CN105279767A - 火车到站状态的识别方法 - Google Patents

Abstract

一种火车到站状态的识别方法，在视频图像上标定设置火车到站图像轨道区域，通过高斯背景建模进行前景提取，通过前景变化判断是否有火车进入到轨道区域，然后通过判断红外图像中轨道区域的亮度变化判断火车是否进站，通过Lucas-Kanade？光流方法计算前后两帧图像中每个角点的光流变换均值得到火车的停止或运行状态。采用多种方法复合判断火车是否进站，从而使判断结果更加准确，不易受外部环境变换的影响。

Description

火车到站状态的识别方法

技术领域

本发明涉及图像识别的技术领域，具体说是一种火车到站状态的识别方法。

背景技术

高铁站台监控的过程中，需要在图像上对火车到达状态进行识别判断，因为在火车停站上车时，高铁站台的监控区域是允许进入的，而在其他时刻监控区域则不允许进入，所以，火车是否到达以及火车运行状态的判断成为了对监控区域进行识别的基础，因而需要对火车到达、停站和离开的状态进行识别。

发明内容

本发明要解决的技术问题是提供一种火车到站状态的识别方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

本发明的火车到站状态的识别方法，包括以下步骤：

A、载入站台的红外图像；

B、在站台内轨道区域标记火车运动识别区域，在视频图像上标定设置火车到站图像轨道区域，并存储相应的参数，生成识别图像模板；

C、建立图像缓冲，图像预处理；

D、对火车到站图像轨道区域进行背景建模，采用高斯混合模型背景建模算法实时分析轨道区域，进行前景图像提取，通过前景变化判断是否有火车进站；计算火车到站图像轨道区域的像素平均亮度值；

E、对缓冲的每一帧图像提取图像中的角点作为这帧图像的关键点，使用金字塔Lucas-Kanade光流方法计算前后两帧图像中每个角点的光流；计算前后两帧图像角点光流的变化均值；

F、确定轨道区域的亮度是否大于阙值，且判断光流变化均值的变化情况；

G、输出火车的运动状态。

本发明还可以采用以下技术措施：

所述的轨道区域参数标定公式为：I(x，y)＝α*I′(x，y)+δ，I(x，y)是图像中坐标，I′(x，y)是实际站台坐标，α是变换系数，δ是经验参数。；假设轨道区域的实际空间坐标在坐标系Z′＝0的平面上，轨道区域由一组标记点连接组成，记为I′_i(x_i，y_i)，同时在相机图像坐标系Z中找到对应的标记点I_i(x_i，y_i)，并记录坐标值，经过坐标变换计算出坐标变换系数α。

所述的高斯背景建模包括以下步骤：

a、每个新像素值X_t同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内

|X_t-μ_i，t-1|≤2.5σ_i，t-1

b、如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

c、各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0，然后各模式的权重进行归一化；

w_k，t＝(1-α)*w_k，t-1+α*M_k，t

d、未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照如下公式更新：

ρ＝α*η(X_t|μ_k，σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

${\mathrm{\σ}}_t^2=(1-\mathrm{\ρ})*{\mathrm{\σ}}_{t-1}^2+\mathrm{\ρ}*{(X_t-{\mathrm{\μ}}_t)}^T(X_t-{\mathrm{\μ}}_t)$

e、如果第a步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素，标准差为初始化较大值，权重为较小值；

f、各模式根据按降序排列，权重大，标准差小的模式排列靠前；

g、选前B个模式作为背景，B满足下式，参数T表示背景所占比例，

$B=\arg \left(\min ({\mathrm{\Σ}}_{k=1}^b{w}_k>T)\right).$

本发明具有的优点和积极效果是：

本发明的火车到站状态的识别方法，通过高斯背景建模进行前景提取，通过前景变化判断是否有火车进入到轨道区域，然后通过判断红外图像中轨道区域的亮度变化判断火车是否进站，通过Lucas-Kanade光流方法计算前后两帧图像中每个角点的光流变换均值得到火车的停止或运行状态。采用多种方法复合判断火车是否进站，从而使判断结果更加准确，不易受外部环境变换的影响。

附图说明

图1是本发明的火车到站状态的识别方法的流程图。

具体实施方式

本发明的火车到站状态的识别方法，包括以下步骤：

A、载入站台的红外图像；

B、在站台内轨道区域标记火车运动识别区域，在视频图像上标定设置火车到站图像轨道区域，并存储相应的参数，生成识别图像模板；

C、建立图像缓冲，图像预处理；

D、对火车到站图像轨道区域进行背景建模，采用高斯混合模型背景建模算法实时分析轨道区域，进行前景图像提取，通过前景变化判断是否有火车进站；计算火车到站图像轨道区域的像素平均亮度值；

E、对缓冲的每一帧图像提取图像中的角点作为这帧图像的关键点，使用金字塔Lucas-Kanade光流方法计算前后两帧图像中每个角点的光流；计算前后两帧图像角点光流的变化均值；

F、确定轨道区域的亮度是否大于阙值，且判断光流变化均值的变化情况；

G、输出火车的运动状态。

由于火车进入轨道时，图像前景会有明显变化，所以在设置背景建模学习参数时，可以适当调整。同时对提取的前景图像进行判断，因为火车是图像中比较大的运动物体，所以很容易从前景中判断轨道区域是否有火车进入。同时，在红外图像中，一般火车的温度要高于轨道区域的温度，当火车进站时，红外图像中轨道区域的亮度会明显提高，因此对轨道区域平均亮度值的计算也有助于判断火车是否进站。当轨道区域的亮度大于阙值时，可得出有火车进入站台区域。

当发现轨道区域上有火车进入时，开始对火车的运动方向和运动变化进行判断。建立连续的火车运动图像缓冲，对缓冲的每一帧图像提取图像中的角点作为这帧图像的关键点，然后，使用金字塔Lucas-Kanade光流方法计算前后两帧图像中每个角点的光流。最后，计算前后多帧图像轨道区域中火车光流的变化平均值。当前后两帧光流变化的均值极小的时候，可以认定火车现在处于停止状态，而光流变化均值较大时则说明火车处于运动状态。

图像中角点提取的具体步骤和方法以及金字塔Lucas-Kanade光流算法都为现有技术中的公知技术，在本实施例中就不再进行赘述。

本发明中轨道区域参数标定公式为：I(x，y)＝α*I′(x，y)+δ，

I(x，y)是图像中坐标，I′(x，y)是实际站台坐标，α是变换系数，δ是经验参数。

假设轨道区域的实际空间坐标在坐标系Z′＝0的平面上，轨道区域由一组标记点连接组成，记为I′_i(x_i，y_i)，同时在相机图像坐标系Z中找到对应的标记点I_i(x_i，y_i)，并记录坐标值，经过坐标变换计算出坐标变换系数α。

高斯背景建模包括以下步骤：

a、每个新像素值X_t同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内

|X_t-μ_t，t-1|≤2.5σ_i，t-1

b、如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

c、各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0，然后各模式的权重进行归一化；

w_k，t＝(1-α)*w_k，t-1+α*M_k，t

d、未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照如下公式更新：

ρ＝α*η(X_t|μ_k，ρ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

${\mathrm{\σ}}_t^2=(1-\mathrm{\ρ})*{\mathrm{\σ}}_{t-1}^2+\mathrm{\ρ}*{(X_t-{\mathrm{\μ}}_t)}^T(X_t-{\mathrm{\μ}}_t)$

e、如果第a步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素，标准差为初始化较大值，权重为较小值；

f、各模式根据按降序排列，权重大，标准差小的模式排列靠前；

g、选前B个模式作为背景，B满足下式，参数T表示背景所占比例；

$B=\arg \left(\min ({\mathrm{\Σ}}_{k=1}^b{w}_k>T)\right).$

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例公开如上，然而，并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当然会利用揭示的技术内容作出些许更动或修饰，成为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。

Claims (3)

1.一种火车到站状态的识别方法，其特征在于，包括以下步骤：

A、载入站台的红外图像；

B、在站台内轨道区域标记火车运动识别区域，在视频图像上标定设置火车到站图像轨道区域，并存储相应的参数，生成识别图像模板；

C、建立图像缓冲，图像预处理；

D、对火车到站图像轨道区域进行背景建模，采用高斯混合模型背景建模算法实时分析轨道区域，进行前景图像提取，通过前景变化判断是否有火车进站；计算火车到站图像轨道区域的像素平均亮度值；

E、对缓冲的每一帧图像提取图像中的角点作为这帧图像的关键点，使用金字塔Lucas-Kanade光流方法计算前后两帧图像中每个角点的光流；计算前后两帧图像角点光流的变化均值；

F、确定轨道区域的亮度是否大于阙值，且判断光流变化均值的变化情况；

G、输出火车的运动状态。

2.根据权利要求1所述的火车到站状态的识别方法，其特征在于：上述轨道区域的参数标定公式为：I(x，y)＝α*I′(x，y)+δ，

此公式中I(x，y)是图像中坐标，I′(x，y)是实际站台坐标，α是变换系数，δ是经验参数；假设轨道区域的实际空间坐标在坐标系Z′＝0的平面上，轨道区域由一组标记点连接组成，记为I′_i(x_i，y_i)，同时在相机图像坐标系Z中找到对应的标记点I_i(x_i，y_i)，并记录坐标值，经过坐标变换计算出坐标变换系数α。

3.根据权利要求3所述的火车到站状态的识别方法，其特征在于高斯背景建模算法包括以下步骤：

a、每个新像素值X_t同当前K个模型按下式进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内

|X_t-μ_i，t-1|≤2.5σ_i，t-1

b、如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景；

c、各模式权值按如下公式更新，公式中α是学习速率，对于匹配的模式M_k，t＝1，否则M_k，t＝0，然后各模式的权重进行归一化；

w_k，t＝(1-α)*w_k，t-1+α*M_k，t

d、未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照如下公式更新：

ρ＝α*η(X_t|μ_k，σ_k)

μ_t＝(1-ρ)*μ_t-1+ρ*X_t

${\mathrm{\σ}}_t^2=(1-\mathrm{\ρ})*{\mathrm{\σ}}_{t-1}^2+\mathrm{\ρ}*{(X_t-{\mathrm{\μ}}_t)}^T(X_t-{\mathrm{\μ}}_t)$

e、如果第a步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素，标准差为初始化较大值，权重为较小值；

f、各模式根据w/α²按降序排列，权重大，标准差小的模式排列靠前；

g、选前B个模式作为背景，B满足下式，参数T表示背景所占比例，

$B=\arg \left(\min ({\mathrm{\Σ}}_{k=1}^b{w}_k>T)\right).$