[论文解读] Railway Track Specific Traffic Signal Selection Using Deep Learning

S Ritika, Shruti Mittal+1 more|arXiv (Cornell University)|Dec 17, 2017

Advanced Neural Network Applications参考文献 9被引用 4

一句话总结

本文提出一种基于深度学习的系统，通过安装在运行机车前部的摄像头，实时检测并追踪铁路信号，采用包含轨道检测、感兴趣区域（ROI）选择和信号检测的流水线，将每个检测到的信号准确关联到其所在的轨道。在150公里路线、共247个信号的测试中，该方法实现了94.7%的准确率，可实现对关键铁路线路资产的精确定位，支持正向列车控制（PTC）与动态限速调节。

ABSTRACT

With the railway transportation Industry moving actively towards automation, accurate location and inventory of wayside track assets like traffic signals, crossings, switches, mileposts, etc. is of extreme importance. With the new Positive Train Control (PTC) regulation coming into effect, many railway safety rules will be tied directly to location of assets like mileposts and signals. Newer speed regulations will be enforced based on location of the Train with respect to a wayside asset. Hence it is essential for the railroads to have an accurate database of the types and locations of these assets. This paper talks about a real-world use-case of detecting railway signals from a camera mounted on a moving locomotive and tracking their locations. The camera is engineered to withstand the environment factors on a moving train and provide a consistent steady image at around 30 frames per second. Using advanced image analysis and deep learning techniques, signals are detected in these camera images and a database of their locations is created. Railway signals differ a lot from road signals in terms of shapes and rules for placement with respect to track. Due to space constraint and traffic densities in urban areas signals are not placed on the same side of the track and multiple lines can run in parallel. Hence there is need to associate signal detected with the track on which the train runs. We present a method to associate the signals to the specific track they belong to using a video feed from the front facing camera mounted on the lead locomotive. A pipeline of track detection, region of interest selection, signal detection has been implemented which gives an overall accuracy of 94.7% on a route covering 150km with 247 signals.

研究动机与目标

• 解决铁路沿线信号实时精确定位与分类的迫切需求，以支持正向列车控制（PTC）法规。
• 克服因铁路信号具有独特形状、跨轨道非对称布置，以及在多条并行轨道的密集城市布局中带来的检测挑战。
• 开发一种鲁棒系统，将检测到的信号与列车所在运行的特定轨道准确关联，确保安全与限速调节所必需的定位精度。
• 利用在真实环境条件下采集的机车摄像头视频数据，构建可靠且完整的信号类型与位置数据库。
• 通过计算机视觉与深度学习技术，实现对沿线设备（如信号机、道岔、里程碑）的自动化盘点与监控。

提出的方法

• 在机车上部署前向、环境耐受的摄像头，在列车运行期间以约30帧/秒的速率持续捕获视频。
• 实施多阶段处理流水线：首先使用计算机视觉技术检测轨道边界，然后在每条轨道上定义感兴趣区域（ROIs）用于信号检测。
• 应用卷积神经网络（CNNs）进行目标检测，以识别每个ROI内的铁路信号，并将其与背景杂波区分开。
• 利用视频帧间的时空一致性，结合轨道几何结构与列车运动模型，将检测到的信号与正确轨道关联。
• 将信号检测结果与列车位置数据（如GPS或OBD数据）集成，为每个检测到的信号分配精确的地理坐标。
• 在150公里路线、共247个信号的测试数据集上训练并验证模型，使用实际运行中采集的真实图像数据。

实验结果

研究问题

• RQ1 在光照和天气条件多变的环境下，深度学习在移动机车实时视频中检测铁路信号的准确率如何？
• RQ2 当多条轨道并行运行且信号位于轨道两侧时，将检测到的信号与正确轨道关联的有效性如何？
• RQ3 在不依赖预存轨道地图或GPS辅助定位的情况下，计算机视觉流水线能否实现高精度的信号检测与轨道关联？
• RQ4 在高信号密度与复杂轨道布局的密集城市轨道交通环境中，该系统的表现如何？
• RQ5 该方法在多大程度上可支持铁路沿线资产的自动化盘点，并满足正向列车控制（PTC）法规要求？

主要发现

• 所提出的系统在150公里测试路线、共247个铁路信号的场景下，实现了94.7%的整体检测与关联准确率。
• 轨道检测与基于ROI的信号检测相结合，显著提升了定位精度，优于在全帧图像上进行通用目标检测的方法。
• 系统在复杂轨道布局中成功将信号与正确轨道关联，包括信号位于轨道两侧或相邻平行线的情况。
• 利用基于视频的时序一致性显著增强了信号跟踪效果，减少了误报，尤其在高速运动或杂乱场景中表现更优。
• 该方法在真实环境条件下表现出强鲁棒性，包括光照变化、天气变化及列车运动影响，证明了其在铁路资产管理中的实际可行性。
• 研究结果支持利用深度学习实现铁路沿线信号的自动化、大规模盘点，可直接支持PTC合规性与动态限速控制法规的实施。