有軌電車異物侵限檢測及預警方法研究

葉 超，陳 新

（南京理工大學，江蘇南京 210094）

有軌電車通常采用半獨立路權運營，導致經常有行人、非機動車、紙板等異物侵限，嚴重影響有軌電車運行安全及效率，因此進行有軌電車異物侵限檢測及預警方法的研究十分重要。雖然在有軌電車沿線安裝著大量視頻監控設備，但單純依靠人眼觀看容易產生疏漏而且效率低下，因此需要將原有安裝的監控視頻充分利用，使用智能化方法對異物侵限行為進行精確識別與跟蹤，并實時預警，從而保證有軌電車行車安全及效率。

1 異物檢測及預警技術研究現狀

在異物檢測技術研究方面，國內外已有許多較為成熟的研究方法。J. A. Uribe，L. Fonseca，J. F. Vargas[1]等人使用霍夫變換及連續幀，通過稀疏光流計算目標軌跡，以確定與障礙物可能的碰撞路線。李興鑫[2]等人提出一種基于自適應閾值的前景目標分割算法和背景初始化算法，提升鐵路場景下異物檢測的精度。侯濤[3]等人提出一種改進MOG-LRMF的檢測方法，能夠適應光纖強弱以及多個運動物體的檢測。寧正[4]等人利用小波變換及鄰域平均法改進混合高斯模型，解決了前景目標檢測不全的問題。上述檢測方法雖然具有較好的性能，但對有軌電車運行環境適用性較差，部分方法檢測速度較慢，實時性有待提高。

在異物侵限預警技術研究方面，目前也有較多學者研究。德國航空航天中心[5-6]參考航空器防撞系統設計了鐵路列車防撞系統，該系統利用GPS定位技術、測速技術結合計算機技術、傳感器技術等，判斷出列車前方障礙物并提醒司機主動預警。易志剛[7]等人結合線路狀態、環境狀態、列車狀態等信息，同時考慮采集交互時間、司機的反應時間等因素，對列車防撞策略進行了分析研究。但上述列車異物侵限預警技術未考慮對預警等級進行劃分，在有軌電車線路上使用容易產生過多無用的預警信息，因此，本文將針對有軌電車異物侵限檢測及劃分預警等級方法進行研究，進一步提升有軌電車運行的安全性。

2 基于混合高斯模型與三幀差分法融合的異物侵限檢測

2.1 混合高斯模型建立與模型參數學習

傳統的混合高斯模型（Gaussian Mixture Model，GMM）由Stauffer和Grimson[8]首先提出，通過對圖像中的每個像素點建立高斯分布，使用高斯概率密度函數來描述動態變化的背景。首先模型中的任意像素點（x0，y0）隨時間變化所組成的序列描述如下：

式（1）中，Xt是像素點（x0，y0）在t時刻的像素值；I（x0，y0，i）是視頻序列中第i時刻的像素值。對像素點使用K個高斯分布組成高斯模型進行背景建模，則該像素點出現的概率P（Xt）可由式（2）表示：

式（2）中，K為高斯分布的個數，本文中K取常數5；ωi，t表示t時刻第i個高斯分布的權重值；μi，t，σi，t分別代表t時刻第i個高斯分布的均值向量及協方差矩陣。式中的η（Xt，μi，t，σi，t）為高斯分布的概率密度函數，計算如下：

當讀入新的視頻幀時，將每個點像素值對應的K個高斯分布與該點像素值進行匹配，若該像素點滿足|Xtμi，t|≤Dσi，t，則該像素點與背景模型匹配，為背景點，否則為前景點，其中D為置信參數，通常取值2.5。對于匹配的模型，需要對權重、均值及方差進行更新學習，對于不匹配的模型，刪除權重最小的高斯分布并創建新的高斯分布，均值取當前像素點的像素值，方差取初始化的較大方差，權重則根據更新公式進行更新。更新方法如下[9]：

式（4）～式（6）中，α，β為學習率，分別決定背景更新快慢和高斯分布參數更新快慢，α取0.001～0.01，β=αη（Xt，μi，t，σi，t）。Mt為匹配參數，當像素與背景模型匹配時Mt= 1，否則Mt= 0。

當背景模型參數更新后，需要對K個高斯分布按優先級φ從大到小進行排序，將大于閾值T的前B個高斯分布作為背景模型。φ與B的計算如下：

式（8）中，閾值T表示背景所占比例，需要根據實際情況進行選取，本文通過實驗確定閾值T為0.7。

2.2 三幀差分法

物體在運動時，相鄰的圖像幀的像素點之間會有明顯的差別，傳統的幀間差分法將連續兩幀圖像進行逐像素差分運算，提取出圖像前景區域，以此來獲取目標的輪廓，但當目標顏色相近時檢測效果不明顯，因此幀差法的基礎上，使用三幀差分法，提取視頻中的連續三幀圖像，相鄰兩幀之間進行逐像素差分運算得到兩張幀差圖，將兩張幀差圖進行邏輯與運算，最終獲得目標輪廓信息。具體計算過程如下[10]：

式（9）～式（11）中，T1、T2為預先設置圖像閾值，兩幀間的像素差絕對值大于閾值則該像素點為運動物體，值取1，否則為背景，值取0；fk-1（x，y）、fk（x，y）、fk+1（x，y）分 別 是 第k-1幀、k幀 與k+1幀 圖 像；Dk-1（x，y）、Dk（x，y）分別是k幀與k-1幀的幀差圖、k+1幀與k幀的幀差圖；Mk（x，y）為兩幀差圖作與運算后得到的圖像。

2.3 混合高斯模型與三幀差分法融合的侵限檢測

傳統混合高斯模型能夠檢測出比較完整的目標，抑制部分噪聲；三幀差分法檢測速度快，對快速運動目標表現出良好性能。結合2個模型的優點，將2個模型相融合，建立新的檢測模型，使檢測目標更加完整，輪廓更加清晰，解決空洞問題。

在進行檢測前，需要先對獲取的視頻圖像序列進行預處理，包括去噪、軌道線識別、劃分檢測區域等。預處理完成后，對視頻序列分別使用混合高斯模型和三幀差分法進行運動目標的獲取，針對兩者檢測結果的二值圖像進行邏輯或運算，最后將或運算得到的圖像進行形態學處理，得到最終的檢測圖像。

混合高斯模型與三幀差分法融合的侵限檢測流程如圖1所示。

3 有軌電車異物侵限預警技術

行人或物體侵限將對有軌電車運行安全造成嚴重影響，但并非所有的侵限行為都會造成影響。因此在檢測到侵限目標時需要根據目標對列車運行的影響程度進行預警等級劃分。本文中將使用T-S模糊神經網絡建模進行異物侵限等級劃分的研究并進行仿真。有軌電車異物侵限預警等級將劃分為低、中、高3個等級，根據判斷出的不同的等級，進行不同的應急處置。

3.1 T-S 模糊神經網絡模型

模糊神經網絡是將模糊推理與傳統神經網絡相結合的一種數據處理技術，常見的有Mamdani型模糊神經網絡與T-S型模糊神經網絡，本文根據實際應用情況，選擇T-S型模糊神經網絡。

T-S模糊神經網絡由日本學者Takagi和Sugeno[11]提出，將輸入數據進行模糊化，采用“if-then”的模糊推理規則進行推理，根據推理結果將數據反模糊化后進行輸出。假設有輸入變量{x1，x2，x3，…，xj}，則關于每條推理規則的輸出yi推理如下：

根據模糊計算結果采用加權平均法計算出系統的最終輸出y：

為使神經網絡更穩定、預測結果更精確，T-S模糊神經網絡需使用梯度下降法對網絡連接權系數、隸屬度函數的中心值和寬度等參數進行學習，以誤差性能為評判指標[14]。誤差e的計算如下：

式（16）中，yd為期望輸出值，yc為實際輸出值。T-S模糊神經網絡系統參數的更新公式如下：

3.2 基于模糊神經網絡的侵限預警等級劃分

有軌電車的異物侵限場景分為2類，第一類是靜態異物侵限，第二類是動態異物侵限。對于靜態異物而言，所有遺留軌道上的物體對列車運行安全及效率均會產生影響，因此劃分預警等級時，需要根據列車距離物體的遠近程度以及列車速度來判斷預警等級；對于動態異物而言，主要以行人、非機動車以及少量誤入軌行區的機動車為主。對于誤入軌行區的機動車，對列車運行安全有較大的影響，需要根據機動車運行方向、機動車運行速度、列車速度以及與最近列車的距離來判斷預警等級；對于行人與非機動車，大部分以橫穿軌行區為主，根據其運動速度、運動軌跡、運動方向、與最近列車的距離以及列車速度來判斷預警等級。

根據上述分析將異物侵限等級評估的列車速度、列車位置、障礙物類型、障礙物速度以及障礙物方向5個指標作為網絡的輸入，建立5個輸入1個輸出的T-S模糊神經網絡模型。神經網絡的第一層為5個輸入，第二至四層是隱藏層，其中第二層為模糊化層，用于計算各輸入所對應的隸屬度函數，本文中選擇高斯隸屬度函數；第三層為模糊推理規則層，計算各規則適用度；第四層為去模糊化層，先將規則適用度歸一化計算，然后將數據去模糊化，對應清晰的輸出，輸出隸屬度函數選擇線性；第五層為1個輸出，代表預警等級。

由于模糊神經網絡的輸出結果與輸入參數呈線性關系，預測結果不是所希望的預警等級，因此需要對預測結果進行數據處理后再與實際輸出進行比較。系統輸出y的具體處理方法如下：

3.3 預警信息傳遞

在劃分預警等級后，根據各等級進行信息的傳遞。當預警等級為低時，表明該物體或人不直接影響列車運行，列車無需降速，因此只需生成預警信息，在視頻監控系統中彈出消息框，以告知調度員相關信息即可；當預警等級為中時，表明該物體或人影響列車運行但列車距離較遠或速度較低，只需正常制動或提醒司機謹慎駕駛通過，將信息從視頻監控服務器通過控制中心列車自動監控系統（Automatic Train Supervision，ATS）服務器向車載設備發送預警信息，進行“滴滴”鳴響[15]；當預警等級為高時，表明該物體或人直接影響列車安全運行，此時列車速度較快或距離較近，通過控制中心 ATS 服務器終端向車載設備下發緊急命令及并發出長鳴預警聲，提醒司機采取緊急措施，與此同時，ATS服務器終端將向軌旁設備發出命令，及時關閉相關區段通過信號，以保障行車安全。預警信息傳遞示意圖如圖2所示。

4 實例仿真

本文的實驗條件為：Intel（R）Core（TM）i5-10210U CPU @1.60GHz 2.11 GHz，8GB RAM，Windows10，異物檢測實驗通過Python 3.9實現，預警等級劃分實驗通過Matlab實現。

4.1 異物檢測實例仿真

異物檢測實驗數據為某有軌電車公司提供的2021年5月21日編號為1101X攝像機的一段視頻，內容是1名行人翻越護欄進入軌行區造成列車緊急剎車停車，實驗需要在列車到來前，檢測出闖入軌行區的行人。

本文用經典混合高斯模型、三幀差分法及混合高斯模型與三幀差分法融合3種算法分別對視頻進行測試，將輸出視頻幀率設置為20幀/s，截取視頻第102幀、213幀進行對比。圖3、圖4分別為視頻第102幀、213幀的實驗結果，圖中從左至右分別為原圖、三幀差分法、混合高斯模型、混合高斯模型與三幀差分法融合算法檢測結果二值圖及最終檢測出的行人。二值圖中白色為檢測出的目標，黑色為背景。

從圖中可以看出，三幀差分法雖然檢測速度快，但檢測效果較差，不能檢測出完整的目標，輪廓空洞現象非常明顯；傳統的混合高斯模型算法在本視頻中的檢測效果良好，與混合高斯模型與三幀差分法融合算法相比檢測效果差別不大，但在其他視頻中，融合算法明顯優于傳統混合高斯模型算法，如圖5所示。從圖中可以看出，融合算法比傳統算法檢測出的目標更為完整，且目標內部無明顯空洞現象。

此外，從視頻的整體檢測效果來看，傳統混合高斯模型檢測時存在許多噪點，容易被誤檢成運動目標，而融合算法通過形態學處理后能夠較好地抑制噪聲，防止誤檢。由此可以看出混合高斯模型與三幀差分法融合算法更適合有軌電車異物侵限檢測。

4.2 預警等級劃分實例仿真

在Matlab的Neuro Fuzzy Designer工具箱中使用550組數據進行預警等級劃分實驗。本文數據集中的列車速度為通過某有軌電車公司ATS系統隨機采集的550組不同時刻不同列車速度，用于模擬列車通過場景；列車位置則根據GPS坐標換算為列車與障礙物的距離，并根據行車間隔確定取值范圍為0～3.5 km，使用rand函數在取值范圍內隨機生成；異物速度通過對某有軌電車公司提供的視頻中的行人、非機動車、機動車進行測速采集得到，靜態異物速度默認為0；對于異物方向，根據侵限類型確定為與列車同向，與列車相向，與列車軌跡交叉（橫穿軌道或靜止），分別用1、0、-1表示，在數據集中按2 : 3 : 2的比例隨機分配；數據集中靜態異物取值 -1，動態異物取值1，按3 : 7的比例進行隨機分配；預警等級由行業內專家及運營管理人員根據評價指標進行劃分，1表示低等級，2表示中等級，3表示高等級。

將500組數據輸入T-S模糊神經網絡中進行學習，剩下50組數據進行測試，測試結果如圖6、圖7所示。

圖6為T-S模糊神經網絡的樣本訓練誤差，從圖中可以看出訓練至70次左右時，神經網絡收斂，樣本誤差率維持在0.2907左右。圖7是經處理后的預測數據與實際數據對比，從仿真結果可以看出，T-S模糊神經網絡所預測的大部分指標下的預警等級與實際預警等級基本接近，且通過數據處理后與實際所判定等級基本相符，僅出現少量判斷錯誤的情況，預測準確率較高。由此可以判斷利用T-S模糊神經網絡模型魯棒性較好，能夠進行有軌電車異物侵限預警等級劃分。

5 結論

本文研究中將混合高斯模型與三幀差分法融合進行異物侵限檢測，結果表明該算法能夠較好的檢測出行人、汽車等障礙物，達到預期效果。文章通過T-S模糊神經網絡進行預警等級劃分，從實驗結果來看，該模型表現良好，能夠對有軌電車異物侵限預警等級準確劃分，但是由于實驗條件受限，對于不同環境條件下的檢測未進行更多的實驗，且實驗數據隨機性較大，對于預警等級劃分的精確度還有待提高。后期將進一步收集不同環境條件下的實驗數據，并對T-S模糊神經網絡進一步優化提升預測精確度，保證實驗結果的準確性，進而保障列車安全行駛。