王維華

(陜西交通職業(yè)技術(shù)學(xué)院，陜西 西安 710018)

0 引言

在行車過程中，軌道交通塌方、泥石流引起的沙石堵塞、橋隧懸空、誤報報警、人員和設(shè)備困于軌道等情況，嚴重威脅著軌道車輛行駛安全和旅客的生命財產(chǎn)安全。在軌道車輛行進過程中，由于車輛自身的遮擋、車輛高度限制等原因，即使是使用大尺寸雙曲率后視鏡，駕駛者對車身側(cè)方區(qū)域的觀察也不夠全面。

針對上述問題，相關(guān)學(xué)者提出了多技術(shù)融合的障礙物識別方法[1]。這些方法結(jié)合生物技術(shù)、信息技術(shù)和認知技術(shù)，利用仿真模擬軌道車輛行駛，由此設(shè)計軌道車輛側(cè)向盲區(qū)障礙物識別方案；也有學(xué)者設(shè)計了64線激光雷達的障礙物識別方法[2]，利用多特征、多層高程圖對路面、障礙物和懸架進行分離，然后利用基于動態(tài)距離門限的網(wǎng)格聚類算法對障礙物進行聚類，結(jié)合相鄰兩個障礙物的運動狀態(tài)信息對聚類結(jié)果進行修正，最終發(fā)現(xiàn)障礙物。然而由于軌道列車慣性大、制動距離長，上述方法的識別效果不理想。針對此問題，本研究提出了基于機器視覺的軌道車輛側(cè)向盲區(qū)障礙物識別方法。

1 靜態(tài)障礙物識別

1.1 確定靜態(tài)障礙物區(qū)域

在車輛前設(shè)置單一攝像機，采用機載隨動檢測裝置在列車運行過程中，實時拍攝前方軌道，得到實時視頻序列[3]。車輛設(shè)備須在最小制動距離范圍內(nèi)，向司機發(fā)出預(yù)警信號。司機接收到信號后，將報警信息實時反饋給基站，基站根據(jù)接收到的信息調(diào)整應(yīng)急狀態(tài)[4]。

圖1為車載攝像機安裝圖。

圖1 車載攝像機安裝示意圖

圖1中：C表示列車上安裝的車載攝像機位置；S1表示識別到障礙物的反應(yīng)時間；S2表示列車剎車時受到慣性作用力影響下的最小制動距離；S3表示車載攝像機的掃描范圍。

1.2 基于輪廓特征檢測障礙物

對于障礙物區(qū)域檢測到的目標(biāo)，需要確定目標(biāo)輪廓，依據(jù)輪廓特征判斷目標(biāo)是否為障礙物。

通過追蹤到的輪廓得到實際的輪廓位置[5-6]。利用平面投影變換矩陣A，可預(yù)測目標(biāo)輪廓所在的位置。如果預(yù)測的等值線在地面，即等值線與地面的高度為0時，預(yù)測等值線與實際等高線重合[7]。接下來，按照下面的步驟來確定該輪廓是否為障礙輪廓。

步驟一：獲取目標(biāo)輪廓，提取兩幅圖像作為檢測目標(biāo)。

步驟二：跟蹤第二幅圖像目標(biāo)輪廓。

步驟三：通過對兩幅圖像的輪廓特征點進行對比分析，將提取出的輪廓特征點與第二幅圖像的輪廓特征點對應(yīng)，然后用式(1)對其進行預(yù)測，從而得到整體輪廓[8]。

設(shè)Ri和R′i是兩幅圖像中同一點的歸一化圖像坐標(biāo)，兩個點的轉(zhuǎn)換關(guān)系如下：

λiR′i=(DW+LnT)Ri

(1)

式中：D表示車載攝像機與地面之間的距離；n表示地面圖像在攝像機坐標(biāo)系中法向量；W表示旋轉(zhuǎn)矩陣；L表示平移向量；λi表示變換尺度因子，該因子不是唯一的，而是歸一化結(jié)果[9]。

步驟四：求取真實輪廓與預(yù)測輪廓間的相似性[10]。

若相似性小于某一閾值，則對應(yīng)的目標(biāo)輪廓是障礙物輪廓，否則不是[11]。兩幅圖像輪廓G1和G2相似性的計算公式如下：

(2)

(3)

式中l(wèi)表示輪廓G1和G2到邊界點b的最小距離[12]。結(jié)合上述公式，完成對靜態(tài)盲區(qū)障礙物的識別。

2 動態(tài)障礙物識別

2.1 確定動態(tài)運動障礙物區(qū)域

基于運動補償?shù)牟町悎D所有信息都只包含實體對象(靜態(tài)的和移動的實體對象)，直接分析差分圖上的點灰度，并提取實體的區(qū)域[13]。根據(jù)兩幀間的灰度不變性原理，估算出到地面上的點對應(yīng)于檢測區(qū)域范圍內(nèi)點的運動方程，計算出相應(yīng)像素在k+1幀內(nèi)的灰度值。但由于障礙點不符合平面運動方程，因此相應(yīng)位置的像素灰度變化較大[14]。所以，每一區(qū)域的平面置信度都需要再次計算平面置信度α1和立體置信度α2，并通過式(4)確定每一區(qū)域隸屬度β。

(4)

結(jié)合式(4)，鎖定圖像的立體區(qū)域，如下所示：

(5)

按照上式確定動態(tài)運動障礙物區(qū)域。

2.2 計算立體置信度和平面置信度

空間可信度和平面可信度是圖像塊的基本屬性，表示其屬于道路平面或三維目標(biāo)的概率。

1)計算平面置信度

根據(jù)上述確定的動態(tài)運動障礙物區(qū)域，結(jié)合運動補償剩余SSD方法來計算平面置信度[15]。其基本思想為：首先確定列車行駛的速度空間，在該空間內(nèi)進行遍歷搜索；然后求取每個線速度和角速度，獲取每個像素點通過水平運動后從k幀到k′幀的時間[16]；最后利用光學(xué)短時間內(nèi)恒定不變原理，計算平面置信度，如式(6)所示。

(6)

式中：Si(m)表示像素點從k幀到k′幀水平運動的距離；?表示運動補償殘差。

在計算剩余運動補償殘差后，對結(jié)果進行標(biāo)準(zhǔn)化處理，目的是保持運算精度和提高算法的靈敏度。

2)計算立體置信度

障礙物區(qū)域不符合道路平面運動模型，但符合基于塊匹配原理的運動模型，故采用塊匹配原理可以計算立體置信度。圖2顯示了塊匹配的原理。由圖2可知，設(shè)圖像序列t時刻與t-1時刻所對應(yīng)的圖像幀分別為k幀和k-1幀。搜索k-1幀中相似的子塊，將其轉(zhuǎn)換為匹配塊，確定當(dāng)前匹配塊位置是k幀的匹配塊位置。

圖2 塊匹配的原理

根據(jù)塊匹配的搜索范圍，設(shè)定圖像運動方程。設(shè)宏塊大小為M×N時，可確定搜索范圍為

f=(M+2lx,N+2ly)

(7)

式中l(wèi)x和ly分別表示水平和垂直最大位移矢量。

在已知圖像運動矢量較大時，要設(shè)置較大的搜索窗口，以實現(xiàn)塊匹配的精確搜索。但若圖像向量較小，搜索窗口縮小，則無需設(shè)置大搜索窗口，否則只能增加計算量，無法提高搜索速度。在最后一幀中，估計當(dāng)前區(qū)域的像素移至前一幀，然后擴大前一幀對應(yīng)像素進行模式匹配。按式(7)求出匹配的殘差，然后歸一化處理，由此完成立體置信度計算。

2.3 剔除灰度值

障礙圖像中存在的灰度問題影響了識別的準(zhǔn)確性，因此應(yīng)消除灰度值。設(shè)C0和C1分別為t0和t1時刻車載攝像機拍攝的第一幀和第二幀圖像光心。在Δt=t1-t0時間內(nèi)，車載攝像機圖像光心由C0點到C1點運動的線速度為v，角速度為ω。由點C0=(x0,y0,z0)T到點C1=(x1,y1,z1)T運動方程，可用下式表示：

(8)

式中Z表示線性外參矩陣。

3 實驗與分析

為了驗證基于機器視覺的軌道車輛側(cè)向盲區(qū)障礙物識別方法的有效性，設(shè)計如下實驗。

采集軌道轉(zhuǎn)彎處圖像，如圖3所示。圖3(a)中，軌道左側(cè)地面位置存在可移動性障礙物。將圖3(a)中的原始圖像分割成黑白像素，并結(jié)合其他指標(biāo)完成對窗口內(nèi)障礙物的檢測，如圖3(b)所示，對原始圖像進行預(yù)處理，建立檢測窗口，檢測窗口移動時檢測窗口中有沒有障礙物等多種情況。圖3(b)中，圖像灰度較低的區(qū)域像素較多，對應(yīng)于畫面中的暗區(qū)，即障礙物。

圖3 標(biāo)準(zhǔn)圖像

在識別障礙物的標(biāo)準(zhǔn)檢測窗口中，分別應(yīng)用傳統(tǒng)的基于多技術(shù)融合的障礙物識別方法、基于64線激光雷達的障礙物識別方法和本文方法，對灰度直方圖檢測結(jié)果進行對比分析，結(jié)果如圖4所示。

圖4 3種方法灰度直方圖檢測結(jié)果

分析圖4 可知，兩種傳統(tǒng)方法的灰度直方圖檢測結(jié)果與標(biāo)準(zhǔn)圖像不一致的情況。而本文方法的灰度直方圖檢測結(jié)果與標(biāo)準(zhǔn)圖像基本一致，證明本文方法可以準(zhǔn)確地識別出障礙物。

在此基礎(chǔ)上，以識別耗時為指標(biāo)，驗證不同方法的有效性，結(jié)果如表1所示。

表1 不同方法的識別耗時對比 單位：s

分析表1可知，在多次實驗中，本文方法對軌道車輛側(cè)向盲區(qū)障礙物的識別耗時始終低于其他兩種方法，這說明本文方法的時效性更高，能夠在極短時間內(nèi)識別到障礙物，有效保證軌道車輛行駛安全。

4 結(jié)語

本研究提出了一種基于機器視覺的軌道車輛側(cè)向盲區(qū)障礙物識別方法，依據(jù)輪廓特征識別靜態(tài)盲區(qū)障礙物；通過計算立體置信度和平面置信度識別動態(tài)運動障礙物；并通過實驗證明了該方法的有效性。