受人为因素或自然灾害的影响，异物侵入城市轨道交通隧道的现象时有发生，若司机应急反应不灵敏，则将发生严重事故。因此，实时监测运营环境，实现对异物侵入的识别与列车控制就显得十分重要。 据中国城市轨道交通协会统计数据显示，我国城市轨道交通（简称城轨）建设规模逐渐扩大，运营里程不断增长，截至2018年底，已开通运营线路5761.4km，年客运量高达210.7亿人次，成为大、中城市乘客出行的首选交通方式。 然而，随之而来的安全问题也引起了人们的高度关注，一旦发生安全事故，救援难度极大，尤其是地下线路。据统计数据显示，2018年城轨地下线路运营里程高达3639.8km，占总运营里程的63.2%，因此，实时监测地下线路运营环境显得十分重要。 随着城市轨道交通的飞速发展，列车运行速度越来越快，为保证行车运营安全，应加强对应急事件的检测与处理。因此，应实时监测运营环境，实现异物侵入的报警与列车控制。轨道交通隧道异物侵入是指在列车运行轨道上所有造成行车安全隐患的障碍物，如山体滑坡、泥石流、滞留在道上的工作人员等。 异物侵入事件具有突发性和不可预测性，这就要求异物侵入检测系统应具有响应快、准确度高的特点。随着人工智能技术的不断发展，研究基于智能视频分析技术和传感器融合技术来代替人工对侵入异物进行检测判断非常必要。
为智能化异物侵入检测体系，提高运行可靠性，南京理工大学的研究人员肖添文、徐永能、徐欣怡，在2019年《电气技术》增刊中撰文，基于图像采集和测距模块，采用改进背景帧差法，对城市轨道交通隧道异物入侵进行识别与判断，探讨了列车主动安全行为。同时，利用南京地铁提供的视频资料进行了Matlab仿真及实验室验证，证实了此方法的可行性。此异物检测装置硬件成本低，检测精度高，为城市轨道交通主动安全行为提供了依据。
图1 中国城市轨道交通发展示意图
针对异物的检测方法，国内外专家学者进行了诸多研究，其中非接触式的视频检测和传感器检测是当下的主流方法。国外对异物侵入研究较早，主要集中在动态异物的检测方面；国内对于异物侵入的研究主要集中在道路方面，而对于轨道方面研究较少，且起步较晚。
JM Jolion提出了一个自主导航的视觉系统，用于识别障碍物和移动物体，并建立稳定的外部世界视野。Z Wei、DJ Lee等提出使用光流值并基于简化运动模型的有效运动场分析算法实时检测障碍物。Dhiraj Sinha等利用铺设于轨道上的加速度计测量铁路轨道中产生的振动来分析障碍物类型。曲越根据激光雷达与视频图像处理的特点，提出一种非接触式障碍物的检测方法。林鹏飞等开发了一种基于激光扫描的城市轨道线路异物检测系统，提高了异物检测的准确率和效率。
通过对国内外文献的分析可以看出，关于异物检测的方法有很多，但缺少对异物类型、检测方法优缺点以及列车主动安全行为的分析。因此，本文着重研究城市轨道交通隧道异物侵入的检测方法，采用视频检测与传感器检测融合技术，克服单一检测的缺点来提高检测精度，并探讨列车的主动安全行为，以期提高城市轨道交通运行的可靠性和安全性。异物侵入检测流程如下。
本文构建的异物侵入检测系统立足于城市轨道交通安全出行、提升城轨乘车体验的行业需求，利用互联网、物联网、车联网等新一代信息技术，为城轨行业搭建快速检测的运行环境，及时进行应急处理，保障行车安全，为乘客提供安全、平稳、健康的出行服务，构建全方位一体化城轨安全运行管控平台，切实解决城轨出行异物侵入威胁行车安全、列车急停影响乘客乘车体验、因人工误判或应急不及时导致事故发生进而威胁乘客生命安全等问题，从而提高城轨运行安全技术水平和乘客满意度。
图2 异物侵入检测流程
1 研究方法
1.1检测方法的选取
可将基于视频的检测算法分为如下几类，即光流法、帧差法、背景消减法、时间差分法等，它们有各自的优缺点：光流法可携带运动物体的运动信息和景物的三维结构信息，检测效率高，易于实现，但方法复杂，计算量大，不能满足实时的要求；帧差法检测速度较快，对缓慢变换的光照不敏感，方法简单，易于实现，但容易出现“双影”和“空洞”现象，阈值也需人工设定；背景消减法可检测运动目标，检测准确，易于实现，但对光照的变化和阴影的干扰等特别敏感；时间差分法运算速度快，但是检测出的目标可能出现空洞。
通过对各视频检测方法的对比，结合本文所研究的城市轨道交通隧道的特点，选用帧差法作为视频检测方法，同时结合测距传感器检测值，弥补帧差法的不足，对城市轨道交通隧道异物侵入进行实时检测与判断，从而保障城轨安全运营。
1.2基于帧差法和传感器的异物侵入检测
1）检测方法
可将帧差法分为连续帧差和背景帧差。连续帧差方法是利用时间连续的两帧图像相减，判断有无运动目标出现，是一种相对差检测的方法。该方法的优点是运算方法简单，易于实现，但当运动目标运动速度很大时，容易产生虚影。背景帧差方法是将当前帧与背景帧相减，以获取差异目标形态。背景帧差的稳定性相对较好，属于绝对差检测方法。
理论上讲，运动目标的移动速度不会影响检测效果，且在轨道交通隧道内，光照强度和方向都是固定的，不会对检测结果造成影响，确保了检测的稳定性和可靠性。因此，对于轨道交通隧道的异物检测，综合考虑以上两种帧差法的优缺点，最终根据实际需求选用背景帧差法作为视频检测的方法。
传感器采用测距传感器（即360°激光雷达），能实时检测周围物体的位置，包括角度和距离。其中测距传感器的安装高度根据轨道交通行业规定进行设置。先给予轨旁异物侵入检测装置中的测距模块一个初始周围环境距离值，将此值作为比对值；再实时与测距模块工作中的检测值进行对比。当某一方位存在异物时，此方位比对值就会发生变化，从而可判断异物是否超过高度阈值，同时辅助对异物进行定位。
本文所采用的异物侵入检测装置安装示意图如图3所示。
图3 异物侵入检测装置安装示意图
基于此装置，隧道内异物侵入检测方法如下：根据轨旁图像采集模块和测距模块的检测值，将每一帧图像的灰度值减去背景的灰度值可得到一个差值图像，即
公式1
式中：b(x, y,i0,hθ)为隧道内轨旁图像采集模块初始视频图像，即背景模型；f(x', y',i',h'θ)为当前每一帧图像；(x, y)为二维图像位置坐标；i为图像帧数；i0为初始图像帧数，一般取值为0；hθ为测距模块测得的此高度阈值各方位阻挡物的距离。
通过设置一个图像阈值T和检测测距模块感应值的变化情况，可得到一个二值化差值图像，即
公式2
测距模块的安装高度由铁路行车安全条例确定，覆盖范围为300～500m。
2）制动距离
列车制动示意图如图4所示。图中：A为隧道内轨旁的检测装置，包括图像采集模块、测距模块和地面信息处理模块；B为障碍物俯视图；C、D分别为异物轮廓在列车行进方向水平线上的投影点；E为应答器。则制动距离为
公式3
公式4
公式5
式中：S为列车制动距离；m为地面应答器到轨旁检测装置的距离；n为地面应答器到列车前端的距离；p为列车在异物前停车时的安全包络距离；d1、d2分别为AD和CD距离；α、θ分别为测距模块检测到的异物角度变化范围；hα、hθ分别为测距模块感应值。
图4 列车制动示意图
若当列车行经此地面应答器时速度为vt，则根据列车制动距离S，可采用目标-距离模式曲线进行速度控制，使列车到达异物前速度减为0，待清除异物后再继续运行。
本文将隧道内轨旁各图像采集模块正常情况下的监控视角图像作为初始背景图像，将监控视频实时与此背景图像进行帧差处理，并将差异区域进行标红和二值化处理。同时将隧道内轨旁固定高度的测距模块进行初始化，即将此高度范围内360°的距离作为初始值，当异物超过此高度时，某一方位的距离数值将会发生变化。
通过二值化后的图像形状、位置和测距模块感应值的变化，可判断出异物对列车运行是否存在安全隐患。采用地面应答器和车载应答器作为信息传递桥梁，克服了远距离传输对信息的衰减，减少了丢包率。
融合车载已有的异物检测装置检测结果，采取“并”操作，即只要存在对列车运行有影响的异物，均会采取相应的应急措施。其中车载异物侵入检测装置检测结果的优先级高于轨旁异物侵入检测装置的检测结果，即当列车读取到前方区段未出现异常，但列车行经此地面应答器一段时间后，车载异物侵入检测装置检测到前方存在异物且与读取到的路况信息存在差异时，以车载异物侵入检测装置的检测结果为最高优先级，控制列车采取相应的主动安全行为。
1.3信息传递
区别于以往将信息传递给列控中心，再由列控中心将信息传递给司机室，司机再根据列控中心下达的命令控制列车运行，本文采用一种改进的信息实时传递方式——应答器信息传递。传统的应答器存储的信息分为静态信息和部分可变信息，静态信息如轨道区段位置、编号、长度等，可变信息如临时限速等。
本文所探讨的信息传递方式是将轨旁信息处理模块对异物的检测结果实时传递给相应地面应答器，应答器对同一监控的检测结果进行不断更新覆盖，仅留下最后的异物检测结果，即当列车经过此应答器上方时，能读取到区段前方的最新路况信息。
轨旁信息处理模块与地面应答器之间的信息传输对应关系主要取决于二者之间的距离，其长度应大于列车在最不利情况下的最大制动距离，此安全距离可为列车的行驶提供保障，并大大增加了列车运行的可靠性和安全性。信息处理模块与地面应答器信息传递数量的对应关系为1-n和n-1，即将1个信息处理模块处理的信息传输给多个应答器，1个应答器接收多个信息处理模块处理的信息。信息传递方式示意图如图5所示。
图5 信息传递方式示意图
小车载信息处理模块通过融合读取到的地面应答器信息，并辅以车载异物侵入检测装置的检测结果，采取“并”集操作，以车载检测装置的检测结果为最高优先级，判断异物对列车运行的影响，从而控制列车运行，保障运营安全。其中车载异物侵入检测装置借鉴他人的研究结果，应用在本文所构建的检测系统中。
2 仿真与实验验证
2.1Matlab仿真
基于图像检测技术，利用南京地铁提供的人工拍摄视频图像以及测距传感器检测到的图像范围内的距离，在104°范围内进行Matlab仿真，其结果如图6所示。左侧为视频图像检测结果，能精确检测到异物——行人渐行渐远的轨迹，检测精度高，且能对障碍物进行形状轮廓描绘和精确定位。右侧为测距模块检测结果。图中所示的初始测距模块检测值即正常无异物侵入情况下的各方位距离。
图6 Matlab仿真结果
从图6可以看出，随着行人渐行渐远，测距模块检测到的异物宽带宽度变小，与初始距离之间的差距也越来越大，这与实际情况相吻合。
2.2实验室验证
基于现有实验平台对本系统进行验证，此平台完全模拟南京地铁老一号线，采用1:48比例模型进行构建。列车可实现基本的运行功能，例如加减速、停车、折返、区段防护等。轨旁异物检测装置被安装在信号灯柱上，包括图像采集模块、测距模块和信息处理模块。实验室平台如图7所示。
图7 实验室平台
在车辆前端底部安装有车载异物检测装置和车载信息处理模块，用于检测近距离的异物，其优先级高于轨旁异物检测装置。实验用车如图8所示。
图8 实验用车
后台采用3个软件（FET、HMI和ATS）分别对列车进行控制，FET软件用于控制信号灯和道岔状态，HMI软件实现对列车行车命令的下达和每列车的信息显示，ATS软件实现对列车运行控制和车站控制。具体界面如图9所示。
图9 FET、HMI、ATS控制界面
计划编辑窗口用于对列车下达控制命令，此窗口包括列车车次号、目的地号、发车时间以及每个站的停车时间。每列车的控制界面包括列车位置信息、电量信息、速度信息的显示以及自动AM模式和手动BY模式，还包括基本的前进、停止、后退、加速、减速等功能。列车信息界面如图10所示。
图10 列车信息界面
通过实验室平台验证，证实了此方法的可行性，即列车能按照预定功能行车，能精确检测到异物并且控制列车采取相应主动的安全措施。
3 结论
本文构建了一个将图像采集模块、测距模块和信息处理模块联合使用的新模型。通过融入测距模块检测值的改进背景帧差法，对城市轨道交通隧道异物侵入进行识别与判断，有效解决了司机人工辨识异物侵入不精确的问题，并通过应答器进行信息传递，克服了隧道通信距离受限的缺点，同时控制列车采取主动安全的措施。实验证明，此异物侵入检测方法能有效识别异物，且识别精度高，可为城市轨道交通运营的安全性和可靠性提供依据。
联系客服
