轨道弯道障碍物检测方法与流程

1.本公开的实施例一般涉及轨道交通领域，并且更具体地，涉及轨道弯道障碍物检测方法、装置、设备和计算机可读存储介质。


背景技术：

2.国内现行运营的轨道交通的障碍物监测手段通常是采用物理接触式的障碍物防护检测，在车体转向架上安装防碰撞障碍物检测装置，一旦列车和障碍物发生碰撞，将触发车头下方机械装置位移，然后触发紧急制动安全环路中的继电器动作及时停下列车。该方法的缺点是只有当碰撞发生时才会起到保护作用，列车无法提前预知线路情况实施提前防护。
3.同时，如图1所示，传统的地铁障碍物检测系统将传感器放置在列车车头前方，由于激光、无线电等无法跨越弯道的特性，将在弯道处形成巨大的检测盲区。在地铁建设标准中，正线弯道的半径为r＝300米，传统的地铁障碍物检测系统只能检测前方20米左右的距离，盲区巨大，远远无法满足地铁安全行驶的需要，容易引发地铁事故。


技术实现要素：

4.根据本公开的实施例，提供了一种轨道弯道障碍物检测方案。
5.在本公开的第一方面，提供了一种轨道弯道障碍物检测方法。该方法包括：
6.获取行车图像；所述行车图像包括轨道弯道；
7.通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；
8.基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息。
9.进一步地，所述图像障碍物检测算法包括深度学习模型和canny算法。
10.进一步地，所述深度学习模型通过如下步骤进行训练：
11.生成训练样本集合，其中，训练样本包括带有标注信息的行车图像；所述标注信息包括轨道弯道障碍物；
12.基于预设的优化算法和所述训练样本集合中的样本，对深度学习模型进行训练，以所述行车图像作为输入，以轨道弯道障碍物作为输出，当输出的轨道弯道障碍物与标注的轨道弯道障碍物的统一率满足预设阈值时，完成对深度学习模型的训练。
13.进一步地，所述生成训练样本集合包括：
14.获取样本行车图像；
15.对所述样本行车图像进行对比度增强和去噪处理，生成训练样本集合。
16.进一步地，所述预设的优化算法包括adam优化算法。
17.进一步地，所述获取弯道上方点云数据包括：
18.获取激光传感器发送的点云数据；
19.对所述点云数据进行滤波处理，并通过ransac算法去除对面，得到弯道上方点云
数据。
20.进一步地，所述基于所述点云数据对轨道弯道障碍物进行识别包括：
21.通过点云聚类算法，对轨道弯道障碍物进行识别。
22.在本公开的第二方面，提供了一种轨道弯道障碍物检测装置。该装置包括：
23.获取模块，用于获取行车图像；所述行车图像包括轨道弯道障碍物；
24.检测模块，用于通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；
25.告警模块，用于基于所述图像障碍物检测算法和点云数据对障碍物的检测结果发送告警信息。
26.在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
27.在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
28.本技术实施例提供的轨道弯道障碍物检测方法，通过获取行车图像；所述行车图像包括轨道弯道；通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息，实现了对弯道障碍物的精准识别，提高了轨道交通运行的安全性。
29.应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
30.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
31.图1示出了传统地铁障碍物检测系统地铁弯道处探测范围示意图；
32.图2示出了根据本公开的实施例的轨道弯道障碍物检测方法的流程图；
33.图3示出了根据本公开的实施例的传感器部署位置示意图；
34.图4示出了根据本公开的实施例的轨道弯道障碍物检测装置的方框图；
35.图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
36.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
37.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
momentum算法等，用于提高所述目标检测模型的检测精度；
56.在一些实施例中，通过图像障碍物检测算法对所述行车图像中的障碍物进行检测，即，通过canny算法检测行车图像中的轨道信息，通过深度学习模型检测行车图像中的障碍物信息；同时，获取激光传感器发送的点云数据，对轨道弯道障碍物进行检测；
57.其中，所述激光传感器，用于采集弯道的点云数据。
58.对所述点云数据进行滤波去噪、平面分割，然后通过ransac算法去除地面，得到弯道上方的点云数据，通过点云聚类算法，如k-means算法，进行障碍物识别，确定障碍物距离列车的距离、类别和/或大小信息等，即，对轨道弯道障碍物进行识别；
59.具体地，对行车图像进行坐标比较，若障碍物存在轨道弯道上时，则对铁轨进行纵向的像素梯度数量统计m，通过测算铁轨间隔数量n，计算出障碍物距离摄像机的距离m*n，综上，可检测出地铁弯道上障碍物的类别与距离。
60.s230，基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息。
61.在一些实施例中，根据步骤s220的识别结果，即，通过图像检测算法对行车图像中的障碍物检测结果，和通过点云算法对弯道障碍物的检测结果，向相关人员发送告警信息；所述告警信息包括障碍物类型、大小和/或距离信息等。
62.在一些实施例中，若距离小于阈值时，如接近车辆紧急制动距离，则向控制中心发送紧急制动指令，控制车辆减速、刹车。所述阈值通常略大于紧急制动距离，如制动距离为10米，则所述阈值可设置为12米等。
63.需要说明的是，若通过图像检测算法对行车图像中的障碍物检测结果，与通过点云算法对弯道障碍物的检测结果发生冲突时，以点云算法对弯道障碍物的检测结果为准。
64.根据本公开的实施例，实现了以下技术效果：
65.通过图像算法与点云算法的结合，利用激光传感器的点云算法抗干扰能力强、对大体积障碍物识别能力强、具有极高的可靠性与可解释性的特点(激光传感器的点云识别算法在任何天气下都具有较高的正确率)，结合多个布置在地铁弯道部分高清摄像机，实现了弯道障碍物的精准识别。清除了地铁弯道处障碍物识别的盲区，一方面可以弥补现有障碍物检测系统无法识别弯道地铁障碍物的问题，一方面可以用作传统电信号系统的冗余备份，为地铁运行的安全性添加可靠保障。
66.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
67.以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
68.图4示出了根据本公开的实施例的轨道弯道障碍物检测装置400的方框图。如图4所示，装置400包括：
69.获取模块410，用于获取行车图像；所述行车图像包括轨道弯道障碍物；
70.检测模块420，用于通过图像障碍物检测算法对所述行车图像中的障碍物进行检
测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；
71.告警模块430，用于基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息。
72.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
73.图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。如图所示，设备500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序指令，来执行各种适当的动作和处理。在ram503中，还可以存储设备500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
74.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
75.处理单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由cpu 501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，cpu 501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
76.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
77.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
78.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
79.此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示
出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
80.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

技术特征：
1.一种轨道弯道障碍物检测方法，其特征在于，包括：获取行车图像；所述行车图像包括轨道弯道；通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息。2.根据权利要求1所述的方法，其特征在于，所述图像障碍物检测算法包括深度学习模型和canny算法。3.根据权利要求2所述的方法，其特征在于，所述深度学习模型通过如下步骤进行训练：生成训练样本集合，其中，训练样本包括带有标注信息的行车图像；所述标注信息包括轨道弯道障碍物；基于预设的优化算法和所述训练样本集合中的样本，对深度学习模型进行训练，以所述行车图像作为输入，以轨道弯道障碍物作为输出，当输出的轨道弯道障碍物与标注的轨道弯道障碍物的统一率满足预设阈值时，完成对深度学习模型的训练。4.根据权利要求3所述的方法，其特征在于，所述生成训练样本集合包括：获取样本行车图像；对所述样本行车图像进行对比度增强和去噪处理，生成训练样本集合。5.根据权利要求4所述的方法，其特征在于，所述预设的优化算法包括adam优化算法。6.根据权利要求5所述的方法，其特征在于，所述获取弯道上方点云数据包括：获取激光传感器发送的点云数据；对所述点云数据进行滤波处理，并通过ransac算法去除对面，得到弯道上方点云数据。7.根据权利要求6所述的方法，其特征在于，所述基于所述点云数据对轨道弯道障碍物进行识别包括：通过点云聚类算法，对轨道弯道障碍物进行识别。8.一种轨道弯道障碍物检测装置，其特征在于，包括：获取模块，用于获取行车图像；所述行车图像包括轨道弯道障碍物；检测模块，用于通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；告警模块，用于基于所述图像障碍物检测算法和点云数据对障碍物的检测结果发送告警信息。9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。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，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。

技术总结
本公开的实施例提供了轨道弯道障碍物检测方法、装置、设备和计算机可读存储介质。所述方法包括获取行车图像；所述行车图像包括轨道弯道；通过图像障碍物检测算法对所述行车图像中的障碍物进行检测；同时，获取弯道上方点云数据，对轨道弯道障碍物进行检测；基于所述图像障碍物检测算法和点云数据对障碍物的检测结果，发送告警信息。以此方式，实现了弯道障碍物的精准识别，清除了地铁弯道处障碍物识别的盲区，为地铁运行的安全性添加了可靠保障。为地铁运行的安全性添加了可靠保障。为地铁运行的安全性添加了可靠保障。


技术研发人员：方志军 蔡润轩 邓林
受保护的技术使用者：北京铁科时代科技有限公司
技术研发日：2021.11.23
技术公布日：2022/3/7