基于机器学习的铁路工务防洪减灾监测报警装备的研究

郭良君 徐建军 靳亚平 任青茂

摘 要：在铁路安全事故中自然灾害造成的影响尤为严重。随着铁路大范围开工和信息化建设，铁路限界内的安全防护需求日益增加。本文提出了铁路工务防洪减灾监测报警装备，利用机器学习技术的多种算法对铁路限界内的人员侵限、异物侵限和自然灾害进行图像智能识别和实时预警。基于机器学习的铁路工务防洪减灾监测报警装备的研制和应用能够辅助铁路工务部门维护铁路交通顺畅，同时其智能识别和实时预警功能为铁路列车的安全、高速运行提供了可靠的保障。

关键词：机器学习;防洪减灾;图像识别;实时预警

1 绪论

1.1 课题的背景及意义

中国地域辽阔，自然地理情况复杂。地区多山川河流，铁路桥隧相连。每到雨季，洪水肆虐，滑坡、泥石流、塌方落石等自然灾害频繁，对铁路运输及安全影响极大。近10年统计表明，洪水、塌方、落石、泥石流、滑坡等自然灾害对铁路造成的重大事故占所有铁路重大事故的87%。为了防止灾害的发生铁路部门必须投入大量的工作人员24小时不间断地在重点地质灾害区域进行巡守，但由于人力有限经常会出现巡守的重点区域未发生隐患而未派人巡守的区域发生灾情，既消耗了大量的人力物力又无法在灾情初期及时排查，造成铁路安全事故。

本课题在深入研究国内外铁路安全监控系统现状调研的基础上，分析灾害监测技术及发展趋势，研究大风、暴雨、大雪、泥石流、地震灾害及异物侵限突发事件对列车运行安全的危害性，提出铁路工务防洪减灾监测报警装备的研制。为铁路提供由于滑坡、地震、泥石流等自然灾害、道上滞留的人或动物等异物侵限的实时监测和预警。辅助工务部门维护铁路交通顺畅，为列车的运行安全、高速运行提供环境安全保障。

1.2 国内外研究现状

1.2.1 铁路传统防护措施的现状

如今铁路部门大多通过在铁轨旁安装防护网保障铁路安全。但这种防护网不能阻拦大型滚石、洪水、树枝掉落以及人员翻越。

1.2.2 基于深度学习与计算机视觉图像的现状

在深度学习算法出现之前，视觉算法大概分为特征感知、图像预处理、特征提取、特征筛、推理预测与识别这五个步骤。当计算机视觉采用机器学习方法的时候必须自己设计前四步骤，而手工设计特征需要大量的经验，需要开发者对这个领域和数据特别了解，设计出来特征还需要大量的调试工作;另一个难点在于，开发者不只需要手工设计特征，还要在此基础上有一个比较合适的分类器算法，同时设计特征然后选择一个分类器，这两者合并达到最优的效果，几乎是不可能完成的任务。

深度学习算法大大提升了人工智能在语音、图像处理等应用层面的准确度。目前计算机视觉图像中比较成功的深度学习的应用包括人脸识别、图像问答、物体检测和物体跟踪等。

1.3 本文的研究内容及章节安排

本文是基于机器学习对铁路工务防洪减灾监测报警装备进行研究。全文分为三章节：第一章节为绪论，探讨课题的背景意义以及国内外研究现状;第二章节为系统方案设计，对系统的方案和架构进行研究;第三章节为铁路工务防洪减灾监测报警装备的算法研究。

2 方案设计

2.1 系统方案

系统通过在铁路线路限界外安装高清摄像机，采集铁路线路、护坡等位置的数字视频信号，实时传送至系统监控平台。值班人员可通过系统监控平台对多线路多监视点远程监控。同时，系统自动对监视点数字视频进行图像分析、处理和识别。当铁路线路上出现洪水、石头掉落、滑坡体位移、泥石流、异物侵入等情况时，系统自动实时预警，辅助值班人员预判山体滑坡等自然灾害及异物侵入。尽可能地在确保运行安全的前提下，还能够降低铁路工务工人的工作强度。系统还提供标准接口，可与运营调度系统、防洪防灾管理系统等相关系统互联互通、实现信息的共享。

2.2 系统架构

铁路工务防洪减灾监测报警装备的系统架构为：系统在野外设有多个监测点，安装智能监测设备。智能监测设备采集到的数字视频信号经过处理传到监控中心机房的Web服务器，在监控中心的值班人员通过终端设备访问服务器上安装的系统软件，对铁路多线路多监测点进行远程监测。当值班人员对监测点的监测设备进行云台控制时，信号由终端设备发送至Web服务器，Web服务器再将信号传给监测点的监测设备，实现云台控制的功能。

3 铁路工务防洪减灾监测报警装备的算法研究

3.1 一种改进型背景差分建模算法

改进型背景差分建模算法通过收集背景样本来构建背景模型。模型中每个像素点由至少10个背景样本构成，背景样本需要固定，摄像机在构建背景模型时不能抖动，类似mog算法，可以将背景像素插入在邻域像素点的模型库样本中，并且该算法不受时间历史影响，只有被分类为背景点的像素值才被插入到模型中，以保证背景模型的一致性。引入目标整体的概念，弥补基于像素级前景检测的不足。针对updating mask和segmentation mask采用不同尺寸的形态学處理方法，提高检测准确率。在updating mask里，计算像素点的梯度，根据梯度大小，确定是否需要更新邻域。梯度值越大，说明像素值变化越大，说明该像素值可能为前景，不应该更新。引入闪烁程度的概念，当一个像素点的updating label与前一帧的updating label不一样时，blinking level增加15，否则，减少1，然后根据blinking level的大小判断该像素点是否为闪烁点[1]。闪烁像素主要出现在背景复杂的场景，如飞虫、打雷等，这些场景会出现像素背景和前景的频繁变化，因而针对这些闪烁应该单独处理，算法中，默认的更新因子是32，当背景变化很快时，背景模型无法快速的更新，将会导致前景检测的较多的错误。因而，需要根据背景变化快慢程度，调整更新因子的大小，将更新因子分多个等级。

3.1.1 去阴影

视频内容分析要求比较精确的目标检测方法。常用的背景减方法在检测运动前景时也会检测到运动目标投射的阴影，将阴影区域误认为目标区可能造成运动目标粘连或者目标区域几何变形，影响后续内容分析结果，因此去除阴影对于提高后续图像分析的准确性提供了保障。

3.1.2 自适应阈值

阈值是基于图像中物体与背景之间的灰度值差异，用图像中的每一个像素点的灰度值和给定的阈值进行比较，从灰度图像中分离目标区域和背景区域。在灰度图像中，灰度值变化明显的区域往往是物体的轮廓，所以将图像分成一小块一小块的去计算阈值往往会得出图像的轮廓。在铁路工务防洪减灾监测报警装备中利用自适应阈值法，通过图像的某个像素的邻域块的像素值分布来确定该像素位置上的二值化阈值，保证图像中各个像素的阈值会随着周期围邻域块的变化而变化，从而将监控中出现的侵限物体与背景区分开来。

3.1.3 自动背景建模

背景建模的基本思想是对图像的背景进行建模，一旦背景模型建立，将当前的图像与背景模型进行某种比较，根据比较结果确定前景目标（需要监测的运动目标）。

3.2 基于目标梯度算子轨迹跟踪算法

在野外环境中，由于跟踪目标较多并且难以进行识别，但又必须区分不同目标，所以使用了欧氏距离进行区分并设置了一个分割比例;分割公式为：

在分割过程中可能有重叠问题，首先进行类似A∩B形式计算求取最大公共像素位置，当达到一定比例时，一般为0.3以上认为应该去掉其中面积较小的。

最后连续采集多帧图像，分别计算相邻帧之间的梯度，形成一个jacobi 矩阵：

n代表第n张图像，根据速度和位移的不同将n设置在5～25之间。形成jacobi 矩阵之后，通过计算平均差额判断是否为该物体。

3.2.1 梯度算子（微积分）/图像算子

图像的边缘定义为两个明显不同强度区域的过渡，边缘点对应于一阶微分幅度的极大值点以及二阶微分的零点。因此，利用梯度模的极大值或二阶导数为零点来提取边缘就成为了常用的方法[2]。传统的图像边缘检测算法大部分都使用这种方法，如Roberts算子、Sobel算子、Prewitt算子、Laplace 算子和Canny算子等。

3.2.2 轨迹跟踪

边缘是运动目标的最基本特征，表现在图像中就是指目标周围图像灰度有阶跃变化或屋顶变化的那些像素集合，它是图像中局部亮度变化最显著的部分。边缘检测就是采用某种算法来定位灰度不连续变化的位置，从而区分图像中目标与背景的交界线。图像的灰度变化可以用灰度梯度来表示[3]。

轮廓跟踪的思想是：

（1）根据提取的图像边缘，找出轮廓上的像素;

（2）根据这些像素的特征用一定的“跟踪准则”找出物体上的其他像素;

（3）其跟踪效果的好坏主要取决于起始点和跟踪准则的选取两个因素。

4 总结

铁路工务防洪减灾监测报警装备的研究建立在自然灾害频繁的铁路无人看守路段安全防护日益重要的实际需求之上。本文首先在第一章节中对本课题的研究背景和现实意义进行讨论，对比了国内外目前铁路的安全防护措施和计算机视觉图像技术的现状;其次在第二章节提出了在铁路限界内进行智能化图像识别以及实时预警的方案，并设计了系统的软件架构;在第三章节本文基于机器学习的两种技术方法：一种改进型背景差分建模算法和基于目标梯度算子轨迹跟踪算法来实现本课题对铁路限界内的行人列车、异物侵限和洪水等自然災害的智能识别。基于机器学习的铁路工务防洪减灾监测报警装备的研制和应用不仅可以辅助铁路工务部门维护铁路交通顺畅，同时其智能识别和实时预警功能为铁路列车的安全、高速运行提供了可靠的保障。

参考文献：

[1]何银飞.基于改进的帧差法和背景差法实现运动目标检测[D].燕山大学，2016.

[2]徐长禄.视频监控中的运动目标检测与跟踪方法研究[D].南京师范大学，2017.

[3]赵银妹.基于卷积神经网络的目标跟踪算法研究[D].燕山大学，2018.