CN110276255A - 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 - Google Patents

Abstract

本发明公开了基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，通过利用高清摄像机获取目标物体的实时视频图像，观测其最终的状态以及位置，判断该目标物体是否为异物；并基于高斯混合模型以及BP神经网络对异物进行识别与分类，得到不同异物的类型并对列车发出警示信息。本发明能够实现对入侵异物的分类，对于异物的识别更加地精确，并且能及时的进行预警，很大程度上提高了异物识别的准确性，并且为后续针对异物清除提供了更加详细的信息。

Description

基于GMM模型与BP神经网络的高速铁路异物识别与分类方法

技术领域

本发明涉及一种基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，属于高速铁路安全技术领域。

背景技术

近年来，我国高速铁路迅猛发展，“四纵四横”高铁已基本建成，路网规模也在不断的扩大，结构日趋完善，并且在有线提速方面取得了重大的成就。但是随着列车速度不断的提高，对铁路线路以及列车的安全性以及可靠性要求也在不断地提高，为保证列车的安全运行，不仅要考虑列车自身的安全性与可靠性，还应考虑列车运行所处的铁路环境的安全性，比如铁路环境中可能出现的动物，树枝，甚至是一些垃圾袋以及人为造成的障碍物，都将可能影响列车的安全运行。因此，目前关于铁路异物识别问题逐渐成为热点问题。

关于铁路异物的识别与检测，传统的方法已经不能满足目前对列车运行安全性以及时效性的需求了，不仅效率低而且也是对人力物力的浪费，因此，有越来越多的学者对铁路异物的识别与检测进行了研究，但是不论是基于视频监控的方法，还是为提高准确率，加入红外线、激光、雷达探测等技术进行多种方法结合使用的铁路异物检测，大多都是对铁路线路上的异物进行监测，并没有对检测的异物进行分类。

发明内容

为了解决上述存在的问题，本发明公开了一种基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，对移动的目标物体进行检测，判断其是否为异物，并且对异物进行识别分类，提高对目标物体检测的准确率，以及提供更加详细的异物信息，增加铁路线路的安全性。其具体技术方案如下：

基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，包括以下操作步骤：

步骤一：通过部署在铁路线路两旁的高清摄像机，连续不断地拍摄移动的目标物体，记录目标物体从出现直至停止移动或离开摄像机的监控视野范围内的视频图像；

步骤二：根据高清摄像机实时拍摄的视频图像进行异物识别与分析，包括：

利用每次拍摄的视频图像获得目标物体的轮廓形状；

根据所拍摄的目标物体的最终状态，判断此目标物体是否为异物，若目标物体最终离开铁路线路或是离开摄像机的监控视野范围，则判断目标不是线路上的异物；若目标物体最终落在监控的范围内或明确存在于铁路线路上，则根据所获取的目标物体的轮廓形状进一步进行异物识别与分类，得出异物的类型；

步骤三：将所获得的有关异物的参数以及位置信息发送给控制中心；

步骤四：由控制中心向列车发出警示信息，并采取相应的解决措施。

进一步的，所述步骤一中根据高清摄像机的监控视野范围，在铁路线路两旁间隔安置高清摄像机，其中，高清摄像机根据自身所在的位置，可向控制中心提供目标物体存在于铁路线路路段上的位置信息。

进一步的，所述步骤二中通过输入视频图像帧，选取拍摄的无任何异物的图像作为最初始的背景图像，之后则选取每天早上8点拍摄的视频图像作为初始背景图像，接着使用高斯混合模型进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状。

进一步的，所述步骤二中通过所获取的目标物体轮廓形状进一步进行异物识别及分类，采用的是基于BP神经网络进行分类的方法，采集在不同天气、光线情况下，任意可能成为入侵物体的多角度图像对BP神经网络进行模型的训练，得到多种目标物体可能存在的分类情况，再将所获得的目标物体的轮廓模型作为BP神经网络的输入，最终确定目标物体的类型。

进一步的，所述利用高斯混合模型进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状，过程为：

步骤3.1：选取所拍摄的无任何异物的图像作为最初始的背景图像，之后选取每天早上8点所拍摄的视频图像作为初始背景；

步骤3.2：利用高斯混合模型进行背景建模，首先对初始背景的每个像素点建立K个多维高斯分布，用X_t表示每个像素点，其数学模型表示为：

其中w_i,t表示在第t时刻第i个高斯分布的权值，μ，σ分别为第t时刻第i个高斯分布的均值以及方差，η表示概率密度函数，其公式为:

接着，对建立的K个高斯混合模型的权重w，均值μ，方差σ进行预定义；

步骤3.3：获取视频的新一帧图像的像素值X_t与高斯混合模型的K个高斯分布进行匹配，判断每一个像素值是否满足：

|X_t-μ_i,t-1|≤2.5σ_i,t-1 (3)

若满足上述式子，则说明该像素点的灰度值与K个模型中的一个模型匹配，则进行步骤3.4，否则进行步骤3.5；

步骤3.4：根据下列公式更新高斯混合模型：

w_m,t＝(1-α)w_m,t-1+α (4)

μ_m,t＝(1-ρ)μ_m,t-1+ρX_t (5)

其中，α为学习率，0≤α≤1，其决定背景的更新速度，ρ为更新速率，大小约为ρ≈α/w_i,t；

步骤3.5：由于该像素与K个模型均不匹配，则将其作为一个新的高斯模型，并且预定义参数，把权重最小的高斯分布剔除，并由此代替，其中对于该模型的更新，均值与方差的更新公式不变，权值的更新按照以下式子更新：

w_i,t＝(1-α)w_i.t-1 (i≠m) (7)

步骤3.6：将更新之后的K个模型的权重进行归一化，并根据w_i,t/σ_i,t的大小，对K个高斯分布进行排序，并选择前B个高斯分布对背景图像进行表示，B的取值如下式(T为权重阈值)：

步骤3.7：将新获取的像素值与完成排序后的K个背景模型进行匹配，若与其中一个模型匹配成功，则该像素点为背景点，否则为前景点，由此将背景与前景分离，获得当前背景；

步骤3.8：将获得的当前背景与初始背景进行图像差分，得到目标物体即异物的轮廓形状。

进一步的，所述基于BP神经网络进行分类的方法具体过程为：

步骤4.1：首先采集在不同的天气情况，以及不同的光线情况下，任意可能成为入侵异物的多角度图像，并且对采集的图像进行分类，比如人类、动物、树枝、垃圾袋、动物、石块类型的分类模型，

步骤4.2：进行图像预处理：将采集并分类的图像进行初步处理，将其进行二值化，提取其边缘信息，便于之后进行特征值的提取，

步骤4.3：训练BP神经网络：通过提取的异物的特征向量，将其作为BP神经网络的样本输入，反复进行训练，直至达到最佳的效果，提高识别的精确度；除此之外，在识别过程中遇到新的异物图像，将重新更新样本数据，重新训练BP神经网络，如此往复，以期达到最佳的效果；

步骤4.4：得到BP神经网络的结果。

本发明的有益效果是：

本发明能够及时准确的检测障碍物体；

本发明能够提供详细的异物信息；

本发明能够对异物清除提供了更加详细的信息；

本发明能够增加铁路线路的安全性，减少铁路系统运行过程中事故的发生率。

附图说明

图1为本发明的方法流程图，

图2为本发明的异物识别分类方法的详细流程图，

图3为本发明中的高斯混合模型建模过程的详细流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

图1是本发明的方法流程图，结合附图1可见，本本发明公开的一种基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，主要包括以下步骤：

(1)通过部署在铁路线路两旁的高清摄像机，连续不断地拍摄移动的目标物体，记录目标物体从出现直至停止移动或离开摄像机的监控视野范围内的视频图像；其中，高清摄像机根据自身所在的位置，可向控制中心提供目标物体存在于铁路线路路段上的位置信息；

(2)通过输入视频图像帧，选取拍摄的无任何异物的图像作为最初始的背景图像，之后则选取每天早上8点拍摄的视频图像作为初始背景图像，接着使用高斯混合模型(GMM模型)进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状，再结合训练好的BP神经网络，确定异物的分类模型，提供异物更多的信息资料；

(3)将异物相关的参数、状况、分类模型以及位置信息提供给控制中心，

(4)由控制中心向列车发出警示信息，并采取相应的解决措施。

在上述实例中，关于高速铁路异物的识别与分类方法，下面针对其进行详细说明：

对于高速铁路线路安全的影响因素有很多，其中在高速铁路线路中很可能出现的目标物体主要有铁路线路附近的居民，一些垃圾物，以及一些由于特殊原因带来的树枝和石块，甚至发生人为的制造障碍物的情况，严重影响了列车的运行安全，而针对这一现象，采用高清摄像机记录下所可能出现的目标物体的过程图像，分析目标物体的类型以及所在位置，并发出警示并解决问题。接下来结合图2的具体步骤进行详细的说明：

步骤1：在高速铁路两旁安置高清摄像机，并连续不断的对铁路线路上可能出现的异物进行拍摄，获取目标物体从出现到停止在监控视野范围内或者离开监控视野范围内的视频图像。

步骤2：根据步骤1所获取的视频图像，获得目标物体的最终状态，判断是否有异物入侵，并且根据其轮廓形状进一步得出异物的类型。

步骤2.1：若根据视频图像得知，所发现的目标物体最终停止并且落在铁路线路上，则判断有异物入侵，即进行步骤3。

步骤2.2：若根据视频图像得知，在列车为通过此段线路时，所发现的目标物体最终已经离开了监控范围，对列车安全运行不存在影响，故不需要对列车发出警告信息。

步骤3：输入获取的视频图像帧，选取拍摄的无任何异物的图像作为最初始的背景图像，之后则选取每天早上8点拍摄的视频图像作为初始背景图像，接着使用高斯混合模型(GMM模型)进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状。

对于上述的利用高斯混合模型进行背景建模，最终得到当前背景，并与初始背景进行图像差分，并获得异物的轮廓形状的方法，结合图3对其基本过程进行说明：

步骤3.1：选取所拍摄的无任何异物的图像作为最初始的背景图像，之后选取每天早上8点所拍摄的视频图像作为初始背景；

步骤3.2：利用高斯混合模型进行背景建模，首先对初始背景的每个像素点建立K个多维高斯分布，用X_t表示每个像素点，其数学模型表示为：

其中w_i,t表示在第t时刻第i个高斯分布的权值，μ，σ分别为第t时刻第i个高斯分布的均值以及方差，η表示概率密度函数，其公式为:

接着，对建立的K个高斯混合模型的权重w，均值μ，方差σ进行预定义；

步骤3.3：获取视频的新一帧图像的像素值X_t与高斯混合模型的K个高斯分布进行匹配，判断每一个像素值是否满足：

|X_t-μ_i,t-1|≤2.5σ_i,t-1 (3)

若满足上述式子，则说明该像素点的灰度值与K个模型中的一个模型匹配，则进行步骤3.4，否则进行步骤3.5；

步骤3.4：根据下列公式更新高斯混合模型：

w_m,t＝(1-α)w_m,t-1+α (4)

μ_m,t＝(1-ρ)μ_m,t-1+ρX_t (5)

其中，α为学习率，0≤α≤1，其决定背景的更新速度，ρ为更新速率，大小约为ρ≈α/w_i,t；

步骤3.5：由于该像素与K个模型均不匹配，则将其作为一个新的高斯模型，并且预定义参数，把权重最小的高斯分布剔除，并由此代替，其中对于该模型的更新，均值与方差的更新公式不变，权值的更新按照以下式子更新：

w_i,t＝(1-α)w_i.t-1 (i≠m) (7)

步骤3.6：将更新之后的K个模型的权重进行归一化，并根据w_i,t/σ_i,t的大小，对K个高斯分布进行排序，并选择前B个高斯分布对背景图像进行表示，B的取值如下式(T为权重阈值)：

步骤3.7：将新获取的像素值与完成排序后的K个背景模型进行匹配，若与其中一个模型匹配成功，则该像素点为背景点，否则为前景点，由此将背景与前景分离，获得当前背景；

步骤3.8：将获得的当前背景与初始背景进行图像差分，得到目标物体即异物的轮廓形状；

步骤4：将得到的目标物体的轮廓形状作为BP神经网络的输入，通过训练好的BP神经网络的分类，得出目标物体的分类模型，判断铁路线路上出现的异物可能存在的类型。

BP神经网络是一种基于误差反向传播算法的多层前向神经网络，也是目前应用最为广泛的神经网络学习算法，其算法及基本过程如下：

步骤4.1：首先采集在不同的天气情况，以及不同的光线等情况下，任意可能成为入侵异物的多角度图像，并且对采集的图像进行分类，比如人类、动物、树枝、垃圾袋、动物、石块等等类型的分类模型。

步骤4.2：进行图像预处理。将采集并分类的图像进行初步处理，将其进行二值化，提取其边缘信息，便于之后进行特征值的提取。

步骤4.3：训练BP神经网络。通过提取的异物的特征向量，将其作为BP神经网络的样本输入，反复进行训练，直至达到最佳的效果，提高识别的精确度；除此之外，在识别过程中遇到新的异物图像，将重新更新样本数据，重新训练BP神经网络，如此往复，以期达到最佳的效果。

步骤4.4：得到BP神经网络的结果。

步骤5：将所获得的有关异物的参数以及位置信息发送给控制中心，由控制中心向列车发送预警信息，并采取相应的措施。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于，包括以下操作步骤：

步骤一：通过部署在铁路线路两旁的高清摄像机，连续不断地拍摄移动的目标物体，记录目标物体从出现直至停止移动或离开摄像机的监控视野范围内的视频图像；

步骤二：根据高清摄像机实时拍摄的视频图像进行异物识别与分析，包括：

利用每次拍摄的视频图像获得目标物体的轮廓形状；

根据所拍摄的目标物体的最终状态，判断此目标物体是否为异物，若目标物体最终离开铁路线路或是离开摄像机的监控视野范围，则判断目标不是线路上的异物；若目标物体最终落在监控的范围内或明确存在于铁路线路上，则根据所获取的目标物体的轮廓形状进一步进行异物识别与分类，得出异物的类型；

步骤三：将所获得的有关异物的参数以及位置信息发送给控制中心；

步骤四：由控制中心向列车发出警示信息，并采取相应的解决措施。

2.根据权利要求1所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤一中根据高清摄像机的监控视野范围，在铁路线路两旁间隔安置高清摄像机，其中，高清摄像机根据自身所在的位置，可向控制中心提供目标物体存在于铁路线路路段上的位置信息。

3.根据权利要求1所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤二中通过输入视频图像帧，选取拍摄的无任何异物的图像作为最初始的背景图像，之后则选取每天早上8点拍摄的视频图像作为初始背景图像，接着使用高斯混合模型进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状。

4.根据权利要求3所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤二中通过所获取的目标物体轮廓形状进一步进行异物识别及分类，采用的是基于BP神经网络进行分类的方法，采集在不同天气、光线情况下，任意可能成为入侵物体的多角度图像对BP神经网络进行模型的训练，得到多种目标物体可能存在的分类情况，再将所获得的目标物体的轮廓模型作为BP神经网络的输入，最终确定目标物体的类型。

5.根据权利要求4所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述利用高斯混合模型进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状，过程为：

步骤3.1：选取所拍摄的无任何异物的图像作为最初始的背景图像，之后选取每天早上8点所拍摄的视频图像作为初始背景；

步骤3.2：利用高斯混合模型进行背景建模，首先对初始背景的每个像素点建立K个多维高斯分布，用X_t表示每个像素点，其数学模型表示为：

其中w_i,t表示在第t时刻第i个高斯分布的权值，μ，σ分别为第t时刻第i个高斯分布的均值以及方差，η表示概率密度函数，其公式为:

接着，对建立的K个高斯混合模型的权重w，均值μ，方差σ进行预定义；

步骤3.3：获取视频的新一帧图像的像素值X_t与高斯混合模型的K个高斯分布进行匹配，判断每一个像素值是否满足：

|X_t-μ_i,t-1|≤2.5σ_i,t-1 (3)

若满足上述式子，则说明该像素点的灰度值与K个模型中的一个模型匹配，则进行步骤3.4，否则进行步骤3.5；

步骤3.4：根据下列公式更新高斯混合模型：

w_m,t＝(1-α)w_m,t-1+α (4)

μ_m,t＝(1-ρ)μ_m,t-1+ρX_t (5)

其中，α为学习率，0≤α≤1，其决定背景的更新速度，ρ为更新速率，大小约为ρ≈α/w_i,t；

步骤3.5：由于该像素与K个模型均不匹配，则将其作为一个新的高斯模型，并且预定义参数，把权重最小的高斯分布剔除，并由此代替，其中对于该模型的更新，均值与方差的更新公式不变，权值的更新按照以下式子更新：

w_i,t＝(1-α)w_i.t-1 (i≠m) (7)

步骤3.6：将更新之后的K个模型的权重进行归一化，并根据w_i,t/σ_i,t的大小，对K个高斯分布进行排序，并选择前B个高斯分布对背景图像进行表示，B的取值如下式，T为权重阈值：

步骤3.7：将新获取的像素值与完成排序后的K个背景模型进行匹配，若与其中一个模型匹配成功，则该像素点为背景点，否则为前景点，由此将背景与前景分离，获得当前背景；

步骤3.8：将获得的当前背景与初始背景进行图像差分，得到目标物体即异物的轮廓形状。

6.根据权利要求4所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述基于BP神经网络进行分类的方法具体过程为：

步骤4.1：首先采集在不同的天气情况，以及不同的光线情况下，任意可能成为入侵异物的多角度图像，并且对采集的图像进行分类，比如人类、动物、树枝、垃圾袋、动物、石块类型的分类模型，

步骤4.2：进行图像预处理：将采集并分类的图像进行初步处理，将其进行二值化，提取其边缘信息，便于之后进行特征值的提取，

步骤4.3：训练BP神经网络：通过提取的异物的特征向量，将其作为BP神经网络的样本输入，反复进行训练，直至达到最佳的效果，提高识别的精确度；除此之外，在识别过程中遇到新的异物图像，将重新更新样本数据，重新训练BP神经网络，如此往复，以期达到最佳的效果；

步骤4.4：得到BP神经网络的结果。