CN103287462A - 机务调车信号检测方法和系统 - Google Patents

Abstract

本发明涉及一种机务调车信号检测方法和系统，所述方法包括：采集当前机车前方的图像；分析所述图像以从中确定所述当前机车的行进路线；参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域；从所述初始图像区域中识别出信号灯图像；将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯的信号为针对当前机车的调车信号。本发明各步骤均有比较的参考或依据，可以由计算机或其他电子设备自动运行，并且，能够避免人工由于天气或者疲劳等原因造成的判断失误，从而提高了检测的可靠性和准确性。

Description

机务调车信号检测方法和系统

技术领域

本发明涉及电子及信号处理技术领域，更具体的说是涉及一种机务调车信号检测方法和系统。

背景技术

在铁路运输过程中，除机车在车站到达、出发、通过外，凡机车进行一切有目的的移动统称为调车，是铁路行车工作的基本内容之一。

现有技术中，针对机车出入库及单机转线等调车走行等操作，由于地面信号机不发码，LKJ监控记录装置无法实现有效监控，需要根据司乘人员识别调车信号来进行的，而调车信号的识别是靠司乘人员瞭望信号灯来确定。这种方式对司乘人员的依靠性较大，一方面，遇恶劣天气时，人工瞭望距离有限，另一方面，由于疲劳、疏忽、线路调整等原因容易出现瞭望错误引起调车事故，例如出现机车冒进等情况，从而导致挤坏道岔、损坏设备等调车作业等事故的发生。

发明内容

有鉴于此，本发明的目的在于提供一种机务调车信号检测方法和系统，对调车信号进行自动识别并报警提示，防止调车作业惯性事故发生，提高机车防范安全事故的能力。

本发明的技术方案如下：

一种机务调车信号检测方法，包括：

采集当前机车前方的图像；

分析所述图像以从中确定所述当前机车的行进路线；

参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域；

从所述初始图像区域中识别出信号灯图像；

将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯的信号为针对当前机车的调车信号。

优选的，上述方法中，所述分析所述图像以从中确定所述当前机车的行进路线包括：

A、在图像中选择满足长度和强度要求的边缘底部起点作为种子像素；

B、选择所述种子像素所在区域的邻域中的相似像素，所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值；

C、将所述相似像素合并至所述种子像素所在区域，返回步骤B；

D、重复B～C，直至所述种子像素所在区域的邻域中不存在相似像素，并将所述像素所在区域确定为铁轨区域；

E、结合识别出的道岔的开口方向确定所述当前机车的行进路线。

优选的，上述方法中，所述步骤E包括：

选取铁轨区域中的交叉处的特征点；

利用所述特征点确定道岔区域，并对所述道岔区域进行图像分割处理以确定道岔开口方向；

将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。

优选的，上述方法中，按照以下步骤从所述初始图像区域中识别出信号灯图像：

提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定出颜色与信号灯颜色匹配的图像区域，将该图像区域确定为信号灯图像。

优选的，上述方法中，按照以下步骤分析所述初始图像区域以确定信号灯图像：

提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定出颜色与信号灯颜色匹配的图像区域，并判断该图像区域的形状，当该图像区域的形状与信号灯形状匹配时，将该图像区域确定为信号灯图像。

本发明同时还提供了一种机务调车信号检测系统，包括：

图像采集器，架设于机车前端，以采集当前机车前方的图像；

行进路线分析单元，用于获取所述图像，并分析所述图像以从中确定所述当前机车的行进路线；

初始图像区域确定单元，用于参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域；

信号灯图像识别单元，用于从所述初始图像区域中识别出信号灯图像；

调车信号分析单元，用于将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯即为针对当前机车的调车信号灯。

优选的，上述系统中，所述行进路线分析单元包括：

铁轨检测单元，在图像中选择满足长度和强度要求的边缘底部起点作为种子像素，选择所述种子像素所在区域的邻域中的相似像素，所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值，将所述相似像素合并至所述种子像素所在区域直至所述种子像素的邻域中不存在相似像素，并将所述像素所在区域确定为铁轨区域；

行进路线确定单元，用于获取所述铁轨检测单元的处理结果，选取铁轨区域中的交叉处的特征点，利用所述特征点确定道岔区域，并对所述道岔区域进行图像分割处理以确定道岔开口方向，并将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。

优选的，上述系统中，所述信号灯图像识别单元包括：

颜色识别单元，用于提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定颜色符合信号灯要求的图像区域，将该图像区域确定为信号灯图像。

优选的，上述系统中，所述信号灯图像识别单元还包括：

形状识别单元，判断所述颜色识别单元所识别出的图像的形状是否符合信号灯形状，若是，则确定该图像为信号灯图像。

从上述技术方案可以看出，本发明提供的方案通过采集机车前方图像并进行分析，结合当前机车的行进线路确定信号灯的初始图像区域，并从所述初始图像区域识别出信号灯图像，并结合GPS定位技术进行信号灯的筛选，最终判断针对当前机车的调车信号。此过程的各步骤均有比较的参考或依据，可以由计算机或其他电子设备自动运行，降低了司乘人员的工作难度和强度，并且，通过计算机或电子设备进行操作可以避免人工由于天气或者疲劳等原因造成的判断失误，从而提高了检测的可靠性和准确性。此外，在识别信号灯的过程中，采用颜色和/或形状识别的方式，进一步提高了调车信号检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种机务调车信号检测方法的流程图；

图2信号灯与行进路线的位置关系示意图；

图3为本发明实施例提供的一种机务调车信号检测方法中步骤S12的具体流程图；

图4为本发明实施例提供的一种机务调车信号检测方法中特征点定位道岔方法的流程图；

图5为本发明实施例提供的一种机务调车信号检测方法中，两条铁轨交点处边缘模型示意图1；

图6为本发明实施例提供的一种机务调车信号检测方法中，两条铁轨交点处边缘模型示意图2；

图7为本发明实施例提供的一种机务调车信号检测系统的结构示意图；

图8为本发明实施例提供的一种机务调车信号检测系统中行进路线分析单元的结构示意图；

图9为本发明实施例提供的一种机务调车信号检测系统中信号灯图像识别单元的结构示意图。

具体实施方式

本发明提供的机务调车信号检测方法依靠人工智能技术辅助现有调车安全防控，即：通过采集机车前方图像并进行分析，结合当前机车的行进线路识别信号灯图像，并结合GPS定位技术，对当前机车的调车信号进行判断。此过程采用了视频、图像分析和识别技术，能够由机器自动操作，避免了人工操作带来的一系列问题。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的一种机务调车信号检测方法的基本流程如图1所示，包括以下步骤：

步骤S11、采集当前机车前方的图像。

采用高清工业相机采集当前机车前方的图像，所述高清工业相机可以架设于机车前端。

步骤S12、分析所述图像以从中确定所述当前机车的行进路线。

具体的，可采用拟合生长区域的铁轨检测法和特征点定位道岔方法来确定所述当前机车的行进路线，下文再详细介绍。

步骤S13、参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域。

一般的，信号灯会位于铁轨一侧的预设区域内，在存在道岔的情况下，信号灯的位置临近所述道岔的区域，如图2所示，其中道岔区域21位于机车前方且位于铁轨22和铁轨23上，预设区域24位于铁轨22外侧且临近于道岔区域21。

于是，通过所述位置关系，即可确定所述信号灯所在的初始位置区域。

步骤S14、分析所述初始图像以确定信号灯图像。

根据颜色、形状或者其他方式，从所述初始图像区域中识别出所述信号灯图像，具体方式和过程下文详细介绍。

步骤S15、将所述信号灯图像的中心坐标映射于地球坐标系上。

将所述信号灯图像的中心坐标映射于地球坐标系上，得到所述中心坐标的地球坐标位置。

步骤S16、判断所述地球坐标位置是否位于预设的GPS定位区域内，若是，进入步骤S17，否则，进入步骤S18。

预先在行驶的机车上装载GPS系统，并标识信号灯的位置(信号灯在地球坐标系上的位置)或大致区域，于是，可根据对上述步骤S14中识别出的信号灯图像的地球坐标位置是否位于GPS系统中标识信号灯位置的定位区域中，来确定所述信号灯是否为针对当前机车的调车信号灯，即确定所述信号灯的信号是否为针对当前机车的调车信号。

步骤S17、确定所述信号灯的信号为针对当前机车的调车信号。

如果识别出的信号灯图像的地球坐标位置与GPS系统中标识信号灯的位置重叠，或者相互之间的距离小于预设距离，即识别出的信号灯图像的地球坐标位置位于GPS系统中标识信号灯位置的定位区域中，则可认为所述信号灯即为针对当前机车的调车信号灯。

步骤S18、忽略所述信号灯的信号，并返回步骤S11。

如果识别出的信号灯图像的地球坐标位置位于GPS系统中标识信号灯位置的定位区域之外，则可认为该识别出的信号灯为其他机车的调车信号灯，即识别出的调车信号为其他机车对应的调车信号，并非当前机车对应的调车信号，于是可以直接忽略该信号，避免当前机车误操作，并返回上述步骤S11，以继续执行图像的采集即分析过程。

可以看出，本发明提供的上述方法中，各步骤均有比较的参考或依据，可以由计算机或其他电子设备自动运行，降低了司乘人员的工作难度和强度，并且，通过计算机或电子设备进行操作可以避免人工由于天气或者疲劳等原因造成的判断失误，从而提高了检测的可靠性和准确性。同时，本方法中结合GPS定位技术进行信号的筛选，避免由于受到邻近机车的信号灯的调车信号的影响而导致机车的误操作，进一步提高了检测的准确性。

上述步骤S12中采用拟合生长区域的铁轨检测法和特征点定位道岔方法，其工作过程如图3所示，包括以下步骤：

步骤S31、根据边缘强度和长度要求选择一组能代表铁轨区域的种子像素(x₁，y₁)。

即在图像中选择满足长度和强度要求的边缘底部起点作为种子像素，具体的：在图像中检测强边缘，并对强边缘估计长度，选择满足长度和强度要求的边缘底部起点作为种子像素。

步骤S32、判断所述种子像素所在区域的邻域中是否存在相似像素，若是，进入步骤S33，否则，进入步骤S35；

步骤S33、选择所述种子像素所在区域的邻域中的相似像素。

所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值。

步骤S34、将所述相似像素合并至所述种子像素所在区域，返回步骤S31。

步骤S35、将所述子像素所在区域确定为铁轨区域。

步骤S36、通过所述铁轨区域确定所述当前机车的行进路线。

所述行进路线由两条铁轨确定。

需要说明的是，铁路环境复杂，存在许多干扰因素，如杂草、雪覆盖铁轨等，因此可以先确定一条行进线路的一条铁轨，然后采用镜像映射的方式找出另一条铁轨。

此外，一般来说，如果存在道岔，则步骤S37确定的可能行进路线存在两条或多条(即铁轨区域中必然会存在交叉点)，并且这些行进路线的交叉处区域即为所述道岔区域，因此，识别道岔区域能够为后续行进线路的最终准确确定提供方便。

所述特征点定位道岔方法的过程如图4所示，包括以下步骤：

步骤S41、选取铁轨区域的交叉处的特征点。

假设两条铁轨交点处边缘模型如图5所示，其中，θ是边缘法线与x轴的夹角，θ∈[-π/2，π/2]，两条边缘的夹角为2θ，边缘夹角的等分线与x轴的夹角为其中背景区域灰度值为h，铁轨灰度值为h+k，若旋转角使边缘夹角相对x轴对称，其形式如图6所示。

则旋转空间距的计算公式为

$M_{00}^{\′}=\underset{x^2+y\≤1^2}{\∫\∫}{f}^{\′}(x,y)\mathrm{dxdy}=h{\∫}_0^{2\mathrm{\π}}{\∫}_0^1\mathrm{\ρd\ρd\υ}+k{\∫}_{-\mathrm{\θ}}^{\mathrm{\θ}}{\∫}_0^1\mathrm{\ρd\ρd\υ}=\mathrm{h\π}+\mathrm{k\θ};$

$M_{10}^{\′}=\underset{x^2+y\≤1^2}{\∫\∫}x{f}^{\′}(x,y)\mathrm{dxdy}=h{\∫}_0^{2\mathrm{\π}}{\∫}_0^1\mathrm{\ρ}\cos \left(\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ}+k{\∫}_{-\mathrm{\θ}}^{\mathrm{\θ}}{\∫}_0^1\mathrm{\ρ}\cos \left(\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ}=0+2k\sin \left(\mathrm{\θ}\right)/3$

$M_{01}^{\′}=\underset{x^2+y\≤1^2}{\∫\∫}y{f}^{\′}(x,y)\mathrm{dxdy}=0;$

$M_{20}^{\′}=\underset{x^2+y\≤1^2}{\∫\∫}{x}^2{f}^{\′}(x,y)\mathrm{dxdy}=h{\∫}_0^{2\mathrm{\π}}{\∫}_0^1{\mathrm{\ρ}}^2{\cos }^2\left(2\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ}+k{\∫}_{-\mathrm{\θ}}^{\mathrm{\θ}}{\∫}_0^1{\mathrm{\ρ}}^2{\cos }^2\left(2\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ};$

$=(\mathrm{\π}/4)h+(k/4)\mathrm{\θ}+(k/8)\sin 2\mathrm{\θ}$

$M_{02}^{\′}=\underset{x^2+y\≤1^2}{\∫\∫}{y}^2{f}^{\′}(x,y)\mathrm{dxdy}=h{\∫}_0^{2\mathrm{\π}}{\∫}_0^1{\mathrm{\ρ}}^{2}s{\mathrm{in}}^2\left(2\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ}+k{\∫}_{-\mathrm{\θ}}^{\mathrm{\θ}}{\∫}_0^1{\mathrm{\ρ}}^2{\sin }^2\left(2\mathrm{\υ}\right)\mathrm{\ρd\ρd\υ};$

$=(\mathrm{\π}/4)h+(k/4)\mathrm{\θ}-(k/8)\sin 2\mathrm{\θ}$

经过分析得出，在两条铁轨交点处：

S(x，y)＝2(M′₂₀+M′₀₂)-M′₀₀＝0，且

M′₂₀-M′₀₂＝hsinθcosθ/2

而非铁轨交点处，

$2(M_{20}^{\′}+M_{02}^{\′})-M_{00}^{\′}=(2/3)\mathrm{kl}\sqrt{{(1-l^2)}^3}$

$M_{20}^{\′}-M_{02}^{\′}=(2/3)\mathrm{kl}\sqrt{{(1-l^2)}^3}$

其中：l为单位圆心到边缘的垂直距离。

因此，可利用A＝(M′₂₀-M′₀₂)/2(M′₂₀+M′₀₂)-M′₀₀判断像素点是否为交点。

如果|A|≥k₁则为铁轨交点，k₁为阈值。

步骤S42、利用所述特征点确定道岔区域。

步骤S43、对所述道岔区域进行图像分割处理以确定道岔开口方向。

在道岔检测过程中，可用图像分割的方法把道岔从背景区域中分离出来：首先，将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，即可得到分割出的道岔。

步骤S44、将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。

前文步骤S14的具体实现过程可以单依靠颜色识别进行，或者同时结合颜色识别和形状识别。

下面详细介绍：

1、依靠颜色以识别出信号灯。

一般来说，信号灯的光(即信号)的颜色主要有白色、蓝色或红色。根据图像的颜色即可识别信号灯信号。

图像的颜色特征是非常重要的一种特征。

经常用到的颜色模型可分为两大类：一类是面向彩色显示器之类的硬件设备，包括RGB模型、CMYK模型和归一化颜色模型等，另一类是面向视觉感知或者以颜色的处理和分析为目的应用，例如：Munsell(蒙塞尔)模型、HIS模型、HSV模型、CIEL*a*b模型和CIEL*u*v模型等。

其中：

HSV颜色模型的三个颜色分量分别为色度(H)、饱和度(S)和亮度(V)。色度是指颜色，与混合光谱中主要光波的波长相联系；饱和度是指颜色的深浅程度；亮度是指人眼所能感受到的光的明暗程度，主要受光源强弱的影响。而且亮度信息与图像的颜色信息毫无关联。

RGB颜色空间到HSV颜色空间的转换公式为：

$V=\frac{1}{3}(R+G+B)$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$H=\arccos \left\{\frac{[(R+G)+(R-B)]/2}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}$

归一化后得到v，s的值在[0，1]之间，H的值在[0，360°]之间。

HSV颜色模型具有对光照不敏感的特性，本实施例采用其进行信号灯识别，即从所述初始图像区域识别出信号灯图像的过程包括：

将所述初始图像区域执行以下操作：

首先，提取所述区域的色调、饱和度和亮度参数。

然后，分别进行模糊映射，即模糊色调映射、模糊饱和度映射和模糊亮度映射，得到三个映射集，如下：

模糊色调映射集为：

${\mathrm{\μ}}_h\left(h\right)=\left\{\begin{array}{cc}{(h/30)}^2,& h\∈\left[\mathrm{0,90}\right)\\ {((360-h)/90)}^2,& h\∈\left[\mathrm{90,360}\right)\end{array}\right.;$

模糊饱和度映射集为：

${\mathrm{\μ}}_s\left(s\right)=\left\{\begin{array}{cc}{(s/s_y)}^2,& s\∈[0,s_y)\\ 1,& s\∈[s_y,1]\end{array}\right.;$

模糊亮度映射集为：

${\mathrm{\μ}}_v\left(v\right)=\left\{\begin{array}{cc}{(v/v_y)}^2,& v\∈[0,s_y)\\ 1,& v\∈[s_y,1]\end{array}\right.;$

接着，对上述三个模糊映射集进行加权融合以结合成为一个单独的模糊映射，如下：

μ_c(h，s，v)＝w_hμ_h(h)+w_sμ_s(s)+w_vμ_v(v)

上式是基于各颜色特征分量隶属度的分类函数。

其中：

w_h，w_s，w_v，为反映各隶属度重要程度的权向量；

w_h，w_s，w_v∈[0，1]，且，w_h+w_s+w_v＝1；

于是，若μ_c(h，s，v)≥W(W为分类阈值，W∈[0，1])，则可认为对应区域的颜色为蓝色(红色)。因此，可以将μ_c(h，s，v)≥W的区域确定出来，该区域即为信号灯信号在初始图像中的位置。

2、依靠颜色及形状以识别出信号灯。

由于铁路环境非常复杂，仅靠颜色判定可能会存在不准确的问题从而造成误检，于是，可以结合信号灯的圆形度、面积等特征进行辅助判断。

信号灯的圆形度计算方法如下：

$C=\frac{{\mathrm{\μ}}_R}{{\mathrm{\δ}}_R}$

其中，μ_R是区域重心到边界点的平均距离；δ_R是区域重心到边界点的距离均方差。

${\mathrm{\μ}}_R=\frac{1}{k}\underset{k=0}{\overset{k=1}{\mathrm{\Σ}}}\left|\right|(x_k,y_k)-(x_i,y_i)\left|\right|;$

${\mathrm{\δ}}_R=\frac{1}{k}\underset{k=0}{\overset{k=1}{\mathrm{\Σ}}}{\left[\right|\left|((x_k,y_k)-(x_i,y_i))\right||-{\mathrm{\μ}}_R]}^2;$

区域面积为：

$A=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{m-1}{\mathrm{\Σ}}}f(x,y);$

具体的，在按照前文颜色识别后进一步进行形状识别，按照上述公式获取颜色识别得到的图像的圆形度和区域面积，与预先设定的定位信号灯的圆形度和区域面积进行比较，如果圆形度和区域面积的比较结果均为一致，则可确定颜色识别出的图像为定位信号灯的图像。可以看出，形状识别是颜色识别的一种补充，能够进一步提高检测的准确性(降低漏检率和误检率)。

可以看出，本方法融合了多元信息(颜色、形状和GPS信息)，进一步提高了调车信号检测的准确性。

此外，针对上述方法，本文还提供了一种机务调车信号检测系统，该系统的一种可能的结构如图7所示，包括图像采集器71、行进路线分析单元72、初始图像区域确定单元73、信号灯图像识别单元74和调车信号分析单元75，其中：

所述图像采集器71架设于机车前端，用于采集(即摄取)当前机车前方的图像，其具体可以是高清的工业相机。

所述行进路线分析单元72，用于获取所述图像采集器71所采集的图像，并分析所述图像以从中确定所述当前机车的行进路线。

所述初始图像区域确定单元73，用于参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯在所述图像中的所在初始图像区域。

所述信号灯图像识别单元74，用于从所述初始图像区域确定出信号灯图像。

调车信号分析单元75，用于将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯为针对当前机车的信号灯，所述信号灯的信号为针对当前机车的调车信号。如果识别出的信号灯图像的地球坐标位置与GPS系统中标识信号灯位置重叠，或者相互之间的距离小于预设距离，即识别出的信号灯图像的地球坐标位置位于GPS系统中标识信号灯位置的定位区域中，则可认为所述信号灯的信号即为针对当前机车的调车信号。如果识别出的信号灯图像的地球坐标位置位于GPS系统中标识信号灯位置的定位区域之外，则可认为所述识别出的信号灯为其他机车的信号灯，所述识别出的信号灯的信号当然也是其他机车的调车信号，而并非当前机车的调车信号，于是可以直接忽略该信号，避免当前机车误操作。

本实施例提供的检测系统在启动后，由机车前端的图像采集器71实时采集当前机车前方的图像，并提供给所述行进路线分析单元72，所述行进路线分析单元72采用拟合生长区域的铁轨检测法和特征点定位道岔方法确定当前机车的行进路线，由所述初始图像区域确定单元73参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯在所述图像中的所在初始图像区域，然后把确定结果提供给所述信号灯图像识别单元74，所述信号灯图像识别单元74采用单依靠颜色识别或同时结合颜色识别和形状识别的方式确定信号灯图像，最后，由调车信号分析单元75结合GPS技术判断出是否存在针对所述当前机车的调车信号。

其中，行进路线分析单元72的一种结构如图8所示，包括：

铁轨检测单元721，在图像中选择满足长度和强度要求的边缘底部起点作为种子像素，选择所述种子像素所在区域的邻域中的相似像素，将所述相似像素合并至所述种子像素所在区域直至所述种子像素所在区域邻域中不存在相似像素，并将所述子像素所在区域确定为铁轨区域。所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值。具体工作过程请参照前文方法部分的描述。

行进路线确定单元722，用于获取所述铁轨检测单元的处理结果，选取铁轨区域中的交叉处的特征点，利用所述特征点确定道岔区域，并对所述道岔区域进行图像分割处理以确定道岔开口方向，并将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。其具体过程请参照前文方法部分的描述。

而所述信号灯图像识别单元74可以单依靠颜色识别进行，或者同时结合颜色识别和形状识别，即可通过包括识别单元741和确定单元742，如图9所示，其中：

所述识别单元741可以包括颜色识别单元和/或形状识别单元，所述颜色识别单元用于：提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定颜色符合信号灯要求的区域。所述形状识别单元用于识别所述颜色符合信号灯要求的区域的形状，与信号灯形状相比较。

所述确定单元742用于参考所述颜色识别单元的处理结果，识别出颜色和/或形状将符合信号灯信号要求的区域，将其确定为信号灯图像。颜色识别及形状识别方式在前文方法部分已经详细介绍过，在此不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本领域技术人员应能理解，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现。例如实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质(可为磁碟、光盘、只读存储记忆体或随机存储记忆体)中，所述程序在执行时，可包括如上述各方法的实施例的流程。当然，实现这些流程的功能单元也可以独立成硬件设备，或者根据情况进行集成，例如，上述行进路线分析单元72、初始图像区域确定单元73、信号灯图像识别单元74和调车信号分析单元75可以集成于一个硬件芯片中。也就是说，硬件和软件是可互换的，上述说明中仅按照功能一般性地描述了各示例的组成及步骤，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。另外，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种机务调车信号检测方法，其特征在于，包括：

采集当前机车前方的图像；

分析所述图像以从中确定所述当前机车的行进路线；

参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域；

从所述初始图像区域中识别出信号灯图像；

将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯的信号为针对当前机车的调车信号。

2.根据权利要求1所述的检测方法，其特征在于，所述分析所述图像以从中确定所述当前机车的行进路线包括：

A、在图像中选择满足长度和强度要求的边缘底部起点作为种子像素；

B、选择所述种子像素所在区域的邻域中的相似像素，所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值；

C、将所述相似像素合并至所述种子像素所在区域，返回步骤B；

D、重复B～C，直至所述种子像素所在区域的邻域中不存在相似像素，并将所述像素所在区域确定为铁轨区域；

E、结合识别出的道岔的开口方向确定所述当前机车的行进路线。

3.根据权利要求2所述的检测方法，其特征在于，所述步骤E包括：选取铁轨区域中的交叉处的特征点；

利用所述特征点确定道岔区域，并对所述道岔区域进行图像分割处理以确定道岔开口方向；

将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。

4.根据权利要求1-3任意一项所述的方法，其特征在于，按照以下步骤从所述初始图像区域中识别出信号灯图像：

提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定出颜色与信号灯颜色匹配的图像区域，将该图像区域确定为信号灯图像。

5.根据权利要求1-3任意一项所述的方法，其特征在于，按照以下步骤分析所述初始图像区域以确定信号灯图像：

提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定出颜色与信号灯颜色匹配的图像区域，并判断该图像区域的形状，当该图像区域的形状与信号灯形状匹配时，将该图像区域确定为信号灯图像。

6.一种机务调车信号检测系统，其特征在于，包括：

图像采集器，架设于机车前端，以采集当前机车前方的图像；

行进路线分析单元，用于获取所述图像，并分析所述图像以从中确定所述当前机车的行进路线；

初始图像区域确定单元，用于参考预先获取的信号灯与行进路线的位置关系，确定所述信号灯所在的初始图像区域；

信号灯图像识别单元，用于从所述初始图像区域中识别出信号灯图像；

调车信号分析单元，用于将所述信号灯图像的中心坐标映射于地球坐标系上，并当判断该中心坐标在地球坐标系上的位置位于预设的GPS定位区域内时，确定所述信号灯即为针对当前机车的调车信号灯。

7.根据权利要求6所述的检测系统，其特征在于，所述行进路线分析单元包括：

铁轨检测单元，在图像中选择满足长度和强度要求的边缘底部起点作为种子像素，选择所述种子像素所在区域的邻域中的相似像素，所述相似像素的灰度值与所述种子像素的灰度值的差值小于预设的相似度阈值，将所述相似像素合并至所述种子像素所在区域直至所述种子像素的邻域中不存在相似像素，并将所述像素所在区域确定为铁轨区域；

行进路线确定单元，用于获取所述铁轨检测单元的处理结果，选取铁轨区域中的交叉处的特征点，利用所述特征点确定道岔区域，并对所述道岔区域进行图像分割处理以确定道岔开口方向，并将符合所述道岔开口方向的铁轨所指示的路线确定为所述当前机车的行进路线。

8.根据权利要求6或7所述的检测系统，其特征在于，所述信号灯图像识别单元包括：

颜色识别单元，用于提取所述初始图像区域的色调、饱和度和亮度参数，进行模糊映射得到三个模糊集后，进行加权融合以结合成为一个单独的模糊映射，根据所述单独的模糊映射结果确定颜色符合信号灯要求的图像区域，将该图像区域确定为信号灯图像。

9.根据权利要求8所述的检测系统，其特征在于，所述信号灯图像识别单元还包括：

形状识别单元，判断所述颜色识别单元所识别出的图像的形状是否符合信号灯形状，若是，则确定该图像为信号灯图像。

Images