摘要：行駛中的兩輛列車(chē)之間保持安全的距離是避免列車(chē)追尾事故發(fā)生的重要條件。由于機(jī)器視覺(jué)獲得的圖像數(shù)據(jù)信息豐富，可以根據(jù)采集到的圖像進(jìn)行多方面的集成檢測(cè)，所以文中提出了一種基于機(jī)器視覺(jué)的列車(chē)測(cè)距方法。該方法以列車(chē)兩條軌道不變的間距(1 435 mm)作為基準(zhǔn)，來(lái)推算列車(chē)之間距離。該方法利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)單目相機(jī)采集到的圖像進(jìn)行處理和分析，提取所需的軌道特征，再基于已有的小孔成像原理推導(dǎo)出世界坐標(biāo)系與像素坐標(biāo)系之間的映射關(guān)系，從而優(yōu)化列車(chē)之間距離的計(jì)算式。實(shí)驗(yàn)結(jié)果表明，測(cè)距系統(tǒng)的誤差率<6%，并且系統(tǒng)測(cè)量時(shí)間在 40 ms 之內(nèi)，說(shuō)明該方法實(shí)現(xiàn)了測(cè)距與在圖像中獲取到的其他信息有效的融合與集成，可用于對(duì)列車(chē)制動(dòng)距離進(jìn)行判斷。

　　關(guān)鍵詞：距離測(cè)量;機(jī)器視覺(jué);單目相機(jī);深度學(xué)習(xí);圖像處理;軌道檢測(cè);小孔成像原理;卷積神經(jīng)網(wǎng)絡(luò)

　　隨著世界經(jīng)濟(jì)以及科學(xué)技術(shù)的高速發(fā)展，中國(guó)城市軌道交通規(guī)模也逐年增加。隨著軌道交通客流量的增大以及行車(chē)速度的提高，列車(chē)制動(dòng)距離也隨著慣性的增大而增大。由于制動(dòng)距離不足而造成的列車(chē)追尾事故時(shí)有發(fā)生。城市軌道交通運(yùn)行的安全性是保障城市居民平安出行的關(guān)鍵，行駛中前后列車(chē)之間的距離就成為了列車(chē)運(yùn)行安全的首要衡量標(biāo)準(zhǔn)，列車(chē)間距測(cè)量精度以及速度也尤為重要。當(dāng)列車(chē)行駛過(guò)程中出現(xiàn)信號(hào)燈故障或調(diào)度問(wèn)題時(shí)，列車(chē)的高速度和遠(yuǎn)距離的特性使得很難通過(guò)人眼來(lái)準(zhǔn)確估計(jì)與前方列車(chē)尾部的距離。為了保障列車(chē)在特殊情況下仍能安全行車(chē)，需要列車(chē)測(cè)距系統(tǒng)來(lái)測(cè)量與前方列車(chē)車(chē)尾的距離，并將其轉(zhuǎn)化成可視化數(shù)據(jù)向駕駛員發(fā)出預(yù)警。傳統(tǒng)的測(cè)距手段有激光[1]、雷達(dá)[1-4]、超聲波[5]等傳感器技術(shù)。相對(duì)于傳統(tǒng)的測(cè)距手段，視覺(jué)信號(hào)[6]的探測(cè)范圍更廣，目標(biāo)信息更完整，價(jià)格相對(duì)更低。

　　文獻(xiàn)[7]提出了一種基于融合雷達(dá)(用于距離測(cè)量)和圖像傳感器(用于障礙物檢測(cè))的鐵路障礙物檢測(cè)系統(tǒng)。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，不僅可以從圖像中獲取障礙物信息，還可以利用圖像實(shí)現(xiàn)距離的測(cè)量，因此更應(yīng)該使用機(jī)器視覺(jué)技術(shù)獲得更多適合于系統(tǒng)集成的信息。文獻(xiàn)[8]預(yù)測(cè)智能交通系統(tǒng)(Intelligent Traffic System，ITS)將通過(guò)機(jī)器視覺(jué)來(lái)感知環(huán)境條件。在過(guò)去的幾年里，機(jī)器視覺(jué)測(cè)距系統(tǒng)也被廣泛使用于汽車(chē)領(lǐng)域。文獻(xiàn)[9]通過(guò)安裝在車(chē)尾的兩個(gè)攝像頭來(lái)捕捉立體圖像，并進(jìn)行圖像處理，從而計(jì)算與后面車(chē)輛之間的距離，并將汽車(chē)之間的距離數(shù)據(jù)實(shí)時(shí)顯示給后方車(chē)輛。雖然該方法對(duì)距離的計(jì)算值是準(zhǔn)確的，但由于雙目攝像頭測(cè)距算法復(fù)雜且標(biāo)定困難，使得雙目測(cè)距系統(tǒng)延遲較大。

　　文獻(xiàn)[10]使用汽車(chē)尾部的單個(gè)監(jiān)控?cái)z像頭來(lái)對(duì)駕駛環(huán)境進(jìn)行分析，通過(guò)圖像處理計(jì)算出與后方車(chē)輛之間的相對(duì)距離、速度和加速度。但該方法得到的測(cè)量量程和測(cè)量精度遠(yuǎn)不能達(dá)到城市軌道交通的行駛需求。本文基于機(jī)器視覺(jué)提出了一種簡(jiǎn)單而精確的方法。目前基于單目視覺(jué)測(cè)距的方法在列車(chē)軌道領(lǐng)域還未見(jiàn)報(bào)道，并且傳統(tǒng)單目測(cè)距的方法是利用物體的實(shí)際被拍攝面積和在該物體在圖像中被拍攝的圖像面積作比值，從而得出相機(jī)與被拍攝物體之間的距離。在列車(chē)軌道環(huán)境下，利用傳統(tǒng)單目測(cè)距的算法難以計(jì)算其面積特征，所以提出利用軌道的特殊環(huán)境，即軌道之間的距離始終為 1 435 mm 來(lái)優(yōu)化距離計(jì)算式，使器更加簡(jiǎn)潔。本文經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證了該系統(tǒng)能夠在 200 m 內(nèi)有效檢測(cè)前方列車(chē)距離，能夠滿足城市軌道交通安全行駛的要求。

　　1 軌道檢測(cè)

　　為了獲得行駛列車(chē)的前方信息，在列車(chē)車(chē)頭安裝了一個(gè)相機(jī)。將收集到的視頻數(shù)據(jù)傳輸?shù)教幚韱卧�中將圖像分割成單幀圖片，然后利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)對(duì)圖片中的軌道進(jìn)行有效檢測(cè)。該方法包括兩個(gè)主要階段：

　　(1)在第一階段中，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)軌道環(huán)境圖像的像素級(jí)分類。本文的網(wǎng)絡(luò)主要包括編碼層和解碼層。編碼層包括 3 個(gè)基本單元，其中兩個(gè)核為 3 且步長(zhǎng)為 1的卷積層和一個(gè)降采樣層為一個(gè)基本單元。通過(guò) 3個(gè)最大值池化層得到原圖像的 1/8 尺寸，然后使用空洞卷積增強(qiáng)特征圖的感受野，從而對(duì)軌道進(jìn)行有效提取。解碼層則使用反卷積層，將 1/8 尺寸的特征圖逐步還原到原始圖像的大小。在反卷積過(guò)程中還原的圖像分別與編碼層降采樣所得到的同等尺寸的特征圖片進(jìn)行融合，以提高檢測(cè)精度。

　　(2)第二階段采用多邊形擬合方法來(lái)優(yōu)化提取的軌道輪廓[11-14]。將兩條軌道始終平行這一特性作為有效的參考信息來(lái)優(yōu)化軌道檢測(cè)結(jié)果。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行軌道檢測(cè)，分別為原始圖像和檢測(cè)圖像。由于采集圖像的條件有限制，實(shí)驗(yàn)無(wú)法收集到不同氣候下的圖像數(shù)據(jù)。為解決這一問(wèn)題，本文通過(guò)合成技術(shù)合成了虛擬圖像。本文以該虛擬圖像作為軌道圖像來(lái)模擬降雪氣候，并驗(yàn)證了檢測(cè)方法對(duì)該天氣變化的魯棒性。結(jié)果表明，該軌道檢測(cè)方法在小雪(包括小雨)條件下仍然可以有效地工作。然而，在濃霧或其他惡劣天氣的情況下，該檢測(cè)方法的性能將受到限制。

　　2 距離公式推算利用兩個(gè)軌道始終平行這一原則，不僅可以優(yōu)化軌道的檢測(cè)，還能簡(jiǎn)化距離公式的計(jì)算步驟�；�于小孔成像原理，建立世界坐標(biāo)系、相機(jī)坐標(biāo)系、圖像坐標(biāo)系和像素坐標(biāo)系以及 4 個(gè)坐標(biāo)系之間的映射關(guān)系[15-16]。

　　以標(biāo)準(zhǔn)軌道間距(1 435 mm)為已知數(shù)據(jù)，推導(dǎo)二維圖像的幾何關(guān)系，從而優(yōu)化距離測(cè)量的推導(dǎo)公式。但是在實(shí)際中，所拍攝的列車(chē)照片的尾部輪廓并不規(guī)則，這為檢測(cè)輪廓以及計(jì)算其面積的工作帶來(lái)了困難，使得研究人員難以從列車(chē)尾部得到精準(zhǔn)的面積值。不僅如此，隨著距離的增加，剖面往往會(huì)變得更加模糊，增加測(cè)量系統(tǒng)的測(cè)距結(jié)果誤差。本文通過(guò)上述的軌道間固定的距離來(lái)優(yōu)化測(cè)距計(jì)算式，使其更加簡(jiǎn)潔和精確。

　　3 相機(jī)標(biāo)定基于機(jī)器視覺(jué)測(cè)距原理，根據(jù)張氏相機(jī)標(biāo)定法[17-18]對(duì)采集圖像的攝像機(jī)的內(nèi)部參數(shù)和外部參數(shù)進(jìn)行標(biāo)定。首先，對(duì)事先準(zhǔn)備好的棋盤(pán)格標(biāo)定板進(jìn)行拍攝，通過(guò)多次改變拍攝位置和角度捕捉到幾張標(biāo)定圖像。然后，通過(guò) OpenCV 提取棋盤(pán)格圖像的角點(diǎn)以獲得更豐富的坐標(biāo)信息，從而對(duì)相機(jī)進(jìn)行精準(zhǔn)標(biāo) 定 ， 計(jì) 算 出 相 機(jī) 的 內(nèi) 外 參 數(shù) [15] 。

　　4 實(shí)驗(yàn)結(jié)果及誤差分析

　　在 1∶1 列車(chē)軌道模型處，將攝像機(jī)放置在距離地面 1.5 m 處，并使其位于兩條軌道的中心。為了保證測(cè)量的精準(zhǔn)度，在采集數(shù)據(jù)的過(guò)程中需要將相機(jī)的光軸與地平面的夾角固定在一個(gè)值上，分別在光軸與水平面的夾角為 85°、90°和 95°拍攝了一組照片，并將 3 組照片進(jìn)行處理分析。每組的第一張照片是在距列車(chē)尾部 40 m 處拍攝，然后每向后推移20 m就再采集一張圖像，從而組成距離由40~200m 處的一組數(shù)據(jù)集。基于上述算法，在光軸與水平面的夾角為 90°時(shí)所計(jì)算的測(cè)量距離與實(shí)際距離。

　　為了進(jìn)行有效的數(shù)據(jù)分析，本文還進(jìn)行了多組對(duì)照實(shí)驗(yàn)，即光軸與水平面的夾角為 85°和 95°的距離測(cè)量實(shí)驗(yàn)。結(jié)果表明，通過(guò)機(jī)器視覺(jué)計(jì)算得到的距離精度大于 94%，并且測(cè)量每張圖片的時(shí)間成本在 40 ms 以內(nèi)。在實(shí)際中，火車(chē)的制動(dòng)距離取決于許多因素，包括速度、摩擦、延遲時(shí)間、剎車(chē)片和制動(dòng)缸、地理位置、質(zhì)量分布[17]。根據(jù)《鐵路技術(shù)管理規(guī)定》，直線運(yùn)行的客運(yùn)列車(chē)制動(dòng)距離應(yīng)滿足以下指標(biāo)：初始制動(dòng)速度為 160 km·h-1、200 km·h-1和 300 km·h-1時(shí)，制動(dòng)距離分別小于 1 400 m、2 000m 和 3 700 m。因此，根據(jù)這些要求可以計(jì)算出列車(chē)的加速度分別為-0.70 m·s-2、-0.77 m·s-2 和-0.94m·s-2。

　　在城市軌道交通中，列車(chē)的普遍運(yùn)行速度為60 km·h-1，在地鐵的制動(dòng)加速度為-0.70 m·s-2 時(shí)，制動(dòng)距離達(dá) 200 m 左右。因此，地鐵之間應(yīng)該保持至少 200 m 的距離以避免列車(chē)追尾。此外，由于圖像檢測(cè)需要時(shí)間成本，所以高速運(yùn)行的列車(chē)的距離檢測(cè)滯后。在實(shí)際生活中，即使是當(dāng)前軌道交通最大速度，也可以以速度 600 km·h-1，運(yùn)算時(shí)間 0.04 s進(jìn)行粗略估算。依據(jù)此數(shù)據(jù)可得距離檢測(cè)的滯后距離<7 m(600 km·h-1×0.04 s =6.7 m)。計(jì)算期間產(chǎn)生的滯后距離所造成的誤差同樣滿足列車(chē)安全運(yùn)行的要求。

　　綜上分析可知，產(chǎn)生測(cè)量誤差的主要原因在于兩個(gè)軌道的中心點(diǎn)位置 、兩點(diǎn)的像素坐標(biāo)檢測(cè)。由圖 7 所示誤差率所呈現(xiàn)的變化趨勢(shì)可得，在前方列車(chē)距離自身列車(chē)距離小時(shí)，所采集到的軌道圖片中軌道更為清晰，但是對(duì)于檢測(cè)兩條軌道的中心點(diǎn)則產(chǎn)生了更大的偏差，導(dǎo)致距離測(cè)量誤差率較高;在前方列車(chē)距離自身列車(chē)距離大時(shí)，雖然圖像的分辨率會(huì)隨著距離的增加而降低，但定位 、 兩點(diǎn)的精度卻隨之變高，使得誤差率略微減小;再向更遠(yuǎn)的距離進(jìn)行檢測(cè)時(shí)，圖像的分辨率對(duì)實(shí)驗(yàn)結(jié)果的影響成為主要因素，導(dǎo)致誤差率不斷升高。

　　因此，圖像分辨率和軌道中心位置 、兩點(diǎn)的檢測(cè)所產(chǎn)生的誤差組合帶來(lái)了誤差波動(dòng)。當(dāng)測(cè)量過(guò)程中相機(jī)的角度全程固定在一個(gè)合理范圍內(nèi)的值時(shí)，對(duì)測(cè)距結(jié)果的輕微影響可以忽略不計(jì)。單目測(cè)距的實(shí)驗(yàn)是通過(guò)靜態(tài)攝影來(lái)獲取的數(shù)據(jù)集，但即使是在視頻數(shù)據(jù)中，也仍然能夠從中提取出清晰圖像作為關(guān)鍵幀。因此，在該測(cè)距系統(tǒng)中使用的靜態(tài)圖像也可以有效證明此方法能夠?qū)崿F(xiàn)避免列車(chē)碰撞的效果。實(shí)驗(yàn)證明，實(shí)驗(yàn)的結(jié)論不受相機(jī)角度和位置的影響，只要相機(jī)在數(shù)據(jù)采集過(guò)程中是固定的，該測(cè)距系統(tǒng)至少可以在 200 m 范圍內(nèi)達(dá)到標(biāo)準(zhǔn)。

　　5 結(jié)束語(yǔ)

　　本文提出了一種基于單目視覺(jué)的軌道交通距離測(cè)量方法，滿足了智能車(chē)輛控制的實(shí)時(shí)性要求。該系統(tǒng)可以有效檢測(cè)出軌道上運(yùn)行的前后列車(chē)之間的距離，將距離轉(zhuǎn)化成可視化信息呈現(xiàn)給駕駛員，為駕駛員提供報(bào)警信號(hào)。試驗(yàn)結(jié)果表明該系統(tǒng)能夠滿足軌道交通的需要，保證列車(chē)在適宜的氣候條件下安全運(yùn)行。在軌道交通系統(tǒng)中，可以方便地將已知固定軌道空間(1 435 mm)的距離測(cè)量與其他圖像信息集成在一起進(jìn)行障礙物檢測(cè)，實(shí)現(xiàn)多功能融合。同時(shí)，該方法也是激光或雷達(dá)測(cè)量距離以外的一種冗余檢測(cè)。

　　參考文獻(xiàn)

　　[1] Jung H G,Cho Y H,Yoon P J,et al.Scanning laserradar-based target position designation for parking aidsystem[J].IEEE Transactions on IntelligentTransportation Systems,2008,9(3):406-424.

　　[2] Ibisch A,Stefan S,Harald A,et al.Towards autonomousdriving in a parking garage: Vehicle localization andtracking using environment-embedded LIDARsensors[C].Gold Coast:Proceedings of IEEE IntelligentVehicles Symposium,2013.

　　[3] Kenue S K.Selection of range and azimuth angleparameters for a forward looking collision warning radarsensor[C]Detroit:Proceedings of the Intelligent Vehicles'95,Symposium,1995.

　　[4] Sugimoto S,Tateda H,Takahashi H,et al.Obstacle detectionusing millimeter-wave radar and its visualization onimage sequence[C].Cambridge:Proceedings of theSeventeenth International Conference on PatternRecognition,2004.

　　作者：畢嘉楨 1,沈 拓 1,2,張軒雄 1