地铁车辆障碍物检测技术应用分析

柳 召

（中铁第一勘察设计院集团有限公司，陕西 西安 710043）

障碍物检测技术是近年来随着计算机视觉和人工智能技术的快速发展而兴起的一种新型技术。通过对地铁车辆周围环境进行实时监测和分析，该技术能够及时发现并处理潜在的障碍物，从而有效避免事故的发生。与传统的障碍物检测方法相比，基于计算机视觉和人工智能的障碍物检测技术具有更高的准确性和实时性，能够更好地适应地铁车辆运行环境的特点。

1 系统功能需求与运行平台

1.1 功能需求

城市地下轨道交通系统设计有实现高速行进，通常速度范围为80～100 km/h，为满足紧急制动需求，该系统能够在400 m范围内安全停车。因此，该系统装备了多项关键的侦测技术以确保运行安全。首先，鉴于大部分轨道位于地下，环境缺乏光照，侦测技术必须具备在光线不足情况下准确识别前方潜在障碍物的能力。其次，该技术应能实时检测前方轨道上的障碍物，并能够对警报级别进行区分，以便快速作出反应。最后，系统需要维护并更新关于障碍物的数据记录，为未来的分析提供便利。通过这一系列精细和高效的技术措施，显著提高了地下铁路系统的安全性和可靠性。

1.2 运行平台

经过对包括基于数字信号处理技术的平台、基于嵌入式ARM架构的平台以及工业个人电脑（IPC）平台等多种方案的全面评估后，本研究团队选择以工控机为基础架构，以实现地铁车辆障碍物检测系统的部署。此决策基于以下关键因素：与以DSP为核心的平台相较，工控机具有更短的开发周期优势；与基于ARM架构的平台比较，工控机在处理大量图像数据方面显示出更高的效率。所采纳的工控机配置如下：其核心处理器选用Intel Core i5-4590（主频3.30 GHz），配备8 GB内存。在成像设备方面，研究组配置了视角为51.46°的摄像头，搭配尺寸为6.4 mm×6.4 mm、ISO感光度为100、焦距为15 mm的感光芯片。原始摄像机拍摄的分辨率为1 280×720，经过处理的图像分辨率调整为640×480。系统中并行设置了两个光轴互相平行的摄像头，从而为地铁车辆障碍物检测系统提供了高效能和高精准度的硬件保障，进而确保了基于此硬件组合的操作优化。

2 系统架构与硬件设计

2.1 系统架构与功能模块

在获取详细图像信息的过程中，可见光成像技术因其在特定领域展现出的显著优势而不可或缺。同样，红外成像技术因其对环境光变化的高度不敏感性，在特殊环境条件下展示出额外的价值。基于对这些独特性的认识，开发了一种结合红外与可见光成像技术的方法，该方法旨在地铁运行环境中有效识别障碍物信息，并通过车载系统的支持实现成像系统的独立运作。在地铁运行过程中，该障碍物视觉检测系统承担着至关重要的图像识别职能，主要用于检测行进路径上可能出现的障碍物。总体而言，该障碍物视觉检测系统集成了多个关键组件，包括图像采集与处理、行为分析、用户界面交互、地铁车辆通讯接口以及全方位的服务支持。在图像采集模块方面，系统将红外与可见光感测技术进行了集成，并通过中央控制单元同步这两种成像技术，以期在检测结果上达成互补效果。为了精确捕获障碍物的图像信息，该系统采用了立体视觉校正技术，精确校准了红外成像与可见光成像之间的空间位置关系，有效消除了图像畸变，并确保了两个成像系统在空间坐标上的一致对应。此外，该校正过程利用MatLab进行参数标定，并将标定结果以XML格式记录，然后借助OpenCV库的函数进一步微调两套系统中相机的参数，以优化障碍物图像的重现质量。信息处理模块的角色至关重要，其主要任务是对障碍物进行准确识别。该模块先将获得的图像数据进行二值化处理，之后，通过采用边界元素法与经验模态分解（BEEMD）算法，实现红外与可见光图像的有效融合。接着，利用YOLO（You Only Look Once）算法精确识别障碍物种类。基于所识别的障碍物信息，行为分析模块便承担起调节地铁速度的职责，通过加速或减速来适应行驶条件。而用户界面模块则旨在提升与用户的互动经验，通过在显示屏上详细展现地铁运行情况、预测的障碍物及其他关键信息，并配置紧急停车按钮，进一步优化了地铁的调试与操作流程。至于列车接口模块，它集成了引擎和制动控制系统，关键在于调节地铁的牵引力并执行制动过程。上位工控机的职责是对障碍物检测系统进行全面管理与数据存储，它不仅监控整个服务模块的运行，还处理所有与障碍物检测相关的数据信息。

2.2 系统硬件设计

在地铁障碍物检测系统的构造方面，该系统由若干关键性组件构建而成（如图1），这些组件包括但不限于系统主控单元以及红外与可见光成像设备。系统主控单元的主要职责为收集和分析通过红外及可见光成像装置获取的视觉信息。一旦在分析过程中检测到障碍物存在，系统将立即通过激活继电器的方式启动地铁的紧急制动功能。

图1 系统硬件

3 系统软件实现方法

在地铁障碍物检测系统的初始阶段，首先执行的是红外与可视光摄像系统的初始化程序，目的在于为接下来的图像采集工作做准备。在地铁运营的全过程中，该系统持续对轨道进行实时监测，以便及时发现任何潜在的障碍物。该系统采用了先进的YOLO障碍物识别技术，能够高精度识别出轨道上存在的障碍物，并在检测到障碍物的第一时间，迅速激活警报系统。随后，地铁司机在接收到警报信号后，将即刻采取相应措施，调整列车速度，确保旅客安全。重要的是，所有的障碍物检测数据、列车运行数据以及报警信号等重要信息都会被详细记录在控制系统的上位机中，并保留以供后续的深入分析和处理之需。

4 图像处理实现

4.1 图像预处理

在红外和可见光成像系统捕获图像时，外部环境因素容易对成像质量造成干扰，进而影响图像的清晰度和解释准确性。为了降低这些干扰的影响，对获取的图像实施精确的预处理措施是至关重要的环节。在众多预处理技术中，Otsu算法因其独特的逻辑结构而广泛应用于图像的二值化处理，其处理过程不仅大大简化了图像内容，也为进一步的图像分析打下了坚实的基础。Otsu算法的核心目的是对图像中的不同区域进行划分，使之成为具有独特特征且互不重叠的区域，从而提供了分割精度的优化，这是提高后续图像后处理工作效率和质量的关键环节。自Otsu算法推广以来，其直观的处理逻辑和高效的计算性能在众多应用场景中展现了出色的图像分割能力，因此受到了广泛的研究和应用。该算法最显著的特点是，依托于一维直方图分析，它能够自动最大化类间方差，以寻求最优的阈值划分，无需复杂参数设定，极大地提高了操作的便捷性。Otsu算法所依据的图像分割策略基于数学统计学和模糊理论，通过合理选取和实施算法，有效提升了图像处理的精确性和效率。

4.2 红外与可见光图像融合

在成像技术中，红外和可见光系统捕捉视觉信息的差异显著，需通过图像融合技术综合各自优势，全面捕获信息。边界扩展的经验模态分解（BEEMD）算法，以其优异的高斯白噪声分析能力，通过生成不同噪声水平的图像副本和改进的BEMD处理，有效提取高质量的图像特征及残余分量，极大增强了图像处理的精确性。BEEMD算法通过引入高斯白噪声，增加极值点的局部数量，有助于改进图像分解质量，解决模态混叠问题，提升算法性能。

图像融合技术的实施遵循一系列系统化且精确的步骤。首先，通过按比例引入高斯白噪声，确保其在图像全域内的均匀分布。随后，采用对称扩展技术对待融合图像进行预处理，并生成含有高斯白噪声的图像副本。基于BEMD算法，对这些噪声强化后的图像进行逐一分解，目的是提取各个图像的内在模态分量（IMF）。通过对这些IMF分层分量进行平均处理，生成了准备融合图像的显著特征部分EIMF，并据此计算出相应的残差部分Res。在项目实施初期，设定了分解的层次为1，并制定了上限，确保了分解步骤的有序进行。将待分解的图像视为残差部分，对各层IMF进行计算处理。此计算过程完成后，得到了各层的IMF分量及其残差，随后通过平均化过程，得到了各层预期融合图像的显著特征部分EIMF。为了提高融合过程的精确度，特别引入了IMF筛选的终止条件，基于Cauchy型的收敛准则，当测定值SD低于预设的阈值（设为0.2）时，筛选过程即告终止。接着，对目标红外图像和可见光图像分别进行分解，以获得其各自的EIMF和Res部分。进一步地，采纳了一种基于局部区域能量的融合策略，巧妙地将两种不同类型图像的EIMF融合，形成了融合后的EIMFci。最终，通过应用模糊逻辑规则，将Resai与Resbi融合得到Resc，并将EIMFci与Resc进行重叠，实现了图像的全面融合。

5 障碍物检测的实现

整合红外与可见光成像技术，文章首先采集地铁前方障碍物的图像数据，然后对所得图像进行必要的预处理及融合。本方法采用YOLO（You Only Look Once）算法来进行障碍物的精确识别，该算法通过Darknet53模型架构，有效提高地铁途径上障碍物的检测率。Darknet53由53层卷积层构成，该架构采用分层分析技术对图像执行高级处理，例如在重要的预测层之前执行上采样操作，并在之后的预测层中增加卷积层，以改善图像特征分辨率。该网络对包含目标的图像进行分割，划分为多个网格，并对每个网格进行逐层卷积以检测潜在的目标物体。识别出含有目标物体的网格随后将被调整位置，实现目标的精确定位。在此过程中，网络根据特定程序执行图像的卷积与池化操作，提取关键特征，随后通过上采样技术将图像恢复至原尺寸，并通过全连接层输出最终结果。在YOLOv3算法的应用中，对于256×256像素的输入图像，系统能够识别至少8×8像素大小的最小特征，这一点在地铁运行过程中有利于远距离障碍物的检测。

6 实验探究

构建一个适应于地铁轮距标准（即1 435 mm宽度）的功能化检测试验平台。该平台装配有机械结构，并且在距离平台1.6 m的高度位置配置了摄像系统。通过采用内外参数矩阵的方法，实现了图像中铁轨与现实铁轨间的精确映射。考虑到城市轨道交通的运行特征，文章提出了一种新颖的外部参数计算模型，该模型基于摄像设备镜头平面与水平面之间的夹角测定内部参数。在完成试验平台的建设后，固定安装摄像设备，并准确测量了摄像机镜头与水平面之间的夹角为5°。通过电缆连接平台各个部件，实现了试验平台沿着轨道进行缓慢移动的功能。尽管此设置不能完整模拟列车的动态行驶过程，但足以扫描并检测铁轨边缘的潜在障碍物。通过对数据处理时间的细致分析，仿真出列车的实际行驶状态，从而使系统能够在移动中准确执行障碍物探测任务。进一步实验设计包括在地铁实际行驶过程中对障碍物检测系统的性能进行测试，通过安装红外线和可见光成像系统，并启动障碍物识别程序进行实际操作，同时收集图像信息以建立一个全面的检测数据库。一旦系统探测到障碍物，即立即发出警报，否则不会对列车的正常行驶产生任何干扰。为了验证系统在直线轨道上的障碍物检测能力，将试验平台设置在铁轨上，并使用人形物作为障碍物进行模拟实验。试验中设定铁轨长度为11.8 m，以确保摄像机能够准确识别铁轨，满足直线检测的准则要求。

7 结语

通过系统功能需求与运行平台、系统架构与硬件设计、系统软件实现方法、图像处理实现以及障碍物检测的实现等关键环节的分析，为地铁车辆的障碍物检测系统设计与优化提供了理论支持和实践指导。实验探究部分验证了该技术的可行性和有效性，为地铁车辆的安全运行提供了有力保障。未来，随着技术的不断进步和应用领域的拓展，地铁车辆障碍物检测技术将在保障城市轨道交通安全方面发挥更加重要的作用。