CN112132896A - 一种轨旁设备状态检测方法及系统 - Google Patents

Abstract

本发明实施例提供的轨旁设备状态检测方法及系统，包括：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；根据所述信息，在全线电子地图中定位列车前方的轨旁设备；在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。本发明实施例利用全线电子地图和激光雷达扫描的点云数据匹配，实现了轨道交通列车的精确定位，进而根据车辆的定位，以及事先标注在全线电子地图中的轨旁设备的位置，精确设定机器视觉的检测时机和检测图像区域，从而大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率。

Description

一种轨旁设备状态检测方法及系统

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种轨旁设备状态检测方法及系统。

背景技术

在轨道交通行业逐步推进辅助驾驶系统和无人驾驶系统的过程中，轨旁设备状态的准确检测与识别是确保轨道交通列车安全运行的重要课题。以信号机为例进行说明，当系统识别出信号机为禁止通行状态时，列车应严格遵守，否则将发生严重的碰撞事故。信号机状态检测的难点在于容易受到轨道沿线其他光源(例如路灯、车灯、其他非信号机灯光)的干扰，导致无法进行准确识别。

目前，轨道交通的辅助驾驶系统和无人驾驶系统主要依靠机器视觉进行信号机状态的检测，即通过车载相机获取车辆前方的实时图像数据，然后通过深度学习目标检测算法，或者传统机器视觉算法进行信号机的检测，检测到信号机后对信号机的灯光颜色和位置进行识别，根据灯光的颜色来判定信号机状态。

现有技术单纯依靠机器视觉进行信号机检测存在的缺陷主要表现在，很容易受到信号机之外的其他光源的影响，例如路灯，车灯，以及其他非信号机的灯光，而出现误识别。为了防止误识别的发生，则势必需要提高检测标准，但是伴随着检测标准的提高又会导致漏识别的发生。

有鉴于此，亟需提高现有的轨旁设备状态检测方法的识别精度，以保证行车安全。

发明内容

本发明实施例提供一种轨旁设备状态检测方法及系统，用以解决现有技术中单纯依靠机器视觉进行信号机状态的检测，导致检测精度差的缺陷，以实现快速、高效、准确的设备状态检测。

第一方面，本发明实施例提供一种轨旁设备状态检测方法，主要包括：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；根据定位信息，在全线电子地图中定位列车前方的轨旁设备；在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

可选地，在所述根据采集的实时点云数据在全线电子地图中确定列车的定位信息之前，还包括构建所述全线电子地图，具体为：按预设步进距离沿轨道线，依次采集一帧无障碍物状态下的全线路激光雷达点云数据；根据预设步进距离，确定每帧全线路激光雷达点云数据之间的相对位置关系；根据相对位置关系，按采集的先后顺序，依次将每帧全线路激光雷达点云数据添加到电子地图后进行降采样处理，获取点云电子地图；在点云电子地图中标注轨旁设备的三维坐标和类型并建立每个轨旁设备的位置索引，构建所述全线电子地图。

可选地，上述根据采集的实时点云数据在全线电子地图中确定列车的定位信息，主要包括：利用车载惯性测量单元获取列车的实时位姿信息；利用车载测速设备获取列车的实时速度信息；根据实时位姿信息和实时速度信息，确定列车的估计位置；从全线电子地图中获取与估计位置相对应的区域点云数据；利用车载激光雷达获取列车的实时点云数据；将实时点云数据与区域点云数据进行匹配以确定列车的定位信息。

可选地，上述根据定位信息，在全线电子地图中定位列车前方的轨旁设备，主要包括：

根据定位信息和每个轨旁设备的位置索引，获取列车前方与定位信息最近的轨旁设备的定位信息。

可选地，上述将轨旁设备三维坐标区域转换为相机图像的二维检测区域，主要包括：将轨旁设备三维坐标区域与全线电子地图进行匹配，以将轨旁设备三维坐标区域转换成雷达坐标系区域；根据激光雷达与相机的联合标定参数，将雷达坐标系区域转换成相机图像的二维检测区域。

可选地，上述对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果，主要包括：将反映二维图像区域内的轨旁设备状态的轨旁设备状态图输入至预先构建的状态识别网络模型，根据状态识别网络模型的输出结果，获取轨旁设备状态图对应的状态检测结果；其中，状态识别网络模型是根据带有状态检测结果标签的轨旁设备状态样本图训练后获得的。

可选地，上述轨旁设备为信号机。

第二方面，本发明实施例还提供一种轨旁设备状态检测系统，主要包括列车定位单元、轨旁设备定位单元、检测区域定位单元和状态检测单元，其中：

列车定位单元主要用于根据采集的实时点云数据在全线电子地图中确定列车的定位信息；轨旁设备定位单元主要用于根据定位信息，在全线电子地图中定位列车前方的轨旁设备；检测区域定位单元主要用于在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；状态检测单元主要用于对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨旁设备状态检测方法的步骤。

第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轨旁设备状态检测方法的步骤。

本发明实施例提供的轨旁设备状态检测方法及系统，利用全线电子地图和激光雷达扫描的点云数据匹配，实现了轨道交通列车的精确定位，进而根据车辆的定位，以及事先标注在全线电子地图中的轨旁设备的位置，精确设定机器视觉的检测时机和检测图像区域，从而大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率。

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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种轨旁设备状态检测方法的流程示意图；

图2是本发明实施例提供的一种轨旁设备状态检测方法的数据处理示意图；

图3是将信号机三维坐标区域转换为相机图像的二维检测区域的效果示意图；

图4是本发明实施例提供的全线电子地图的构建流程示意图；

图5为本发明实施例提供的另一种轨旁设备状态检测方法的流程示意图；

图6为将信号机三维坐标区域转换为相机图像的二维检测区域的流程示意图；

图7为本发明实施例提供的车载激光雷与车载相机的安装位置示意图；

图8为本发明实施例提供的一种轨旁设备状态检测系统的结构示意图；

图9是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作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。

考虑到现有的轨旁设备状态检测方法中，是在列车高速行驶的过程中利用车载相机采集轨旁设备的状态图像，以单纯的依靠机器视觉对状态图像进行分析，以获取进行被检测的轨旁设备对象的实时状态，必然存在容易受到轨道沿线其他光源的干扰，而导致无法进行准确识别的缺陷，本发明实施例提供一种轨旁设备状态检测方法，如图1所示，包括但不限于以下步骤：

步骤S1：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；

步骤S2：根据定位信息，在全线电子地图中定位列车前方的轨旁设备；

步骤S3：在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；

步骤S4：对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

具体地，在本发明实施例提供的轨旁设备状态检测方法中，可以预先利用车载激光雷达获取整个列车全线的全线电子地图，该全线电子地图是由全线各个位置的点云图像进行融合后获取的。

其中，轨旁设备主要是指数据通信系统、区域控制器、计轴设备、信号机、转辙机、轨道电路、应答器、屏蔽门、紧急停车按钮、接近盘等。通过这些轨旁设备的相互组成相互联系从而实现了在列车运行中的信息交换以及安全防护等功能。

本发明实施例中所指的轨旁设备主要是指根据车载相机所获取的轨旁设备图像，利用深度学习目标检测算法，或者传统机器视觉算法对该轨旁设备图像进行处理后，能够准确的获知其状态的一类轨旁设备，为便于描述，在后续实施例中均以信号机为例进行说明，其不视为对本发明实施例保护范围的限定。

进一步地，在步骤S1中，在列车运行的过程中，需要获知前方的信号机状态，以确定行车方案时，首先，利用车载相机获取当前状态下的实时点云数据。根据实时点云数据与预先创建的全线电子地图进行匹配，当全线电子地图中每一区段的点云数据与实时点云数据的重合度大于设定阈值时(例如99％)，则可以获知列车的当前运行区段为全线电子地图中的该区段，故可以确定出列车的定位信息。

其中，所述全线电子地图，是指由列车行驶线路中各位置处的点云数据所组建的电子地图，其实际上也是一种点云图。

作为可选地实施例，在获取到列车当前状态下的实时点云数据后，还可以对采集的实时点云数据进行预处理，如：消除噪点、进行帧内校正并消除点云中的障碍物部分等，以提高定位精度。

进一步地，在步骤S2中，由于在全线电子地图中预先标注了不同轨旁设备的具体位置和型号参数，故在获取到了列车的定位信息后，即可以通过该定位信息在全线电子地图中定位列车前方的最接近的一个信号机，并可以获知该信号机与列车的实际距离。

进一步地，列车在运行的过程中，逐渐接近该信号机，在本发明实施例中，利用全线电子地图实现车辆的精确定位，然后根据车辆的位置，以及事先标注在全线电子地图中的信号机位置，精确设定检测时机和图像区域，具体表现在：

在列车接近信号的过程中，若判断出列车与信号机之间的距离达到预设距离时(检测时机的选择)，则在信号机的三维坐标区域图像转换为相机图像的二维检测区域图像，以精确的缩小检测的范围。

作为可选地，可以采用以下方式将三维坐标区域图像转换成相机图像的二维检测区域图像，包括：

首先，由于三维坐标是世界坐标系，故可以先将三维坐标区域图像转换成激光雷达所对应的雷达坐标系；进而根据激光雷达与车载相机之间的位置关系，确定出两者之间的外参矩阵，并进一步的利用所述外参矩阵，将已经转换成雷达坐标系的信号机三维坐标图像转换成相机图像上的二维区域图像。

其中，预设距离可以根据车载相机获取图像的性能进行设定，以保证在该预设距离为获取图像最清楚的最佳检测距离。

最后，可以利用深度学习目标检测算法，或者传统机器视觉算法对精简后的二维图像区域图像进行识别，以获取到目标信号机的当前状态。

图2是本发明实施例提供的一种轨旁设备状态检测方法的数据处理示意图，整个检测包房包括传感数据获取(基于车载传感器获取)和传感数据处理(基于车载计算机运算)两部分。车载传感器主要包括：相机、惯性测量单元(IMU)、列车测速单元、激光雷达等，车载计算机中则预置了全线电子地图。车载计算机安装在车辆的电气柜中。列车测速设备用于获取列车的当前运行速度，可以是车载计轴设备，也可以是车载毫米波雷达等。

具体地，本实施例先通过惯性测量单元(IMU)和列车测速单元初步估计列车的大概运行位置，再通过将车载激光雷达获取的扫描点云与全线电子地图的匹配，能够实现车辆位置的精确测定。然后，通过事先标注在全线电子地图中的信号机位置，实现信号机检测时机和图像检测区域的精确设定，从而大幅度缩小信号机的检测范围，具体如图3所示，由于现有技术中用于进行信号机状态识别的对象是图3所示的整幅相机原始图像，利用本发明实施例所提供方法进行处理后，实现了的将包含信号机的三维坐标区域转换为相机图像的二维检测区域，即确定以图3中的信号机检测区域作为图像识别区域，能够有效的避免了图3中所示的非信号机灯光的干扰，获得可靠的信号机状态检测结果，且由于检测区域的缩小，减小了图像识别的运算量，间接的提高了图像识别的效率。

本发明实施例提供的轨旁设备状态检测方法，利用全线电子地图和激光雷达扫描的点云数据匹配，实现了轨道交通列车的精确定位，进而根据车辆的定位，以及事先标注在全线电子地图中的轨旁设备的位置，精确设定机器视觉的检测时机和检测图像区域，从而大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率。

基于上述实施例的内容，作为一种可选实施例，在步骤S1所述的根据采集的实时点云数据在全线电子地图中确定列车的定位信息之前，还包括构建全线电子地图，具体步骤为：

按预设步进距离沿轨道线，依次采集一帧无障碍物状态下的全线路激光雷达点云数据；根据预设步进距离，确定每帧全线路激光雷达点云数据之间的相对位置关系；根据相对位置关系，按采集的先后顺序，依次将每帧全线路激光雷达点云数据添加到电子地图后进行降采样处理，获取点云电子地图；在点云电子地图中标注轨旁设备的三维坐标和类型并建立每个轨旁设备的位置索引，构建全线电子地图。

图4是本发明实施例提供的一种全线电子地图的构建流程示意图，如图4所示，在本发明实施例中在进行列车实时定位以及根据列车的实时定位信息定位列车前方的轨旁设备之前，可以预先构建列车全线的全线电子地图。全线电子地图本质上也是一个点云图，是由若干帧经过处理的激光雷达点云子图，根据各个雷达点云子图之间的相互位置关系叠加在一起，再经过降采样等手段压缩后形成的。

全线电子地图的具体建立过程可以包括以下步骤：在建立之前，需要采集全线路的激光雷达点云数据(按预设步长进行全线路的激光雷达点云数据采集)，并在采集时应确保没有任何障碍物(例如车辆或行人)在前方，以确保建立的全线电子地图中没有障碍物的干扰。

还可以对采集点云进行预处理，消除噪点，进行帧内校正，并消除点云中的障碍物部分。

将第一帧点云直接添加到电子地图中，然后将后续的点云与添加了前一帧点云图像处理后的电子地图进行匹配，获得精确的相对位置，再根据这个位置关系将后续的点云陆续添加到全线电子地图中，直到处理完所有的点云数据。

在将所有点云图像添加到全线电子地图后对地图进行检查，确认地图无误后，在地图中找出所有的信号机并进行标注，主要包括标注信号机的精确三维坐标以及类型。

进一步地，还可以在搞精度电子地图上建立每个信号机的位置索引，以便通过列车位置检索出前方信号机的位置。最后，可以将建立好的全线电子地图加载到车载计算机中。

本发明实施例提供的轨旁设备状态检测方法，通过预先构建全线路全线电子地图，在列车的行车过程中，通过将实时获取的激光雷达点云数据与其进行匹配，可实现轨道交通列车的精准定位；进而根据车辆的定位，以及事先标注在全线电子地图中的信号机位置，精确设定机器视觉的检测时机和图像区域，从而大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率。

基于上述实施例的内容，作为一种可选实施例，步骤S1中所述的根据采集的实时点云数据在全线电子地图中确定列车的定位信息，主要包括以下步骤：

步骤S11，利用车载惯性测量单元获取列车的实时位姿信息；

步骤S12，利用车载测速设备获取列车的实时速度信息；

步骤S13根据实时位姿信息和实时速度信息，确定列车的估计位置；

步骤S14，从全线电子地图中获取与估计位置相对应的区域点云数据；

步骤S15，利用车载激光雷达获取列车的实时点云数据；

步骤S16，将实时点云数据与所述区域点云数据进行匹配以确定列车的定位信息。

如图5所示，本发明实施例提供的轨旁设备状态检测方法的实施均需要先实时确定出列车的定位信息，并根据列车的定位信息，以在全线电子地图中检索出即将抵至的信号机的定位信息。当车辆前方的信号机出现在最佳检测距离时(例如距离信号机150米)，将信号机的三维坐标转换到相机图像的二维区间，获取信号机的精准图像检测区域。最后，在这个大幅度缩小检测范围的图像检测区域内进行信号机检测，杜绝非信号机灯光的干扰，大幅度提升信号机状态检测的准确性和可靠性。

需要指出的，在本发明实施例中进行列车精准定位是分两步来执行的。首先，是根据列车的位姿信息(包括加速度信息、角速率或三轴姿态角)以及列车的当前车速在全线电子地图中对列车的当前位置进行预估计，与获取有偏差的估计位置。通过估计位置的确定则可以在全线电子地图中选取出与所述估计位置相对应的一定区间范围内的区域点云数据。

进一步地，根据车载激光雷达获取列车的实时点云数据与上一步骤中所选取处的一定区间范围内的区域点云数据进行匹配，即从一定区间范围内的区域点云数据中定位出与当前所采集的实时点云数据最接近的一段点云数据，并将该点云数据在电子地图中的位置，确定为列车在电子地图中的定位。

本发明实施例提供的轨旁设备状态检测方法，通过两步定位的方式对列车进行精准定位，有效的提高了定位的效率，并且提高了定位的精度。

基于上述实施例的内容，作为一种可选实施例，步骤S2中所述的根据定位信息，在全线电子地图中定位列车前方的轨旁设备，主要包括：根据定位信息和每个轨旁设备的位置索引，获取列车前方与定位信息最近的轨旁设备的定位信息。

具体地，在本发明实施例中由于在预先构建的全线电子地图中标注了沿途各个信号机的三维坐标、类型，并建立每个信号机的位置索引，即根据信号机的位置索引即可以明确的获知该信号机在电子地图上的具体定位，由此可以计算出该信号机与列车之间的距离。

本发明实施例提供的轨旁设备状态检测方法，通过在构建全线电子地图之后，在地图中标定出每个信号机的三维坐标，并创建每个信号机的位置索引，便于根据列车和信号机在电子地图上的定位信息，实时计算出两者之间的距离，精确设定检测时机和图像区域，从而大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率。

基于上述实施例的内容，作为一种可选实施例，上述步骤S3中所述的轨旁设备三维坐标区域转换为相机图像的二维检测区域，主要包括：将轨旁设备三维坐标区域与全线电子地图进行匹配，以将轨旁设备三维坐标区域转换成雷达坐标系区域；根据激光雷达与相机的联合标定参数，将雷达坐标系区域转换成相机图像的二维检测区域。

在本发明实施例中，通过在原始相机图像中定位出二维检测区域，即通过在大幅度缩小检测范围的图像检测区域内进行信号机检测，以杜绝图像检测区域外的非信号机灯光的干扰，大幅度提升信号机状态检测的准确性和可靠性。

其中，全线电子地图中的信号机三维坐标是世界坐标系，要将该坐标转换为相机图像的二维区域，需要经历两次变换，其具体地转换步骤如图6所示：

第一次变换是从世界坐标系的轨旁设备三维坐标区域转换成雷达坐标系的雷达坐标系区域，即由W->L。上述变换的依据基于激光雷达的扫描点云与全线电子地图的匹配。其中，扫描点云是雷达坐标系，通过与世界坐标系的全线电子地图的匹配，即可以获得扫描点云与世界坐标系的转换关系。

第二次变换是从雷达坐标系的雷达坐标系区域转换成相机坐标系的二维检测区域，即L->C。上述变换的依据是基于相机外参，即“激光雷达-相机”的联合标定参数来实现的。

其中，相机外参是指将雷达坐标系转换成相机坐标系的转换关系，主要与雷达和相机的相对位置关系相关。如图7所示，是本发明实施例提供的激光雷达和相机安装示意图，激光雷达和相机可以安装在车辆头端，正对车辆前进的方向。安装完成后需要对两者的位置关系进行联合标定，获得相机外参，所述相机外参是一个变换矩阵。

作为可选地实施例，本发明实施例提供一种激光雷达和相机之间外参标定方法，主要包括以下几个步骤：

步骤1：通过相机棋盘格获取相机姿态；

步骤2：通过激光雷达数据获取激光雷达姿态；

步骤3：激光雷达与相机之间的外参估计；

其中，所述步骤1具体可以为：使相机围绕棋盘格运动，保证棋盘格位于相机视野范围内。以两幅视图为例，取出第i帧和第j帧，假设i＜j。通过角点检测算法，可以获取每幅图像的棋盘格角点，然后利用相关匹配算法可以鲁棒地获得棋盘格角点的匹配关系。由于棋盘格角点位于同一平面上，对应关系约束于单应性矩阵H，通过分解单应性矩阵H，可以获取四组可能的相机姿态，但有效3D点必须位于相机前方，根据该约束条件，便可筛选出真正的相机姿态齐次坐标。其中，i，j分别表示第i帧和第j帧，i＜j。R表示旋转矩阵，t表示平移矩阵。

进一步地，所述步骤2进一步具体为：假设雷达和相机已经做好同步，提取第i帧和第j帧(与相机第i帧和第j帧时刻相同)雷达数据，根据LOAM系统提供的算法，获取这两帧雷达数据间的姿态。

进一步步骤3具体为：通过步骤2，得到相同时刻第i帧和第j帧相机和雷达各自的相对姿态和，以完成激光雷达与相机之间的外参估计。

本发明实施例提供的轨旁设备状态检测方法，通过将轨旁设备三维坐标区域转换为相机图像的二维检测区域，大幅度缩小机器视觉的检测范围，提升检测精度，降低误报率和漏报率，且大幅度降低了信号机检测运算量，显著降低了车载计算机的算力负担。

基于上述实施例的内容，作为一种可选实施例，步骤S4中所述的对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果，具体包括：将反映二维图像区域内的轨旁设备状态的轨旁设备状态图输入至预先构建的状态识别网络模型，根据状态识别网络模型的输出结果，获取轨旁设备状态图对应的状态检测结果；其中，状态识别网络模型是根据带有状态检测结果标签的轨旁设备状态样本图训练后获得的。

作为可选地，本发明实施例提供一种深度学习网络模型-状态识别网络模型以实现对输入的轨旁设备状态图进行状态识别，例如：将轨旁设备状态图输入至状态识别网络模型，根据状态识别网络模型的输出结果，获得轨旁设备状态图对应的状态检测结果，具体为：将轨旁设备状态图输入至状态识别网络模型的卷积层和池化层，利用卷积层和池化层对轨旁设备状态图进行特征提取，输出轨旁设备状态图对应的二维特征向量；将二维特征向量输入至状态识别网络模型的全连接层，利用全连接层将二维特征向量转化为一维特征向量，输出一维特征向量；将一维特征向量输入至状态识别网络模型的逻辑回归层，输出轨旁设备状态图对应的各状态预测概率，根据预测概率获得轨旁设备状态图对应的状态检测结果。

作为可选地，在本发明实施例中也可以采用传统的机器视觉算法，对实时获取的轨旁设备状态图进行识别，以获取状态检测结果，对此不作赘述。

基于上述实施例的内容，作为一种可选实施例，上述轨旁设备为信号机。

需要说明的是，本发明实施例提供的轨旁设备状态检测方法，可以运用于轨道交通的相关重要轨旁设备状态的检测，如人防门的开闭、信号机的指示信息等，对此本发明实施例不作具体地限定。

图8为本发明实施例提供的一种轨旁设备状态检测系统的结构示意图，如图8所示，主要包括列车定位单元1、轨旁设备定位单元2、检测区域定位单元3和状态检测单元4，其中：

列车定位单元1主要用于根据采集的实时点云数据在全线电子地图中确定列车的定位信息；轨旁设备定位单元2主要用于根据定位信息，在全线电子地图中定位列车前方的轨旁设备；检测区域定位单元3主要用于在轨旁设备与所述列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；状态检测单元4主要用于对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

以信号机的状态检测为例进行说明，上述轨旁设备状态检测系统在具体执行时的步骤主要包括以下步骤：

一)、状态检测前的相关准备步骤：

步骤1，安装检测系统。安装信号机状态检测设备至列车的相应位置，并完成激光雷达和相机的联合标定，获得相机的外参。

步骤2，数据采集和预处理。对轨道交通线路进行全线的数据采集，对采集的点云数据进行预处理，消除噪点，进行帧内校正，并消除点云中的障碍物部分。

步骤3，建立全线电子地图。将第一帧点云直接添加到地图中，将后续点云与地图进行匹配，找到精确的位置关系，按照这个位置关系叠加到地图中，直到处理完所有的点云，最后通过降采样等方式对电子地图进行压缩，以便于存储。

步骤4，标注信号机。在全线电子地图中标定所有的信号机的位置，标注其精确的三维坐标，并建立位置索引，以便通过位置检索到前方的信号机。

步骤5，搭载全线电子地图。将全线电子地图加载到车载计算机中。

二)、实际状态检测阶段的相关步骤：

步骤6，车辆精确定位。列车定位单元1根据有偏差的位置估计从全线电子地图中提取对应区域的点云，对车载激光雷达输出的实时点云进行预处理，消除噪点，进行帧内校正，然后对两者进行匹配，找到精确的相对位置关系，实现车辆的精确定位。

步骤7，信号机检索。轨旁设备定位单元2根据车辆的精确定位，在全线电子地图中检索出车辆前方的信号机。

步骤8，设定检测时机和区域。检测区域定位单元3用于当车辆前方的信号机出现在最佳检测距离时，将信号机的三维坐标转换到相机图像的二维区域。

步骤9，信号机检测。状态检测单元4对图像二维区域内的部分进行信号机检测，具体的检测方法可以是视觉深度学习目标检测算，或者传统机器视觉算法，获得信号机的状态。

步骤10，输出信号机状态。

需要说明的是，本发明实施例提供的轨旁设备状态检测系统，在具体执行时，可以基于上述任一实施例所述的轨旁设备状态检测方法来实现，对此本实施例不作赘述。

图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(communication interface)920、存储器(memory)930和通信总线(bus)940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行轨旁设备状态检测方法，主要包括：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；根据定位信息，在全线电子地图中定位列车前方的轨旁设备；在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的轨旁设备状态检测方法，主要包括：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；根据定位信息，在全线电子地图中定位列车前方的轨旁设备；在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行轨旁设备状态检测方法，主要包括：根据采集的实时点云数据在全线电子地图中确定列车的定位信息；根据定位信息，在全线电子地图中定位列车前方的轨旁设备；在轨旁设备与列车之间的距离为预设距离时，将轨旁设备三维坐标区域转换为相机图像的二维检测区域；对二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种轨旁设备状态检测方法，其特征在于，包括:

根据采集的实时点云数据在全线电子地图中确定列车的定位信息；

根据所述定位信息，在所述全线电子地图中定位列车前方的轨旁设备；

在所述轨旁设备与所述列车之间的距离为预设距离时，将所述轨旁设备三维坐标区域转换为相机图像的二维检测区域；

对所述二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

2.根据权利要求1所述的轨旁设备状态检测方法，其特征在于，在所述根据采集的实时点云数据在全线电子地图中确定列车的定位信息之前，还包括构建所述全线电子地图，具体为：

按预设步进距离沿轨道线，依次采集一帧无障碍物状态下的全线路激光雷达点云数据；

根据所述预设步进距离，确定每帧所述全线路激光雷达点云数据之间的相对位置关系；

根据所述相对位置关系，按采集的先后顺序，依次将每帧全线路激光雷达点云数据添加到电子地图后进行降采样处理，获取点云电子地图；

在所述点云电子地图中标注所述轨旁设备的三维坐标和类型并建立每个所述轨旁设备的位置索引，构建所述全线电子地图。

3.根据权利要求2所述的轨旁设备状态检测方法，其特征在于，所述根据采集的实时点云数据在全线电子地图中确定列车的定位信息，包括：

利用车载惯性测量单元获取列车的实时位姿信息；

利用车载测速设备获取列车的实时速度信息；

根据所述实时位姿信息和所述实时速度信息，确定列车的估计位置；

从所述全线电子地图中获取与所述估计位置相对应的区域点云数据；

利用车载激光雷达获取列车的实时点云数据；

将所述实时点云数据与所述区域点云数据进行匹配以确定所述列车的定位信息。

4.根据权利要求2所述的轨旁设备状态检测方法，其特征在于，所述根据所述定位信息，在所述全线电子地图中定位列车前方的轨旁设备，包括：

根据所述定位信息和每个所述轨旁设备的位置索引，获取列车前方与所述定位信息最近的轨旁设备的定位信息。

5.根据权利要求1所述的轨旁设备状态检测方法，其特征在于，所述将所述轨旁设备三维坐标区域转换为相机图像的二维检测区域，包括：

将所述轨旁设备三维坐标区域与所述全线电子地图进行匹配，以将所述轨旁设备三维坐标区域转换成雷达坐标系区域；

根据激光雷达与所述相机的联合标定参数，将所述雷达坐标系区域转换成所述相机图像的二维检测区域。

6.根据权利要求1所述的轨旁设备状态检测方法，其特征在于，所述对所述二维图像区域内的轨旁设备状态进行检测，获取状态检测结果，包括：

将反映所述二维图像区域内的轨旁设备状态的轨旁设备状态图输入至预先构建的状态识别网络模型，根据所述状态识别网络模型的输出结果，获取所述轨旁设备状态图对应的状态检测结果；

其中，所述状态识别网络模型是根据带有状态检测结果标签的轨旁设备状态样本图训练后获得的。

7.根据权利要求1所述的轨旁设备状态检测方法，其特征在于，所述轨旁设备为信号机。

8.一种轨旁设备状态检测系统，其特征在于，包括：

列车定位单元，用于根据采集的实时点云数据在全线电子地图中确定列车的定位信息；

轨旁设备定位单元，用于根据所述定位信息，在所述全线电子地图中定位列车前方的轨旁设备；

检测区域定位单元，用于在所述轨旁设备与所述列车之间的距离为预设距离时，将所述轨旁设备三维坐标区域转换为相机图像的二维检测区域；

状态检测单元，用于对所述二维图像区域内的轨旁设备状态进行检测，获取状态检测结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述轨旁设备状态检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述轨旁设备状态检测方法的步骤。

Images