王成亮,葛暉
(中國鐵路濟南局集團有限公司,山東 濟南 250101)
2016年,原中國鐵路總公司(簡稱總公司)發布鐵總建設〔2016〕18號文[1],對設計時速200 km及以上鐵路區間線路視頻監控設置提出了明確標準,文件明確要求“單側線路監視范圍不應小于1.5 km”。中國鐵路濟南局集團有限公司認真貫徹落實總公司關于毫不松懈抓好運輸安全的工作部署,積極響應關于加強鐵路綜合視頻智能識別應用技術研究的部署,組織相關部門成立“鐵路安全視頻監控和智能分析系統設備”課題組,聚焦“行人非法上道、沿線非法施工損壞鐵路設備設施、上跨橋及公鐵并行區段機動車肇事侵入線路”等長期影響鐵路運輸安全的問題,聯合相關科技開發公司,運用物聯網、大數據、人工智能等技術手段,攻克多項技術難題,歷時2年成功研發了基于深度學習算法的鐵路安全視頻監控和智能分析系統。該系統利用視頻識別和深度學習等新技術,自動發現影響鐵路安全的危險目標,實現無人值守條件下的目標識別和預警功能,能夠有效應對鐵路沿線的安全威脅。
截至2018年底,我國高鐵營業里程超過2.9萬km,伴隨著鐵路的迅猛發展,鐵路周界安全防范成為重點關注的課題。《高速鐵路反恐怖行業標準》[2]把高鐵運行系統作為防護目標,明確需要運用智能化的視頻監控系統與周界入侵報警系統,而且系統應具備“晝夜監視、高清、全覆蓋、系統聯動、異物侵限監控、智能識別與分析、有效發現、驅趕、防止人為破壞和攀爬翻越入侵”等功能。目前鐵路周界安全防范技術主要是利用傳感器技術和電子信息技術,對非法侵入周界的行為進行監測,當有人、動物攀爬或穿越預定的防區時,設備產生報警信息。目前大多數周界防范手段都是非可視化防范,如物理阻攔、振動光纖、脈沖電子圍欄、光波對射等[3]。總公司于2015年發布《高速鐵路周界入侵報警系統總體技術方案》[4],對上述防范技術進行了應用說明,但這些防范技術在應用后由于誤報率高,無法適應鐵路沿線、重點區域安全保障工作的需要。因此開發一款誤報率低、適應能力強的鐵路安全視頻監控和智能分析系統勢在必行。
基于視頻深度學習的鐵路安全視頻監控和智能分析系統是鐵路周界防范最直接、最有效、最可信的方式,具有全天候、無人值守、低誤報率等獨特優勢。系統在滿足日常視頻監控的基礎上,通過在視頻畫面上設置需要重點監控的周界入侵檢測區域,可實現單側線路1.5 km周界入侵檢測功能。系統采用激光攝像機與紅外熱成像攝像機實現白天和夜晚的連續監控;采用激光攝像機與紅外熱成像攝像機高精度聯動方式,實現區間線路、咽喉等監控的全覆蓋;采用前置目標智能識別與檢測技術,實現人員入侵、火警等異常情況的智能自動識別,有效克服了人員巡邏帶來的巡視空隙缺點,與其他非可視化防護存在的高誤報率、低可靠性等問題相比,有效提高了防護準確率和實效性[5]。
系統主要由3部分組成:前端視頻采集系統、前置視頻分析報警系統、后端綜合管理平臺(見圖1)。
前端視頻采集系統主要包括:激光攝像機、熱成像攝像機(可選配語音播放系統等)。

圖1 系統組成
前端視頻采集系統是整個系統的“眼睛”,主要用于對防護監控區域的全天候連續成像、視頻采集。前端視頻采集系統由3個用于目標檢測的熱成像攝像機和2個高精度聯動激光攝像機組成(見圖2)。熱成像攝像機主要實現全天候、大場景目標檢測、預警,激光攝像機實現熱成像攝像機報警后的細節觀察及二次確認。

圖2 前端設備及監控區間
前置視頻分析報警系統利用熱成像攝像機提供目標位置,激光攝像機自動定位跟蹤目標,并進行二次判別。2種不同類型夜視攝像設備組合在一起,實現從大場景發現可疑目標,到局部場景把目標拉近放大、檢測、跟蹤、識別、報警等功能。該系統主要負責將前端視頻信號、報警信號以及各種其他數據進行智能分析及聯動,從而實現目標快速探測識別,保證系統報警信息的時效性[6]。
夜晚越界報警及云臺聯動視頻截圖見圖3。圖中展示了系統遠距離夜間成像效果,具備人形目標識別、越界報警及高清激光夜視聯動、細節放大等多種信息。

圖3 夜晚越界報警及云臺聯動視頻截圖
后端綜合管理平臺是一套集成化、數字化、智能化的平臺,在一個平臺下即可實現多子系統的統一管理與互聯互動,真正做到“一體化”管理。平臺通過Web服務,實現監控區域的劃線布防、撤防、更改以及攝像頭配置等功能,提高了周界布防的靈活性,設定完成即可生效。
平臺自動將告警按重要告警、次要告警、一般告警3個級別進行劃分,也可根據用戶需要設定告警的具體歸屬級別,實現對全路所有告警信息和告警視頻的訂閱、查詢,并對系統內部視頻內容分析告警信息進行處理,在系統中自動存儲告警級別、類型、時間及內容等相關信息。
用戶可通過客戶端配置相關信息,實現告警信息的短信、聲光、彈出圖像等方式提示。通過多畫面模式,瀏覽經智能分析后的監控視頻信號,也可選擇特定位置監控進行單畫面瀏覽,便于用戶實現對整體情況的全局監控以及特定位置的重點監控。同時,客戶端也可對傳送的告警信息進行獨立解析,并在列表中顯示告警信息。用戶可點擊告警信息,查看視頻分析結果,并作出相應處理。客戶端會在本地建立小型數據庫,保存最近3 d收到的告警信息,并提供本地信息檢索功能。
熱成像攝像機和激光攝像機聯動要求1 500 m處目標定位誤差不超過3 m,使用多臺固定安裝的熱成像攝像機覆蓋完整的監控范圍,檢測畫面中的所有可疑目標。激光攝像機依據熱成像攝像機的檢測結果,觀測目標細節信息并辨別確認。熱成像攝像機得到的是可疑目標在視頻畫面中的相對位置,而激光攝像機則需要目標的實際空間位置才能夠對目標進行定位觀測。針對該問題,設計開發了熱成像攝像機與激光攝像機空間 位置匹配標定解算算法,通過算法標定解算[7],可將目標在熱成像視頻畫面中的相對位置準確解算為激光攝像機的物理方位及鏡頭焦距參數,并利用激光攝像機的高精度伺服系統,準確響應解算參數,定位目標并觀測目標,對可疑目標進行識別確認[8]。
空間位置匹配標定解算算法主要采用以下技術:
(1)熱成像鏡頭畸變消除:為了保證空間位置標定算法的精確性,使用棋盤格模板對熱成像攝像機進行標定,消除成像設備的光學畸變問題。
(2)空間位置對應:利用仿射變換模型來代表它們之間的差異,通過選擇標定點,計算仿射變換參數[9],將熱成像攝像機的畫面點與激光攝像機的視場中心點進行對應,實現控制位置對應。
由于采用多熱成像攝像機對應多激光攝像機的系統架構來保證監控區域的全覆蓋,在實際使用中就存在同一時刻多臺熱成像攝像機控制單臺激光攝像機,或者激光攝像機在響應某臺熱成像攝像機聯動消息過程中,另一臺熱成像攝像機的聯動消息到來等問題,最終造成消息沖突,影響系統穩定性。為解決復雜條件下的命令完整性及命令沖突等問題,設計聯動調度子系統,子系統消息隊列、信息優先級排序及冗余信息過濾等保證聯動系統能夠正確執行指令,完成目標識別確認。單聯動工作流程見圖4,集群聯動工作流程見圖5。

圖4 單聯動工作流程
根據需要監測目標的距離,變焦后需要重新聚焦,一般采取手動聚焦或自動聚焦方式。手動聚焦需要人工干預,效率低下且需要人員值守。自動聚焦雖無需人員干預,但其自動聚焦過程存在由模糊至清晰的反復過程,時間一般為3 s左右,該過程對目標的識別會產生嚴重影響,會導致快速移動目標的丟失。高清可見光成像系統、高清紅外變焦成像系統均存在該問題。系統運用光學無熱化、智能焦點快速匹配、精密聚焦定位光機電結合技術,通過大量模型建立與分析,實現多光譜變焦系統全天候焦點快速匹配,在不同時刻、不同距離、不同照度、不同溫度等條件下,均可直接定位至清晰點,焦點位置匹配快速、精準。
通過使用被動無熱化設計方法和變焦距設計方法,使鏡頭透鏡材料的熱特性和機械結構件熱特性得到合理匹配,溫度變化時,它們之間的作用總是相互抵消,像面的位置能夠一直保持在常溫時的位置。因此可在-40~60 ℃溫度范圍內、在全焦距段連續變焦時,均可得到良好的像質。
焦點快速匹配技術要求聚焦定位機械傳動位置精準,在此采用帶位置精準反饋的光電編碼器直流減速電機,編碼器傳動位置反饋精度為0.005 mm,精密傳動絲杠與電機軸為一體化設計,保證了焦點位置精準定位、快速響應,光學系統全天候焦點匹配時間≤1 s。

圖5 集群聯動工作流程
基于深度學習算法的目標識別技術不受視頻畫面背景變化影響,識別明顯優于傳統的背景建模方法,具有很好的抗干擾能力[10]。
深度學習概念源于人工神經網絡的研究,算法通過學習一種深層非線性網絡結構,依據目標自身特征做識別計算,通過組合低層特征形成更加抽象的高層,從而表示屬性類別或特征,實現復雜函數逼近,具有強大的從少數樣本集中學習數據集本質特征的能力,因此系統具有良好的性能指標。系統實際應用時漏報率與誤報率測試結果見表1,系統時延測試結果見表2。

表1 系統實際應用時漏報率與誤報率測試結果

表2 系統時延測試結果
鐵路安全視頻監控和智能分析系統自2017年初在京滬高鐵德濟25號塔上安裝,在實際場景下對1.5 km范圍內開展全天候、全區間的自動目標檢測、跟蹤、識別、報警等方面的現場試用。試用結果表明,系統能夠有效改善原有監控設備夜間監視能力不足的問題;通過熱成像圖像智能檢測、激光攝像機高精度實時聯動跟蹤識別,在1.5 km范圍內進行無盲區晝夜監控,對高溫、霧霾、雨雪等不良天氣適應性較強;基于深度神經網絡識別算法,開發前置目標智能識別軟件,對鐵路現場中的人形、火源等目標進行智能高準確率識別和預警,實現對鐵路監控區域報警目標快速定位和主動防御。該系統的功能亮點為:智能化程度高、識別目標及時精準、全天候,且對外部自然環境自適應、成像效果好、系統技術設備表現穩定可靠。總之,該系統技術及其設備、資源供應條件比較成熟,在鐵路周界安全防范中具有推廣應用價值。