铁路线路障碍监测报警系统研究

郑亚宏，何家玉

（1. 中国铁路成都局集团有限公司 研发中心（科研所），四川 成都 610081；2. 成都希德瑞光科技有限公司，四川 成都 610081）

1 铁路线路安全防护现状

中国铁路成都局集团有限公司（简称成都局集团公司）所辖铁路地处山区，铁路沿线环境复杂，面临的主要安全问题是铁路沿线易发生泥石流、落石等极度危险的异物侵限，目前仅Ⅰ级防洪点就涉及崩塌落石54处，危石上道的隐患巨大。同时对铁路线路限界中的行人、动物等移动物体的入侵也必须及时防范。传统铁路线路安全防护主要依靠人工巡检[1-2]，同时设置防护网保护铁路不受异物入侵。但由于地形复杂，人工巡查不能保证实时性。防护网虽然对防止山体落石侵入铁路能起到较好作用，但不能对已侵入到铁路线上的落石、泥石流进行主动监测，也不能防止人、动物等机动性较大的异物入侵铁路。随着视频监控技术的发展，在铁路沿线事故多发线路上安装了视频装置，通过人工观察视频以判断是否出现异物侵限，但人工监控容易因为疲劳导致漏检，自动化程度低，因此铁路线路障碍物的自动监控技术是不可缺少的部分[3]。

近年来，随着信息技术的快速发展，国内外都开始关注铁路障碍物监测新技术的研究。视频监控与图像处理技术相结合的方式在铁路异物监测方面的应用逐渐被尝试[4-6]，但由于相机拍摄的图像质量受环境及天气的影响较大，使该技术在实际应用中严重受限。在关键区域的轨道两侧安装多传感器系统实现障碍物监测的方法也被用于监测异物入侵状况[7-9]，但该方法需要对沿线设备定期进行检测，增加了维护工作量，并未有效起到铁路线路障碍自动监测报警的作用。移动式监测方法能够周期性对障碍物进行扫描监测[10]，但系统所采用的摄像机探测范围有限，受光线等影响大，不利于在轨道交通中推广使用。

以二维平面扫描模式的激光雷达为探测手段的新型技术被引入成都局集团公司铁路线路安全防护系统中，该系统运行的基础是使用激光雷达平面扫描且高出轨道一定距离，对高于钢轨并处于扫描平面所设置防区内的物体进行识别。实际应用表明，平面扫描模式的激光雷达系统能够对防护区域内的异物进行一定程度的有效监测并进行报警处理。但这种平面扫描模式在使用中存在较多重大缺陷，主要包括：一是由于只能对平行于轨道面的平面进行扫描，只能获取1个平面内的信息，不能获取障碍物的三维立体数据，导致误报较多。二是二维平面扫描方式在施工和后期维护中，要经常对扫描平面高度进行调节，施工和后期维护工作量大，维护成本高。三是在平面扫描中，前端的小障碍物会遮挡后面的大障碍物从而发生漏报的可能。

为了弥补上述平面扫描工作模式的不足，以三维立体扫描为基础的激光雷达被引入铁路线路安全防护系统中。这种三维扫描方式可对整个防区进行扫描成像，获取防区内立体的三维点云图像信息。对高出轨面上方物体的位置、高度、动静等多种形态进行全方位识别，使整个系统具有更高的目标识别能力，并配合算法解决侵限报警问题，可满足铁路复杂场景的防护应用要求。

2 激光雷达在铁路线路障碍监测中的应用

2.1 基本原理

三维扫描模式是利用激光束在三维空间进行扫描，记录各扫描点的距离、扫描角度信息（见图1）。激光雷达在扫描过程中获取的是极坐标值（r，θ，φ），需要通过直角坐标转换公式将极坐标值转换为直角坐标系值（x，y，z）（见图1（a））。

完成坐标转换后，各扫描点就能在直角坐标系下表示出来。通过扫描角度的设置，使该三维扫描的激光束对所需要防护的区域进行扫描成像。如图1（b）所示，激光束在持续扫描过程中能够完整地覆盖需要防护区域的钢轨、枕木以及周边的部分环境。扫描所获取的三维立体点云数据经图形化处理后效果见图1（c）。

图1 三维扫描模式线路障碍自动监测报警系统原理

三维点云图像处理算法是利用三维点云数据中包含的轨道、枕木轮廓特征提取与轨道相切的特征平面，并以此特征平面作为对障碍物进行空间分类的基准。当轨道上方存在一组障碍物的点云数据时，可通过逐一迭代的方式计算出该组点云数据（x，y，z）距离该平面的值。得到障碍物各测量点距离该基准平面的距离信息后，结合障碍物各点的空间位置值（x，y，z）便能得到障碍物位置、高出特征平面值以及障碍物形状等关键数据。由于该特征平面与轨道相切，所以通过设置高出特征平面的高度阈值和尺寸阈值便能对入侵防区的障碍物进行危险状况判定。三维立体数据的直观显示见图2（俯视图在上，侧视图在下）。当有异物进入到防区时，通过计算便可得到该障碍物三维立体数据（包括高度、宽度尺寸等）。

图2 防区内的三维点云数据图

2.2 图像处理算法流程

异物识别与报警算法处理流程见图3。点云队列与点云预处理是将激光雷达采集的数据进行队列分组并进行坐标变换与滤波处理。坐标变换将激光雷达的极坐标系转换为直角坐标系，而滤波处理是去除点云中的噪声和异常点。背景差分的目的是对采集的每帧点云数据进行空间分割，将数据分析重点集中在轨道面以上的空间中，减少系统运算量，提高系统计算速度与实时性。背景差分的基础是被监测区域中轨道本身的空间不变性，在系统正常工作情况下，利用点云队列中的数据可提取出与轨道相切的特征平面，并以此平面作为空间分类的分割基准对入侵障碍物的状态进行判断。在成功地获取特征平面后，后续帧的数据便不再需要进行该过程的运算，只需利用所获取的特征平面对各帧数据进行空间分割，便可得到各帧图像中高出轨道面的点云集合。利用聚类算法单元对这些高出轨道面的点云集合进行聚类分析，获取障碍物的数量、空间位置等信息。

聚类分析处理采用k-means（k-均值）算法[11]对位于特征平面上的点云集合进行聚类分割，其数学计算过程首先是利用表达式计算点云的聚类误差，然后通过迭代计算的方式使聚类误差E最小从而实现簇的划分。

在实际情况下，无法提前预知侵入防区的障碍物数目，即无法提前确定k-均值算法对应的k值。对此，采用手肘法（elbow method）确定合适的聚类k值[12]，手肘法判断的参数指标是误差平方和值（SSE）。对不同的k值先执行k-均值算法，然后得到不同k值和对应SSE值的变化关系，最后取SSE值变化最显著拐点时对应的k值作为最佳k值，以此做到k值根据实际障碍物数据自适应变化。另外，为了提高准确性，减少误差干扰，算法单元设定了最小阈值，对于聚类分割得到的单个点云集合，如果其点数小于最小阈值，即认为此集合无效，被舍弃。

聚类分析得到空间独立的点云集合被识别为障碍物，然后将各不同空间位置的障碍物分别处理得到类别、位置、尺寸（长、宽、高）等信息，并根据不同的空间位置对障碍物进行标识。其中位置和尺寸信息均在三维直角坐标系下表示，能够直观展现出入侵障碍物的空间状态信息。对于已经标识的障碍物，根据时间顺序对比各帧数据即可判断出该障碍物的运动状态。最后，综合障碍物的所有信息，依据预设的报警策略，推送报警信息。

图3 异物识别与报警算法处理流程

3 系统实现

3.1 实现方案

根据《线路障碍自动监测报警系统暂行技术条件》（铁总科技〔2015〕184号）[13]，铁路线路障碍监测报警系统三维扫描前端装置安装方式见图4，带激光雷达的前端装置安装在安装杆上，安装杆安装在距离轨道一定距离范围之内，该安装距离在满足激光雷达有效工作距离的同时必须要保障铁路安全，避免出现安装杆异常而影响铁路安全的情况。控制柜用以获取三维激光雷达扫描头扫描的数据，并进行数据分析和实时处理，需要根据现场的安装环境调整安装角度θ，以使激光的扫描点能够完整覆盖所需要防护的区域。

图4 系统前端装置安装方式

3.2 监测报警防护区域的设置

在实际铁路线路中，道砟经常高出轨道，给平面扫描模式的障碍监测报警系统造成巨大问题，导致系统往往不能有效工作。三维成像模式可对防区进行分段、分级处理，有效屏蔽道砟影响，降低虚警率。在实际使用中可依据铁路建筑限界标准，对防区进行2个等级的防护阈值设定。三维点云空间数据的报警防护区域设置见图5，对于距离轨道较近的区域设置成一级防区，该防区的阈值高度设置较低，而距离轨道较远的区域设置成二级防区，阈值高度设置得较高一些，如此便可有效减少线路两旁道砟造成的虚警。报警防护区域的空间可设置性是三维点云图像的重要特点，其充分利用了三维点云图的空间分布特性，是二维平面数据不具备的特殊功能之一。

图5 三维点云空间数据的报警防护区域设置

3.3 系统组成

系统硬件组成见图6。系统集成了激光雷达与视频摄像的综合功能，主要由激光雷达、视频摄像、二级服务器（现场控制机柜）、报警单元和中心服务器组成，其中实现三维扫描的前端装置是该系统最重要的组成部分，是对防区进行探测的最直接现场设备；视频摄像则是对防区异物进行识别与判定的辅助手段；二级服务器与中心服务器负责将前端装置计算得出的报警信息进行处理、存储、上传，并管理和监控整个线路障碍报警系统的运行状况。

图6 系统硬件组成

与硬件平台对应的软件单元组成见图7，主要包括现场二级服务器软件、中心服务器软件以及客户端软件单元。现场二级服务器软件管理多台前端设备，其主要功能包括存储和转发数据、摄像机报警联动控制、前端设备监测等功能。每一级软件功能的内部都同时并行运行3种处理任务：（1）系统基础状态信息监控，确保系统硬件部分处于稳定的工作状态；（2）报警信息处理，根据报警的优先级向硬件单元或者软件单元发送相对应的控制信号和逻辑指令；（3）设备的指令控制，确保用户能够远程地对设备进行远程操控。

图7 系统软件单元组成

4 功能试验

4.1 模拟环境试验

在系统进行实际铁路环境测试前，在模拟环境中依据《线路障碍自动监测报警系统暂行技术条件》对落石、行人、泥石流等多种状态的异物入侵进行长期严格的测试。模拟环境的测试结果表明：该系统能够对落石、停留于防区的行人、泥石流（模拟）等情况实现及时报警。

4.2 实际环境试验

为了进一步验证该系统在实际有列车运行环境中的工作状况，选择宝成线某段作为实际测试环境，该路段山高坡陡，易发生落石入侵，是验证系统综合功能的典型环境。实际线路测试除了可对行人、落石等进行基础报警测试外，更重要的是对该系统的环境适应能力（防风、防振、防雨雪等）、列车识别能力、复杂环境中的通信功能等进行综合功能验证。同时，对自动行驶或停留列车的识别是系统降低虚警率的关键，因此在实际测试中，对列车识别和停留于轨道上静止异物的监测是功能验证的重点内容。

现场设备的安装环境和安装方式见图8。现场设备的安装方式为立杆安装，激光雷达设备的安装杆高2.8 m，视频摄像头的安装杆高3.5 m，2根安装杆距离最近轨道距离均为3 m。为了确保铁路现场安全，2根安装杆都通过拉线对其进行安全防护，防止意外情况发生。现场设备采用220 V电源供电，网络传输采用无线通信方式。现场点云图像数据、报警信息、视频图像数据均通过无线传输到远程监控中心。

图8 现场设备安装

现场为真实的列车运行环境，在25 d的连续测试中，未发现泥石流、落石入侵防区的情况，发现多次人员上道的状况，并进行了一级报警处理。系统能够准确识别列车，对于列车的报警可根据需要进行忽略或者预警处理。在此次系统功能验证中，将列车报警信息做预警处理，目的是能够通过报警信息获悉设备前端的运转和通信状况，例如报警功能是否及时等。人员在铁路线上施工的点云和视频图像见图9，图9（a）为现场的三维点云图像，包括俯视（上）和侧视（下）的观看效果，其中红色显示部分是算法处理完成之后对异物的标识，与图9（b）的视频图像场景相对应。从图中可以直接观察到，利用激光雷达扫描获取的现场图像不受现场光照的影响，能够完整地构建出防区内的三维图像，是视频图像功能的优异补充，可在夜间有光照干扰的情况下对防区进行充分监控。

图9 人员上道的三维点云图像及其对应的视频图像

行驶列车的点云和视频图像见图10，图10（a）为三维点云图，包括俯视（上）和侧视（下）的观看效果，其中红色显示部分是算法处理完成之后对行驶列车的标识，由于激光雷达是单侧安装，不能对列车进行整体扫描，所以只能得到侧面的点云数据。图10（b）为行驶列车的视频抓拍图像。三维点云中的列车特征明显，直接利用点云数据便可有效对列车进行识别分类，降低列车导致的虚警。

图10 列车的三维点云图像及其对应的视频图像

对25 d不间断测试数据进行分析，列车出现次数最多，占绝大部分，出现次数共为1646次，由静止物体而产生的报警则为86次。对静止物体报警的视频与点云图像分析结果表明：大部分的报警是由人员在沿线作业、施工引发，少部分是由停留在轨道上的小动物引发。

5 结论

铁路线路障碍监测报警系统采用905 nm波长激光为探测光源，该激光波长处于第1大气窗口，水汽吸收少，具备优异的穿透效果。激光光束发散角为1 mrad量级，在该量级的发散角条件下，激光光点较大，部分光脉冲将被光束路径中的多个物体反射，剩下光能量部分将由被测目标的表面反射。激光雷达的多回波检测技术能够可靠滤除激光光束路径中的雨、雪、灰尘和冰雹造成的干扰，可对被测目标进行准确的测量。

在模拟环境与现场实际测试中，均对激光雷达的环境适应能力进行了检测，在为期1年的模拟环境测试中发现，该系统能够在高温、大雨、浓雾的环境中稳定工作，在实际线路（宝成线天气情况为多雨、多雾）中的运行测试也表明，该系统能够适应大雨、雾的环境。三维扫描前端装置立杆安装的特点使系统能够有效排除铁路道旁杂草的干扰，监测到轨道面上方一定空间范围内的所有异物入侵状况，包括悬空异物入侵的情况。三维视角能够得到入侵异物的准确三维图像信息，包括高度、尺寸、位置信息。通过对异物点云数据的空间分类和多帧图像的对比分析可准确识别停留在防区的静止异物和行人停留，根据异物在防区内所处的位置信息便可知所处的防区级别（一级防区/二级防区），而在空间分类和多帧图像对比的基础上增加点云投影处理分析，可准确识别列车和移动的行人。

三维模式的铁路线路障碍监测报警系统能够完全实现《线路障碍自动监测报警系统暂行技术条件》要求的多种异物入侵的报警监测，是山区铁路崩塌落石防护可靠的技术装备。系统在对异物种类的识别检测方面还需要进一步研究，后续的工作重点应集中在研究多传感器数据融合技术，更加有效地利用视频图像和三维点云图像，使系统能够适应更复杂的场景，并对异物种类进行准确的识别。