CN111754477B - 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 - Google Patents

基于动态候选区多尺度图像的铁路周界异物入侵检测方法 Download PDF

Info

Publication number
CN111754477B
CN111754477B CN202010565024.7A CN202010565024A CN111754477B CN 111754477 B CN111754477 B CN 111754477B CN 202010565024 A CN202010565024 A CN 202010565024A CN 111754477 B CN111754477 B CN 111754477B
Authority
CN
China
Prior art keywords
image
target
frame image
frame
scale
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
CN202010565024.7A
Other languages
English (en)
Other versions
CN111754477A (zh
Inventor
谢征宇
李传
秦勇
贾利民
孙雨萌
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 Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010565024.7A priority Critical patent/CN111754477B/zh
Publication of CN111754477A publication Critical patent/CN111754477A/zh
Application granted granted Critical
Publication of CN111754477B publication Critical patent/CN111754477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法。该方法包括：获取铁路周界的监控视频，提取监控视频的第1帧到第N帧图像；采用高斯金字塔算法分别构造第1帧到第N帧图像的多尺度图像；将第N帧图像的多尺度图像与第N‑1帧图像的多尺度图像做差分运算提取第N帧图像的动态目标候选区；将第N帧图像的多尺度图像与背景模型图像做差分运算得到第N帧图像的入侵目标前景信息；将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，并进行目标识别分析，输出第N帧图像中的入侵目标特征信息。本发明既能快速、准确地检测出铁路场景内的异物入侵目标，漏报率和误报率均较低，而且计算效率高，占用计算资源少。

Description

基于动态候选区多尺度图像的铁路周界异物入侵检测方法
技术领域
本发明涉及轨道交通安全技术领域，尤其涉及一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法。
背景技术
截至2019年底，我国铁路营业里程达到13.9万公里，高速铁路营业里程达到3.5万公里。《中长期铁路网规划》提出：到2025年底，铁路网规模达到17.5万公里左右，其中高速铁路3.8万公里左右。随着铁路大规模投入运营，铁路周界安全问题日益凸显，侵入铁路周界、妨碍列车正常运行的物体会对铁路安全造成较大影响和安全威胁，如列车晚点、停运、人员伤亡及经济损失。因此，及时发现入侵铁路周界的行人、落石等异物，对维护铁路安全和正常运营至关重要，将直接影响到列车的安全运营。
基于图像处理的铁路场景周界入侵目标检测是利用计算机视觉技术和人工智能技术对铁路场景的视频序列进行描述、理解和分析，借助计算机强大的数据处理能力过滤画面中无用的干扰信息，抽取画面中的有效信息，对监控场景中的变化进行识别、定位和跟踪，并在此基础上分析和判断周界入侵目标的行为，在入侵行为发生时及时发出警报或提供有用信息，协助负责人员处理危机。但目前铁路现场的视频处理方法较为简单，误报率较高，目前仍需较多的人工参与才能完成各种监控任务。
目前，现有技术中的铁路视频监控系统多采用固定摄像头的定点监控，采集到的视频背景基本静止，采用的运动目标检测算法主要包括帧差法、光流法和背景差法等。帧差法比较简单容易实现，并且计算量小实时性好、对硬件要求不高。光流法是利用目标运动的光流矢量具有连续性的特点来检测视频中的运动目标，优势在于不易受背景运动的影响
上述现有技术中的铁路视频监控系统的缺点为：帧差法受光照、天气等外界环境变化的影响较小，但只能检测出图像中运动目标的轮廓信息，其结果不适合直接作为监控系统报警的信息源。光流法的算法复杂度高、实时性差。背景差法需要先对图像序列建立背景模型，然后将当前帧与背景模型做差分运算，对差分图像分析处理获得运动目标。难点主要而在于背景模型的建立和更新。
发明内容
本发明的实施例提供了一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法，包括：
获取铁路周界的监控视频，提取所述监控视频的第1帧到第N帧图像；
采用高斯金字塔算法分别构造第1帧到第N帧图像的多尺度图像；
将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算得到二值化图像，根据所述二值化图像提取第N帧图像的动态目标候选区；
将所述第N帧图像的多尺度图像与背景模型图像做差分运算得到二值化图像，根据所述二值化图像得到第N帧图像的入侵目标前景信息；
将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，对信息融合的结果进行目标识别分析，输出第N帧图像中的入侵目标特征信息。
优选地，所述的将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算得到二值化图像，根据所述二值化图像提取第N帧图像的动态目标候选区，包括：
将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算，根据差分运算结果和预定的阈值T1得到二值化图像；
对所述二值化图像的像素值进行灰度投影，计算某行的像素累加值得到列表DH，计算某列的像素累加值得到列表DP，将列表DH中等于预定阈值TH的值加入候选区坐标集合H中，将列表DP中等于预定阈值TP的值加入候选区坐标集合P中，取候选区坐标集合H和P中第2小的值作为目标动态候选区的端点，得到目标动态候选区的左上角坐标为(Pmin2，Hmin2)；取候选区坐标集合H和P中第2大的值作为目标动态候选区的端点，得到目标动态候选区的右下角角坐标为(Pmax2，Hmax2)；
根据所述目标动态候选区的左上角坐标和右下角角坐标构成长方形的目标动态候选区，该目标动态候选区的长为Pmax2-Pmin2，宽为Hmax2-Hmin2。
优选地，所述的将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算，根据差分运算结果和预定的阈值T1得到二值化图像，包括：
将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T1，并将各个像素点的差值的绝对值与T1作比较，如果差值的绝对值大于T1，则该像素点处的重置结果为1，如果差值的绝对值不大于预定的阈值T1，则该像素点处的重置结果为0。根据所有像素点处的重置结果构成与第3层图像的尺寸相同大小的二值化图像。
优选地，所述的将第N帧图像的多尺度图像与背景模型图像做差分运算得到二值化图像，根据所述二值化图像得到第N帧图像的入侵目标前景信息，包括：
将第N帧图像的多尺度图像集合中的第2层图像与背景模型图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T2，并将各个像素点的差值的绝对值与T2作比较，如果差值的绝对值大于T2，则该像素点处的重置结果为1；如果差值的绝对值不大于预定的阈值，则该像素点处的重置结果为0。根据所有像素点处的重置结果构成与第2层图像的尺寸相同大小的包含入侵目标的二值化图像，该二值化图像为入侵目标前景信息，所述背景模型图像从视频的第1帧图像中提取。
优选地，所述的将所述第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，对信息融合的结果进行目标识别分析，输出第N帧图像中的入侵目标特征信息，包括：
将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像之间的差分运算结果作为第一差运算结果，将第N帧图像的多尺度图像集合中的第2层图像与背景模型图像之间的差分运算结果作为第二差运算结果，对所述第一差运算结果和所述第二差运算结果进行或运算，将所述或运算的结果通过目标动态候选区进行过滤，只保留目标动态候选区内的结果，通过连通域分析的方法对所述目标动态候选区的过滤结果进行目标识别分析，输出所述第N帧图像中的入侵目标的数量、尺寸、位置特征信息。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出了一种基于动态候选区的多尺度图像铁路周界异物入侵检测方法。通过构建多尺度图像集合，不仅能有效利用较高分辨率图像的细节信息和较低分辨率图像的边缘信息，准确获取画面中异物入侵的目标数量和位置，还能加速算法的检测速度。该发明既能快速、准确地检测出铁路场景内的异物入侵目标，漏报率和误报率均较低，而且计算效率高，占用计算资源少。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于动态候选区的多尺度铁路周界异物入侵检测方法的流程示意图；
图2为本发明具体实例中所述基于动态候选区的多尺度铁路周界异物入侵检测方法的流程示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例为了保障铁路安全运营，实时、准确地发现铁路周界入侵目标，提高处理效率，降低计算资源，提供了一种基于动态候选区的多尺度图像铁路周界异物入侵检测方法，通过对视频序列中的每帧图像构造高斯图像金字塔，对低分辨率图像根据其灰度投影曲线变化规律获得目标的动态候选区；对高分辨率图像采用背景差分法获取含入侵目标的前景图像，并对两者的融合结果进行入侵目标识别。
本发明实施例提供了一种基于动态候选区的多尺度图像铁路周界异物入侵检测方法。图1所示为本实施例所述基于动态候选区的多尺度图像铁路周界异物入侵检测方法流程示意图。如图1所示，所述铁路周界异物入侵检测方法包括如下步骤：
步骤S1，通过摄像机获取铁路周界监控视频；
步骤S2，提取铁路周界监控视频的第1帧到第N帧图像；
步骤S3，采用第一算法，构造第1帧到第N帧图像的多尺度图像集合；
步骤S4，采用第二算法，利用第N帧图像的多尺度图像集合中的低分辨率图像信息，提取第N帧图像的动态目标候选区，过滤第N帧图像中的冗余信息；
步骤S5，采用第三算法，利用第N帧图像的多尺度图像集合中的高分辨率图像信息，提取第N帧图像的入侵目标前景信息；
步骤S6，将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，通过连通域分析的方法对信息融合的结果进行目标识别分析，输出入侵目标数量、尺寸、位置特征信息。所述信息融合是将步骤S4得到的差分结果与步骤S5得到的差分结果进行或运算，然后，将或运算的结果再通过目标动态候选区进行过滤，只保留目标动态候选区内的结果。
上述方案中，所述第一算法为高斯金字塔算法，设提取视频帧图像为G1(i，j)，i、j为图像的宽度和高度，则G1(i，j)为多尺度图像的第1层，多尺度图像的第2层图像根据以下公式生成，
其中w(m，n)＝h(m)h(n)是一个低通滤波器，窗口尺寸采用常用的5×5，h服从高斯密度分布函数。
上述方案中，所述第二算法为将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算，根据预定的阈值T1，得到一张二值化图像，对二值化图像的像素值进行灰度投影，计算某行或某列的像素累加值，得到两个列表DH和DP，根据预定的阈值TH和TP，将列表DH中等于预定阈值的值加入候选区坐标集合H中，将列表DP中等于预定阈值的值加入候选区坐标集合P中。取候选区坐标集合H和P中第2小的值作为目标动态候选区的端点，得到目标动态候选区的左上角坐标为(Pmin2，Hmin2)；取候选区坐标集合H和P中第2大的值作为目标动态候选区的端点，得到目标动态候选区的右下角角坐标为(Pmax2，Hmax2)。
根据目标动态候选区的左上角坐标和右下角角坐标构成长方形的目标动态候选区，该目标动态候选区的长为Pmax2-Pmin2，宽为Hmax2-Hmin2。
上述方案中，所述第三算法为第N帧图像与背景模型做差分运算，根据预定的阈值T2，得到一张包含入侵目标的二值化图像。
下面以一个具体的实例，对本实施例作进一步详细的说明。
采用本实施例对异物入侵进行检测。图2所示为本实例的铁路周界异物入侵检测方法流程图。如图2所示，通过以下步骤进行异物入侵检测：
步骤S101，获取某一时刻铁路周界监控视频，分辨率大小为1080P；
步骤S102，提取视频的第N帧图像；
步骤S103，采用高斯金字塔的方法，对第N帧图像构造多尺度图像集合，第1层图像的尺寸为1920×1080，第2层图像的尺寸为960×540，第3层图像的尺寸为480×270；
步骤S104，将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T1，并将各个像素点的差值的绝对值与T1作比较，如果差值的绝对值大于T1，则该像素点处的重置结果为1，如果差值的绝对值不大于预定的阈值T1，则该像素点处的重置结果为0。根据所有像素点处的重置结果构成与第3层图像的尺寸相同大小的二值化图像。
步骤S105，对步骤S104得到的二值化图像进行横向和纵向的像素值灰度投影，得到两个像素累加值列表DH和DP，将其中等于预定阈值TH和TP的值加入候选区坐标集合H和P中，取集合H和P中第2小和第2大的值作为目标动态候选区的端点，得到目标动态候选区的左上角坐标为(Pmin2，Hmin2)，右下角角坐标为(Pmax2，Hmax2)；根据所述目标动态候选区的左上角坐标和右下角角坐标构成长方形的目标动态候选区，该目标动态候选区的长为Pmax2-Pmin2，宽为Hmax2-Hmin2。
步骤S106，第N帧图像多尺度图像集合中的第2层图像与背景模型图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T2，并将各个像素点的差值的绝对值与T2作比较，如果差值的绝对值大于T2，则该像素点处的重置结果为1；如果差值的绝对值不大于预定的阈值，则该像素点处的重置结果为0。根据所有像素点处的重置结果构成与第2层图像的尺寸相同大小的包含入侵目标的二值化图像，该二值化图像为入侵目标前景信息。其中背景模型图像从视频的第1帧图像中提取。
步骤S107，将目标动态候选区和入侵目标前景信息进行结果融合，将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像之间的差分运算结果作为第一差运算结果，将第N帧图像的多尺度图像集合中的第2层图像与背景模型图像之间的差分运算结果作为第二差运算结果，对所述第一差运算结果和所述第二差运算结果进行或运算，将所述或运算的结果通过目标动态候选区进行过滤，只保留目标动态候选区内的结果。
然后，通过连通域分析的方法对目标动态候选区的过滤结果进行目标识别分析，输出所述第N帧图像中的入侵目标的数量、尺寸、位置特征信息。
综上所述，本发明实施例针对铁路场景的图像特点，提出了一种基于动态候选区的多尺度图像铁路周界异物入侵检测方法。通过构建多尺度图像集合，不仅能有效利用较高分辨率图像的细节信息和较低分辨率图像的边缘信息，准确获取画面中异物入侵的目标数量和位置，还能加速算法的检测速度。该发明既能快速、准确地检测出铁路场景内的异物入侵目标，漏报率和误报率均较低，而且计算效率高，占用计算资源少。
本发明实施例的基于基于动态候选区的多尺度图像铁路周界异物入侵检测方法，可以提高铁路视频监控系统的入侵目标识别率、提高处理效率，减少监控资源配置和降低监控系统成本。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于动态候选区多尺度图像的铁路周界异物入侵检测方法，其特征在于，包括：
获取铁路周界的监控视频，提取所述监控视频的第1帧到第N帧图像；
采用高斯金字塔算法分别构造第1帧到第N帧图像的多尺度图像；
将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算得到二值化图像，根据所述二值化图像提取第N帧图像的动态目标候选区；
将所述第N帧图像的多尺度图像与背景模型图像做差分运算得到二值化图像，根据所述二值化图像得到第N帧图像的入侵目标前景信息；
将第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，对信息融合的结果进行目标识别分析，输出第N帧图像中的入侵目标特征信息；
所述的将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算得到二值化图像，根据所述二值化图像提取第N帧图像的动态目标候选区，包括：
将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算，根据差分运算结果和预定的阈值T1得到二值化图像；
对所述二值化图像的像素值进行灰度投影，计算某行的像素累加值得到列表DH，计算某列的像素累加值得到列表DP，将列表DH中等于预定阈值TH的值加入候选区坐标集合H中，将列表DP中等于预定阈值TP的值加入候选区坐标集合P中，取候选区坐标集合H和P中第2小的值作为目标动态候选区的端点，得到目标动态候选区的左上角坐标为(Pmin2，Hmin2)；取候选区坐标集合H和P中第2大的值作为目标动态候选区的端点，得到目标动态候选区的右下角角坐标为(Pmax2，Hmax2)；
根据所述目标动态候选区的左上角坐标和右下角角坐标构成长方形的目标动态候选区，该目标动态候选区的长为Pmax2-Pmin2，宽为Hmax2-Hmin2；
将所述第N帧图像的目标动态候选区和入侵目标前景信息进行信息融合，对信息融合的结果进行目标识别分析，输出第N帧图像中的入侵目标特征信息，包括：
将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像之间的差分运算结果作为第一差运算结果，将第N帧图像的多尺度图像集合中的第2层图像与背景模型图像之间的差分运算结果作为第二差运算结果，对所述第一差运算结果和所述第二差运算结果进行或运算，将所述或运算的结果通过目标动态候选区进行过滤，只保留目标动态候选区内的结果，通过连通域分析的方法对所述目标动态候选区的过滤结果进行目标识别分析，输出所述第N帧图像中的入侵目标的数量、尺寸、位置特征信息。
2.根据权利要求1所述的方法，其特征在于，所述的将第N帧图像的多尺度图像与第N-1帧图像的多尺度图像做差分运算，根据差分运算结果和预定的阈值T1得到二值化图像，包括：
将第N帧图像的多尺度图像集合中的第3层图像与第N-1帧图像的多尺度图像集合中的第3层图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T1，并将各个像素点的差值的绝对值与T1作比较，如果差值的绝对值大于T1，则该像素点处的重置结果为1，如果差值的绝对值不大于预定的阈值T1，则该像素点处的重置结果为0，根据所有像素点处的重置结果构成与第3层图像的尺寸相同大小的二值化图像。
3.根据权利要求1所述的方法，其特征在于，所述的将第N帧图像的多尺度图像与背景模型图像做差分运算得到二值化图像，根据所述二值化图像得到第N帧图像的入侵目标前景信息，包括：
将第N帧图像的多尺度图像集合中的第2层图像与背景模型图像逐像素点做差运算，取所有像素点的差值绝对值的中值为阈值T2，并将各个像素点的差值的绝对值与T2作比较，如果差值的绝对值大于T2，则该像素点处的重置结果为1；如果差值的绝对值不大于预定的阈值，则该像素点处的重置结果为0，根据所有像素点处的重置结果构成与第2层图像的尺寸相同大小的包含入侵目标的二值化图像，该二值化图像为入侵目标前景信息，所述背景模型图像从视频的第1帧图像中提取。
CN202010565024.7A 2020-06-19 2020-06-19 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 Active CN111754477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010565024.7A CN111754477B (zh) 2020-06-19 2020-06-19 基于动态候选区多尺度图像的铁路周界异物入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010565024.7A CN111754477B (zh) 2020-06-19 2020-06-19 基于动态候选区多尺度图像的铁路周界异物入侵检测方法

Publications (2)

Publication Number Publication Date
CN111754477A CN111754477A (zh) 2020-10-09
CN111754477B true CN111754477B (zh) 2024-02-09

Family

ID=72675253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010565024.7A Active CN111754477B (zh) 2020-06-19 2020-06-19 基于动态候选区多尺度图像的铁路周界异物入侵检测方法

Country Status (1)

Country Link
CN (1) CN111754477B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686107B (zh) * 2020-12-21 2024-10-15 中国铁道科学研究院集团有限公司电子计算技术研究所 隧道入侵物体检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1169342A (ja) * 1997-08-22 1999-03-09 Hitachi Denshi Ltd 侵入物体追尾画像処理システム
CN103714319A (zh) * 2013-12-18 2014-04-09 国家电网公司 一种用于电力线防外力破坏系统的视频入侵检测方法
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN106327520A (zh) * 2016-08-19 2017-01-11 苏州大学 一种运动目标检测方法及系统
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法
CN107253485A (zh) * 2017-05-16 2017-10-17 北京交通大学 异物侵入检测方法及异物侵入检测装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1169342A (ja) * 1997-08-22 1999-03-09 Hitachi Denshi Ltd 侵入物体追尾画像処理システム
CN103714319A (zh) * 2013-12-18 2014-04-09 国家电网公司 一种用于电力线防外力破坏系统的视频入侵检测方法
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN106327520A (zh) * 2016-08-19 2017-01-11 苏州大学 一种运动目标检测方法及系统
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法
CN107253485A (zh) * 2017-05-16 2017-10-17 北京交通大学 异物侵入检测方法及异物侵入检测装置

Also Published As

Publication number Publication date
CN111754477A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN106980829B (zh) 基于视频分析的打架斗殴异常行为自动检测方法
CN111160125A (zh) 基于铁路监控的铁路异物入侵检测方法
CN104866827A (zh) 基于视频监控平台的人员翻越行为的检测方法
CN110781853B (zh) 人群异常检测方法以及相关装置
CN109101944B (zh) 一种识别向河道内抛投垃圾的实时视频监控方法
CN105809679A (zh) 一种基于视觉分析的山区铁路边坡落石检测方法
CN102930248A (zh) 基于机器学习的人群异常行为检测方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
Karpagavalli et al. Estimating the density of the people and counting the number of people in a crowd environment for human safety
CN107480653A (zh) 基于计算机视觉的客流量检测方法
CN109489724A (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
CN105160297A (zh) 基于肤色特征的蒙面人事件自动检测方法
CN104881643B (zh) 一种快速的遗留物检测方法及系统
CN108275530A (zh) 一种基于机器学习的电梯安全预警方法
CN113537007B (zh) 应用于铁路站台的非工作人员入侵检测与报警方法和装置
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN103425960A (zh) 一种视频中快速运动物体侦测方法
CN107657260B (zh) 一种输电线路周边环境中地面隐患的检测方法
CN112907597A (zh) 基于深度卷积神经网络的铁路轨道线检测方法
CN111754477B (zh) 基于动态候选区多尺度图像的铁路周界异物入侵检测方法
CN110348329B (zh) 基于视频序列帧间信息的行人检测方法
CN109583414B (zh) 基于视频检测的室内占道检测方法、设备、介质及处理器
Hashmi et al. Computer-vision based visual inspection and crack detection of railroad tracks
CN103824074A (zh) 一种基于背景减除和纹理特征的人群密度估计方法及系统
CN112329671B (zh) 一种基于深度学习的行人奔跑行为检测方法及相关组件

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