CN111626204A - 一种铁路异物入侵监测方法及系统 - Google Patents
一种铁路异物入侵监测方法及系统 Download PDFInfo
- Publication number
- CN111626204A CN111626204A CN202010460333.8A CN202010460333A CN111626204A CN 111626204 A CN111626204 A CN 111626204A CN 202010460333 A CN202010460333 A CN 202010460333A CN 111626204 A CN111626204 A CN 111626204A
- Authority
- CN
- China
- Prior art keywords
- image
- foreign matter
- pixel
- dangerous area
- monitoring
- 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.)
- Granted
Links
Images
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
- B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
- B61L23/041—Obstacle detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本申请提供一种铁路异物入侵监测方法及系统,该方法包括:在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像;对轨道危险区域检测图像进行预处理;计算预处理后的轨道危险区域检测图像与预先建立的背景图像之间的像素值之差,获得异物图像,标记异物图像中的异物;计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号,否则,继续监测异物。本申请实现了对铁路入侵的异物的自动检测,节省了人力和成本,及时提醒驾驶人员避障。
Description
技术领域
本申请涉及铁路异物入侵监测技术领域,尤其涉及一种铁路异物入侵监测方法及系统。
背景技术
我国高速铁路分布区域广、长距离、地质条件复杂、自然灾害严重,同时高速公路具有昼夜运营、封闭式、只允许火车行驶等特点。由于距离长、分布面积广、昼夜运营、封闭式等特点,当高速铁路沿线发生山体滑坡、地质沉降等自然灾害时,无法及时发布道路交通故障警告,容易引发严重的交通安全事故及连锁反应。为了降低高速铁路交通事故,减小人员伤亡和财产损失,迫切需要解决高速铁路沿线自然灾害预警和特殊交通安全事故报警。
滚石,行人或动物等异物侵入铁路界限,具有突发性、无规律和不可预测性,频频引发铁路交通事故,严重威胁了人民的生命安全,传统的轨道检测主要依靠人力,通过在全国范围内设置大量巡检人员来检查轨道的入侵情况,但是较为耗费人力和财力,并且,对于紧急的事故反应的不够迅速。
另外,视频监控系统用于铁路安全监控,监测是否有异物入侵铁路的界限,但是,目前的视频监控系统需要专人监看,监控人员的工作量很大,在劳累的时候容易产生疏漏,造成危险隐患。现有的采用激光幕墙的方法进行异物监测,该方法通过安装多个二维激光传感器形成激光幕墙来检测入侵异物,该方法检测速度快,灵敏度高,但是安装比较复杂,受环境影响较大,只能检测几个截面,不能准确的测量出异物的大小和形状,且成本较高。
发明内容
本申请的目的在于提供一种铁路异物入侵监测方法,该方法检测准确度高,节省人力,自动报警,成本较低。
为达到上述目的,本申请提供一种铁路异物入侵监测方法,该方法包括:在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像;对轨道危险区域检测图像进行预处理;计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物;计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号,否则,继续监测异物。
如上的,其中,提取轨道危险区域检测图像的方法包括如下子步骤:识别监测图像中轨道的形状和位置;根据轨道的形状和位置,在轨道外周侧建立危险区域异物检测窗口;将位于危险区域异物检测窗口外侧的图像分割出来,保留位于危险区域异物检测窗口内侧的图像,形成轨道危险区域检测图像。
如上的,其中,对轨道危险区域检测图像进行预处理的方法包括如下子步骤:对轨道危险区域检测图像进行灰度化处理;对轨道危险区域检测图像进行平滑滤波处理;计算平滑滤波处理后轨道危险区域检测图像的清晰度Q,并判断清晰度是否超过预设的合格阈值Q合格,若未超过,则对图像进行清晰化处理,否则,结束预处理。
如上的,其中,平滑滤波处理后轨道危险区域检测图像的清晰度的计算公式为:
其中,Q表示清晰度,p(x,y)表示滤波处理后输出图像中像素点坐标为(x,y)的像素的像素值;N表示滤波处理后输出图像矩阵的总行数;M表示滤波处理后输出图像矩阵的总列数。
如上的,其中,清晰化处理的公式为:
其中,T(x,y)表示清晰化处理后的图像中像素点坐标为(x,y)的像素像素值,J(r)表示实际镜头的衍射极限值;w表示频率;F-1(·)表示傅里叶逆运算。
如上的,其中,预先建立背景图像的方法为:
通过将一段时间内连续采集到的无异物图像的每个像素点的像素值进行累加,求平均值得到背景图像的像素值;
背景图像的像素值的计算公式为:
其中,B(x,y)表示背景图像中像素点坐标为(x,y)的像素的像素值;X表示连续采集到的无异物图像的总帧数;Zi(x,y)表示第i帧无异物图像中像素点坐标为(x,y)的像素的像素值。
如上的,其中,计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差的公式为:
D(x,y)=p(x,y)-B(x,y);
其中,D(x,y)代表轨道危险区域检测图像的像素点坐标为(x,y)与背景图像中像素点坐标为(x,y)的像素的像素值之差;p(x,y)表示轨道危险区域检测图像中像素点坐标为(x,y)的像素的像素值;B(x,y)表示背景图像中像素点坐标为(x,y)的像素的像素值。
如上的,其中,将轨道危险区域检测图像与背景图像的像素点坐标为(x,y)的像素的像素值之差D(x,y)与预设的异物阈值T进行比较,若轨道危险区域检测图像与背景图像的像素点坐标为(x,y)的像素的像素值之差D(x,y)大于预设的异物阈值T,则将该像素点坐标为(x,y)的像素的像素值替换成红色的像素值,用红色标记出来的即为异物。
如上的,其中,异物实际大小值S实际的计算公式为:
其中,i表示异物被分割的第几行;L表示异物被分割的总行数;Mi表示异物被分割的第i行的所有像素点的个数;I表示单个像素点在异物图像上的面积;Ji12表示异物被分割的第i行所在的直线方向上两条轨道之间的实际距离;Ti12表示异物被分割的第i行所在的直线方向上的两条轨道在异物图像上距离。
本申请还提供一种铁路异物入侵监测系统,该系统包括:
图像采集模块,用于在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;
图像提取模块,用于在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像;
预处理模块,用于对轨道危险区域检测图像进行预处理;
异物标记模块,用于计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物;
处理分析模块,用于计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号。
本申请实现的有益效果如下:
(1)本申请通过图像识别技术,自动检测图像中是否存在异物,并对异物实际大小进行检测,自动判断异物实际大小是否超过预设的危险报警值,若超过,则自动进行报警,提醒驾驶人员前方有危险异物,防止危险发生。
(2)本申请通过在监测图像中建立危险区域异物检测窗口,排除监测图像中房屋、平原或山脉等对监测结果的影响,从而提高轨道危险区域中异物检测的准确度。
(3)本申请检测滤波处理后的图像的清晰度是否符合要求,如果符合要求,则合格,否则,需对图像进行清晰化处理,提高了检测的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种铁路异物入侵检测方法的流程图。
图2为本申请实施例的轨道危险区域检测图像的示意图。
图3为本申请实施例的提取轨道危险区域检测图像方法的流程图。
图4为本申请实施例的对轨道危险区域检测图像进行预处理方法的流程图。
图5为本申请实施例的一种铁路异物入侵检测系统的结构示意图。
附图标记:1-危险区域异物检测窗口;2-第一轨道;3-第二轨道;4-异物;10-图像采集模块;20-图像提取模块;30-预处理模块;40-异物标记模块;50-处理分析模块;100-铁路异物入侵监测系统。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
如图1所示,本申请提供一种铁路异物入侵检测方法,该方法包括如下步骤:
步骤S1,在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像。
具体的,选取多个时间节点来获取监控视频的多帧监测图像,每个时间节点对应一帧监测图像,每帧监测图像反应其对应的时间节点时轨道的环境状况。
在夜间行驶时,开启前方照明系统,保证采集列车前方轨道的监控视频较为清晰。
步骤S2,在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像。
通过在监测图像中建立危险区域异物检测窗口,排除监测图像中房屋、平原或山脉等对监测结果的影响,从而提高轨道危险区域中异物检测的准确度。
如图3所示,步骤S2包括如下子步骤:
步骤S210,识别监测图像中轨道的形状和位置。
步骤S220,根据轨道的形状和位置,在轨道外周侧建立危险区域异物检测窗口,其中,危险区域异物检测窗口的侧边与轨道平行。
步骤S230,将位于危险区域异物检测窗口外侧的图像分割出来,保留位于危险区域异物检测窗口内侧的图像,形成轨道危险区域检测图像。
具体的,危险区域异物检测窗口根据轨道的形状建立,若铁路轨道为直线型,则建立直线型铁路轨道危险区域异物检测窗口;若铁路轨道为曲线型,则建立曲线型危险区域异物检测窗口。危险区域异物检测窗口的两侧边线平行于铁路轨道线,且向铁路轨道线两侧偏移一定距离,危险区域异物检测窗口的前边缘位于铁路轨道线的尽头,危险区域异物检测窗口的后边缘位于靠近列车的头部边缘。
如图2所示,建立危险区域异物检测窗口1,危险区域异物检测窗口1的两侧边位于第一轨道2和第二轨道3的两侧,可在危险区域异物检测窗口内检测到异物4(如图2所示)。
步骤S3,对轨道危险区域检测图像进行预处理。
如图4所示,步骤S3包括如下子步骤:
步骤S310,对轨道危险区域检测图像进行灰度化处理。
对轨道危险区域检测图像进行灰度化处理的计算公式为:
H=0.3R+0.59G+0.11B;
H表示灰度值;R表示红色;G表示绿色;B表示蓝色。
步骤S320,对灰度化处理后的轨道危险区域检测图像进行平滑滤波处理。
对轨道危险区域检测图像进行平滑滤波处理,滤除高频噪声,尽量保留图像细节特征下对轨道危险区域检测图像的噪声进行抑制,抽出轨道危险区域检测图像的特征,特征包括轮廓或边缘。
根据本发明的一个实施例,使用一个k乘以k维(即k行k列)的包含加权系数的窗口放在轨道危险区域检测图像上,对轨道危险区域检测图像进行加权平均,每一个像素点的值都由其本身和窗口邻域内的其他像素值进行加权平均后得到,即用窗口扫描图像中的每一个像素点,用窗口确定的邻域内的像素的加权平均值替换模板中心像素点的值。
根据本发明的一个具体实施例,滤波处理后输出的图像的像素值的计算公式如下:
其中,p(x,y)表示滤波处理后输出图像中像素点坐标为(x,y)的像素的像素值,f(x,y)表示轨道危险区域检测图像中像素点坐标为(x,y)的像素的像素值,(x,y)表示像素点的坐标,σ表示方差,σ越大,频带越宽,能够很好的抑制噪声;*表示卷积运算;e表示常数,e=2.718,k表示窗口的维数。
步骤S330,计算平滑滤波处理后轨道危险区域检测图像的清晰度Q,并判断清晰度是否超过预设的合格阈值Q合格,若未超过,则对图像进行清晰化处理,否则,结束预处理。
由于图像滤波处理后的图像会变得模糊,因此检测滤波处理后的图像的清晰度是否符合要求,如果符合要求,则合格,否则,需对图像进行清晰化处理,提高了检测的准确度。
平滑滤波处理后轨道危险区域检测图像的清晰度的计算公式为:
其中,Q表示清晰度,p(x,y)表示滤波处理后输出图像中像素点坐标为(x,y)的像素的像素值;N表示滤波处理后输出图像矩阵的总行数;M表示滤波处理后输出图像矩阵的总列数。
步骤S340,对轨道危险区域检测图像进行清晰化处理,获得理想清晰的轨道危险区域检测图像。
清晰化处理的公式为:
其中,T(x,y)表示清晰化处理后的图像中像素点坐标为(x,y)的像素的像素值,J(r)表示实际镜头的衍射极限值;w表示频率;F-1(·)表示傅里叶逆运算。
步骤S4,计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物。
预先建立背景图像的方法为:
通过将一段时间内连续采集到的无异物图像的每个像素点的像素值进行累加,求平均值得到背景图像的像素值。
背景图像的像素值的计算公式为:
其中,B(x,y)表示背景图像中像素点坐标为(x,y)的像素的像素值;X表示连续采集到的无异物图像的总帧数;Zi(x,y)表示第i帧无异物图像中像素点坐标为(x,y)的像素的像素值。
对背景图像进行更新,每间隔一定时间更新一次背景图像。
计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差的公式为:
D(x,y)=p(x,y)-B(x,y);
其中,D(x,y)代表轨道危险区域检测图像的像素点坐标为(x,y)与背景图像的像素点坐标为(x,y)的像素的像素值之差;p(x,y)表示轨道危险区域检测图像中像素点坐标为(x,y)的像素的像素值;B(x,y)表示背景图像中像素点坐标为(x,y)的像素的像素值。
将轨道危险区域检测图像像素点坐标为(x,y)与背景图像像素点坐标为(x,y)的像素的像素值之差D(x,y)与预设的异物阈值T进行比较,若轨道危险区域检测图像像素点坐标为(x,y)与背景图像的像素点坐标为(x,y)的像素的像素值之差D(x,y)大于预设的异物阈值T,则将该像素点坐标(x,y)的像素的像素值用红色的像素值替换掉,用红色标记出来的即为异物。
步骤S5,计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号,否则,继续监测异物。
具体的,将异物按照一个像素的宽度沿水平方向分割为N行,然后计算异物实际大小值。
具体的,异物实际大小值S实际的计算公式为:
其中,i表示异物被分割的第几行;L表示异物被分割的总行数;Mi表示异物在第i行的所有像素点的个数;I表示单个像素点在异物图像上的面积;Ji12表示异物被分割的第i行所在的直线方向上两条轨道之间的实际距离;Ti12表示异物被分割的第i行所在的直线方向上的两条轨道在异物图像上距离。
其中,异物被分割的第i行所在的直线方向上两条轨道之间的实际距离Ji12为已知数据。
第i行被分割的异物所在的直线方向上两条轨道之间的距离Ti12的计算公式为:
其中,(x1,y1)表示异物被分割的第i行直线方向上第一条轨道的像素点的坐标;(x2,y2)表示异物被分割的第i行直线方向上第二条轨道的像素点的坐标。
将计算获得的异物实际大小值S实际和预设的危险报警值S报警进行比较,若异物实际大小值S实际大于危险报警值S报警,则发出报警,列车紧急制动,工作人员检查列车行驶前方轨道上的情况,待确认安全后,继续前行。
实施例二
如图5所示,本申请提供一种铁路异物入侵监测系统100,该系统包括:
图像采集模块10,用于在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;
图像提取模块20,用于在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像;
预处理模块30,用于对轨道危险区域检测图像进行预处理;
异物标记模块40,用于计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物;
处理分析模块50,用于计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号。
本申请实现的有益效果如下:
(1)本申请通过图像识别技术,自动检测图像中是否存在异物,并对异物实际大小进行检测,自动判断异物实际大小是否超过预设的危险报警值,若超过,则自动进行报警,提醒驾驶人员前方有危险异物,防止危险发生。
(2)本申请通过在监测图像中建立危险区域异物检测窗口,排除监测图像中房屋、平原或山脉等对监测结果的影响,从而提高轨道危险区域中异物检测的准确度。
(3)本申请检测滤波处理后的图像的清晰度是否符合要求,如果符合要求,则合格,否则,需对图像进行清晰化处理,提高了检测的准确度。
Claims (10)
1.一种铁路异物入侵监测方法,其特征在于,该方法包括:
在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;
在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像;
对轨道危险区域检测图像进行预处理;
计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物;
计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号,否则,继续监测异物。
2.根据权利要求1所述的铁路异物入侵监测方法,其特征在于,提取轨道危险区域检测图像的方法包括如下子步骤:
识别监测图像中轨道的形状和位置;
根据轨道的形状和位置,在轨道外周侧建立危险区域异物检测窗口;
将位于危险区域异物检测窗口外侧的图像分割出来,保留位于危险区域异物检测窗口内侧的图像,形成轨道危险区域检测图像。
3.根据权利要求1所述的铁路异物入侵监测方法,其特征在于,对轨道危险区域检测图像进行预处理的方法包括如下子步骤:
对轨道危险区域检测图像进行灰度化处理;
对轨道危险区域检测图像进行平滑滤波处理;
计算平滑滤波处理后轨道危险区域检测图像的清晰度Q,并判断清晰度是否超过预设的合格阈值Q合格,若未超过,则对图像进行清晰化处理,否则,结束预处理。
7.根据权利要求1所述的铁路异物入侵监测方法,其特征在于,计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差的公式为:
D(x,y)=p(x,y)-B(x,y);
其中,D(x,y)代表轨道危险区域检测图像的像素点坐标为(x,y)与背景图像中像素点坐标为(x,y)的像素的像素值之差;p(x,y)表示轨道危险区域检测图像中像素点坐标为(x,y)的像素的像素值;B(x,y)表示背景图像中像素点坐标为(x,y)的像素的像素值。
8.根据权利要求1所述的铁路异物入侵监测方法,其特征在于,将轨道危险区域检测图像与背景图像的像素点坐标为(x,y)的像素的像素值之差D(x,y)与预设的异物阈值T进行比较,若轨道危险区域检测图像与背景图像的像素点坐标为(x,y)的像素的像素值之差D(x,y)大于预设的异物阈值T,则将该像素点坐标为(x,y)的像素的像素值替换成红色的像素值,用红色标记出来的即为异物。
10.一种铁路异物入侵监测系统,其特征在于,该系统包括:
图像采集模块,用于在列车行驶的过程中,采集列车前方轨道的监控视频,实时获取监控视频内的多帧监测图像;
图像提取模块,用于在监测图像中建立危险区域异物检测窗口,并提取监测图像位于危险区域异物检测窗口内的轨道危险区域检测图像:
预处理模块,用于对轨道危险区域检测图像进行预处理;
异物标记模块,用于计算预处理后的轨道危险区域检测图像与预先建立的背景图像的各个像素点之间的像素值之差,获得异物图像,标记异物图像中的异物;
处理分析模块,用于计算异物实际大小值,将异物实际大小值与预设的危险报警值进行比较,若超过预设的阈值,则发出报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460333.8A CN111626204B (zh) | 2020-05-27 | 2020-05-27 | 一种铁路异物入侵监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460333.8A CN111626204B (zh) | 2020-05-27 | 2020-05-27 | 一种铁路异物入侵监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626204A true CN111626204A (zh) | 2020-09-04 |
CN111626204B CN111626204B (zh) | 2022-01-11 |
Family
ID=72271331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460333.8A Active CN111626204B (zh) | 2020-05-27 | 2020-05-27 | 一种铁路异物入侵监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626204B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101233A (zh) * | 2020-09-16 | 2020-12-18 | 中南大学 | 轨道交通线路异物入侵监测方法、系统及计算机存储介质 |
CN113160217A (zh) * | 2021-05-12 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种线路异物的检测方法、装置、设备及存储介质 |
CN113706901A (zh) * | 2021-08-31 | 2021-11-26 | 重庆交通大学 | 高速公路隧道入口段事故智慧防控与预警系统 |
CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司(Cn) | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859385A (zh) * | 2010-06-29 | 2010-10-13 | 上海大学 | 基于图像的局部模糊篡改盲检测方法 |
CN102722875A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于视觉注意和质量可变的图像超分辨率重建方法 |
US20130343604A1 (en) * | 2012-06-22 | 2013-12-26 | Canon Kabushiki Kaisha | Video processing apparatus and video processing method |
CN103927749A (zh) * | 2014-04-14 | 2014-07-16 | 深圳市华星光电技术有限公司 | 图像处理方法、装置和自动光学检测机 |
CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
CN104992139A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于运动矢量与圆形度匹配的落石检测方法 |
CN105635567A (zh) * | 2015-12-24 | 2016-06-01 | 小米科技有限责任公司 | 拍照方法和装置 |
CN105930855A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种基于深度卷积神经网的车辆检测方法 |
CN106971159A (zh) * | 2017-03-23 | 2017-07-21 | 中国联合网络通信集团有限公司 | 一种图像清晰度识别方法、身份认证方法及装置 |
CN107146264A (zh) * | 2017-04-28 | 2017-09-08 | 南京大学 | 一种提取材质表面几何和光照物理属性的方法 |
CN107451999A (zh) * | 2017-08-16 | 2017-12-08 | 中惠创智无线供电技术有限公司 | 基于图像识别的异物检测方法和装置 |
CN108163014A (zh) * | 2017-12-26 | 2018-06-15 | 郑州畅想高科股份有限公司 | 一种机车乘务员辅助瞭望预警方法及装置 |
CN108416285A (zh) * | 2018-03-02 | 2018-08-17 | 深圳市佳信捷技术股份有限公司 | 枪球联动监控方法、装置及计算机可读存储介质 |
CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种通道安全检测方法、装置及电子设备 |
CN109598187A (zh) * | 2018-10-15 | 2019-04-09 | 西北铁道电子股份有限公司 | 障碍物识别方法、障碍物识别系统及轨道车自动驾驶装置 |
CN110032971A (zh) * | 2019-04-12 | 2019-07-19 | 南京理工大学 | 基于单目摄像头的移动平台异物检测检测方法及检测系统 |
CN110969793A (zh) * | 2019-12-25 | 2020-04-07 | 珠海大横琴科技发展有限公司 | 环岛电子围网的周界防船舶入侵方法、系统及存储介质 |
-
2020
- 2020-05-27 CN CN202010460333.8A patent/CN111626204B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859385A (zh) * | 2010-06-29 | 2010-10-13 | 上海大学 | 基于图像的局部模糊篡改盲检测方法 |
CN102722875A (zh) * | 2012-05-29 | 2012-10-10 | 杭州电子科技大学 | 一种基于视觉注意和质量可变的图像超分辨率重建方法 |
US20130343604A1 (en) * | 2012-06-22 | 2013-12-26 | Canon Kabushiki Kaisha | Video processing apparatus and video processing method |
CN103927749A (zh) * | 2014-04-14 | 2014-07-16 | 深圳市华星光电技术有限公司 | 图像处理方法、装置和自动光学检测机 |
CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
CN104992139A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于运动矢量与圆形度匹配的落石检测方法 |
CN105635567A (zh) * | 2015-12-24 | 2016-06-01 | 小米科技有限责任公司 | 拍照方法和装置 |
CN105930855A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种基于深度卷积神经网的车辆检测方法 |
CN106971159A (zh) * | 2017-03-23 | 2017-07-21 | 中国联合网络通信集团有限公司 | 一种图像清晰度识别方法、身份认证方法及装置 |
CN107146264A (zh) * | 2017-04-28 | 2017-09-08 | 南京大学 | 一种提取材质表面几何和光照物理属性的方法 |
CN107451999A (zh) * | 2017-08-16 | 2017-12-08 | 中惠创智无线供电技术有限公司 | 基于图像识别的异物检测方法和装置 |
CN108163014A (zh) * | 2017-12-26 | 2018-06-15 | 郑州畅想高科股份有限公司 | 一种机车乘务员辅助瞭望预警方法及装置 |
CN108416285A (zh) * | 2018-03-02 | 2018-08-17 | 深圳市佳信捷技术股份有限公司 | 枪球联动监控方法、装置及计算机可读存储介质 |
CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种通道安全检测方法、装置及电子设备 |
CN109598187A (zh) * | 2018-10-15 | 2019-04-09 | 西北铁道电子股份有限公司 | 障碍物识别方法、障碍物识别系统及轨道车自动驾驶装置 |
CN110032971A (zh) * | 2019-04-12 | 2019-07-19 | 南京理工大学 | 基于单目摄像头的移动平台异物检测检测方法及检测系统 |
CN110969793A (zh) * | 2019-12-25 | 2020-04-07 | 珠海大横琴科技发展有限公司 | 环岛电子围网的周界防船舶入侵方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
王一丁等: "《数字图像处理》", 31 August 2015, 西安电子科技大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101233A (zh) * | 2020-09-16 | 2020-12-18 | 中南大学 | 轨道交通线路异物入侵监测方法、系统及计算机存储介质 |
CN112101233B (zh) * | 2020-09-16 | 2024-04-09 | 中南大学 | 轨道交通线路异物入侵监测方法、系统及计算机存储介质 |
CN113160217A (zh) * | 2021-05-12 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种线路异物的检测方法、装置、设备及存储介质 |
CN113706901A (zh) * | 2021-08-31 | 2021-11-26 | 重庆交通大学 | 高速公路隧道入口段事故智慧防控与预警系统 |
CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司(Cn) | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111626204B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626204B (zh) | 一种铁路异物入侵监测方法及系统 | |
CN111626207B (zh) | 一种基于图像处理的列车前方异物入侵检测方法及系统 | |
CN111626203B (zh) | 一种基于机器学习的铁路异物识别方法及系统 | |
CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
CN110862033B (zh) | 一种应用于煤矿斜井绞车的智能预警检测方法 | |
WO2018156703A1 (en) | Broken wheel detection system | |
CN109359594A (zh) | 一种基于视频处理的矿井皮带异常检测方法及装置 | |
CN102496275B (zh) | 客车超载检测方法 | |
CN109448365A (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
CN110255318B (zh) | 基于图像语义分割的电梯轿厢闲置物品检测的方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN102110366B (zh) | 一种基于块累积的高速公路车辆停车事件检测方法 | |
CN113484858A (zh) | 一种入侵检测方法和系统 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN114529880A (zh) | 一种城市轨道异物侵限检测方法、装置、系统及存储介质 | |
CN107169969B (zh) | 一种基于fpga的公路危岩崩塌堆积物大小测量及报警系统 | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN111553500B (zh) | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 | |
CN116597394A (zh) | 一种基于深度学习的铁路异物侵限检测系统及方法 | |
CN111368812B (zh) | 一种列车前方异物侵限检测方法及系统 | |
JP2008152586A (ja) | エリア警戒自動識別監視システム | |
CN115755069A (zh) | 一种轨道异物检测装置、检测系统及检测方法 | |
CN115743195A (zh) | 一种矿用智能平板车 | |
CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211108 Address after: 310022 Room 401, unit 2, building 17, Liushui Dongyuan, Xiacheng District, Hangzhou City, Zhejiang Province Applicant after: Wang Haiyang Address before: 101300 room 3001, 3rd floor, 102 door, building 8, yard 12, Xinzhong street, Nanfaxin Town, Shunyi District, Beijing Applicant before: Beijing Weijie Dongbo Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |