CN107392093B - 一种基于机器学习和灰度投影算法相结合的铁轨识别系统 - Google Patents

一种基于机器学习和灰度投影算法相结合的铁轨识别系统 Download PDF

Info

Publication number
CN107392093B
CN107392093B CN201710446427.8A CN201710446427A CN107392093B CN 107392093 B CN107392093 B CN 107392093B CN 201710446427 A CN201710446427 A CN 201710446427A CN 107392093 B CN107392093 B CN 107392093B
Authority
CN
China
Prior art keywords
rail
machine learning
image
detection
projection algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710446427.8A
Other languages
English (en)
Other versions
CN107392093A (zh
Inventor
叶涛
张强
周东杰
杨俊雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Remote Sensing Equipment
Original Assignee
Beijing Institute of Remote Sensing Equipment
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Remote Sensing Equipment filed Critical Beijing Institute of Remote Sensing Equipment
Priority to CN201710446427.8A priority Critical patent/CN107392093B/zh
Publication of CN107392093A publication Critical patent/CN107392093A/zh
Application granted granted Critical
Publication of CN107392093B publication Critical patent/CN107392093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Machines For Laying And Maintaining Railways (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习和灰度投影算法相结合的铁轨识别系统，包括：探测器、处理器和铁轨检测模块。所述探测器用于采集图像视频数据；所述处理器用于启动探测器采集图像视频数据，同时作为加载铁轨检测模块内部软件的平台。所述探测器与处理器相连，处理器与铁轨检测模块相连。铁轨检测模块的功能为：通过检测铁轨相对位置判断列车是否行驶在直道。本发明能够通过铁轨检测识别的结果判断列车是否行驶于直道上，辅助列车驾驶员安全驾驶。

Description

一种基于机器学习和灰度投影算法相结合的铁轨识别系统
技术领域
本发明涉及一种铁轨识别系统，特别是一种基于机器学习和灰度投影算法相结合的铁轨识别系统。
背景技术
高铁动车组在调车模式下，现有监控记录装置仅有实时采集视频图像供人工查看的功能，无法有效监控，容易出现人工瞭望失误或未及时进行降速、制动，导致线路异常时出现车辆撞击异物或追尾等事故。
发明内容
本发明目的在于提供一种基于机器学习和灰度投影算法相结合的铁轨识别系统，解决高铁动车组在调车模式下，现有监控记录装置无法有效监控，容易出现人工瞭望失误或未及时进行降速、制动的问题。
一种基于机器学习和灰度投影算法相结合的铁轨识别系统，包括：探测器、处理器和铁轨检测模块。所述探测器用于采集图像视频数据；所述处理器用于启动探测器采集图像视频数据，同时作为加载铁轨检测模块内部软件的平台。
所述探测器与处理器相连，处理器与铁轨检测模块相连。
铁轨检测模块的功能为：通过检测铁轨相对位置判断列车是否行驶在直道。
该系统工作过程为：列车在直道运行时，左边铁轨的中心位置位于图像视场中心的左边，右边铁轨的中心位置位于图像视场中心的右边，同时，左边铁轨的斜率为钝角，右边铁轨的斜率为锐角，利用文献1：“张文增, 陈强, 都东等，直线检测的灰度投影积分方法，清华大学学报( 自然科学版)2005 年第45 卷第11 期”所述灰度投影算法，将图像像素沿图像平面的各个方向进行投影，计算像素投影值的最大的极大值，获得投影值最大的极大值的方向为检测直线所在方向，灰度投影算法同时实现对直线的检测和提取，机器学习则是通过统计学知识对原始数据进行训练，发现数据的知识规律，利用训练得到的知识规律对未知数据或情形进行预测或分类，传统机器学习算法的工作模式为训练方式和检测方式，基于上述先验知识，处理器启动探测器采集铁轨图像样本数据，然后，处理器加载铁轨检测模块内部的软件，通过机器学习训练方式完成铁轨样本图像集合的训练，采集图像后利用机器学习检测方式启动对左边铁轨的检测，首先判断是否检测到左边铁轨，当检测到左边铁轨时，进而判断有无弯道，当左边铁轨在图像平面的直线角度为锐角或左边铁轨的中心位置在图像视场右侧时，则检测结果为弯道；当检测的左边铁轨在图像平面的直线角度为钝角或者左边铁轨中心在图像视场左侧，则左边铁轨被识别，则在相邻区域利用灰度投影算法检测提取右边铁轨，同时表明列车行驶在直道。当没有识别到左边铁轨时，则利用机器学习检测方式启动对右边铁轨的检测，首先判断是否检测到右边铁轨，当检测到右边铁轨时，进而判断有无弯道，当右边铁轨在图像平面的直线角度为钝角或者右边铁轨中心位置在图像视场左侧时，则检测结果为弯道；当右边铁轨在图像平面的直线角度为锐角或右边铁轨的中心位置在图像视场右侧，则右边铁轨被识别，则在相邻区域利用灰度投影算法检测提取左边铁轨，同时表明列车行驶在直道。至此，实现了基于机器学习和灰度投影算法相结合的铁轨识别方法。
本发明能够通过铁轨检测识别的结果判断列车是否行驶于直道上，辅助列车驾驶员安全驾驶。
附图说明
图1一种基于机器学习和灰度投影算法相结合的铁轨识别系统结构示意图；
图2 一种基于机器学习和灰度投影算法相结合的铁轨识别方法流程示意图；
图3 夜间铁轨检测结果示例；
图4 白天铁轨检测结果示例；
图5 列车库内铁轨检测结果示例。
具体实施方式
一种基于机器学习和灰度投影算法相结合的铁轨识别系统，包括：探测器、处理器和铁轨检测模块。所述探测器用于采集图像视频数据；所述处理器用于启动探测器采集图像视频数据，同时作为加载铁轨检测模块内部软件的平台。
所述探测器与处理器相连，处理器与铁轨检测模块相连。
铁轨检测模块的功能为：通过检测铁轨相对位置判断列车是否行驶在直道。
本发明分别对全天候情况下采集的铁轨图像进行识别。
实施例1
实施例1为夜间铁轨检测结果示例，首先启动机器学习检测方法检测左边铁轨，检测结果显示左边铁轨与图像平面的直线成锐角，表明左边铁轨被识别，然后，在相邻区域利用灰度投影算法检测右边铁轨，最终实现左右两边铁轨的检测识别，检测结果表明列车在直道行驶；
实施例2
实施例2为白天铁轨检测结果示例，首先，启动机器学习检测方法检测左边铁轨，机器学习检测算法未检测到左边铁轨，然后，启动机器学习检测方法对右边铁轨进行检测，检测结果显示右边铁轨与图像平面的直线成锐角，表明右边铁轨被识别，最后，在相邻区域利用灰度投影算法检测提取左边铁轨，最终完成左右两边铁轨的检测识别，检测结果表明列车在直道行驶；
实施例3
实施例3为列车库内铁轨检测结果示例，首先启动机器学习检测方法检测左边铁轨，检测结果显示左边铁轨与图像平面的直线成锐角，表明左边铁轨被识别，然后在相邻区域利用灰度投影算法检测右边铁轨，最终实现左右两边铁轨的检测识别，检测结果表明列车在直道行驶。
以上就是本发明一种基于机器学习和灰度投影算法相结合的铁轨识别方法的技术内容和方案。需要注意的是，以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换或改进等，均包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器学习和灰度投影算法相结合的铁轨识别系统，包括：探测器、处理器和铁轨检测模块；所述探测器用于采集图像视频数据；所述处理器用于启动探测器采集图像视频数据，同时作为加载铁轨检测模块内部软件的平台；
所述探测器与处理器相连，处理器与铁轨检测模块相连；
铁轨检测模块的功能为：通过检测铁轨相对位置判断列车是否行驶在直道；
该系统工作过程为：列车在直道运行时，左边铁轨的中心位置位于图像视场中心的左边，右边铁轨的中心位置位于图像视场中心的右边，同时，按照逆时针方向，左边铁轨与图像水平方向的夹角为钝角，右边铁轨与图像水平方向的夹角为锐角，利用灰度投影算法，将图像像素沿图像平面的各个方向进行投影，计算像素投影值的最大的极大值，获得投影值最大的极大值的方向为检测直线所在方向，灰度投影算法同时实现对直线的检测和提取；所述处理器启动探测器采集铁轨图像样本数据，然后，处理器加载铁轨检测模块内部的软件，通过机器学习训练方式完成铁轨样本图像集合的训练，采集图像后利用机器学习检测方式分别启动对左边铁轨和右边铁轨的检测，检测铁轨并判断本列车行使在弯道还是行驶在直道， 至此，实现了基于机器学习和灰度投影算法相结合的铁轨识别。
2.如权利要求1所述的基于机器学习和灰度投影算法相结合的铁轨识别系统，其特征在于：当探测器采集图像后，利用机器学习检测方式启动对左边铁轨的检测，首先判断是否检测到左边铁轨，当检测到左边铁轨时，进而判断有无弯道，当左边铁轨在图像平面的直线角度为锐角或左边铁轨的中心位置在图像视场右侧时，则检测结果为弯道；当检测的左边铁轨在图像平面的直线角度为钝角或者左边铁轨中心在图像视场左侧，则左边铁轨被识别，则在相邻区域利用灰度投影算法检测提取右边铁轨，同时表明列车行驶在直道；当没有识别到左边铁轨时，
则利用机器学习检测方式启动对右边铁轨的检测，首先判断是否检测到右边铁轨，当检测到右边铁轨时，进而判断有无弯道，当右边铁轨在图像平面的直线角度为钝角或者右边铁轨中心位置在图像视场左侧时，则检测结果为弯道；当右边铁轨在图像平面的直线角度为锐角或右边铁轨的中心位置在图像视场右侧，则右边铁轨被识别，则在相邻区域利用灰度投影算法检测提取左边铁轨，同时表明列车行驶在直道；至此，实现了基于机器学习和灰度投影算法相结合的铁轨识别。
3.如权利要求1所述的基于机器学习和灰度投影算法相结合的铁轨识别系统，其特征在于：所述机器学习是通过统计学知识对原始数据进行训练，发现数据的知识规律，利用训练得到的知识规律对未知数据或情形进行预测或分类，机器学习算法的工作模式为训练方式和检测方式。
4.如权利要求1所述的基于机器学习和灰度投影算法相结合的铁轨识别系统，其特征在于：所述机器学习算法为支持向量机算法。
5.一种基于机器学习和灰度投影算法相结合的铁轨识别方法，其特征在于具体步骤为：探测器采集铁轨图像样本数据，通过机器学习训练方法完成铁轨样本图像集合的训练，然后利用机器学习检测方式启动对左边铁轨的检测，首先判断是否检测到左边铁轨，当检测到左边铁轨时，进而判断有无弯道，当左边铁轨在图像平面的直线角度为锐角或左边铁轨的中心位置在图像视场右侧时，则检测结果为弯道；当检测的左边铁轨在图像平面的直线角度为钝角或者左边铁轨中心在图像视场左侧，则左边铁轨被识别，则在相邻区域利用灰度投影算法检测提取右边铁轨，同时表明列车行驶在直道；当没有识别到左边铁轨时，则利用机器学习检测方式启动对右边铁轨的检测，首先判断是否检测到右边铁轨，当检测到右边铁轨时，进而判断有无弯道，当右边铁轨在图像平面的直线角度为钝角或者右边铁轨中心位置在图像视场左侧时，则检测结果为弯道；当右边铁轨在图像平面的直线角度为锐角或右边铁轨的中心位置在图像视场右侧，则右边铁轨被识别，则在相邻区域利用灰度投影算法检测提取左边铁轨，同时表明列车行驶在直道；至此，实现了基于机器学习和灰度投影算法相结合的铁轨识别。
CN201710446427.8A 2017-06-14 2017-06-14 一种基于机器学习和灰度投影算法相结合的铁轨识别系统 Active CN107392093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710446427.8A CN107392093B (zh) 2017-06-14 2017-06-14 一种基于机器学习和灰度投影算法相结合的铁轨识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710446427.8A CN107392093B (zh) 2017-06-14 2017-06-14 一种基于机器学习和灰度投影算法相结合的铁轨识别系统

Publications (2)

Publication Number Publication Date
CN107392093A CN107392093A (zh) 2017-11-24
CN107392093B true CN107392093B (zh) 2019-01-01

Family

ID=60332912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710446427.8A Active CN107392093B (zh) 2017-06-14 2017-06-14 一种基于机器学习和灰度投影算法相结合的铁轨识别系统

Country Status (1)

Country Link
CN (1) CN107392093B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754410B (zh) * 2019-01-03 2020-12-11 北京化工大学 一种基于机器视觉的铁路车辆车厢计数方法
CN112406960B (zh) * 2020-11-08 2022-11-25 青岛融创信为技术有限公司 一种地铁用多传感器融合的主动防撞系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100999220A (zh) * 2006-12-18 2007-07-18 杭州电子科技大学 车辆轮对直径在线检测方法及装置
EP1939040A2 (en) * 2006-12-20 2008-07-02 Aisin AW Co., Ltd. Driving support method and driving support apparatus
CN103913464A (zh) * 2014-03-20 2014-07-09 湖南大学 一种基于机器视觉检测的高速铁路轨道表面缺陷匹配方法
CN105184317A (zh) * 2015-08-29 2015-12-23 电子科技大学 一种基于svm分类的车牌字符分割方法
CN106355152A (zh) * 2016-08-30 2017-01-25 上海卓易科技股份有限公司 识别当前道路车辆的方法、系统及行车记录仪

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5906788B2 (ja) * 2012-02-17 2016-04-20 オムロン株式会社 文字切り出し方法、およびこの方法を用いた文字認識装置およびプログラム
CN103870803A (zh) * 2013-10-21 2014-06-18 北京邮电大学 一种基于粗定位与精定位融合的车牌识别方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100999220A (zh) * 2006-12-18 2007-07-18 杭州电子科技大学 车辆轮对直径在线检测方法及装置
EP1939040A2 (en) * 2006-12-20 2008-07-02 Aisin AW Co., Ltd. Driving support method and driving support apparatus
CN103913464A (zh) * 2014-03-20 2014-07-09 湖南大学 一种基于机器视觉检测的高速铁路轨道表面缺陷匹配方法
CN105184317A (zh) * 2015-08-29 2015-12-23 电子科技大学 一种基于svm分类的车牌字符分割方法
CN106355152A (zh) * 2016-08-30 2017-01-25 上海卓易科技股份有限公司 识别当前道路车辆的方法、系统及行车记录仪

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于灰度投影的跑道线提取方法;孙煜杰 等;《兵工自动化》;20151130;第9-13页

Also Published As

Publication number Publication date
CN107392093A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN105702048B (zh) 基于行车记录仪的高速公路前车违法占道识别系统及方法
US20170330455A1 (en) Driving determination device and detection device
CN102765365A (zh) 基于机器视觉的行人检测方法及行人防撞预警系统
CN101984478B (zh) 基于双目视觉车道线检测的非正常s型驾驶预警方法
CN103918006B (zh) 用于检测车辆风挡上的雨滴的方法和摄像头组件
CN105528914A (zh) 驾驶者支援装置以及驾驶者支援方法
WO2017113805A1 (zh) 列车车号和车型识别方法和系统及安全检查方法和系统
JP2013232091A (ja) 接近物体検知装置、接近物体検知方法及び接近物体検知用コンピュータプログラム
JP2018022220A (ja) 挙動データ解析システム及び挙動データ解析装置及び挙動データ解析方法
US9928424B2 (en) Side window detection through use of spatial probability maps
CN103034861B (zh) 一种货车闸瓦故障的识别方法及装置
CN102768726A (zh) 一种预防行人碰撞的行人检测方法
CN102555982A (zh) 基于机器视觉的安全带佩带识别方法及装置
CN105260700A (zh) 使用镜像图像及实际图像的基于视觉的潮湿道路表面检测
CN103927548A (zh) 一种新的避免车辆碰撞的刹车行为检测方法
CN109858331A (zh) 自动驾驶清洁车垃圾识别清理方法
CN113298059A (zh) 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质
JP4674179B2 (ja) 影認識方法及び影境界抽出方法
CN105787438A (zh) 一种基于视频的机车司机值乘状态检测方法及系统
CN107392093B (zh) 一种基于机器学习和灰度投影算法相结合的铁轨识别系统
JP2017163374A (ja) 交通状況解析装置、交通状況解析方法、及び、交通状況解析プログラム
CN107221156A (zh) 一种实时监测酒后驾驶的方法和系统
Premachandra et al. Image based automatic road surface crack detection for achieving smooth driving on deformed roads
JP6602595B2 (ja) 車種判別装置、及び車種判別方法
CN104867332B (zh) 基于隔帧差法的前方车道线内行驶车辆的检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant