地鐵車輛障礙物檢測技術應用分析

柳 召

（中鐵第一勘察設計院集團有限公司，陜西 西安 710043）

障礙物檢測技術是近年來隨著計算機視覺和人工智能技術的快速發展而興起的一種新型技術。通過對地鐵車輛周圍環境進行實時監測和分析，該技術能夠及時發現并處理潛在的障礙物，從而有效避免事故的發生。與傳統的障礙物檢測方法相比，基于計算機視覺和人工智能的障礙物檢測技術具有更高的準確性和實時性，能夠更好地適應地鐵車輛運行環境的特點。

1 系統功能需求與運行平臺

1.1 功能需求

城市地下軌道交通系統設計有實現高速行進，通常速度范圍為80～100 km/h，為滿足緊急制動需求，該系統能夠在400 m范圍內安全停車。因此，該系統裝備了多項關鍵的偵測技術以確保運行安全。首先，鑒于大部分軌道位于地下，環境缺乏光照，偵測技術必須具備在光線不足情況下準確識別前方潛在障礙物的能力。其次，該技術應能實時檢測前方軌道上的障礙物，并能夠對警報級別進行區分，以便快速作出反應。最后，系統需要維護并更新關于障礙物的數據記錄，為未來的分析提供便利。通過這一系列精細和高效的技術措施，顯著提高了地下鐵路系統的安全性和可靠性。

1.2 運行平臺

經過對包括基于數字信號處理技術的平臺、基于嵌入式ARM架構的平臺以及工業個人電腦（IPC）平臺等多種方案的全面評估后，本研究團隊選擇以工控機為基礎架構，以實現地鐵車輛障礙物檢測系統的部署。此決策基于以下關鍵因素：與以DSP為核心的平臺相較，工控機具有更短的開發周期優勢；與基于ARM架構的平臺比較，工控機在處理大量圖像數據方面顯示出更高的效率。所采納的工控機配置如下：其核心處理器選用Intel Core i5-4590（主頻3.30 GHz），配備8 GB內存。在成像設備方面，研究組配置了視角為51.46°的攝像頭，搭配尺寸為6.4 mm×6.4 mm、ISO感光度為100、焦距為15 mm的感光芯片。原始攝像機拍攝的分辨率為1 280×720，經過處理的圖像分辨率調整為640×480。系統中并行設置了兩個光軸互相平行的攝像頭，從而為地鐵車輛障礙物檢測系統提供了高效能和高精準度的硬件保障，進而確保了基于此硬件組合的操作優化。

2 系統架構與硬件設計

2.1 系統架構與功能模塊

在獲取詳細圖像信息的過程中，可見光成像技術因其在特定領域展現出的顯著優勢而不可或缺。同樣，紅外成像技術因其對環境光變化的高度不敏感性，在特殊環境條件下展示出額外的價值。基于對這些獨特性的認識，開發了一種結合紅外與可見光成像技術的方法，該方法旨在地鐵運行環境中有效識別障礙物信息，并通過車載系統的支持實現成像系統的獨立運作。在地鐵運行過程中，該障礙物視覺檢測系統承擔著至關重要的圖像識別職能，主要用于檢測行進路徑上可能出現的障礙物。總體而言，該障礙物視覺檢測系統集成了多個關鍵組件，包括圖像采集與處理、行為分析、用戶界面交互、地鐵車輛通訊接口以及全方位的服務支持。在圖像采集模塊方面，系統將紅外與可見光感測技術進行了集成，并通過中央控制單元同步這兩種成像技術，以期在檢測結果上達成互補效果。為了精確捕獲障礙物的圖像信息，該系統采用了立體視覺校正技術，精確校準了紅外成像與可見光成像之間的空間位置關系，有效消除了圖像畸變，并確保了兩個成像系統在空間坐標上的一致對應。此外，該校正過程利用MatLab進行參數標定，并將標定結果以XML格式記錄，然后借助OpenCV庫的函數進一步微調兩套系統中相機的參數，以優化障礙物圖像的重現質量。信息處理模塊的角色至關重要，其主要任務是對障礙物進行準確識別。該模塊先將獲得的圖像數據進行二值化處理，之后，通過采用邊界元素法與經驗模態分解（BEEMD）算法，實現紅外與可見光圖像的有效融合。接著，利用YOLO（You Only Look Once）算法精確識別障礙物種類。基于所識別的障礙物信息，行為分析模塊便承擔起調節地鐵速度的職責，通過加速或減速來適應行駛條件。而用戶界面模塊則旨在提升與用戶的互動經驗，通過在顯示屏上詳細展現地鐵運行情況、預測的障礙物及其他關鍵信息，并配置緊急停車按鈕，進一步優化了地鐵的調試與操作流程。至于列車接口模塊，它集成了引擎和制動控制系統，關鍵在于調節地鐵的牽引力并執行制動過程。上位工控機的職責是對障礙物檢測系統進行全面管理與數據存儲，它不僅監控整個服務模塊的運行，還處理所有與障礙物檢測相關的數據信息。

2.2 系統硬件設計

在地鐵障礙物檢測系統的構造方面，該系統由若干關鍵性組件構建而成（如圖1），這些組件包括但不限于系統主控單元以及紅外與可見光成像設備。系統主控單元的主要職責為收集和分析通過紅外及可見光成像裝置獲取的視覺信息。一旦在分析過程中檢測到障礙物存在，系統將立即通過激活繼電器的方式啟動地鐵的緊急制動功能。

圖1 系統硬件

3 系統軟件實現方法

在地鐵障礙物檢測系統的初始階段，首先執行的是紅外與可視光攝像系統的初始化程序，目的在于為接下來的圖像采集工作做準備。在地鐵運營的全過程中，該系統持續對軌道進行實時監測，以便及時發現任何潛在的障礙物。該系統采用了先進的YOLO障礙物識別技術，能夠高精度識別出軌道上存在的障礙物，并在檢測到障礙物的第一時間，迅速激活警報系統。隨后，地鐵司機在接收到警報信號后，將即刻采取相應措施，調整列車速度，確保旅客安全。重要的是，所有的障礙物檢測數據、列車運行數據以及報警信號等重要信息都會被詳細記錄在控制系統的上位機中，并保留以供后續的深入分析和處理之需。

4 圖像處理實現

4.1 圖像預處理

在紅外和可見光成像系統捕獲圖像時，外部環境因素容易對成像質量造成干擾，進而影響圖像的清晰度和解釋準確性。為了降低這些干擾的影響，對獲取的圖像實施精確的預處理措施是至關重要的環節。在眾多預處理技術中，Otsu算法因其獨特的邏輯結構而廣泛應用于圖像的二值化處理，其處理過程不僅大大簡化了圖像內容，也為進一步的圖像分析打下了堅實的基礎。Otsu算法的核心目的是對圖像中的不同區域進行劃分，使之成為具有獨特特征且互不重疊的區域，從而提供了分割精度的優化，這是提高后續圖像后處理工作效率和質量的關鍵環節。自Otsu算法推廣以來，其直觀的處理邏輯和高效的計算性能在眾多應用場景中展現了出色的圖像分割能力，因此受到了廣泛的研究和應用。該算法最顯著的特點是，依托于一維直方圖分析，它能夠自動最大化類間方差，以尋求最優的閾值劃分，無需復雜參數設定，極大地提高了操作的便捷性。Otsu算法所依據的圖像分割策略基于數學統計學和模糊理論，通過合理選取和實施算法，有效提升了圖像處理的精確性和效率。

4.2 紅外與可見光圖像融合

在成像技術中，紅外和可見光系統捕捉視覺信息的差異顯著，需通過圖像融合技術綜合各自優勢，全面捕獲信息。邊界擴展的經驗模態分解（BEEMD）算法，以其優異的高斯白噪聲分析能力，通過生成不同噪聲水平的圖像副本和改進的BEMD處理，有效提取高質量的圖像特征及殘余分量，極大增強了圖像處理的精確性。BEEMD算法通過引入高斯白噪聲，增加極值點的局部數量，有助于改進圖像分解質量，解決模態混疊問題，提升算法性能。

圖像融合技術的實施遵循一系列系統化且精確的步驟。首先，通過按比例引入高斯白噪聲，確保其在圖像全域內的均勻分布。隨后，采用對稱擴展技術對待融合圖像進行預處理，并生成含有高斯白噪聲的圖像副本。基于BEMD算法，對這些噪聲強化后的圖像進行逐一分解，目的是提取各個圖像的內在模態分量（IMF）。通過對這些IMF分層分量進行平均處理，生成了準備融合圖像的顯著特征部分EIMF，并據此計算出相應的殘差部分Res。在項目實施初期，設定了分解的層次為1，并制定了上限，確保了分解步驟的有序進行。將待分解的圖像視為殘差部分，對各層IMF進行計算處理。此計算過程完成后，得到了各層的IMF分量及其殘差，隨后通過平均化過程，得到了各層預期融合圖像的顯著特征部分EIMF。為了提高融合過程的精確度，特別引入了IMF篩選的終止條件，基于Cauchy型的收斂準則，當測定值SD低于預設的閾值（設為0.2）時，篩選過程即告終止。接著，對目標紅外圖像和可見光圖像分別進行分解，以獲得其各自的EIMF和Res部分。進一步地，采納了一種基于局部區域能量的融合策略，巧妙地將兩種不同類型圖像的EIMF融合，形成了融合后的EIMFci。最終，通過應用模糊邏輯規則，將Resai與Resbi融合得到Resc，并將EIMFci與Resc進行重疊，實現了圖像的全面融合。

5 障礙物檢測的實現

整合紅外與可見光成像技術，文章首先采集地鐵前方障礙物的圖像數據，然后對所得圖像進行必要的預處理及融合。本方法采用YOLO（You Only Look Once）算法來進行障礙物的精確識別，該算法通過Darknet53模型架構，有效提高地鐵途徑上障礙物的檢測率。Darknet53由53層卷積層構成，該架構采用分層分析技術對圖像執行高級處理，例如在重要的預測層之前執行上采樣操作，并在之后的預測層中增加卷積層，以改善圖像特征分辨率。該網絡對包含目標的圖像進行分割，劃分為多個網格，并對每個網格進行逐層卷積以檢測潛在的目標物體。識別出含有目標物體的網格隨后將被調整位置，實現目標的精確定位。在此過程中，網絡根據特定程序執行圖像的卷積與池化操作，提取關鍵特征，隨后通過上采樣技術將圖像恢復至原尺寸，并通過全連接層輸出最終結果。在YOLOv3算法的應用中，對于256×256像素的輸入圖像，系統能夠識別至少8×8像素大小的最小特征，這一點在地鐵運行過程中有利于遠距離障礙物的檢測。

6 實驗探究

構建一個適應于地鐵輪距標準（即1 435 mm寬度）的功能化檢測試驗平臺。該平臺裝配有機械結構，并且在距離平臺1.6 m的高度位置配置了攝像系統。通過采用內外參數矩陣的方法，實現了圖像中鐵軌與現實鐵軌間的精確映射。考慮到城市軌道交通的運行特征，文章提出了一種新穎的外部參數計算模型，該模型基于攝像設備鏡頭平面與水平面之間的夾角測定內部參數。在完成試驗平臺的建設后，固定安裝攝像設備，并準確測量了攝像機鏡頭與水平面之間的夾角為5°。通過電纜連接平臺各個部件，實現了試驗平臺沿著軌道進行緩慢移動的功能。盡管此設置不能完整模擬列車的動態行駛過程，但足以掃描并檢測鐵軌邊緣的潛在障礙物。通過對數據處理時間的細致分析，仿真出列車的實際行駛狀態，從而使系統能夠在移動中準確執行障礙物探測任務。進一步實驗設計包括在地鐵實際行駛過程中對障礙物檢測系統的性能進行測試，通過安裝紅外線和可見光成像系統，并啟動障礙物識別程序進行實際操作，同時收集圖像信息以建立一個全面的檢測數據庫。一旦系統探測到障礙物，即立即發出警報，否則不會對列車的正常行駛產生任何干擾。為了驗證系統在直線軌道上的障礙物檢測能力，將試驗平臺設置在鐵軌上，并使用人形物作為障礙物進行模擬實驗。試驗中設定鐵軌長度為11.8 m，以確保攝像機能夠準確識別鐵軌，滿足直線檢測的準則要求。

7 結語

通過系統功能需求與運行平臺、系統架構與硬件設計、系統軟件實現方法、圖像處理實現以及障礙物檢測的實現等關鍵環節的分析，為地鐵車輛的障礙物檢測系統設計與優化提供了理論支持和實踐指導。實驗探究部分驗證了該技術的可行性和有效性，為地鐵車輛的安全運行提供了有力保障。未來，隨著技術的不斷進步和應用領域的拓展，地鐵車輛障礙物檢測技術將在保障城市軌道交通安全方面發揮更加重要的作用。