基于YOLOv3算法的中低速列车在途障碍物检测方法

王钏文，王 磊，黄仁欢，覃 锐

（通号万全信号设备有限公司，杭州 310000）

列车在自动驾驶过程中的安全性，主要依赖于列车自动保护系统（ATP）。而ATP强调的是车距与行车授权，对于行车过程中的如行人闯入等突发状况，无法做到有效的防护与应对。因此列车在途障碍物检测作为一种重要的列车安全防护手段，早已成为列车全自动运行研究过程中一个重要的分支。

对于列车在途障碍物检测的研究，始于20世纪70年代，研究初期，主要利用各类传感器，如激光雷达传感器和视觉传感器，以及各种传统图像处理算法，如HOG特征和SVM分类器等。由于硬件手段及软件算法限制，当时并未获得较为理想的检测效果。2006年深度学习理论的提出，及其后硬件条件的不断更新，为列车在途障碍物检测，尤其是中低速列车的在途障碍物检测研究注入了新的血液。2015年YOLO检测算法的提出，为列车在途障碍物检测提供了新的解决方案。YOLO检测算法亦属于卷积神经网络，但由于对传统的卷积神经网络结构进行了优化，在确保准确率的同时，极大程度上缩短了检测时间。YOLOv3作为目前较优的YOLO检测算法版本，其理论识别速率为45 F/s（YOLOv3-320），官方给出的预训练模型可识别超过100种不同物体，极为适合中低速列车在途障碍物识别使用。

本文以YOLOv3检测算法为基础，在其原有的预训练模型基础上做迁移学习，并结合freeman链码边缘检测方法，提出一种基于YOLOv3的中低速列车在途障碍物检测方法。

1 方法提出

1.1 YOLOv3介绍

YOLOv3网络由多个按特定顺序排列的1×1和3×3卷积层组成。同时，在每个卷积层之后顺序配置一个BN层和一个LeakyReLU层以实现其网络的基础功能。一般而言网络中总共包含53个卷积层，所以又被称为Darknet-53网络，其详细结构如图1所示。预测过程中，利用(4+1+c) ×k个大小为1×1的卷积核进行卷积预测，以求提高识别准确度和识别效率。其中k为预设边界框（bounding box prior）的个数（一般默认为3），c为预测目标的类别数。

图1 YOLOv3网络结构示意Fig.1 YOLOv3 network structure diagram

1.2 迁移学习与数据扩充

迁移学习的核心在于，选用已有的高效泛用模型，通过固定其基础结构，同时利用已有数据对其输出层或最后几层进行重新训练。从而针对某一特定场景建立更为高效的学习模型。由于只对部分网络进行训练，所以并不需要极大规模的样本数据作为支撑。该做法的优势在于，节省了大量数据收集、处理、标注工作，同时确保了网络的识别能力。

其主要的迁移过程如下：

训练或引用一个标准网络模型（base network）;

将其前n层复制到最终需要得到的目标模型（target network）的前n层 ;

将target network剩下的其他层随机初始化;

使用自身收集的与实际使用环境相契合的数据，训练得到最终需要的目标模型。

训练过程中可以选择把迁移过来的这前n层“冻结”起来，即在训练target task的时候，不改变这n层的值。或者，不冻结这前n层，而是不断地在一定范围内调整它们的值，该过程称之为“微调”。大部分情况下，为了契合新的使用场景，都会使用到“微调”。

1.3 轨道边缘提取

弗雷曼链码（Freeman）是用曲线起始点的坐标和边界点方向代码来描述曲线或边界的方法，对于求取图片中全边界有非常优异的效果。

如图2所示，在图像上选定任意一个像素点，同时将与其相邻的8个像素点分别标记为0～7；设i为图像上某像素点索引值，目标曲线pi→b7的路径为pi→b4→b5→b6→b7，则其相应的弗雷曼链码可以表示为46000。此时，将其路径改为pi→b0→b7，那么，它的弗雷曼链码则变为06。相对于铁轨而言，若经统计发现其链码中，某一字段出现频率极高，那么，在轨道边缘提取过程中，将该字段出现频率最高的线段提取出来，即可得到准确的轨道边缘。

图2 弗雷曼链码8邻域标记方法示意Fig.2 Schematic diagram of Freeman chain code 8 neighborhood marking method

1.4 障碍物检测流程

整合以上提到的检测手段，配合现有的效果较优的图像与处理手段，结合车载视觉传感器（车载摄像头）获取到的视频信息，即可得到中低速列车在途障碍物检测的完整方案，包括如下步骤:

1）车载摄像头获取到行车画面，归一化处理后，记录原图并拷贝两个副本（副本一与副本二），副本与原图应完全一致；

2）对副本一设置感兴趣区域（ROI）标记出铁轨大致位置；

3）图像预处理、去噪；

4）使用canny算子获取图中的所有边缘信息；

5）使用Freeman链码提取轨道边缘位置，并标记至原图；

6）对副本二使用训练好的YOLOv3网络检测可识别的物体；

7）若存在可识别的物体则进行步骤8），否则直接进行步骤9）；

8）将可识别物体的位置与步骤5）得到的轨道边缘做位置对比，若在轨道边缘内，则在原图上标记该物体并将报警信息上报至车载台。否则只在原图上对该物体进行标记；

9）在车载台上显示原图。

依据步骤1)至步骤9）逐帧检测车载摄像头获得的行车画面，即可实时监测列车运行过程中是否存在可能的障碍物，并及时预警。

2 实验验证

2.1 数据集准备

本文使用天水有轨电车示范线一期工程中采集的车载视频，共截取2 400张大小为1 024×768的图片样本，样本目标包括社会车辆和信号机各1 200张（由于部分图片中可能包含多种目标，故图片有复用）。使用其中2 000张（每种1 000张）作为训练集，400张作为测试集。

2.2 实验结果

试验过程中共计识别图片400张，其中误识别4张，漏识别6张，误识别率1.0%，漏识别率1.5%，漏识别率相对较高。其主要原因在于，天水项目车载摄像头安置于驾驶室内，受光线及驾驶室玻璃折射、散射影响较大，成像质量较差，严重制约识别效率。识别效果如图3所示。

图3 轨道边缘及障碍物识别效果Fig.3 Track edge and obstacle identification effect picture

3 结语

本文使用YOLOv3网络及freeman链路算法，有效识别了轨道边缘和列车运行前方障碍物，是一种适用于中低速列车的在途障碍物检测方法。