CN111564015A - 一种轨道交通周界入侵的监测方法及装置 - Google Patents

Abstract

本发明公开了一种轨道交通周界入侵的监测方法及装置，方法的步骤包括：A，获取视频序列图像；B，从视频序列图像中提取其中一帧图像，从帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；C，将背景图划分为多个网格，确定每一个网格的中心坐标；D，根据网格的中心坐标与铁轨边缘线的欧式距离，将多个网格分为敏感区域和非敏感区域；E，利用目标检测算法，判断每一个网格是否有移动物体，如果有移动物体，执行步骤F；F，基于轨道交通周界入侵识别模型进行判断，当移动物体不是列车且在敏感区域内时，则报警。本发明的方法进行了初检测，而不是将所有帧图像都放入识别模型进行精确识别，节约了时间和资源。

Description

一种轨道交通周界入侵的监测方法及装置

技术领域

本发明涉及铁路异物侵限领域，特别是一种轨道交通周界入侵的监测方法及装置。

背景技术

火车的行驶安全检测一直是相关领域应用的一项重要研究，列车与侵入铁轨的物体(例如行人、动物、车辆等)相撞时，会给个人和社会带来巨大的财产损失和负面影响。就目前而言，现有会在道岔路口安装一些视频监控设备，在铁路周围出现异常时会报警。而现有的这些监控设备所涉及的方法一般为传统的图像识别方法或结合深度学习的目标检测算法。传统的图像识别方法检测异常的准确率并不是太好，而一次漏检可能就会造成重大损失。涉及深度学习的目标检测方法如果要达到可以应用的实时检测速度，对设备资源的要求较高。

发明内容

本发明提出一种新的解决方案，在兼顾检测报警准确率的同时对资源设备的要求比单纯的深度学习方法更低。提出了一种轨道交通周界入侵的监测方法及装置。

为了实现上述发明目的，本发明提供了以下技术方案：

一种轨道交通周界入侵的监测方法，步骤包括：

A，获取视频序列图像；

B，从视频序列图像中提取其中一帧图像，从帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；

C，将背景图划分为多个网格，确定每一个网格的中心坐标；

D，根据网格的中心坐标与铁轨边缘线的欧式距离，将多个网格分为敏感区域和非敏感区域；

E，利用目标检测算法，判断每一个网格是否有移动物体，如果有移动物体，执行步骤F；

F，基于轨道交通周界入侵识别模型，判断移动物体是否为列车，如果移动物体为列车，则结束；否则，判断移动物体是否位于敏感区域内，如果移动物体位于敏感区域内，则报警，否则，对下一帧图像进行判断。

进一步的，步骤D中，多个网格分为敏感区域和非敏感区域的判断依据是：如果d_j<Max{W/2K,H/2K}，则d_j对应的第j个网格为敏感区域网格，否则，d_j对应的第j个网格为非敏感区域网格；

其中，

d_j为第j个网格与铁轨边缘线的欧式距离的最小值，(x_j,y_j)是第j个网格的中心坐标，(x_i,y_i)是铁轨边缘线的像素点坐标，帧图像的像素为W×H，帧图像被划分为K×K的网格。

进一步的，步骤E中，利用目标检测算法，判断每一个网格是否有移动物体的具体步骤包括：

提取帧图像的每一个网格的第一灰度值；

提取帧图像之前第五帧图像，并计算相应网格的第二灰度值；

根据第一灰度值和第二灰度值计算两帧图像每个网格的平均灰度差值，如果平均灰度差值大于灰度阈值，则帧图像相应网格内有移动物体，否则，判断为没有移动物体。

作为本发明的优选方案，灰度差值的计算公式为：m_j＝|[f_n(x_j,y_j)-f_n-5(x_j,y_j)]/[W×H÷(K×K)]|

其中，m_j为第j个网格的平均灰度差值，(x_j,y_j)是第j个网格的中心坐标，f_n(x_j,y_j)是帧图像第j个网格的第一灰度值，f_n-5(x_j,y_j)是帧图像之前第五帧图像相应第j个网格的第二灰度值，帧图像的尺寸为W×H，W是图像像素横坐标的最大值，H是图像像素纵坐标的最大值，所述帧图像被划分为K×K的网格，其中K是把图像像素横坐标或纵坐标划分的份数。

进一步的，步骤F包括以下步骤：

S1，通过预先训练出的轨道交通周界入侵识别模型，判断移动物体是否为列车，如果不是，则执行步骤S2；

S2，采用检测框在帧图像中标记移动物体，并获取检测框的信息，检测框根据YOLOv3网络算法生成；

S3，判断移动物体相应的检测框是否在敏感区域内，如果是，报警，如果不是，对下一帧图像进行判断。

作为本发明的优选方案，轨道交通周界入侵识别模型，是通过“列车”目标图片对YOLOv3网络进行训练得到的，并对YOLOv3网络的超参数进行了设置，设置包括：

输出层节点个数设置为类别个数，类别个数为4，包括列车、行人、落石、工作人员四个类别；

设置yolo层random＝1；设置ignore_thresh＝0.7，ignore_thresh是参与计算的IOU阈值大小；设置训练步数steps为70000步，其中，前30000步学习率以0.0001收敛，后40000步学习率以0.00001收敛；设置saturation＝1.5；设置exposure＝1.5；设置hue＝0.1；设置batch/subdivision＝4。

作为本发明的优选方案，步骤S1包括以下步骤：

将移动物体所在的帧图像输入到预设的轨道交通周界入侵识别模型中，输出列车识别得分结果，

当列车识别得分结果大于预设的列车识别阈值，则判断视频序列图像限界区域内的移动物体是列车，否则不是列车。

作为本发明的优选方案，步骤S3中判断移动物体相应的检测框是否在敏感区域内是基于检测框和敏感区域的坐标实现判断的，如果Q_x＜w/2并且Q_y＜h/2，则检测框在敏感区域；

其中，Q_x＝Min{|x-x_left|,|x-x_right|}，Q_y＝Min{|y-y_up|,|x-y_down|}，(x_left,x_right,y_up,y_down)是敏感区域网格的左右上下直线的坐标，(x_left，y_up)是敏感区域网格左上顶点坐标，(x_right，y_down)是敏感区域网格右下顶点坐标，(x,y,w,h)是检测框的信息，(x，y)为检测框的中心像素坐标，w，h为检测框的宽和高。

基于相同的构思，提出了一种轨道交通周界入侵的监测装置，包括控制单元、图像预处理设备、周界入侵精确检测设备，

图像预处理设备根据获取的视频序列图像，从视频序列图像中提取其中一帧图像，从帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；并且将背景图划分为多个网格，确定每一个网格的中心坐标；并且根据网格的中心坐标与铁轨边缘线的欧式距离，将多个网格分为敏感区域和非敏感区域；并且利用目标检测算法，判断每一个网格是否有移动物体；当网格中有移动物体时，发送转交视频信号到控制单元；图像预处理设备还用于接收控制单元输出的转换成功信号，并根据接收到的转换成功信号，将移动物体的当前帧图像发送到控制单元；

控制单元接收转交视频信号，根据转交视频信号输出状态检测信号到周界入侵精确检测设备；控制单元还接收周界入侵精确检测设备输出的状态信号，当状态信号为空闲时，控制单元返回转换成功信号到图像预处理设备；控制单元还将移动物体的当前帧图像发送到周界入侵精确检测设备，控制单元还用于接收周界入侵精确检测设备返回的周界入侵精确检测结束信号或报警信号；

周界入侵精确检测设备，接收控制单元输出的状态检测信号，并根据自身状态输出的空闲或忙碌的状态信号；周界入侵精确检测设备还用于接收移动物体的当前帧作为初始帧的视频，并根据移动物体的当前帧视频判断移动物体是否为列车，当移动物体不是列车时，判断移动物体是否位于敏感区域内，如果是位于敏感区域内，输出报警信号到控制单元，如果不是位于敏感区域内，输出周界入侵精确检测结束信号到控制单元。

作为本发明的优选方案，当图像预处理设备发送转交视频信号到控制单元后，在预设的时间段内，没有收到控制单元输出的转换成功信号，则判断移动物体所在的区域是否在敏感区域，如果是，则报警，如果不是，则判断下一帧图像是否有移动物体。

与现有技术相比，本发明的有益效果：

1、本发明提出的一种轨道交通周界入侵的监测方法，提取背景图，并将背景图中按照距离轨道远近，划分为敏感区域和非敏感区域，首先初步判断视频序列是否有移动物体，如果有，采用深度学习算法训练出来的轨道交通周界入侵识别模型精确识别入侵物体，然后再判断被检测物体是否侵入敏感区网格，如果入侵则报警。进行了初检测(是否移动的判断)，而不是将所有帧图像都放入轨道交通周界入侵识别模型进行精确识别，节约了时间和资源。

2、基于相同的构思，提出了一种轨道交通周界入侵的监测装置，装置包括控制单元、图像预处理设备、周界入侵精确检测设备，通过控制单元的监控，使得图像预处理设备和周界入侵精确检测设备可以并行处理视频，一台周界入侵精确检测设备可以用于对多台图像预处理设备中的视频图像进行基于深度学习方法的精确识别，在兼顾检测报警准确率的同时对资源设备的要求比单纯的深度学习方法更低。

附图说明：

图1为本发明实施例1中一种轨道交通周界入侵的监测方法的流程图；

图2为本发明实施例1中一种具体的轨道交通周界入侵的逻辑流程示意图；

图3为本发明实施例1中对帧图像进行敏感网格划分的示意图；

图4为本发明实施例2中的一种轨道交通周界入侵的监测装置信号传输示意图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

一种轨道交通周界入侵的监测方法的流程图如图1所示，步骤包括：

A，获取视频序列图像；

B，从视频序列图像中提取其中一帧图像，从帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；

C，将背景图划分为多个网格，确定每一个网格的中心坐标；

D，根据网格的中心坐标与铁轨边缘线的欧式距离，将多个网格分为敏感区域和非敏感区域；

E，利用目标检测算法，判断每一个所述网格是否有移动物体，如果有移动物体，执行步骤F；

F，基于轨道交通周界入侵识别模型，判断所述移动物体是否为列车，如果是，对下一帧图像进行判断，否则，判断所述移动物体是否位于所述敏感区域内，如果是，则报警，否则，对下一帧图像进行判断。

作为具体的实施例，图2展示了一种具体的轨道交通周界入侵的逻辑流程示意图。

其中，步骤A包括以下步骤：

在铁路周围安装监控设备，将铁路周围的监控视频抽取为帧图像，并将帧图像按照时间先后排序，生成用于周界入侵检测的视频序列图像。

其中，步骤B中，从视频序列图像中提取其中一帧图像，利用混合高斯模型进行背景建模，从当前帧图像提取背景图，同时从帧图像中提取铁轨边缘线的像素坐标矩阵，具体步骤包括：

S11，将获取的图像进行标准化图像尺寸调整，获取同一像素尺寸下的预处理图。主要的预处理过程为：通过铁路监控视频得到视频的图像序列，将图像序列拆分成视频帧图片，将每一视频帧图片作为输入，并调整每帧图像的像素尺寸为(m×n)，其中，m是每帧图像的像素点的横坐标，n是每帧图像的像素点的纵坐标，作为优选方案，每帧图像的像素尺寸为500×375。

S12，对预处理后的视频帧图片进行二值化处理。

S13，将处理完的单通道二值化帧图片作为霍夫线变换的输入，进行霍夫线变换，获得霍夫线变换图；

S14，检测霍夫线变换图中是否包含两条铁轨的内外边缘共4条线，如果有则所述霍夫线变换图为包含铁路场景的图像，否则，该霍夫线变换图不能作为限界区域识别的图像，返回步骤S11，重新提取视频帧图片。

由于已经进行了像素点尺寸统一变换，从步骤S14中包含铁路场景的图像的霍夫线变换图中，可以直接提取两条铁轨的内外边缘共4条线，得到4条线的像素坐标矩阵，其中，靠外的两条线定义为两条铁轨外边缘线，包括左侧外边缘线和右侧外边缘线；靠内的两条线定义为两条铁轨内边缘线，包括左侧内边缘线和右侧内边缘线，其像素坐标矩阵为[x_i,y_i]，用于后续敏感区域的划定。

其中，步骤C中，将提取出的背景图做网格划分，每帧画面划分为K×K格，每个网格中心的像素坐标为[x_j,y_j]，作为优选方案，每帧画面划分为36格(K＝6，6×6＝36)，每格分别用A-F和1-6的二位矩阵表示。网格划分的示意图如图3所示。

其中，步骤D包括以下步骤：

计算帧图像中每个网格中心坐标到铁轨边缘的最短欧式距离；计算公式如公式(1)所示。

其中，d_j为第j个网格中心坐标与所述铁轨边缘线的欧式距离的最小值，(x_j,y_j)是第j个网格的中心坐标，(x_i,y_i)是所述铁轨内边缘线的像素点坐标，帧图像的像素尺寸为W×H，W是图像像素横坐标的最大值，H是图像像素纵坐标的最大值，所述帧图像被划分为K×K的网格，把图像像素横坐标划分为K份，把图像像素纵坐标划分为K份，形成了K×K的网格。

如果d_j<Max{W/2K,H/2K}，则d_j对应的第j个网格为敏感区域网格，否则，d_j对应的第j个网格为非敏感区域网格。记录每个敏感区域网格左上顶点坐标[x_left，y_up]和右下顶点坐标[x_right，y_down]。

其中，对移动物体的检测，对每个网格单独进行处理，步骤E包括以下步骤：

提取当前帧图像的每一个网格的第一灰度值f_n(x,y)；

提取当前帧图像之前第五帧图像，并计算相应网格的第二灰度值f_n-5(x,y)；

根据第一灰度值f_n(x,y)和所述第二灰度值f_n-5(x,y)计算两帧图像每个网格的平均灰度差值，平均灰度差值的计算公式为如公式(2)所示。

m_j＝|[f_n(x_j,y_j)-f_n-5(x_j,y_j)]/[W×H÷(K×K)]| (2)

其中，m_j为第j个网格的平均灰度差值，(x_j,y_j)是第j个网格的中心坐标，f_n(x_j,y_j)是所述帧图像第j个网格的所述第一灰度值，f_n-5(x_j,y_j)是所述帧图像之前第五帧图像相应第j个网格的所述第二灰度值，所述帧图像的像素尺寸为W×H，所述帧图像被划分为K×K的网格。

作为优选方案，当帧图像被划分为6×6的网格时，

m_j＝(f_n(x,y)-f_n-5(x,y))/(W×H÷36) (3)

如果平均灰度差值m_j大于灰度阈值，则帧图像中相应网格内有移动物体，否则，判断为没有移动物体。

如果当前网格内没有移动物体，继续处理下一个网格(当前帧处理完后直接处理下一帧)；如果当前网格内有移动物体，则继续执行步骤F。

步骤F包括以下步骤：

S21，通过预设的轨道交通周界入侵识别模型，判断移动物体是否为列车，如果是列车，则说明正常，不报警，如果不是，则执行步骤S22；

S22，采用检测框在帧图像中标记该移动物体，并获取该移动物体对应的检测框的信息，检测框根据YOLOv3网络算法生成。

S23，判断移动物体相应的检测框是否在所述敏感区域内，如果移动物体相应的检测框是在敏感区域内，报警，如果不是，返回步骤B，对下一帧图像进行判断。

步骤F中的轨道交通周界入侵识别模型是事先训练好的，轨道交通周界入侵识别模型，是通过“列车”目标图片对YOLOv3网络进行训练得到的，并对所述YOLOv3网络的超参数进行了设置，所述设置包括：

输出层节点个数设置为类别个数，所述类别个数为4，包括列车、行人、落石、工作人员四个类别；

设置yolo层random＝1；设置ignore_thresh＝0.7，ignore_thresh是参与计算的IOU阈值大小；设置训练步数steps为70000步，其中，前30000步学习率以0.0001收敛，后40000步学习率以0.00001收敛；设置saturation＝1.5；设置exposure＝1.5；设置hue＝0.1；设置batch/subdivision＝4。

作为优选方案，步骤S21包括以下步骤：将移动物体所在的帧图像输入到预设的轨道交通周界入侵识别模型中，输出列车识别得分结果，检测中产生的目标框会有一个在0-1之间的得分，当判断为列车的得分大于人为设置的阈值后才将其识别为列车。如果检测到的物体只有列车，则说明正常，不报警，继续检测下一帧图像，否则继续跟踪检测。

作为优选方案，步骤S23中判断所述移动物体相应的检测框是否在所述敏感区域内是基于所述检测框和所述敏感区域的坐标实现判断的，如果Q_x＜w/2并且Q_y＜h/2，则相应的检测框在敏感区域；

其中，Q_x的计算公式如公式(4)所示，

Q_x＝Min{|x-x_left|,|x-x_right|} (4)

Q_y的计算公式如公式(5)所示，

Q_y＝Min{|y-y_up|,|x-y_down|} (5)

(x_left，y_up)、(x_right，y_down)分别是敏感区域网格左上顶点坐标和右下顶点坐标。(x,y,w,h)是检测框的信息，(x，y)为检测框的中心像素坐标，w，h为检测框的宽和高。

检测框与每一个敏感网格都要利用上面的公式判断，如果出现侵入立即报警。

作为优选方案，轨道交通周界入侵识别模型是基于YOLOv3网络算法训练得到的，训练过程包括以下步骤：

第一步，图像预处理。包括了步骤：将训练集图像输入预处理函数，并完成数据增强。该预处理函数处理包括图像的预处理和数据预处理，并定义了输入图像的大小、采样的方式，预处理函数主要用于批量剪切图片、图片灰度处理、二值化处理、缩放处理、丰富数据等操作。当样本量比较少时候，把已有的图翻转，平移，雾化，去燥等方法，增加用于训练的样本量。数据增强是基于yolov3算法，采用了随机水平翻转、随机裁剪、随机旋转来增加数据的多样性和鲁棒性。

第二步，卷积提取特征。深度学习的方式都是通过卷积提取特征，yolov3提取卷积特征使用的基网络是darknet53，该网络有53层卷积层，yolov3借鉴了残差网络Residual一起来提取特征。

第三步，边界值预测。边界值预测对应有2中不同的方式，一种是基于yolo和SSD回归的方式，另一种是RCNN系列边界框预测的方式。

基于yolo和SSD回归的方式，实现边界值预测的步骤包括：

首先，将输入图片分为S*S个网格，每一个网格单元格检测中心点落在该格子内的目标；

其次，每一个网格单元格会预测B个边界框(bounding box)以及边界框的置信度(confidence score)，还要给出预测出C个类别概率值；

最后，将所有的网格生成的检测框使用NMS算法(非极大值抑制)输入筛选过的检测边界框。

第四步，多数网络在边界框预测的同时进行了类别的预测；分类部分利用已经获得的建议框，通过全连接层和softmax计算每一个建议框的类别并输入其概率值，yolov3在卷积层之后通过连接一个全连接层和softmax进行类别的预测和边界框预测。

实施例2

基于相同的构思，还提出了一种轨道交通周界入侵的监测装置，包括控制单元、图像预处理设备和周界入侵精确检测设备。

图像预处理设备用于获取视频序列图像；并且从视频序列图像中提取其中一帧图像，从帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；并且将背景图划分为多个网格，确定每一个网格的中心坐标；并且根据网格的中心坐标与铁轨边缘线的欧式距离，将多个网格分为敏感区域和非敏感区域；并且利用目标检测算法，判断每一个网格是否有移动物体；当网格中有移动物体时，发送转交视频信号到控制单元，并将移动物体的当前帧图像发送到控制单元；图像预处理设备还用于接收控制单元的转换成功信号，以确定转交视频成功。

控制单元接收转交视频信号，根据转交视频信号输出状态检测信号到周界入侵精确检测设备；控制单元还接收周界入侵精确检测设备输出的状态信号，当状态信息为空闲时，返回转换成功信号到图像预处理设备，控制单元将移动物体的当前帧图像发送到周界入侵精确检测设备；控制单元还用于接收周界入侵精确检测设备返回的周界入侵精确检测结束信号或报警信号。

周界入侵精确检测设备，接收控制单元输出的状态检测信号，并根据自身状态输出空闲或忙碌的状态信号；周界入侵精确检测设备还用于接收移动物体的当前帧作为初始帧的视频，并根据移动物体的当前视频判断移动物体是否位于敏感区域内，输出周界入侵精确检测结束信号或报警信号到控制单元。

更进一步的，当图像预处理设备发送转交视频信号到控制单元后，在预设的时间段内，没有收到控制单元输出的转换成功信号，则判断移动物体所在的区域是否在敏感区域，如果是，则直接报警，如果不是，则判断下一帧图像是否有移动物体。

图4给出了轨道交通周界入侵的监测装置的具体信号传输示意图，图中的箭头表示信息传递；矩形块表示设备，同一排的多个矩形块可以看作多个同类型的设备，也可以看作一个设备里的多个进程。考虑并发情况，各信号在各设备处于不同状态时，会引发不同结果。

控制单元：在图像预处理设备与周界入侵精确检测设备之间传递信号，同时会用T，F标记图像预处理设备与周界入侵精确检测设备的状态。图像预处理设备与周界入侵精确检测设备的状态初始状态均为F。

图像预处理设备：基于数字图像处理的目标检测算法检测是否有移动物体的设备，实时监测监控视频，并初步判定视频中是否出现移动物体。被控制单元标记为F表示当前处理的监控视频没有交付给周界入侵精确检测设备；T表示处理视频交付给周界入侵精确检测设备。每台图像预处理设备负责一路监控视频。

周界入侵精确检测设备：基于深度学习的目标识别算法跟踪识别移动物体的设备，在收到相应信号后，获取图像预处理设备初步判断后的异常视频，进一步判定是否有移动物体侵入铁轨周围，并识别移动物体类别。被控制单元标记为F表示处于空闲状态；T表示正在处理某一监控视频。

信号1：图像预处理设备向控制单元发送的转交视频信号；

信号2：控制单元向周界入侵精确检测设备发送的转交视频信号；

信号3：周界入侵精确检测设备向控制单元发送的转交成功信号；

信号4：控制单元向图像预处理设备发送的转交成功信号；

信号5：深度学习图像识别结束信号；

信号6：深度学习图像识别结束信号发送成功信号。

如果视频30帧内没有任何检测目标，则周界入侵精确检测设备自动结束当前的检测任务，并发送检测结束信号5给控制单元，控制单元将周界入侵精确检测设备的状态标记为F(空闲)，并向周界入侵精确检测设备发送信号6，信号6代表信号5发送成功。如果周界入侵精确检测设备未收到信号6，则会一直发送信号5给设备c，直到周界入侵精确检测设备收到信号6为止。若连续10次发送信号5未成功，则周界入侵精确检测设备自动报故障，请求人工排障。

信号1：某个图像预处理设备检测到移动物体时，会发送信号1给控制单元，请求控制单元分配一个状态为F(空闲)的周界入侵精确检测设备来处理对应的监控视频。信号1包含出现异常帧的信息，周界入侵精确检测设备将此异常帧作为初始帧处理对应视频。如果图像预处理设备在发送信号1后没有收到回复信号4，无法确定信号传递中哪一步出现问题，会第二次发送信号1。如果图像预处理设备在连续两次发送信号1后没有收到信号4，并且出现异常的网格在敏感区域，会直接报警。控制单元收到信号1后，首先检查此图像预处理设备状态，如果为T，直接回复信号4；如果为F，向状态为F的周界入侵精确检测设备发送信号2。

信号2：控制单元收到图像预处理设备发送的信号1后会发送信号2给某个状态为F的周界入侵精确检测设备，通知周界入侵精确检测设备去处理相应的监控视频。周界入侵精确检测设备收到信号2后发送相应的信号3给控制单元，表示已经开始处理此监控视频。

信号3：周界入侵精确检测设备收到信号2后会回复信号3给控制单元，通知控制单元它正在处理相应图像预处理设备的监控视频。控制单元收到信号3后，将周界入侵精确检测设备的状态和对应图像预处理设备的状态都修改为T。

信号4：控制单元收到信号3之后会发送信号4给相应的图像预处理设备，通知图像预处理设备已经成功分配一台周界入侵精确检测设备去处理图像预处理设备对应的监控视频。

信号5：如果处于工作状态的周界入侵精确检测设备处理的监控视频连续30帧没有出现目标检测框，则自动结束当前的检测任务，周界入侵精确检测设备会发送信号5给控制单元，通知控制单元周界入侵精确检测设备已经结束检测。控制单元收到信号5后，将周界入侵精确检测设备和图像预处理设备的状态标记为F，并回复信号6。如果周界入侵精确检测设备发出报警信息，则通知人工查看。

信号6：信号6代表信号5发送成功。如果周界入侵精确检测设备未收到信号6，则会一直发送信号5给控制单元，直到周界入侵精确检测设备收到信号6为止。若连续10次发送信号5未成功，则周界入侵精确检测设备自动报故障，请求人工排障。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (10)

1.一种轨道交通周界入侵的监测方法，其特征在于，步骤包括：

A，获取视频序列图像；

B，从所述视频序列图像中提取其中一帧图像，从所述帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；

C，将所述背景图划分为多个网格，确定每一个所述网格的中心坐标；

D，根据所述网格的中心坐标与所述铁轨边缘线的欧式距离，将所述多个网格分为敏感区域和非敏感区域；

E，利用目标检测算法，判断每一个所述网格是否有移动物体，如果有移动物体，执行步骤F；

F，基于轨道交通周界入侵识别模型，判断所述移动物体是否为列车，如果所述移动物体为列车，则结束；否则，判断所述移动物体是否位于所述敏感区域内，如果所述移动物体位于所述敏感区域内，则报警，否则，对下一帧图像进行判断。

2.如权利要求1所述的一种轨道交通周界入侵的监测方法，其特征在于，步骤D中，所述多个网格分为敏感区域和非敏感区域的判断依据是：如果d_j<Max{W/2K,H/2K}，则d_j对应的第j个网格为敏感区域网格，否则，d_j对应的第j个网格为非敏感区域网格；

其中，

d_j为第j个网格与所述铁轨边缘线的欧式距离的最小值，(x_j,y_j)是第j个网格的中心坐标，(x_i,y_i)是所述铁轨边缘线的像素点坐标，帧图像的像素为W×H，W是图像像素横坐标的最大值，H是图像像素纵坐标的最大值，所述帧图像被划分为K×K的网格，其中K是把图像像素横坐标或纵坐标划分的份数。

3.如权利要求1所述的一种轨道交通周界入侵的监测方法，其特征在于，步骤E中，利用目标检测算法，判断每一个所述网格是否有移动物体的具体步骤包括：

提取所述帧图像的每一个所述网格的第一灰度值；

提取所述帧图像之前第五帧图像，并计算相应网格的第二灰度值；

根据所述第一灰度值和所述第二灰度值计算两帧图像每个网格的平均灰度差值，如果所述平均灰度差值大于灰度阈值，则所述帧图像相应网格内有移动物体，否则，判断为没有移动物体。

4.如权利要求3所述的一种轨道交通周界入侵的监测方法，其特征在于，所述灰度差值的计算公式为：m_j＝|[f_n(x_j,y_j)-f_n-5(x_j,y_j)]/[W×H÷(K×K)]|

其中，m_j为第j个网格的平均灰度差值，(x_j,y_j)是第j个网格的中心坐标，f_n(x_j,y_j)是所述帧图像第j个网格的所述第一灰度值，f_n-5(x_j,y_j)是所述帧图像之前第五帧图像相应第j个网格的所述第二灰度值，所述帧图像的尺寸为W×H，所述帧图像被划分为K×K的网格。

5.如权利要求1所述的一种轨道交通周界入侵的监测方法，其特征在于，步骤F包括以下步骤：

S1，通过预先训练出的轨道交通周界入侵识别模型，判断所述移动物体是否为列车，如果不是，则执行步骤S2；

S2，采用检测框在所述帧图像中标记所述移动物体，并获取所述检测框的信息，所述检测框根据YOLOv3网络算法生成；

S3，判断所述移动物体相应的检测框是否在所述敏感区域内，如果是，报警，如果不是，对下一帧图像进行判断。

6.如权利要求5所述的一种轨道交通周界入侵的监测方法，其特征在于，所述轨道交通周界入侵识别模型，是通过“列车”目标图片对YOLOv3网络进行训练得到的，并对所述YOLOv3网络的超参数进行了设置，所述设置包括：

输出层节点个数设置为类别个数，所述类别个数为4，包括列车、行人、落石、工作人员四个类别；

设置yolo层random＝1；设置ignore_thresh＝0.7，ignore_thresh是参与计算的IOU阈值大小；设置训练步数steps为70000步，其中，前30000步学习率以0.0001收敛，后40000步学习率以0.00001收敛；设置saturation＝1.5；设置exposure＝1.5；设置hue＝0.1；设置batch/subdivision＝4。

7.如权利要求5所述的一种轨道交通周界入侵的监测方法，其特征在于，步骤S1包括以下步骤：

将所述移动物体所在的帧图像输入到预设的轨道交通周界入侵识别模型中，输出列车识别得分结果，

当所述列车识别得分结果大于预设的列车识别阈值，则判断所述视频序列图像限界区域内的移动物体是列车，否则不是列车。

8.如权利要求5所述的一种轨道交通周界入侵的监测方法，其特征在于，步骤S3中判断所述移动物体相应的检测框是否在所述敏感区域内是基于所述检测框和所述敏感区域的坐标实现判断的，如果Q_x＜w/2并且Q_y＜h/2，则所述检测框在所述敏感区域；

其中，Q_x＝Min{|x-x_left|,|x-x_right|}，Q_y＝Min{|y-y_up|,|x-y_down|}，(x_left,x_right,y_up,y_down)是所述敏感区域网格的左右上下直线的坐标，(x_left，y_up)是敏感区域网格左上顶点坐标，(x_right，y_down)是敏感区域网格右下顶点坐标，(x,y,w,h)是所述检测框的信息，(x，y)为检测框的中心像素坐标，w，h为检测框的宽和高。

9.一种轨道交通周界入侵的监测装置，其特征在于，包括控制单元、图像预处理设备、周界入侵精确检测设备，

所述图像预处理设备根据获取的视频序列图像，从所述视频序列图像中提取其中一帧图像，从所述帧图像中提取背景图，并提取铁轨边缘线的像素坐标矩阵；并且将所述背景图划分为多个网格，确定每一个所述网格的中心坐标；并且根据所述网格的中心坐标与所述铁轨边缘线的欧式距离，将所述多个网格分为敏感区域和非敏感区域；并且利用目标检测算法，判断每一个所述网格是否有移动物体；当网格中有移动物体时，发送转交视频信号到所述控制单元；所述图像预处理设备还用于接收所述控制单元输出的转换成功信号，并根据接收到的转换成功信号，将移动物体的当前帧图像发送到所述控制单元；

所述控制单元接收所述转交视频信号，根据所述转交视频信号输出状态检测信号到所述周界入侵精确检测设备；所述控制单元还接收所述周界入侵精确检测设备输出的状态信号，当所述状态信号为空闲时，所述控制单元返回转换成功信号到所述图像预处理设备；所述控制单元还将所述移动物体的当前帧图像发送到所述周界入侵精确检测设备，所述控制单元还用于接收所述周界入侵精确检测设备返回的周界入侵精确检测结束信号或报警信号；

所述周界入侵精确检测设备，接收所述控制单元输出的状态检测信号，并根据自身状态输出的空闲或忙碌的状态信号；所述周界入侵精确检测设备还用于接收所述移动物体的当前帧作为初始帧的视频，并根据所述移动物体的当前帧视频判断所述移动物体是否为列车，当所述移动物体不是列车时，判断所述移动物体是否位于所述敏感区域内，如果是位于所述敏感区域内，输出报警信号到所述控制单元，如果不是位于所述敏感区域内，输出周界入侵精确检测结束信号到所述控制单元。

10.如权利要求9所述的一种轨道交通周界入侵的监测装置，其特征在于，当所述图像预处理设备发送所述转交视频信号到所述控制单元后，在预设的时间段内，没有收到所述控制单元输出的转换成功信号，则判断所述移动物体所在的区域是否在敏感区域，如果是，则报警，如果不是，则判断下一帧图像是否有移动物体。

Images