據中國城市軌道交通協會統計數據顯示，我國城市軌道交通（簡稱城軌）建設規模逐漸擴大，運營里程不斷增長，截至2018年底，已開通運營線路5761.4km，年客運量高達210.7億人次，成為大、中城市乘客出行的首選交通方式。

然而，隨之而來的安全問題也引起了人們的高度關注，一旦發生安全事故，救援難度極大，尤其是地下線路。據統計數據顯示，2018年城軌地下線路運營里程高達3639.8km，占總運營里程的63.2%，因此，實時監測地下線路運營環境顯得十分重要。

隨著城市軌道交通的飛速發展，列車運行速度越來越快，為保證行車運營安全，應加強對應急事件的檢測與處理。因此，應實時監測運營環境，實現異物侵入的報警與列車控制。軌道交通隧道異物侵入是指在列車運行軌道上所有造成行車安全隱患的障礙物，如山體滑坡、泥石流、滯留在道上的工作人員等。

異物侵入事件具有突發性和不可預測性，這就要求異物侵入檢測系統應具有響應快、準確度高的特點。隨著人工智能技術的不斷發展，研究基于智能視頻分析技術和傳感器融合技術來代替人工對侵入異物進行檢測判斷非常必要。

圖1 中國城市軌道交通發展示意圖

針對異物的檢測方法，國內外專家學者進行了諸多研究，其中非接觸式的視頻檢測和傳感器檢測是當下的主流方法。國外對異物侵入研究較早，主要集中在動態異物的檢測方面；國內對于異物侵入的研究主要集中在道路方面，而對于軌道方面研究較少，且起步較晚。

JM Jolion提出了一個自主導航的視覺系統，用于識別障礙物和移動物體，并建立穩定的外部世界視野。Z Wei、DJ Lee等提出使用光流值并基于簡化運動模型的有效運動場分析算法實時檢測障礙物。Dhiraj Sinha等利用鋪設于軌道上的加速度計測量鐵路軌道中產生的振動來分析障礙物類型。曲越根據激光雷達與視頻圖像處理的特點，提出一種非接觸式障礙物的檢測方法。林鵬飛等開發了一種基于激光掃描的城市軌道線路異物檢測系統，提高了異物檢測的準確率和效率。

通過對國內外文獻的分析可以看出，關于異物檢測的方法有很多，但缺少對異物類型、檢測方法優缺點以及列車主動安全行為的分析。因此，本文著重研究城市軌道交通隧道異物侵入的檢測方法，采用視頻檢測與傳感器檢測融合技術，克服單一檢測的缺點來提高檢測精度，并探討列車的主動安全行為，以期提高城市軌道交通運行的可靠性和安全性。異物侵入檢測流程如下。

本文構建的異物侵入檢測系統立足于城市軌道交通安全出行、提升城軌乘車體驗的行業需求，利用互聯網、物聯網、車聯網等新一代信息技術，為城軌行業搭建快速檢測的運行環境，及時進行應急處理，保障行車安全，為乘客提供安全、平穩、健康的出行服務，構建全方位一體化城軌安全運行管控平臺，切實解決城軌出行異物侵入威脅行車安全、列車急停影響乘客乘車體驗、因人工誤判或應急不及時導致事故發生進而威脅乘客生命安全等問題，從而提高城軌運行安全技術水平和乘客滿意度。

圖2 異物侵入檢測流程

1 研究方法

1.1 檢測方法的選取

可將基于視頻的檢測算法分為如下幾類，即光流法、幀差法、背景消減法、時間差分法等，它們有各自的優缺點：光流法可攜帶運動物體的運動信息和景物的三維結構信息，檢測效率高，易于實現，但方法復雜，計算量大，不能滿足實時的要求；幀差法檢測速度較快，對緩慢變換的光照不敏感，方法簡單，易于實現，但容易出現“雙影”和“空洞”現象，閾值也需人工設定；背景消減法可檢測運動目標，檢測準確，易于實現，但對光照的變化和陰影的干擾等特別敏感；時間差分法運算速度快，但是檢測出的目標可能出現空洞。

通過對各視頻檢測方法的對比，結合本文所研究的城市軌道交通隧道的特點，選用幀差法作為視頻檢測方法，同時結合測距傳感器檢測值，彌補幀差法的不足，對城市軌道交通隧道異物侵入進行實時檢測與判斷，從而保障城軌安全運營。

1.2 基于幀差法和傳感器的異物侵入檢測

1）檢測方法

可將幀差法分為連續幀差和背景幀差。連續幀差方法是利用時間連續的兩幀圖像相減，判斷有無運動目標出現，是一種相對差檢測的方法。該方法的優點是運算方法簡單，易于實現，但當運動目標運動速度很大時，容易產生虛影。背景幀差方法是將當前幀與背景幀相減，以獲取差異目標形態。背景幀差的穩定性相對較好，屬于絕對差檢測方法。

理論上講，運動目標的移動速度不會影響檢測效果，且在軌道交通隧道內，光照強度和方向都是固定的，不會對檢測結果造成影響，確保了檢測的穩定性和可靠性。因此，對于軌道交通隧道的異物檢測，綜合考慮以上兩種幀差法的優缺點，最終根據實際需求選用背景幀差法作為視頻檢測的方法。

傳感器采用測距傳感器（即360°激光雷達），能實時檢測周圍物體的位置，包括角度和距離。其中測距傳感器的安裝高度根據軌道交通行業規定進行設置。先給予軌旁異物侵入檢測裝置中的測距模塊一個初始周圍環境距離值，將此值作為比對值；再實時與測距模塊工作中的檢測值進行對比。當某一方位存在異物時，此方位比對值就會發生變化，從而可判斷異物是否超過高度閾值，同時輔助對異物進行定位。

本文所采用的異物侵入檢測裝置安裝示意圖如圖3所示。

圖3 異物侵入檢測裝置安裝示意圖

基于此裝置，隧道內異物侵入檢測方法如下：根據軌旁圖像采集模塊和測距模塊的檢測值，將每一幀圖像的灰度值減去背景的灰度值可得到一個差值圖像，即

公式1

式中：b(x, y,i0,hθ)為隧道內軌旁圖像采集模塊初始視頻圖像，即背景模型；f(x', y',i',h'θ)為當前每一幀圖像；(x, y)為二維圖像位置坐標；i為圖像幀數；i0為初始圖像幀數，一般取值為0；hθ為測距模塊測得的此高度閾值各方位阻擋物的距離。

通過設置一個圖像閾值T和檢測測距模塊感應值的變化情況，可得到一個二值化差值圖像，即

公式2

測距模塊的安裝高度由鐵路行車安全條例確定，覆蓋范圍為300～500m。

2）制動距離

列車制動示意圖如圖4所示。圖中：A為隧道內軌旁的檢測裝置，包括圖像采集模塊、測距模塊和地面信息處理模塊；B為障礙物俯視圖；C、D分別為異物輪廓在列車行進方向水平線上的投影點；E為應答器。則制動距離為

公式3

公式4

公式5

式中：S為列車制動距離；m為地面應答器到軌旁檢測裝置的距離；n為地面應答器到列車前端的距離；p為列車在異物前停車時的安全包絡距離；d1、d2分別為AD和CD距離；α、θ分別為測距模塊檢測到的異物角度變化范圍；hα、hθ分別為測距模塊感應值。

圖4 列車制動示意圖

若當列車行經此地面應答器時速度為vt，則根據列車制動距離S，可采用目標-距離模式曲線進行速度控制，使列車到達異物前速度減為0，待清除異物后再繼續運行。

本文將隧道內軌旁各圖像采集模塊正常情況下的監控視角圖像作為初始背景圖像，將監控視頻實時與此背景圖像進行幀差處理，并將差異區域進行標紅和二值化處理。同時將隧道內軌旁固定高度的測距模塊進行初始化，即將此高度范圍內360°的距離作為初始值，當異物超過此高度時，某一方位的距離數值將會發生變化。

通過二值化后的圖像形狀、位置和測距模塊感應值的變化，可判斷出異物對列車運行是否存在安全隱患。采用地面應答器和車載應答器作為信息傳遞橋梁，克服了遠距離傳輸對信息的衰減，減少了丟包率。

融合車載已有的異物檢測裝置檢測結果，采取“并”操作，即只要存在對列車運行有影響的異物，均會采取相應的應急措施。其中車載異物侵入檢測裝置檢測結果的優先級高于軌旁異物侵入檢測裝置的檢測結果，即當列車讀取到前方區段未出現異常，但列車行經此地面應答器一段時間后，車載異物侵入檢測裝置檢測到前方存在異物且與讀取到的路況信息存在差異時，以車載異物侵入檢測裝置的檢測結果為最高優先級，控制列車采取相應的主動安全行為。

1.3 信息傳遞

區別于以往將信息傳遞給列控中心，再由列控中心將信息傳遞給司機室，司機再根據列控中心下達的命令控制列車運行，本文采用一種改進的信息實時傳遞方式——應答器信息傳遞。傳統的應答器存儲的信息分為靜態信息和部分可變信息，靜態信息如軌道區段位置、編號、長度等，可變信息如臨時限速等。

本文所探討的信息傳遞方式是將軌旁信息處理模塊對異物的檢測結果實時傳遞給相應地面應答器，應答器對同一監控的檢測結果進行不斷更新覆蓋，僅留下最后的異物檢測結果，即當列車經過此應答器上方時，能讀取到區段前方的最新路況信息。

軌旁信息處理模塊與地面應答器之間的信息傳輸對應關系主要取決于二者之間的距離，其長度應大于列車在最不利情況下的最大制動距離，此安全距離可為列車的行駛提供保障，并大大增加了列車運行的可靠性和安全性。信息處理模塊與地面應答器信息傳遞數量的對應關系為1-n和n-1，即將1個信息處理模塊處理的信息傳輸給多個應答器，1個應答器接收多個信息處理模塊處理的信息。信息傳遞方式示意圖如圖5所示。

圖5 信息傳遞方式示意圖

小車載信息處理模塊通過融合讀取到的地面應答器信息，并輔以車載異物侵入檢測裝置的檢測結果，采取“并”集操作，以車載檢測裝置的檢測結果為最高優先級，判斷異物對列車運行的影響，從而控制列車運行，保障運營安全。其中車載異物侵入檢測裝置借鑒他人的研究結果，應用在本文所構建的檢測系統中。

2 仿真與實驗驗證

2.1 Matlab仿真

基于圖像檢測技術，利用南京地鐵提供的人工拍攝視頻圖像以及測距傳感器檢測到的圖像范圍內的距離，在104°范圍內進行Matlab仿真，其結果如圖6所示。左側為視頻圖像檢測結果，能精確檢測到異物——行人漸行漸遠的軌跡，檢測精度高，且能對障礙物進行形狀輪廓描繪和精確定位。右側為測距模塊檢測結果。圖中所示的初始測距模塊檢測值即正常無異物侵入情況下的各方位距離。

圖6 Matlab仿真結果

從圖6可以看出，隨著行人漸行漸遠，測距模塊檢測到的異物寬帶寬度變小，與初始距離之間的差距也越來越大，這與實際情況相吻合。

2.2 實驗室驗證

基于現有實驗平臺對本系統進行驗證，此平臺完全模擬南京地鐵老一號線，采用1:48比例模型進行構建。列車可實現基本的運行功能，例如加減速、停車、折返、區段防護等。軌旁異物檢測裝置被安裝在信號燈柱上，包括圖像采集模塊、測距模塊和信息處理模塊。實驗室平臺如圖7所示。

圖7 實驗室平臺

在車輛前端底部安裝有車載異物檢測裝置和車載信息處理模塊，用于檢測近距離的異物，其優先級高于軌旁異物檢測裝置。實驗用車如圖8所示。

圖8 實驗用車

后臺采用3個軟件（FET、HMI和ATS）分別對列車進行控制，FET軟件用于控制信號燈和道岔狀態，HMI軟件實現對列車行車命令的下達和每列車的信息顯示，ATS軟件實現對列車運行控制和車站控制。具體界面如圖9所示。

圖9 FET、HMI、ATS控制界面

計劃編輯窗口用于對列車下達控制命令，此窗口包括列車車次號、目的地號、發車時間以及每個站的停車時間。每列車的控制界面包括列車位置信息、電量信息、速度信息的顯示以及自動AM模式和手動BY模式，還包括基本的前進、停止、后退、加速、減速等功能。列車信息界面如圖10所示。

圖10 列車信息界面

通過實驗室平臺驗證，證實了此方法的可行性，即列車能按照預定功能行車，能精確檢測到異物并且控制列車采取相應主動的安全措施。

3 結論

本文構建了一個將圖像采集模塊、測距模塊和信息處理模塊聯合使用的新模型。通過融入測距模塊檢測值的改進背景幀差法，對城市軌道交通隧道異物侵入進行識別與判斷，有效解決了司機人工辨識異物侵入不精確的問題，并通過應答器進行信息傳遞，克服了隧道通信距離受限的缺點，同時控制列車采取主動安全的措施。實驗證明，此異物侵入檢測方法能有效識別異物，且識別精度高，可為城市軌道交通運營的安全性和可靠性提供依據。