高速鐵路列控系統(tǒng)車載模式顯示識別研究

袁 磊， 甘慶鵬， 付 強(qiáng)

(1. 北京交通大學(xué) 軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室，北京 100044；2. 北京交通大學(xué) 軌道交通運(yùn)行控制系統(tǒng)國家工程研究中心， 北京 100044)

高速鐵路CTCS列車運(yùn)行控制系統(tǒng)(簡稱列控系統(tǒng))車載設(shè)備通過人機(jī)界面DMI(Driver-Man Interface)向司機(jī)實(shí)時顯示距離監(jiān)督信息、速度信息、補(bǔ)充駕駛信息、運(yùn)行計劃信息、監(jiān)控信息等，信息顯示方式包括：文字、數(shù)字、圖案、顏色、標(biāo)尺、圖形等。[1]目前，列控系統(tǒng)的第3方測試(如：互聯(lián)互通測試、產(chǎn)品認(rèn)證檢驗(yàn)測試、現(xiàn)場聯(lián)調(diào)聯(lián)試等)多采用人工觀察DMI顯示判斷系統(tǒng)內(nèi)部工作狀態(tài)，效率低下。實(shí)現(xiàn)對列控車載設(shè)備DMI顯示信息的自動識別，可更全面、準(zhǔn)確的獲取列控系統(tǒng)內(nèi)部狀態(tài)，從而有效提高列控系統(tǒng)第3方測試的準(zhǔn)確度和效率。

目前國內(nèi)外針對列控系統(tǒng)DMI顯示信息自動識別的研究相對較少。張勇等[2]采用改進(jìn)的字回溯切分法實(shí)現(xiàn)單個字體切割，采用統(tǒng)計模式和結(jié)構(gòu)模式相結(jié)合的方法提高對數(shù)字、字母和漢字的識別率。但該方法只有在保證車載DMI界面清晰穩(wěn)定的基礎(chǔ)上，才能獲得高識別率。除針對DMI信息顯示識別外，與文字識別相關(guān)的研究，即光學(xué)字符識別(OCR)[3]，主要是基于圖像以及所需要識別的字符提取不同的特征再進(jìn)行分類或者模板匹配。如文獻(xiàn)[4]在基于圖像預(yù)處理的前提下利用尺度不變特征轉(zhuǎn)換(SIFT)方法提取特征點(diǎn)，再通過隱馬爾科夫模型(HMM)進(jìn)行模板匹配實(shí)現(xiàn)漢字識別。文獻(xiàn)[5]利用多分辨率工具提取特征并結(jié)合歐幾里得距離進(jìn)行手寫的英文識別。基于OCR的研究為DMI信息的自動識別提供了參考，但由于安裝在動車組上的DMI設(shè)備以及圖像采集設(shè)備因列車運(yùn)行而產(chǎn)生抖動、光照環(huán)境變化以及DMI顯示信息本身像素較少等因素，使得基于DMI圖像的信息識別有別于一般的OCR識別并具有一定的難點(diǎn)。

本文以DMI顯示的列控車載設(shè)備工作模式的分類識別為例，在通過圖像預(yù)處理分割出列模式文字顯示區(qū)域后，用二維主成分分析(2DPCA)方法提取模式主要特征，再利用SVM進(jìn)行分類，其中SVM的參數(shù)通過改進(jìn)的粒子群算法PSO[6]進(jìn)行優(yōu)化，最終實(shí)現(xiàn)對列控車載設(shè)備工作模式DMI顯示的準(zhǔn)確識別。實(shí)現(xiàn)流程見圖1。

1 列控車載模式及圖像特征提取

列控車載系統(tǒng)在不同運(yùn)行階段所承擔(dān)的安全防護(hù)功能不同，而列控車載模式正是系統(tǒng)當(dāng)前所承擔(dān)的安全防護(hù)功能的標(biāo)識。車載模式向司機(jī)表明了列控系統(tǒng)和司機(jī)之間的安全職責(zé)的劃分，是系統(tǒng)重要的狀態(tài)信息之一。CTCS列控系統(tǒng)車載模式包括待機(jī)、完全、引導(dǎo)、目視、調(diào)車、休眠、隔離、冒進(jìn)、冒后、部分、機(jī)信、LKJ等模式[6]。車載模式信息在DMI顯示屏上的B7區(qū)以文字方式向司機(jī)顯示。車載DMI顯示分辨率一般為640×480像素，B區(qū)大小為280×300像素，B7區(qū)大小為36×36像素。車載模式信息顯示字體為幼圓，字體大小推薦為16 lb，顏色為白色(RGB值255、255、255)，背景色RGB值為3、17、34[6]。車載模式信息在DMI上的顯示位置見圖2。

然而對列控系統(tǒng)在運(yùn)行線上進(jìn)行黑盒測試時(如聯(lián)調(diào)聯(lián)試、型式試驗(yàn)等)只能通過攝像機(jī)或照相機(jī)等設(shè)備實(shí)時采集DMI的圖像顯示。同時，采集DMI顯示信息時的周圍環(huán)境具有不確定性，會影響圖像采集的質(zhì)量。例如環(huán)境明暗變化、環(huán)境中運(yùn)動物體在屏幕上形成的光影、列車運(yùn)行引起晃動影響對焦、為避開司機(jī)操作對顯示屏幕的遮擋而從側(cè)邊對顯示圖像進(jìn)行采集等。這些都導(dǎo)致了采集信息的失真。圖3為車載模式在DMI上顯示的實(shí)際采集結(jié)果示例，該采集圖像采用攝像機(jī)采集并截圖得到，攝像機(jī)位于司機(jī)駕駛室內(nèi)，從DMI屏幕右側(cè)約45°對圖像進(jìn)行采集。信息采集時列車最高速度310 km/h。

圖3中，由于顯示信息實(shí)時采集過程中受到晃動影響對焦、光線明暗變化以及圖像分割等造成圖像中文字位置、大小等不一致，影響分類。因此，首先需要對圖像進(jìn)行濾波、增強(qiáng)、分割及規(guī)整化等預(yù)處理，見圖4。

( 1 )

( 2 )

式中：φ∈Rm×r。

( 3 )

2 基于改進(jìn)的PSO參數(shù)尋優(yōu)的SVM分類

為了對提取的特征進(jìn)行分類，采用在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢支持SVM 算法[8]。SVM最初來源于線性可分的2分類問題，通過尋找最優(yōu)超平面將樣本數(shù)據(jù)進(jìn)行分類。數(shù)學(xué)上，2分類SVM方法可以描述為下面2次規(guī)劃問題的求解

s.t.yiwT·xi+b≥1-ζi

c≥0ζi≥0,i=1,2,…,l

( 4 )

式中：c是懲罰參數(shù)；ζ是松弛變量；l為樣本數(shù)。通過求解其對偶問題可以得到分類判別函數(shù)

( 5 )

Kxi,xj為核函數(shù), 使在低維空間非線性不可分的特征變量投影到高維空間中變?yōu)榫€性可分。其中，徑向基核函數(shù)(RBF)在不同維數(shù)、不同樣本數(shù)情況下均表現(xiàn)出較好的學(xué)習(xí)能力，應(yīng)用比較廣泛。[9]因此，本文采用徑向基核函數(shù)作為SVM的核函數(shù)。其形式為

K(x,y)=exp[-γ‖x-y‖]

( 6 )

對于多分類問題，可以將其分解為2分類問題進(jìn)行處理，如進(jìn)行1類與其他類劃分的“1對多”方法、為任意兩個類建立分類器的“1對1”方法以及利用二叉決策樹的方法。構(gòu)建基于RBF核函數(shù)的SVM分類器(RBF-SVM)后，需要決定最優(yōu)參數(shù)(c,γ)。

參數(shù)的選取不一樣，SVM的分類效果就有一定程度的不同[10]。若在參數(shù)范圍內(nèi)以窮舉法搜尋最優(yōu)參數(shù)，則運(yùn)算效率低下，因此本文提出一種改進(jìn)的PSO算法以獲得最佳的(c,γ)參數(shù)對。

PSO算法最早由Kennedy與Eberhart提出[11]，是1種啟發(fā)式的全局搜索優(yōu)化算法。假設(shè)在d維的目標(biāo)搜索空間Xmin～Xmax中有n個潛在問題解組成1個粒子群S={X1,X2,…,Xn}，其中d維向量Xi(i=1,2,…,n)表示第i個粒子在搜索空間中的位置，通過求解目標(biāo)函數(shù)得到群中每一粒子的個體解(個體適應(yīng)度)Pi及群體最佳解(全局適應(yīng)度)Pg，然后每個粒子按下式更新位置

( 7 )

式中：k表示迭代數(shù)；w為慣性參數(shù)，權(quán)衡全局與局部搜索能力；c1,c2是一個常數(shù)，代表學(xué)習(xí)因子；r1,r2是兩個均勻分布于[0,1]之間的隨機(jī)參數(shù)。PSO作為一種群體智能算法，由于簡單且易于實(shí)現(xiàn)，因而在優(yōu)化領(lǐng)域得到廣泛的應(yīng)用。但是基本的PSO算法容易存在容易陷入局部極值的缺點(diǎn)[12]，因此為了提高算法性能，在Eberhart等人的研究[13]的基礎(chǔ)上，對慣性常量w進(jìn)行優(yōu)化。考慮到粒子Xi具有不同范圍的不同變量，本文將w定義為一個d×d的自適應(yīng)變化的對角系數(shù)矩陣

w=diag(w1,w2,…,wd)=

( 8 )

( 9 )

式中:rand表示[0,1]內(nèi)的隨機(jī)數(shù)，隨機(jī)矩陣R=diag(rand1,rand2,…,randd)。

在本文中，需要優(yōu)化的參數(shù)為Xi=[ci,γi]T，適應(yīng)度值RBF-SVM對訓(xùn)練樣本的正確分類率。

3 實(shí)驗(yàn)與分析

首先對比PCA降維、2DPCA降維以及不降維情況下模式識別效果。樣本數(shù)據(jù)為經(jīng)過二值化預(yù)處理得到的20×30像素二值圖像，共574個測試樣本。進(jìn)行不同降維處理后，結(jié)果見表1。

表1 PCA、2DPCA降維識別結(jié)果

從表1中可見，降維到同樣維數(shù)時(原來維數(shù)為600，降維至200)，2DPCA降維方法相比PCA方法雖然提取的主成分個數(shù)較少且主成分累計貢獻(xiàn)率較小，但樣本識別率基本一樣。同時可見采用兩種降維方法與不降維時識別率相差不大，因此在樣本數(shù)量很大時，可以采用2DPCA來降低SVM模型處理數(shù)據(jù)的規(guī)模。

對網(wǎng)格尋優(yōu)與粒子群算法尋優(yōu)這兩種SVM參數(shù)尋優(yōu)方法進(jìn)行對比，選取測試樣本數(shù)為574個，重復(fù)測試次數(shù)為10次。結(jié)果見表2。

表2 網(wǎng)格尋優(yōu)、PSO算法識別結(jié)果

從表2中可見，網(wǎng)格尋優(yōu)方法平均運(yùn)行時間要遠(yuǎn)大于PSO算法，因?yàn)槠漕愃朴诟F舉法，需遍歷網(wǎng)格中的所有點(diǎn)，所以效率較低。從識別效果來看，兩種尋優(yōu)算法基本一樣。綜合考慮，應(yīng)優(yōu)先選取PSO算法。

進(jìn)一步對比PSO算法改進(jìn)前與改進(jìn)后的效果，本文以下式作為適應(yīng)度測試函數(shù)

(10)

當(dāng)(x,y)→(0,0)時f(x,y)趨于極值1。該函數(shù)具有許多局部極值點(diǎn)。

應(yīng)用基本的PSO算法尋找最大值(最佳適應(yīng)度)的結(jié)果見圖5。可見在迭代次數(shù)為80代左右后，適應(yīng)度值在非常長一段時間內(nèi)沒有變化，說明算法陷入了局部極值點(diǎn)，直到450代左右才跳出局部極值點(diǎn)，找到最大值(0.990 03)，很明顯算法耗時過長。在算法的種群初始化數(shù)據(jù)不變的前提下，應(yīng)用本文提出的改進(jìn)的PSO算法對式(10)尋優(yōu)的結(jié)果見圖6。很顯然，算法沒有陷入到局部極值中，并且能夠很快的收斂找到最大值(0.995 86)，說明了本文提出的對PSO算法的改進(jìn)是具有明顯效果的。因此，采用該改進(jìn)的PSO算法對RBF-SVM參數(shù)尋優(yōu)。

本文以完全模式、部分模式、目視行車模式、待機(jī)模式、冒進(jìn)模式、冒進(jìn)后防護(hù)模式等6種模式為訓(xùn)練和測試樣本。其中，以RBF-SVM分類器對180個訓(xùn)練樣本的再分類的準(zhǔn)確率為適應(yīng)度值，以經(jīng)過改進(jìn)的PSO算法對兩個參數(shù)(c,γ)的尋優(yōu)見圖7。

從圖7可見，改進(jìn)了的PSO算法使得適應(yīng)度值在第3次迭代時便獲得了100%的適應(yīng)度值，確定的(c,γ)參數(shù)對為(18.34，0.01)。

在確定了RBF-SVM參數(shù)后，如果采用對應(yīng)于圖4(a)的對圖像分割后填充的歸一化大小方式，提取特征向量后通過SVM分類識別的結(jié)果見表3。

表3 列控工作模式識別結(jié)果

可以看到，某些類別的識別率并不理想，如對目視工作模式的識別率只達(dá)到了67.6%。主要原因在于當(dāng)變換得到用于特征提取的圖像較小時(如20×30像素)，則文字區(qū)域更小，圖像更加模糊，即使提取主要特征后也不利于分類。而若變換成更大的圖像，由于冗余信息黑色像素較多，圖像降維后仍然使得SVM的分類效率較慢。而如果采取割出文字區(qū)域后直接歸一化同樣大小后(如20×30像素)再進(jìn)行特征提取、訓(xùn)練分類，則識別效果可以得到明顯提升，見表4。

表4 列控工作模式識別結(jié)果

為了更直觀地表示表4的分類結(jié)果，給出了分類的混淆矩陣，見表5，表示表格第一列(類別)中的工作模式分類的結(jié)果。

表5 列控工作模式識別的混淆矩陣

從表4可見，經(jīng)過SVM分類后，基本上各個工作模式都能夠正確識別，測試574個樣本的基礎(chǔ)上，平均識別率達(dá)到了98.3%。而通過表5的混淆矩陣可以看到，部分模式有1個樣本錯誤的分類成了目視模式，而目視模式則分別有3個樣本錯誤分類成了完全模式、6個樣本錯誤分類成了待機(jī)模式。主要的原因在于，當(dāng)獲取的圖像中文字不夠清晰時，在進(jìn)行二值化處理后就有可能得到形態(tài)與其他模式類別相近的圖像，最后對分類造成影響。盡管如此，總體的識別率仍然很高。

4 結(jié)束語

本文研究了列車運(yùn)行控制系統(tǒng)DMI顯示的列車工作模式的分類識別，對分割出來的顯示工作模式的區(qū)域利用2DPCA進(jìn)行特征提取后，利用RBF-SVM進(jìn)行分類，其中RBF-SVM的參數(shù)用改進(jìn)了的PSO算法進(jìn)行了優(yōu)化，實(shí)現(xiàn)了列車工作模式DMI顯示的正確識別。實(shí)驗(yàn)表明，通過本文的方法達(dá)到了平均98.3%的識別率，對DMI圖像其它顯示信息的識別與設(shè)備自動化測試具有參考意義。

參考文獻(xiàn)：

[1] 唐濤.列車運(yùn)行控制系統(tǒng)[M].北京：中國鐵道出版社，2012.

[2] 張勇,覃燕,李凱，等.CTCS-3級列控系統(tǒng)車載設(shè)備人機(jī)界面信息的識別方法[J].中國鐵道科學(xué),2010,31(4):92-99.

ZHANG Yong, QIN Yan, LI Kai, et al.The Method for Recognizing Driver Machine Interface Information of the Onboard Equipment in CTCS-3[J]. China Railway Science,2010,31(4):92-99.

[3] DEEPA B, KUMAR S S. Optical Character Recognition: An Overview and an Insight[C]//Proceedings of 2014 IEEE International Conference on Control, Instrumentation, Communication and Computational Technologies. New York:IEEE, 2014:1361.

[4] WANG Zhenyan.Chinese Character Recognition Method Based on Image Processing and Hidden Markov Model[C]// Proceedings of 2014 IEEE Fifth International Conference on Intelligent Systems Design and Engineering Applications (ISDEA). New York:IEEE, 2014: 276-279.

[5] PATEL D K, SOM T, SINGH M K. Multiresolution Technique to Handwritten English Character Recognition Using Learning Rule and Euclidean Distance Metric[C]//Proceedings of 2014 IEEE International Conference on Signal Processing and Communication (ICSC). New York:IEEE, 2013: 207-212.

[6] 中國鐵路總公司文件.鐵總運(yùn)[2014]30號CTCS-2/3級列控車載設(shè)備人機(jī)界面(DMI)顯示暫行規(guī)范[Z].北京:中國鐵路總公司,2014.

[7] LI X, PANG Y, YUAN Y. L1-norm-based 2DPCA[J].IEEE Transactions on Systems, Man, and Cybernetics. Part B, Cybernetics: A Publication of the IEEE Systems, Man, and Cybernetics Society, 2010, 40(4): 1170-1175.

[8] VAISHNAV A P, GANATRA A P, BHENSDADIA C K. Support Vector Machine Classification Methods: A Review and Comparison with Different Classifiers[J].Data Mining and Knowledge Engineering, 2011, 3(1): 45-52.

[9] 王泳, 胡包鋼.應(yīng)用統(tǒng)計方法綜合評估核函數(shù)分類能力的研究[J].計算機(jī)學(xué)報, 2008, 31(6): 942-952.

WANG Yong, HU Baogang. A Study on Integrated Evaluating Kernel Classification Performance Using Statistical Methods[J]. Chinese Journal of Computers,2008, 31(6): 942-952.

[10] 林升梁,劉志.基于RBF核函數(shù)的支持向量機(jī)參數(shù)選擇[J]. 浙江工業(yè)大學(xué)學(xué)報, 2007,35(2):163-167.

LIN Shengliang,LIU Zhi.Parameter Selection in SVM with RBF Kernel Function[J]. Journal of Zhejiang University of Technology, 2007,35(2):163-167.

[11] POLI R, KENNEDY J, BLACKWELL T. Particle Swarm Optimization[J]. Swarm Intelligence, 2007,1(1): 33-57.

[12] 唐俊. PSO算法原理及應(yīng)用[J].計算機(jī)技術(shù)與發(fā)展, 2010(2):213-216.

TANG Jun. Principle and Application of PSO Algorithm[J].Computer Technology and Development, 2010(2): 213-216.

[13] SHI Y, EBERHART R C. Parameter Selection in Particle Swarm Optimization[C]// Proceedings of IEEE 7thAnnual Conference on Evolutionary Programming.New York:Springer-Verlag, 1998:591-600.