CN113487518A - 隧道内异物的检测方法 - Google Patents

隧道内异物的检测方法 Download PDF

Info

Publication number
CN113487518A
CN113487518A CN202110865782.5A CN202110865782A CN113487518A CN 113487518 A CN113487518 A CN 113487518A CN 202110865782 A CN202110865782 A CN 202110865782A CN 113487518 A CN113487518 A CN 113487518A
Authority
CN
China
Prior art keywords
image
tunnel
vehicle
background
foreign matters
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
CN202110865782.5A
Other languages
English (en)
Inventor
尚轩
张辉
钟道奇
李明辉
刘晨光
郭忠祥
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 Railway 22nd Bureau Group Co Ltd
Electrification Engineering Co Ltd of China Railway 22nd Bureau Group Co Ltd
Original Assignee
China Railway 22nd Bureau Group Co Ltd
Electrification Engineering Co Ltd of China Railway 22nd Bureau Group 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 Railway 22nd Bureau Group Co Ltd, Electrification Engineering Co Ltd of China Railway 22nd Bureau Group Co Ltd filed Critical China Railway 22nd Bureau Group Co Ltd
Priority to CN202110865782.5A priority Critical patent/CN113487518A/zh
Publication of CN113487518A publication Critical patent/CN113487518A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

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

Abstract

本发明提供了一种隧道内异物的检测方法，包括：步骤S10：通过隧道内的拍摄装置对隧道的内部进行拍摄；步骤S20：将拍摄得到的图像进行图像处理；步骤S30：将进行图像处理后的图像进行识别，以判断得出隧道内是否有异物以及异物是否在运动；步骤S40：根据隧道内是否有异物以及异物是否在运动控制车辆的通行状态和/或报警状态。步骤S50：通过报警信号，人为对车辆进行制动；步骤S60：若车辆与隧道之间的距离在预设长度内，且车辆未进行制动时，车辆则进行强制制动。本申请的技术方案有效地解决了相关技术中的隧道内异物监测的准确性和实时性较差的问题。

Description

隧道内异物的检测方法
技术领域
本发明涉及隧道监控技术领域，具体而言，涉及一种隧道内异物的检测方法。
背景技术
铁路异物侵限是关乎铁路机车运行安全的重要组成部分。目前的铁路异物侵限监控主要是通过监测是否有异物侵入，进行防灾报警。但是，铁路沿线除了强风、降雪、洪水、地震、火灾、落石和路基沉降等的自然灾害，还存在一些特殊地形需要进行灾害防护，例如桥梁和隧道等。
在相关技术中针对隧道内的监控，通过采用人工轮巡视频监控画面的方式进行交通事件检测。但是由于隧道内的通常较为阴暗，视频的清晰程度较差，因此会导致无法有效地对隧道内的环境进行监控，并且由于人类视觉疲劳缺陷，安全盲点多，无法及时发现及时处理。即无法保证监测的准确性和实时性。
发明内容
本发明的主要目的在于提供一种隧道内异物的检测方法，以解决相关技术中的隧道内异物监测的准确性和实时性较差的问题。
为了实现上述目的，根据本发明的一个方面，提供了一种隧道内异物的检测方法，包括：步骤S10：通过隧道内的拍摄装置对隧道的内部进行拍摄；步骤S20：将拍摄得到的图像进行图像处理；步骤S30：将进行图像处理后的图像进行识别，以判断得出隧道内是否有异物以及异物是否在运动；步骤S40：根据隧道内是否有异物以及异物是否在运动控制车辆的通行状态和/或报警状态。步骤S50：通过报警信号，人为对车辆进行制动；步骤S60：若车辆与隧道之间的距离在预设长度内，且车辆未进行制动时，车辆则进行强制制动。
进一步地，步骤S20包括：步骤S21：将图像转换为RGB格式的图像；步骤S22：对RGB格式的图像进行图像处理；步骤S23：对原始的RGB格式的图像以及进行图像处理后的RGB格式的图像再次进行图像处理。
进一步地，步骤S23包括以下步骤：步骤S231：将图像做基于HSV颜色空间的区域划分，以得到第一目标区域；步骤S232：将图像进行背景消减，以得到第二目标区域；步骤S233：将第一目标区域和第二目标区域进行匹配以得到最终目标区域；步骤S234：将RGB格式的图像通过索贝尔算子进行边缘检测，以得到轨道的特征；步骤S235：将最终目标区域和轨道的特征结合以得到隧道内的环境。
进一步地，步骤S231包括以下步骤：步骤S2311：将RGB格式的图像转化为HSV色彩空间；步骤S2312：通过直方图和Otsu算法对HSV色彩空间进行区域划分；步骤S2313：得到第一目标区域；步骤S232包括以下步骤：步骤S2321：将RGB格式的图像进行背景消减；步骤S2322：将进行背景消减后的RGB格式的图像进行矢量中值滤波和双阈值图像分割；步骤S2323：获得第二目标区域。
进一步地，步骤S234包括以下步骤：步骤S2341：将RGB格式的图像转化为灰度图；步骤S2342：根据灰度图，通过索贝尔算子进行边缘检测，以得到轨道的边缘；步骤S2343：根据灰度图，通过Hough变换算法提取轨道的特征值；步骤S2344：根据轨道的边缘和轨道的特征值拟合得到轨道的特征。
进一步地，背景消减通过以下公式实现：
Figure BDA0003187253090000021
其中，Ω为运动区域，Xxy[R]、Xxy[G]和Xxy[B]分别为当前帧中Ix，y像素点的RGB值，X′xy[R]、X′xy[G]和X′xy[B]是背景帧中Bx，y对应像素点的RGB颜色值，Dx，y是差值图像。
进一步地，矢量中值滤波步骤在RGB颜色空间内进行。
进一步地，步骤S30通过以下公式计算：
Figure BDA0003187253090000022
其中，x1i代表通过HSV颜色空间划分的各区域质心的横坐标，y1i代表通过HSV颜色空间划分的各区域质心的纵坐标，x2j代表R2区域中的直线的横坐标，y2j代表R2区域中的直线的纵坐标，Dij为质心欧氏距离。
进一步地，步骤S20和步骤S30之间包括以下步骤：步骤S70：将进行第二次处理处理后的RGB格式的图像进行背景更新。
进一步地，步骤S70包括以下步骤：步骤S71：计算当前帧图像的均值和方差以得到背景因子；步骤S72：根据第二次处理处理后的RGB格式的图像和当前帧图像得到帧差图确定运动图像；步骤S73：通过计算帧差图的均值和方差以得到运动因子；步骤S74：将背景因子、运动图像、运动因子和第二次处理处理后的RGB格式的图像相比较，输出当前的背景图像；步骤S75：将当前背景图像反馈至当前帧图像。
应用本发明的技术方案，先通过拍摄装置对隧道的内部进行拍摄，这样能够得到隧道的实时图像。再将实时图像传输处理器中，以对实时图像进行图像处理。处理后的图像再进行异物判断和异物运动判断，即判断隧道内是否有异物，异物是否在运动。再根据隧道内的具体情况(即是否存在异物，异物是否在运动)对车辆发出报警信号或者是控制车辆的运行状态。当车辆中的驾驶员得到警报信号后，则主动对车辆进行制动。若车辆与隧道之间的距离在预设长度内时，且驾驶员未对车辆进行止挡，车辆则主动进行强制制动，以避免危险的情况发生。通过上述的方法，能够有效地识别隧道内的图像以判断隧道内的运行环境是否安全，并且能够发出报警信号以提醒驾驶人员，这样能够有效地保证车辆的运行安全。同时车辆还能够根据隧道内的运行环境的判断依据驾驶员的操作，对车辆进行强制制动。这样能够进一步保证车辆的运行安全，并且提高了车辆的智能性。上述的图像处理包括隧道内的背景更新以及隧道内整体图像的处理，以使得能够实时地、准确地对隧道内进行监控。以得到隧道内准确的环境信息。因此本申请的技术方案有效地解决了相关技术中的隧道内异物监测的准确性和实时性较差的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明的隧道内异物的检测方法的实施例的整体流程示意图；
图2示出了图1的隧道内异物的检测方法的步骤S20的具体流程示意图；
图3示出了图2的隧道内异物的检测方法的步骤S23的具体流程示意图；
图4示出了图3的隧道内异物的检测方法的步骤S231的具体流程示意图；
图5示出了图3的隧道内异物的检测方法的步骤S232的具体流程示意图；
图6示出了图3的隧道内异物的检测方法的步骤S234的具体流程示意图；
图7示出了图1的隧道内异物的检测方法的步骤S70的具体流程示意图；
图8示出了图1的隧道内异物的检测方法的工作过程示意图；
图9示出了图1的隧道内异物的检测方法的图像处理的工作过程示意图；
图10示出了图1的隧道内异物的检测方法的背景更新的工作过程示意图；以及
图11示出了图1的隧道内异物的检测方法的矢量中值滤波的工作过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1和图8所示，在本实施例中，隧道内异物的检测方法，包括：步骤S10：通过隧道内的拍摄装置对隧道的内部进行拍摄；步骤S20：将拍摄得到的图像进行图像处理；步骤S30：将进行图像处理后的图像进行识别，以判断得出隧道内是否有异物以及异物是否在运动；步骤S40：根据隧道内是否有异物以及异物是否在运动控制车辆的通行状态和/或报警状态。步骤S50：通过报警信号，人为对车辆进行制动；步骤S60：若车辆与隧道之间的距离在预设长度内，且车辆未进行制动时，车辆则进行强制制动。
应用本实施例的技术方案，先通过拍摄装置对隧道的内部进行拍摄，这样能够得到隧道的实时图像。再将实时图像传输处理器中，以对实时图像进行图像处理。处理后的图像再进行异物判断和异物运动判断，即判断隧道内是否有异物，异物是否在运动。再根据隧道内的具体情况(即是否存在异物，异物是否在运动)对车辆发出报警信号或者是控制车辆的运行状态。当车辆中的驾驶员得到警报信号后，可以主动对车辆进行制动。若车辆与隧道之间的距离在预设长度内时，且驾驶员未对车辆进行制动，则自动车辆进行强制制动，以避免危险的情况发生。通过上述的方法，能够有效地识别隧道内的图像以判断隧道内的运行环境是否安全，并且能够发出报警信号以提醒驾驶人员，这样能够有效地保证车辆的运行安全。同时车辆还能够根据隧道内的运行环境的判断依据驾驶员的操作，对车辆进行强制制动。这样能够进一步保证车辆的运行安全，并且提高了车辆的智能性。上述的图像处理包括隧道内的背景更新以及隧道内整体图像的处理，以使得能够实时地、准确地对隧道内进行监控。以得到隧道内准确的环境信息。因此本实施例的技术方案有效地解决了相关技术中的隧道内异物监测的准确性和实时性较差的问题。
本实施例的技术方案的原理是在拍摄装置监视范围内，能够自动辨别异物侵入，并即时触发报警，将报警信号传至车辆。并且能适应天气、光线、风等不同自然条件的变化，通过背景更新完成运动目标识别和报警功能。车辆上设置有车载显示端能在收到报警信号后通过控制界面调取实时画面，实现系统重置和消除误报。
如图2所示，在本实施例中，步骤S20包括：步骤S21：将图像转换为RGB格式的图像；步骤S22：对RGB格式的图像进行图像处理；步骤S23：对原始的RGB格式的图像以及进行图像处理后的RGB格式的图像再次进行图像处理。上述的步骤中包括重复的图像处理操作步骤，这样能够有效地提高图像的清晰程度，间接地提高识别的准确性。
如图2、图3以及图9所示，在本实施例中，步骤S23包括以下步骤：步骤S231：将图像做基于HSV颜色空间的区域划分，以得到第一目标区域；步骤S232：将图像进行背景消减，以得到第二目标区域；步骤S233：将第一目标区域和第二目标区域进行匹配以得到最终目标区域；步骤S234：将RGB格式的图像通过索贝尔算子进行边缘检测，以得到轨道的特征；步骤S235：将最终目标区域和轨道的特征结合以得到隧道内的环境。上述的步骤首先隧道内的实时图像做基于HSV颜色空间的区域划分，这样能够得到第一目标区域；在对隧道内的实时图像进行背景消减，这样能够得到第二目标区域，最后将第一目标区域和第二目标区域进行叠加，这样能够得到隧道内的整体环境信息，但是此时，隧道的边缘以及铁轨的特征还不清晰，所以需要单独进行隧道的边缘以及铁轨的特征进行提取，提取的步骤需要通过索贝尔算子进行边缘检测，这样能够有效地提取到轨道的特征以及隧道的边缘。最后将隧道的环境信息和隧道的边缘以及轨道的特征结合后，就能够得到隧道内完整的环境信息，此时则能够对隧道内的环境进行识别，以识别出隧道内是否存在异物，异物的位置，异物是否在运动。
上述的HSV为hue，saturation，value。并且，第一目标区域是指对转换为RGB格式的拍摄图像，进行基于HSV颜色空间的区域划分后的区域；第二目标区域是指对转换为RGB格式的拍摄图像进行背景消减后的区域。
如图3至图5所示，在本实施例中，步骤S231包括以下步骤：步骤S2311：将RGB格式的图像转化为HSV色彩空间；步骤S2312：通过直方图和Otsu算法对HSV色彩空间进行区域划分；步骤S2313：得到第一目标区域。步骤S232包括以下步骤：步骤S2321：将RGB格式的图像进行背景消减；步骤S2322：将进行背景消减后的RGB格式的图像进行矢量中值滤波和双阈值图像分割；步骤S2323：获得第二目标区域。通常的背景减除对光线、天气等光照条件的变化非常敏感，运动目标的阴影常常被检测为运动目标的一部分。因此，本实施例的技术方案将基于双阈值的背景减除法和基于HSV颜色空间投影法相结合，以达到背景减除的目的。通过背景消减获得检测到的运动目标及运动目标的阴影，将背景帧图像与当前帧图像对应的RGB颜色模式下的BMP(bitmap)图像所对应的三个颜色分量分别相减，这样能够得到异物的位置。
如图11所示，在本实施例中，传统的矢量中值滤波算法运算量很大，特别是随着滑动窗的增大，需要运算的点数成平方增长，使得运算量增大非常快，很难满足系统需要实时处理的要求。为此，本实施例的技术方案采用了一种改进的矢量中值滤波算法，它在RGB空间进行运算，不仅能保持原有的滤波性能，运算量也大大减小，使图像处理的效率明显提高。这种改进算法融合了线性均值滤波和非线性矢量中值滤波两种方法，因而对高斯噪声的平滑和脉冲噪声的滤除，以及图像边缘信息的保护都有较好的效果，且算法比较简单。针对监控区域的噪声污染特征，本例的改进算法中取t和p分别为5和3，而权重wj取均值1。该滤波算法较好地消除了颗粒噪声。同时，对脉冲噪声和高斯噪声有良好的抑制作用，有效保护了图像的边缘信息。
通常的运动检测算法都是采用单一阈值对差值图像进行阈值操作，但单一阈值分割存在很多缺陷。为消除影子的影响，克服单一阈值给图像分割带来的缺陷，确保提取出精确的运动目标，本实施例的技术方案采用一种自适应阈值选择算法对差值图像Dx，y，做双阈值分割。
通过分析差值图像Dx，y＝|Ix，y-Bx，y|，获取其中值MED＝medx，y∈ΩDx，y以及中值绝对差MAD＝medx，y∈Ω|Dx，y-MED|。若图像中运动区域的面积只占整个图像面积的一小部分，则差值图像的中值就应该对应为噪声的灰度值。阈值由中值及中值绝对差确定，即T＝MED+3÷1.4268·MAD为标准正态分布的系数。令双阈值中的低阈值TL＝T，高阈值TH＝αTL(α为高低阈值之比，其取值大小由物体在图像中所占比例决定)。用高低2个阈值分别对差值图像做阈值操作，得到两幅差值图像BWL和BWH，BWL表示以低阈值取得的差值图像，BWH表示以高阈值取得的图像。对BWH做数学形态学中的膨胀操作，即可分割出完整的运动目标，从而将BWL中原有的噪声去除，达到初步消除阴影的效果。
如图3和图6所示，在本实施例中，步骤S234包括以下步骤：步骤S2341：将RGB格式的图像转化为灰度图；步骤S2342：根据灰度图，通过索贝尔算子进行边缘检测，以得到轨道的边缘；步骤S2343：根据灰度图，通过Hough变换算法提取轨道的特征值；步骤S2344：根据轨道的边缘和轨道的特征值拟合得到轨道的特征。本实施例的技术方案提取铁轨时首先利用索贝尔(Sobel)算子获取边缘，然后采用Hough变换算法进行局部直线拟合，得到铁轨特征值。本算法采用的是局部拟合的方法，最后得到的铁轨并不是标准直线，这样更符合实际情况。另外，算法执行之后会得到几簇近似直线，根据2条铁轨的平行特性，剔除干扰信息后，能达到理想的提取效果。
上述的特征值拟合是使用最小二乘法，通过最小化误差的平方和来寻找所述轨道边缘和所述轨道特征值的最佳函数匹配。
如图5所示，在本实施例中，背景消减通过以下公式实现：
Figure BDA0003187253090000061
其中，Ω为运动区域，Xxy[R]、Xxy[G]和Xxy[B]分别为当前帧中Ix，y像素点的RGB值，X′xy[R]、X′xy[G]和X′xy[B]是背景帧中Bx，y对应像素点的RGB颜色值，Dx，y是差值图像。通过上述的公式能够有效地提取出完整的运动目标及其阴影。Dx，y中包括了所有的变化信息，既有要检测的运动目标，又有由光照变化、物体阴影等产生的噪声。通过背景消减提取出完整的运动目标及其阴影。上述的当前帧是指当前图像所在的帧，背景帧指整体背景中与当前图像所对应的帧。具体地，运动区域是指隧道内的整体环境。
矢量中值滤波步骤在RGB颜色空间内进行。上述的操作不仅能保持原有的滤波性能，运算量也大大减小，使图像处理的效率明显提高。这种改进算法融合了线性均值滤波和非线性矢量中值滤波两种方法，因而对高斯噪声的平滑和脉冲噪声的滤除，以及图像边缘信息的保护都有较好的效果，且算法比较简单。
步骤S30通过以下公式计算：
Figure BDA0003187253090000071
其中，x1i代表通过HSV颜色空间划分的各区域质心的横坐标，y1i代表通过HSV颜色空间划分的各区域质心的纵坐标，x2j代表R2区域中的直线的横坐标，y2j代表R2区域中的直线的纵坐标，Dij为质心欧氏距离。
在本实施例中阈值定义为15个像素。目标轮廓匹配的构思如下:
(1)计算R1中所有区域的质心位置，并存在数组C1中；计算R2中所有区域的质心位置，并存在数组C2中，记数组C2中所含元素的个数为k。(2)j＝1。(3)利用上式，取C2中第j个C2(j)元素与C1中所有元素分别计算质心距离Dij，并存在数组D中。(4)如果D中所有元素大于阈值，则进行步骤5，否则意味着C1(i)和C2(j)对应同一个目标，记录C2(j)所对应的区域。(5)删除D中所有元素，j＝j+1。(6)若j＜k则转到步骤(3)，否则输出匹配后的目标轮廓。上述的目标轮廓为异物的轮廓。需要说明的是上述的操作为图像处理，质心距离大于阈值则表示存在异物。
如图1和图7所示，在本实施例中，步骤S20和步骤S30之间包括以下步骤：步骤S70：将进行第二次处理处理后的图像进行背景更新。为了能够得到实时的隧道内环境的信息，因此需要机械能背景更新。本实施例的技术方案采用基于卡尔曼(Kalman)滤波理论的背景更新方法。上述的背景更新为实时更新。
如图1、图7以及图10所示，在本实施例中，步骤S70包括以下步骤：步骤S71：计算当前帧图像的均值和方差以得到背景因子；步骤S72：根据第二次处理处理后的图像和当前帧图像得到帧差图确定运动图像；步骤S73：通过计算帧差图的均值和方差以得到运动因子；步骤S74：将背景因子、运动图像、运动因子和第二次处理处理后的图像相比较，输出当前的背景图像；步骤S75：将当前背景图像反馈至当前帧图像。通过上述的步骤随着时间推移，背景会发生变化，如光照变化、背景物体移入移出等，背景必须加以更新以反映这些变化。在没有检测到任何异常的情况下，可实现每帧更新背景，而检测到异常时暂停背景更新。，该背景更新算法能够很好地将图像前景和背景分离，消除光照变化、下雨等情况带来的不利影响，并能消除颗粒噪声。在实验中，提取前景目标的效果稳定准确，大大提高了系统的准确性，减少了误判和漏判。背景因子是指处理当前帧图像后得到的参数，该参数定义为背景因子。运动因子是指处理帧差图后得到的参数，该参数定义为运动因子。步骤S75是指将当前处理后的背景图像，反馈至当前将处理后的背景图像作为下次处理的背景图像。
如图8所示，在本实施例中，本实施例的技术方案整体的工作原理如下：拍摄装置采集隧道内的图像信息，通过数据传输单元传输至背景更新单元和图像处理单元。背景更新单元通过背景更新算法，并将更新之后的算法用于图像处理。进而完成整个系统的图像处理及特征提取工作，即得到隧道内的额完整的环境信息。将处理之后的信息输送到异物入侵监测模块和异物运动监测模块。而后将数据一并输送到预警单元，最后进入响应终端(即车辆)。在必要情况下，可以通过终端控制摄像模块，调取实时画面。
本实施例的技术方案还能够对隧道内的温度进行检测，基体方法如下：将光源射入至隧道内的光纤中，以得到散射光。通过滤波器和APD将散射光转化为电信号。将电信号传输到激光雷达上，得到初步温度数据。将初步温度数据进行温度补偿以得到实时温度数据。首先通过脉冲激光器将光源射入到光纤中，光在光纤中反射，在反射的过程中会产生后向散射，通过后向拉曼散射光温度效应，该处的散射光已经携带温度信息。散射光经过经滤波器和APD将散射光信号转换成电信号。此时就已经将带有温度信息的光信号转化为带有温度信息的电信号。再将该电信号传输到激光雷达上，这样则能够则到初步的温度数据。由于初步的温度数据还有一定的不准确性，因此需要对初步的温度数据进行温度补偿，通过温度补偿后得到准确的实时温度。通过上述的步骤，能够准确的检测出隧道内的实时温度，并且由于利用了光时域反射原理和后向拉曼散射光温度效应，对温度的变化十分敏感，因此能够检测到隧道内较小的温度变化；同时由于光的传播速度极快，这样使得列车上能够及时得到隧道内的温度的情况。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种隧道内异物的检测方法，其特征在于，包括：
步骤S10：通过隧道内的拍摄装置对所述隧道的内部进行拍摄；
步骤S20：将拍摄得到的图像进行图像处理；
步骤S30：将进行图像处理后的图像进行识别，以判断得出所述隧道内是否有异物以及所述异物是否在运动；
步骤S40：根据所述隧道内是否有所述异物以及所述异物是否在运动控制车辆的通行状态和/或报警状态；
步骤S50：通过所述报警信号，人为对所述车辆进行制动；
步骤S60：若所述车辆与所述隧道之间的距离在预设长度内，且车辆未进行制动时，车辆则进行强制制动。
2.根据权利要求1所述的隧道内异物的检测方法，其特征在于，所述步骤S20包括：
步骤S21：将所述图像转换为RGB格式的图像；
步骤S22：对所述RGB格式的图像进行图像处理；
步骤S23：对原始的所述RGB格式的图像以及进行图像处理处理后的所述RGB格式的图像再次进行图像处理。
3.根据权利要求2所述的隧道内异物的检测方法，其特征在于，所述步骤S23包括以下步骤：
步骤S231：将所述图像做基于HSV颜色空间的区域划分，以得到第一目标区域；
步骤S232：将所述图像进行背景消减，以得到第二目标区域；
步骤S233：将所述第一目标区域和所述第二目标区域进行匹配以得到最终目标区域；
步骤S234：将所述RGB格式的图像通过索贝尔算子进行边缘检测，以得到轨道的特征；
步骤S235：将所述最终目标区域和所述轨道的特征结合以得到所述隧道内的环境。
4.根据权利要求3所述的隧道内异物的检测方法，其特征在于，
所述步骤S231包括以下步骤：
步骤S2311：将所述RGB格式的图像转化为HSV色彩空间；
步骤S2312：通过直方图和Otsu算法对所述HSV色彩空间进行区域划分；
步骤S2313：得到第一目标区域；
所述步骤S232包括以下步骤：
步骤S2321：将所述RGB格式的图像进行背景消减；
步骤S2322：将进行所述背景消减后的RGB格式的图像进行矢量中值滤波和双阈值图像分割；
步骤S2323：获得第二目标区域。
5.根据权利要求3所述的隧道内异物的检测方法，其特征在于，所述步骤S234包括以下步骤：
步骤S2341：将所述RGB格式的图像转化为灰度图；
步骤S2342：根据所述灰度图，通过索贝尔算子进行边缘检测，以得到所述轨道的边缘；
步骤S2343：根据所述灰度图，通过Hough变换算法提取所述轨道的特征值；
步骤S2344：根据所述轨道的边缘和所述轨道的特征值拟合得到所述轨道的特征。
6.根据权利要求3所述的隧道内异物的检测方法，其特征在于，所述背景消减通过以下公式实现：
Figure FDA0003187253080000021
其中，Ω为运动区域，Xxy[R]、Xxy[G]和Xxy[B]分别为当前帧中Ix，y像素点的RGB值，X′xy[R]、X′xy[G]和X′xy[B]是背景帧中Bx，y对应像素点的RGB颜色值，Dx，y是差值图像。
7.根据权利要求4所述的隧道内异物的检测方法，其特征在于，所述矢量中值滤波步骤在RGB颜色空间内进行。
8.根据权利要求1所述的隧道内异物的检测方法，其特征在于，所述步骤S30通过以下公式计算：
Figure FDA0003187253080000022
其中，x1i代表通过HSV颜色空间划分的各区域质心的横坐标，y1i代表通过HSV颜色空间划分的各区域质心的纵坐标，x2j代表R2区域中的直线的横坐标，y2j代表R2区域中的直线的纵坐标，Dij为质心欧氏距离。
9.根据权利要求2所述的隧道内异物的检测方法，其特征在于，所述步骤S20和所述步骤S30之间包括以下步骤：
步骤S70：将进行第二次处理处理后的所述RGB格式的图像进行背景更新。
10.根据权利要求9所述的隧道内异物的检测方法，其特征在于，所述步骤S70包括以下步骤：
步骤S71：计算当前帧图像的均值和方差以得到背景因子；
步骤S72：根据所述图像处理后的图像和所述当前帧图像得到帧差图确定运动图像；
步骤S73：通过计算所述帧差图的均值和方差以得到运动因子；
步骤S74：将所述背景因子、所述运动图像、所述运动因子和所述第二次处理处理后的所述图像相比较，输出当前的背景图像；
步骤S75：将所述当前背景图像反馈至当前帧图像。
CN202110865782.5A 2021-07-29 2021-07-29 隧道内异物的检测方法 Pending CN113487518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110865782.5A CN113487518A (zh) 2021-07-29 2021-07-29 隧道内异物的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110865782.5A CN113487518A (zh) 2021-07-29 2021-07-29 隧道内异物的检测方法

Publications (1)

Publication Number Publication Date
CN113487518A true CN113487518A (zh) 2021-10-08

Family

ID=77944527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110865782.5A Pending CN113487518A (zh) 2021-07-29 2021-07-29 隧道内异物的检测方法

Country Status (1)

Country Link
CN (1) CN113487518A (zh)

Similar Documents

Publication Publication Date Title
CN109878552B (zh) 基于机器视觉的轨道交通站台门与列车间异物监测装置
CN112800860B (zh) 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统
CN110415544B (zh) 一种灾害天气预警方法及汽车ar-hud系统
US20080144961A1 (en) Method and Image Evaluation Unit for Scene Analysis
AU2009270324A1 (en) Detection of vehicles in images of a night time scene
CN111667655A (zh) 基于红外图像的高速铁路安全区入侵警报装置及方法
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
CN113298059A (zh) 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质
Surkutlawar et al. Shadow suppression using rgb and hsv color space in moving object detection
CN115546738A (zh) 一种铁轨异物检测方法
Lee An accident detection system on highway using vehicle tracking trace
CN112508893B (zh) 基于机器视觉的铁路双轨间微小异物检测方法及系统
KR20200056879A (ko) 전차 선로의 조류 둥지 자동 검출 장치 및 방법
Hautiere et al. Meteorological conditions processing for vision-based traffic monitoring
CN113553992A (zh) 一种面向电扶梯的复杂场景目标跟踪方法及系统
CN116935551A (zh) 周界入侵检测方法、系统、设备及存储介质
CN111063145A (zh) 电子围栏智能处理器
WO2022267266A1 (zh) 一种基于视觉识别的列车控制方法及设备
CN113487518A (zh) 隧道内异物的检测方法
KR20210044127A (ko) 영상 분석 기반 가시거리 측정 및 경보 시스템 및 방법
Hautière et al. Daytime visibility range monitoring through use of a roadside camera
CN114581863A (zh) 车辆危险状态识别方法及系统
JP3736836B2 (ja) 物体検出方法及び物体検出装置及びプログラム
Klammsteiner et al. Vision Based Stationary Railway Track Monitoring System
KR20220120211A (ko) 교통량 측정을 위한 딥러닝 기반의 드론 영상 분석 시스템

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