截至2023年底，全国铁路营业里程已达15.9万km，其中，高速铁路（简称：高铁）4.5万km。高铁线路情况复杂，需要重点关注和防护线路周界入侵情况，亟需通过视频监控实现对线路的高清监控及智能报警。中华人民共和国交通运输部在《高速铁路安全防护管理办法》^[1]中要求，铁路运输企业应当在高铁沿线桥头、隧道口、路基地段等易进入的重点区段安装、设置周界入侵报警系统。然而，部分线路由于开通时间较长，沿线摄像机多为模拟和标清摄像机，在白天和夜晚均存在效果差、图像看不清和看不全等问题。此外，大量的沿线摄像机并无智能识别功能，在运营维护（简称：运维）人员相对紧张的现状下，无法对潜在的风险及时预警和处理。

人工智能（AI，Artificial Intelligence）已逐渐成为铁路面向未来、开拓创新的重要工具和手段。本文通过引入AI视频分析技术，提出将边缘计算与视频监控相结合的监测方案，为高铁线路提供全天候、全方位、全自主的实时监视，实时掌控线路状态，及时识别入侵异常风险，保障高铁运行安全，减轻运维人员工作负荷，为高铁智能化运维提供技术支撑。

1   监测需求及可行性分析

1.1   需求分析

中国国家铁路集团有限公司（简称：国铁集团）在《高速铁路周界入侵报警系统总体技术方案（暂行）》^[2]中对该系统的构成、功能、性能、网络及通信、接口、设备运行环境等方面提出了详细要求，系统架构如图1所示。

图  1  高速铁路周界入侵报警系统构成

下载: 全尺寸图片 幻灯片

高速铁路周界入侵报警系统采用监测平台、监控中心、现场设备的三级架构。现有前端监测使用较为广泛的技术，包括振动光纤、电子围栏、对射监测等^[3]。由于我国高铁里程长，气候、地质、人文环境复杂，干扰因素众多，针对复杂多样的线路环境，现有技术在实际应用中表现出种种不足，尚不能完全满足高铁运维要求^[4-5]。

国铁集团在《中国铁路总公司关于发布设计时速200公里及以上铁路区间线路视频监控设置有关补充标准的通知》^[6]中要求，区间线路视频监控应具备与周界入侵报警系统的联动接口，以及周界入侵行为分析功能。因此，需要考虑更加先进的技术和方案，使线路周界入侵监测满足无漏报、低误报、定位准确、易实施、易维护等实际运营需求。

1.2   可行性分析

线路周界入侵监测是典型的智能应用场景，若借助AI线路监控视频分析、场景感知、实时决策等服务，可进一步提升线路周界入侵监测的智能化和实时性程度，确保行车安全。线路监控视频智能分析技术已经在实际线路场景中得到应用，例如，京津（北京—天津）城际铁路、石太（石家庄—太原）、合宁（合肥—南京）、合武（合肥—武汉）等高速铁路已在咽喉区、公跨铁立交桥等场所采用入侵监测和逗留检测等分析技术^[7]，为AI与线路周界入侵监测的深度结合提供借鉴。线路周界入侵监测95%以上的数据为视频、图片等非结构化数据，对带宽及网络传输质量有较高要求，当前是通过数据通信网为综合视频监控所划分的虚拟专用网络（VPN，Virtual Private Network）通道进行传输。为了减少铁路局集中分析对数据通信网的带宽负荷，并提升数据处理的实时性，需要考虑就近部署边缘计算对沿线摄像机所获取的数据进行分析。因此，将现有高铁综合视频监控系统成熟架构及设备与智能视频分析相结合的监测方案，可实现对线路周界的安全防护，相对于其他技术，是更为便捷可靠的方案^[8]。

2   方案设计

2.1   方案总体架构

考虑高铁线路周界入侵监测的核心需求，如实时分析与处理、远程部署与自动升级等，在网络带宽与计算资源有限的情况下，分别在云端与边缘侧进行AI算法的训练与推理，有利于构建成本与效果最优的解决方案。国铁集团在《“十四五”铁路网络安全和信息化规划》^[9]中已经提出采用统一的技术架构和标准构建云边结合的铁路行业云，分布式部署在国铁集团、铁路局集团公司，同时，根据需要在具备条件的站段建设边缘计算节点，作为铁路行业云的延伸与补充，提供低延时、快响应、高可用的应用服务。本文基于国铁集团各层级的业务职责，以云边协同体系进行分层部署，实现数据、业务、运维的上下协同，符合上述信息化建设要求。监测方案总体构架如图2所示。

图  2  监测方案总体架构

下载: 全尺寸图片 幻灯片

（1）部署轨旁摄像机，实现对线路的实时监测。为满足线路周界入侵报警的全流程监测需求，引入AI视频分析技术，将AI算法直接加载在轨旁摄像机或AI边缘智能盒，实现对线路异常的智能监测。

（2）国铁集团、铁路局集团公司、站段可对现场轨旁摄像机监测画面进行调阅。

（3）基于云边协同技术，国铁集团可根据各铁路局集团公司对线路安全保障的具体要求，将统一训练后的AI算法向边缘设备推送更新，灵活定制边缘智能能力，并快速部署，降低对现有铁路局集团公司网络改造可能带来的投入成本，减少上传流量并满足业务实时性要求。

2.2   边缘计算组成

对于实时性要求高的智能分析需求，由于云计算部署位置与终端设备（如摄像机、传感器等）较远，网络时延、网络拥塞、服务质量下降等问题易导致云上分析无法及时响应，而终端设备相对云端计算能力又存在明显不足。在此情况下，通过靠近终端设备建立边缘计算节点，实现云端计算的能力延伸，从而解决上述问题

边缘计算是一种分布式计算架构，使数据存储和处理更靠近数据获取的来源或位置，能够以网络安全、可扩展的方式实时分析大量分布式数据，并允许集成来自众多供应商、技术和协议的现场设备，可继承云计算的智能分析能力。针对具体需求，AI算法通过AI训练平台完成样本学习和模型训练后，部署在边缘计算节点，从而形成边缘智能。边缘计算组成如图3所示。

图  3  边缘计算组成

下载: 全尺寸图片 幻灯片

边缘计算平台将云端AI智能分析算法等能力下发到边缘节点，将中心云能力延伸到终端设备，使边缘节点拥有云端相同能力，能够实时处理终端设备计算需求。边缘计算平台支持以容器的形式将边缘应用快速部署到边缘节点，边缘应用打包成容器镜像上传到容器镜像服务，通过智能边缘平台将容器镜像部署到边缘节点。

边缘计算平台协同云端和边缘共同工作，在AI场景下，云端通过样本训练生成AI模型，将打包成镜像的AI模型通过边缘计算平台部署到边缘节点运行，用于推理，边缘节点的数据通过数据接入服务回传到云端，用于进一步训练，形成闭环。

云计算和边缘计算结合，在边缘节点实现对数据的过滤和分析，显著提高效率，降低云端计算成本，同时，在进行云端传输时通过边缘节点进行数据处理，缩短终端设备响应时间，减少终端设备到云端的数据流量，降低网络带宽成本。

2.3   边缘部署方式

智能摄像机重塑摄像机架构和前端智能体系，在硬件平台化、标准化的基础上，智能摄像机支持算力共享，摄像机按需定义。智能摄像机支持智能视频分析检测与报警，包括但不限于绊线监测、周界入侵监测、物品的遗留与移走，以及人员的入侵、越线、徘徊、遗留等行为的预警预测，同时，满足线路监控的高清、低照度、宽动态、安全性要求。另外，为了进一步减少误报，可在铁路局集团公司设置局级算法推理平台，对沿线智能摄像机发送的预警图像进行二次判识。智能摄像机通过深度的软硬解耦架构，结合铁路线路周界入侵监测需求，不断提升其边缘计算能力，是终端与边缘计算的统一与结合。

由于技术、成本、现有招标建设方式等因素，当前部署智能摄像机的线路相对较少，现有摄像机绝大多数都不具备边缘智能的分析能力。该现状下，摄像机主要进行线路沿线的视频采集，可通过加装AI边缘智能盒的方式实现对线路周界入侵的监测，以及算力与前端摄像机解耦。AI边缘智能盒高度集成计算机视觉、深度学习网络的AI算法，根据线路周界入侵监测业务需要，可在综合视频监控网汇聚点、I类及Ⅱ类接入节点进行设置，就近实现视频内容的智能分析，减少数据传输和处理的延迟，缓解网络带宽负荷，提供更快速的响应和决策支持。

感知是智能化的前提，传统摄像机向智能摄像机的演进已成为必然趋势。智能摄像机、传统摄像机结合边缘计算节点的部署方式，如表1所示。

表  1  边缘计算部署方式

	智能摄像机部署方式	传统摄像机部署方式
前端要求	具备支持AI功能的智能摄像机，AI算法支持周界入侵场景	可利用原有沿线摄像机，对摄像机品牌无依赖性，需要加装AI边缘智能盒
后端要求	设置铁路局集团公司算法推理平台，对前端预警图像进行二次判识	设置铁路局集团公司算法推理平台，对前端预警图像进行二次判识
功能升级	通过软件升级方式实现智能摄像机能力提升	通过软件升级方式实现AI边缘智能盒能力提升
算法训练	云端训练	云端训练
部署方式	通过加载智能分析算法在前端感知智能化、提升监测准确率的 同时实现云边协同、极简部署	不支持前端感知智能，需要额外加装AI边缘智能盒进行推理
维护工作	仅涉及智能摄像机自身维护工作，相对简单	前端摄像机与AI边缘智能盒的维护均涉及
环境适应	通过软件对摄像机的焦距、快门、光圈、曝光时间等参数智能调整， 满足现场复杂环境要求	摄像机参数无法灵活调整，需要通过手工方式实现对环境能力的调整
建设成本	智能摄像机相对传统摄像机成本稍高，对于后端算力要求降低，降低 推理算力要求	传统摄像机相对智能摄像机成本低，需要加装AI边缘智能盒，对推理 算力有较高要求
行业应用	已在实际线路中进行部署和测试	铁路局集团公司已进行研究并启动建设

下载: 导出CSV 

| 显示表格

通过表1可以看出，两种部署方式各有优势，按照当前的业务系统建设模式，摄像机的建设往往会通过综合视频监控系统先行实施，对于线路的周界入侵监测智能识别需求会是以传统摄像机+AI边缘智能盒+铁路局集团公司智能分析为主。

3   方案实施

3.1   方案处理流程

线路旁部署的智能高清摄像机从多角度、多方位进行线路区域监控，前端摄像机一旦检测到物体，即可通过数据传输网络与监控中心的报警系统联动，进行报警。边缘计算节点可对获取监控视频内容进行智能分析，加速整体分析效率，若分析、判断结果为人，则发出警报，摄像机立刻锁定，视频云平台启动智能跟踪，并以直观的图像方式进行全面综合的远程监视。

基于方案所构建的线路周界入侵事件发生后的处理流程如图4所示。由沿线摄像机进行图像抓拍，在人形识别之后感知人员越界事件，就近通知沿线的线路维护人员，调整入侵人员附近的摄像机角度，捕捉人形进入周界后的视频，并进行实时跟踪。

图  4  基于视频监控方案实现周界入侵监测处理方式

下载: 全尺寸图片 幻灯片

3.2   云边协同数据流向

由轨旁摄像机采集的轨旁视频和图像数据利用边缘计算服务器或智能摄像机自有算力，通过已有的AI算法实时完成推理，推理结果可传送至监控中心，对于训练数据则会传送至国铁集团云端数据中心进行AI训练，训练得到的优化模型会被推送至边缘服务器中供推理使用，从而完成整个云边协同的闭环迭代。云边协同数据流向如图5所示。

图  5  基于云边协同的线路周界入侵监测方案数据流向分析

下载: 全尺寸图片 幻灯片

图5中部分关键的数据流向如下：

（1）在边缘节点部署边缘计算处理软件，将边缘节点纳入管理，并绑定终端设备到边缘计算节点；

（2）针对实际业务开发应用并制作镜像，上传到容器镜像服务，使得边缘节点可以从容器镜像服务中拉取应用镜像；

（3）通过智能边缘平台将应用部署到边缘节点，运行实际业务；

（4）回传数据到云上作进一步处理，根据处理结果更新应用。

基于云端训练/边缘推理的模式实现高铁周界入侵监测云边协同的AI处理，并支持增量学习、模型发布、更新与推送，提供分析场景覆盖全面、分析结果可信度高的行为判别算法和复杂环境下目标连续跟踪算法，不断提升对人员识别、异物识别、行为分析的业务能力，从而满足高速铁路周界入侵监测需求^[10-11]。

4   方案现场应用

采用智能摄像机的铁路周界入侵报警方案已经在广深（广州—深圳）铁路试点应用。试点沿线摄像机部署方式如图6所示。

图  6  试点沿线摄像机部署方式

下载: 全尺寸图片 幻灯片

监控范围从车站至咽喉区，区间共安装不同类型的摄像机18台，摄像机监控范围全长2.8 km。每隔200 m部署一台200万像素超星光隐形红外球型筒型摄像机，具有1/1.8"逐行扫描CMOS，1080 p@60 fps高帧率能力，捕捉运动目标更加清晰，补光灯重点补光区域在100~250 m，利用交叉覆盖补盲，基本实现全覆盖、全时段监控、全时段检测；采用高效红外灯组，具备200 m红外照射距离，晚上利用低照度和红外技术，实现对100~200 m的监控，满足检测需求。

现场智能摄像机内置神经网络处理器（NPU，Neural Processing Unit），显著提升深度学习算法性能。智能摄像机支持软件定义，支持算法在线加载与升级，通过预置AI算法，实现现场AI场景自适应，实时识别场景，并支持对所获取视频图像的针对性优化；另外，现场智能摄像机支持Extra265智能编码，在实现实时性处理的同时，节省约70%存储与带宽资源。

夜间环境照度低，普通摄像机成像质量相对比白天要差。现场测试所采用的摄像机通过对自身参数的智能调整，在夜间仍然取得较为满意的测试效果，如图7所示。

图  7  智能摄像机周界入侵实测效果

下载: 全尺寸图片 幻灯片

现场所使用的周界入侵监测系统可设定区域入侵告警功能，在模拟人员入侵设定区域时，能够检测到试验人员走入设定区域，并能够立即在视频平台上产生告警弹窗提示，以及联动声音告警。预置的AI算法能在入侵者翻越防护栏初始阶段开始检测，在检测到有人入侵时，球机可智能跟踪并放大抓拍，及时自动播放驱离的警告声音，并进行追踪。

5   结束语

本文将具备边缘计算能力的综合视频监控系统应用在高速铁路周界入侵监测场景中，实现对人员入侵情况下的告警。作为保障线路安全有效的技防手段，边缘计算方案具有事前智能预警、事中联动处理、事后高清取证的功能，可以作为辅助手段协助运维人员对铁路沿线各类事件进行全方位的监测、预警、决策和调度。随着AI技术的飞速发展，特别是AI大模型的出现，将进一步提升AI技术的发展水平和速度，高速铁路周界技术防护手段也将得到更大的提升。在后续的研究中，将会加大对于多种监测方式融合方案的探索，尤其是通过开展“视频AI+大模型”技术在高铁周界入侵监测中的应用研究，为铁路运营的安全监控、预警预报与应急处理提供更加有力的技术支撑。