車載單目攝像機下地鐵軌行區檢測與提取

譚飛剛,余志立,劉開元,李 汀

(深圳信息職業技術學院交通與環境學院,深圳 518172)

引言

目前，我國地鐵進入快速發展階段，截至2020年年底，全國45個城市開通城市軌道交通運營線路總長7 978.19 km[1]，其中地鐵6 302.79 km。安全、快速、準時等特點使得地鐵成為居民出行交通工具首選。以深圳為例，地鐵客流量由2016年的12.97億人次，增長至2019年的20.21億人次，客流量增長了55.8%(2020年因疫情影響不作參考)，公共交通的主體由常規公交向地鐵轉變。地鐵的安全、快速使得其運行環境對線路界限有非常嚴格的要求[2-4]。地鐵線路異物入侵對軌道交通安全運營構成巨大威脅，輕則中斷行車影響乘客出行，重則出現財產損失和人員傷亡事故[5-6]。2017年12月6日，深圳地鐵11號線隧道被打樁機打穿異物墜落，導致中斷行車13 h；2018年6月26日，北京地鐵機場線因大風吹入鋼板至軌行區導致接觸軌停電，導致多趟列車延誤。因此，地鐵異物侵限被定為行業一級防災響應[7-9]。因地鐵線路異物入侵具有突發性、線路環境復雜、破壞力巨大等特征，使得地鐵軌道異物侵限自動檢測技術面臨巨大挑戰[10-11]，如何利用科學技術實現異物侵限智能檢測與預警是當前軌道交通運輸亟待解決的難題[12-13]。

目前，國內外軌道交通異物入侵檢測方法主要有接觸式和非接觸式兩類[14]。接觸式檢測技術主要包含單電網檢測、雙電網傳感器檢測、光纜傳感監測技術、光纖光柵防護網技術、傾角傳感器；非接觸式檢測技術主要包含主動紅外入侵探測、激光入侵探測、雷達式微波檢測、對射型微波入侵探測、超聲波探測、固定區域視頻監測等。這些檢測技術存在對于落在軌道上的靜態異物無法測量，設備固定在軌道旁，只能實現固定區域有限距離檢測等缺陷[7]。

隨著機器視覺的快速發展，基于視頻的軌行區異物自動檢測，特別是基于車載攝像機軌行區異物檢測成為當前研究的熱點[15-16]。軌行區檢測與提取作為檢測算法的第一步，目前主要有2種方法：基于累計灰度閾值，基于邊緣檢測和霍夫直線檢測算法。基于灰度閾值檢測算法容易受光照變化影響，特別是陰影覆蓋不同軌道時，影響軌行區提取。基于邊緣檢測和霍夫直線檢測算法，直線檢測結果容易受軌旁其他設備輪廓干擾[17-18]。針對霍夫直線檢測算法的結果進行修正，解決了軌旁設備輪廓干擾問題。試驗結果表明，本文方法具有較高的速度和準確率。

1 算法描述

本文算法整體流程如圖1所示，總共包含獲取攝像機圖像、圖像預處理、Canny邊緣檢測、ROI區域提取、霍夫直線檢測、直線坐標調整和提取軌行區7個部分。首先，通過網絡攝像機獲取列車運行前方圖像；然后，進行圖像預處理操作，主要包含圖像灰度處理、高斯濾波等操作；在此基礎上再進行后續鋼軌檢測與提取操作。

圖1 算法流程

地鐵軌行區與高鐵或普鐵線路軌行區不同，其旁邊鋪設了大量軌旁設備，如線纜、信號機、接觸軌、管道等。這些設備在進行輪廓檢測時容易對鋼軌檢測造成很大干擾。如圖2所示，圖2(a)為某市地鐵三號線車載攝像機運行中拍攝畫面，圖2(b)為Canny算法檢測結果。從圖2可以看出，軌旁欄桿、圍墻及建筑物均檢測出豐富的輪廓，為減少其干擾，對邊緣圖像設置感興趣區域(ROI)。根據圖像大小(1280×720)及軌行區在圖像中位置，人工手動設置感興趣區域的4個頂點位置為(400，720)、(680，300)、(710，300)、(800，720)。

圖2 地鐵車載視頻canny邊緣檢測示例

1.1 霍夫直線檢測

霍夫變換(Hough Transform)由Paul Hough于1962年提出，并由Richard Duda和Peter Hart推廣使用，它是圖像處理領域內幾何形狀檢測的基本方法之一[19]。Hough直線檢測的基本原理在于利用點與線的對偶性[20-21]，假如在圖像空間中直線由式(1)表示，那么過某一點P(x0，y0)的所有直線參數均滿足式(2)。

y=kx+b

(1)

y0=kx0+b

(2)

式中，k，b分別為斜率和截距。

將式(2)轉化為式(3)，可以看出圖像空間中的直線與參數空間中的點為一一對應，參數空間中的直線與圖像空間中的點也是一一對應。最后，通過統計特性來實現直線檢測。

b=y0-kx0

(3)

1.2 直線坐標調整

將canny邊緣檢測后的ROI進行霍夫直線檢測，其檢測結果如圖3所示。從圖3可以看出，霍夫直線檢測雖把鋼軌檢測出來，但周圍區域多出10多條直線，特別還包含多條與鋼軌垂直的直線。

圖3 霍夫直線檢測結果

為避免上述誤檢，提高檢測準確度，對霍夫直線檢測結果進行調整，具體描述如下。

(1)計算直線斜率。利用式(4)計算每條直線的斜率。

(4)

式中，(x1，y1)，(x2，y2)分別為直線的兩個端點。

(2)利用式(5)的條件對直線進行左右分類，同時排除水平方向直線。因為在圖像中y軸向下為正，故若k<-th則將其加入右邊直線候選集，若k>th則加入左邊直線候選集。其中，th為閾值，k為直線斜率。

(5)

(3)利用式(6)的條件來排除水平偏移大的直線段，即若直線坐標滿足式(6)則移除。其中，P(x0，y0)代表直線的一個端點；xl，xr分別為鋼軌標注的x方向坐標；t為閾值。

|xl-x0|+|xr-x0|>2t

(6)

(4)求取平均坐標，將左右兩個直線候選集中直線端點坐標分別求取x、y方向的平均值，并根據平均值確定最后的直線坐標。

基于上述4個步驟后，本文th取0.3，t取20，得到如圖4所示的檢測結果。可以看出，消除了所有的干擾直線，只有2條與軌道重疊的直線。

圖4 直線坐標調整后檢測結果

1.3 軌行區提取

根據直線坐標調整后的結果，提取出左右2條直線的端點坐標，將其組成四邊形，其所形成的區域即為軌行區(圖5)。由圖5可見，兩條軌道間的軌行區基本全部準確提取，為下一步軌行區異物檢測提供ROI區域，這樣不僅可有效減少其他區域的干擾，且減少了數據處理區域，可有效提高處理速度。

圖5 軌行區提取結果

圖6 與經典霍夫直線檢測結果對比

2 實驗

2.1 實驗設置

通過在列車駕駛室操縱臺前放置一臺攝像機，以列車司機視角拍攝列車運行前方畫面的方法來采集數據，數據來源于某市地鐵3號運營線路，包含地面、高架和地下隧道3種場景。視頻總時長3 h，視頻分辨率為1 280×720。實驗仿真平臺采用配置為CPU：Intel i5-8265U，運行內存8GB內存，搭載64位Windows10系統的筆記本電腦，編程環境為python 3.8+opencv 4.1。

2.2 結果分析

根據露天、室內、隧道等場景存在光照、背景環境等差異，選擇地面軌道、地面車站、隧道軌道和地下車站4個場景進行檢測，其檢測結果如圖6所示。由圖6可見，本文所提方法能準確檢測出2條軌道，而經典霍夫直線檢測在相同參數條件下，未經任何處理時，會檢測出許多額外的直線段。

為評價各算法邊緣檢測效果，采用區域重疊率進行比較，其計算方法如式(7)所示。

(7)

其中，Au，At分別為算法提取軌行區面積和標注的軌行區面積；p∈[0，1]，其值越大，表面算法提取的區域約接近真實區域。

選用文獻[20]的方法與本文方法進行對比，其對比結果如表1所示。從表1可以看出，雖然文獻[20]的方法在時間上比本文方法稍快一點，但其準確率遠低于本文方法。

表1 不同算法對比

3 結論

針對地鐵軌行區異物檢測關鍵技術之一的軌行區檢測與提取問題，提出一種基于霍夫直線檢測的改進方法。通過對霍夫直線檢測結果進行處理，根據直線斜率等參數過濾掉水平方向及鋼軌偏離大的直線后，構建候選直線集合；然后對候選直線集合進行平均處理，改善直線間斷開的問題；從而計算出直線兩個端點，準確檢測出鋼軌，進而有效提取出軌行區域，為后續軌行區的異物檢測提供基礎。通過對比實驗，其結果表明，本文所提方法可有效應對地面區間、地面站臺、地下隧道及站臺處的軌行區檢測。