CN112488056A - 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 - Google Patents
一种基于计算机视觉的直线轨道异物入侵检测方法及装置 Download PDFInfo
- Publication number
- CN112488056A CN112488056A CN202011501862.4A CN202011501862A CN112488056A CN 112488056 A CN112488056 A CN 112488056A CN 202011501862 A CN202011501862 A CN 202011501862A CN 112488056 A CN112488056 A CN 112488056A
- Authority
- CN
- China
- Prior art keywords
- module
- line segment
- image
- line
- computer vision
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 5
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于计算机视觉的直线轨道异物入侵检测方法及装置，包括：读取相机图像，灰度化处理；梯度特征提取；二值化处理；掩膜覆盖，留下感兴趣区域内的有效信息；对二值化感兴趣图像进行处理，得到图像内的线段特征；对线段特征进行规则过滤，留下符合轨道特点的直线特征；对线段集合进行聚类；对线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到趋势线；在感兴趣区域上，将趋势线周围的区域转换为鸟瞰图视角；检测趋势线上二值化特征断开的部分，得到障碍物信息；将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息。通过本发明，运行成本低、效率高，对所有类别的异物都能够识别，精确度高、误报率低。
Description
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种基于计算机视觉的直线轨道异物入侵检测方法及装置。
背景技术
轨道异物入侵是损害轨道列车行驶安全的严重问题之一，异物通常指非法出现在铁轨上并危害轨道列车行驶的一切物体，如：非法行人、滞留工作人员、动物、车辆、石块、树木等等障碍物。当前保障轨道安全的主要方式基本基于人工巡检与驾驶员视觉，由于列车车速较高及人眼疲劳等问题，传统方法难以满足异物入侵检测的需求。
利用计算机视觉的方法完成轨道异物入侵检测旨在通过机器实时并准确获知异物信息，为后续决策提供参考，有效避免人工方法带来的迟滞、误判等问题。此类方法可大致分为经典视觉算法与深度学习算法，相对经典视觉方法而言，机器学习方法存在检测类别受限，标注成本高，模型更迭耗时，机器运行成本高等问题。而经典算法的主要瓶颈则在于提升泛化能力。
申请号为：201810107822.8，名称为：一种基于深度学习的轨道异物检测系统的发明专利中即是提出了使用深度学习算法的方案进行异物检测，但其检测范围仅局限于YOLO原模型所涉及的类别，且对于出现在视野内的可检出物体都会有输出并报警，并不能判断其是否在铁轨上，是否实际地威胁到了列车行驶安全。且该方法需要较大的运行成本。
申请号为：201910029546.2，名称为：一种基于图像的轨道异物检测方法的发明专利中则提出了使用经典视觉算法进行检测的方法，采用聚类特征进行匹配，找出无法匹配铁轨特征库的异物。但其仍需要建立特征库，且性能会极大受限于特征库的涵盖范围。且此方法只局限于检测1/5以下画幅的图像内容，使得可检测距离大大受限，鉴于列车较高的时速，此距离内的检出并没有意义。
现有技术存在的缺陷总结如下：
(1)一种基于深度学习的轨道异物检测系统的发明专利中使用深度学习算法，识别效果受限于模型训练数据，维护、运行成本高，缺乏异物轨道间确定位置关系的解决方案。
(2)一种基于图像的轨道异物检测方法的发明专利中使用经典视觉算法，识别效果受限于特征库，且可识别距离短，仅能识别画幅1/5的内容。
发明内容
本发明针对上述现有技术中存在的问题，提出一种基于计算机视觉的直线轨道异物入侵检测方法及装置，不依赖于模型训练，不依赖于海量数据标注，运行成本低、效率高，对所有类别的异物都能够识别，精确度高、误报率低。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种基于计算机视觉的直线轨道异物入侵检测方法，其包括：
S101：读取相机图像，并对读取的图像进行灰度化处理，得到灰度图；
S102：对所述灰度图的梯度特征进行提取，得到梯度图；
S103：对所述梯度图进行二值化处理，得到二值化后的图像；
S104：对所述二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
S105：利用直线特征检测算法对所述S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
S106：对所述S105得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
S107：对所述S106获得的线段集合进行聚类，获得线段簇；
S108：对所述S107获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
S109：在所述二值化感兴趣区域上，将所述趋势线周围的区域转换为鸟瞰图视角；
S110：检测所述趋势线上二值化特征断开的部分，得到障碍物信息；
S111：将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息，输出结果。
较佳地，所述S101与S102之间还包括：
S201：对所述S101得到的灰度图进行去噪处理；
较佳地，所述S111之后还包括：
S301：如果所述输出结果中存在异物，则发出报警信号。
较佳地，所述S107进一步包括：
S1071：将所述线段集合内的线段按照长度排序；
S1072：建立新簇，将当前长度最长线段放入新簇；
S1073：依次遍历剩余所有线段，满足预设条件者放入簇内；
S1074：将簇内线段从线段集合中取出；
S1075：重复S1072～S1074，直到所述线段集合为空。
较佳地，所述满足预设条件为：直线间距离和/或直线斜率差值满足预设值范围。
较佳地，所述S110进一步包括：
S1101：将轨道图投影到轨道方向上，进行像素点直方图统计；
S1102：根据断裂点像素阈值，对所述像素直方图进行二值化处理，低于所述断裂点像素阈值的为1，高于所述断裂点像素阈值的为0，得到二值曲线；
S1103：求取所述二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
S1104：检测所述二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
较佳地，所述S1103中的预设要求为：波谷长度大于预设阈值，当大于预设阈值时才能被判定为有效波谷，该阈值等同于模糊阈值。
本发明还提供一种基于计算机视觉的直线轨道异物入侵检测装置，其包括：输入模块、灰度化模块、梯度化模块、二值化模块、ROI模块、线段提取模块、线段过滤模块、聚类模块、中心线提取模块、原图鸟瞰图转换模块、轨道遮挡检测模块、鸟瞰图原图转换模块以及输出模块；其中，
所述输入模块用于读取相机图像；
所述灰度化模块用于对读取的图像进行灰度化处理，得到灰度图；
所述梯度化模块用于对所述灰度图的梯度特征进行提取，得到梯度图；
所述二值化模块用于对所述梯度图进行二值化处理，得到二值化后的图像；
所述ROI模块用于对所述二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
所述线段提取模块用于利用直线特征检测算法对所述S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
所述线段过滤模块用于对所述线段提取模块得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
所述聚类模块用于对所述线段过滤模块获得的线段集合进行聚类，获得线段簇；
所述中心线提取模块用于对所述聚类模块获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
所述原图鸟瞰图转换模块用于在所述二值化感兴趣区域上，将所述趋势线周围的区域转换为鸟瞰图视角；
所述轨道遮挡检测模块用于检测所述趋势线上二值化特征断开的部分，得到障碍物信息；
所述鸟瞰图原图转换模块用于将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息；
所述输出模块用于将所述鸟瞰图原图转换模块得到的结果输出。
较佳地，还包括：去噪模块和/或报警模块；其中，
所述去噪模块用于对所述灰度化模块得到的灰度图进行去噪处理；
所述报警模块用于当所述输出模块输出的结果中存在异物，则发出报警信号。
较佳地，所述轨道遮挡检测模块包括：直方图模块、二值化处理模块、波峰检测模块以及波谷检测模块；其中，
所述直方图模块用于将轨道图投影到轨道方向上，进行像素点直方图统计；
所述二值化处理模块用于根据断裂点像素阈值，对所述像素直方图进行二值化处理，低于所述断裂点像素阈值的为1，高于所述断裂点像素阈值的为0，得到二值曲线；
所述波峰检测模块用于求取所述二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
所述波谷检测模块用于检测所述二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
相较于现有技术，本发明具有以下至少一种优点：
(1)本发明提供的基于计算机视觉的直线轨道异物入侵检测方法及装置，通过基于计算机视觉进行异物检测，相比于深度学习算法，不依赖于模型训练，不依赖于海量数据标注，不局限于模型所知异物类别，运行成本低、效率高；
(2)本发明提供的基于计算机视觉的直线轨道异物入侵检测方法及装置，通过更优的二值化算法、更优的计算机视觉直线检测算法以及更通用的规则限制，相比于其他经典视觉算法，具有更远的检测范围，更强的鲁棒性，调试方法方便，且部分模块可替换或调整，以适应不同场景需求；
(3)本发明提供的基于计算机视觉的直线轨道异物入侵检测方法及装置，通过投影方向直方图统计的方法，可以检测出直线轨道上的全部有效障碍物，并给出其位置与尺寸信息，精确度高、误报率低。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明一实施例的基于计算机视觉的直线轨道异物入侵检测方法的流程图。
图2为本发明一较优实施例的基于计算机视觉的直线轨道异物入侵检测方法的流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示为本发明一实施例的基于计算机视觉的直线轨道异物入侵检测方法的流程图。
请参考图1，本实施例的基于计算机视觉的直线轨道异物入侵检测方法包括：
S101：读取相机图像，并对读取的图像进行灰度化处理，得到灰度图；
S102：对灰度图的梯度特征进行提取，得到梯度图；
S103：对梯度图进行二值化处理，得到二值化后的图像；
S104：对二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
S105：利用直线特征检测算法对S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
S106：对S105得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
S107：对S106获得的线段集合进行聚类，获得线段簇；
S108：对S107获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
S109：在二值化感兴趣区域上，将趋势线周围的区域转换为鸟瞰图视角；
S110：检测趋势线上二值化特征断开的部分，得到障碍物信息；
S111：将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息，输出结果。
本发明上述实施例的基于计算机视觉的直线轨道异物入侵检测方法，通过基于计算机视觉进行异物检测，相比于深度学习算法，不依赖于模型训练，不依赖于海量数据标注，不局限于模型所知异物类别，运行成本低、效率高。进一步的，通过更优的二值化算法、更优的计算机视觉直线检测算法以及更通用的规则限制，相比于其他经典视觉算法，具有更远的检测范围，更强的鲁棒性，调试方法方便，且部分模块可替换或调整，以适应不同场景需求。
图2为本发明一较优实施例的基于计算机视觉的直线轨道异物入侵检测方法的流程图。
参照图2所示，较佳实施例中，S101与S102之间还包括：S201：对S101得到的灰度图进行去噪处理。
较佳实施例中，S111之后还包括：S301：如果输出结果中存在异物，则发出报警信号。
较佳实施例中，S107进一步包括：
S1071：将线段集合内的线段按照长度排序；
S1072：建立新簇，将当前长度最长线段放入新簇；
S1073：依次遍历剩余所有线段，满足预设条件者放入簇内；
S1074：将簇内线段从线段集合中取出；
S1075：重复S1072～S1074，直到线段集合为空。
较佳实施例中，满足预设条件为：直线间距离和/或直线斜率差值满足预设值范围。
参照图2所示，较佳实施例中，S110进一步包括：
S1101：将轨道图投影到轨道方向上，进行像素点直方图统计；
S1102：根据断裂点像素阈值，对像素直方图进行二值化处理，低于断裂点像素阈值的为1，高于断裂点像素阈值的为0，得到二值曲线；
S1103：求取二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
S1104：检测二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
较佳实施例中，S1103中的预设要求为：波谷长度大于预设阈值，当大于预设阈值时才能被判定为有效波谷，该阈值等同于模糊阈值。
本发明上述实施例通过投影方向直方图统计的方法，可以检测出直线轨道上的全部有效障碍物，并给出其位置与尺寸信息，精确度高、误报率低。
在本发明另一实施例中，还提供一种基于计算机视觉的直线轨道异物入侵检测系统，其包括：输入模块、灰度化模块、梯度化模块、二值化模块、ROI模块、线段提取模块、线段过滤模块、聚类模块、中心线提取模块、原图鸟瞰图转换模块、轨道遮挡检测模块、鸟瞰图原图转换模块以及输出模块。
其中，输入模块用于读取相机图像；
灰度化模块用于对读取的图像进行灰度化处理，得到灰度图；
梯度化模块用于对灰度图的梯度特征进行提取，得到梯度图；
二值化模块用于对梯度图进行二值化处理，得到二值化后的图像；
ROI模块用于对二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
线段提取模块用于利用直线特征检测算法对S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
线段过滤模块用于对线段提取模块得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
聚类模块用于对线段过滤模块获得的线段集合进行聚类，获得线段簇；
中心线提取模块用于对聚类模块获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
原图鸟瞰图转换模块用于在二值化感兴趣区域上，将趋势线周围的区域转换为鸟瞰图视角；
轨道遮挡检测模块用于检测趋势线上二值化特征断开的部分，得到障碍物信息；
鸟瞰图原图转换模块用于将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息；
输出模块用于将鸟瞰图原图转换模块得到的结果输出。
较佳实施例中，还包括：去噪模块和/或报警模块；其中，
去噪模块用于对灰度化模块得到的灰度图进行去噪处理；
报警模块用于当输出模块输出的结果中存在异物，则发出报警信号。
较佳实施例中，轨道遮挡检测模块包括：直方图模块、二值化处理模块、波峰检测模块以及波谷检测模块；其中，
直方图模块用于将轨道图投影到轨道方向上，进行像素点直方图统计；
二值化处理模块用于根据断裂点像素阈值，对所述像素直方图进行二值化处理，低于所述断裂点像素阈值的为1，高于所述断裂点像素阈值的为0，得到二值曲线；
波峰检测模块用于求取所述二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
波谷检测模块用于检测所述二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
本发明上述各实施例，运行成本低、效率高，对所有类别的异物都能够识别，精确度高、误报率低。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。
Claims (10)
1.一种基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，包括：
S101：读取相机图像，并对读取的图像进行灰度化处理，得到灰度图；
S102：对所述灰度图的梯度特征进行提取，得到梯度图；
S103：对所述梯度图进行二值化处理，得到二值化后的图像；
S104：对所述二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
S105：利用直线特征检测算法对所述S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
S106：对所述S105得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
S107：对所述S106获得的线段集合进行聚类，获得线段簇；
S108：对所述S107获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
S109：在所述二值化感兴趣区域上，将所述趋势线周围的区域转换为鸟瞰图视角；
S110：检测所述趋势线上二值化特征断开的部分，得到障碍物信息；
S111：将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息，输出结果。
2.根据权利要求1所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述S101与S102之间还包括：
S201：对所述S101得到的灰度图进行去噪处理；
3.根据权利要求1所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述S111之后还包括：
S301：如果所述输出结果中存在异物，则发出报警信号。
4.根据权利要求1所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述S107进一步包括：
S1071：将所述线段集合内的线段按照长度排序；
S1072：建立新簇，将当前长度最长线段放入新簇；
S1073：依次遍历剩余所有线段，满足预设条件者放入簇内；
S1074：将簇内线段从线段集合中取出；
S1075：重复S1072～S1074，直到所述线段集合为空。
5.根据权利要求4所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述满足预设条件为：直线间距离和/或直线斜率差值满足预设值范围。
6.根据权利要求1所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述S110进一步包括：
S1101：将轨道图投影到轨道方向上，进行像素点直方图统计；
S1102：根据断裂点像素阈值，对所述像素直方图进行二值化处理，低于所述断裂点像素阈值的为1，高于所述断裂点像素阈值的为0，得到二值曲线；
S1103：求取所述二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
S1104：检测所述二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
7.根据权利要求6所述的基于计算机视觉的直线轨道异物入侵检测方法，其特征在于，所述S1103中的预设要求为：波谷长度大于预设阈值。
8.一种基于计算机视觉的直线轨道入侵检测装置，其特征在于，包括：输入模块、灰度化模块、梯度化模块、二值化模块、ROI模块、线段提取模块、线段过滤模块、聚类模块、中心线提取模块、原图鸟瞰图转换模块、轨道遮挡检测模块、鸟瞰图原图转换模块以及输出模块；其中，
所述输入模块用于读取相机图像；
所述灰度化模块用于对读取的图像进行灰度化处理，得到灰度图；
所述梯度化模块用于对所述灰度图的梯度特征进行提取，得到梯度图；
所述二值化模块用于对所述梯度图进行二值化处理，得到二值化后的图像；
所述ROI模块用于对所述二值化后的图像进行掩膜覆盖，留下感兴趣区域内的有效信息，得到二值化感兴趣图像；
所述线段提取模块用于利用直线特征检测算法对所述S104获得的二值化感兴趣图像进行处理，得到图像内的线段特征；
所述线段过滤模块用于对所述线段提取模块得到的线段特征进行规则过滤，留下符合轨道特点的直线特征，得到线段集合；
所述聚类模块用于对所述线段过滤模块获得的线段集合进行聚类，获得线段簇；
所述中心线提取模块用于对所述聚类模块获得的线段簇的中心线进行提取，根据规则进行限制，取最接近中心的两条中心线，得到当前直轨道的趋势线；
所述原图鸟瞰图转换模块用于在所述二值化感兴趣区域上，将所述趋势线周围的区域转换为鸟瞰图视角；
所述轨道遮挡检测模块用于检测所述趋势线上二值化特征断开的部分，得到障碍物信息；
所述鸟瞰图原图转换模块用于将鸟瞰图视角下的障碍物信息转换为原图尺寸的信息；
所述输出模块用于将所述鸟瞰图原图转换模块得到的结果输出。
9.根据权利要求8所述的基于计算机视觉的直线轨道入侵检测装置，其特征在于，还包括：去噪模块和/或报警模块；其中，
所述去噪模块用于对所述灰度化模块得到的灰度图进行去噪处理；
所述报警模块用于当所述输出模块输出的结果中存在异物，则发出报警信号。
10.根据权利要求8所述的基于计算机视觉的直线轨道入侵检测装置，其特征在于，所述轨道遮挡检测模块包括：直方图模块、二值化处理模块、波峰检测模块以及波谷检测模块；其中，
所述直方图模块用于将轨道图投影到轨道方向上，进行像素点直方图统计；
所述二值化处理模块用于根据断裂点像素阈值，对所述像素直方图进行二值化处理，低于所述断裂点像素阈值的为1，高于所述断裂点像素阈值的为0，得到二值曲线；
所述波峰检测模块用于求取所述二值曲线的波谷，根据模糊阈值，对不符合预设要求的波谷进行翻转；
所述波谷检测模块用于检测所述二值曲线的波峰，波峰中心为鸟瞰图视角下的障碍物坐标，波峰长度为鸟瞰图视角下的障碍物估计尺寸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011501862.4A CN112488056A (zh) | 2020-12-17 | 2020-12-17 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011501862.4A CN112488056A (zh) | 2020-12-17 | 2020-12-17 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488056A true CN112488056A (zh) | 2021-03-12 |
Family
ID=74914770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011501862.4A Pending CN112488056A (zh) | 2020-12-17 | 2020-12-17 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488056A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060239506A1 (en) * | 2005-04-25 | 2006-10-26 | Objectvideo, Inc. | Line textured target detection and tracking with applications to "Basket-run" detection |
| CN106778569A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于视频图像的列车前方障碍物检测方法 |
| CN107392313A (zh) * | 2017-06-12 | 2017-11-24 | 五邑大学 | 一种基于深度学习的钢轨识别方法 |
| US20180105166A1 (en) * | 2016-10-19 | 2018-04-19 | Mando Corporation | Parking assistance system and method for controlling the same |
| CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
| CN109522847A (zh) * | 2018-11-20 | 2019-03-26 | 中车株洲电力机车有限公司 | 一种基于深度图的轨道和道路障碍物检测方法 |
| 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 |
| CN109766746A (zh) * | 2018-11-22 | 2019-05-17 | 南京理工大学 | 一种无人机航拍视频的轨道异物检测方法 |
| KR101989376B1 (ko) * | 2018-10-05 | 2019-06-14 | 벽산파워 주식회사 | 궤도 회로 통합 감시 장치 |
| CN109934135A (zh) * | 2019-02-28 | 2019-06-25 | 北京航空航天大学 | 一种基于低秩矩阵分解的铁轨异物检测方法 |
| CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
| CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
| WO2020012475A1 (en) * | 2018-07-10 | 2020-01-16 | Rail Vision Ltd | Method and system for railway obstacle detection based on rail segmentation |
-
2020
- 2020-12-17 CN CN202011501862.4A patent/CN112488056A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060239506A1 (en) * | 2005-04-25 | 2006-10-26 | Objectvideo, Inc. | Line textured target detection and tracking with applications to "Basket-run" detection |
| US20180105166A1 (en) * | 2016-10-19 | 2018-04-19 | Mando Corporation | Parking assistance system and method for controlling the same |
| CN106778569A (zh) * | 2016-12-05 | 2017-05-31 | 河海大学 | 基于视频图像的列车前方障碍物检测方法 |
| CN107392313A (zh) * | 2017-06-12 | 2017-11-24 | 五邑大学 | 一种基于深度学习的钢轨识别方法 |
| CN108920765A (zh) * | 2018-06-06 | 2018-11-30 | 东南大学 | 一种基于建筑物三维线段模型的假设平面拟合方法 |
| WO2020012475A1 (en) * | 2018-07-10 | 2020-01-16 | Rail Vision Ltd | Method and system for railway obstacle detection based on rail segmentation |
| KR101989376B1 (ko) * | 2018-10-05 | 2019-06-14 | 벽산파워 주식회사 | 궤도 회로 통합 감시 장치 |
| 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 |
| CN109522847A (zh) * | 2018-11-20 | 2019-03-26 | 中车株洲电力机车有限公司 | 一种基于深度图的轨道和道路障碍物检测方法 |
| CN109766746A (zh) * | 2018-11-22 | 2019-05-17 | 南京理工大学 | 一种无人机航拍视频的轨道异物检测方法 |
| CN109934135A (zh) * | 2019-02-28 | 2019-06-25 | 北京航空航天大学 | 一种基于低秩矩阵分解的铁轨异物检测方法 |
| CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
| CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
| CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
| CN112699267B (zh) | 车辆车型的识别方法 | |
| EP3557529A1 (en) | Lane marking recognition device | |
| Chen et al. | A precise information extraction algorithm for lane lines | |
| CN112488056A (zh) | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 | |
| Lee et al. | A cumulative distribution function of edge direction for road-lane detection | |
| CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
| CN111160183A (zh) | 一种车辆闯红灯检测方法及装置 | |
| Munajat et al. | Vehicle detection and tracking based on corner and lines adjacent detection features | |
| CN110782485A (zh) | 一种车辆变道检测方法及装置 | |
| Ghani et al. | Advances in lane marking detection algorithms for all-weather conditions | |
| Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
| CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
| CN115755094A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| CN113538968B (zh) | 用于输出信息的方法和装置 | |
| Sri Jamiya et al. | A survey on vehicle detection and tracking algorithms in real time video surveillance | |
| CN112464906A (zh) | 一种基于计算机视觉的轨道异物入侵检测方法及装置 | |
| Klammsteiner et al. | Vision Based Stationary Railway Track Monitoring System | |
| Shahrear et al. | An automatic traffic rules violation detection and number plate recognition system for Bangladesh | |
| CN112950961A (zh) | 车流量统计方法、装置、设备和存储介质 | |
| CN112180913A (zh) | 特种车辆识别方法 | |
| CN115601435B (zh) | 车辆姿态检测方法、装置、车辆及存储介质 |
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 |