[发明专利]一种车载图像铁轨曲线建模方法

说明书

本发明公开了一种车载图像铁轨曲线建模方法，所述车载图像铁轨曲线建模方法包括：S1：根据基函数和原始有理贝塞尔曲线模型，建立车载图像的铁轨曲线模型；S2：利用透视投影下的控制参数表达形式，将所述铁轨曲线模型中的参数转换为适用于计算机的参数；S3：根据所述铁轨模型中的参数和所述适用于计算机的参数，利用曲线参数拟合方法，得到关键控制参数；S4：利用所述关键控制参数对神经网络进行训练，得到训练好的神经网络；S5：根据输入车载图像，利用所述训练好的神经网络，得到输入车载图像铁轨曲线模型。本发明能够解决现有模型表达不准确、控制参数计算不精确等技术问题。

技术领域

本发明涉及轨道交通技术领域，具体涉及一种车载图像铁轨曲线建模方法。

背景技术

近年来我国轨道交通领域发展迅速，高速列车、重载机车和城轨地铁都分别取得了重大进步。随着轨道交通运营规模和强度不断增大，其运维检修的天窗期时间不断缩减，传统地轨道交通检修维护方法已不再适用当前形势。在此背景下，利用视觉等传感器对铁路场景实现智能化感知和分析决策，已成为必然的技术选择 。其中，一项重要的轨道交通智能化研究内容即是，用车载前向摄像机观测司机视角下的前方道路区域异常情况。轨道交通车辆辅助驾驶和自动驾驶的一项重要内容，是对车辆运行空间的场景内容进行感知和辨识，从而区分路轨区域、牵引供电设备设施及其他建筑和植被等次要区域。并以此为基础，辨别侵入铁路限界区域的异常人员、车辆、动物物品和行为等情况。作为一种高速度、高运力的交通形式，轨道车辆前方异物和设施状态异常对轨道交通运营安全的危害极大。并且由于轨道交通车辆的运行速度较快，惯性较大，需要及早的发现远方义务，并及时采取措施。

因为铁路场景是典型的人造结构化场景，其内容呈现近大远小的透视趋势，而提取铁轨区域是理解铁路场景内容的重要基础。例如，对于列车尤为重要的远处铁轨（通常为100米以外）在图像中成像占比极小，图像中可能同时存在大量与铁轨无关的人、车、物信息。因此用当前的目标识别方法虽然能够检测到潜在风险，但必须联合铁轨曲线来判断该风险是否成立。另一方面，车载图像中铁轨成像形式特殊，无法用通用的目标检测或图像分割算法精确表达，需要基于其形状特性和透视投影机制建立铁轨曲线的解析表达模型。总体而言，铁轨铺设在地平面上，其主体形状常为直线或圆弧形，并且在直线和转弯处之间有过度曲线。根据我国国家标准可知，铁路形状为二次圆弧形或过度曲线为三次多项式曲线。由于地平面投影到车载相机的成像平面，其变换过程可由单应矩阵描述，并且这些二阶和三阶多项式曲线经单一变化后仍然为二阶或三阶多项式曲线。

对结构化交通场景的路轨区域进行提取，是近年来的热门研究方向。其提取方法分为传统图像方法和基于深度学习的方法。早期研究主要采用传统图像方法，即通过边缘检测滤波等方式分割出车道线区域，然后结合霍夫变换、RANSAC等算法进行车道线检测。这类算法需要人工手动去调滤波算子，根据算法所针对的街道场景特点手动调节参数，工作量大且鲁棒性较差，当行车环境出现明显变化时，车道线的检测效果不佳。检测铁轨的主流方式包括：1）基于霍夫变换的车道线检测；2）基于LSD直线的车道线检测; 3）基于俯视图变换的车道线检测；4）基于拟合的车道线检测；5）基于平行透视灭点的车道线检测。传统图像方法的局限性体现在两方面，首先应用场景受限；霍夫直线检测方法准确但不能做弯道检测，拟合方法可以检测弯道但不稳定，仿射变换可以做多车道检测但在遮挡等情况下干扰严重。其次，透视变换操作会对相机有一些具体的要求，在变换前需要调正图像，而且摄像机的安装和道路本身的倾斜都会影响变换效果。随着深度学习方法兴起，基于深度学习的路轨检测方法具有较高的精度而成为主流。但当前主流研究集中在公路交通中轨道线检测方面。大抵可以分为以下四类：1）基于语义分割的方法，需要辨识路轨区域的像素，再从中拟合曲线参数。2）基于输入图像网格分类的方法，即对于每一行，模型预测最有可能的单元格包含车道标记的一部分。 由于每一行只选择一个单元格，因此对图像中的每个可能的车道重复此过程。该方法的检测速度很快，但精度不高，尤其对远方铁轨的提取精度较差。3）基于预定义锚定区域的方法，该方法需预先定义特定范围，并判别实际路轨与之差异，对S型曲线表述能力弱。