何文韜,徐永能,譚忠磷

(南京理工大學(xué)， 南京 210094)

1 引言

隨著軌道交通運(yùn)營(yíng)規(guī)模的擴(kuò)大，列車行車安全問(wèn)題越發(fā)引人關(guān)注。列車運(yùn)行過(guò)程中的異物侵入問(wèn)題對(duì)列車運(yùn)行安全產(chǎn)生了很大的影響，因此受到了國(guó)內(nèi)外學(xué)者廣泛的關(guān)注。現(xiàn)階段的異物侵入檢測(cè)常使用機(jī)器視覺(jué)的方法，機(jī)器視覺(jué)的檢測(cè)方式不僅可以對(duì)是否出現(xiàn)侵入異物進(jìn)行準(zhǔn)確判斷，還可以對(duì)異物的位置、形狀、種類等進(jìn)行檢測(cè)識(shí)別。Chavan等應(yīng)用雙目視覺(jué)技術(shù)對(duì)車輛運(yùn)動(dòng)中的障礙物進(jìn)行檢測(cè)，并使用立體視覺(jué)進(jìn)行檢測(cè)的方法進(jìn)行了討論。Fan Yang等對(duì)車輛運(yùn)行的復(fù)雜道路環(huán)境下存在的障礙物進(jìn)行檢測(cè)，并對(duì)行駛道路圖像消失點(diǎn)檢測(cè)與道路圖像分割問(wèn)題進(jìn)行研究。徐田坤等將雷達(dá)檢測(cè)、機(jī)器視覺(jué)等相關(guān)技術(shù)相結(jié)合，提升了檢測(cè)的準(zhǔn)確率。顏光宇對(duì)軌道線進(jìn)行識(shí)別并完成了對(duì)軌道限界區(qū)域的劃分，并對(duì)無(wú)異物侵入的背景圖像的采集與列車行駛過(guò)程中采集到的圖像進(jìn)行對(duì)比采用光照魯棒性的檢測(cè)方法完成侵入異物的實(shí)時(shí)檢測(cè)。

在已有的異物侵入研究中主要是對(duì)列車運(yùn)行的軌道及其周圍很小一片區(qū)域的侵入異物進(jìn)行檢測(cè)，沒(méi)有對(duì)軌道周圍可能存在的動(dòng)態(tài)異物的軌跡進(jìn)行追蹤或預(yù)測(cè)研究。在列車運(yùn)行的過(guò)程中軌道周圍的異物可能受到環(huán)境以及列車行駛過(guò)程產(chǎn)生的活塞風(fēng)的影響，向列車行駛的軌道發(fā)生移動(dòng)，對(duì)列車運(yùn)行安全產(chǎn)生影響。所以不僅需要對(duì)列車運(yùn)行過(guò)程中軌道上的異物進(jìn)行檢測(cè)，也需要對(duì)軌道周圍的動(dòng)態(tài)異物的運(yùn)動(dòng)軌跡進(jìn)行追蹤與預(yù)測(cè)。

因此，將針對(duì)列車行駛過(guò)程的軌道周圍的動(dòng)態(tài)異物的檢測(cè)、跟蹤和軌跡預(yù)測(cè)展開(kāi)研究，利用背景幀差法對(duì)異物進(jìn)行檢測(cè)并使用融合混合高斯模型的三幀差分法對(duì)動(dòng)態(tài)異物與靜態(tài)異物進(jìn)行區(qū)分。通過(guò)具有信道和空間可靠性的判別相關(guān)濾波跟蹤器(CSR-DCF)方法與擴(kuò)展卡爾曼濾波對(duì)動(dòng)態(tài)異物的運(yùn)動(dòng)軌跡進(jìn)行處理，實(shí)現(xiàn)了對(duì)軌道周圍動(dòng)態(tài)異物運(yùn)動(dòng)軌跡的跟蹤與預(yù)測(cè)。

2 軌道周圍侵入異物的檢測(cè)與分類

2.1 侵入異物識(shí)別

前景物體識(shí)別是軌道交通異物侵入檢測(cè)的重要環(huán)節(jié)，其主要目的是將視頻中相對(duì)于背景圖像的變化部分進(jìn)行提取。前景物體的識(shí)別是為目標(biāo)物體的檢測(cè)以及物體的軌跡追蹤做準(zhǔn)備工作。前景物體識(shí)別有很多種方法，這里將會(huì)采用背景差分法來(lái)進(jìn)行對(duì)前景物體的識(shí)別。

背景差分法是在檢測(cè)背景不發(fā)生改變的情況下，識(shí)別前景物體的常用方法。具體的做法是首先將背景圖與待檢測(cè)圖像都轉(zhuǎn)換為對(duì)應(yīng)的灰度圖，并獲取對(duì)應(yīng)的灰度值矩陣。然后將背景圖對(duì)應(yīng)的灰度值矩陣與待檢測(cè)圖像的灰度值矩陣進(jìn)行減法運(yùn)算，當(dāng)運(yùn)算之后的矩陣中元素的絕對(duì)值大于某一閾值時(shí)，則可將待檢測(cè)圖像中對(duì)應(yīng)的像素識(shí)別作為前景。對(duì)于一段視頻圖像序列，用待檢測(cè)圖像(,)減去背景圖(,)，再與閾值進(jìn)行比較，最后得到二值圖像(,)。

(1)

背景差分法對(duì)前景物體的識(shí)別流程如圖1所示。

圖1 背景差分法的識(shí)別流程框圖Fig.1 Process of background difference method

利用背景差分法得到的前景物體識(shí)別結(jié)果如圖2和圖3所示。

圖2 背景圖Fig.2 Background image

圖3 背景差分法識(shí)別結(jié)果圖Fig.3 Figure of recognition result of background difference method

由上圖可知，背景差分法將一切不屬于背景且差分運(yùn)算后數(shù)值大于閾值T的前景物體都識(shí)別出來(lái)了。后續(xù)將繼續(xù)對(duì)背景差分法所識(shí)別出的前景物體進(jìn)一步判別，實(shí)現(xiàn)動(dòng)態(tài)異物與靜態(tài)異物的區(qū)分。

2.2 動(dòng)態(tài)異物識(shí)別

動(dòng)態(tài)異物是指在軌道交通安全防護(hù)區(qū)域內(nèi)不與地面保持相對(duì)靜止的物體，比如在軌道線路上跑動(dòng)的動(dòng)物、走動(dòng)的行人、飄動(dòng)的塑料袋等。相對(duì)于靜態(tài)異物，現(xiàn)階段對(duì)于動(dòng)態(tài)異物的研究還不充分。雖然軌道周圍的動(dòng)態(tài)異物在某一時(shí)刻對(duì)列車運(yùn)行安全的影響可能很小，但是在未來(lái)對(duì)列車的影響不能僅以此時(shí)刻的異物所處的位置來(lái)進(jìn)行判斷，所以需要對(duì)動(dòng)態(tài)異物的移動(dòng)軌跡進(jìn)行追蹤與預(yù)測(cè)。在此之前需要對(duì)動(dòng)態(tài)異物與靜態(tài)異物進(jìn)行區(qū)分，為后續(xù)動(dòng)態(tài)異物的軌跡跟蹤以及軌跡預(yù)測(cè)奠定基礎(chǔ)。

現(xiàn)階段常用的動(dòng)態(tài)異物識(shí)別方法是二幀差分法與三幀差分法。二幀差分法又稱幀間差分法。該方法選擇視頻圖像中的某一幀為基準(zhǔn)幀，并將之后連續(xù)的一幀視頻圖像為對(duì)照幀，并將視頻圖像數(shù)據(jù)轉(zhuǎn)換為對(duì)應(yīng)灰度圖，并對(duì)灰度圖進(jìn)行計(jì)算。然后對(duì)運(yùn)算結(jié)果進(jìn)行判斷。當(dāng)在這兩幀中存在運(yùn)動(dòng)的物體時(shí)，則物體所處位置的數(shù)值會(huì)有較大差異，此時(shí)可以認(rèn)為圖像中存在運(yùn)動(dòng)物體，并可以得到運(yùn)動(dòng)物體的輪廓。二幀差分法的公式如下所示：

(2)

式中:+1(,)、(,)分別表示第+1、幀圖像；為預(yù)先設(shè)置的閾值，當(dāng)差分計(jì)算結(jié)果超過(guò)閾值則取1，否則取0。

二幀差分法具有受物體移動(dòng)速度影響較大的缺點(diǎn)。當(dāng)物體移動(dòng)速度很慢時(shí)可能無(wú)法準(zhǔn)確的對(duì)其進(jìn)行檢測(cè)，而當(dāng)物體移動(dòng)速度較快時(shí)則會(huì)出現(xiàn)重影現(xiàn)象，使得檢測(cè)出的運(yùn)動(dòng)物體區(qū)域遠(yuǎn)大于實(shí)際區(qū)域。因使用三幀差分法對(duì)其進(jìn)行改進(jìn)，三幀差法在原理與二幀法類似。其計(jì)算公式如下所示：

(3)

(4)

(,)=(,)∩+1(,)

(5)

式中:-1(,)、(,)、+1(,)分別表示第-1、、+1幀圖像；為預(yù)先設(shè)置的閾值，當(dāng)差分計(jì)算結(jié)果超過(guò)閾值則取1，否則取0。

利用三幀差分法得到的動(dòng)態(tài)物體識(shí)別結(jié)果如圖4所示。

圖4 三幀差分法動(dòng)態(tài)異物識(shí)別結(jié)果圖Fig.4 Dynamic foreign body recognition results by three-frame difference method

如圖4中用紅色方框標(biāo)識(shí)出來(lái)的是三幀差分法動(dòng)態(tài)異物識(shí)別結(jié)果，根據(jù)識(shí)別結(jié)果我們可以看出，三幀差分法對(duì)動(dòng)態(tài)物體識(shí)別的結(jié)果效果并不好，所識(shí)別的動(dòng)態(tài)異物輪廓并不清晰。如果想要通過(guò)增加檢測(cè)幀數(shù)的方法來(lái)增加準(zhǔn)確率，則需要更多的計(jì)算資源，花費(fèi)更長(zhǎng)的時(shí)間，并且無(wú)法解決物體的中間部分識(shí)別效果差的問(wèn)題。所以將其與混合高斯模型進(jìn)行結(jié)合來(lái)對(duì)其進(jìn)行改善。

混合高斯模型認(rèn)為視頻圖像中某一個(gè)像素點(diǎn)的概率分布可以由多個(gè)不同方差與標(biāo)準(zhǔn)差的高斯分布模型構(gòu)成。所以對(duì)視頻圖像中的某一像素點(diǎn)在一段時(shí)間內(nèi)的樣本值進(jìn)行統(tǒng)計(jì)，并根據(jù)統(tǒng)計(jì)結(jié)果建立多個(gè)分布模型來(lái)模擬該點(diǎn)的數(shù)值。并且模型的參數(shù)可以動(dòng)態(tài)更新，其公式如下所示：

(6)

(7)

根據(jù)多個(gè)分布模型的均值與待檢測(cè)圖像對(duì)應(yīng)點(diǎn)之間的差值的絕對(duì)值來(lái)判斷是否屬于動(dòng)態(tài)物體。如果差值的絕對(duì)值大于3則該點(diǎn)屬于動(dòng)態(tài)物體，反之不屬于動(dòng)態(tài)物體。

然后將上述方法得到的運(yùn)動(dòng)區(qū)域與三幀差分法得到區(qū)域中對(duì)應(yīng)的像素點(diǎn)進(jìn)行運(yùn)算，并將識(shí)別結(jié)果進(jìn)行圖像處理，最終得到視頻圖像中的運(yùn)動(dòng)目標(biāo)，如圖5所示。根據(jù)識(shí)別結(jié)果可以看出，融合了混合高斯模型的三幀差分法很好的解決了識(shí)別結(jié)果空洞的問(wèn)題。

圖5 融合混合高斯模型的三幀差分法動(dòng)態(tài)物體識(shí)別結(jié)果圖Fig.5 Dynamic body recognition results of three-frame difference method fused with Gaussian mixture model

2.3 識(shí)別結(jié)果分析

當(dāng)有動(dòng)態(tài)異物侵入檢測(cè)區(qū)域內(nèi)時(shí)，通過(guò)背景差分法對(duì)其進(jìn)行識(shí)別，使用融合高斯模型的三幀差分法對(duì)侵入的異物進(jìn)行識(shí)別與判別，并對(duì)動(dòng)態(tài)異物在檢測(cè)框左上角用紅色“Dynamic”的字樣將其進(jìn)行區(qū)分，識(shí)別與分類結(jié)果如圖6所示。

圖6 動(dòng)態(tài)異物侵入識(shí)別與分類結(jié)果圖Fig.6 Identification and classification results of dynamic foreign body intrusion

為了定量分析融合混合高斯模型的三幀差分法的優(yōu)越性，將利用2個(gè)性能指標(biāo)對(duì)二幀差分法、三幀差分法、融合混合高斯模型的三幀差分法，3種算法進(jìn)行定量評(píng)價(jià)，(Percentage of correct classification)為正確分類百分比，(Precision)為對(duì)前景物體識(shí)別的準(zhǔn)確率。

(8)

(9)

根據(jù)對(duì)所采集的2 720個(gè)視頻圖像對(duì)動(dòng)態(tài)異物進(jìn)行識(shí)別，其中前景圖像為2 310個(gè)，背景圖像為410個(gè)，不同算法的識(shí)別結(jié)果如表1所示。

表1 動(dòng)態(tài)異物檢測(cè)算法結(jié)果Table 1 Results and performance comparison of dynamic foreign object detection algorithm

根據(jù)表1中對(duì)實(shí)驗(yàn)結(jié)果與性能的比較，可以得知融合混合高斯模型的三幀差分法相對(duì)于簡(jiǎn)單的二幀差分法與三幀差分法具有更高的正確分類百分比與準(zhǔn)確率，對(duì)比于二幀差分法正確分類百分比提高了13.27%，準(zhǔn)確率提高了7.3%；對(duì)比于三幀差分法正確分類百分比提高了6.8%，準(zhǔn)確率提高了3.43%。由此可見(jiàn)融合混合高斯模型的三幀差分法相比于其他常見(jiàn)方法檢測(cè)效果更好，適用性更強(qiáng)。

3 動(dòng)態(tài)異物軌跡跟蹤及軌跡預(yù)測(cè)

3.1 動(dòng)態(tài)異物軌跡跟蹤

動(dòng)態(tài)異物軌跡追蹤主要有兩類算法。一種是先對(duì)前后兩幀的視頻圖像中的運(yùn)動(dòng)物體進(jìn)行建模，然后將兩幀視頻中的模型進(jìn)行對(duì)比，其中最為相近的2個(gè)模型所處的圖像區(qū)域就是需要追蹤物體所處的區(qū)域，這類方法被稱為生成類運(yùn)動(dòng)物體軌跡跟蹤方法。另一種方法采用分類器進(jìn)行運(yùn)動(dòng)物體的軌跡跟蹤，但在軌跡跟蹤之前需要以視頻圖像中的目標(biāo)區(qū)域和背景區(qū)域作為樣本對(duì)分類器進(jìn)行訓(xùn)練，這類方法被稱為判別類算法。由于判別類算法對(duì)目標(biāo)與背景進(jìn)行了預(yù)訓(xùn)練，所以判別類的跟蹤效果相較于生成類好。判別相關(guān)濾波器(DCF)作為判別類軌跡跟蹤算法的一種，具有很好的跟蹤效果，因此將會(huì)在DCF的基礎(chǔ)上將信道可靠性和空間可靠性的概念融入其中，形成具有信道和空間可靠性的判別相關(guān)濾波跟蹤器(CSR-DCF)方法對(duì)動(dòng)態(tài)異物的運(yùn)動(dòng)軌跡進(jìn)行跟蹤。

CSR-DCF算法得到的動(dòng)態(tài)異物進(jìn)行軌跡跟蹤如圖7與圖8所示。

圖7 單個(gè)動(dòng)態(tài)異物軌跡跟蹤結(jié)果圖Fig.7 Trajectory tracking results of single dynamic foreign body

圖8 多個(gè)動(dòng)態(tài)異物軌跡跟蹤結(jié)果圖Fig.8 Trajectory tracking results of multiple dynamic foreign body

從圖中可以看出，CSR-DCF算法能夠很好的對(duì)單個(gè)以及多個(gè)動(dòng)態(tài)異物進(jìn)行跟蹤，并將軌跡進(jìn)行繪制。

3.2 動(dòng)態(tài)異物軌跡預(yù)測(cè)

在對(duì)動(dòng)態(tài)異物的軌跡進(jìn)行預(yù)測(cè)之前，需要對(duì)預(yù)測(cè)的目標(biāo)進(jìn)行進(jìn)一步的分析論證。

1) 位于軌道周圍的動(dòng)態(tài)異物，為了進(jìn)一步判斷其是否會(huì)移動(dòng)到軌道上，并對(duì)列車運(yùn)行安全產(chǎn)生威脅，因此需要對(duì)其在之后時(shí)刻的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)。

2) 位于軌道上的動(dòng)態(tài)異物，存在發(fā)生移動(dòng)后離開(kāi)軌道的可能性。但是由于對(duì)于動(dòng)態(tài)異物軌跡的追蹤與預(yù)測(cè)存在誤差，甚至?xí)霈F(xiàn)預(yù)測(cè)錯(cuò)誤的問(wèn)題，所以為了保證列車運(yùn)行安全，將其當(dāng)作軌道上的靜態(tài)異物進(jìn)行檢測(cè)，不對(duì)其進(jìn)行軌跡預(yù)測(cè)。

3) 位于軌道上與軌道周圍的靜態(tài)異物，由于其沒(méi)有發(fā)生位移，且現(xiàn)階段的靜態(tài)異物檢測(cè)已較為成熟，所以將直接對(duì)其進(jìn)行檢測(cè)，不對(duì)其進(jìn)行軌跡預(yù)測(cè)。

因此，本節(jié)將對(duì)處于軌道周圍的動(dòng)態(tài)異物進(jìn)行軌跡預(yù)測(cè)。標(biāo)準(zhǔn)的卡爾曼濾波算法只能對(duì)線性系統(tǒng)的狀態(tài)進(jìn)行一定的估計(jì)，但是現(xiàn)實(shí)中絕大部分系統(tǒng)并不是線性的。所以為了更好的解決這個(gè)問(wèn)題，提出基于泰勒模型的擴(kuò)展卡爾曼濾波算法對(duì)非線性系統(tǒng)進(jìn)行處理,擴(kuò)展卡爾曼濾波算法可以對(duì)非線性系統(tǒng)的狀態(tài)做出一定精度的估計(jì)。由于異物侵入中的動(dòng)態(tài)異物運(yùn)動(dòng)軌跡大都是非線性，因此采用擴(kuò)展卡爾曼濾波對(duì)處于軌道周圍的動(dòng)態(tài)異物進(jìn)行軌跡預(yù)測(cè)。在上一小節(jié)的軌跡跟蹤過(guò)程中，獲取了動(dòng)態(tài)異物的位置信息和物體的速度信息。對(duì)獲取的目標(biāo)信息使用擴(kuò)展卡爾曼濾波進(jìn)行軌跡預(yù)測(cè)。根據(jù)非線性系統(tǒng)的狀態(tài)方程：

=|-1-1+-1

(10)

式中：∈*1表示維的狀態(tài)向量；|-1表示線性化的狀態(tài)轉(zhuǎn)移矩陣；-1為過(guò)程噪聲。獲取的目標(biāo)的狀態(tài)變量包括=[(),(),(),()]，狀態(tài)變量依次為目標(biāo)在軸和軸上的位置和速度。(),()的表示如下：

(11)

(12)

式中|-1表示為：

(13)

式中Δ表示前后狀態(tài)的時(shí)間間隔，通過(guò)兩幀之間的時(shí)間間隔表示。

通過(guò)預(yù)測(cè)方程得到協(xié)方差矩陣，方程中的-1噪聲協(xié)方差矩陣，用單位矩陣表示。

(14)

在對(duì)軌跡進(jìn)行預(yù)測(cè)后，根據(jù)狀態(tài)向量和誤差協(xié)方差矩陣，得到增益。然后根據(jù)-1的測(cè)量數(shù)據(jù)，利用狀態(tài)更新方程和狀態(tài)估計(jì)均方誤差矩陣計(jì)算得到時(shí)刻目標(biāo)狀態(tài)的最優(yōu)估計(jì)值。

得到的物體位置信息對(duì)其軌跡進(jìn)行軌跡預(yù)測(cè)。結(jié)果如圖9和圖10所示。在預(yù)測(cè)結(jié)果中，實(shí)線為物體運(yùn)動(dòng)軌跡，虛線為對(duì)其的預(yù)測(cè)。從結(jié)果可以看出，算法能夠很好的對(duì)運(yùn)動(dòng)物體的軌跡進(jìn)行預(yù)測(cè)。在直線運(yùn)動(dòng)過(guò)程中，物體沿著同一方向做近似直線運(yùn)動(dòng)，在曲線運(yùn)動(dòng)過(guò)程中物體在沿著一個(gè)方向做近似直線運(yùn)動(dòng)后轉(zhuǎn)向，并沿此方向做近似直線運(yùn)動(dòng)。從目標(biāo)的實(shí)際運(yùn)動(dòng)軌跡和預(yù)測(cè)的軌跡可以看出，當(dāng)目標(biāo)沿著同一個(gè)方向直線運(yùn)動(dòng)時(shí)，預(yù)測(cè)的準(zhǔn)確度較高。在曲線運(yùn)動(dòng)結(jié)果中，當(dāng)目標(biāo)在轉(zhuǎn)彎過(guò)程中預(yù)測(cè)會(huì)出現(xiàn)一些偏差，但是總體預(yù)測(cè)接近實(shí)際路徑。在直線運(yùn)動(dòng)的預(yù)測(cè)中，平均誤差為1.5個(gè)像素點(diǎn)，在轉(zhuǎn)彎運(yùn)動(dòng)的預(yù)測(cè)中，平均誤差為2.5個(gè)像素點(diǎn)，由此可以得出算法能夠很好對(duì)動(dòng)態(tài)異物的軌跡進(jìn)行預(yù)測(cè)。

圖9 直線運(yùn)動(dòng)軌跡預(yù)測(cè)結(jié)果圖Fig.9 Prediction results of linear motion trajectory

圖10 曲線運(yùn)動(dòng)軌跡預(yù)測(cè)結(jié)果圖Fig.10 Prediction results of curvilinear motion trajectory

4 結(jié)論

針對(duì)列車運(yùn)行軌道周圍存在的動(dòng)態(tài)異物會(huì)對(duì)列車運(yùn)行安全產(chǎn)生威脅的問(wèn)題，使用背景差分法完成了對(duì)于在軌道周圍的異物的識(shí)別，提出了融合混合高斯模型的三幀差分法對(duì)動(dòng)態(tài)異物與靜態(tài)異物進(jìn)行區(qū)分，并與常用的識(shí)別方法進(jìn)行對(duì)比證明了算法具有更高的識(shí)別準(zhǔn)確率。采用CSR-DCF算法與擴(kuò)展卡爾曼濾波算法對(duì)位于軌道周圍的動(dòng)態(tài)異物進(jìn)行軌跡的追蹤與預(yù)測(cè)，并與實(shí)際運(yùn)動(dòng)軌跡進(jìn)行對(duì)比，證明了算法能夠?qū)壽E進(jìn)行追蹤與預(yù)測(cè)。這種軌道交通動(dòng)態(tài)異物軌跡追蹤與預(yù)測(cè)方法能夠保障列車運(yùn)行安全，對(duì)列車運(yùn)行控制具有工程意義。