基于圖像處理的軌旁信號機識別方法

馮俊逸，沈 拓，2，張軒雄

(1.上海理工大學 光電信息與計算機工程學院，上海 200093； 2.同濟大學 上海市軌道交通結(jié)構(gòu)耐久與系統(tǒng)安全重點實驗室，上海 201804)

信號機是軌道交通的重要基礎設備之一，是保障列車安全運行、實現(xiàn)行車指揮和列車運行現(xiàn)代化、提高運輸效率的關鍵系統(tǒng)設備。在軌道交通中，凡是危及行車安全的地點，均有設置信號機。如果信號機的信號顯示未被司機及時發(fā)現(xiàn)，則會造成重大的鐵路事故[1]。

目前信號機的檢測方式有兩種：司機的肉眼觀察與車內(nèi)機車信號。當列車處于高速運行狀態(tài)時，天氣或司機注意力不集中等因素可能導致司機難以及時辨別甚至未發(fā)現(xiàn)信號機。而機車信號雖然對保障行車安全起到了重要作用，但由于機車信號尚未主體化，因此實際運行中還存在諸多問題，例如出現(xiàn)掉碼、串碼的情況[2]。為了進一步保障列車的運行安全，本文以圖像處理技術為基礎，研究了一種定位和識別軌旁信號機的算法。該算法可作為司機輔助駕駛的一部分，提醒司機前方信號機狀態(tài)，減輕司機的駕駛負擔。

隨著數(shù)字圖像處理和計算機視覺技術的發(fā)展，圖像處理技術已經(jīng)在醫(yī)療、工業(yè)、無人駕駛[3]等領域中得到了應用。根據(jù)不同研究對象的特點采用不同的圖像處理方法，能快速地從整張圖像中獲得需要的信息。本文的研究對象(信號機)具有鮮明的顏色和形狀特征，通過顏色分割等圖像處理技術可以快速獲得信號機的候選區(qū)域，再考慮實際情況中信號機和軌道的位置特點，以軌道位置信息為依據(jù)可以從候選區(qū)域中對指揮當前軌道運行的信號機位置進行準確定位，進而分析其顏色信號。

圖像處理技術已被用于信號燈識別，但該應用主要集中于路面交通燈，目前的應用主要分為3種：(1)通過對圖像進行特征提取，利用分類器進行分類識別[4-5]。文獻[4]先后在RGB和HSV色彩空間進行顏色分割，根據(jù)交通燈的幾何特征和背板的顏色信息篩選出候選區(qū)域，提取目標的梯度方向直方圖(Histogram of Oriented Gradient,HOG)，特征并通過訓練好的支持向量機(Support Vector Machines,SVM)分類器進行分類識別；(2)根據(jù)信號燈的圓形特征，利用霍夫圓變換進行識別。文獻[6]在歸一化后的RGB顏色空間進行顏色分割，提取出候選區(qū)域，然后對這些候選區(qū)域進行邊緣檢測，最后通過Hough圓變換定位出交通燈；(3)模板匹配[7-8]。文獻[7]通過HSV顏色分割和形態(tài)學降噪后得到交通燈的候選區(qū)域，利用交通燈的形狀特征做初步篩選，最后使用歸一化互相關模板匹配技術定位出交通燈。

運用圖像處理識別軌道信號機的研究較少。文獻[9]在HSV顏色空間內(nèi)進行顏色分割，通過Canny算子、腐蝕膨脹以及開閉運算等技術提取鐵路信號燈圖像的幾何特征，并通過Hough檢測對圖像中鐵路信號燈進行定位。文獻[10]根據(jù)火車轉(zhuǎn)向提取不同的ROI(Region of Interest)區(qū)域，在ROI區(qū)域內(nèi)使用卷積神經(jīng)網(wǎng)絡實現(xiàn)信號機的定位，最后設置像素值條件判斷信號燈所在區(qū)域內(nèi)的顏色信號。這兩種方法雖然都能識別到信號機，但針對的場景都比較單一，當場景中出現(xiàn)多個信號機時，無法準確判斷哪一個信號機在指揮當前軌道列車運行。針對此問題，本文結(jié)合軌道交通這一特殊場景，以軌道作為判斷依據(jù)，在準確識別到所有信號機的前提下，解決場景中出現(xiàn)多個信號機時的定位問題。

1 軌旁信號機識別算法

1.1 信號機候選區(qū)域提取

根據(jù)信號機的顏色和形狀特征，從整張圖像中提取出所有信號機的候選區(qū)域，后續(xù)再做進一步定位。提取方法步驟如下：

步驟1提取ROI。由于相機安裝在列車上的位置和軌旁信號機可能出現(xiàn)的位置相對固定，通過分析所拍攝的軌道場景圖像數(shù)據(jù)集中不同距離信號機出現(xiàn)的位置可知，在相機各項參數(shù)不變的條件下，不同處的信號機均位于圖像的中間區(qū)域。因此，截取圖像中間1/3的圖像，并刪除左右各1/3的圖像，以剩下區(qū)域作為ROI進行后續(xù)的處理，如圖1所示。

圖1 虛線框即所取ROIFigure 1. ROI is shown in the dashed box

步驟2顏色分割。對提取的ROI圖像在RGB色彩空間內(nèi)進行顏色分割，可剔除大量與研究對象無關的背景干擾，從而便于定位信號機的候選區(qū)域。采用固定閾值顏色分割將圖像二值化[11]，與信號顏色相同的紅、黃、綠的像素點設為白色，其它像素點設為黑色。通過統(tǒng)計分析數(shù)據(jù)集中不同背景和不同光照環(huán)境下信號顯示的顏色信息，得到信號顏色在RGB色彩空間中各分量值的大致范圍。各分量閾值范圍如表1所示；

表1 R、G、B的閾值范圍Table 1. Threshold range of R，G，B

步驟3開運算。利用開運算先腐蝕圖像中的高亮部分，剔除掉一些顏色分割后殘留的小型白斑噪聲。對腐蝕之后的圖像，針對其中的高亮部分進行膨脹操作，填充大塊圓斑中的小型黑洞，使圖像中的白色圓形區(qū)域更飽滿，便于后續(xù)根據(jù)信號機的形狀特征進行檢測；

(a)

(b)圖2 開運算效果圖(a)開運算前 (b)開運算后Figure 2. The result of opening operation(a)Before opening operation (b)After opening operation

步驟4霍夫圓檢測。本文采用了基于霍夫梯度法的霍夫圓變換[12]。信號機在開運算后的二值圖像中呈現(xiàn)為白色的圓形，使用霍夫圓變換檢測圖像中的所有圓形區(qū)域，作為信號機的候選區(qū)域。提取效果如圖3所示。

圖3 信號機候選區(qū)域Figure 3. The candidate region of signal

1.2 定位當前軌道信號機

城市軌道交通中，每一個站臺附近以及道岔處都設有信號機，這些地方往往不止一條軌道，因此也存在著多個信號機分別顯示相應軌道列車的運行狀況[1]。此時需要正確區(qū)分當前軌道和其他軌道信號機的問題，以防誤判。

為了區(qū)分當前軌道和其它軌道的信號機，本文利用了信號機與軌道的固定位置關系。信號機通常位于當前軌道的右邊[1]，因此可以先找到當前軌道的右軌所在的直線作為參考。Canny算子在抑制噪聲和邊緣檢測之間能達到較好的平衡[13-14]，本文選擇Canny算子對ROI圖像進行邊緣檢測，利用霍夫直線變換檢測邊緣圖像中的直線。通過設置斜率和長度作為篩選條件，對右軌道所在的直線進行定位，進而以右軌作為參考，從候選信號區(qū)域中定位出右邊距離該軌道最近的信號機區(qū)域。具體過程如圖4所示。

圖4 信號機的定位(a)邊緣圖像 (b)霍夫直線效果圖 (c)定位右軌 (d)定位信號機Figure 4. The location of signal light(a)Edge image (b)Effect image of Hough-line (c)Right rail location (d)Signal light location

圖5 軌旁信號燈的識別結(jié)果(圖中的圓圈為算法最終的輸出)(a)夜晚識別效果圖I (b)夜晚識別效果圖II (c)白天識別效果圖I (d)白天識別效果圖IIFigure 5. Recognition results of trackside signal lights (the circle is the final output of the algorithm)(a)Night recognition effect image I (b)Night recognition effect image II (c)Daytime recognition effect image I (d)Daytime recognition effect image II

1.3 信號機顏色識別

表2 信號機識別結(jié)果Table 2. The signal lights recognition results

不同顏色信號代表了不同的指令：紅色信號指示列車必須在信號機前停車；綠色信號指示允許列車進入防護進路，且前方道岔處于定位狀態(tài)；黃色信號指示允許列車進入防護進路，但前方道岔處于反位狀態(tài)。

定位到信號機后，需要對其顏色信號進行識別，將對應的指示發(fā)送給司機，提醒司機做好相應的準備。對識別到的信號機區(qū)域，在RGB色彩空間中，計算該區(qū)域內(nèi)的紅、黃、綠像素點的分布情況，統(tǒng)計其中像素點個數(shù)最多的顏色類型，并將其判定為當前信號機的顏色。本文中，用于分析像素點顏色類型的RGB閾值范圍與顏色分割時所用閾值(見表1)相同。

(a)

(b)圖6 虛檢測和漏檢測圖像(a)虛檢測 (b)漏檢測Figure 6. Image of false and missing detection(a)False detection (b)Missing detection

2 實驗驗證與分析

為了驗證該方法的準確度和可行性，實驗采集了上海軌道交通11號線和同濟大學軌道交通實驗線的信號機圖像作為數(shù)據(jù)集，圖像分辨率為72 dpi，大小為1 800×1 200。使用C++和OpenCV[15-18]在Windows系統(tǒng)中實現(xiàn)所提出的方法。圖5為不同環(huán)境下不同顏色的軌旁信號燈識別效果。

實驗中，測試了在不同遠近距離處和在不同光照環(huán)境下的信號機圖像，共計90張，其中同時存在多個信號燈的圖像占圖像總數(shù)的50%。表2為3種顏色信號機的識別結(jié)果，從中可以看出，綠燈的識別效果最好，該類信號燈顏色與周圍環(huán)境的差異最大，通過顏色分割得到的二值圖像中，保留下來的信號燈區(qū)域更為完整。黃燈的識別效果較紅燈和綠燈更差，由于黃燈受光照的影響比綠色和紅色更明顯，特別是夜間的照明燈光顏色以及墻體的反光與黃色信號燈非常相似，導致一些識別錯誤。圖6(a)中，由于站臺右側(cè)墻壁反射了信號燈的光，導致提取了一個非信號機的候選區(qū)域，但這種虛檢測可以通過本文的軌道定位信號機的方法過濾掉。圖6(b)為距離220 m的信號機，但結(jié)果表明本文方法并未識別到該距離下的信號機。原因主要是信號燈在圖像上僅占4個像素大小，過少的像素點導致后續(xù)識別無法檢測到信號機。如圖5 (a)所示，本文方法所能識別到的最遠距離約為150 m。

文獻[10]使用卷積神經(jīng)網(wǎng)絡定位信號機耗時13.83 s，本文采用圖像處理的方法識別信號機，識別速度更快，識別時間僅為0.37 s。此外，文獻[10]的方法在多個信號機同時存在的場景下，無法對信號機進行有效區(qū)分。圖5中，在夜間站臺的場景下，存在3個信號機時，本文所提出的方法不僅能夠全部提取出這3個信號機作為候選區(qū)域，還能通過軌道信息，準確定位出指揮當前軌道列車運行的信號機。通過圖像處理的方法，后續(xù)可在本文的研究基礎上集成更多的功能，例如軌道障礙物識別及前方車距測量。

3 結(jié)束語

基于圖像處理的方法，本文提出了一種用于軌道交通輔助駕駛的軌旁信號機識別算法，并通過實驗驗證了該算法的可行性。還算法不僅能夠有效地檢測出信號機，還可以根據(jù)軌道和信號機之間的位置特征，準確區(qū)分當前軌道和其它軌道的信號機，進而識別當前軌道信號機的顏色信號，避免誤判，為列車的安全運行提供了進一步的保障。但該方法仍存在不足，例如其在雨天、大霧天等惡劣環(huán)境下的識別效果不佳。后續(xù)的研究將針對這些情況進行深入優(yōu)化，以提高該方法的實際應用性能。