CN115205796B - 轨道线路异物侵限监测与风险预警方法及系统 - Google Patents

轨道线路异物侵限监测与风险预警方法及系统 Download PDF

Info

Publication number
CN115205796B
CN115205796B CN202210795394.9A CN202210795394A CN115205796B CN 115205796 B CN115205796 B CN 115205796B CN 202210795394 A CN202210795394 A CN 202210795394A CN 115205796 B CN115205796 B CN 115205796B
Authority
CN
China
Prior art keywords
intrusion
risk
track
foreign matter
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210795394.9A
Other languages
English (en)
Other versions
CN115205796A (zh
Inventor
马小平
王旭
贾利民
秦勇
陈菲
赵汝豪
陈熙元
邢鸿飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210795394.9A priority Critical patent/CN115205796B/zh
Publication of CN115205796A publication Critical patent/CN115205796A/zh
Application granted granted Critical
Publication of CN115205796B publication Critical patent/CN115205796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/041—Obstacle detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供一种轨道线路异物侵限监测与风险预警方法及系统，属于铁路防灾风险预警技术领域，获取轨道周围三维空间点云数据和轨道平面图像数据；根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；根据侵限异物的风险分级，进行预警处理和取证上报。本发明实现了对轨道线路侵限事件特征、事件发生过程的监测、识别与分析，并进一步提高轨道交通系统的风险防控能力，具有良好的应用推广价值。

Description

轨道线路异物侵限监测与风险预警方法及系统
技术领域
本发明涉及铁路防灾风险预警技术领域，具体涉及一种轨道线路异物侵限监测与风险预警方法及系统。
背景技术
恶劣的外部环境使得铁路灾害发生的机率大大增加，其中由于轨道异物侵限造成的铁路运营事故较为多发且事故风险大，对列车的安全行驶与健康维护带来了巨大的挑战。针对异物侵限事件的主动防控，轨道异物侵限监测与预警系统是最有效的解决方案之一。
为了有效降低轨道异物侵限对列车运行的影响，维护列车运行安全，轨道异物侵限监测与预警系统的核心任务是在轨道列车司机和轨道工作人员在面对突发异物侵限，采取安全、合理的应对措施时，能够提供准确的异物侵限风险信息，以实现针对性的决策支持。实施轨道异物侵限监测与预警的关键在于，通过对影响行车安全的异物入侵轨道区域的实际情况进行主动识别并分析侵限异物致灾风险状况，为轨道列车司机和轨道工作人员提供精准的预警信息，减少列车司机和轨道工作人员对现场情况的人工重复辨认。
面对异物侵占轨道的问题，轨道异物侵限监测与预警系统的工作过程主要分为两个阶段，一是识别阶段，二是预警阶段。目前，在识别阶段，轨道异物入侵监测系统通常采用电网监控、光纤光栅传感或监控摄像头等方式识别轨面区域是否有异物进入；在预警阶段，如果异物进入限界区域，则触发启动预警过程，轨道工作人员难以直接通过预警信息采取针对性地应对措施，轨道异物入侵监测系统需要调用现场监控摄像头采集异物图片，将异物图片与预警信息将被共同发送至轨道管理部门，由工作人员判断异物侵限危害情况。
轨道侵限事件引起的损失情况和风险程度取决于侵限异物的特征，针对异物侵限灾害的防治，关键在于如何构建一体化异物侵限识别与风险评估分级预警方法。现有的轨道异物入侵监测系统主要存在以下问题：
1)入侵异物识别不精细，预警有效性低。目前的研究仅针对于轨面区域是否存在异物，然而轨道侵限异物具有多样性、复杂性，不同的侵限异物对列车运行造成的影响各不相同，小型侵限物体对铁路的影响可忽略不计，较大型的异物可造成列车脱轨。当预警过程被触发时，需要人工进一步判断侵限异物的危害程度，导致预警有效性降低。
2)侵限异物致灾风险预警分级机制不完善。由于现有轨道异物入侵监测系统对入侵异物识别不精细，无法提取侵限异物的类型、体积、运动状态等特征，导致识别结果未能对侵限异物风险分级预警的提供有效的数据支撑，难以实现侵限异物致灾风险精准预警分级。
3)预警信息利用率低。由于轨道异物入侵监测系统缺乏根据铁路异物入侵情况进行致灾风险程度分析的功能，现有轨道异物入侵监测系统仅局限于提供异物入侵信号和现场图像，在实际使用中预警信息的利用率低下，缺乏快速、便捷、具体的预警决策信息，调度、列车驾驶员在接收到预警信息后，还需要进行人工判断，手动解除预警提示。
发明内容
本发明的目的在于提供一种轨道线路异物侵限监测与风险预警方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种轨道线路异物侵限监测与风险预警方法，包括：
获取轨道周围三维空间点云数据和轨道平面图像数据；
根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
根据侵限异物的风险分级，进行预警处理和取证上报。
优选的，所述的对轨道限界区域内的异物进行识别与特征提取，包括：
对采集图像的限界区域进行划分，划分为安全域、预警域、关注域；
对限界区内的图像进行语义识别，判断是否有异物侵限；如果有异物侵限，对异物的类型及所处位置进行识别和标定；
将图像数据与点云数据进行外参标定和融合；
基于数据融合的方法，对侵限异物的尺寸特征、速度特征及侵限时长特征进行提取；
构建侵限异物风险评价模型，对侵限异物的材质语义、位置、尺寸、速度及侵限时长的风险进行评价；
综合评价侵限异物的风险，进行安全风险等级划分与预警。
优选的，所述的限界区域划分，其主要步骤包括：
首先，根据采集的轨道平面原始图像ImgRaw，提取铁轨边缘检测图，选取出轨道在图片中所处的范围作为ROI感兴趣区域；将该ROI区域图像进行高斯模糊平滑降噪处理并转为灰度图，基于索贝尔算子在图像中进行铁轨区域检测铁轨线轮廓，生成水平方向、垂直方向的边缘检测结果；在HLS、LAB、LUV色度空间下，用形态学方法进行处理并在不同颜色阈范围下的图像铁轨边缘轮廓图；联合边缘检测结果与颜色阈检测结果进行叠加，得到轮廓清晰的铁轨边缘检测图ImgDrawEdge；
从铁轨边缘检测图ImgDrawEdge中提取限界区模型，采用透视变换处理，提取左轨道线、右轨道线水平方向上的起点，采用滑动窗口，纵向提取左、右轨道线的特征点；将轨道线围成的区域作为安全域，安全域横向扩展3m作为预警域，预警域横向扩展3m作为关注域，输出轨面区域划分的安全域、预警域、关注域，输出轨面区域划分的安全域、预警域、关注域。
优选的，所述的限界区域内异物识别，包括：
对限界区域内的异物进行识别，轨道平面图像材料语义识别，离线训练小尺寸图像物体材料识别神经网络模型，利用滑动窗口遍历全图，将轨道平面图像分块；将每一块图像块输入小尺寸图像物体材料识别神经网络模型，得到物体材料像素语义概率图；采用DenseCRF模型，预测全图每一个部分的材料语义信息，获得轨道平面图像全图材料语义分割结果；DenseCRF模型的能量函数表达形式如下所示：
Figure BDA0003735611010000041
其中，xi为像素点i的观测值，xj为像素点j的观测值；ψu(xi)是一元势能函数，ψp(xi,xj)是二元势能函数，描述像素点之间的关联性；
结合安全域、预警域、关注域划分结果与轨道平面图像全图材料语义分割结果，在无异物入侵轨道的情况下，采集轨道平面图像；在限界区域异物判断阶段，对比实时的轨道平面图像特征与安全情况下的轨面特征，如果在限界区未发现新的语义特征，代表没有物体闯入限界区，则进入下一帧数据，分析监测轨面状态；如果在限界区发现新的语义特征，代表存在物体入侵限界区，则提取侵限异物的多层特征并进行风险分级预警，分离该入侵语义区域作为新的ROI区域。
优选的，所述的轨道侵限异物风险评价模型，包括：
结合历史轨道侵限事件案例中潜在的主要风险，按照目标层、准则层、指标层划分轨道异物侵限风险评估评价单元并确立对应的评价指标，基于层次分析法和风险矩阵法建立轨道异物侵限风险评估层次分析模型并划分计算各评价指标的风险评估量化矩阵与权重值；
进行层次分析，根据专家经验对目标层-准则层、准则层-指标层的各项参数之间的重要性分别进行评分，进而构造出目标层-准则层重要性判断矩阵A1，准则层-指标层重要性判断矩阵B2、B3；
Figure BDA0003735611010000051
进行层次一致性检验，调整重要性判断矩阵直至满足一致性条件，计算指标层各评价参数对目标层的合成权重Wi。
优选的，所述的轨道异物侵限风险分级评估结果，包括：
对铁路异物侵限风险等级进行划分，采用风险值R衡量轨道侵限事件风险大小，由各评价指标的风险程度量化数值Si和层次分析权重Wi联合确定。风险值R由异物属性风险值和异物行为风险值两部分累加组成，其中异物属性风险值为其下属体积、材质类型、位置的风险程度量化数值与权重乘积的累加，异物行为风险值为异物移动速度、侵限时长的风险程度量化数值与权重乘积的累加；风险值R计算公式为：
Figure BDA0003735611010000052
第二方面，本发明提供一种轨道线路异物侵限监测与风险预警系统，包括：
获取模块，用于获取轨道周围三维空间点云数据和轨道平面图像数据；
提取模块，用于根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
计算模块，用于根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
预警模块，用于根据侵限异物的风险分级，进行预警处理和取证上报。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道线路异物侵限监测与风险预警方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道线路异物侵限监测与风险预警方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轨道线路异物侵限监测与风险预警方法。
本发明有益效果：实现了对轨道线路侵限事件特征、事件发生过程的监测、识别与分析，并进一步提高轨道交通系统的风险防控能力，具有良好的应用推广价值。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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为本发明实施实例所述的基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法的流程图。
图2为本发明实施实例所述的基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法的系统框架图。
图3为本发明实施实例所述的基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法的轨道异物侵限风险评估模型图。
图4为本发明实施例所述的特征数据有效性检验流程图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供了一种轨道线路异物侵限监测与风险预警系统，包括：
获取模块，用于获取轨道周围三维空间点云数据和轨道平面图像数据；
提取模块，用于根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
计算模块，用于根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
预警模块，用于根据侵限异物的风险分级，进行预警处理和取证上报。
本实施例1中，利用上述的系统实现了一种轨道线路异物侵限监测与风险预警方法，包括：
获取轨道周围三维空间点云数据和轨道平面图像数据；
根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
根据侵限异物的风险分级，进行预警处理和取证上报。
所述的对轨道限界区域内的异物进行识别与特征提取，包括：
对采集图像的限界区域进行划分，划分为安全域、预警域、关注域；
对限界区内的图像进行语义识别，判断是否有异物侵限；如果有异物侵限，对异物的类型及所处位置进行识别和标定；
将图像数据与点云数据进行外参标定和融合；
基于数据融合的方法，对侵限异物的尺寸特征、速度特征及侵限时长特征进行提取；
构建侵限异物风险评价模型，对侵限异物的材质语义、位置、尺寸、速度及侵限时长的风险进行评价；
综合评价侵限异物的风险，进行安全风险等级划分与预警。
所述的限界区域划分，其主要步骤包括：
首先，根据采集的轨道平面原始图像ImgRaw，提取铁轨边缘检测图，选取出轨道在图片中所处的范围作为ROI感兴趣区域；将该ROI区域图像进行高斯模糊平滑降噪处理并转为灰度图，基于索贝尔算子在图像中进行铁轨区域检测铁轨线轮廓，生成水平方向、垂直方向的边缘检测结果；在HLS、LAB、LUV色度空间下，用形态学方法进行处理并在不同颜色阈范围下的图像铁轨边缘轮廓图；联合边缘检测结果与颜色阈检测结果进行叠加，得到轮廓清晰的铁轨边缘检测图ImgDrawEdge；
从铁轨边缘检测图ImgDrawEdge中提取限界区模型，采用透视变换处理，提取左轨道线、右轨道线水平方向上的起点，采用滑动窗口，纵向提取左、右轨道线的特征点；将轨道线围成的区域作为安全域，安全域横向扩展3m作为预警域，预警域横向扩展3m作为关注域，输出轨面区域划分的安全域、预警域、关注域，输出轨面区域划分的安全域、预警域、关注域。
所述的限界区域内异物识别，包括：
对限界区域内的异物进行识别，轨道平面图像材料语义识别，离线训练小尺寸图像物体材料识别神经网络模型，利用滑动窗口遍历全图，将轨道平面图像分块；将每一块图像块输入小尺寸图像物体材料识别神经网络模型，得到物体材料像素语义概率图；采用DenseCRF模型，预测全图每一个部分的材料语义信息，获得轨道平面图像全图材料语义分割结果；DenseCRF模型的能量函数表达形式如下所示：
Figure BDA0003735611010000091
其中，xi为像素点i的观测值，xj为像素点j的观测值；ψu(xi)是一元势能函数，ψp(xi,xj)是二元势能函数，描述像素点之间的关联性；
结合安全域、预警域、关注域划分结果与轨道平面图像全图材料语义分割结果，在无异物入侵轨道的情况下，采集轨道平面图像；在限界区域异物判断阶段，对比实时的轨道平面图像特征与安全情况下的轨面特征，如果在限界区未发现新的语义特征，代表没有物体闯入限界区，则进入下一帧数据，分析监测轨面状态；如果在限界区发现新的语义特征，代表存在物体入侵限界区，则提取侵限异物的多层特征并进行风险分级预警，分离该入侵语义区域作为新的ROI区域。
所述的轨道侵限异物风险评价模型，包括：
结合历史轨道侵限事件案例中潜在的主要风险，按照目标层、准则层、指标层划分轨道异物侵限风险评估评价单元并确立对应的评价指标，基于层次分析法和风险矩阵法建立轨道异物侵限风险评估层次分析模型并划分计算各评价指标的风险评估量化矩阵与权重值；
进行层次分析，根据专家经验对目标层-准则层、准则层-指标层的各项参数之间的重要性分别进行评分，进而构造出目标层-准则层重要性判断矩阵A1，准则层-指标层重要性判断矩阵B2、B3；
进行层次一致性检验，调整重要性判断矩阵直至满足一致性条件，计算指标层各评价参数对目标层的合成权重Wi。
所述的轨道异物侵限风险分级评估结果，包括：
对铁路异物侵限风险等级进行划分，采用风险值R衡量轨道侵限事件风险大小，由各评价指标的风险程度量化数值Si和层次分析权重Wi联合确定。风险值R由异物属性风险值和异物行为风险值两部分累加组成，其中异物属性风险值为其下属体积、材质类型、位置的风险程度量化数值与权重乘积的累加，异物行为风险值为异物移动速度、侵限时长的风险程度量化数值与权重乘积的累加；风险值R计算公式为：
Figure BDA0003735611010000101
实施例2
本实施例2中提供基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法，通过轨侧部署激光雷达与相机作为传感器有效感知轨周环境信息，利用异质传感器数据融合的方法提取轨道侵限异物多层级特征信息；最后，基于多层级特征信息进行风险预警等级划分，保障侵限异物监测系统有效性，最大化提升铁路运营安全水平。所述方法包括：
步骤A：根据铁路异物侵限防灾监测要求，在轨道重点监测位置，如站台、铁路公路汇合区等位置，安装激光雷达与相机作为感知设备；安装方式为激光雷达安装于监控立杆横臂上，高度2.00米，相机安装位置在于激光雷达正下方，高度1.90米；
步骤B：激光雷达和相机同时扫描轨道环境，利用激光雷达获取轨道周围三维空间点云数据，利用相机获取轨道平面图像数据；
步骤C：对相机采集的轨面环境图像进行处理，针对轨道平面图像数据的原始图像ImgRaw，首先手动选取出轨道在图片中所处的范围作为ROI感兴趣区域。进一步地，将该ROI区域图像进行高斯模糊平滑降噪处理并转为灰度图，基于索贝尔算子在图像中进行铁轨区域检测铁轨线轮廓，生成水平方向、垂直方向的边缘检测结果；更优地，为了细化铁轨边缘检测结果以及应对不同时间的轨道区域环境光与场景的变化，在HLS、LAB、LUV色度空间下，用形态学方法进行处理并在不同颜色阈范围下的图像铁轨边缘轮廓图；进一步地，联合边缘检测结果与颜色阈检测结果进行叠加，得到轮廓清晰的铁轨边缘检测图ImgDrawEdge。
步骤D：铁轨边缘检测图ImgDrawEdge中含有轨道线特征，进一步从铁轨边缘检测图ImgDrawEdge中提取限界区模型，首先采用透视变换处理，提取左轨道线、右轨道线水平方向上的起点，然后采用滑动窗口，纵向提取左、右轨道线的特征点；进一步地，由于实际地形的差异，铁轨线形状具有多种类型，故采用多元线性拟合模型对轨道线特征进行描述；将轨道线围成的区域作为安全域，安全域横向扩展3m作为预警域，预警域横向扩展3m作为关注域，输出轨面区域划分的安全域、预警域、关注域；
步骤E：为了实现轨道上物体的识别，首先离线训练小尺寸图像物体材料识别神经网络模型；在步骤B获得到的轨道平面图像上，利用滑动窗口遍历全图，将轨道平面图像分块；其次，将每一块图像块输入小尺寸图像物体材料识别神经网络模型，得到物体材料像素语义概率图；进一步地，采用DenseCRF模型，预测全图每一个部分地材料语义信息，获得轨道平面图像全图材料语义分割结果，DenseCRF模型的能量函数表达形式所示如下；
Figure BDA0003735611010000111
其中，xi为像素点i的观测值，xj为像素点j的观测值；ψu(xi)是一元势能函数，ψp(xi,xj)是二元势能函数，描述像素点之间的关联性。
步骤F：首先在无异物入侵轨道的情况下，采集轨道平面图像；通过步骤C、D、E提取安全情况下的轨面特征。通过对比实时的轨道平面图像语义特征元素与安全情况下的轨面特征元素，判断是否发生异物入侵情况，如果在限界区未发现新的语义特征，代表没有物体闯入限界区，则丢弃该帧数据，进入步骤B获取下一帧数据进行处理；如果在限界区发现新的语义特征，代表存在物体入侵限界区，进入步骤G；
步骤G：进一步分离该入侵语义区域作为新的ROI区域；其次，基于步骤C的安全域、预警域、关注域划分结果与轨道平面图像全图材料语义分割结果，提取侵限异物类型特征与所处限界位置特征，进入步骤J；
步骤H：在将图像数据投影到点云空间之前，需要离线进行轨旁激光雷达坐标系和轨旁相机坐标系的外部参数标定，即确定两个坐标系之间的转换模型。轨旁激光雷达坐标系的点通过旋转向量R和平移向量T组成的刚体变换，即可投影到轨旁相机坐标系，其中R为3×3的矩阵，T为3×1的矩阵，旋转向量R和平移向量T分别表示空间坐标旋转、平移变换关系的特征。
Figure BDA0003735611010000121
步骤I：在利用激光雷达点云数据之前，要进行数据预处理，剔除冗余点、噪声点，降低点云数据密度。一般采用体素滤波法降低点云密度，其次采用地面拟合过滤法将点云空间中地面反射的点云和物体发射的点云进行分离。体素滤波法的处理过程是，首先采用体素格划分点云数据，过滤体素格内的点，输出体素格的形心点，以此代表体素格内的点集。
地面拟合过滤法处理过程是在初始状态下，选取指定方向为正方向，采用三元一次函数对地面平面进行拟合，该平面拟合模型可表示如下式所示；
ax+by+cz+d＝0
其中，a、b、c分别表示x、y、z平面的法向量；d为坐标原点到平面的正交投影距离。
首先选取一个高度阈值h，提取点云中所有高度低于h的点生成点集S，在点集S中利用最小二乘法拟合平面模型，计算出a、b、c、d。其次，设定平面距离阈值，计算每一个点到平面拟合模型的正交投影距离，若大于平面距离阈值，则判定该点属于非地面反射点，否则属于地面反射点；进一步地，过滤地面反射点，保留非地面反射点，消除地面点云对聚类结果的影响。
步骤J：完成图像侵限异物材质识别与点云数据预处理，将图像语义识别结果投影到点云空间，为点云数据增加物体材料识别信息，一个点包含了四种数据内容，其中具有代表位置信息的x、y、z和具有代表目标物反射强度intensity、目标物表面材质信息material。由于在点云空间的点具有离散性，一个侵限物体会反射返回多个点，这些点构成点簇，采用K-means算法对点簇进行聚类。首先随机选取N个点视为聚类质心初始点，然后遍历点云空间的所有点，分别计算每个数据点与各个聚类质心初始点的欧式距离，按照距离最小分类的原则，将点划分到其距离最近的聚类质心点所在的类中；其次计算每一个类的质心点，作为新一轮迭代N个聚类质心点，重复遍历计算每个数据点与各个聚类质心点的欧氏距离并更新迭代新一轮的聚类质心点，直至聚类质心点不再改变，聚类过程完成。最后，将每一个聚类结果输出其包含点簇的最小三维包围框。
步骤K：通过三维点云空间聚类检测方法获得异物的长、宽、高尺寸特征，进而计算其体积特征。
步骤L：当轨道侵限异物占据轨道限界区具有时间连续性，且如果侵限异物为行人或动物时，该异物还具有动态性，在识别出侵限异物的三维包围框后，还需要采用卡尔曼滤波器对前后帧目标检测结果进行预测与更新，实现前后帧数据识别结果的关联，实现对侵限异物的动态跟踪监测。
步骤M：通过对侵限异物的目标跟踪，提取其速度信息、侵限时长特征。
步骤N：综合汇总每一个侵限异物的类型、尺寸、位置、速度、侵限时长作为该异物的多层级特征，输出至风险评估与预警模块进行侵限异物风险评估，进入步骤P；
步骤O：结合历史轨道侵限事件案例中潜在的主要风险，按照目标层、准则层、指标层划分轨道异物侵限风险评估评价单元并确立对应的评价指标，基于层次分析法和风险矩阵法，建立轨道异物侵限风险评估层次分析模型比计算各评价指标所占层次总权重，划分计算各评价指标的风险评估量化矩阵。首先进行层次分析，根据专家经验对目标层-准则层、准则层-指标层的各项参数之间的重要性分别进行评分，进而构造出目标层-准则层重要性判断矩阵A1，准则层-指标层重要性判断矩阵B2、B3；
Figure BDA0003735611010000141
进一步地，进行层次一致性检验；优化地，调整重要性判断矩阵直至满足一致性条件，计算指标层各评价参数对目标层的合成权重W；表1所示，为指标层合成权重计算结果。
表1指标层合成权重表
Figure BDA0003735611010000142
其次，进行风险矩阵分析，由专家对各个风险评价指标的风险程度进行专家经验量化评估，确立各个风险评价指标的风险程度量化指标Si。根据中国铁路总公司发布的《线路障碍自动监测报警系统暂行技术条件》对侵限异物体积特征的风险程度进行划分，选取最小预警危险异物尺寸作为量化标准，结合轨道常见侵限异物的石头、树木、动物、车辆等物体的体积，依次划分侵限异物体积所属风险量化程度，表2所示为侵限异物体积特征的风险程度量化矩阵。针对轨道常见侵限异物中的易排除性、事故影响严重程度、异物易发性进行专家评价划分侵限异物材质类型所属风险量化程度，表3所示为侵限异物材质特征的风险程度量化矩阵。表4所示为侵限异物位置特征的风险程度量化矩阵，根据异物所处位置进行划分其风险程度，在安全域为最高风险程度，在预警域的风险程度次之，关注域的风险程度最低。。根据不同侵限异物的机动性，当侵限异物具有移动能力则表示其具有离开限界区的趋势，反之则表示其可能会处于轨面区域,表5所示为侵限异物速度特征的风险程度量化矩阵。当侵限异物被监测系统识别并跟踪时，则开始以秒为单位进行计时，根据异物侵限时长确定其风险程度，侵限时间越长则代表该异物具有长时间处于轨面区域的趋势，表6所示为侵限异物侵限时长特征的风险程度量化矩阵。
表2侵限异物体积特征与风险程度量化分级
Figure BDA0003735611010000151
表3侵限异物材质特征与风险程度量化分级
Figure BDA0003735611010000152
表4侵限异物位置特征与风险程度量化分级
Figure BDA0003735611010000153
表5侵限异物速度特征与风险程度量化分级
Figure BDA0003735611010000154
Figure BDA0003735611010000161
表6侵限异物侵限时长特征与风险程度量化分级
Figure BDA0003735611010000162
步骤P：构建轨道侵限异物状况风险评价模型，采用风险值R衡量轨道侵限事件风险的大小，由侵限异物特征的风险程度量化数值Si和各指标层次分析权重Wi联合确定。风险值R由异物属性风险值和异物行为风险值两部分累加组成，其中异物属性风险值为其下属体积、材质类型、位置的风险程度量化数值与权重乘积的累加，异物行为风险值为异物移动速度、侵限时长的风险程度量化数值与权重乘积的累加。风险值R计算公式为
Figure BDA0003735611010000163
步骤Q：在风险评估与预警模块，输入每一个侵限异物的多层级特征，包含侵限异物类型、尺寸、位置、速度、侵限时长。
步骤R：进一步地，针对侵限异物类型、尺寸、位置、速度、侵限时长特征数据进行有效性检验。如图1特征数据有效性检验流程图所示，首先对侵限异物的尺寸特征数值进行有效性判断，根据《线路障碍自动监测报警系统暂行技术条件》规定，如果判断异物为投影尺寸大于0.2m的危险异物则要输出报警；因此，如果侵限异物的长、宽、高数据不大于0.2m时，表示该侵限异物不会影响列车运行，该侵限异物数据无效，丢弃该数据。当侵限异物尺寸特征数据有效，则进一步地判断侵限物体速度特征有效性，判断侵限异物移动速度是否处于静止或速度为4m/s之内，否则表示该侵限物体具有较快速的移动性，不会影响列车运行，该侵限异物数据无效，丢弃该数据。当侵限异物尺寸特征数据有效，则进一步地判断侵限物体侵限时长特征有效性，判断侵限异物侵限时长是否大于30s，否则表示该侵限物体进入限界区后较快地离开，不会影响列车运行，该侵限异物数据无效，丢弃该数据。侵限异物特征数据检验有效，进一步地将侵限异物多层级特征按照风险评价指标分类进行风险程度量化分析，计算获得侵限异物的各评价指标的风险程度量化数值Si；
步骤S：通过侵限异物的各评价指标的风险程度量化数值Si与各指标层次分析权重Wi输入轨道侵限异物状况风险评价模型，计算异物风险值，并对异物风险值进行归一化处理。
表7归一化风险值及其对应风险等级划分
Figure BDA0003735611010000171
根据表7风险值及其对应风险等级划分,根据风险值所处在预警区间确定轨道侵限风险等级，输出对应的轨道侵限风险状态进行预警上报。
本实施例2中公开的基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法。针对现有的轨道异物入侵监测与预警系统以识别有无异物入侵识为主，异物侵限预警精度不高、误报警率高的关键问题，该系统设计了一种基于多源传感器融合识别的铁路轨道异物侵限检测方法，并提出了一种根据异物特征、侵限状态的轨道异物侵限风险评估模型，实现一体化异物侵限识别与风险评估分级预警，提升轨道异物入侵监测系统对异物精细化识别能力，使得识别结果能为侵限异物风险评估与分级预警提供有效数据支撑。首先，利用激光雷达和相机扫描获取轨周环境数据并分别进行数据处理、分析侵限异物特征；其次，基于特征级融合方法提取侵限异物多层特征；然后，基于侵限异物特征多层次分析结果，并采用风险矩阵法和层次分析法构造轨道异物侵限风险评估模型，进一步对异物侵限状况进行风险评估，最后输出预警分级结果与风险警报信息。本发明通过根据侵限异物的多层级特征分析，评估其铁路致灾风险，进而采取分级预警，避免传统的仅根据异物入侵情况直接进行报警的方法，有效提升了针对轨道侵限异物的监测识别能力，降低了轨道异物预警系统的误报率，具有良好的应用推广价值。
实施例3
参照图1，示出了基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法，所述具体方法包括：
步骤S101：根据铁路异物侵限防灾要求，在轨道重点监测位置，如站台、铁路公路汇合区等位置，安装激光雷达与相机作为感知设备；安装方式为激光雷达安装于监控立杆横臂上，高度2.00米，相机安装位置在于激光雷达正下方，高度1.90米；
步骤S102：激光雷达和相机同时扫描轨道环境，利用激光雷达获取轨周三维空间点云数据，利用相机获取轨道平面图像数据；
步骤S103：对相机采集的轨面环境图像进行处理，针对轨道平面图像数据的原始图像ImgRaw，首先手动选取出轨道在图片中所处的范围作为ROI感兴趣区域。进一步地，将该ROI区域图像进行高斯模糊平滑降噪处理并转为灰度图，基于索贝尔算子在图像中进行铁轨区域检测铁轨线轮廓，生成水平方向、垂直方向的边缘检测结果；更优地，为了细化铁轨边缘检测结果以及应对不同时间的轨道区域环境光与场景的变化，在HLS、LAB、LUV色度空间下，用形态学方法进行处理并在不同颜色阈范围下的图像铁轨边缘轮廓图；进一步地，联合边缘检测结果与颜色阈检测结果进行叠加，得到轮廓清晰的铁轨边缘检测图ImgDrawEdge。
步骤S104：铁轨边缘检测图ImgDrawEdge中含有轨道线特征，进一步从铁轨边缘检测图ImgDrawEdge中提取限界区模型，首先采用透视变换处理，提取左轨道线、右轨道线水平方向上的起点，然后采用滑动窗口，纵向提取左、右轨道线的特征点；进一步地，由于实际地形的差异，铁轨线形状具有多种类型，故采用多元线性拟合模型对轨道线特征进行描述；至此，将轨道线围成的区域作为安全域，安全域横向扩展3m作为预警域，预警域横向扩展3m作为关注域，输出轨面区域划分的安全域、预警域、关注域；
步骤S105：为了实现轨道上物体的识别，首先离线训练小尺寸图像物体材料识别神经网络模型；在步骤S102获得到的轨道平面图像上，利用滑动窗口遍历全图，将轨道平面图像分块；其次，将每一块图像块输入小尺寸图像物体材料识别神经网络模型，得到物体材料像素语义概率图；进一步地，采用DenseCRF模型，预测全图每一个部分地材料语义信息，获得轨道平面图像全图材料语义分割结果，DenseCRF模型的能量函数表达形式所示如下；
Figure BDA0003735611010000191
其中，xi为像素点i的观测值，xj为像素点j的观测值；ψu(xi)是一元势能函数，ψp(xi,xj)是二元势能函数，描述像素点之间的关联性。
步骤S106：首先在无异物入侵轨道的情况下，采集轨道平面图像；通过步骤S103、S104、S105提取安全情况下的轨面特征。通过对比实时的轨道平面图像语义特征元素与安全情况下的轨面特征元素，判断是否发生异物入侵情况，如果在限界区未发现新的语义特征，代表没有物体闯入限界区，则丢弃该帧数据，进入步骤S102获取下一帧数据进行处理；如果在限界区发现新的语义特征，代表存在物体入侵限界区，进入步骤S107；
步骤S107：进一步分离该入侵语义区域作为新的ROI区域；其次，基于步骤S103的安全域、预警域、关注域划分结果与轨道平面图像全图材料语义分割结果，提取侵限异物类型特征与所处限界位置特征，进入步骤S109；
步骤S108：预先对激光雷达与相机的进行外参标定，确定二者间的坐标关系转换模型。在将图像数据投影到点云空间之前，需要离线进行轨旁激光雷达坐标系和轨旁相机坐标系的外部参数标定，即确定两个坐标系之间的转换模型。轨旁激光雷达坐标系的点通过旋转向量R和平移向量T组成的刚体变换，即可投影到轨旁相机坐标系，其中R为3×3的矩阵，T为3×1的矩阵，旋转向量R和平移向量T分别表示空间坐标旋转、平移变换关系的特征。
Figure BDA0003735611010000201
步骤S109：在利用激光雷达点云数据之前，要进行数据预处理，剔除冗余点、噪声点，降低点云数据密度。一般采用体素滤波法降低点云密度，其次采用地面拟合过滤法将点云空间中地面反射的点云和物体发射的点云进行分离。体素滤波法的处理过程是，首先采用体素格划分点云数据，过滤体素格内的点，输出体素格的形心点，以此代表体素格内的点集。
地面拟合过滤法处理过程是在初始状态下，选取指定方向为正方向，采用三元一次函数对地面平面进行拟合，该平面拟合模型可表示如下式所示；
ax+by+cz+d＝0
其中，a、b、c分别表示x、y、z平面的法向量；d为坐标原点到平面的正交投影距离。
首先选取一个高度阈值h，提取点云中所有高度低于h的点生成点集S，在点集S中利用最小二乘法拟合平面模型，计算出a、b、c、d。其次，设定平面距离阈值，计算每一个点到平面拟合模型的正交投影距离，若大于平面距离阈值，则判定该点属于非地面反射点，否则属于地面反射点；进一步地，过滤地面反射点，保留非地面反射点，消除地面点云对聚类结果的影响。
步骤S110：至此，已完成了图像侵限异物材质识别与点云数据预处理，将图像语义识别结果投影到点云空间，为点云数据增加物体材料识别信息，一个点包含了四种数据内容，其中具有代表位置信息的x、y、z和具有代表目标物反射强度intensity、目标物表面材质信息material。由于在点云空间的点具有离散性，一个侵限物体会反射返回多个点，这些点构成点簇，采用K-means算法对点簇进行聚类。首先随机选取N个点视为聚类质心初始点，然后遍历点云空间的所有点，分别计算每个数据点与各个聚类质心初始点的欧式距离，按照距离最小分类的原则，将点划分到其距离最近的聚类质心点所在的类中；其次计算每一个类的质心点，作为新一轮迭代N个聚类质心点，重复遍历计算每个数据点与各个聚类质心点的欧氏距离并更新迭代新一轮的聚类质心点，直至聚类质心点不再改变，聚类过程完成。最后，将每一个聚类结果输出其包含点簇的最小三维包围框。
步骤S111：通过三维点云空间聚类检测方法获得异物的长、宽、高尺寸特征，进而计算其体积特征。
步骤S112：当轨道侵限异物占据轨道限界区具有时间连续性，且如果侵限异物为行人或动物时，该异物还具有动态性，在识别出侵限异物的三维包围框后，还需要采用卡尔曼滤波器对前后帧目标检测结果进行预测与更新，实现前后帧数据识别结果的关联，实现对侵限异物的动态跟踪监测。
步骤S113：通过对侵限异物的目标跟踪，提取其速度信息、侵限时长特征。
步骤S114：综合汇总每一个侵限异物的类型、尺寸、位置、速度、侵限时长作为该异物的多层级特征，输出至风险评估与预警模块进行侵限异物风险评估，进入步骤S117；
步骤S115：结合历史轨道侵限事件案例中潜在的主要风险，按照目标层、准则层、指标层划分轨道异物侵限风险评估评价单元并确立对应的评价指标，基于层次分析法和风险矩阵法，建立轨道异物侵限风险评估层次分析模型比计算各评价指标所占层次总权重，划分计算各评价指标的风险评估量化矩阵。首先进行层次分析，根据专家经验对目标层-准则层、准则层-指标层的各项参数之间的重要性分别进行评分，进而构造出目标层-准则层重要性判断矩阵A1，准则层-指标层重要性判断矩阵B2、B3；
Figure BDA0003735611010000221
进一步进行层次一致性检验，调整重要性判断矩阵直至满足一致性条件，计算指标层各评价参数对目标层的合成权重W；表8所示，为指标层合成权重计算结果。
表8指标层合成权重表
Figure BDA0003735611010000222
其次，进行风险矩阵分析，由专家对各个风险评价指标的风险程度进行专家经验量化评估，确立各个风险评价指标的风险程度量化指标Si。根据中国铁路总公司发布的《线路障碍自动监测报警系统暂行技术条件》对侵限异物体积特征的风险程度进行划分，选取最小预警危险异物尺寸作为量化标准，结合轨道常见侵限异物的石头、树木、动物、车辆等物体的体积，依次划分侵限异物体积所属风险量化程度，表9所示为侵限异物体积特征的风险程度量化矩阵。针对轨道常见侵限异物中的易排除性、事故影响严重程度、异物易发性进行专家评价划分侵限异物材质类型所属风险量化程度，表10所示为侵限异物材质特征的风险程度量化矩阵。表11所示为侵限异物位置特征的风险程度量化矩阵，根据异物所处位置进行划分其风险程度，在安全域为最高风险程度，在预警域的风险程度次之，关注域的风险程度最低。。根据不同侵限异物的机动性，当侵限异物具有移动能力则表示其具有离开限界区的趋势，反之则表示其可能会处于轨面区域，表12所示为侵限异物速度特征的风险程度量化矩阵。当侵限异物被监测系统识别并跟踪时，则开始以秒为单位进行计时，根据异物侵限时长确定其风险程度，侵限时间越长则代表该异物具有长时间处于轨面区域的趋势，表13所示为侵限异物侵限时长特征的风险程度量化矩阵。
表9侵限异物体积特征与风险程度量化分级
Figure BDA0003735611010000231
表10侵限异物材质特征与风险程度量化分级
Figure BDA0003735611010000232
表11侵限异物位置特征与风险程度量化分级
Figure BDA0003735611010000233
表12侵限异物速度特征与风险程度量化分级
Figure BDA0003735611010000234
表13侵限异物侵限时长特征与风险程度量化分级
Figure BDA0003735611010000235
步骤S116：构建轨道侵限异物状况风险评价模型，采用风险值R衡量轨道侵限事件风险的大小，由侵限异物特征的风险程度量化数值Si和各指标层次分析权重Wi联合确定。风险值R由异物属性风险值和异物行为风险值两部分累加组成，其中异物属性风险值为其下属体积、材质类型、位置的风险程度量化数值与权重乘积的累加，异物行为风险值为异物移动速度、侵限时长的风险程度量化数值与权重乘积的累加。风险值R计算公式为
Figure BDA0003735611010000241
步骤S117：在风险评估与预警模块，输入每一个侵限异物的多层级特征，包含侵限异物类型、尺寸、位置、速度、侵限时长。
步骤S118：进一步地，针对侵限异物类型、尺寸、位置、速度、侵限时长特征数据进行有效性检验。如图4数据检验流程图所示，首先对侵限异物的尺寸特征数值进行有效性判断，根据《线路障碍自动监测报警系统暂行技术条件》规定，如果判断异物为投影尺寸大于0.2m的危险异物则要输出报警；因此，如果侵限异物的长、宽、高数据不大于0.2m时，表示该侵限异物不会影响列车运行，该侵限异物数据无效，丢弃该数据。
当侵限异物尺寸特征数据有效，则进一步地判断侵限物体速度特征有效性，判断侵限异物移动速度是否处于静止或速度为4m/s之内，否则表示该侵限物体具有较快速的移动性，不会影响列车运行，该侵限异物数据无效，丢弃该数据。
当侵限异物尺寸特征数据有效，则进一步地判断侵限物体侵限时长特征有效性，判断侵限异物侵限时长是否大于30s，否则表示该侵限物体进入限界区后较快地离开，不会影响列车运行，该侵限异物数据无效，丢弃该数据。
侵限异物特征数据检验有效，进一步地将侵限异物多层级特征按照风险评价指标分类进行风险程度量化分析，计算获得侵限异物的各评价指标的风险程度量化数值Si；
步骤S119：通过侵限异物的各评价指标的风险程度量化数值Si与各指标层次分析权重Wi输入轨道侵限异物状况风险评价模型，计算异物风险值，并对异物风险值进行归一化处理。
表14归一化风险值及其对应风险等级划分
Figure BDA0003735611010000251
根据表14风险值及其对应风险等级划分,根据风险值所处在预警区间确定轨道侵限风险等级，输出对应的轨道侵限风险状态进行预警上报。
参照图2，示出了本实施例2中的系统框架图，总体思路为：
该系统由“感知模块、异物识别与特征提取模块、风险评估与预警模块”三个模块组成。感知模块通过激光雷达扫描轨周空间获取点云数据、相机获取轨面图像信息。在异物识别与特征提取模块的识别部分，首先分别对环境点云与图像数据进行预处理，其中点云数据预处理部分需要将地面反射的点云和物体反射的点云进行分割，然后对监控区域外的点云进行剔除，减少数据量；另一方面，获取到轨面图像后，首先根据材料识别深度学习模型对图像进行语义分割，划分不同目标物所属语义区，同时针对轨面区域划分安全域、预警域、关注域，进一步地提取安全域、预警域、关注域的异物。在异物识别与特征提取模块的特征提取部分，输入点云数据与图像语义识别数据，识别输出侵限异物的类别、尺寸及位置信息。在预警模块，基于侵限异物识别结果，依据其特征信息以及侵限区域，分析其对轨道行车安全的危害程度，做出相应风险等级判断并取证上报。
参照图3，示出了本实例的轨道异物侵限风险评估层次分析模型图，具体思路为：
将轨道侵限异物对列车行车安全的影响进行层次化分析，将轨道异物侵限风险等级评价值作为决策的目标值；其中，轨道异物侵限风险因素划分为异物属性与异物行为两个方面，并将其作为准则层；进一步地，根据侵限异物多层次特征描述，在异物属性准则层下细化的具体指标为异物体积、异物材质类型、异物位置，在异物行为准则层下细化的具体指标为异物移动速度、异物侵限时长。以目标层、准则层、指标层三级结构，构建轨道异物侵限风险评估层次分析模型。
参照表15，示出了本实施例实例的轨道异物侵限监测与预警系统效果分析图表，具体内容为：首先提取侵限异物的多个特征，其次进行异物特征数据有效性检验，对异物的风险进行初步判断；通过异物特征数据有效性检验，再进行风险值计算与输出预警等级，并将预警等级与专家判断结果进行对比。
表15
Figure BDA0003735611010000261
本实施例设计了基于异质传感器融合的轨道线路异物侵限精准监测与风险预警方法。针对现有的轨道异物入侵监测预警系统仅识别是否有异物入侵情况，对任意侵限异物均产生相同预警信息的问题，为了提升轨道异物入侵监测系统对异物精细化识别能力，使得识别结果能为侵限异物风险评估与分级预警提供有效数据支撑，设计了一种基于多源传感器融合识别的铁路轨道异物侵限检测方法，并提出了一种根据异物特征、侵限状态的轨道异物侵限风险评估模型，实现一体化异物侵限识别与风险评估分级预警。首先，利用激光雷达和相机扫描获取轨周环境数据并分别进行数据处理、分析侵限异物特征；其次，基于特征级融合方法提取侵限异物多层特征；然后，基于侵限异物特征多层次分析结果，并采用风险矩阵法和层次分析法构造轨道异物侵限风险评估模型，进一步对异物侵限状况进行风险等级认定，最后输出预警分级结果与风险警报信息。
实施例4
本发明实施例4提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道线路异物侵限监测与风险预警方法。
实施例5
本发明实施例5提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现轨道线路异物侵限监测与风险预警方法。
实施例6
本发明实施例6提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道线路异物侵限监测与风险预警方法。

Claims (7)

1.一种轨道线路异物侵限监测与风险预警方法，其特征在于，包括：
获取轨道周围三维空间点云数据和轨道平面图像数据；
根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
根据侵限异物特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
根据侵限异物的风险分级，进行预警处理和取证上报；
所述对限界区域内的异物特征进行识别与特征提取，包括：
对采集图像的限界区域进行划分，划分为安全域、预警域和关注域；
对限界区域内的图像进行语义识别，判断是否有异物侵限；如果有异物侵限，对异物的类型及所处位置进行识别和标定；
将轨道平面图像数据与点云数据进行外参标定和融合；
基于数据融合的方法，对侵限异物的尺寸特征、速度特征及侵限时长特征进行提取；
构建侵限异物风险评价模型，对侵限异物的材质语义、位置、尺寸、速度及侵限时长的风险进行评价；
综合评价侵限异物的风险，进行安全风险等级划分与预警；
对采集图像的限界区域进行划分，划分为安全域、预警域和关注域，包括：
首先，根据采集的轨道平面原始图像ImgRaw，提取铁轨边缘检测图，选取出轨道在图片中所处的范围作为ROI区域；将ROI区域图像进行高斯模糊平滑降噪处理并转为灰度图，基于索贝尔算子在图像中进行铁轨区域的铁轨线轮廓检测，生成水平方向、垂直方向的边缘检测结果；在HLS、LAB或LUV色度空间下，用形态学方法进行处理并得到在不同颜色阈范围下的图像铁轨边缘轮廓图；联合边缘检测结果与颜色阈检测结果进行叠加，得到轮廓清晰的铁轨边缘检测图ImgDrawEdge；
从铁轨边缘检测图ImgDrawEdge中提取限界区域，采用透视变换处理，提取左轨道线、右轨道线水平方向上的起点，采用滑动窗口，纵向提取左、右轨道线的特征点；将轨道线围成的区域作为安全域，安全域横向扩展3m作为预警域，预警域横向扩展3m作为关注域，输出轨面区域划分的安全域、预警域和关注域；
对限界区域内的图像进行语义识别，判断是否有异物侵限，包括：
对轨道平面图像进行材料语义识别，离线训练小尺寸图像物体材料识别神经网络模型，利用滑动窗口遍历全图，将轨道平面图像分块；将每一块图像块输入小尺寸图像物体材料识别神经网络模型，得到物体材料像素语义概率图；采用DenseCRF模型，预测全图每一个部分的材料语义信息，获得轨道平面图像全图材料语义分割结果；DenseCRF模型的能量函数表达形式如下所示：
Figure FDA0004186987890000021
其中，E(x)表示能量函数，xi为像素点i的观测值，xj为像素点j的观测值；ψu(xi)是一元势能函数，ψp(xi,xj)是二元势能函数，描述像素点之间的关联性；
结合安全域、预警域和关注域划分结果与轨道平面图像全图材料语义分割结果，在无异物入侵轨道的情况下，采集轨道平面图像；在限界区域异物判断阶段，对比实时的轨道平面图像特征与安全情况下的轨面特征，如果在限界区域未发现新的语义特征，代表没有物体闯入限界区域，则进入下一帧数据，分析监测轨面状态；如果在限界区域发现新的语义特征，代表存在物体入侵限界区域，则提取侵限异物的多层特征并进行风险分级预警，分离入侵语义区域作为新的ROI区域。
2.根据权利要求1所述的轨道线路异物侵限监测与风险预警方法，其特征在于，所述的侵限异物风险评价模型，包括：
结合历史轨道侵限事件案例中潜在的风险，按照目标层、准则层和指标层划分轨道异物侵限风险评估评价单元并确立对应的评价指标，基于层次分析法和风险矩阵法建立轨道异物侵限风险评估层次分析模型并计算各评价指标的风险评估量化矩阵与权重值；
进行层次分析，根据专家经验对目标层-准则层、准则层-指标层的各项参数之间的重要性分别进行评分，进而构造出目标层-准则层重要性判断矩阵A1，准则层-指标层重要性判断矩阵B1、B2；
Figure FDA0004186987890000031
Figure FDA0004186987890000032
Figure FDA0004186987890000033
进行层次一致性检验，调整重要性判断矩阵直至满足一致性条件，计算指标层各评价指标对目标层的层次分析权重Wk。
3.根据权利要求2所述的轨道线路异物侵限监测与风险预警方法，其特征在于，轨道异物侵限风险分级评估结果，包括：
对铁路异物侵限风险等级进行划分，采用风险值R衡量轨道侵限事件风险大小，由各评价指标的风险程度量化数值Sk和层次分析权重Wk联合确定；风险值R由异物属性风险值和异物行为风险值两部分累加组成，其中异物属性风险值为异物体积、材质类型、位置的风险程度量化数值与权重乘积的累加，异物行为风险值为异物移动速度、侵限时长的风险程度量化数值与权重乘积的累加；风险值R计算公式为：
Figure FDA0004186987890000041
4.一种基于如权利要求1-3任一项所述的方法的轨道线路异物侵限监测与风险预警系统，其特征在于，包括：
获取模块，用于获取轨道周围三维空间点云数据和轨道平面图像数据；
提取模块，用于根据点云数据和轨道平面图像数据，对限界区域内的异物特征进行识别与特征提取；
计算模块，用于根据侵限异物的特征，采用层次分析法和风险矩阵法对不同特征风险进行计算，并对不同特征的风险进行融合计算，得到侵限异物的综合风险值；
预警模块，用于根据侵限异物的风险分级，进行预警处理和取证上报。
5.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的方法。
6.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-3任一项所述的方法。
7.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-3任一项所述的方法。
CN202210795394.9A 2022-07-07 2022-07-07 轨道线路异物侵限监测与风险预警方法及系统 Active CN115205796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210795394.9A CN115205796B (zh) 2022-07-07 2022-07-07 轨道线路异物侵限监测与风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210795394.9A CN115205796B (zh) 2022-07-07 2022-07-07 轨道线路异物侵限监测与风险预警方法及系统

Publications (2)

Publication Number Publication Date
CN115205796A CN115205796A (zh) 2022-10-18
CN115205796B true CN115205796B (zh) 2023-05-16

Family

ID=83580861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210795394.9A Active CN115205796B (zh) 2022-07-07 2022-07-07 轨道线路异物侵限监测与风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN115205796B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206265B (zh) * 2023-05-05 2023-07-18 昆明轨道交通四号线土建项目建设管理有限公司 用于轨道交通运营维护的防护报警装置及方法
CN116485799B (zh) * 2023-06-25 2023-09-15 成都考拉悠然科技有限公司 铁路轨道异物覆盖的检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852320A (zh) * 2019-11-08 2020-02-28 积成电子股份有限公司 基于深度学习的输电通道异物入侵检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009506A (zh) * 2017-12-07 2018-05-08 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
KR102320222B1 (ko) * 2019-02-11 2021-11-03 경북대학교 산학협력단 표적 추적 기반의 화재 감시 장치 및 화재 감시 방법
CN111626203B (zh) * 2020-05-27 2021-11-16 北京伟杰东博信息科技有限公司 一种基于机器学习的铁路异物识别方法及系统
CN114419616A (zh) * 2022-01-19 2022-04-29 北京全路通信信号研究设计院集团有限公司 一种异物识别方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852320A (zh) * 2019-11-08 2020-02-28 积成电子股份有限公司 基于深度学习的输电通道异物入侵检测方法

Also Published As

Publication number Publication date
CN115205796A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN115205796B (zh) 轨道线路异物侵限监测与风险预警方法及系统
CN105809679B (zh) 一种基于视觉分析的山区铁路边坡落石检测方法
CN113255481B (zh) 一种基于无人巡逻车的人群状态检测方法
CN110992683B (zh) 一种基于动态图像感知的交叉口盲区预警方法及系统
CN110532889B (zh) 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法
CN109829403A (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
EP0567059A1 (en) Object recognition system and abnormality detection system using image processing
CN104778444A (zh) 道路场景下车辆图像的表观特征分析方法
CN110659552B (zh) 有轨电车障碍物检测及报警方法
CN115272425B (zh) 一种基于三维点云的铁路工地区域入侵检测方法及系统
CN112464782A (zh) 一种行人识别方法和系统
CN113484858A (zh) 一种入侵检测方法和系统
CN114743181A (zh) 一种道路车辆目标检测方法、系统、电子设备及存储介质
CN105976398A (zh) 一种白天火灾视频检测方法
CN114093165A (zh) 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
CN111667655A (zh) 基于红外图像的高速铁路安全区入侵警报装置及方法
KR102185225B1 (ko) 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템
CN114818819A (zh) 一种基于毫米波雷达与视觉信号的道路障碍物检测方法
CN113658427A (zh) 基于视觉与雷达的路况监控方法及系统、设备
CN105426852A (zh) 车载单目长波红外相机行人识别方法
CN116587978A (zh) 一种基于车载显示屏的碰撞预警方法及系统
Song et al. Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism
CN114581863A (zh) 车辆危险状态识别方法及系统
Tschürtz et al. System of systems safety analysis and evaluation in ZalaZONE
Khan et al. Multiple moving vehicle speed estimation using Blob analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant