一种列车车辆定位方法及装置与流程

本发明涉及轨道车辆定位领域，尤其涉及一种列车车辆定位方法及装置。

背景技术：

传统的地铁系统中的列车车辆，其定位技术通常包括一下几类：

车轴编码器检测定位：通常在列车车辆的轮轴上安装有车轴编码器，车轴编码器检测车轮的转数计算列车的行驶距离，从而得到列车车辆的实际位置。但是，影响车轴编码器检测误差的因素包括车轮空转和车轮滑行，导致列车车辆定位结果出现较大的误差，定位误差甚至可以达到30m。

列车tcms网络通讯定位：该定位技术主要为通过列车tcms网络获取的列车车辆的速度和位置信息，实现对列车车辆的定位。但是，由于地铁系统中的列车车辆通常处于地下隧道中，网络信号需要经过多次转发而导致列车车辆定位不准，甚至出现列车tcms网络无法确定列车车辆在地下隧道内的具体位置的情况。

由以上分析可知，目前的定位技术难以实现对地下隧道中的列车车辆的准确定位。鉴于此，需要设计一种能有效提升对地铁系统中的列车车辆的定位精度的定位方法及装置。

技术实现要素：

本发明的目的在于提供一种列车车辆定位方法及装置，其能有效提升对地下隧道内中的列车车辆的定位精度。

为达此目的，本发明采用以下技术方案：

一种列车车辆定位方法，包括以下步骤：

在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照，识别列车车辆驶经的轨道扣件；

统计当前所识别的轨道扣件的数量；

基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆的行驶距离。

可选地，所述步骤：在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照，识别列车车辆驶经的轨道扣件，之前还包括：

获取多个用于深度学习的样本轨道扣件图像，形成样本集；

利用deepcnn对样本集进行深度学习，获得用于识别目标区域图像中的轨道扣件的轨道扣件识别模型；

所述识别列车车辆驶经的轨道扣件，具体为：

列车车辆的线光源照向目标区域形成一字光线；

轨道扣件识别模型根据一字光线于目标区域形成的立体形状，对所述轨道扣件进行识别。

可选地，所述步骤：在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照，识别列车车辆驶经的轨道扣件，之前还包括：

统计目标区域中的轨道扣件的数量，确认列车车辆的出发站和停靠站之间的路程；

基于路程和目标区域中的轨道扣件的数量，计算获得出发站和停靠站之间的轨道扣件平均间距；其中，目标区域为连通出发站和停靠站的条形区域。

可选地，所述目标区域包括处于第一轨道一侧的安装有轨道扣件的第一条形区域，以及处于第二轨道一侧或另一侧的安装有轨道扣件的第二条形区域，其中，第一条形区域和第二条形区域均连通出发站和停靠站；

所述步骤：基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆的行驶距离，具体为：

利用以下公式计算行驶距离：

s＝m×(n/2)；

其中，m为轨道扣件平均间距，n为统计的轨道扣件的总数量。

可选地，还包括：

列车车辆在收到到站信息后，对所统计的所述轨道扣件的数量进行清零；

列车车辆重新出发后，实时对新目标区域进行拍照，识别列车车辆驶经的轨道扣件；

统计当前所识别的轨道扣件的数量；

基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆至上一停靠站之间的行驶距离。

一种列车车辆定位装置，包括：

设置在列车车辆底部的图像采集模块，用于在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照；

图像处理模块，用于识别列车车辆驶经的轨道扣件；

图像处理模块还用于统计当前所识别的轨道扣件的数量，并基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆的行驶距离；

所述图像处理模块与所述图像采集模块电连接，所述图像处理模块和所述图像采集模块用于执行以上任一项所述的列车车辆定位方法。

可选地，还包括用于获取列车车辆位置、到站信息和出站信息的定位模块，所述定位模块与所述图像处理模块电连接。

可选地，所述图像采集模块包括沿列车行进方向并排设置的线阵相机和线光源，所述线光源用于在垂直于第一轨道或第二轨道的踏面的方向朝目标区域发出一字激光线，且所述线光源于目标区域形成的一字光线垂直于所述列车车辆的行进方向。

可选地，所述图像处理模块内存储有轨道扣件识别模型，所述轨道扣件识别模型为基于深度学习形成的用于识别轨道扣件图像的识别模型。

可选地，所述线光源为红外光源，所述红外光源所发出的红外激光的波长为808nm～950nm。

与现有技术相比，本发明具有以下有益效果：

在本发明实施例提供的列车车辆定位方法及装置，可以在列车车辆的行驶期间，通过图像识别技术检测列车车辆所经过的轨道扣件数量，并且基于检测的轨道扣件数量和轨道扣件平均间距，计算列车车辆的行驶距离，从而实现在地下隧道内实现对列车车辆的持续定位，其定位精度可以达到±2m，极大地提升了列车车辆在地下隧道中的定位精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例提供的列车车辆定位方法的流程图；

图2为本发明实施例提供的列车车辆定位装置的结构示意图；

图3为本发明实施例提供的列车车辆定位装置的侧面示意图；

图4为本发明实施例提供的目标区域的分布示意图。

图示说明：1、列车车辆；2、目标区域；21、第一条形区域；22、第二条形区域；3、轨道扣件；4、第一轨道；5、第二轨道；6、图像采集模块；61、光源；611、一字激光线；62线阵相机；7、图像处理模块。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。需要说明的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例一

请参阅图1－图4，本发明实施例提供了一种列车车辆定位方法，包括以下步骤：

s10、在列车车辆1于目标区域2行驶过程中，实时对目标区域2进行拍照，识别列车车辆1驶经的轨道扣件3；

s20、统计当前所识别的轨道扣件3的数量；

s30、基于预定的轨道扣件平均间距和所统计的轨道扣件3的数量，计算列车车辆的行驶距离。

具体地，现有技术中的轨道扣件3的间隔是确定的，一般两相邻的轨道扣件3的间隔为0.6m、0.65m、0.7m或1.0m等。在相邻两轨道扣件3的间距是基本恒定的前提下，通过统计列车车辆1经过的处于一轨道的同一侧的轨道扣件3的数量，即可计算列车车辆1的行驶距离，从而确定列车车辆1的具体位置。此外，应该知道的是，在列车车辆1行驶过程中，通过计算持续行驶时间内所检测到轨道扣件3的数量，从而可计算得知列车车辆的行驶距离，在结合地图可实现对列车车辆1的持续精准定位，列车车辆的定位精准度在±2m以内。

进一步地，在本发明的一个实施例中，在所述步骤：在列车车辆1于目标区域2行驶过程中，实时对目标区域2进行拍照，识别列车车辆1驶经的轨道扣件3，，之前还包括：

获取多个用于深度学习的样本轨道扣件图像，形成样本集；

利用deepcnn(深层卷积神经网络)对样本集进行深度学习，获得用于识别目标区域图像中的轨道扣件3的轨道扣件识别模型；

所述识别列车车辆1驶经的轨道扣件3，具体为：

列车车辆1的线光源61照向目标区域形成一字光线；

轨道扣件识别模型根据一字光线于目标区域形成的立体形状，对所述轨道扣件进行识别。

具体地，利用deepcnn对样本集进行深度学习，获得用于识别目标区域图像中的轨道扣件3图像的轨道扣件识别模型，从而提升图像处理模块7识别轨道扣件3的精准度，避免图像处理模块7漏识别轨道扣件3，确保了列车车辆1的持续定位的定位准确性。经过训练的轨道扣件识别模型，在于目标区域图像中识别轨道扣件3的同时，还累计其所识别到的轨道扣件3的数量，并通过所统计的轨道扣件3的数量计算列车车辆1的行驶距离。

具体地，线光源61发出的一字光线，在没有轨道扣件3的目标区域会形成一字形“光斑”(一字光线)，当一字形“光斑”扫过轨道扣件时，“光斑”所呈现形状将会发生改变(平面直线变为立体曲线)，轨道扣件识别模型基于该光斑的形状对轨道扣件进行识别。

进一步地，在本发明的一个实施例中，所述步骤：在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照，识别列车车辆驶经的轨道扣件，之前还包括：

统计目标区域2中的轨道扣件3数量，确认列车车辆1的出发站和停靠站之间的路程；

基于路程和目标区域2中的扣件数量，计算获得出发站和停靠站之间的平均扣件间距。其中，目标区域2为连通出发站和停靠站的条形区域。即，列车车辆1在行驶过程中，持续对位于其下方的条形区域进行图像拍照，以检测列车车辆所经过的目标区域2中的轨道扣件3，并统计所检测到的轨道扣件3的数量。

进一步地，在本发明的一个实施例中，所述目标区域2包括处于第一轨道4一侧的安装有轨道扣件3的第一条形区域21，以及处于第二轨道5一侧或另一侧的安装有轨道扣件3的第二条形区域22，其中，第一条形区域21和第二条形区域22均连通出发站和停靠站；

所述步骤：基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆的行驶距离，具体为：

利用以下公式计算行驶距离：

s＝m×(n/2)；

其中，m为平均扣件间距，n为统计的轨道扣件3的总数量，即n为图像处理模块7识别的第一条形区域中的轨道扣件的数量x和第二条形区域中的轨道扣件的数量y的总和。

应该知道的是，列车车辆的行走路线可能包括多个弯道，若只将处于第一轨道4的一侧或者第二轨道5的一侧的安装有轨道扣件3的区域设置为目标区域2，在列车车辆1经过弯道时会导致列车车辆1的定位准确度下降。因此，将第一轨道4的一侧的安装有轨道扣件3的区域设置为第一条形区域21，将第二轨道5的一侧(或另一侧)的安装有轨道扣件3的区域设置为第二条形区域22，此时目标区域2包括第一条形区域21和第二条形区域22。此时，若统计第一轨道4的左侧区域(即第一条形区域21)所检测到的轨道扣件3数为x和第二轨道5的左侧(即第二条形区域22)所检测到的轨道扣件3数为y，计算x和y的和n，然后通过公式s＝m×(n/2)计算列车车辆1的行驶距离。应该知道的是，将(x y)/2作为计算列车车辆1行驶距离所经过的轨道扣件3数值，有利于降低弯道对列车车辆定位精度的影响，提升对列车车辆1的定位精度。

进一步地，在本发明的一个实施例中，列车车辆1定位方法，还包括列车车辆1在收到到站信息后，对所统计的所述轨道扣件3的数量进行清零；

列车车辆重新出发后，实时对新目标区域进行拍照，识别列车车辆驶经的轨道扣件；

统计当前所识别的轨道扣件的数量；基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆至上一停靠站之间的行驶距离。

应该知道的是，该定位方法，用于计算列车车辆1在两相邻站点之间的位置，在列车车辆1到站后清理统计的轨道扣件3数量。列车车辆1从新的出发站出发后，重新开始统计轨道扣件3的数量，以避免列车车辆在两段不同的路程之间的定位精度误差进行叠加，降低列车车辆在地下隧道中的定位精度。

实施例二

请参阅图1－图4，本发明公开了一种列车车辆定位装置，包括：

设置在列车车辆1底部的图像采集模块6，用于在列车车辆于目标区域行驶过程中，实时对目标区域进行拍照；

图像处理模块7，用于识别列车车辆驶经的轨道扣件；

图像处理模块7还用于统计当前所识别的轨道扣件的数量，并基于预定的轨道扣件平均间距和所统计的轨道扣件的数量，计算列车车辆的行驶距离；

所述图像处理模块7与所述图像采集模块6电连接，所述图像处理模块7和所述图像采集模块6用于执行实施例一任一项所述的列车车辆定位方法。

进一步地，在本发明的一个实施例中，列车车辆定位装置还包括用于获取列车车辆位置、到站信息和出站信息的定位模块，所述定位模块与所述图像处理模块7电连接。

具体地，定位模块用于在通过列车tcms网络获取列车当前位置信息、到站信息、出站信息等。此外，到站信息和出站信息还可以和列车车辆1的车门开关相互联系起来。定位模块在确定列车车辆1到站后向图像处理模块7发送到站信号，图像处理模块7在接收到到站信号后清空所统计的轨道扣件3的数量。同理，定位模块在确定列车车辆1出站后向图像处理模块7发送到站信号，图像处理模块7在接收到到站信号后开始统计图像采集模块6所采集的目标区域图像中的轨道扣件3的数量。列车车辆1从新的站点出发后，重新开始统计轨道扣件3的数量，以避免两段不同的路程之间的定位精度误差进行叠加，降低列车车辆在地下隧道中的定位精度。

进一步地，在本发明的一个实施例中，所述图像采集模块6包括沿列车行进方向并排设置的线阵相机62和线光源61，所述线光源61用于在垂直于第一轨道4或第二轨道5的踏面的方向朝目标区域2发出一字激光线611，且所述线光源61于目标区域2形成的一字激光线611垂直于所述列车车辆1的行进方向。应该清楚的是，在列车车辆1行进过程中，一字激光线611会扫过轨道扣件3，一字激光线611向扫过轨道扣件3时所形成光斑(光亮区域)的空间形状和一字激光线611未扫过轨道扣件3时形成的光斑(光亮区域)的在空间的形状不同。图像处理模块7在经过深度学习后，识别一字激光线611在目标区域图像的不同光斑形状，并基于不同的光斑形状识别轨道扣件3。应该知道的是，本发明的线光源61，无需照亮整片区域，只需要一字激光线扫过轨道扣件3即可，能有效降低线光源61的能耗。此外，应该清楚的是，线阵相机62的成像线与线光源的横向中心(于目标区域2形成一字光线)重合。

进一步地，在本发明的一个实施例中，所述图像处理模块7内存储有轨道扣件识别模型，所述轨道扣件识别模型为基于深度学习形成的用于识别轨道扣件3图像的识别模型。

进一步地，在本发明的一个实施例中，所述线光源61为红外光源，所述红外光源发出的红外激光的波长为808nm～950nm。红外光源61的启动过程短，即接通电源后能快速达到稳定的辐射状态，此外，红外光源61具有辐射效率高，体积小、重量轻以及寿命长等优点，能有效提升识别轨道扣件3的准确性。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。