蔡 鑫
（铁道警察学院，河南 郑州 450000）
0 引言
近年来在某些触及生命财产安全领域中，安全问题关注度越来越高。铁路领域的安全问题始终属于铁道部与国家重视的核心内容。尤其中国火车速度较高，安全问题十分重要。怎样保障行车安全和行人安全与铁路行业的发展存在较大关联性[1]。
伴随计算机图形与图像处理技术的高速发展，使其被大量使用于铁路沿线远程目标识别、遥感数据特征提取、图像修复以及智能系统控制等问题中[2]。在铁路沿线智能视频监控系统中，通过使用图像处理方法完成对人员与区域的行为监控，基于对人员密集范围的智能监控设计，可提升对人员异常行为的自主识别与预警性能，在铁路沿线安防监控与安检识别等任务中具有重要的应用价值[3]。
以往使用人工识别方法监测铁路沿线视频时，不能满足当前对铁路沿线人员异常行为的智能监控需求，为此，提出基于图像处理的铁路沿线视频监控算法，对铁路安全与发展具有一定现实意义[4]。
1 基于图像处理的铁路沿线视频监控算法
1.1 人员行为视觉特征采集
基于铁路沿线视频监控图像，使用计算机视觉技术利用二维与三维图像实现图像识别，实现铁路沿线人员行为的视觉特征采集[5]。铁路沿线人员行为特征采集时，由于人员存在移动性，所以使用运动目标定位方法，建立时间序列，运动目标图像函数为：
式中：U为控制点数量；j=1,2,…,k。当j的值为1 时，=0，提取各个具有最大灰度值的边缘点运动特征。依据视频监控图像里的灰度像素值，实现原始信号提取与信号预处理，高精度获取铁路沿线中目标人员的位置信息与视觉特征信息。在此基础上构建视频图像的背景，假设Gn(y,x)为第n帧(y,x)描述上的像素灰度值，背景像素的灰度值为：
式中n为铁路沿线监控视频相机的前帧序号。使用双相机视频监控方法通过三角测算方法获取铁路沿线视频监控二维图形坐标转换矩阵为：
式中：V，U为坐标；Z，H为铁路沿线人员行为视觉不同特征向量；ϖ为权值。应用铁路沿线视频监控序列中前100 帧平滑接近背景模型的实际像素，构建铁路沿线视频监控图像正常扫描和运动参数变动关系，完成铁路沿线人员行为视觉特征采集[6⁃7]。
为了完成铁路沿线人员行为监测[8]，基于上述获取的铁路沿线人员行为视觉特征，提取视频像素灰度值特征[9]。特征提取状态方程为：
式中φ(t)，y(t)分别为灰度值系数、状态方程。通过确定模型集合N=h时 刻 的 模 型ni(i=1,2,…,n),∀ni∈N的似然函数为：
式中：X为给定参数；h为后变量的概率。
本文使用视频帧图像阵列像素检测方法，实施铁路沿线人员行为特征的获取与预处理[10⁃11]。若需检测的铁路沿线人员分布于以N个接收阵元（N为偶数）均匀对称分布的圆周中，则需圆心O上设定一个阵元，平面阵元的半径设成∂，围绕圆心O构建坐标系，获取铁路沿线视频帧图像阵列[12]。将阵列间距设成E，仰角、方位角和距离依次设成θ，ξ，υ，此三者存在较大关联性，对铁路沿线人员进行分辨，获取二阶加滞后LPNTI 积分过程，计算铁路沿线视频监控图像里的灰度像素，则有：
因为铁路沿线视频监控中视频帧图像阵列分布存在对称性，所以能够证明：
基于实施铁路沿线视频图像阵列跟踪识别的初始化训练，从而能够获取铁路人员行为的视频像素灰度值特征输出为：
综上所述，将获取的铁路沿线人员行为视觉特征进行铁路人员行为的视频像素灰度值特征提取，为后续铁路沿线人员行为检测提供高精度数据基础[13]。
1.2 铁路沿线视频监控人员异常行为模糊识别
铁路沿线工作人员行为的复杂性增加了其数学描述的难度。本文算法按照模糊模式识别原理，根据最大隶属度原则与阈值原则，构建以铁路沿线视频监控人员行为的视频像素灰度值特征集合为输入的人员异常行为识别模型[14]。假定论域铁路人员行为的视频灰度像素特征中的模糊子集为：Γ（1长时间维持异常行为）、Γ2（摔倒）、Γ（3倒地挣扎）、Γ（4长时间剧烈运动），据此建立一个标准行为模型库。
设定铁路沿线视频监控中人员行为模型Γ1相应的第i个运动特征是Γji(j=1,2,3,4;i=1,2,3,4,5)。此5 种特征针对各个标准行为的贡献水平存在差异，且具有主次差异，所以针对各个标准行为模型Γj设定各个人员行为特征Γji的权重是ϖji，并符合
最大值为：
因为模糊子集Γ1，Γ2，Γ3，Γ4仅构建为论域的一个子集，同时异常行为的出现属于小概率事件，所以为了增强识别结果的可信水平，按照前阶段样本观测值与后阶段回代检验结果，设置隶属度阈值μ(0<μ<1)，并使用铁路沿线视频监控中的人员异常行为判别准则：若Γk(y)≥μ，那么判断需识别目标y相对隶属于标准模型Γk，则出现了第k种异常行为；若Γk(y)<μ，则判断铁路沿线视频监控中人员行为特征模型里不存在异常行为[15]。
2 实验分析
为了检测本文算法对铁路沿线视频监控的有效性，设计以下仿真实验。仿真实验的硬件环境为PC 机，操作系统是Windows 10，系统内存是4.1 GB，使用Matlab 2012 完成算法性能验证。
将本文算法应用于河南省郑州市某铁路干线的视频监控中，图1 是在本文算法对该铁路沿线中人员行为特征采集后的圈注示意图。
图1 本文算法对该铁路沿线中人员行为特征采集后的圈注示意图
利用查全率对图1 中本文算法采集结果进行描述，实验对照组为文献[5]提出的基于多邻域信息的监控图像超分辨率算法以及文献[6]提出的基于小波钝压的嵌入式图像处理算法，对比分析本文算法在铁路沿线视频监控中的人员行为视觉特征采集性能。这三种算法的查全率测试结果如图2 所示。
图2 三种算法的查全率测试结果
由图2 可知，本文算法的查全率高达0.99，与两种传统算法相比，本文算法的查全率最高，说明本文算法对该铁路沿线视频监控人员行为视觉特征采集的结果最全面。
为进一步验证本文算法对该铁路沿线视频监控中人员异常行为的识别性能，设定该铁路沿线视频监控中人员异常行为依次为人员进入防护栅栏内、偷挖窃取铁路设施设备。多次实验测试下，本文算法对该铁路沿线视频监控中两种异常行为人员的识别精度测试结果如图3 所示。
图3 本文算法对不同异常行为的识别精度测试结果
由图3 可知，本文算法对该铁路沿线视频监控中人员进入防护栅栏内、偷挖窃取铁路设施设备两种异常行为的识别率均大于99.0%，识别精度高，识别性能优越。
为测试本文算法的实际应用效果，记录该铁路沿线视频监控，应用本文算法前后的危险事件发生数量，实验时间为1 年，具体数据如表1 所示。
表1 本文算法的应用效果
根据表1 数据显示，该铁路沿线视频监控使用本文算法后，该铁路沿线几乎没有发生危险事件，说明本文算法可以提升该铁路沿线的安全水平，同时本文算法对该铁路沿线视频监控中的人员异常行为监控性能较好。
3 结 论
伴随我国的经济发展与科学技术进步，视频监控系统已经深入各个领域的安防作业中。铁路沿线视频监控使得管理人员可以及时监控车站与铁路沿线的安全情况。本文提出基于图像处理的铁路沿线视频监控算法，将其应用于河南省郑州市某铁路干线的视频监控中，经测试得：
1）本文算法对该铁路沿线视频监控中的人员行为特征采集时的查全率高达0.99；
2）本文算法对该铁路沿线视频监控中的人员进入防护栅栏内、偷挖窃取铁路设施设备两种异常行为的识别率均大于99.0%，识别精度较高；
3）该铁路沿线应用本文算法后，该铁路沿线基本不会发生危险事件。
