基于YOLOv3算法的中低速列車在途障礙物檢測方法

王釧文，王 磊，黃仁歡，覃 銳

（通號萬全信號設備有限公司，杭州 310000）

列車在自動駕駛過程中的安全性，主要依賴于列車自動保護系統（ATP）。而ATP強調的是車距與行車授權，對于行車過程中的如行人闖入等突發狀況，無法做到有效的防護與應對。因此列車在途障礙物檢測作為一種重要的列車安全防護手段，早已成為列車全自動運行研究過程中一個重要的分支。

對于列車在途障礙物檢測的研究，始于20世紀70年代，研究初期，主要利用各類傳感器，如激光雷達傳感器和視覺傳感器，以及各種傳統圖像處理算法，如HOG特征和SVM分類器等。由于硬件手段及軟件算法限制，當時并未獲得較為理想的檢測效果。2006年深度學習理論的提出，及其后硬件條件的不斷更新，為列車在途障礙物檢測，尤其是中低速列車的在途障礙物檢測研究注入了新的血液。2015年YOLO檢測算法的提出，為列車在途障礙物檢測提供了新的解決方案。YOLO檢測算法亦屬于卷積神經網絡，但由于對傳統的卷積神經網絡結構進行了優化，在確保準確率的同時，極大程度上縮短了檢測時間。YOLOv3作為目前較優的YOLO檢測算法版本，其理論識別速率為45 F/s（YOLOv3-320），官方給出的預訓練模型可識別超過100種不同物體，極為適合中低速列車在途障礙物識別使用。

本文以YOLOv3檢測算法為基礎，在其原有的預訓練模型基礎上做遷移學習，并結合freeman鏈碼邊緣檢測方法，提出一種基于YOLOv3的中低速列車在途障礙物檢測方法。

1 方法提出

1.1 YOLOv3介紹

YOLOv3網絡由多個按特定順序排列的1×1和3×3卷積層組成。同時，在每個卷積層之后順序配置一個BN層和一個LeakyReLU層以實現其網絡的基礎功能。一般而言網絡中總共包含53個卷積層，所以又被稱為Darknet-53網絡，其詳細結構如圖1所示。預測過程中，利用(4+1+c) ×k個大小為1×1的卷積核進行卷積預測，以求提高識別準確度和識別效率。其中k為預設邊界框（bounding box prior）的個數（一般默認為3），c為預測目標的類別數。

圖1 YOLOv3網絡結構示意Fig.1 YOLOv3 network structure diagram

1.2 遷移學習與數據擴充

遷移學習的核心在于，選用已有的高效泛用模型，通過固定其基礎結構，同時利用已有數據對其輸出層或最后幾層進行重新訓練。從而針對某一特定場景建立更為高效的學習模型。由于只對部分網絡進行訓練，所以并不需要極大規模的樣本數據作為支撐。該做法的優勢在于，節省了大量數據收集、處理、標注工作，同時確保了網絡的識別能力。

其主要的遷移過程如下：

訓練或引用一個標準網絡模型（base network）;

將其前n層復制到最終需要得到的目標模型（target network）的前n層 ;

將target network剩下的其他層隨機初始化;

使用自身收集的與實際使用環境相契合的數據，訓練得到最終需要的目標模型。

訓練過程中可以選擇把遷移過來的這前n層“凍結”起來，即在訓練target task的時候，不改變這n層的值。或者，不凍結這前n層，而是不斷地在一定范圍內調整它們的值，該過程稱之為“微調”。大部分情況下，為了契合新的使用場景，都會使用到“微調”。

1.3 軌道邊緣提取

弗雷曼鏈碼（Freeman）是用曲線起始點的坐標和邊界點方向代碼來描述曲線或邊界的方法，對于求取圖片中全邊界有非常優異的效果。

如圖2所示，在圖像上選定任意一個像素點，同時將與其相鄰的8個像素點分別標記為0～7；設i為圖像上某像素點索引值，目標曲線pi→b7的路徑為pi→b4→b5→b6→b7，則其相應的弗雷曼鏈碼可以表示為46000。此時，將其路徑改為pi→b0→b7，那么，它的弗雷曼鏈碼則變為06。相對于鐵軌而言，若經統計發現其鏈碼中，某一字段出現頻率極高，那么，在軌道邊緣提取過程中，將該字段出現頻率最高的線段提取出來，即可得到準確的軌道邊緣。

圖2 弗雷曼鏈碼8鄰域標記方法示意Fig.2 Schematic diagram of Freeman chain code 8 neighborhood marking method

1.4 障礙物檢測流程

整合以上提到的檢測手段，配合現有的效果較優的圖像與處理手段，結合車載視覺傳感器（車載攝像頭）獲取到的視頻信息，即可得到中低速列車在途障礙物檢測的完整方案，包括如下步驟:

1）車載攝像頭獲取到行車畫面，歸一化處理后，記錄原圖并拷貝兩個副本（副本一與副本二），副本與原圖應完全一致；

2）對副本一設置感興趣區域（ROI）標記出鐵軌大致位置；

3）圖像預處理、去噪；

4）使用canny算子獲取圖中的所有邊緣信息；

5）使用Freeman鏈碼提取軌道邊緣位置，并標記至原圖；

6）對副本二使用訓練好的YOLOv3網絡檢測可識別的物體；

7）若存在可識別的物體則進行步驟8），否則直接進行步驟9）；

8）將可識別物體的位置與步驟5）得到的軌道邊緣做位置對比，若在軌道邊緣內，則在原圖上標記該物體并將報警信息上報至車載臺。否則只在原圖上對該物體進行標記；

9）在車載臺上顯示原圖。

依據步驟1)至步驟9）逐幀檢測車載攝像頭獲得的行車畫面，即可實時監測列車運行過程中是否存在可能的障礙物，并及時預警。

2 實驗驗證

2.1 數據集準備

本文使用天水有軌電車示范線一期工程中采集的車載視頻，共截取2 400張大小為1 024×768的圖片樣本，樣本目標包括社會車輛和信號機各1 200張（由于部分圖片中可能包含多種目標，故圖片有復用）。使用其中2 000張（每種1 000張）作為訓練集，400張作為測試集。

2.2 實驗結果

試驗過程中共計識別圖片400張，其中誤識別4張，漏識別6張，誤識別率1.0%，漏識別率1.5%，漏識別率相對較高。其主要原因在于，天水項目車載攝像頭安置于駕駛室內，受光線及駕駛室玻璃折射、散射影響較大，成像質量較差，嚴重制約識別效率。識別效果如圖3所示。

圖3 軌道邊緣及障礙物識別效果Fig.3 Track edge and obstacle identification effect picture

3 結語

本文使用YOLOv3網絡及freeman鏈路算法，有效識別了軌道邊緣和列車運行前方障礙物，是一種適用于中低速列車的在途障礙物檢測方法。