栗文韜，徐成偉，張萬(wàn)鵬，傅薈瑾，馬 禎，楊 雪

0 引言

城際鐵路的發(fā)展對(duì)城市功能的合理布局，如城市規(guī)劃、交通、經(jīng)濟(jì)乃至社會(huì)環(huán)境等，起到了至關(guān)重要的作用，鐵路已經(jīng)成為典型的城際出行方式。城際鐵路給人們帶來(lái)快捷、便利、有序的交通和良好乘車環(huán)境的同時(shí)，使人們更多地感受到了生活質(zhì)量的提高。然而，城際鐵路系統(tǒng)運(yùn)營(yíng)環(huán)境復(fù)雜，在實(shí)際運(yùn)營(yíng)期間會(huì)受到外界多種因素影響而造成安全風(fēng)險(xiǎn)，一旦發(fā)生安全事故，人們?cè)趽頂D、封閉的空間內(nèi)會(huì)產(chǎn)生恐慌及混亂現(xiàn)象，更加劇了安全風(fēng)險(xiǎn)發(fā)生的概率。因此，城際鐵路運(yùn)營(yíng)安全尤其重要，亟需加強(qiáng)城際鐵路運(yùn)營(yíng)安全監(jiān)測(cè)管理，全面提升城際鐵路安全防范能力，保障人民出行安全，更好地發(fā)揮交通服務(wù)功能，實(shí)現(xiàn)高效運(yùn)營(yíng)。其中，加強(qiáng)城際鐵路周界安全防護(hù)、實(shí)現(xiàn)現(xiàn)代化的安全防范是保障城際鐵路運(yùn)營(yíng)工作的重點(diǎn)。

鐵路周界入侵是指外界目標(biāo)(人、異物)未經(jīng)允許進(jìn)入列車運(yùn)行區(qū)域界限。鐵路依靠標(biāo)準(zhǔn)化的作業(yè)流程和封閉式的物理護(hù)墻來(lái)規(guī)范旅客的上、下車行為，但也存在少部分旅客異常行為會(huì)對(duì)列車的正常運(yùn)營(yíng)造成安全風(fēng)險(xiǎn)；城際鐵路的路基、隧道口、停車場(chǎng)、動(dòng)車段所等地段勢(shì)必會(huì)受到氣象條件和周邊環(huán)境等因素的影響，增大了探測(cè)要求和難度。各類探測(cè)器在原理上也存在檢測(cè)局限性，受環(huán)境影響后存在誤報(bào)和漏報(bào)情況，探測(cè)距離也會(huì)下降。在軌道交通行業(yè)的安防系統(tǒng)中，我國(guó)城際鐵路安防系統(tǒng)亟需更加穩(wěn)定、可靠的技術(shù)防護(hù)技術(shù)方法和體系。結(jié)合我國(guó)鐵路安防系統(tǒng)的發(fā)展現(xiàn)狀可知，城際鐵路安防技術(shù)和周界入侵監(jiān)測(cè)系統(tǒng)的發(fā)展方向主要是智能化、系統(tǒng)化、集成化。經(jīng)過(guò)實(shí)地調(diào)研后，總結(jié)我國(guó)城際鐵路周界入侵技術(shù)的發(fā)展趨勢(shì)如下。一是城際鐵路周界入侵監(jiān)測(cè)視頻圖像應(yīng)更加清晰，擁有更為高清的視頻圖像，結(jié)合智能分析算法，能更為清楚、準(zhǔn)確地識(shí)別城際鐵路列車運(yùn)行環(huán)境入侵行為；二是當(dāng)前城際鐵路周界入侵行為主要依靠視頻進(jìn)行監(jiān)測(cè)，然而視頻監(jiān)測(cè)有著自身難以解決和克服的缺陷，結(jié)合雷達(dá)、紅外熱成像等其他傳感器的獨(dú)特優(yōu)勢(shì)，能使鐵路周界入侵的識(shí)別效果大幅提升；三是未來(lái)城際鐵路周界入侵監(jiān)測(cè)的聯(lián)動(dòng)控制水平應(yīng)進(jìn)一步提高，入侵行為發(fā)生后應(yīng)及時(shí)進(jìn)行定位，并通過(guò)多傳感技術(shù)融合的方式快速識(shí)別入侵目標(biāo)類別。

激光雷達(dá)由于其極高的分辨率，獲取信息多樣(距離、方位、高度、速度)以及不受光照影響等特點(diǎn)，成為軌道交通行業(yè)周界入侵監(jiān)測(cè)領(lǐng)域新的研究熱點(diǎn)。通過(guò)激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)，結(jié)合三維點(diǎn)云深度學(xué)習(xí)算法，輔以視頻智能識(shí)別技術(shù)的復(fù)合檢測(cè)，可以大幅提升識(shí)別準(zhǔn)確率，實(shí)現(xiàn)全時(shí)段的周界入侵行為監(jiān)測(cè)和報(bào)警功能。

1 研究概述

1.1 激光雷達(dá)技術(shù)

激光雷達(dá)是使用光進(jìn)行探測(cè)和測(cè)距的設(shè)備，集激光、全球定位系統(tǒng)和慣性導(dǎo)航系統(tǒng)三大技術(shù)于一身，能夠獲得點(diǎn)云數(shù)據(jù)并生成精準(zhǔn)的三維模型。按照探測(cè)維度分類，可以分為二維激光雷達(dá)和三維激光雷達(dá)。二維激光雷達(dá)一般平行于軌面進(jìn)行掃描，三維激光雷達(dá)主要進(jìn)行目標(biāo)的三維立體掃描和建模。二維和三維激光雷達(dá)檢測(cè)原理圖如圖1所示。

圖1 二維和三維激光雷達(dá)檢測(cè)原理圖Fig.1 Schematic diagram of 2D and 3D laser radar detection

可以看出，二維激光雷達(dá)只能獲取入侵異物的“線狀投影”信息，而三維激光雷達(dá)可以獲得異物“立體投影”信息，通過(guò)三維點(diǎn)云的分類和識(shí)別算法，可以對(duì)入侵異物進(jìn)行分類，并根據(jù)分類結(jié)果定制不同的報(bào)警輸出結(jié)果，提高報(bào)警信息的準(zhǔn)確率。面向鐵路實(shí)際運(yùn)營(yíng)場(chǎng)景，三維激光雷達(dá)能夠更好地識(shí)別入侵目標(biāo)類型并進(jìn)行可視化展示，更加適合鐵路周界入侵監(jiān)測(cè)的需求；相反，二維激光雷達(dá)由于只能獲得線狀信息，目標(biāo)立體信息的捕捉能力差，更易出現(xiàn)誤報(bào)和漏報(bào)，因此，在鐵路周界入侵技術(shù)研究中，三維激光雷達(dá)更契合使用需求。

1.2 視頻智能識(shí)別技術(shù)

當(dāng)前基于視頻的目標(biāo)檢測(cè)技術(shù)已經(jīng)在許多場(chǎng)景開(kāi)展應(yīng)用，包括人臉識(shí)別、行為分析、圖像分類和無(wú)人駕駛等。隨著近些年深度學(xué)習(xí)的發(fā)展，目標(biāo)檢測(cè)任務(wù)也受到了很大的關(guān)注，實(shí)現(xiàn)目標(biāo)檢測(cè)的方法也逐漸豐富，可以將目標(biāo)檢測(cè)方法分為基于傳統(tǒng)模型的目標(biāo)檢測(cè)方法和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法。

1.2.1 基于傳統(tǒng)模型的目標(biāo)檢測(cè)方法

基于傳統(tǒng)模型的目標(biāo)檢測(cè)方法主要分為目標(biāo)區(qū)域選擇、特征提取、目標(biāo)分類3 個(gè)階段。目標(biāo)可以出現(xiàn)在圖像中任意位置，不同目標(biāo)在圖像中的長(zhǎng)寬比不同，目前主要檢測(cè)的方式是使用不同的滑動(dòng)窗口掃描整個(gè)圖像，但由于存在大量的候選窗口，因而計(jì)算成本很高。因此，需要先使用特定算法篩選出目標(biāo)對(duì)象可能存在的區(qū)域，減少計(jì)算資源的使用。為了識(shí)別不同的物體，需要提取視覺(jué)特征，以提供語(yǔ)義表示，這個(gè)特征通常需要手動(dòng)設(shè)計(jì)。此外，還需要使用1 個(gè)分類器將目標(biāo)對(duì)象從其他類別中區(qū)分出來(lái)?；趥鹘y(tǒng)模型的目標(biāo)檢測(cè)方法取得了一些成果，但由于需要手動(dòng)設(shè)計(jì)特征和滑動(dòng)窗口，使得檢測(cè)準(zhǔn)確性依賴于目標(biāo)區(qū)域選取的正確性和特征提取的有效性。

Viola 等[1]構(gòu)建穩(wěn)定且快速的目標(biāo)檢測(cè)框架Viola-Jones(VJ)，VJ 檢測(cè)器通過(guò)結(jié)合“積分圖像”“特征選擇”和“檢測(cè)級(jí)聯(lián)”3個(gè)重要技術(shù)，大幅提高檢測(cè)速度。VJ 檢測(cè)器在人臉識(shí)別方面的表現(xiàn)突出，但很難被擴(kuò)展到其他類型的物體。Dalal等[2]提出方向梯度直方圖(HOG)特征，經(jīng)過(guò)實(shí)驗(yàn)表明，其在異常人員的檢測(cè)性能明顯優(yōu)于其他檢測(cè)算法。Pedro 等[3]提出可變型部件模型(DPM)，它是多尺度、可變形的模型，算法首先計(jì)算HOG，然后利用支持向量機(jī)訓(xùn)練得到物體的梯度模型并進(jìn)行分類。李樂(lè)等[4]在圖像金字塔的尺度層間擴(kuò)展一些子尺度級(jí)填補(bǔ)圖像金字塔之間的空白，并使用高斯尺度金字塔生成子尺度圖像并在子尺度上提取HOG特征。

1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法

通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)，特征提取變得容易，計(jì)算機(jī)的算力也足夠支撐滑動(dòng)窗口掃描整個(gè)圖片。與傳統(tǒng)方法不同，基于深度學(xué)習(xí)的方法由于具有更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)W習(xí)到目標(biāo)更為抽象的特征。Girshick[5]在區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)和空間金字塔池化網(wǎng)絡(luò)(SPP-Net)的基礎(chǔ)上提出了快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast R-CNN)，F(xiàn)ast R-CNN 能夠在同一個(gè)網(wǎng)絡(luò)配置中同時(shí)訓(xùn)練檢測(cè)器和邊界框回歸器。Ren 等[6]提出了更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)，引入?yún)^(qū)域生成網(wǎng)絡(luò)(RPN)用來(lái)生成高質(zhì)量的檢測(cè)框，為多尺度目標(biāo)檢測(cè)提供實(shí)用且準(zhǔn)確的解決方案。Lin 等[7]利用深度卷積網(wǎng)絡(luò)固有的多尺度、金字塔層次結(jié)構(gòu)來(lái)構(gòu)建具有邊際額外成本的特征金字塔，提出具有橫向連接的自頂向下體系結(jié)構(gòu)，用于構(gòu)建各種尺度的高級(jí)語(yǔ)義特征圖，表現(xiàn)出了顯著的改進(jìn)。Xie 等[8]提出了面向?qū)ο蟮臋z測(cè)框架——面向旋轉(zhuǎn)目標(biāo)檢測(cè)的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Oriented R-CNN)，它是基于兩階段(Two-Stage)的檢測(cè)器，在面向?qū)ο髾z測(cè)數(shù)據(jù)集上表現(xiàn)優(yōu)異。Liu等[9]提出單次多邊框檢測(cè)(SSD)網(wǎng)絡(luò)，SSD網(wǎng)絡(luò)采用多尺度特征圖進(jìn)行訓(xùn)練，提升了基于一階段(One-Stage)的檢測(cè)器對(duì)小物體識(shí)別的精度。

Lin 等[10]發(fā)現(xiàn)在檢測(cè)模型訓(xùn)練中圖片中出現(xiàn)前景和背景極端不平衡是影響One-Stage 檢測(cè)器準(zhǔn)確度的主要原因，因而設(shè)計(jì)新的焦點(diǎn)損失(Focal Loss)函數(shù)和RetinaNet網(wǎng)絡(luò)，準(zhǔn)確度比其他Two-Stage檢測(cè)器的準(zhǔn)確度更高。Feng 等[11]提出基于One-Stage的行人物體檢測(cè)和跟蹤方法，稱為CGTracker，它直接從物體的特征表示中提取物體特征，在MOT17數(shù)據(jù)集上表現(xiàn)優(yōu)秀。Ghiasi 等[12]采用神經(jīng)結(jié)構(gòu)搜索法，在涵蓋所有跨尺度連接的新型可擴(kuò)展搜索空間中發(fā)現(xiàn)新的特征金字塔結(jié)構(gòu)——基于自動(dòng)架構(gòu)搜索的特征金字塔網(wǎng)絡(luò)(NAS-FPN)，它與RetinaNet 框架中的各種骨干模型相結(jié)合，與最先進(jìn)的物體檢測(cè)模型相比，實(shí)現(xiàn)了更好的準(zhǔn)確性和延遲權(quán)衡。Tan等[13]為了方便進(jìn)行多尺度特征融合，提出加權(quán)的雙向特征金字塔網(wǎng)絡(luò)(BiFPN)，還提出復(fù)合縮放方法用來(lái)統(tǒng)一縮放網(wǎng)絡(luò)的尺寸大小。鐵路應(yīng)用方面，傅薈瑾等[14]開(kāi)展基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)關(guān)鍵技術(shù)研究，利用圖像預(yù)處理方法進(jìn)行低照度圖像增強(qiáng)，改善圖像識(shí)別易受光照條件影響的問(wèn)題。董學(xué)娟[15]通過(guò)準(zhǔn)確的高速鐵路基礎(chǔ)設(shè)施視頻數(shù)據(jù)標(biāo)注，實(shí)現(xiàn)視頻數(shù)據(jù)的結(jié)構(gòu)化組織和存儲(chǔ)管理，可以為智能視頻數(shù)據(jù)分析提供準(zhǔn)確有效的數(shù)據(jù)集，也為鐵路信息資源整合和綜合應(yīng)用開(kāi)發(fā)提供有利條件。

2 技術(shù)路線及場(chǎng)景適應(yīng)性分析

激光雷達(dá)可以獲得目標(biāo)距離、方位、高度、速度、姿態(tài)、形狀等參數(shù)，具有極高的分辨率，通過(guò)三維點(diǎn)云數(shù)據(jù)可以準(zhǔn)確地獲取高精度的物理空間環(huán)境信息。結(jié)合深度學(xué)習(xí)算法，實(shí)現(xiàn)人員和異物的入侵檢測(cè)。

為保證城際鐵路周界入侵的低誤報(bào)、零漏報(bào)，通過(guò)結(jié)合激光雷達(dá)和視頻報(bào)警信息融合算法，在保證零漏報(bào)的前提下，不斷迭代優(yōu)化監(jiān)測(cè)技術(shù)方案，逐漸降低誤報(bào)率，實(shí)現(xiàn)人員和異物的全時(shí)域、全天候、無(wú)死角檢測(cè)。激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)路線如圖2所示。

圖2 激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)路線Fig.2 Technical routes of laser radar and video fusion monitoring

激光雷達(dá)作為基于光學(xué)的探測(cè)設(shè)備，優(yōu)點(diǎn)如下。

（1）具有極高的分辨率。激光雷達(dá)具有極高的距離分辨率、角分辨率和速度分辨率，能夠探測(cè)到物體更精密的特征。

（2）抗信號(hào)干擾能力強(qiáng)。激光的波長(zhǎng)短，可以發(fā)射角度非常小的激光束，多路徑效應(yīng)小。

（3）獲取的信息量豐富?？梢灾苯荧@取目標(biāo)的距離、角度、反射強(qiáng)度、速度等信息，生成目標(biāo)多維度圖像。

（4）可以全天時(shí)工作。不依賴于外界光照條件或目標(biāo)本身的輻射特性，只需要發(fā)射激光束，通過(guò)探測(cè)發(fā)射激光束的回波信號(hào)來(lái)獲取目標(biāo)信息。

（5）可以檢測(cè)動(dòng)態(tài)或靜態(tài)目標(biāo)。對(duì)于動(dòng)態(tài)或靜態(tài)目標(biāo)，激光雷達(dá)均可以進(jìn)行有效監(jiān)測(cè)，滿足鐵路周界人員和異物的監(jiān)測(cè)需求。

同時(shí)，激光雷達(dá)在極端雨霧和煙塵影響時(shí)，探測(cè)性能會(huì)出現(xiàn)衰減，因而利用其他技術(shù)手段對(duì)激光雷達(dá)進(jìn)行輔助是非常必要的。視頻智能分析技術(shù)在激光雷達(dá)產(chǎn)生報(bào)警信息后，捕捉入侵位置視頻并進(jìn)行實(shí)時(shí)分析，復(fù)核雷達(dá)報(bào)警信息，能夠有效降低誤報(bào)的比例。同時(shí)，由于激光雷達(dá)的靈敏性，也決定了激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)不會(huì)出現(xiàn)漏報(bào)的情況。但研究和試驗(yàn)過(guò)程中，存在以下研究難點(diǎn)和亟需解決的問(wèn)題。①小目標(biāo)點(diǎn)云數(shù)據(jù)稀疏問(wèn)題；②煙塵雨霧等小顆粒干擾引起的誤報(bào)問(wèn)題；③激光雷達(dá)與視頻雷視坐標(biāo)配準(zhǔn)及融合算法問(wèn)題。

3 面向城際鐵路運(yùn)行場(chǎng)景的激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)方案

3.1 總體架構(gòu)

研究提出激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)的總體架構(gòu)由前端監(jiān)測(cè)/報(bào)警設(shè)備、監(jiān)控單元和監(jiān)測(cè)中心3 部分構(gòu)成。激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)總體架構(gòu)如圖3所示。

圖3 激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)總體架構(gòu)Fig.3 Overall technical architecture of laser radar and video fusion monitoring

3.2 軟件架構(gòu)

激光雷達(dá)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，統(tǒng)一雷視坐標(biāo)系，形成像素級(jí)的雷視融合數(shù)據(jù)。①通過(guò)坐標(biāo)轉(zhuǎn)換算法將雷達(dá)坐標(biāo)系與鐵軌走向重合；通過(guò)濾波算法，去除噪聲點(diǎn)云。②將目標(biāo)位置和大小發(fā)送給攝像機(jī)，定位拍攝目標(biāo)，通過(guò)圖像增強(qiáng)和濾波技術(shù)對(duì)夜間圖像補(bǔ)強(qiáng)并進(jìn)行干擾過(guò)濾，分別同時(shí)進(jìn)行目標(biāo)檢測(cè)和分類。③進(jìn)行時(shí)空關(guān)聯(lián)目標(biāo)跟蹤，結(jié)合外部環(huán)境因素，確定雷視置信度，輸出報(bào)警結(jié)果。激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)架構(gòu)如圖4所示。

圖4 激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)架構(gòu)Fig.4 Technical architecture of laser radar and video fusion monitoring

3.3 功能設(shè)計(jì)

基于激光雷達(dá)+視頻的融合監(jiān)測(cè)技術(shù)，主要具備數(shù)據(jù)采集、入侵行為判識(shí)跟蹤、報(bào)警數(shù)據(jù)上報(bào)、聲光報(bào)警、防區(qū)劃定、布防/撤防、物聯(lián)網(wǎng)安全和設(shè)備狀態(tài)自檢等功能。

（1）數(shù)據(jù)采集。采集現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)，并推送監(jiān)測(cè)數(shù)據(jù)至邊緣計(jì)算設(shè)備。

（2）入侵行為判識(shí)跟蹤。當(dāng)發(fā)生入侵行為時(shí)，產(chǎn)生報(bào)警信息，實(shí)時(shí)跟蹤入侵目標(biāo)。

（3）報(bào)警數(shù)據(jù)上報(bào)。監(jiān)測(cè)到入侵行為時(shí)產(chǎn)生報(bào)警數(shù)據(jù)，包括報(bào)警信息、圖片、視頻等。

（4）聲光報(bào)警。產(chǎn)生報(bào)警信息時(shí)觸發(fā)聲光報(bào)警設(shè)備，發(fā)出示警信號(hào)，驅(qū)離入侵者。

（5）防區(qū)劃定。將產(chǎn)生的報(bào)警判識(shí)數(shù)據(jù)，轉(zhuǎn)化為報(bào)警信息，上報(bào)至監(jiān)測(cè)中心。報(bào)警信息包括結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)主要包括點(diǎn)云數(shù)據(jù)、報(bào)警圖片和視頻。

（6）布防/撤防。支持監(jiān)控中心對(duì)防區(qū)布防/撤防操作。

（7）物聯(lián)網(wǎng)安全。系統(tǒng)硬件、軟件及數(shù)據(jù)受到保護(hù)，具備物聯(lián)網(wǎng)安全措施。

（8）設(shè)備狀態(tài)自檢。設(shè)備狀態(tài)周期性自檢，異常時(shí)發(fā)送報(bào)警信息并觸發(fā)聲光報(bào)警器。

4 關(guān)鍵技術(shù)

4.1 激光雷達(dá)與視頻融合技術(shù)研究

激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)的實(shí)現(xiàn)包括基于像素級(jí)數(shù)據(jù)融合技術(shù)和基于決策級(jí)融合報(bào)警技術(shù)。

（1）基于像素級(jí)的數(shù)據(jù)融合技術(shù)?；谙袼丶?jí)的數(shù)據(jù)融合技術(shù)框架如圖5 所示。①經(jīng)雷視坐標(biāo)系標(biāo)定后的激光雷達(dá)點(diǎn)云數(shù)據(jù)和視頻流數(shù)據(jù)，同時(shí)輸入目標(biāo)檢測(cè)和識(shí)別算法模塊；②激光雷達(dá)將檢測(cè)到的入侵目標(biāo)位置和大小信息反饋至攝像機(jī)，攝像機(jī)根據(jù)雷視坐標(biāo)轉(zhuǎn)換矩陣實(shí)現(xiàn)目標(biāo)的特寫抓拍，同時(shí)進(jìn)入視頻智能識(shí)別階段；③激光雷達(dá)和攝像機(jī)分別將報(bào)警結(jié)果輸入至融合報(bào)警算法，結(jié)合置信度指標(biāo)輸出報(bào)警結(jié)果。

圖5 基于像素級(jí)的數(shù)據(jù)融合技術(shù)框架Fig.5 Technical framework of pixel-level data fusion

(2)基于決策級(jí)的融合報(bào)警技術(shù)。使用激光雷達(dá)與攝像機(jī)進(jìn)行檢測(cè)結(jié)果融合，可以得到比激光雷達(dá)或者相機(jī)任一單一傳感器更為可靠的結(jié)果，提高檢測(cè)結(jié)果的準(zhǔn)確率，同時(shí)提高檢測(cè)效率，增強(qiáng)目標(biāo)檢測(cè)算法的魯棒性。基于決策級(jí)的融合報(bào)警技術(shù)框架如圖6所示。

圖6 基于決策級(jí)的融合報(bào)警技術(shù)框架Fig.6 Technical framework of decision-level based fusion alarm

基于決策級(jí)的融合報(bào)警技術(shù)中主要包含基于激光雷達(dá)的點(diǎn)云目標(biāo)檢測(cè)方法、基于圖像的二維目標(biāo)檢測(cè)方法及基于激光雷達(dá)與圖像的融合決策方法3部分。

①基于三維激光雷達(dá)的點(diǎn)云目標(biāo)檢測(cè)方法。裁剪全局雷達(dá)點(diǎn)云得到防區(qū)內(nèi)的雷達(dá)點(diǎn)云數(shù)據(jù)，并進(jìn)行背景差分去除后，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行坐標(biāo)旋轉(zhuǎn)，將其從雷達(dá)坐標(biāo)系轉(zhuǎn)至軌平面坐標(biāo)系，即為雷達(dá)坐標(biāo)系標(biāo)定算法。后續(xù)對(duì)軌平面坐標(biāo)系下的點(diǎn)云數(shù)據(jù)進(jìn)行聚類分類等后處理操作。標(biāo)定前后的點(diǎn)云成像如圖7 所示，可以看出坐標(biāo)系并非鐵軌坐標(biāo)系，經(jīng)過(guò)標(biāo)定后的點(diǎn)云成像和鐵軌坐標(biāo)系走勢(shì)一致。

圖7 標(biāo)定前后的點(diǎn)云成像Fig.7 Point cloud imaging before and after calibration

之后進(jìn)行背景差分計(jì)算。在監(jiān)測(cè)區(qū)域沒(méi)有任何障礙物的情況下保存1 幀點(diǎn)云作為背景，后續(xù)每幀點(diǎn)云數(shù)據(jù)與背景點(diǎn)云進(jìn)行最近鄰計(jì)算，如果距離小于10 cm則認(rèn)為是監(jiān)測(cè)區(qū)域內(nèi)的背景點(diǎn)，大于10 cm則認(rèn)為是動(dòng)態(tài)點(diǎn)。得到差分結(jié)果后進(jìn)行點(diǎn)云分割處理，根據(jù)空間、幾何和紋理等特征點(diǎn)進(jìn)行劃分，同一劃分內(nèi)的點(diǎn)云擁有相似的特征。K均值聚類算法(K-Means)是最常用的聚類算法，它的基本思想是兩個(gè)目標(biāo)的距離越近，相似度越大，在研究中被用來(lái)進(jìn)行點(diǎn)云分割。但是K-Means算法對(duì)于離群點(diǎn)和噪音點(diǎn)非常敏感。例如在距離中心很遠(yuǎn)的地方手動(dòng)加1 個(gè)噪音點(diǎn)，那么中心的位置就會(huì)被帶偏很遠(yuǎn)。因此在實(shí)際應(yīng)用中很容易出現(xiàn)目標(biāo)與地面分割為一類；或是雨霧天氣下，目標(biāo)與周邊稀疏雨霧點(diǎn)云分為一類，錯(cuò)誤的點(diǎn)云分割結(jié)果如圖8所示。

圖8 錯(cuò)誤的點(diǎn)云分割結(jié)果Fig.8 Wrong point cloud segmentation results

為了解決K-Means算法的問(wèn)題，著重驗(yàn)證基于密度的噪聲空間聚類算法(DBSCAN)的效果。DBSCAN 算法將特征空間中足夠密集的點(diǎn)劃分為同一個(gè)簇，簇的形狀可以是任意的，而且不會(huì)劃分噪聲點(diǎn)的簇。DBSCAN 可以用于各種復(fù)雜形狀的數(shù)據(jù)集，能夠識(shí)別出離群點(diǎn)，非常適合用來(lái)檢測(cè)離群點(diǎn)?；贒BSCAN算法的點(diǎn)云分割結(jié)果如圖9所示。

圖9 基于DBSCAN算法的點(diǎn)云分割結(jié)果Fig.9 Point cloud segmentation results based on DBSCAN algorithm

②視頻智能識(shí)別算法的實(shí)現(xiàn)。為了使城際鐵路周界入侵視頻智能識(shí)別算法具備強(qiáng)魯棒性，研究采用不需要依賴于人工提取特征的深度學(xué)習(xí)方法?？紤]到周界入侵檢測(cè)需要具備實(shí)時(shí)性，選擇One-Stage 的目標(biāo)檢測(cè)算法，即當(dāng)前應(yīng)用最廣泛的YOLO 系列算法。但YOLO更多的是針對(duì)ImageNet，Pacsal VOC和coco等公開(kāi)數(shù)據(jù)集，對(duì)于周界檢測(cè)現(xiàn)場(chǎng)場(chǎng)景并不能獲得如同實(shí)驗(yàn)中那樣良好的效果，且無(wú)法獲得公開(kāi)數(shù)據(jù)集同等數(shù)量級(jí)的標(biāo)注數(shù)據(jù)，為了避免過(guò)擬合等問(wèn)題，針對(duì)周界場(chǎng)景對(duì)YOLOv5的網(wǎng)絡(luò)進(jìn)行修改，以確保更為適合，并且使用遷移學(xué)習(xí)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

③激光雷達(dá)+視頻融合算法的實(shí)現(xiàn)。融合跟蹤算法是對(duì)原有激光雷達(dá)算法中的障礙物匹配算法的擴(kuò)展優(yōu)化。在原有的激光雷達(dá)障礙物匹配算法中，由于除了中心點(diǎn)和長(zhǎng)寬高以外沒(méi)有更多的障礙物特征信息，因而只是簡(jiǎn)單地使用匈牙利算法(Hungarian)對(duì)前后幀障礙物進(jìn)行目標(biāo)跟蹤。在原有匹配算法中存在以下缺點(diǎn)：在前后幀障礙物數(shù)量不一致且障礙物間距很近或者多人行走有重疊的情況下，偶爾會(huì)發(fā)生匹配錯(cuò)誤；小目標(biāo)間歇性檢測(cè)不到的情況下必然導(dǎo)致匹配失敗。為了解決這些問(wèn)題，融合跟蹤算法引入圖像作為輔助。

4.2 雨霧等干擾過(guò)濾技術(shù)研究

在實(shí)際使用過(guò)程中，激光雷達(dá)易受環(huán)境中煙塵固體小顆粒的影響。由于煙塵固體小顆粒表面凹凸不平，反射回激光雷達(dá)接收器的激光方向存在隨機(jī)性，因而容易產(chǎn)生誤報(bào)警?？紤]到城際鐵路場(chǎng)景下激光雷達(dá)過(guò)濾煙塵的功能需求，對(duì)于煙塵固體等小顆粒的過(guò)濾使用幀差法。幀差法是通過(guò)對(duì)點(diǎn)云圖像中相鄰2 幀作差分運(yùn)算獲得運(yùn)動(dòng)目標(biāo)輪廓的方法，可以很好地適用于檢測(cè)環(huán)境中固體小顆粒的情況。當(dāng)監(jiān)控場(chǎng)景中出現(xiàn)大量固體小顆粒時(shí)，相鄰幀之間會(huì)存在較為明顯的差別。通過(guò)對(duì)比相鄰2 幀點(diǎn)云數(shù)據(jù)，得到2 幀點(diǎn)云圖像之間的差值，判斷其是否大于閾值，分析點(diǎn)云圖像中物體的運(yùn)動(dòng)特性，確定點(diǎn)云圖像中的小顆粒運(yùn)動(dòng)物體。三幀差法是在相鄰幀差法的基礎(chǔ)上改進(jìn)的算法，在一定程度上優(yōu)化運(yùn)動(dòng)物體粗輪廓的問(wèn)題。相比之下，三幀差法比相鄰幀差法更適用于物體移動(dòng)速度較快的情況，如煙塵等小顆粒受大風(fēng)影響快速運(yùn)動(dòng)的現(xiàn)象。

雨霧天氣下采集的點(diǎn)云數(shù)據(jù)會(huì)隨時(shí)間變化，且包含雨霧的點(diǎn)云數(shù)據(jù)在雷達(dá)反射面法線方向的分布符合正態(tài)分布特征，分析該特征可以過(guò)濾大部分誤報(bào)。

4.3 雷視坐標(biāo)系標(biāo)定技術(shù)及工具研究

實(shí)現(xiàn)雷視坐標(biāo)系標(biāo)定后，可以為算法提供更多的信息，提高算法的準(zhǔn)確率和效率。一方面，研究雷視一體化裝置降低施工難度，減少施工成本和后期維護(hù)成本；另一方面，開(kāi)發(fā)雷視現(xiàn)場(chǎng)標(biāo)定工具，使利用既有綜合視頻監(jiān)控系統(tǒng)實(shí)現(xiàn)雷視坐標(biāo)系標(biāo)定成為可能。

在現(xiàn)場(chǎng)實(shí)際運(yùn)用過(guò)程中，發(fā)現(xiàn)雷達(dá)設(shè)備長(zhǎng)時(shí)間高功率的運(yùn)行，會(huì)造成雷達(dá)點(diǎn)云成像出現(xiàn)略微移動(dòng)的情況，造成噪音點(diǎn)云的殘留。標(biāo)定偏移實(shí)例如圖10 所示，藍(lán)色是初始位姿的背景點(diǎn)云，紅色是激光雷達(dá)經(jīng)過(guò)一段時(shí)間運(yùn)行后的背景點(diǎn)云。

圖10 標(biāo)定偏移實(shí)例Fig.10 Example of calibration deviation

為了解決這種情況，引入點(diǎn)云配準(zhǔn)算法。點(diǎn)云配準(zhǔn)算法指的是輸入2 幅點(diǎn)云，輸出1 個(gè)變換矩陣T，使得兩幅點(diǎn)云的重合程度盡可能高。點(diǎn)云配準(zhǔn)首先需要知道2 組點(diǎn)云的匹配關(guān)系，對(duì)于視覺(jué)三維點(diǎn)來(lái)說(shuō)，可以通過(guò)視覺(jué)特征匹配來(lái)獲取，對(duì)于雷達(dá)點(diǎn)云，可以通過(guò)最近鄰匹配來(lái)獲取。知道點(diǎn)云的匹配關(guān)系后，通過(guò)粗配準(zhǔn)和精配準(zhǔn)2 步來(lái)計(jì)算變換矩陣。粗配準(zhǔn)指的是在2 幅點(diǎn)云之間的變換完全未知的情況下進(jìn)行較為粗糙的配準(zhǔn)，目的主要是為精配準(zhǔn)提供較好的變換初值；精配準(zhǔn)則是給定一個(gè)初始變換，進(jìn)一步優(yōu)化得到更精確的變換。其中，粗配準(zhǔn)存在解析解，精配準(zhǔn)通過(guò)非線性優(yōu)化的方式進(jìn)一步優(yōu)化結(jié)果。

迭代最近鄰點(diǎn)算法(ICP)是經(jīng)典的數(shù)據(jù)配準(zhǔn)算法，通過(guò)求取源點(diǎn)云和目標(biāo)點(diǎn)云之間的對(duì)應(yīng)點(diǎn)對(duì)，基于對(duì)應(yīng)點(diǎn)對(duì)構(gòu)造旋轉(zhuǎn)平移矩陣，并利用所求矩陣，將源點(diǎn)云變換到目標(biāo)點(diǎn)云的坐標(biāo)系下，估計(jì)變換后源點(diǎn)云與目標(biāo)點(diǎn)云的誤差函數(shù)，如果誤差函數(shù)值大于閥值，則迭代進(jìn)行上述運(yùn)算直到滿足給定的誤差要求。

5 結(jié)束語(yǔ)

面向城際鐵路運(yùn)營(yíng)過(guò)程中典型場(chǎng)景特點(diǎn)和安全風(fēng)險(xiǎn)隱患，研究提出基于激光雷達(dá)+視頻的融合監(jiān)測(cè)技術(shù)方案，闡述方案的系統(tǒng)架構(gòu)、軟件架構(gòu)和功能設(shè)計(jì)。研究充分考慮運(yùn)行區(qū)段中可能遇到的暴雨和強(qiáng)濃霧天氣等干擾因素，通過(guò)雨霧過(guò)濾算法、ICP 配準(zhǔn)算法、雷視融合算法降低誤報(bào)率。研究提出的激光雷達(dá)+視頻融合監(jiān)測(cè)技術(shù)對(duì)人員入侵和異物侵限事件均能進(jìn)行及時(shí)有效的監(jiān)測(cè)，并對(duì)入侵目標(biāo)進(jìn)行捕捉和精確分類，滿足城際鐵路周界入侵的監(jiān)測(cè)需求。未來(lái)，還應(yīng)不斷迭代優(yōu)化監(jiān)測(cè)技術(shù)方案、強(qiáng)化惡劣天氣下的周界入侵算法魯棒性，提升激光雷達(dá)+視頻融合設(shè)備監(jiān)測(cè)的性能水平。