鐵路線路障礙物判識技術及應用

鄭亞宏

（中國鐵路成都局集團有限公司，成都 610081）

中國西南鐵路地處山區，鐵路沿線環境復雜，時常有落石、泥石流等極度危險的物體上道侵限，嚴重危及高速鐵路及普速線路行車安全。同時，進入鐵路線路限界中行走的人、動物等移動物體也會對動車及普通列車運行形成干擾，在安裝有“線路障礙物監測報警系統”的路段，常引起系統報警攔停列車，極大地干擾正常行車組織。

確保列車行車安全是鐵路部門的重要職責，中國鐵路各集團廣泛樹立“科技保安全”理念，增加鐵路防災設備投入。目前，建設線路防護報警設備已成為各鐵路集團公司安全保障體系中重要的一環［1］，以中國鐵路成都局集團有限公司為例，相關的防災系統有：線路障礙自動監測報警系統、基于三維模式的線路障礙自動監測報警系統、基于北斗GNSS 的鐵路及周邊地質環境自動化監測預警系統和基于時域圖像技術的線路安全自動監測預警系統等［2］。在中國國家鐵路集團有限公司指導推廣使用的中國鐵路北京局集團有限公司科研所研發的“線路障礙自動監測報警系統”基礎上，中國鐵路成都局集團有限公司部分主干線路已經安裝了自主研發的“基于三維模式的線路障礙自動監測報警系統”（簡稱3D OIMA 系統）。

1 激光雷達掃描與圖像識別技術

激光雷達技術在鐵路線路障礙物的自動監控報警中逐漸成為主流應用，主要原因是激光雷達抗環境干擾能力強，掃描范圍大、精度高，彌補了視頻傳感器的缺點。

近年來，多線程掃描的激光雷達技術被廣泛應用在鐵路線路障礙物的自動監控報警掃描前端裝置中。激光雷達可對整個防區進行掃描成像，獲取防區內立體的三維點云圖像信息，通過點云算法對高出軌面上方物體的位置、高度、動靜等多種形態進行全方位識別，使監測報警系統具有準確的多目標識別能力［3］。當然，由于鐵路環境復雜和環境氣候條件限制，單一傳感器很難保證不發生漏報的可能，而一旦發生漏報，導致的后果將是致命的。

視頻監控也被廣泛應用于鐵路部門，從鐵路全方位安全的角度出發，除了站場安設有大量視頻設備外，未來幾年鐵路區間線路也將實現視頻全覆蓋，視頻監控系統將代替人工巡查線路設備［4-5］。隨著視頻AI 技術的不斷發展，視頻攝像機也已實現對具體場景算法的前置集成。但單獨靠視頻圖像識別異物侵限方法仍存在很多風險，如識別物體位置信息不夠精確，同一景深障礙物疊加遮擋等，此類風險極大可能造成誤判。視頻圖像智能判斷在鐵路區間線路現場使用時，經常有小型動物上道停留，監控系統誤將其判斷成障礙物而報警攔停列車。智能圖像算法對于小型動物分類已經運用成熟，因此運用激光雷達數據和視頻圖像數據融合，能夠準確地檢測到異物侵入防區并對入侵物體進行分類，判斷入侵物體屬性，屏蔽掉小型動物上道停留引起的報警，能夠明顯提高“基于三維模式的線路障礙自動監測報警系統”有效報警率。

1.1 數據的坐標標定

數據層融合的基礎是數據空間的坐標標定。不同傳感器獲取不同的信息數據，同時傳感器所在的坐標系也不相同。因此，多傳感器數據融合前，需對不同的傳感器進行相對坐標標定，以確定不同傳感器在空間坐標內的相對坐標。

實際應用中，三維掃描前端裝置通過多線激光束，對三維空間防區立體掃描，實時獲取各個掃描點的空間坐標信息，每秒可獲取64 萬數據點。激光雷達在掃描過程中獲取的是極坐標值（r，θ，φ），通過直角坐標轉換公式將極坐標值轉換為直角坐標系值（x，y，z）。獲取到防區內的有效信息后，根據目標特征，提取出包括鐵軌，枕木、周邊環境信息及侵入防區的物體。

不同傳感器的空間坐標標定主要有兩種方法［6］：（1）傳感器世界坐標系標定：將不同傳感器坐標都轉換到世界坐標系中。（2）傳感器相對標定：通過固定特征點尋找不同傳感器之間原始數據的匹配關系。

采用傳感器相對標定的方法，在視頻采集裝置的圖像中尋找到相應的三維掃描前端裝置探測的對應點。通過特征點匹配，確定三維掃描前端裝置與視頻采集裝置的相對位置坐標。

在基于三維模式的鐵路線路障礙監測報警系統中，三維掃描前端裝置與攝像頭都是固定安裝的，設備視角也固定不變。因此，只需確定防區內的特征點位置，通過透視變換算法即可確定三維掃描前端裝置與攝像頭的相對數據關系，進而進行數據融合。數據融合后，通過嵌入式處理服務器，對獲取到的信息，綜合判斷，輸出有效的報警數據。同時，通過分類算法對目標分類，發揮出各傳感器的探測優勢，提高系統判識的準確性，減少漏報與誤報［7］。

1.2 數據融合

選擇合適的數據融合方法是多傳感器數據融合技術的應用關鍵。根據實際融合的數據和層次，可分為3 種融合方式［8］：

（1）數據層融合

直接把采集到的原始數據進行融合，適合同類型傳感器數據采用。不同類型傳感器的數據直接融合是困難的，可通過特定關聯算法來實現。

（2）特征層融合

特征層融合屬于中間層次的融合，它先對來自傳感器的原始信息進行特征提取（特征可以是目標的邊緣、方向、速度等），然后對目標狀態和特性信息進行綜合分析和處理。

（3）決策層融合

不同類型的傳感器觀測同一個目標，每個傳感器數據在本地完成基本的處理，使用不同算法輸出對所觀察目標的初步結論。綜合各傳感器的判識結果，進行決策層融合判識，最終獲得融合推斷結論。

3 種融合方式優缺點比較如表1所示。

表1 融合層次優缺點比較表

1.3 數據融合實踐

鐵路沿線環境復雜，單一傳感器探測獲取到的信息不夠全面，而用戶對系統的判識準確性要求極高，即：杜絕漏判減少誤判。由于不同類型傳感器數據直接融合難度大，算法復雜，在此不討論實踐過程。

1.3.1 特征層融合實踐

視頻圖像智能識別與三維掃描前端裝置數據融合是通過將視頻和激光雷達傳感器數據通過融合算法，獲取目標物多種狀態信息和分類信息。相較于單一傳感器，視頻圖像智能識別與三維掃描前端裝置數據融合獲取信息的更加豐富，判識更加準確可靠，相應的數據融合流程如圖1所示。

圖1 數據融合流程圖

實踐結果表明，該融合方式算法復雜，判識結果不理想。

1.3.2 決策層融合實踐

在鐵路線路障礙監測報警系統中，采用視頻圖像智能識別與激光雷達數據融合，獲取監測防區內有效的數據，綜合比較可知，選擇決策級融合可行性最高。當單一傳感器出現錯誤時，計算機經過融合處理后，依然能得到準確有效的報警數據。三維掃描前端裝置數據與攝像機圖像數據融合的流程如圖2所示。由于采用的是決策級融合，因此在對兩種傳感器數據進行融合前，各傳感器系統先對自身數據做處理，提取出確定的目標，最后在同一坐標系下做加權融合。

圖2 數據融合目標處理圖

1.4 基于三維模式的線路障礙自動監測報警系統簡介

作為中國鐵路成都局集團有限公司異物侵限主要防護設備，基于三維模式的線路障礙自動監測報警系統主要由數據采集裝置、現場監控裝置及監控中心3 大部分組成，系統處理流程如圖3所示。

圖3 系統處理流程圖

1.4.1 數據采集裝置

數據采集裝置主要包括三維掃描前端裝置、視頻采集裝置和數據處理裝置。數據采集裝置的主要功能是三維掃描前端裝置對設定防區進行持續不間斷掃描成像，并將所采集到的數據送入處理裝置。同時現場視頻采集裝置采集到的圖像數據實時上傳至前端的數據處理裝置，通過數據處理裝置完成對采集到的數據進行融合分析，對現場設定防區內的入侵物狀況進行及時處理和判斷。最后，將分析后的判斷結果上傳至現場監控裝置。

1.4.2 現場監控裝置

現場監控裝置包括工控機、遠程控制模塊、報警裝置和環境監測裝置，各部件主要功能如下：

（1）工控機負責對數據采集裝置上傳的數據進行綜合管理、存儲和分發，并對現場的報警裝置發出報警指令。

（2）報警裝置包括安裝在來車方向線路邊距離防護點50 m 以遠的鐵路信號燈、無線列調語音報警裝置、防區報警喇叭，軟件實現報警短信推送。

（3）遠程控制模塊實時獲取數據采集裝置（三維掃描前端裝置、視頻采集裝置）、工控機、報警裝置及環境監測裝置等重要裝置的工作狀態信息。監測系統內每個重要模塊之間通信及工作狀態，一旦現場設備出現故障，可快速定位出出現問題的裝置，并通過遠程客戶端實現遠程對現場的設備的控制，無需到現場即可對現場的裝置進行操作。比如現場有施工作業可以遠程關閉報警設備。

（4）環境監測裝置包括風速、風向、雨量及環境溫濕度傳感器，主要用于實時獲取現場環境信息。環境監測裝置可設置報警閾值，若現場環境惡劣，指標達到報警閾值時，則在客戶端顯示輔助報警信息，對監測人員進行惡劣天氣提示，加強現場觀測。

1.4.3 監控中心

監控中心包括中心服務器和客戶端，兩者主要功能如下：

（1）中心服務器可實現系統信息儲存、客戶端連接控制、現場監控裝置連接控制及系統數據存儲等功能。

（2）客戶端實現設備參數設定、狀態監測、報警信息處理、報警數據查詢和報警數據本地存儲等功能。

2 數據融合報警應用

2.1 現場試驗測試

在系統正式部署至實際鐵路環境前，該系統部署于模擬試驗場地中進行試驗測試。前端三維掃描裝置與攝像頭均采用立桿式安裝，安裝高度為3 m。安裝固定位置后，前端三維掃描裝置自動對軌道進行激光掃描，根據錄入的系統數據信息，自動設置防區，完成軌道識別基礎數據建立，并根據點云數據計算繪制出的掃描圖像。激光雷達設備和視頻設備對各自相對位置進行標定，數據通過現場控制裝置進行數據融合。

根據《線路障礙自動監測報警系統暫行技術條件》［9］和《基于三維模式的線路障礙自動監測報警系統技術條件》［10］，對落石、行人、泥石流等多種狀態的異物入侵進行長期嚴格的測試。測試結果表明，“基于三維模式的線路障礙自動監測報警系統”適用更復雜的場景，可實現對侵限異物目標分類和精準判斷。在模擬試驗場地進行的針對性測試時，針對測試目標包括行人、小動物等各類測試數百次，測試數據基本充分。

模擬環境的測試結果表明，采用融合技術系統能夠對落石、停留于防區的行人、泥石流（模擬）、小動物等場景實現及時報警，并對入侵的障礙物種類進行準確的識別。

2.2 測試數據分析

通過已部署在滬昆鐵路某處的設備獲取到了現場采集到的數據，并將現場的激光雷達數據和視頻數據分別導出，存入到數據處理裝置中進行數據融合分析。經過對停留于防區的行人、落石、模擬泥石流和列車等測試數據進行融合分析，系統均可準確的對進入到防區的障礙物種類進行準確的識別，有效地減少誤報。

對某一時間段的報警數據統計，如表2所示。

表2 報警數據統計表（次）

由表2可知，融合數據測試均可對目標實現識別，且識別率大于技術條件要求的95%，高于技術標準要求。同時，系統配置有視頻備份，可對發生報警的現場全程錄像，為事后溯源分析提供便利。

3 結束語

目前，安設在滬昆鐵路某處的“基于三維模式的鐵路線路障礙監測報警系統”已在高溫、大雨、濃霧的環境中穩定工作近兩年。該報警系統采用數據融合技術對入侵障礙物進行準確的識別分類，自動準確識別列車臨停、移動的行人及小動物等復雜場景，提高了線路障礙物自動監測報警系統的有效報警率，有效杜絕了漏判。

異物侵限報警系統是鐵路行車安全防護的重要設備，對報警的實時性要求極高，現有技術條件給予報警算法處理的時間只有14 s。通過系統研發實踐，結合鐵路應用的實際，可得出如下結論：（1）數據層融合難以使用在多型傳感器的復雜系統中；（2）特征層融合在兩個不同型傳感器系統中算法復雜，判識結果不理想，主要原因是算法的復雜性及時效性限制；（3）決策層融合數據算法成熟，判識準確，在模擬環境和實際應用中測試結果理想。