李琦

摘 要：随着铁路道口安全防护需求日益增加，本文提出了一套为铁路平交道口实施无人值守自动控制的道口智能监控系统。系统主要运用数字视频监控技术和卷积神经网络算法，对道口内的行人、车辆和列车等目标进行图像识别，能够有效防范道口安全事故的发生。

关键词：卷积神经网络;道口;智能监控;图像识别

中图分类号：TP183 文献标识码：A

0 引言

道口是铁路安全运输中的薄弱环节也是道路运输的危险地段，它直接威胁着交通参与者的人身安全。随着国民经济以及铁路运输业跨越式地发展，列车的运行密度、速度及载重不断提高，公路运输工具的数量也迅速增加，铁路道口的占用率也在显著提高，而列车均占用道口的时间也相应缩短。近年来铁路道口的安全防护任务越来越重，道口成为了制约铁路行车安全的瓶颈之一。因道口的防护不当造成碰撞事故发生不仅会严重影响交通系统的运行，甚至直接导致人民生命财产的损失。

1 系统的设计与实现

基于卷积神经网络的道口智能监控系统设计包括道口智能监控系统的总体设计、系统硬件布局设计以及图像识别软件和监控平台软件的设计。

1.1 系统总体设计

系统通过道口附近的摄像机对道口区域内通过的行人、车辆和列车进行图像识别;在系统接到道口来车信号后及时控制道口语音报警器和信号灯对来车做出提示，提醒行人、车辆快速撤离道口或在安全区域等待列车通过;在列车接近道口过程中系统图像识别软件持续对道口内的行人、车辆进行识别，若有道口滞留情况及时发出警报，并提醒道口值班室内的人员进行人工干预;当监测道口区域内无占用后系统智能控制道口栏木关闭，待监测到道口内的列车完全通过后控制栏木打开，对行人和车辆放行，确保道口来车时列车和行人的人身安全。

1.2 系统硬件布局设计

道口智能监控系统的硬件设备包含道口室外设备和监控值班室（看守房）设备。室外设备主要由摄像机、补光灯、报警器、信号灯以及栏木机组成，均安装于道口两侧。监控值班室设备安装于道口附近的看守房或值班室内的机柜内，包含服务器、显示器和终端机等，用于搭建和访问道口智能监控系统的软件平台以及对系统的视频进行采集、识别、处理、控制和存储。

1.3 系统软件设计

道口智能监控系统的软件由图像识别软件和监控平台软件组成。图像识别软件主要用于对道口内人员车辆滞留道口、列车通过并离开道口的智能识别;来车声音提示、道口滞留语音报警、信号灯和栏木的自动控制。监控平台软件主要用于道口状态及实时视频画面的显示、历史视频及历史报警的查询、系统配置、操作日志管理;报警发生时实时提示道口人员对滞留行为人工干预。

1.4 现有目标特性识别算法的弊端

对铁路平交道口内的行人、车辆和列车的智能检测和识别是道口智能监控系统中非常重要的一部分。近年来随着计算机视觉研究的深入发展出了基于目标特性识别算法，如根据行人的特征的行人检测算法和基于车辆外观特征的车辆识别方法等[2]。这些识别算法依靠待识别物体与其他物体具有较大的外观差异性来进行物体识别。常见的识别特征包括：颜色特征、速度特征和Hu相似不变矩特征等。这些算法在实际应用中受到外界环境的影响较大，使得行人特征选取变得比较困难，进而导致此类算法鲁棒性变差。此外基于物体大小和速度特性进行区分的方法对摄像机的位置及周围环境要求较高，不具备普遍适用性。应用于铁路平交道口的道口智能监控系统不同于应用于简单背景和小范围的视频监控系统，其应用场景对算法的要求更高。在实际应用中不仅要解决光照变化、天气变化、背景变化等因素造成的影响，还要解决被检测的运动目标出现互相重叠、部分遮挡和运动方向不确定等因素。

1.5 基于卷积神经网络的系统技术原理

应用卷积神经网络算法首先應确定检测区域。在铁路平交道口中摄像机的监控区域包含铁路及周边道路，在对监控录像进行处理需要进行危险区域划分来确定要检测的区域，防止误报警的发生。在道口智能监控系统中认为铁轨两侧的栏木之间为危险区域，栏木以外的范围被认作安全区域。识别过程需要先进行图片边缘检测：将图片中如果一个像素落在图像中某一个物体的边界上，那么它的邻域将成为一个灰度级变化的带。在实际中分别用图像梯度向量的幅度和方向来表征灰度的变化率和方向，因此通过使用边缘检测算子检查每个像素的邻域的灰度变化率即可完成图像中所有物体的边缘检测。由于道口栏木大部分沿直线方向安装，因此可以通过检测物体边缘中的直线来确定栏木的位置，选取图片中最外侧的两条直线并分别向两侧移动一段距离作为安全区域。在本系统中所采用的边缘检测算法为Canny算法，直线提取算法为hough算法。具体实现过程如下：

（1）首先将所选取的背景图片进行灰度值转化;

（2）由于边缘检测的算法主要是基于图像灰度值分布函数的一阶和二阶导数，因此对噪声很敏感，必须采用滤波器来改善与噪声有关的边缘检测器的性能。因此需要将转化后的灰度模式图像进行高斯滤波处理;

（3）使用一阶偏导的有限差分法来近似计算图片灰度值的梯度幅值与方向，并将计算得到的梯度幅值进行抑制;

（4）通过hough算法提取出边缘线段中的直线并分别向两侧平移，将平移后的直线作为检测区域分界线，对两条直线进行连通域标记及膨胀处理。选择内部区域为危险区，外部区域为安全区。

其次应确定入侵目标种类。在道口中所需检测的目标包括行人、自行车、汽车三类。确定了目标种类后需要通过足够的样本对行人、车辆等模型进行训练从而得到相应模板。将采集到的视频图像输入卷积神经网络进行目标检测。如果检测出视频中危险区域出现行人车辆等则发出报警信号，控制报警器发出警报。相反未检测到目标则继续进行下一帧的运算。

2 总结

本文的研究建立在铁路道口安全防护日益重要的实际需求之上。本文首先介绍了随着我国铁路运输业的快速发展，社会对铁路道口的安全问题提出了更高的要求。其次分析了目前铁路平交道口安全事故的主要特点和重要因素。在此基础上提出了一套为铁路平交道口实施无人值守自动控制的道口智能监控系统，探讨了系统的设计与实现方法，运用数字视频监控和图像识别为主要技术核心，实现了道口目标识别、越界报警、栏木信号灯智能控制和列车离开道口检测。最后通过对现有的一种目标特征识别算法进行原理研究及劣势分析，选择更适合铁路道口这种复杂环境下目标识别的算法——卷积神经网络。运用卷积神经网络算法的图像识别更为准确、快速，为保障平交道口的安全以及防范道口安全事故的发生起到了关键的作用。道口智能监控系统综合了图像、通讯、数据和计算机网络控制等技术，提高了道口的安全性，实现了道口管理的数字化、网络化、自动化和智能化。

参考文献：

[1]杨兰.铁路道路平交道口的事故分析和安全预防研究[D].石家庄铁道大学，2015.

[2]王聪.基于卷积神经网络的铁路图像智能识别算法研究[D].北京交通大学，2018.

[3]黄洪辉.铁路道口警示监控系统的应用[J].铁路通信信号工程技术，2011（06）：66-68+78.

[4]卢佐安.铁路平交道口交通安全管理研究[J].中国安全科学学报，2007（10）：96-101+180.

[5]郭宝龙.数字图像处理系统工程导论[M].西安电子科技大学出版社，2012.