1、公路 年月第期 基金项目：重庆市社会事业与民生保障科技创新专项重点研发项目，项目编号 收稿日期：文章编号：（）中图分类号 ：文献标识码：高速公路隧道入口“黑洞效应”监测与评估方法代东林，邹小春（招商局重庆公路工程检测中心有限公司重庆市 ）摘要：针对隧道入口“黑洞效应”现象，提出将接近段靶标视距作为监测与评估的客观依据。在入口洞内等间距布设若干圆形靶标，洞外视觉最不利位置处设置高清摄像机采集靶标区域图像，基于 神经网络算法建立以图像特征、洞外亮度和观察距离为输入量的靶标可见度计算模型。根据靶标可见度求解实时的靶标视距，并结合行业标准对停车视距的相关要求，实现“黑洞效应”在线监测及其严重程度的分级
2、评估。最后以某高速公路运营隧道为例介绍了监测与评估技术的实际应用。关键词：隧道工程；黑洞效应；隧道入口；机器视觉；监测与评估白天，当车辆驶近隧道时，由于环境亮度差异过大，驾驶员从隧道外难以看清入口内状况，便会产生“黑洞”一样的视觉效果，这种现象被称为“黑洞效应”。在此情形下，倘若隧道内靠近入口处存在缓行车辆或散落物，极易引发交通事故。众多学者围绕“黑洞效应”描述与评价开展了大量研究，将隧道内入口段照明对于障碍物感知的视觉安全性作为关键指标，实验统计入口段路面亮度、障碍物亮度、洞口环境亮度的典型取值组合及对应的主观视觉感受，建立驾驶员在不同亮度组合下视觉安全的分级描述方法。等参照 照明标准对隧道
3、内障碍物对比度取值做出限定后，建立了一种基于入口段路面亮度和洞外亮度的照明安全系数计算模型，并以照明安全系数为关键指标进行“黑洞效应”描述。等在隧道入口接近段测量不同位置处两独立方向上的照度信息，分别获得路面向上垂直照度随观察位置、行车前方水平照度随观察位置的变化曲线，由两条曲线差异度来描述“黑洞效应”的严重程度。梁波等对特长隧道出入口驾驶员生理负荷与行车安全性进行了研究，采用基于熵权法的模糊综合分析法量化不同区段的整体生理负荷大小，实现行车视觉安全评价及“黑洞效应”可能性评估。上述研究成果从障碍物感知、洞内外亮度照度变化以及行车安全性方面提出了“黑洞效应”的描述或评价模型，给基于特定目标感知
4、和行车视距需求的评价方法研究带来了一定启发。为此，本文拟分析“黑洞效应”与各种外界客观变量之间的定量关系，借助机器视觉技术和人工智能技术实时获知“黑洞效应”是否存在及其严重程度如何，实现“黑洞效应”严重程度的自动判别。监测与评估的基本原理 硬件装置为实时监测和评估“黑洞效应”现象，按图所示布设硬件装置。若干个同型号靶标沿行车方向等间距紧贴路面布设，横向位置处于车道中心线上，表面均匀涂布抗污性能良好的纯色涂料（水泥路面采用暗色涂料，沥青路面采用亮色涂料），且靶标在高清摄像机中的成像近似圆形状。高清摄像机安装在入口外距路面约 高处，用于采集隧道内全部靶标及其附近场景图像。亮度计设置在入口外一个停车
5、视距处，探头方向指向洞门中心。工业计算机配置在洞口附近的隧道管理所内，用于控制图像和亮 年第期代东林邹小春：高速公路隧道入口“黑洞效应”监测与评估方法度数据的采集与处理。图“黑洞效应”监测与评估硬件装置布设 监测与评估方法 信息采集与预处理在工业计算机控制下，高清摄像机采集原始图像，按照靶标预设位置将原始图像分割为若干个靶标子图，使各靶标子图仅包含单个靶标区域及其外围场景。在采集原始图像时，还应通过亮度计采集隧道洞外亮度实时值。特征样本库生成对于每幅靶标子图，利用图像处理算法提取多种图像特征。以各图像特征、洞外亮度、观察距离（即靶标到高清摄像机的水平距离）为输入，现场人眼主观评价获得的靶标可见
6、度为输出，组成一个特征样本。其中，洞外亮度实测值越大，越容易形成“黑洞效应”，靶标可见度就越低。观察距离值越大，靶标在人眼（或高清摄像机）中的成像就越小，靶标可见度也越低。靶标可见度是在原始图像采集时，由站立于高清摄像机附近位以上视力正常的评价人员给出。每位人员对靶标可见程度赋予之间的评价值，代表能清楚看见，代表完全看不见，计算所有人员值的平均值作为最终的靶标可见度。就同一座隧道而言，应在不同季节、不同洞外亮度、不同洞内照明条件下多次采集样本数据，从而生成大批量且具多样性的特征样本库。靶标可见度计算靶标可见度计算，需事先利用特征样本库和机器学习算法建立各图像特征、洞外亮度、观察距离与靶标可见度
7、之间的计算模型。该模型一旦建立，在“黑洞效应”监测及评估过程中便可由图像特征、洞外亮度实时值和观察距离值计算得出各靶标可见度值。靶标视距求解在每一次监测中，计算出沿行车方向各靶标的可见度依次为，为靶标数目。就同型号的靶标而言，随着与隧道入口距离增大，路面光照度降低，更不容易被人眼看见和分辨，即靶标可见度计算值将减小，故有，关系成立。对靶标可见度设定阈值 ，规定 时判定靶标可见，时判定靶标不可见，那么隧道内各靶 标 的 可 见性将 呈现如 图 所 示 的 分 布规律。图隧道内靶标可见性分布规律示意定义靶标视距为隧道入口外给定位置处能看到的隧道内最远靶标的水平距离。根据图，高清摄像机处的计算公式如
8、下：式中：是高清摄像机到入口洞门的水平距离；则是入口洞门与离入口最远的可见靶标之间的水平距离。进一步，设行车方向第一个靶标与入口洞门的距离为，靶标布设间距为，则：（）式中：是可见靶标的数目。“黑洞效应”定性及分级评估 公路工程技术标准（）明确规定，高速公路的停车视距应满足表要求。表高速公路的停车视距设计速度（）停车视距 对于高速公路隧道，“黑洞效应”给行车安全带来的不利影响等效表现为本方法中靶标视距的减小。设停车视距用表示，则可采用如下准则来定性地给出隧道入口“黑洞效应”的监测结果：当 时，不存在“黑洞效应”；当 时，存在“黑洞效应”；其中，为隧道入口外一个停车视距范围内值的最小值。在隧道入口
9、存在“黑洞效应”的情况下，可基于与 差值及表所列规则对“黑洞效应”严重程度进行分级评估。显然，评估等级值越大，代表与 差值越大，“黑洞效应”现象越严重。表“黑洞效应”分级评估规则 取值评估等级值 监测与评估的关键技术 高清摄像机安装位置确定“黑洞效应”定性及分级评估要求高清摄像机处的靶标视距 ，即高清摄像机应安装在入口外一个停车视距范围内取值最小的位置。确定该位置的具体方法是：沿行车方向从一个停车视距处向入口洞门处等间距布设若干观察点，在各观察点上由评价人员主观给出当前观察点的靶标视距值，依次记为，为观察点数目。大量现场测试表明，取值存在由大变小再变大的规律，且 普遍位于距离入口洞门 位置，不
10、同隧道 的准确位置需通过试验确定。主要图像特征提取在特征样本库生成和实际监测过程中，都需要提取靶标子图的多种图像特征，特征的选取主要考虑靶标自身亮度以及靶标与周围环境的差异性。靶标平均灰度（）平均灰度特征用于描述靶标内部区域的灰度水平，由于靶标在图像中的灰度与靶标在实际环境中的表面亮度存在明显的正相关关系，故靶标平均灰度值越大，其表面实际亮度就越高，靶标也越容易被人眼观察到。靶标平均灰度按以下公式计算：式中：表示靶标内部像素点数目；表示第个内部像素点的灰度值。靶标灰度均匀性（）因靶标采用纯色靶面，理想情况下隧道灯光照射到靶标表面的亮度是均匀一致的，对应到图像中表现为靶标灰度方差几乎为零。实际中
11、，受照射角、观察角以及轻微污染影响，靶标表面亮度均匀性会有所下降，靶标灰度方差值会变大。基于灰度方差计算，采用灰度均匀性特征来描述靶标内部各处灰度的均匀程度，其计算公式为：（）式中：是设定的一个正常数。取值越大，靶标表面亮度就越均匀及越容易被人眼识别出来。靶标内外灰度差（）隧道内靶标亮度与背景亮度之间的差异越大，靶标越容易被人眼看到。在图像中，靶标内外灰度差能够反映靶标内部与外部背景的亮度整体差异，且内外灰度差取值越大，靶标越容易被人眼看到。兼顾水泥路面靶标灰度低于背景灰度，而沥青路面靶标灰度高于背景灰度两种情况，采用以下公式计算靶标内外灰度差：式中：表示靶标外部周围像素点数目；表示第个外部周
12、围像素点的灰度值。靶标边缘强度（）靶标边缘强度用于描述靶标与背景分界位置处图像灰度变化的剧烈程度，是对实际靶标轮廓清晰度的客观定量表达。基于分界位置处各像素灰度梯度幅值的靶标边缘强度计算公式如下：式中：为靶标边缘像素数目；表示第个边缘像素的梯度幅值。计算结果越大，表示实际靶标的轮廓越清晰及越容易被人眼观察到。梯度 幅 值的 计 算 方 法 很 多，如 、和 等算子，其中 一阶微分算子最为常用，它加权像素邻近区域的梯度幅值作为该像素梯度幅值，其计算公式为：（）公路 年第期 年第期代东林邹小春：高速公路隧道入口“黑洞效应”监测与评估方法式中：、分别是垂直方向、水平方向上的梯度幅值，计算时所采用的模
13、板如图所示。图 算子的模板 基于人工神经网络的靶标可见度建模人工神经网络使用大量的简单处理单元（即神经元）处理数据，能够模拟复杂的非线性映射关系，特别适用于机理不明情况下多变量输入到单（多）变量输出的建模任务。因此，本文将采用人工神经网络对特征样本库中的样本数据进行训练，建立各图像特征、洞外亮度和观察距离到靶标可见度的客观映射模型。常用的人工神经网络包括 网络、网络和 网络等，其中 网络的应用最为成熟。网络是基于误差反向传播算法的多层前向神经网络，主要由个输入层、个或多个隐含层以及个输出层组成，每层由若干个节点构成，各节点的输出值由输入值、激发函数以及阈值决定。用于靶标可见度建模的层 网络结构
14、如图所示，输入层设计为个节点，分别对应样本中的 特征、特征、特征、特征、洞外亮度和观察距离；隐含层没有明确的物理意义，节点个数根据经验选取为输入节点数的倍左右，激发函数采用双曲函数；输出层仅包含个节点，对应于样本中的靶标可见度，由于该输出不能取负值，激发函数选取非负的 函数。图用于靶标可见度建模的三层 神经网络结构 神经网络的学习过程包括信息正向传播和误差反向传播两个过程。在正向传播阶段，输入信息从输入层经隐含层传到输出层，由特定函数运 算 得 到 输 出 值 并 与 期 望 值 比 较，若 有 误差，则误差反向传播，沿原先的连接通路返回，通过逐层修改各层节点的权值来减少误差，如此循环直到输出
15、的结果符合精度要求为止。神经网络一 旦 学 习 完 成，便 建 立 了 靶 标 可 见 度 计 算模型。在“黑洞效应”监测与评估中，利用基于 神经网络的靶标可见度计算模型求解实时靶标可见度的主要步骤如下。第一步，由输入层第个节点的输出、输入层第个节点到隐含层第个节点的权值、隐含层第个节点的阈值计算隐含层第个节点的输入 ：第二步，由隐含层激发函数（）计算隐含层第个节点的输出：（）第三步，由隐含层第个节点的输出、隐含层第个节点到输出层节点的权值、输出层节点的阈值计算输出层节点的输入 ：第四步，由输出层激发函数（）计算输出层节点的输出及靶标可见度：（）应用实例重庆某高速公路运营隧道限速 ，路面为沥青
16、路面。为监测和评估隧道入口“黑洞效应”，从入口内 处开始沿行车方向以 为间隔等间距布设个靶标，各靶标在右侧车道横向中心位置紧贴路面安装，靶标底板为圆形薄不锈钢板，板面均匀涂布白色抗污性涂料。高清摄像机安装于入口洞外道路中央分隔带内高 的立柱上，与入口之间的距离按照 节所述方法经试验确定为，采集的入口场景原始图像如图所示。洞外亮度实时值由隧道入口外一个停车视距处建设期安装的洞外亮度计采集，不需另外单独设置。图入口场景原始图像隧道管理所内“黑洞效应”专用计算机控制原始图像采集和信息处理，并在采集图像的同时从管理所内隧道监控平台软件中获取洞外亮度实测数据。对于特征样本库的生成，在不同洞外亮度条件下人工调整隧道内照明状况来模拟各种洞内外光环境，以确保样本具有代表性和多样性。每个样本的输入由按照 节方法 提 取的 、图像特征以及与之对应的洞外亮度和观察距离构成，样本的输出则由站立于高清摄像机附近的位视力正常的评价人员给出。为使该“黑洞效应”监测与评估装置能尽快投入实际使用，先采集当季样本生成初始样本库，后续应用中再陆续采集其他季节的样本数据来完善和优化特征样本库。在靶标可见度建模阶段，利用 平台
