基于機器學習的鐵路工務防洪減災監測報警裝備的研究

郭良君 徐建軍 靳亞平 任青茂

摘 要：在鐵路安全事故中自然災害造成的影響尤為嚴重。隨著鐵路大范圍開工和信息化建設，鐵路限界內的安全防護需求日益增加。本文提出了鐵路工務防洪減災監測報警裝備，利用機器學習技術的多種算法對鐵路限界內的人員侵限、異物侵限和自然災害進行圖像智能識別和實時預警。基于機器學習的鐵路工務防洪減災監測報警裝備的研制和應用能夠輔助鐵路工務部門維護鐵路交通順暢，同時其智能識別和實時預警功能為鐵路列車的安全、高速運行提供了可靠的保障。

關鍵詞：機器學習;防洪減災;圖像識別;實時預警

1 緒論

1.1 課題的背景及意義

中國地域遼闊，自然地理情況復雜。地區多山川河流，鐵路橋隧相連。每到雨季，洪水肆虐，滑坡、泥石流、塌方落石等自然災害頻繁，對鐵路運輸及安全影響極大。近10年統計表明，洪水、塌方、落石、泥石流、滑坡等自然災害對鐵路造成的重大事故占所有鐵路重大事故的87%。為了防止災害的發生鐵路部門必須投入大量的工作人員24小時不間斷地在重點地質災害區域進行巡守，但由于人力有限經常會出現巡守的重點區域未發生隱患而未派人巡守的區域發生災情，既消耗了大量的人力物力又無法在災情初期及時排查，造成鐵路安全事故。

本課題在深入研究國內外鐵路安全監控系統現狀調研的基礎上，分析災害監測技術及發展趨勢，研究大風、暴雨、大雪、泥石流、地震災害及異物侵限突發事件對列車運行安全的危害性，提出鐵路工務防洪減災監測報警裝備的研制。為鐵路提供由于滑坡、地震、泥石流等自然災害、道上滯留的人或動物等異物侵限的實時監測和預警。輔助工務部門維護鐵路交通順暢，為列車的運行安全、高速運行提供環境安全保障。

1.2 國內外研究現狀

1.2.1 鐵路傳統防護措施的現狀

如今鐵路部門大多通過在鐵軌旁安裝防護網保障鐵路安全。但這種防護網不能阻攔大型滾石、洪水、樹枝掉落以及人員翻越。

1.2.2 基于深度學習與計算機視覺圖像的現狀

在深度學習算法出現之前，視覺算法大概分為特征感知、圖像預處理、特征提取、特征篩、推理預測與識別這五個步驟。當計算機視覺采用機器學習方法的時候必須自己設計前四步驟，而手工設計特征需要大量的經驗，需要開發者對這個領域和數據特別了解，設計出來特征還需要大量的調試工作;另一個難點在于，開發者不只需要手工設計特征，還要在此基礎上有一個比較合適的分類器算法，同時設計特征然后選擇一個分類器，這兩者合并達到最優的效果，幾乎是不可能完成的任務。

深度學習算法大大提升了人工智能在語音、圖像處理等應用層面的準確度。目前計算機視覺圖像中比較成功的深度學習的應用包括人臉識別、圖像問答、物體檢測和物體跟蹤等。

1.3 本文的研究內容及章節安排

本文是基于機器學習對鐵路工務防洪減災監測報警裝備進行研究。全文分為三章節：第一章節為緒論，探討課題的背景意義以及國內外研究現狀;第二章節為系統方案設計，對系統的方案和架構進行研究;第三章節為鐵路工務防洪減災監測報警裝備的算法研究。

2 方案設計

2.1 系統方案

系統通過在鐵路線路限界外安裝高清攝像機，采集鐵路線路、護坡等位置的數字視頻信號，實時傳送至系統監控平臺。值班人員可通過系統監控平臺對多線路多監視點遠程監控。同時，系統自動對監視點數字視頻進行圖像分析、處理和識別。當鐵路線路上出現洪水、石頭掉落、滑坡體位移、泥石流、異物侵入等情況時，系統自動實時預警，輔助值班人員預判山體滑坡等自然災害及異物侵入。盡可能地在確保運行安全的前提下，還能夠降低鐵路工務工人的工作強度。系統還提供標準接口，可與運營調度系統、防洪防災管理系統等相關系統互聯互通、實現信息的共享。

2.2 系統架構

鐵路工務防洪減災監測報警裝備的系統架構為：系統在野外設有多個監測點，安裝智能監測設備。智能監測設備采集到的數字視頻信號經過處理傳到監控中心機房的Web服務器，在監控中心的值班人員通過終端設備訪問服務器上安裝的系統軟件，對鐵路多線路多監測點進行遠程監測。當值班人員對監測點的監測設備進行云臺控制時，信號由終端設備發送至Web服務器，Web服務器再將信號傳給監測點的監測設備，實現云臺控制的功能。

3 鐵路工務防洪減災監測報警裝備的算法研究

3.1 一種改進型背景差分建模算法

改進型背景差分建模算法通過收集背景樣本來構建背景模型。模型中每個像素點由至少10個背景樣本構成，背景樣本需要固定，攝像機在構建背景模型時不能抖動，類似mog算法，可以將背景像素插入在鄰域像素點的模型庫樣本中，并且該算法不受時間歷史影響，只有被分類為背景點的像素值才被插入到模型中，以保證背景模型的一致性。引入目標整體的概念，彌補基于像素級前景檢測的不足。針對updating mask和segmentation mask采用不同尺寸的形態學處理方法，提高檢測準確率。在updating mask里，計算像素點的梯度，根據梯度大小，確定是否需要更新鄰域。梯度值越大，說明像素值變化越大，說明該像素值可能為前景，不應該更新。引入閃爍程度的概念，當一個像素點的updating label與前一幀的updating label不一樣時，blinking level增加15，否則，減少1，然后根據blinking level的大小判斷該像素點是否為閃爍點[1]。閃爍像素主要出現在背景復雜的場景，如飛蟲、打雷等，這些場景會出現像素背景和前景的頻繁變化，因而針對這些閃爍應該單獨處理，算法中，默認的更新因子是32，當背景變化很快時，背景模型無法快速的更新，將會導致前景檢測的較多的錯誤。因而，需要根據背景變化快慢程度，調整更新因子的大小，將更新因子分多個等級。

3.1.1 去陰影

視頻內容分析要求比較精確的目標檢測方法。常用的背景減方法在檢測運動前景時也會檢測到運動目標投射的陰影，將陰影區域誤認為目標區可能造成運動目標粘連或者目標區域幾何變形，影響后續內容分析結果，因此去除陰影對于提高后續圖像分析的準確性提供了保障。

3.1.2 自適應閾值

閾值是基于圖像中物體與背景之間的灰度值差異，用圖像中的每一個像素點的灰度值和給定的閾值進行比較，從灰度圖像中分離目標區域和背景區域。在灰度圖像中，灰度值變化明顯的區域往往是物體的輪廓，所以將圖像分成一小塊一小塊的去計算閾值往往會得出圖像的輪廓。在鐵路工務防洪減災監測報警裝備中利用自適應閾值法，通過圖像的某個像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，保證圖像中各個像素的閾值會隨著周期圍鄰域塊的變化而變化，從而將監控中出現的侵限物體與背景區分開來。

3.1.3 自動背景建模

背景建模的基本思想是對圖像的背景進行建模，一旦背景模型建立，將當前的圖像與背景模型進行某種比較，根據比較結果確定前景目標（需要監測的運動目標）。

3.2 基于目標梯度算子軌跡跟蹤算法

在野外環境中，由于跟蹤目標較多并且難以進行識別，但又必須區分不同目標，所以使用了歐氏距離進行區分并設置了一個分割比例;分割公式為：

在分割過程中可能有重疊問題，首先進行類似A∩B形式計算求取最大公共像素位置，當達到一定比例時，一般為0.3以上認為應該去掉其中面積較小的。

最后連續采集多幀圖像，分別計算相鄰幀之間的梯度，形成一個jacobi 矩陣：

n代表第n張圖像，根據速度和位移的不同將n設置在5～25之間。形成jacobi 矩陣之后，通過計算平均差額判斷是否為該物體。

3.2.1 梯度算子（微積分）/圖像算子

圖像的邊緣定義為兩個明顯不同強度區域的過渡，邊緣點對應于一階微分幅度的極大值點以及二階微分的零點。因此，利用梯度模的極大值或二階導數為零點來提取邊緣就成為了常用的方法[2]。傳統的圖像邊緣檢測算法大部分都使用這種方法，如Roberts算子、Sobel算子、Prewitt算子、Laplace 算子和Canny算子等。

3.2.2 軌跡跟蹤

邊緣是運動目標的最基本特征，表現在圖像中就是指目標周圍圖像灰度有階躍變化或屋頂變化的那些像素集合，它是圖像中局部亮度變化最顯著的部分。邊緣檢測就是采用某種算法來定位灰度不連續變化的位置，從而區分圖像中目標與背景的交界線。圖像的灰度變化可以用灰度梯度來表示[3]。

輪廓跟蹤的思想是：

（1）根據提取的圖像邊緣，找出輪廓上的像素;

（2）根據這些像素的特征用一定的“跟蹤準則”找出物體上的其他像素;

（3）其跟蹤效果的好壞主要取決于起始點和跟蹤準則的選取兩個因素。

4 總結

鐵路工務防洪減災監測報警裝備的研究建立在自然災害頻繁的鐵路無人看守路段安全防護日益重要的實際需求之上。本文首先在第一章節中對本課題的研究背景和現實意義進行討論，對比了國內外目前鐵路的安全防護措施和計算機視覺圖像技術的現狀;其次在第二章節提出了在鐵路限界內進行智能化圖像識別以及實時預警的方案，并設計了系統的軟件架構;在第三章節本文基于機器學習的兩種技術方法：一種改進型背景差分建模算法和基于目標梯度算子軌跡跟蹤算法來實現本課題對鐵路限界內的行人列車、異物侵限和洪水等自然災害的智能識別。基于機器學習的鐵路工務防洪減災監測報警裝備的研制和應用不僅可以輔助鐵路工務部門維護鐵路交通順暢，同時其智能識別和實時預警功能為鐵路列車的安全、高速運行提供了可靠的保障。

參考文獻：

[1]何銀飛.基于改進的幀差法和背景差法實現運動目標檢測[D].燕山大學，2016.

[2]徐長祿.視頻監控中的運動目標檢測與跟蹤方法研究[D].南京師范大學，2017.

[3]趙銀妹.基于卷積神經網絡的目標跟蹤算法研究[D].燕山大學，2018.