CN103077526A - 具有深度检测功能的列车异常检测方法及系统 - Google Patents

Abstract

本发明提供的具有深度检测功能的列车异常检测方法及系统，其中方法包括：获取列车车号和列车当前图像；查找预设图像库中与列车车号相对应的列车参考图像，所述列车参考图像和列车当前图像均包括灰度信息和深度信息；对齐列车当前图像和列车参考图像，以及，比对两者中对应区域的灰度信息；比对列车当前图像与列车参考图像中灰度不一致区域的深度信息，将两者深度信息不一致区域确定为列车异常区域，以及输出列车异常报警信息。上述方案能够避免列车图像受到光线、灰尘、水渍等外界环境的干扰导致的异常检测不准确的问题，进而提高利用计算机通过对列车图像异常检测的准确度，最终降低报警的误报率。

Description

具有深度检测功能的列车异常检测方法及系统

技术领域

本发明涉及列车故障检测技术，尤其涉及一种具有深度检测功能的列车异常检测方法及系统。

背景技术

铁路运输以运输量大、快捷、安全性可靠性高等优点，在交通运输领域占据着较为重要的位置。

列车作为铁路运输的核心部分，在运行过程中可能会出现车体零部件异常情况。零部件异常情况的出现将危及列车的行车安全。因此，列车异常检测的全面、准确、快速对铁路的安全运行至关重要。

但是，传统的列车异常通常采用人工进行检测，这种方式存在以下缺陷：

1、列车大部分时间处于运动状态，只有列车进站后或完成运营公里数入库后才检修，这导致列车出现异常不能及时发现和检修，最终增大人工检测的难度和列车异常的漏检概率。

2、即便列车进站或入库，由于列车（包括货车、客车、动车组及其它类型列车）的结构复杂，部件众多，检修人员很难记住各个零部件的正常状态，而且零部件之间存在遮挡而存在视觉盲区，这既进一步增大列车异常的漏检概率，也进一步降低异常检测效率和准确度。

以动车为例，动车具有一站直达、停站时间短、长交路等运行特点。这些特点导致动车无法在中途进行人工异常检测。动车进站后，站台高度较高，列车隐蔽部件数量多，存在视觉盲区；动车入库后，其车轮的内外轮辋、踏面、轮缘由于钢轨和转向架结构的遮挡，同样也存在着视觉盲区。视觉盲区的存在进一步提高了列车异常漏检概率。

为了克服人工检测的缺陷，虽然现在也存在利用计算机自动异常检测方式以辅助人工检测，也达到降低工作难度和漏检概率的目的，但是，由于列车零部件数目颇多，故障类型难以预计，而且计算机自动异常检测过程中获取的列车图像容易受到光线、灰尘、水渍等外界环境的干扰，进而导致列车图像并不能准确地反映列车各个零部件的真正状态，最终影响列车异常的检测结果，导致报警误报率高。

发明内容

有鉴于此，本发明的目的在于提供具有深度检测功能的列车异常检测方法及系统，以实现对列车异常更加准确地检测，进而降低报警误报率。

为达到上述目的，本发明实施例提供一种具有深度检测功能的列车异常检测方法，包括以下步骤：

获取列车车号和列车当前图像；

查找预设图像库中与列车车号相对应的列车参考图像，所述列车参考图像和列车当前图像均包括灰度信息和深度信息；

对齐列车当前图像和列车参考图像，以及，比对两者中对应区域的灰度信息；

比对列车当前图像与列车参考图像中灰度不一致区域的深度信息，将两者深度信息不一致区域确定为列车异常区域，以及输出列车异常报警信息。

优选的，所述获取列车车号和列车当前图像为：利用线阵相机与激光器成像方式获取所述列车当前图像。

优选的，所述比对两者中对应区域的灰度信息为：判断列车当前图像的灰度信息与列车参考图像的灰度信息的差值是否大于或等于预设灰度阈值，如果是，则认为对应区域为灰度不一致区域。

优选的，按照以下方式比对深度信息判断列车当前图像的深度信息和列车参考图像的深度信息的差值是否大于或等于预设深度阈值，若是，则认为深度信息不一致。

优选的，上述方案还可以包括：根据列车当前图像与列车参考图像的深度信息差值大小将列车异常区域分级；这种情况下，所述输出列车异常报警信息为：根据列车异常区域的等级确定相对应等级的列车异常报警信息。

优选的，上述方案还可以进一步包括对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或形状标示。

优选的，上述方案还可以进一步将列车当前图像存入所述预设图像库。

本发明提供的具有深度检测功能的列车异常检测方法，在预设图像库中查找与列车车号相对应的列车参考图像，通过对齐列车当前图像和列车参考图像，比对两者中对应区域的灰度信息，以确定列车灰度信息不一致的区域，然后通过比对列车灰度信息不一致区域的深度信息，将深度信息不一致的区域确定为列车异常区域，以及输出列车异常报警信息。与现有技术相比，本发明提供的技术方案将实际的列车检测转换为图像比对实现列车异常的寻找，而且在图像比对的过程中依次进行灰度信息比对和深度信息比对，能够避免列车图像受到光线、灰尘、水渍等外界环境的干扰导致的异常检测不准确的问题，进而提高利用计算机通过对列车图像异常检测的准确度，最终降低报警的误报率。

基于上述具有深度检测功能的列车异常检测方法，本发明还提供了一种具有深度检测功能的列车异常检测系统，包括：

车号获取单元，用于获取列车车号；

当前图像获取单元，用于获取列车当前图像，所述列车当前图像包括灰度信息和深度信息；

参考图像查找单元，用于在预设图像库中查找与列车车号相对应的列车参考图像，所述列车参考图像包括灰度信息和深度信息；

图像对齐单元，用于对齐列车当前图像和列车参考图像；

第一比对单元，用于比对列车当前图像和列车参考图像的灰度信息；

第二比对单元，用于比对列车当前图像与列车参考图像中灰度不一致区域的深度信息；

异常区域确定单元，用于将灰度不一致区域中深度信息不一致的区域确定为列车异常区域，以及输出列车异常报警信息。

优选的，所述列车异常区域确定单元包括：

异常区域分级单元，用于根据列车当前图像与列车参考图像的深度信息差值大小将列车异常区域分级；

分级报警确定单元，用于根据列车异常区域的等级确定相对应等级的列车异常报警信息。

优选的，还包括分类标示单元，用于对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或形状标示。

附图说明

为了更清楚地说明本发明实施例，下面对实施例或现有技术描述中使用的附图作简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其它的实施例图示。

图1是本发明实施例一提供的具有深度检测功能的列车异常检测方法的流程示意图；

图2为本发明实施例一提供的存储灰度信息的二维矩阵示意图；

图3为本发明实施例一提供的存储灰度信息和深度信息的二维矩阵示意图；

图4是本发明实施例二提供的具有深度检测功能的列车异常检测方法的流程示意图；

图5是本发明实施例三提供的具有深度检测功能的列车异常检测方法的流程示意图；

图6是本发明实施例四提供的具有深度检测功能的列车异常检测方法的流程示意图；

图7是本发明实施例五提供的具有深度检测功能的列车异常检测系统的结构示意图；

图8是本发明实施例六提供的具有深度检测功能的列车异常检测系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

实施例一

请参考图1，图1示出了本发明实施例一提供的具有深度检测功能的列车异常检测方法的流程。图1所示流程，包括：

S101、获取列车车号。

列车车号指的是当前待检测列车各节车厢的编号，每节车厢具有唯一的编号，例如ZH2010103。列车车号存储在列车信息系统中，作为列车的存储信息与列车对号入座，方便列车运行过程中的各种针对性工作能够有指导性地进行。

S102、获取列车当前图像。

该步骤中获取的列车当前图像指的是从列车的各个角度（如底部、顶部、左侧、右侧等）拍摄到的列车全局图像。列车当前图像的深度信息指的是存储每个像素所用的位数，也用于量度图像色彩分辨率。

在获取的过程中，可以通过线阵相机与激光器成像方式获取运行中的列车当前图像；可以通过面阵相机与激光器成像方式，采用激光三角法计算得到列车运行过程中列车当前图像的深度信息。

在列车异常检测的过程中可以先获取列车车号，也可以先获取列车当前图像，当然也可以获取列车车号和列车当前图像同时进行。

S103、查找预设图像库中与列车车号相对应的列车参考图像。

所述的列车参考图像包括灰度信息和深度信息。与步骤S101中所述的列车车号一样，列车参考图像也是作为列车的信息存储在列车信息系统的预设图像库中，而且预设图像库中的列车参考图像与列车车号一一对应，在查找的过程中首先进行列车车号自动提取、分析，以列车车号为信息索引查找与所述列车车号相对应的列车参考图像。

所述的列车参考图像可以是以下图像中的任意一种：

1、固定模板图像，即列车出厂时的标准图像，存储时与列车车号相关联。

2、与拍摄所述列车当前图像时间最邻近的一张列车正常图像，所述列车正常图像是指经过对齐比对后确定列车无异常的图像。一般来说，时间越邻近，图像参考价值越大，将其与列车当前图像比对分析的结果可信度就越高。

3、当前列车在最邻近时间驶过某个探测点时被拍摄到的图像。

4、当前列车在最邻近时间驶过其它探测点时被拍摄到的图像。

5、当前列车在邻近当前时间被拍摄到的多张图像。

选择多张时间邻近的图像与列车当前图像分别比对分析，将比对结果按照不同权重融合处理，降低误检率和漏检率。

6、基于当前列车在邻近当前时间被拍摄到的多张图像经过统计数学模型后得到的图像。

所述对齐比对的具体方式在本实施例的后续部分有详细描述，具体请参考本专利的后续部分描述。

S104、对齐列车当前图像和列车参考图像。

图像“对齐”过程类似于图像配准，是解决变化检测的必要前提。图像对齐就是找出两幅图像中的公共场景部分，并确定它们之间的变换参数。这两幅图像通常是拍摄于不同时间、不同光照条件、基于不同分辨率或者不同角度和/或位置等，它们之间的变换可以是刚体变换，也可以非线性的仿射变换等。

针对列车异常检测，对于面阵图像，采用全局对齐方式，对于线阵图像，对齐主要解决纵向变形问题，主要遵从两种模式执行，一是当参考列车与当前列车车速相差不大时，直接对线阵图像利用特征点全局对齐；二是当参考列车与当前列车车速差距较大时，则对线阵图像局部对齐。下面分别介绍。

模式一：全局对齐。

全局对齐模式中的“对齐”包括以下步骤：

步骤（1）、特征点提取。

本实施例中，主要采用SIFT/SURF并结合harris等角点检测算法按不同权重进行加权方式保留特征点。

具体方式为：首先，利用SIFT算法在尺度空间进行特征检测，并确定关键点的位置和关键点所处的尺度，然后，使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。

SIFT算法可以处理两幅图像之间发生平移、旋转、尺度变化、光照变化情况下的特征匹配问题，并能在一定程度上对视角变化、仿射变换也具备较为稳定的特征匹配能力。

SURF算法是SIFT算法的加速版，通过积分图像haar求导，SURF算法在适中的条件下完成两幅图像中物体的匹配，基本实现了实时处理。

Harris角点检测算法是在Moravec算法基础上发展起来的。Moravec角点检测算法的思想是：在图像中设计一个局部检测窗口，当该窗口沿各个方向作微小移动时，考察窗口的平均能量变化，当该能量变化值超过预设的阈值时，就将窗口的中心像素点提取为角点。Harris检测算法选取高斯函数为检测窗口，对图像进行平滑滤波后再提取角点，对噪声有一定抑制作用。

步骤（2）、利用RANSAC方法剔除错误点。

步骤（2）中求得特征点的同时可获得每个特征点的尺度、方向构成特征向量，利用欧式距离方法分别找出列车当前图像的特征点在列车参考图像中对应的特征点，构成同名点对。

RANSAC算法根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据。本实施例中，首先由SIFT/SURF检测出特征点，再由RANSAC对误匹配进行剔除。

在利用特征点对齐中，模型即为从一个平面上的特征点到另外一个平面上的特征点的射影关系，反应为射影矩阵H。H是一个包含8个自由度的3×3矩阵，它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共线。

步骤（3）、计算坐标变换映射函数。

将RANSAC剔除错误点之后保留下的特征点对，此时要求至少保留四个同名点对，利用射影变换求得列车当前图像与列车参考图像之间坐标变换关系。

步骤（4）、插值运算。

将列车参考图像根据步骤（3）求得的射影变换矩阵进行坐标变换及插值处理。这里考虑到插值效果及运算效率，采用双线性插值方法。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。

模式二：局部对齐。

当参考列车车速与当前车速差距较大时，说明有可能在两次采集列车图像的时候，列车出现变速，常规的全局射影变换很难求得准确的坐标映射关系，这种情况下，可以采用局部对齐模式。

局部对齐模式的具体内容包括：利用SIFT/SURF方法求得所述列车当前图像和列车参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出列车当前图像的特征点在所述列车参考图像中对应的特征点，构成同名点对；依次利用射影变换确定各同名点对对应的坐标变换映射关系对历史图像进行插值运算。

可以看出，与全局对齐模式相比，局部对齐模式的整体思路一致，但少了步骤（2）。

具体的，可以在比较当前列车车速与参考列车车速后，根据比较结果确定采用哪种模式的对齐方式：

当列车当前速度与所述列车参考图像对应的列车速度的差值小于预设数值时，利用特征点全局配准的方式（即上述模式一）对列车当前图像和列车参考图像进行对齐，否则，以局部配准的方式（即上述模式二）对列车当前图像和列车参考图像进行对齐。

S105、比对列车当前图像和列车参考图像对应区域的灰度信息。

该步骤通过比对列车当前图像和列车参考图像对应区域的灰度信息，以确保列车当前图像中显示的列车的各个零部件是否有缺失、变形等，可以初步根据列车参考图像对列车当前图像进行检测，灰度信息的比对可以初步判断列车的零部件是否异常，但是受到光线、灰尘、水渍等外界环境的影响，列车当前图像中灰度信息与列车参考图像灰度信息不一致的区域不一定是真正出现异常的区域，影响列车异常检测的准确性。但是步骤S105可以作为列车异常确定一个大致范围，该范围可能存在列车异常。

所述灰度信息可以以二维矩阵的形式存储，如图2所示，图中矩阵中每个方框代表一个像素所在位置，每个像素的灰度信息A存储于矩阵中的像素所在位置。在比对时，将列车当前图像中的每个像素的灰度信息与列车参考图像中每个像素的灰度信息进行逐一比对。

S106、比对列车当前图像与列车参考图像中灰度不一致区域的深度信息。

该步骤对步骤S105中的灰度信息不一致区域的深度信息进行比对，确定深度信息不一致区域为列车异常区域。当发现深度信息不一致的部位存在时，则可以排除光线、灰尘、水渍等外界环境的影响，能够确定列车的零部件已经出现异常。例如零部件异位、变形、折断、丢失等都可以通过深度信息进行确定。

所述深度信息同样也可以以二维矩阵的形式存储，可以是与灰度信息共用一个二维矩阵，例如图3，矩阵中的每个像素所在位置存储有该像素的灰度信息和深度信息，这个矩阵在进行上述步骤S105时被调用，即灰度信息和深度信息被一并调用，于是，在进行本步骤时无需再单独调用。当然，存储灰度信息的二维矩阵可以与存储深度信息的二维矩阵相互独立，可以单独调用，即仅在需要对比深度信息时再调用存储深度信息的二维矩阵。

S107、输出列车异常报警信息。

根据步骤S106比对结果后，输出列车异常报警信息。其中，列车异常报警信息有很多种，可以是声音信息、图像信息或者振动信息等。

本发明实施例一提供的具有深度检测功能的列车异常检测方法，在预设图像库中查找与列车车号相对应的列车参考图像，通过对齐列车当前图像和列车参考图像，比对两者中对应区域的灰度信息，以确定列车灰度信息不一致的区域，然后通过比对列车灰度信息不一致区域的深度信息，将深度信息不一致的区域确定为列车异常区域，以及输出列车异常报警信息。与现有技术相比，本发明提供的技术方案将实际的列车检测转换为图像比对实现列车异常的寻找，而且在图像比对的过程中依次进行灰度信息比对和深度信息比对，能够避免列车图像受到光线、灰尘、水渍等外界环境的干扰导致的异常检测不准确的问题，进而提高利用计算机通过对列车图像异常检测的准确度，最终降低报警的误报率。

实施例二

请参考图4，该图示出了本发明实施例二提供的具有深度检测功能的列车异常检测方法的流程。

图4所示流程，比对列车当前图像和列车参考图像对应区域的灰度信息为：

S205、判断列车当前图像的灰度信息a与列车参考图像的灰度信息b的差值是否大于或等于预设灰度阈值，如果是，则执行步骤S206，如果否，则可以结束检测。

S206、对灰度信息的差值大于或等于预设灰度阈值的区域进行深度信息比对，如果深度信息不一致，则进行步骤S207。

实施例二在实施例一的基础之上进行改进，只有列车当前图像的灰度信息a和列车参考图像的灰度信息b的差值大于或者等于预设灰度阀值时，才对列车当前图像和列车参考图像的深度信息进行比对，否则可以结束检测。该方案是基于在实际的操作过程中，列车当前图像的获取势必会受到环境的影响，最终使得列车当前图像的灰度信息a和列车参考图像的灰度信息b实质上很难达到完全一致，两者有所区别。当然本领域技术人员可以预知，该部分的区别是由于实际环境导致，而不是真正的图像灰度不一致区域，可以不予考虑。

因此，只有列车当前图像的灰度信息a和列车参考图像的灰度信息b的差值大于或等于预设灰度阈值时，才执行后续深度信息比对操作，该技术方案能够进一步降低环境对图像灰度信息的影响，而且在检测的过程如果灰度信息差异小于预设灰度阈值，则结束检测，无需后续操作，节省检测的后续操作，提高异常检测效率。

本实施例二中的步骤S201~S204和S207分别与实施例一中的步骤S101~S104和S107一一对应，且内容基本相同，相应部分对应参考即可，此不赘述。

实施例三

请参考图5，该图示出了本发明实施例三提供的具有深度检测功能的列车异常检测方法的流程。

图5所示流程，按照以下方式比对深度信息：

S306、判断列车当前图像的深度信息c和列车参考图像的深度信息d的差值是否大于或等于预设深度阈值，若是，则执行步骤S307，否则可以结束检测。

实施例三在实施例一的基础之上进行改进，对输出列车异常报警信息的条件进行限定，只有列车当前图像深度信息c与列车参考图像的深度信息d的差值大于或等于预设深度阈值时才发送列车异常报警信息。该方案是基于在实际的操作过程中，列车当前图像的获取势必会受到环境的影响，最终使得列车当前图像的深度信息c和列车参考图像的深度信息d实际上很难达到完全一致。两者有所区别，当然本领域技术人员可以预知，该部分的区别是由于实际环境导致，并不是真正的列车异常区域，可以不予考虑。

因此，在实施例提供的技术方案中只有当列车当前图像的深度信息c和列车参考图像的深度信息d的差值大于或等于预设阀值时，才执行后续报警信息输出程序。该种方式能够进一步降低环境对异常检测的干扰，降低报警误报率。

实施例三提供的方案中，步骤S301~S305和S307分别与实施例一中的步骤S101~S105和S107一一对应，且内容基本相同，相应部分对应参考即可，此不赘述。

实施例四

请参考图6，该图示出了本发明实施例四提供的具有深度检测功能的列车异常检测方法的流程。

图6所示流程，步骤S406和步骤S409之间还包括：

S407、根据列车当前图像与列车参考图像等深度信息差值大小将列车异常区域分级。

S408、所述输出列车异常报警信息为：根据列车异常区域的等级确定列车异常报警信息的等级。

该步骤中根据列车异常区域的等级确定相应等级的列车异常报警信息，进而使的不同等级的列车异常区域一一对应与其相应等级的列车异常报警信息，最终实现列车异常的严重性进行相应严重的报警信息输出。

基于实施例四的优选方案中，可以对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或者形状标示。例如以红色来标识等级最高的异常区域，以黄色标识等级次高的异常区域。如此，操作人员能够根据标识的不同快速、直观地确定当前列车的状态。

实施例四提供的方案中，步骤S401~S406和S409分别与实施例一中的步骤S101~S107一一对应，且内容基本相同，相应部分对应参考即可，此不赘述。

实施例五

请参考图7，该图示出了本发明实施例五提供的具有深度检测功能的列车异常检测系统的结构。

图7所示结构，包括：

车号获取单元501，用于获取列车车号，列车车号指的是当前待检测的列车各节车厢的编号，每节车厢具有唯一的编号，例如ZH2010103。列车车号存储在列车信息系统中，作为列车的存储信息与列车对号入座，方便列车运行过程中的各种针对性工作指导性进行。

当前图像获取单元502，用于获取列车当前图像；列车当前图像指的是从列车的各个角度（如底部、顶部、左侧、右侧等）拍摄到的列车全局图像。在获取的过程中，可以通过线阵相机与激光器成像方式获取列车运行中的列车当前图像。列车当前图像的深度信息指的是存储每个像素所用的位数，也用于量度图像色彩分辨率，可以通过面阵相机与激光器成像方式，采用激光三角法计算得到列车运行过程中列车当前图像的深度信息。

参考图像查找单元503，用于在预设图像库中查找与列车车号相对应的列车参考图像，所述列车参考图像包括灰度信息和深度信息；列车参考图像也是作为列车的信息存储在列车信息系统的预设图像库中，而且预设图像库中的列车参考图像与列车车号一一对应，在查找的过程中首先进行列车车号自动提取、分析，以列车车号为信息索引查找与所述列车车号相对应的列车参考图像。

所述的列车参考图像可以是以下图像中的任意一种：

1、固定模板图像，即列车出厂时的标准图像，存储时与列车车号相关联。

2、与拍摄所述列车当前图像时间最邻近的一张列车正常图像，所述列车正常图像是指经过对齐比对后确定列车无异常。一般来说，时间越邻近，图像参考价值越大，将其与列车当前图像比对分析的结果可信度就越高。

3、当前列车在最邻近时间驶过某个探测点时拍摄到的图像。

4、当前列车在最邻近时间驶过其它探测点时拍摄到的图像。

5、当前列车在邻近当前时间被拍摄到的多张图像。

选择多张时间邻近的图像与列车当前图像分别比对分析，将比对结果按照不同权重融合处理，降低误检率和漏检率。

6、基于当前列车在邻近当前时间被拍摄到的多张图像经过统计数学模型后得到的图像。

图像对齐单元504，用于对齐列车当前图像和列车参考图像。

第一比对单元505，用于比对列车当前图像和列车参考图像的灰度信息。

第二比对单元506，用于比对列车当前图像与列车参考图像中灰度不一致区域的深度信息。

异常区域确定单元507，用于将灰度不一致区域中深度信息不一致的区域确定为列车异常区域，以及输出列车异常报警信息。

由于实施例五是针对实施例一提供的方法相对应的系统，所以其取得的有益效果请参考实施例一相应部分的描述即可，此不赘述。

实施例六

请参考图8，该图示出了本发明实施例六提供的具有深度检测功能的列车异常检测系统的结构。

图8所示的结构中，列车异常区域确定单元607包括：

异常区域分级单元6071，用于根据列车当前图像与列车参考图像的深度信息差值大小将列车异常区域分级；

分级报警确定单元6072，用于根据列车异常区域的等级确定相对应等级的列车异常报警信息。

实施例六提供的技术方案根据列车异常区域的等级确定相应等级的列车异常报警信息，进而使的不同等级的列车异常区域一一对应与其相应等级的列车异常报警信息，最终实现列车异常的严重性进行相应严重的报警信息的确定，然后后续输出，提高了报警的效果。

基于实施例六的基础之上，还包括分类标示单元，用于对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或形状标示。例如以红色来标识等级最高的异常区域，以黄色标识等级次高的异常区域。如此，操作人员能够根据标识的不同快速、直观地确定当前列车的状态。

实施例六中的车号获取单元601、当前图像获取单元602、参考图像查找单元603，图像对齐单元604、第一比对单元605、第二比对单元606分别与实施例五中的车号获取单元501、当前图像获取单元502、参考图像查找单元503，图像对齐单元504、第一比对单元505、第二比对单元506一一对应，且功能相同，相对应部位请参考实施例五，此不赘述。

上述各个实施例中提供的具有深度检测功能的列车异常检测方法或系统，在检测结束后，可以将列车当前图像滚动存储为相应列车车号对应的时间最近邻一张同辆车的图像，以便作为下次检测运算时该列车车号对应的列车参考图像的首选。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.具有深度检测功能的列车异常检测方法，其特征在于包括：

获取列车车号和列车当前图像；

查找预设图像库中与列车车号相对应的列车参考图像，所述列车参考图像和列车当前图像均包括灰度信息和深度信息；

对齐列车当前图像和列车参考图像，以及，比对两者中对应区域的灰度信息；

比对列车当前图像与列车参考图像中灰度不一致区域的深度信息，将两者深度信息不一致区域确定为列车异常区域，以及输出列车异常报警信息。

2.根据权利要求1所述的方法，其特征在于，所述获取列车车号和列车当前图像为：利用线阵相机与激光器成像方式获取所述列车当前图像。

3.根据权利要求1所述的方法，其特征在于，所述比对两者中对应区域的灰度信息为：

判断列车当前图像与列车参考图像对应区域的灰度信息的差值是否大于或等于预设灰度阈值，如果是，则认为对应区域为灰度不一致区域。

4.根据权利要求1、2或3所述的方法，其特征在于按照以下方式比对深度信息：

判断列车当前图像的深度信息和列车参考图像的深度信息的差值是否大于或等于预设深度阈值，若是，则认为深度信息不一致。

5.根据权利要求1所述的方法，其特征在于，还包括：

根据列车当前图像与列车参考图像的深度信息差值大小将列车异常区域分级；

所述输出列车异常报警信息为：根据列车异常区域的等级确定相对应等级的列车异常报警信息。

6.根据权利要求5所述的方法，其特征在于还包括：

对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或形状标示。

7.根据权利要求1所述的方法，其特征在于还包括：

将列车当前图像存入所述预设图像库。

8.具有深度检测功能的列车异常检测系统，其特征在于包括：

车号获取单元，用于获取列车车号；

当前图像获取单元，用于获取列车当前图像，所述列车当前图像包括灰度信息和深度信息；

参考图像查找单元，用于在预设图像库中查找与列车车号相对应的列车参考图像，所述列车参考图像也包括灰度信息和深度信息；

图像对齐单元，用于对齐列车当前图像和列车参考图像；

第一比对单元，用于比对列车当前图像和列车参考图像的灰度信息；

第二比对单元，用于比对列车当前图像与列车参考图像中灰度不一致区域的深度信息；

异常区域确定单元，用于将灰度不一致区域中深度信息不一致的区域确定为列车异常区域，以及输出列车异常报警信息。

9.根据权利要求8所述的系统，其特征在于，所述列车异常区域确定单元包括：

异常区域分级单元，用于根据列车当前图像与列车参考图像的深度信息差值大小将列车异常区域分级；

分级报警确定单元，用于根据列车异常区域的等级确定相对应等级的列车异常报警信息。

10.根据权利要求9所述的系统，其特征在于还包括：

分类标示单元，用于对不同等级的列车异常区域进行识别分类，不同等级、不同类别的列车异常区域以不同颜色或形状标示。

Images