CN112528861A - 应用于铁路隧道内道床的异物检测方法及装置 - Google Patents

应用于铁路隧道内道床的异物检测方法及装置 Download PDF

Info

Publication number
CN112528861A
CN112528861A CN202011460113.1A CN202011460113A CN112528861A CN 112528861 A CN112528861 A CN 112528861A CN 202011460113 A CN202011460113 A CN 202011460113A CN 112528861 A CN112528861 A CN 112528861A
Authority
CN
China
Prior art keywords
video frame
frame image
determining
foreground target
preset
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
Application number
CN202011460113.1A
Other languages
English (en)
Inventor
刘玉鑫
杨恩泽
刘硕研
薛昊
刘祎然
方凯
李超
王明哲
王瑞
徐成伟
关则彬
胡昊
张煜山
杨国元
谢甲旭
金久强
李洵
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.)
China Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
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 China Academy of Railway Sciences Corp Ltd CARS, Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202011460113.1A priority Critical patent/CN112528861A/zh
Publication of CN112528861A publication Critical patent/CN112528861A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明提供一种应用于铁路隧道内道床的异物检测方法以及装置。其中，该方法包括：获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；若均为是，则确定前景目标对应的位置，并输出报警指示信息。采用本发明公开的应用于铁路隧道内道床的异物检测方法，实时监测铁路隧道道床内的环境，提高铁路隧道线路的检测效率和准确率，保障铁路隧道内列车的通行安全。

Description

应用于铁路隧道内道床的异物检测方法及装置
技术领域
本发明涉及铁路线路安全检测技术领域，具体涉及一种应用于铁路隧道内道床的异物检测方法及装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
近年来，随着高速铁路的快速发展，越来越多的人们把铁路作为出行的首选，同时对铁路运行的安全与稳定提出了更高的要求。隧道作为铁路线路中的重要组成部分，其建设的特殊性及周围地质的复杂性使得隧道安全成为铁路线路安全中的薄弱环节。另外，如异常天气或者地震等周围环境的变化更容易加剧隧道内的危险性，特别是衬砌等异物的在道床上的掉落，将直接影响列车的正常运行。重点监测隧道等线路中的薄弱环节，实现隧道内道床掉落异物的检测，对保障线路与列车运行安全具有重要意义。
目前，传统的隧道安全检查主要依靠人工巡检的方式，然而铁路隧道一般在较为偏远的地方，线路中隧道之间的间隔较长，人工检查的成本较高，且周期较长，已经无法满足对线路中隧道内安全尤其是道床异物的实时检测的实际需求。因此，如何解决人工检测隧道内掉落异物的痛点成为目前业界亟待解决的需要课题。
发明内容
为此，本发明提供一种应用于铁路隧道内道床的异物检测方法及装置，用以解决现有技术中存在的人工实现隧道内道床掉落异物的检测过程成本较高，且周期较长的缺陷。
本发明提供一种应用于铁路隧道内道床的异物检测方法，包括：
获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；
对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；
判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；
若均为是，则确定前景目标对应的位置，并输出报警指示信息。
进一步的，所述的应用于铁路隧道内道床的异物检测方法，还包括：
根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景；和/或，根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景；
基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置。
进一步的，所述根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景，具体包括：
确定前后相邻两视频帧图像对应的局部特征点；
根据所述局部特征点的匹配度高低，确定目标局部特征点；
将所述目标局部特征点输入到预设的算法模块，得到前一视频帧图像与当前视频帧图像相比抖动的角度；
若所述角度超过预设的角度阈值，则确定对应时刻的动态场景为发生抖动。
进一步的，所述根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景，具体包括：
若所述动态场景为发生抖动，则判断抖动幅度是否超过预设的幅度阈值；
获得抖动前的视频帧图像和抖动前对应的第一背景模型；
判断抖动是否结束；若是，则基于所述抖动前对应的第一背景模型对所述检测区域进行前景目标提取，得到第一前景目标；
将所述第一前景目标与所述抖动前的视频帧图像进行匹配；
判断匹配度是否满足预设的第一匹配度阈值，若是，则确定第一前景目标对应的位置。
进一步的，所述根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景，具体包括：
确定所述视频帧图像中待检测区域中像素灰度值的期望；
确定前后相邻两视频帧图像中灰度统计期望的差值；
若所述差值的绝对值超过预设的灰度期望阈值，则确定对应时刻的动态场景为光照发生变化。
进一步的，所述根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景，具体包括：
若所述动态场景为光照发生变化，判断灰度统计期望的差值是否超过预设的灰度期望阈值；
获得光照变化前的视频帧图像和光照变化前对应的第二背景模型；
判断光照是否恢复；若是，则基于所述光照变化前对应的第二背景模型对所述检测区域进行前景目标提取，得到第二前景目标；
将所述第二前景目标与所述光照变化前的视频帧图像进行匹配；
判断匹配度是否满足预设的第二匹配度阈值，若是，则确定第二前景目标对应的位置。
进一步的，所述的应用于铁路隧道内道床的异物检测方法，还包括：根据所述前景目标对应的位置，对所述视频帧图像中待检测区域的前景目标进行标注。
相应的，本发明还提供一种应用于铁路隧道内道床的异物检测装置，包括：
检测区域确定单元，用于获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；
建模及前景提取单元，用于对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；
判断单元，用于判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；
定位及报警单元，用于若均为是，则确定前景目标对应的位置，并输出报警指示信息。
进一步的，所述的应用于铁路隧道内道床的异物检测装置，还包括：
动态场景确定单元，用于根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景；和/或，根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景；
动态检测单元，用于基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置。
进一步的，所述动态场景确定单元具体用于：
确定前后相邻两视频帧图像对应的局部特征点；
根据所述局部特征点的匹配度高低，确定目标局部特征点；
将所述目标局部特征点输入到预设的算法模块，得到前一视频帧图像与当前视频帧图像相比抖动的角度；
若所述角度超过预设的角度阈值，则确定对应时刻的动态场景为发生抖动。
进一步的，所述动态检测单元具体用于：
若所述动态场景为发生抖动，则判断抖动幅度是否超过预设的幅度阈值；
获得抖动前的视频帧图像和抖动前对应的第一背景模型；
判断抖动是否结束；若是，则基于所述抖动前对应的第一背景模型对所述检测区域进行前景目标提取，得到第一前景目标；
将所述第一前景目标与所述抖动前的视频帧图像进行匹配；
判断匹配度是否满足预设的第一匹配度阈值，若是，则确定第一前景目标对应的位置。
进一步的，所述动态场景确定单元具体用于：
确定所述视频帧图像中待检测区域中像素灰度值的期望；
确定前后相邻两视频帧图像中灰度统计期望的差值；
若所述差值的绝对值超过预设的灰度期望阈值，则确定对应时刻的动态场景为光照发生变化。
进一步的，所述动态检测单元具体用于：
若所述动态场景为光照发生变化，判断灰度统计期望的差值是否超过预设的灰度期望阈值；
获得光照变化前的视频帧图像和光照变化前对应的第二背景模型；
判断光照是否恢复；若是，则基于所述光照变化前对应的第二背景模型对所述检测区域进行前景目标提取，得到第二前景目标；
将所述第二前景目标与所述光照变化前的视频帧图像进行匹配；
判断匹配度是否满足预设的第二匹配度阈值，若是，则确定第二前景目标对应的位置。
进一步的，所述的应用于铁路隧道内道床的异物检测方法，还包括：根据所述前景目标对应的位置，对所述视频帧图像中待检测区域的前景目标进行标注。
相应的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上任意一项所述的应用于铁路隧道内道床的异物检测方法的步骤。
相应的，本发明还提供一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上任意一项所述的应用于铁路隧道内道床的异物检测方法的步骤。
采用本发明提供的所述的应用于铁路隧道内道床的异物检测方法，能够解决铁路隧道地理环境的多样性与其正常运营所必要的安全性及可靠性之间的矛盾，同时有效克服了人工巡视周期长、成本高的问题，能够实时监测铁路隧道道床内的环境，有效提高了不同场景下铁路隧道内道床异物的识别检测效率和准确率，改善列车在隧道内的通行环境，同时有力保障列车正常的行车秩序和运行安全。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的应用于铁路隧道内道床的异物检测方法的流程示意图；
图2为本发明提供的应用于铁路隧道内道床的异物检测方法的完整流程示意图；
图3为本发明提供的应用于铁路隧道内道床的异物检测方法中待检测区域的示意图
图4为本发明提供的应用于铁路隧道内道床的异物检测装置的结构示意图；
图5为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
下面基于本发明所述的应用于铁路隧道内道床的异物检测方法，对其实施例进行详细描述。如图1和2所示，其分别为本发明提供的应用于铁路隧道内道床的异物检测方法的流程示意图，具体实现过程包括以下步骤：
步骤101：获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域。
在执行本步骤之前，需要预先在铁路隧道中布设相应的图像采集装置和光源设备。比如，在隧道内的重点监测区域内墙壁上均匀安装光源设备如LED灯，用来对重点检测区域进行补光，使其环境光照均匀，从而有助于成像稳定，增强图像采集装置的成像质量；在隧道壁均匀安装图像采集装置如摄像头，用来实时采集铁路隧道道床相应检测区域的视频帧图像，安装时保证相邻设备的成像存在一定范围的重叠，从而使得监测的道床区域图像不存在死角。
在具体实施过程中，首先读取铁路隧道中预设的图像采集装置采集的视频序列，并确定视频序列包含的视频帧图像中衬砌掉块等异物的待检测范围。其中，所述待检测范围可为如图3所示的j、k、m、n覆盖的区域范围。
步骤102：对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标。
在本发明实施例中，首先建立混合高斯模型(Adaptive GMM，Gaussian MixtureModel)，并根据实际环境设置更新速率α和背景方差阈值T等参数，对视频序列的视频帧图像进行背景建模(Background Subtractor MOG)，将所述待检测区域内的像素分布划分为前景目标和背景。需要说明的是，背景建模也称为背景估计，其主要目的是根据当前的背景估计，把对视频序列中视频帧图像的目标检测问题转化为一个二分类问题，将所有像素划分为背景和前景目标两类，进而对分类结果进行后处理，得到最终的检测结果。其中，获取背景图像的方法是当场景中无任何目标异物出现时捕获背景图像，然而这种方法不能实现自适应，通常仅适应于对场景的短时间监控，不能满足智能监控系统对背景建模的要求。因此，本发明实施例中背景减除法的关键是背景模型，背景模型是背景减除法分割运动前景的基础。背景模型为多模态，其在每个背景像素上的颜色分布则比较分散，需要多分布概率模型来共同描述。本发明实施例采用的描述场景背景像素颜色分布的概率密度函数是高斯分布。
步骤103：判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值。
在本发明具体实施过程中，还包括对视频帧图像利用形态学开运算处理，滤除视频帧图像中存在的噪点和细小干扰。另外，由于采集到的图像存在畸变，利用预设算法公式(1)可计算出不同区域之间的像素存在的比例关系，并根据预先设定前景面积阈值TArea，将输出的前景目标的面积大小与该面积阈值TArea进行比较，确定当前景目标的面积不小于预设面积阈值时，背景模型的更新速率α设置为0。此时，背景模型停止更新，并记录疑似掉块等前景目标的位置和面积大小；如果小于预设面积阈值，则更新速率α设为-1，背景模型根据更新速率参数进行自动更新。预设算法公式如下：
Figure BDA0002831224800000091
式中，已知如图3所示的j、k、m、n四个点的坐标(即确定视频帧图像中待检测范围的四个点的坐标)；o2即视频帧图像中两钢轨的交叉点，xi yi为当前前景目标的坐标。
如图2所示，当视频序列输入的视频帧数每达到预设时长t，则根据预设的算法公式(2)和背景模型MOG，判断所有t时刻内保存的某个前景目标的停留时间tY是否满足预设的时间阈值Tt，若满足停留时间阈值，则确定该前景目标为疑似衬砌掉块等目标异物。预设的算法公式(2)如下：
Figure BDA0002831224800000092
dist(X,Y)＝||X-Y||2,
Figure BDA0002831224800000093
式中，tx、tY表示视频序列包含的相邻两视频帧图像中该前景目标出现的累加次数(即前景目标的停留时间)；d为设定的时间阈值(取值为10秒)。
步骤104：若均为是，则确定前景目标对应的位置，并输出报警指示信息。
进一步的，可根据所述前景目标对应的位置，对所述视频帧图像中待检测区域的前景目标进行标注。
另外，在实际实施过程中，列车在隧道内通行时，经常会面临一些影响，比如隧道内光线的变化、摄像头抖动等异常动态场景。因此，为了解决上述问题，提高算法的适应性，提出了一种场景判别方法。可根据所述视频帧图像的灰度统计结果；和/或根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景；进而基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置。
在具体实施过程中，所述根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景，具体实现过程包括：确定前后相邻两视频帧图像对应的局部特征点；根据所述局部特征点的匹配度高低，确定目标局部特征点；将所述目标局部特征点输入到预设的算法模块，即算法公式(3)，得到前一视频帧图像与当前视频帧图像相比抖动的角度；若所述角度超过预设的角度阈值，则确定对应时刻的动态场景为发生抖动。
如图2所示，所述基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置，具体实现过程包括：若所述动态场景为发生抖动，则判断抖动幅度是否超过预设的幅度阈值；获得抖动前的视频帧图像和抖动前对应的第一背景模型；判断抖动是否结束；若是，则基于所述抖动前对应的第一背景模型对所述检测区域进行前景目标提取，得到第一前景目标；将所述第一前景目标与所述抖动前的视频帧图像进行匹配；判断匹配度是否满足预设的第一匹配度阈值，若是，则确定第一前景目标对应的位置。
在一个实施例中，首先通过SIFT算法计算前后相邻两视频帧图像的局部特征点，选择匹配度较高的前三组局部特征点对xi yi作为目标局部特征点，进一步利用预设的算法公式(3)计算前一视频帧图像对应当前视频帧图像的欧几里得变换矩阵R，进而推算抖动的角度θ；当角度θ超过预设的角度阈值Tθ，代表图像此刻出现了抖动；保存该时刻前的视频帧图像ISBefore，并将调整更新速率α为1，基于所述更新速率背景模型开始自动更新，预设的算法公式(3)如下：
Figure BDA0002831224800000101
式中，θ为抖动的角度，R为前一视频帧图像对应当前视频帧图像的欧几里得变换矩阵，xi yi为局部特征点。
进一步的，如果动态场景为发生抖动，利用上述方式判断抖动的幅度是否小于预设的幅度阈值TA，抖动的幅度小于预设的幅度阈值TA时表明抖动结束。利用抖动前的视频帧图像ISBefore建立第一背景模型MOGS，计算当前视频帧图像ICurrent中存在的前景目标；并进一步利用模板匹配算法对抖动前的视频帧图像ISBefore和当前视频帧图像ICurrent中对应前景目标坐标处的区域进行匹配度计算，如果匹配度满足预设的匹配度阈值TS，则将该前景目标确定为衬砌掉块等异物。
在具体实施过程中，所述根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景，具体实现过程包括：确定所述视频帧图像中待检测区域中像素灰度值的期望；确定前后相邻两视频帧图像中灰度统计期望的差值；若所述差值的绝对值超过预设的灰度期望阈值，则确定对应时刻的动态场景为光照发生变化。
如图2所示，所述基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置，具体实现过程包括：若所述动态场景为光照发生变化，判断灰度统计期望的差值是否超过预设的灰度期望阈值；获得光照变化前的视频帧图像和光照变化前对应的第二背景模型；判断光照是否恢复；若是，则基于所述光照变化前对应的第二背景模型对所述检测区域进行前景目标提取，得到第二前景目标；将所述第二前景目标与所述光照变化前的视频帧图像进行匹配；判断匹配度是否满足预设的第二匹配度阈值，若是，则确定第二前景目标对应的位置。
在一个实施例中，首先根据预设的算法公式(4)计算视频帧图像中待检测区域中像素灰度值的期望；进一步，计算视频序列中前后相邻两视频帧图像中灰度统计期望的差值，如果差值的绝对值超过一定的灰度期望阈值TE，则表示该时刻对应的光照发生变化；保存该时刻光照发生变化前的视频帧图像ILBefore和变化前的灰度期望EBefore，并将调整更新速率α为-1，基于该更新速率背景模型开始自动更新。预设的算法公式(4)如下：
Figure BDA0002831224800000121
式中，I为灰度图像，f为视频帧图像中的待检测区域(即感兴趣区域)，M、N为待检测区域的范围。
进一步的，如果动态场景为光照发生变化，第二背景模型利用上述方式计算灰度统计期望和变化前的灰度期望EBefore进行比较判断光照是否恢复。如果光照恢复，利用光照发生变化前的视频帧图像ILBerore建立第二背景模型MOGL，计算当前视频帧图像ICurrent中存在的前景目标，并进一步利用模板匹配算法对光照发生变化前的视频帧图像ILBefore和当前视频帧图像ICurrent中对应前景坐标处的区域进行匹配度计算，如果匹配度满足预设的匹配度阈值TS，则将该前景目标确定为衬砌掉块等异物。
在上述两种动态场景下还包括：当视频序列输入的视频帧图像数每达到预设时长t，根据预设的算法公式(2)和背景模型MOG，判断所有t时刻内保存的某个前景目标的停留时间tY是否满足预设的时间阈值Tt，若满足停留时间阈值，则确定该前景目标为疑似衬砌掉块等目标异物。
本发明提供的所述的应用于铁路隧道内道床的异物检测方法，能够解决铁路隧道地理环境的多样性与其正常运营所必要的安全性及可靠性之间的矛盾，同时有效克服了人工巡视周期长、成本高的问题，能够实时监测铁路隧道道床内的环境，有效提高了不同场景下铁路隧道内道床异物的识别检测效率和准确率，改善列车在隧道内的通行环境，同时有力保障列车正常的行车秩序和运行安全。
与上述提供的一种应用于铁路隧道内道床的异物检测方法相对应，本发明还提供一种应用于铁路隧道内道床的异物检测装置。由于该装置的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的应用于铁路隧道内道床的异物检测装置的实施例仅是示意性的。
请参考图4所示，其为本发明提供的一种应用于铁路隧道内道床的异物检测装置的结构示意图。
本发明所述的一种应用于铁路隧道内道床的异物检测装置具体包括如下部分：
检测区域确定单元401，用于获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；
建模及前景提取单元402，用于对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；
判断单元403，用于判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；
定位及报警单元404，用于若均为是，则确定前景目标对应的位置，并输出报警指示信息。
本发明提供的所述的应用于铁路隧道内道床的异物检测装置，能够解决铁路隧道地理环境的多样性与其正常运营所必要的安全性及可靠性之间的矛盾，同时有效克服了人工巡视周期长、成本高的问题，能够实时监测铁路隧道道床内的环境，有效提高了不同场景下铁路隧道内道床异物的识别检测效率和准确率，改善列车在隧道内的通行环境，同时有力保障列车正常的行车秩序和运行安全。
与上述提供的应用于铁路隧道内道床的异物检测方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图5所示，其为本发明公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)501、存储器(memory502、通信总线503以及通信接口504，其中，处理器501，存储器502通过通信总线503完成相互间的通信，通过通信接口504与外部设备实现通信。处理器501可以调用存储器502中的逻辑指令，以执行应用于铁路隧道内道床的异物检测方法，该方法包括：获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；若均为是，则确定前景目标对应的位置，并输出报警指示信息。
此外，上述的存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的应用于铁路隧道内道床的异物检测方法，该方法包括：获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；若均为是，则确定前景目标对应的位置，并输出报警指示信息。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的应用于铁路隧道内道床的异物检测方法，该方法包括：获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；若均为是，则确定前景目标对应的位置，并输出报警指示信息。
以上所描述的装置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的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种应用于铁路隧道内道床的异物检测方法，其特征在于，包括：
获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；
对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；
判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；
若均为是，则确定前景目标对应的位置，并输出报警指示信息。
2.根据权利要求1所述的应用于铁路隧道内道床的异物检测方法，其特征在于，还包括：
根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景；和/或，根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景；
基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置。
3.根据权利要求2所述的应用于铁路隧道内道床的异物检测方法，其特征在于，所述根据所述视频帧图像的局部特征点，确定所述视频帧图像对应的动态场景，具体包括：
确定前后相邻两视频帧图像对应的局部特征点；
根据所述局部特征点的匹配度高低，确定目标局部特征点；
将所述目标局部特征点输入到预设的算法模块，得到前一视频帧图像与当前视频帧图像相比抖动的角度；
若所述角度超过预设的角度阈值，则确定对应时刻的动态场景为发生抖动。
4.根据权利要求2所述的应用于铁路隧道内道床的异物检测方法，其特征在于，所述基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置，具体包括：
若所述动态场景为发生抖动，则判断抖动幅度是否超过预设的幅度阈值；
获得抖动前的视频帧图像和抖动前对应的第一背景模型；
判断抖动是否结束；若是，则基于所述抖动前对应的第一背景模型对所述检测区域进行前景目标提取，得到第一前景目标；
将所述第一前景目标与所述抖动前的视频帧图像进行匹配；
判断匹配度是否满足预设的第一匹配度阈值，若是，则确定第一前景目标对应的位置。
5.根据权利要求2所述的应用于铁路隧道内道床的异物检测方法，其特征在于，所述根据所述视频帧图像的灰度统计结果，确定所述视频帧图像对应的动态场景，具体包括：
确定所述视频帧图像中待检测区域中像素灰度值的期望；
确定前后相邻两视频帧图像中灰度统计期望的差值；
若所述差值的绝对值超过预设的灰度期望阈值，则确定对应时刻的动态场景为光照发生变化。
6.根据权利要求2所述的应用于铁路隧道内道床的异物检测方法，其特征在于，所述基于所述动态场景对所述检测区域的前景目标进行检测，并根据检测结果确定前景目标对应的位置，具体包括：
若所述动态场景为光照发生变化，判断灰度统计期望的差值是否超过预设的灰度期望阈值；
获得光照变化前的视频帧图像和光照变化前对应的第二背景模型；
判断光照是否恢复；若是，则基于所述光照变化前对应的第二背景模型对所述检测区域进行前景目标提取，得到第二前景目标；
将所述第二前景目标与所述光照变化前的视频帧图像进行匹配；
判断匹配度是否满足预设的第二匹配度阈值，若是，则确定第二前景目标对应的位置。
7.根据权利要求1所述的应用于铁路隧道内道床的异物检测方法，其特征在于，还包括：根据所述前景目标对应的位置，对所述视频帧图像中待检测区域的前景目标进行标注。
8.一种应用于铁路隧道内道床的异物检测装置，其特征在于，包括：
检测区域确定单元，用于获取铁路隧道中预设的图像采集装置采集的视频帧图像，并确定所述视频帧图像中的待检测区域；
建模及前景提取单元，用于对所述视频帧图像进行背景建模，基于所述待检测区域内的像素分布确定背景和前景目标；
判断单元，用于判断所述前景目标的属性是否满足预设的属性阈值，以及判断所述前景目标的停留时间是否超过预设的时间阈值；
定位及报警单元，用于若均为是，则确定前景目标对应的位置，并输出报警指示信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任意一项所述的应用于铁路隧道内道床的异物检测方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的应用于铁路隧道内道床的异物检测方法的步骤。
CN202011460113.1A 2020-12-11 2020-12-11 应用于铁路隧道内道床的异物检测方法及装置 Pending CN112528861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011460113.1A CN112528861A (zh) 2020-12-11 2020-12-11 应用于铁路隧道内道床的异物检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011460113.1A CN112528861A (zh) 2020-12-11 2020-12-11 应用于铁路隧道内道床的异物检测方法及装置

Publications (1)

Publication Number Publication Date
CN112528861A true CN112528861A (zh) 2021-03-19

Family

ID=74999106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011460113.1A Pending CN112528861A (zh) 2020-12-11 2020-12-11 应用于铁路隧道内道床的异物检测方法及装置

Country Status (1)

Country Link
CN (1) CN112528861A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421431A (zh) * 2021-06-17 2021-09-21 京东方科技集团股份有限公司 应急通道监测方法及装置
CN114495017A (zh) * 2022-04-14 2022-05-13 美宜佳控股有限公司 基于图像处理的地面杂物检测方法、装置、设备及介质
CN114494983A (zh) * 2022-04-15 2022-05-13 北京大成国测科技有限公司 一种铁路异物入侵监测方法及系统
CN116485799A (zh) * 2023-06-25 2023-07-25 成都考拉悠然科技有限公司 铁路轨道异物覆盖的检测方法及系统
CN116823737A (zh) * 2023-06-05 2023-09-29 中铁九局集团电务工程有限公司 一种低纹理环境下隧道壁异常检测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421431A (zh) * 2021-06-17 2021-09-21 京东方科技集团股份有限公司 应急通道监测方法及装置
CN114495017A (zh) * 2022-04-14 2022-05-13 美宜佳控股有限公司 基于图像处理的地面杂物检测方法、装置、设备及介质
CN114494983A (zh) * 2022-04-15 2022-05-13 北京大成国测科技有限公司 一种铁路异物入侵监测方法及系统
CN116823737A (zh) * 2023-06-05 2023-09-29 中铁九局集团电务工程有限公司 一种低纹理环境下隧道壁异常检测方法及系统
CN116485799A (zh) * 2023-06-25 2023-07-25 成都考拉悠然科技有限公司 铁路轨道异物覆盖的检测方法及系统
CN116485799B (zh) * 2023-06-25 2023-09-15 成都考拉悠然科技有限公司 铁路轨道异物覆盖的检测方法及系统

Similar Documents

Publication Publication Date Title
CN112528861A (zh) 应用于铁路隧道内道床的异物检测方法及装置
CN102348128B (zh) 具有摄像机异常检测装置的监视用摄像机系统
TWI409718B (zh) 移動中車輛之車牌定位方法
TW202013252A (zh) 車牌辨識系統與方法
CN111738342B (zh) 一种受电弓异物检测方法、存储介质及计算机设备
CN110781853B (zh) 人群异常检测方法以及相关装置
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
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
Ketcham et al. The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
Thendral et al. Computer vision system for railway track crack detection using deep learning neural network
KR20200056879A (ko) 전차 선로의 조류 둥지 자동 검출 장치 및 방법
CN112417978A (zh) 基于视觉的列车与屏蔽门之间异物检测方法及装置
WO2020095644A1 (ja) 変状検出装置、変状検出方法、及びコンピュータ読み取り可能な記録媒体
CN110688979A (zh) 违法车辆追踪方法及装置
Lashkov et al. Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images
KR102150661B1 (ko) 객체를 검출하기 위한 전처리 장치 및 방법
KR101267279B1 (ko) 영상에서 비를 제거하기 위한 영상 처리 장치 및 방법
CN116189037A (zh) 一种火焰检测的识别方法、装置及终端设备
CN111583341B (zh) 云台像机移位检测方法
KR102221317B1 (ko) 딥러닝을 이용한 시설물 결함 검측 장치 및 그 방법
CN113111847A (zh) 一种工序循环的自动监测方法、装置和系统
Tupper et al. Pedestrian proximity detection using RGB-D data

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