CN109754410B - 一种基于机器视觉的铁路车辆车厢计数方法 - Google Patents
一种基于机器视觉的铁路车辆车厢计数方法 Download PDFInfo
- Publication number
- CN109754410B CN109754410B CN201910003684.3A CN201910003684A CN109754410B CN 109754410 B CN109754410 B CN 109754410B CN 201910003684 A CN201910003684 A CN 201910003684A CN 109754410 B CN109754410 B CN 109754410B
- Authority
- CN
- China
- Prior art keywords
- gray
- points
- value
- observation window
- truck
- 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
Links
Images
Landscapes
- Image Processing (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种基于机器视觉的铁路车辆车厢计数方法属铁路运输安全管理领域,解决由于工作环境恶劣,电子标签存在损坏、丢失的问题。因此,部分站点在货运列车经过时通过人员计数的方法统计列车车厢数,存在人员工作强度大,计数不准的问题。本发明设计了一种基于机器视觉的铁路车辆车厢计数方法,对货车车厢数量进行精确统计,并能将货运列车的货车与机车部分区分开。本方法是通过五个步骤实现的,包括观察窗口选取、图像滤波处理、窗口特征统计、时序特征筛选、车厢数量计数。
Description
技术领域
本发明属铁路运输安全管理领域,涉及一种铁路车辆车厢计数方法,尤其涉及一种基于机器视觉的铁路车辆车厢计数方法。
背景技术
在新时代社会主义现代化建设过程中,铁路运输发挥着越来越重要的作用,由于其运输力大、成本低的特点在煤炭、货运等领域有着广泛的应用。然而,由于列车故障、人员疏忽等原因使得部分货运列车车厢遗落,溜车现象时有发生。为防止发生溜车现象对后续运输、工业生产的影响,需在每个站点统计货车车厢数量。
目前国内常采用铁路车号自动识别系统(ATIS)来进行车厢计数,该系统通过在车厢上安装电子标签(TAG),地面设置识别设备(AEI)对运行的列车及车辆信息进行识别,经计算机处理后提供列车、车辆追踪管理所需的基础信息。然而在实际使用过程中,由于工作环境恶劣,电子标签存在损坏、丢失的问题。因此,部分站点在货运列车经过时通过人员计数的方法统计列车车厢数,此方法存在人员工作强度大,计数不准的问题。
发明内容
本发明目的在于解决以上问题,及时发现溜车现象,减少铁路运输事故发生概率。
为达到以上目的,本发明设计了一种基于机器视觉的铁路车辆车厢计数方法,对货车车厢数量进行精确统计,并能将货运列车的货车与机车部分区分开。本方法是通过五个步骤实现的,包括观察窗口选取、图像滤波处理、窗口特征统计、时序特征筛选、车厢数量计数。
所述步骤一观察窗口选取为通过交互方式框选出视频中列车经过的局部位置,后续步骤均基于此观察窗口进行。特别的,为得到明显的窗口灰度特征,选取货车交接处灰度变化明显的局部区域为观察窗口。
所述步骤二图像滤波处理包括灰度化和滤波处理。将图像进行灰度处理以减少运算量,随后对灰度化图像进行滤波处理来提高统计精度。
所述步骤三窗口特征统计为求取步骤一所选观察窗口内灰度平均值,逐帧统计,得到时序灰度平均值。
所述步骤四时序特征筛选为基于时序灰度平均值筛选货运列车经过时货车车厢灰度的特征。该步骤包括以下两个部分:
(1)判断有无货车经过。首先定位出货车到达观察窗口时的位置。以30个灰度平均值为一组数据,进行标准差运算,此处的平均值数量可以取大一些,因为发当标准差大于阈值时,是在大于阈值的这一组帧的第一帧开始进行计数的,但也不宜过大,如取100则会导致标准差变化小,无法判断货车到达位置。当标准差大于5的时候为货车到达位置,此处阈值依据实际灰度变化幅度可选取3至10,只要让货车到达的时候灰度变化落在这个范围内即可。再以50个灰度平均值的标准差作为货车完全通过观察窗口时的判断条件,标准差小于2时视为货车完全通过。此处阈值可选取小于2的值,以免列车因光线等影响因素,未全部通过观察窗口就提前结束,也不能太小致使货车经过后运算未及时停止。
(2)提取车厢灰度特征点。对货车经过观察窗口时间段内的统计出的灰度平均值进行车厢灰度特征点的提取。在提取过程中分为三步:①获得灰度极大值点、②在所有极大值点中确定灰度局部峰值点、③筛选灰度局部峰值点。
①获得灰度极大值点。寻找在灰度变化过程中的灰度极大值点,由于统计得到的数据是离散点,所以寻找极大值点,即等价为寻找离散极值二阶差分小于0的点。
②在离散极大值点中确定局部峰值点。提取离散极大值点相邻的前后各8个,共16个灰度平均值作为比较区间,若离散极大值点对应的极大值比区间灰度平均值都大的则为局部峰值点。此处的比较区间可通过车速与帧率进行调整,原则为既不跳过车厢,也不会在同一节车厢经过观察窗口时重复计数。
③筛选灰度局部峰值点。依据②中局部峰值点的大小及间隔筛选。为便于理解,在货车经过的过程中,将观察窗口灰度值作为Y值,帧数作为X值,绘出灰度平均值图像。
Y方向依据局部峰值点大小,让货车经过时候的灰度局部峰值点落在此范围内,在机车与货车灰度相差较多情况下,排除掉机车代表的局部峰值点。这个范围的大小,通过5个中间的局部峰值的平均值与列车经过观察窗口时的最小灰度值作差得到。
X方向限定步长:货车车厢长度相同,但机车和货车却有一定的差别。因此与Y方向将车厢经过的中间5个灰度局部峰值的帧数间隔平均值来作为标准,将相邻两个局部灰度值间隔大于间隔平均值3/2倍或者小于2/3倍的灰度峰值点排除掉。这里的倍数关系可以根据实际情况调整,基于要排除掉机车以及其他无用的局部峰值的原则,将倍数取大一些或者小一些。
所述步骤五车厢数量计数为依据步骤四的特征筛选结果对车厢数量进行计数。
本发明方法进行了有效筛选,准确率高,具体有以下几项有益效果:
(1)有效地区分了机车和货车,实现了对铁轨运输过程中铁路车辆车厢的精确计数。
(2)根据灰度变化规律统计货车车厢数量,对不同种车厢以及不同光照条件均具有一定地适应性。
(3)通过选择观察窗口,对局部图像进行运算,给出统计开始和统计结束条件,计算量小。
(4)不需要频繁更换电子标签,维护成本低。
附图说明
图1为本发明一种基于机器视觉的铁路车辆车厢计数方法流程图;
图2为本发明一种基于机器视觉的铁路车辆车厢计数方法观察窗口示意图;
图3为本发明一种基于机器视觉的铁路车辆车厢计数方法货车到达位置示意图;
图4本发明一种基于机器视觉的铁路车辆车厢计数方法筛选车厢特征点流程图;
图5为本发明一种基于机器视觉的铁路车辆车厢计数方法Y方向筛选示意图;
图6为本发明一种基于机器视觉的铁路车辆车厢计数方法X方向筛选示意图。
具体实施方式
为便于本领域技术人员理解,下面结合附图及实例进行进一步的详细说明。其中,如说明书所述使用实例及以下实例仅为本发明一部分实施例,而不是全部的实施例。本发明的方法进行了阈值的选定后,可应用在不同种车厢以及不同光照条件下。
基于本申请说明书及实施例中所述,本领域普通技术人员在不脱离本发明本质和精神的情况下所获得的所有其他实施例,都属于本发明公开和保护的范围。
实施例:
如图1所示为本发明方法原理流程图。本方法基于列车行驶过程中灰度变化规律进行了货车数量计数,由于白天灰度变化较大,容易统计,故此处使用夜晚货车进站进行举例。具体实施步骤分为以下几点。
(1)观察窗口获取:鼠标选定观察窗口,点击两点,此两点分别为矩形观察窗口的左上角以及右下角。得到需要进行运算的观察窗口。如图2为观察窗口效果示意图
(2)图像滤波处理:对视频进行灰度转换,将每一帧图像转化灰度图,并进行滤波处理。
(3)窗口特征统计:对步骤一所选观察窗口内像素点灰度值进行求和运算,将求和值除以观察窗口内像素点数量,得到像素平均灰度值。
(4)时序特征筛选:基于时序灰度平均值定位出货车到达和通过的位置,以30个得到的像素点平均灰度为一组数据,进行标准差的计算,无车时标准差较小,设定标准差阈值为5,当标准差大于5时作为货车到达观察窗口条件。开始计数后,以50个得到的像素点平均灰度的标准差小于2作为货车经过观察窗口位置条件。如图3为货车到达位置示意图。
提取车厢灰度特征点。对货车经过观察窗口时间段内的统计出的灰度平均值进行车厢灰度特征点的提取。如图4为筛选车厢特征点流程图.
①获得灰度极大值点:寻找在灰度变化过程中的灰度极大值点。
②在所有极大值中确定灰度局部峰值点,提取离散极大值点相邻的前后各8个,共16个灰度平均值作为比较区间,若离散极大值点对应的极大值比区间灰度平均值都大的则为局部峰值点。
③对局部峰值的筛选有两个部分,首先对局部峰值进行Y方向的筛选,对列车中间部分5个车厢灰度求平均值,以该平均值与函数图像中最小值作差,此差值作为上下边界与灰度平均值的距离来确定货车经过时灰度的上下限,货车灰度应当在这个边界的上限与下限之间。如图5为Y方向筛选的边界示意图。
接着对局部峰值进行X方向的筛选,将车厢经过的中间5至10个灰度局部峰值的帧数间隔平均值来作为标准,将相邻两个局部灰度值间隔大于间隔平均值3/2倍以及小于2/3倍的灰度峰值点排除掉,进行多次筛选,直到前后两次结果相同。如图6为X方向筛选的边界示意图。机车间隔与货车帧数间隔不同作为主要其区分标准。
(5)车厢数量计数:提取出的特征点即极值点数量为货车车厢的数量。
(6)通过实验干扰测试,添加高斯噪声验证了计数效果良好。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (3)
1.一种基于机器视觉的铁路车辆车厢计数方法,其特征是通过五个步骤实现的,包括观察窗口选取、图像滤波处理、窗口特征统计、时序特征筛选、车厢数量计数;
所述步骤一观察窗口选取为通过交互方式框选出视频中列车经过的局部位置,后续步骤均基于此观察窗口进行;
所述步骤二图像滤波处理包括灰度化和滤波处理;
所述步骤三窗口特征统计为求取步骤一所选观察窗口内灰度平均值,逐帧统计,得到时序灰度平均值;
所述步骤四时序特征筛选为基于时序灰度平均值筛选货运列车经过时货车车厢灰度的特征;该步骤包括以下两个部分:
(1)判断有无货车经过;
首先定位出货车到达观察窗口时的位置;以30个以上灰度平均值为一组数据,进行标准差运算,当标准差大于5的时候为货车到达位置;
再以50个灰度平均值的标准差作为货车完全通过观察窗口时的判断条件,标准差小于2时视为货车完全通过;
(2)提取车厢灰度特征点;
对货车经过观察窗口时间段内的统计出的灰度平均值进行车厢灰度特征点的提取;在提取过程中分为三步:①获得灰度极大值点、②在所有极大值点中确定灰度局部峰值点、③筛选灰度局部峰值点;
①获得灰度极大值点;寻找在灰度变化过程中的灰度极大值点,由于统计得到的数据是离散点,所以寻找极大值点,即等价为寻找离散极值二阶差分小于0的点;
②在离散极大值点中确定局部峰值点;提取离散极大值点相邻的前后各8个,共16个灰度平均值作为比较区间,若离散极大值点对应的极大值比区间灰度平均值都大的则为局部峰值点;
③筛选灰度局部峰值点;依据②中局部峰值点的大小及间隔筛选;
在货车经过的过程中,将观察窗口灰度值作为Y值,帧数作为X值,绘出灰度平均值图像;
Y方向依据局部峰值点大小,让货车经过时候的灰度局部峰值点落在以下范围内,这个范围的大小,通过5个中间的局部峰值的平均值与列车经过观察窗口时的最小灰度值作差得到;
X方向限定步长:
与Y方向将车厢经过的中间5个灰度局部峰值的帧数间隔平均值来作为标准,将相邻两个局部灰度值间隔大于间隔平均值3/2倍或者小于2/3倍的灰度峰值点排除掉;
所述步骤五车厢数量计数为依据步骤四的特征筛选结果对车厢数量进行计数。
2.根据权利要求1所述的方法,其特征在于:
选取货车交接处的局部区域为观察窗口。
3.根据权利要求1所述的方法,其特征在于:
首先定位出货车到达观察窗口时的位置;以30个以上灰度平均值为一组数据,进行标准差运算,灰度变化幅度选取3至10,货车到达的时候灰度变化落在这个范围内即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003684.3A CN109754410B (zh) | 2019-01-03 | 2019-01-03 | 一种基于机器视觉的铁路车辆车厢计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003684.3A CN109754410B (zh) | 2019-01-03 | 2019-01-03 | 一种基于机器视觉的铁路车辆车厢计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754410A CN109754410A (zh) | 2019-05-14 |
CN109754410B true CN109754410B (zh) | 2020-12-11 |
Family
ID=66405254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910003684.3A Active CN109754410B (zh) | 2019-01-03 | 2019-01-03 | 一种基于机器视觉的铁路车辆车厢计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754410B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115562B (zh) * | 2023-10-18 | 2023-12-19 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的进站铁路货运列车车厢计数方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2891095Y (zh) * | 2005-10-03 | 2007-04-18 | 深圳市远望谷信息技术股份有限公司 | 高速列车电子标签 |
CN102323070A (zh) * | 2011-06-10 | 2012-01-18 | 北京华兴致远科技发展有限公司 | 列车异常检测方法和系统 |
CN103077387A (zh) * | 2013-02-07 | 2013-05-01 | 东莞中国科学院云计算产业技术创新与育成中心 | 视频中货运列车车厢自动检测方法 |
CN104809427A (zh) * | 2014-12-31 | 2015-07-29 | 朱金良 | 基于3d信息的故障自动识别检测系统及检测方法 |
CN205113362U (zh) * | 2015-11-09 | 2016-03-30 | 长沙开元仪器股份有限公司 | 检测铁路货车车厢数量的装置 |
CN107133922A (zh) * | 2016-02-29 | 2017-09-05 | 孙智权 | 一种基于机器视觉和图像处理的硅片计数方法 |
CN107392093A (zh) * | 2017-06-14 | 2017-11-24 | 北京遥感设备研究所 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5919988B2 (ja) * | 2012-04-13 | 2016-05-18 | 株式会社デンソー | 画像処理装置 |
CN108346159B (zh) * | 2018-01-28 | 2021-10-15 | 北京工业大学 | 一种基于跟踪-学习-检测的视觉目标跟踪方法 |
-
2019
- 2019-01-03 CN CN201910003684.3A patent/CN109754410B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2891095Y (zh) * | 2005-10-03 | 2007-04-18 | 深圳市远望谷信息技术股份有限公司 | 高速列车电子标签 |
CN102323070A (zh) * | 2011-06-10 | 2012-01-18 | 北京华兴致远科技发展有限公司 | 列车异常检测方法和系统 |
CN103077387A (zh) * | 2013-02-07 | 2013-05-01 | 东莞中国科学院云计算产业技术创新与育成中心 | 视频中货运列车车厢自动检测方法 |
CN104809427A (zh) * | 2014-12-31 | 2015-07-29 | 朱金良 | 基于3d信息的故障自动识别检测系统及检测方法 |
CN205113362U (zh) * | 2015-11-09 | 2016-03-30 | 长沙开元仪器股份有限公司 | 检测铁路货车车厢数量的装置 |
CN107133922A (zh) * | 2016-02-29 | 2017-09-05 | 孙智权 | 一种基于机器视觉和图像处理的硅片计数方法 |
CN107392093A (zh) * | 2017-06-14 | 2017-11-24 | 北京遥感设备研究所 | 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 |
Non-Patent Citations (1)
Title |
---|
基于双目视觉的客流量统计系统设计;杨志光;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615(第6期);第I138-1728页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109754410A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN115272334A (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN110047070B (zh) | 一种轨道磨损程度的识别方法及系统 | |
CN111652227A (zh) | 铁路货车底部地板破损故障检测方法 | |
CN111080607B (zh) | 一种基于图像识别的滚动轴承甩油故障检测方法 | |
CN111080650A (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
CN109754410B (zh) | 一种基于机器视觉的铁路车辆车厢计数方法 | |
CN110562292A (zh) | 一种铁路车辆轮对直径动态检测系统 | |
CN103294997A (zh) | 一种基于静态图像的列车车号识别方法 | |
CN117115562B (zh) | 一种基于深度学习的进站铁路货运列车车厢计数方法 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
CN112907532B (zh) | 基于Faster RCNN改进的货车车门脱落检测方法 | |
CN112001908B (zh) | 铁路货车枕梁孔搭载异物检测方法 | |
CN112435289B (zh) | 钢轨接头轨缝宽度的检测方法及装置 | |
CN111652228B (zh) | 铁路货车枕梁孔异物检测方法 | |
CN105095851A (zh) | 一种钢卷位置识别方法 | |
CN111091557B (zh) | 一种铁路货车承载鞍挡边折断故障检测方法及系统 | |
CN111624261A (zh) | 一种钢轨探伤超声信号数据质量检测方法 | |
Goda et al. | Rail joint gap measurement method using train frontal images captured by a handy video camcorder | |
CN104504713A (zh) | 一种动车组运行状态图像监控故障自动识别方法 | |
CN109978879B (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 | |
CN112132824B (zh) | 一种货车轴箱弹簧故障自动检测方法 | |
CN114882708A (zh) | 一种基于监控视频的车辆识别方法 | |
CN114005097A (zh) | 基于图像语义分割的列车运行环境实时检测方法及系统 |
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 |