基于機(jī)器學(xué)習(xí)的鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的研究

郭良君 徐建軍 靳亞平 任青茂

摘 要：在鐵路安全事故中自然災(zāi)害造成的影響尤為嚴(yán)重。隨著鐵路大范圍開工和信息化建設(shè)，鐵路限界內(nèi)的安全防護(hù)需求日益增加。本文提出了鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備，利用機(jī)器學(xué)習(xí)技術(shù)的多種算法對鐵路限界內(nèi)的人員侵限、異物侵限和自然災(zāi)害進(jìn)行圖像智能識別和實時預(yù)警?；跈C(jī)器學(xué)習(xí)的鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的研制和應(yīng)用能夠輔助鐵路工務(wù)部門維護(hù)鐵路交通順暢，同時其智能識別和實時預(yù)警功能為鐵路列車的安全、高速運(yùn)行提供了可靠的保障。

關(guān)鍵詞：機(jī)器學(xué)習(xí);防洪減災(zāi);圖像識別;實時預(yù)警

1 緒論

1.1 課題的背景及意義

中國地域遼闊，自然地理情況復(fù)雜。地區(qū)多山川河流，鐵路橋隧相連。每到雨季，洪水肆虐，滑坡、泥石流、塌方落石等自然災(zāi)害頻繁，對鐵路運(yùn)輸及安全影響極大。近10年統(tǒng)計表明，洪水、塌方、落石、泥石流、滑坡等自然災(zāi)害對鐵路造成的重大事故占所有鐵路重大事故的87%。為了防止災(zāi)害的發(fā)生鐵路部門必須投入大量的工作人員24小時不間斷地在重點地質(zhì)災(zāi)害區(qū)域進(jìn)行巡守，但由于人力有限經(jīng)常會出現(xiàn)巡守的重點區(qū)域未發(fā)生隱患而未派人巡守的區(qū)域發(fā)生災(zāi)情，既消耗了大量的人力物力又無法在災(zāi)情初期及時排查，造成鐵路安全事故。

本課題在深入研究國內(nèi)外鐵路安全監(jiān)控系統(tǒng)現(xiàn)狀調(diào)研的基礎(chǔ)上，分析災(zāi)害監(jiān)測技術(shù)及發(fā)展趨勢，研究大風(fēng)、暴雨、大雪、泥石流、地震災(zāi)害及異物侵限突發(fā)事件對列車運(yùn)行安全的危害性，提出鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的研制。為鐵路提供由于滑坡、地震、泥石流等自然災(zāi)害、道上滯留的人或動物等異物侵限的實時監(jiān)測和預(yù)警。輔助工務(wù)部門維護(hù)鐵路交通順暢，為列車的運(yùn)行安全、高速運(yùn)行提供環(huán)境安全保障。

1.2 國內(nèi)外研究現(xiàn)狀

1.2.1 鐵路傳統(tǒng)防護(hù)措施的現(xiàn)狀

如今鐵路部門大多通過在鐵軌旁安裝防護(hù)網(wǎng)保障鐵路安全。但這種防護(hù)網(wǎng)不能阻攔大型滾石、洪水、樹枝掉落以及人員翻越。

1.2.2 基于深度學(xué)習(xí)與計算機(jī)視覺圖像的現(xiàn)狀

在深度學(xué)習(xí)算法出現(xiàn)之前，視覺算法大概分為特征感知、圖像預(yù)處理、特征提取、特征篩、推理預(yù)測與識別這五個步驟。當(dāng)計算機(jī)視覺采用機(jī)器學(xué)習(xí)方法的時候必須自己設(shè)計前四步驟，而手工設(shè)計特征需要大量的經(jīng)驗，需要開發(fā)者對這個領(lǐng)域和數(shù)據(jù)特別了解，設(shè)計出來特征還需要大量的調(diào)試工作;另一個難點在于，開發(fā)者不只需要手工設(shè)計特征，還要在此基礎(chǔ)上有一個比較合適的分類器算法，同時設(shè)計特征然后選擇一個分類器，這兩者合并達(dá)到最優(yōu)的效果，幾乎是不可能完成的任務(wù)。

深度學(xué)習(xí)算法大大提升了人工智能在語音、圖像處理等應(yīng)用層面的準(zhǔn)確度。目前計算機(jī)視覺圖像中比較成功的深度學(xué)習(xí)的應(yīng)用包括人臉識別、圖像問答、物體檢測和物體跟蹤等。

1.3 本文的研究內(nèi)容及章節(jié)安排

本文是基于機(jī)器學(xué)習(xí)對鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備進(jìn)行研究。全文分為三章節(jié)：第一章節(jié)為緒論，探討課題的背景意義以及國內(nèi)外研究現(xiàn)狀;第二章節(jié)為系統(tǒng)方案設(shè)計，對系統(tǒng)的方案和架構(gòu)進(jìn)行研究;第三章節(jié)為鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的算法研究。

2 方案設(shè)計

2.1 系統(tǒng)方案

系統(tǒng)通過在鐵路線路限界外安裝高清攝像機(jī)，采集鐵路線路、護(hù)坡等位置的數(shù)字視頻信號，實時傳送至系統(tǒng)監(jiān)控平臺。值班人員可通過系統(tǒng)監(jiān)控平臺對多線路多監(jiān)視點遠(yuǎn)程監(jiān)控。同時，系統(tǒng)自動對監(jiān)視點數(shù)字視頻進(jìn)行圖像分析、處理和識別。當(dāng)鐵路線路上出現(xiàn)洪水、石頭掉落、滑坡體位移、泥石流、異物侵入等情況時，系統(tǒng)自動實時預(yù)警，輔助值班人員預(yù)判山體滑坡等自然災(zāi)害及異物侵入。盡可能地在確保運(yùn)行安全的前提下，還能夠降低鐵路工務(wù)工人的工作強(qiáng)度。系統(tǒng)還提供標(biāo)準(zhǔn)接口，可與運(yùn)營調(diào)度系統(tǒng)、防洪防災(zāi)管理系統(tǒng)等相關(guān)系統(tǒng)互聯(lián)互通、實現(xiàn)信息的共享。

2.2 系統(tǒng)架構(gòu)

鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的系統(tǒng)架構(gòu)為：系統(tǒng)在野外設(shè)有多個監(jiān)測點，安裝智能監(jiān)測設(shè)備。智能監(jiān)測設(shè)備采集到的數(shù)字視頻信號經(jīng)過處理傳到監(jiān)控中心機(jī)房的Web服務(wù)器，在監(jiān)控中心的值班人員通過終端設(shè)備訪問服務(wù)器上安裝的系統(tǒng)軟件，對鐵路多線路多監(jiān)測點進(jìn)行遠(yuǎn)程監(jiān)測。當(dāng)值班人員對監(jiān)測點的監(jiān)測設(shè)備進(jìn)行云臺控制時，信號由終端設(shè)備發(fā)送至Web服務(wù)器，Web服務(wù)器再將信號傳給監(jiān)測點的監(jiān)測設(shè)備，實現(xiàn)云臺控制的功能。

3 鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的算法研究

3.1 一種改進(jìn)型背景差分建模算法

改進(jìn)型背景差分建模算法通過收集背景樣本來構(gòu)建背景模型。模型中每個像素點由至少10個背景樣本構(gòu)成，背景樣本需要固定，攝像機(jī)在構(gòu)建背景模型時不能抖動，類似mog算法，可以將背景像素插入在鄰域像素點的模型庫樣本中，并且該算法不受時間歷史影響，只有被分類為背景點的像素值才被插入到模型中，以保證背景模型的一致性。引入目標(biāo)整體的概念，彌補(bǔ)基于像素級前景檢測的不足。針對updating mask和segmentation mask采用不同尺寸的形態(tài)學(xué)處理方法，提高檢測準(zhǔn)確率。在updating mask里，計算像素點的梯度，根據(jù)梯度大小，確定是否需要更新鄰域。梯度值越大，說明像素值變化越大，說明該像素值可能為前景，不應(yīng)該更新。引入閃爍程度的概念，當(dāng)一個像素點的updating label與前一幀的updating label不一樣時，blinking level增加15，否則，減少1，然后根據(jù)blinking level的大小判斷該像素點是否為閃爍點[1]。閃爍像素主要出現(xiàn)在背景復(fù)雜的場景，如飛蟲、打雷等，這些場景會出現(xiàn)像素背景和前景的頻繁變化，因而針對這些閃爍應(yīng)該單獨處理，算法中，默認(rèn)的更新因子是32，當(dāng)背景變化很快時，背景模型無法快速的更新，將會導(dǎo)致前景檢測的較多的錯誤。因而，需要根據(jù)背景變化快慢程度，調(diào)整更新因子的大小，將更新因子分多個等級。

3.1.1 去陰影

視頻內(nèi)容分析要求比較精確的目標(biāo)檢測方法。常用的背景減方法在檢測運(yùn)動前景時也會檢測到運(yùn)動目標(biāo)投射的陰影，將陰影區(qū)域誤認(rèn)為目標(biāo)區(qū)可能造成運(yùn)動目標(biāo)粘連或者目標(biāo)區(qū)域幾何變形，影響后續(xù)內(nèi)容分析結(jié)果，因此去除陰影對于提高后續(xù)圖像分析的準(zhǔn)確性提供了保障。

3.1.2 自適應(yīng)閾值

閾值是基于圖像中物體與背景之間的灰度值差異，用圖像中的每一個像素點的灰度值和給定的閾值進(jìn)行比較，從灰度圖像中分離目標(biāo)區(qū)域和背景區(qū)域。在灰度圖像中，灰度值變化明顯的區(qū)域往往是物體的輪廓，所以將圖像分成一小塊一小塊的去計算閾值往往會得出圖像的輪廓。在鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備中利用自適應(yīng)閾值法，通過圖像的某個像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，保證圖像中各個像素的閾值會隨著周期圍鄰域塊的變化而變化，從而將監(jiān)控中出現(xiàn)的侵限物體與背景區(qū)分開來。

3.1.3 自動背景建模

背景建模的基本思想是對圖像的背景進(jìn)行建模，一旦背景模型建立，將當(dāng)前的圖像與背景模型進(jìn)行某種比較，根據(jù)比較結(jié)果確定前景目標(biāo)（需要監(jiān)測的運(yùn)動目標(biāo)）。

3.2 基于目標(biāo)梯度算子軌跡跟蹤算法

在野外環(huán)境中，由于跟蹤目標(biāo)較多并且難以進(jìn)行識別，但又必須區(qū)分不同目標(biāo)，所以使用了歐氏距離進(jìn)行區(qū)分并設(shè)置了一個分割比例;分割公式為：

在分割過程中可能有重疊問題，首先進(jìn)行類似A∩B形式計算求取最大公共像素位置，當(dāng)達(dá)到一定比例時，一般為0.3以上認(rèn)為應(yīng)該去掉其中面積較小的。

最后連續(xù)采集多幀圖像，分別計算相鄰幀之間的梯度，形成一個jacobi 矩陣：

n代表第n張圖像，根據(jù)速度和位移的不同將n設(shè)置在5～25之間。形成jacobi 矩陣之后，通過計算平均差額判斷是否為該物體。

3.2.1 梯度算子（微積分）/圖像算子

圖像的邊緣定義為兩個明顯不同強(qiáng)度區(qū)域的過渡，邊緣點對應(yīng)于一階微分幅度的極大值點以及二階微分的零點。因此，利用梯度模的極大值或二階導(dǎo)數(shù)為零點來提取邊緣就成為了常用的方法[2]。傳統(tǒng)的圖像邊緣檢測算法大部分都使用這種方法，如Roberts算子、Sobel算子、Prewitt算子、Laplace 算子和Canny算子等。

3.2.2 軌跡跟蹤

邊緣是運(yùn)動目標(biāo)的最基本特征，表現(xiàn)在圖像中就是指目標(biāo)周圍圖像灰度有階躍變化或屋頂變化的那些像素集合，它是圖像中局部亮度變化最顯著的部分。邊緣檢測就是采用某種算法來定位灰度不連續(xù)變化的位置，從而區(qū)分圖像中目標(biāo)與背景的交界線。圖像的灰度變化可以用灰度梯度來表示[3]。

輪廓跟蹤的思想是：

（1）根據(jù)提取的圖像邊緣，找出輪廓上的像素;

（2）根據(jù)這些像素的特征用一定的“跟蹤準(zhǔn)則”找出物體上的其他像素;

（3）其跟蹤效果的好壞主要取決于起始點和跟蹤準(zhǔn)則的選取兩個因素。

4 總結(jié)

鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的研究建立在自然災(zāi)害頻繁的鐵路無人看守路段安全防護(hù)日益重要的實際需求之上。本文首先在第一章節(jié)中對本課題的研究背景和現(xiàn)實意義進(jìn)行討論，對比了國內(nèi)外目前鐵路的安全防護(hù)措施和計算機(jī)視覺圖像技術(shù)的現(xiàn)狀;其次在第二章節(jié)提出了在鐵路限界內(nèi)進(jìn)行智能化圖像識別以及實時預(yù)警的方案，并設(shè)計了系統(tǒng)的軟件架構(gòu);在第三章節(jié)本文基于機(jī)器學(xué)習(xí)的兩種技術(shù)方法：一種改進(jìn)型背景差分建模算法和基于目標(biāo)梯度算子軌跡跟蹤算法來實現(xiàn)本課題對鐵路限界內(nèi)的行人列車、異物侵限和洪水等自然災(zāi)害的智能識別?；跈C(jī)器學(xué)習(xí)的鐵路工務(wù)防洪減災(zāi)監(jiān)測報警裝備的研制和應(yīng)用不僅可以輔助鐵路工務(wù)部門維護(hù)鐵路交通順暢，同時其智能識別和實時預(yù)警功能為鐵路列車的安全、高速運(yùn)行提供了可靠的保障。

參考文獻(xiàn)：

[1]何銀飛.基于改進(jìn)的幀差法和背景差法實現(xiàn)運(yùn)動目標(biāo)檢測[D].燕山大學(xué)，2016.

[2]徐長祿.視頻監(jiān)控中的運(yùn)動目標(biāo)檢測與跟蹤方法研究[D].南京師范大學(xué)，2017.

[3]趙銀妹.基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究[D].燕山大學(xué)，2018.