基于機器視覺的軌道車輛側向盲區障礙物識別

王維華

(陜西交通職業技術學院，陜西 西安 710018)

0 引言

在行車過程中，軌道交通塌方、泥石流引起的沙石堵塞、橋隧懸空、誤報報警、人員和設備困于軌道等情況，嚴重威脅著軌道車輛行駛安全和旅客的生命財產安全。在軌道車輛行進過程中，由于車輛自身的遮擋、車輛高度限制等原因，即使是使用大尺寸雙曲率后視鏡，駕駛者對車身側方區域的觀察也不夠全面。

針對上述問題，相關學者提出了多技術融合的障礙物識別方法[1]。這些方法結合生物技術、信息技術和認知技術，利用仿真模擬軌道車輛行駛，由此設計軌道車輛側向盲區障礙物識別方案；也有學者設計了64線激光雷達的障礙物識別方法[2]，利用多特征、多層高程圖對路面、障礙物和懸架進行分離，然后利用基于動態距離門限的網格聚類算法對障礙物進行聚類，結合相鄰兩個障礙物的運動狀態信息對聚類結果進行修正，最終發現障礙物。然而由于軌道列車慣性大、制動距離長，上述方法的識別效果不理想。針對此問題，本研究提出了基于機器視覺的軌道車輛側向盲區障礙物識別方法。

1 靜態障礙物識別

1.1 確定靜態障礙物區域

在車輛前設置單一攝像機，采用機載隨動檢測裝置在列車運行過程中，實時拍攝前方軌道，得到實時視頻序列[3]。車輛設備須在最小制動距離范圍內，向司機發出預警信號。司機接收到信號后，將報警信息實時反饋給基站，基站根據接收到的信息調整應急狀態[4]。

圖1為車載攝像機安裝圖。

圖1 車載攝像機安裝示意圖

圖1中：C表示列車上安裝的車載攝像機位置；S1表示識別到障礙物的反應時間；S2表示列車剎車時受到慣性作用力影響下的最小制動距離；S3表示車載攝像機的掃描范圍。

1.2 基于輪廓特征檢測障礙物

對于障礙物區域檢測到的目標，需要確定目標輪廓，依據輪廓特征判斷目標是否為障礙物。

通過追蹤到的輪廓得到實際的輪廓位置[5-6]。利用平面投影變換矩陣A，可預測目標輪廓所在的位置。如果預測的等值線在地面，即等值線與地面的高度為0時，預測等值線與實際等高線重合[7]。接下來，按照下面的步驟來確定該輪廓是否為障礙輪廓。

步驟一：獲取目標輪廓，提取兩幅圖像作為檢測目標。

步驟二：跟蹤第二幅圖像目標輪廓。

步驟三：通過對兩幅圖像的輪廓特征點進行對比分析，將提取出的輪廓特征點與第二幅圖像的輪廓特征點對應，然后用式(1)對其進行預測，從而得到整體輪廓[8]。

設Ri和R′i是兩幅圖像中同一點的歸一化圖像坐標，兩個點的轉換關系如下：

λiR′i=(DW+LnT)Ri

(1)

式中：D表示車載攝像機與地面之間的距離；n表示地面圖像在攝像機坐標系中法向量；W表示旋轉矩陣；L表示平移向量；λi表示變換尺度因子，該因子不是唯一的，而是歸一化結果[9]。

步驟四：求取真實輪廓與預測輪廓間的相似性[10]。

若相似性小于某一閾值，則對應的目標輪廓是障礙物輪廓，否則不是[11]。兩幅圖像輪廓G1和G2相似性的計算公式如下：

(2)

(3)

式中l表示輪廓G1和G2到邊界點b的最小距離[12]。結合上述公式，完成對靜態盲區障礙物的識別。

2 動態障礙物識別

2.1 確定動態運動障礙物區域

基于運動補償的差異圖所有信息都只包含實體對象(靜態的和移動的實體對象)，直接分析差分圖上的點灰度，并提取實體的區域[13]。根據兩幀間的灰度不變性原理，估算出到地面上的點對應于檢測區域范圍內點的運動方程，計算出相應像素在k+1幀內的灰度值。但由于障礙點不符合平面運動方程，因此相應位置的像素灰度變化較大[14]。所以，每一區域的平面置信度都需要再次計算平面置信度α1和立體置信度α2，并通過式(4)確定每一區域隸屬度β。

(4)

結合式(4)，鎖定圖像的立體區域，如下所示：

(5)

按照上式確定動態運動障礙物區域。

2.2 計算立體置信度和平面置信度

空間可信度和平面可信度是圖像塊的基本屬性，表示其屬于道路平面或三維目標的概率。

1)計算平面置信度

根據上述確定的動態運動障礙物區域，結合運動補償剩余SSD方法來計算平面置信度[15]。其基本思想為：首先確定列車行駛的速度空間，在該空間內進行遍歷搜索；然后求取每個線速度和角速度，獲取每個像素點通過水平運動后從k幀到k′幀的時間[16]；最后利用光學短時間內恒定不變原理，計算平面置信度，如式(6)所示。

(6)

式中：Si(m)表示像素點從k幀到k′幀水平運動的距離；?表示運動補償殘差。

在計算剩余運動補償殘差后，對結果進行標準化處理，目的是保持運算精度和提高算法的靈敏度。

2)計算立體置信度

障礙物區域不符合道路平面運動模型，但符合基于塊匹配原理的運動模型，故采用塊匹配原理可以計算立體置信度。圖2顯示了塊匹配的原理。由圖2可知，設圖像序列t時刻與t-1時刻所對應的圖像幀分別為k幀和k-1幀。搜索k-1幀中相似的子塊，將其轉換為匹配塊，確定當前匹配塊位置是k幀的匹配塊位置。

圖2 塊匹配的原理

根據塊匹配的搜索范圍，設定圖像運動方程。設宏塊大小為M×N時，可確定搜索范圍為

f=(M+2lx,N+2ly)

(7)

式中lx和ly分別表示水平和垂直最大位移矢量。

在已知圖像運動矢量較大時，要設置較大的搜索窗口，以實現塊匹配的精確搜索。但若圖像向量較小，搜索窗口縮小，則無需設置大搜索窗口，否則只能增加計算量，無法提高搜索速度。在最后一幀中，估計當前區域的像素移至前一幀，然后擴大前一幀對應像素進行模式匹配。按式(7)求出匹配的殘差，然后歸一化處理，由此完成立體置信度計算。

2.3 剔除灰度值

障礙圖像中存在的灰度問題影響了識別的準確性，因此應消除灰度值。設C0和C1分別為t0和t1時刻車載攝像機拍攝的第一幀和第二幀圖像光心。在Δt=t1-t0時間內，車載攝像機圖像光心由C0點到C1點運動的線速度為v，角速度為ω。由點C0=(x0,y0,z0)T到點C1=(x1,y1,z1)T運動方程，可用下式表示：

(8)

式中Z表示線性外參矩陣。

3 實驗與分析

為了驗證基于機器視覺的軌道車輛側向盲區障礙物識別方法的有效性，設計如下實驗。

采集軌道轉彎處圖像，如圖3所示。圖3(a)中，軌道左側地面位置存在可移動性障礙物。將圖3(a)中的原始圖像分割成黑白像素，并結合其他指標完成對窗口內障礙物的檢測，如圖3(b)所示，對原始圖像進行預處理，建立檢測窗口，檢測窗口移動時檢測窗口中有沒有障礙物等多種情況。圖3(b)中，圖像灰度較低的區域像素較多，對應于畫面中的暗區，即障礙物。

圖3 標準圖像

在識別障礙物的標準檢測窗口中，分別應用傳統的基于多技術融合的障礙物識別方法、基于64線激光雷達的障礙物識別方法和本文方法，對灰度直方圖檢測結果進行對比分析，結果如圖4所示。

圖4 3種方法灰度直方圖檢測結果

分析圖4 可知，兩種傳統方法的灰度直方圖檢測結果與標準圖像不一致的情況。而本文方法的灰度直方圖檢測結果與標準圖像基本一致，證明本文方法可以準確地識別出障礙物。

在此基礎上，以識別耗時為指標，驗證不同方法的有效性，結果如表1所示。

表1 不同方法的識別耗時對比 單位：s

分析表1可知，在多次實驗中，本文方法對軌道車輛側向盲區障礙物的識別耗時始終低于其他兩種方法，這說明本文方法的時效性更高，能夠在極短時間內識別到障礙物，有效保證軌道車輛行駛安全。

4 結語

本研究提出了一種基于機器視覺的軌道車輛側向盲區障礙物識別方法，依據輪廓特征識別靜態盲區障礙物；通過計算立體置信度和平面置信度識別動態運動障礙物；并通過實驗證明了該方法的有效性。