤檢和16次漏檢，10次誤檢中有8次是旁線汽車所在位置距離攝像頭防護(hù)區(qū)段較遠(yuǎn)，汽車的行駛速度比較慢，和平時(shí)訓(xùn)練樣本的光流相差較大，被誤檢為其他噪聲；還有2次是旁線行駛的汽車長(zhǎng)度大，并且持續(xù)直線行駛，與平時(shí)訓(xùn)練的列車樣本光流相似，被SVM誤檢為列車。

其他噪聲檢測(cè)中16次誤檢和11次漏檢，16次誤檢中有7次是距離攝像頭較遠(yuǎn)的旁線運(yùn)動(dòng)物體誤檢為背景更新殘影所造成的噪聲，9次是將距離攝像頭較遠(yuǎn)的較大移動(dòng)物體誤檢為背景中晃動(dòng)的樹葉；11次漏檢中有10次是背景中的樹葉在視頻中晃動(dòng)幅度很小，并且距離攝像頭較遠(yuǎn)；還有1次是將旁線運(yùn)動(dòng)的小物體，由于距離攝像頭太遠(yuǎn)，沒(méi)有檢測(cè)到，但是如果運(yùn)動(dòng)物體運(yùn)動(dòng)到攝像頭的合理位置，肯定也會(huì)檢測(cè)到，并且這樣的情況不影響本文防護(hù)系統(tǒng)的可靠性。

對(duì)于整個(gè)系統(tǒng)而言，本文所設(shè)計(jì)的策略能夠增強(qiáng)人工防護(hù)的可靠性，還能避免雷達(dá)系統(tǒng)很高的誤警率，可以在實(shí)際中應(yīng)用。

根據(jù)現(xiàn)場(chǎng)的實(shí)際需求，將算法移植到ARM芯片中在嵌入式硬件平臺(tái)具體實(shí)現(xiàn)，由于對(duì)鐵路現(xiàn)場(chǎng)防護(hù)的實(shí)時(shí)性需求較高，采用的CCD攝像機(jī)最高采集頻率是25幀/s，同時(shí)采用FPGA編程計(jì)數(shù)器和ARM內(nèi)部定時(shí)器及計(jì)數(shù)器的方式對(duì)系統(tǒng)處理頻率進(jìn)行了測(cè)試，由測(cè)試結(jié)果得系統(tǒng)的平均處理頻率達(dá)到13幀/s，單幅圖像處理時(shí)間平均為0.079s。分析攝像頭的可視距離、列車的長(zhǎng)度、最高速度和旁線汽車的速度，可知該處理頻率符合實(shí)時(shí)檢測(cè)的條件。

5 結(jié)語(yǔ)

設(shè)計(jì)了一種基于光流法檢測(cè)來(lái)車的鐵路作業(yè)防護(hù)策略，通過(guò)攝像機(jī)對(duì)鐵路防護(hù)區(qū)段進(jìn)行實(shí)時(shí)監(jiān)測(cè)，防止目前鐵路作業(yè)中人工三點(diǎn)防護(hù)和雷達(dá)檢測(cè)的不足，通過(guò)視頻圖像處理的方法，將作業(yè)現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，利用光流法對(duì)運(yùn)動(dòng)物體進(jìn)行識(shí)別，同時(shí)根據(jù)運(yùn)動(dòng)物體在圖像中的不同位置的面積比，實(shí)現(xiàn)對(duì)防護(hù)區(qū)段檢測(cè)視頻中運(yùn)動(dòng)物體的辨別，及時(shí)檢測(cè)出駛?cè)敕雷o(hù)區(qū)段的列車，并且實(shí)時(shí)報(bào)警，提高作業(yè)人員的安全性。模擬實(shí)驗(yàn)表明，該算法可以準(zhǔn)確監(jiān)測(cè)出防護(hù)區(qū)段的行駛車輛，檢測(cè)準(zhǔn)確率比較高，可以準(zhǔn)確區(qū)分鐵路沿線行駛的汽車、行人以及視頻中的其他運(yùn)動(dòng)物體，提高了鐵路現(xiàn)場(chǎng)作業(yè)防護(hù)的可靠性。