CN114255359B - 一种基于运动图像识别的智能报站校验方法和系统 - Google Patents
一种基于运动图像识别的智能报站校验方法和系统 Download PDFInfo
- Publication number
- CN114255359B CN114255359B CN202210189189.8A CN202210189189A CN114255359B CN 114255359 B CN114255359 B CN 114255359B CN 202210189189 A CN202210189189 A CN 202210189189A CN 114255359 B CN114255359 B CN 114255359B
- Authority
- CN
- China
- Prior art keywords
- image
- train
- speed
- station
- acceleration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012795 verification Methods 0.000 title claims abstract description 38
- 230000001133 acceleration Effects 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 77
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 239000002344 surface layer Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 abstract description 11
- 238000004891 communication Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出了一种基于运动图像识别的智能报站校验方法,首先检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;将图像集输入到训练好的神经网络模型中,预测到站站点;将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验;本发明提供的方法,能够根据采集的图像进行深度神经网络学习,提前预测到站站点,与语音播报站点进行相互校验,避免通信故障造成的报站错误,提高报站系统的可靠性。
Description
技术领域
本发明列车报站领域,特别是指一种基于运动图像识别的智能报站校验方法和系统。
背景技术
目前地铁信号系统使用基于通信的列车自动控制系统,地铁报站系统是这一系统中的一环,由这一系统支持运行,地铁列车运行由计算机控制,严格按照速度曲线运行,实现高准确度的发车和停车,因此,对于日常地铁的运营规划,地铁列车严格遵循运行时刻表运行,即在列车正线运行时,时刻表中的具体某一时刻对应了相应的停靠车站,地铁的运营控制中心统一规划运行时刻表,并通过无线通信网络发送到各列车,各列车严格按照运行时刻表运行,列车车载计算机根据运行时刻表调整运行速度曲线控制列车运行,相应的时刻表是列车运行发车和停站的时刻标尺,报站系统根据各个时刻对应的到达车站在到达车站前的某一时刻帧中插入报站信息,列车上的显示屏和播放喇叭播放相应的报站信息,在离开车站开往下一站过程中的某一时刻帧中插入预报信息,列车上的显示屏和播放喇叭播放相应的报站信息。
但一旦出现通信故障,列车报站系统会出现报站错误、不报站等事故的出现,现阶段PIS系统中,报站方式分为ATS报站、半自动报站、手动报站,要么依靠TMS数据、要么依靠人工操作,两者不能互为验证,容易引发其他运营事故。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于运动图像识别的智能报站校验方法和系统,能够根据采集的图像进行深度神经网络学习,提前预测到站站点,与语音播报站点进行相互校验,避免通信故障造成的报站错误,提高报站系统的可靠性。
本发明的技术方案:
一种基于运动图像识别的智能报站校验方法,包括如下步骤:
检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;
响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;
将图像集输入到训练好的神经网络模型中,预测到站站点;
将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验。
具体地,图像获取终端为列车前置摄像头。
具体地,将图像集输入到训练好的神经网络模型中之前,还包括:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像。
具体地,所述神经网络模型为改进的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括29个卷积层,分类输出层为1280*2的全连接层和softmax层。
本发明实施例另一方面提供一种基于运动图像识别的智能报站校验系统,包括:
图像开始获取单元:检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;
图像终止获取单元:响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;
预测站点单元:将图像集输入到训练好的神经网络模型中,预测到站站点;
检验单元:将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验。
具体地,所述图像开始获取单元中,图像获取终端为列车前置摄像头。
具体地,还包括运动图像去重影单元,具体为:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像。
具体地,所述预测站点单元中,神经网络模型为改进后的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括26个卷积层,分类输出层为1280*2的全连接层和softmax层。
本发明再一实施例提供一种电子设备,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述一种基于运动图像识别的智能报站校验方法步骤。
本发明又一实施例提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现实现上述一种基于运动图像识别的智能报站校验方法步骤。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提出了一种基于运动图像识别的智能报站校验方法,首先检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;将图像集输入到训练好的神经网络模型中,预测到站站点;将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验;本发明提供的方法,能够根据采集的图像进行深度神经网络学习,提前预测到站站点,与语音播报站点进行相互校验,避免通信故障造成的报站错误,提高报站系统的可靠性。
(2)本发明将图像集输入到运动图像去重影网络模型进行了去模糊操作,解决了运动模糊图像的非均匀性问题,去除伪影且获取更多的图像高频特征,重建出纹理细节丰富的高质量图像。
(3)本发明提出了改进MobilenetV2网络,一方面识别精度高,另一方面大幅减少multiply-adds(MAdd)的计算量,从而减少模型的参数量,降低内存占用,又提高模型的计算速度,适应嵌入式平台的应用。
附图说明
图1为本发明实施例提供的一种基于运动图像识别的智能报站校验方法流程图;
图2为本发明实施例提供的一种基于运动图像识别的智能报站校验系统的结构图;
图3为本发明实施例提供的一种电子设备的实施例示意图;
图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明提出了一种基于运动图像识别的智能报站校验方法,能够根据采集的图像进行深度神经网络学习,提前预测到站站点,与语音播报站点进行相互校验,避免通信故障造成的报站错误,提高报站系统的可靠性。
如图1,为本发明实施例提供的一种基于运动图像识别的智能报站校验方法,具体包括:
一种基于运动图像识别的智能报站校验方法,包括如下步骤:
S101:检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;
检测列车速度和加速度,当检测到列车加速度为负值时,且速度到达设定速度阈值时,实施例中该值为10m/s,10m/s的数值是通过对不同站点进行多次实验获取的,当然也根据实际运行站点以及要求精度设定速度阈值。当加速度为负值时,说明列车在减速,这是列车即将到站的准确信号,但列车刚开始减速时,距离站点还有一定的距离,此外,需要说明的一点是在离站点较近的区域,列车隧道才会呈现不同的特点,而距离站点还有一定的距离时就开始采集图像,会获取很多无效图像,因此还设定速度条件,在距离站点较近范围内开始采集图像,这样保证图像的有效性,从而确定站点预测的准确性。
S102:响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;
列车一般在开门前就开始播报站点的名称,因此,需要在播报站点前,对即将到达的站点进行预测;当检测到列车加速度小于0,速度小于3m/s时,图像获取终端停止图像获取操作,得到一系列图像集。
具体地,图像获取终端为列车前置摄像头。
S103:将图像集输入到训练好的神经网络模型中,预测到站站点;
具体地,所述神经网络模型为改进的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括29个卷积层,分类输出层为1280*2的全连接层和softmax层。
第1个卷积层是24个大小为3*3*3的卷积核,步长为2,输入图像大小为4482 *3,输出图像大小为2242 *32的特征图;
第29个卷积层是1280个1*1*384的逐点卷积,步长为1,输出大小为282 *1280的特征图;
其中第2-28个卷积层,每3个一组,一共为9组,每组中均包括可分离卷积的扩展通道逐个卷积层、深度卷积、线性逐个卷积。
全局平均池化层大小为28*28,输出大小为12 *1280的特征图。
训练改进的MobilenetV2模型具体步骤:
首先对原始MobilenetV2网络改进;然后对网络参数进行初始化。采用SGD优化器,用本发明实施例所收集和处理的列车行进过程中采集的图像数据集在模型中进行训练,此时网络中对应权重参数也随之发生改变。当模型的识别率较高时,停止该训练,得到训练好的改进MobilenetV2模型。
具体地,将图像集输入到训练好的神经网络模型中之前,还包括:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;表层特征提取模块M e 设有一个7×7卷积层和两个3×3的卷积层,在每个卷积层后面都加入实例归一化和ReLU函数。
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;自适应残差过程包括形变卷积模块和通道注意力模块组成且输入和输出之间又通过短跳连接SSC进行联系;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像,特征重建模块设有转置卷积和7×7卷积,转置卷积后面加入实例归一化和ReLU,采用tanh作为激活函数。
S104:将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验。
如图2,本发明实施例另一方面提供一种基于运动图像识别的智能报站校验系统,包括:
图像开始获取单元201:检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;
检测列车速度和加速度,当检测到列车加速度为负值时,且速度到达设定速度阈值时,实施例中该值为10m/s,10m/s的数值是通过对不同站点进行多次实验获取的,当然也根据实际运行站点以及要求精度设定速度阈值。当加速度为负值时,说明列车在减速,这是列车即将到站的准确信号,但列车刚开始减速时,距离站点还有一定的距离,此外,需要说明的一点是在离站点较近的区域,列车隧道才会呈现不同的特点,而距离站点还有一定的距离时就开始采集图像,会获取很多无效图像,因此还设定速度条件,在距离站点较近范围内开始采集图像,这样保证图像的有效性,从而确定站点预测的准确性。
图像终止获取单元202:响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;
列车一般在开门前就开始播报站点的名称,因此,需要在播报站点前,对即将到达的站点进行预测;当检测到列车加速度小于0,速度小于3m/s时,图像获取终端停止图像获取操作,得到一系列图像集。
具体地,图像获取终端为列车前置摄像头。
预测站点单元203:将图像集输入到训练好的神经网络模型中,预测到站站点;
具体地,所述神经网络模型为改进的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括29个卷积层,分类输出层为1280*2的全连接层和softmax层。
第1个卷积层是24个大小为3*3*3的卷积核,步长为2,输入图像大小为4482 *3,输出图像大小为2242 *32的特征图;
第29个卷积层是1280个1*1*384的逐点卷积,步长为1,输出大小为282 *1280的特征图;
其中第2-28个卷积层,每3个一组,一共为9组,每组中均包括可分离卷积的扩展通道逐个卷积层、深度卷积、线性逐个卷积。
全局平均池化层大小为28*28,输出大小为12 *1280的特征图。
训练改进的MobilenetV2模型具体步骤:
首先对原始MobilenetV2网络改进;然后对网络参数进行初始化。采用SGD优化器,用本发明实施例所收集和处理的列车行进过程中采集的图像数据集在模型中进行训练,此时网络中对应权重参数也随之发生改变。当模型的识别率较高时,停止该训练,得到训练好的改进MobilenetV2模型。
检验单元204:将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验。
此外,还包括运动图像去重影单元:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;表层特征提取模块M e 设有一个7×7卷积层和两个3×3的卷积层,在每个卷积层后面都加入实例归一化和ReLU函数。
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;自适应残差过程包括形变卷积模块和通道注意力模块组成且输入和输出之间又通过短跳连接SSC进行联系;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像,特征重建模块设有转置卷积和7×7卷积,转置卷积后面加入实例归一化和ReLU,采用tanh作为激活函数。
如图3所示,本发明实施例提供了一种电子设备300,包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时实现本发明实施例提供的一种基于运动图像识别的智能报站校验方法。
在具体实施过程中,处理器320执行计算机程序311时,可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种数据处理装置所采用的设备,故而基于本发明实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍,只要本领域所属技术人员实施本发明实施例中的方法所采用的设备,都属于本发明所欲保护的范围。
请参阅图4,图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示,本实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现本发明实施例提供的一种基于运动图像识别的智能报站校验方法;
在具体实施过程中,该计算机程序411被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明提出了一种基于运动图像识别的智能报站校验方法,首先检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像;响应于列车速度和加速度符合第二设定条件,停止图像获取操作,得到图像集;将图像集输入到训练好的神经网络模型中,预测到站站点;将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验;本发明提供的方法,能够根据采集的图像进行深度神经网络学习,提前预测到站站点,与语音播报站点进行相互校验,避免通信故障造成的报站错误,提高报站系统的可靠性。
本发明将图像集输入到运动图像去重影网络模型进行了去模糊操作,解决了运动模糊图像的非均匀性问题,去除伪影且获取更多的图像高频特征,重建出纹理细节丰富的高质量图像。
本发明提出了改进MobilenetV2网络,一方面识别精度高,另一方面大幅减少multiply-adds(MAdd)的计算量,从而减少模型的参数量,降低内存占用,又提高模型的计算速度,适应嵌入式平台的应用。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围行为。
Claims (6)
1.一种基于运动图像识别的智能报站校验方法,其特征在于,包括如下步骤:
检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像,所述检测列车速度和加速度,当检测到列车加速度为负值时,且速度到达设定速度阈值时,所述速度阈值为10m/s;
响应于列车速度和加速度符合第二设定条件,为当检测到列车加速度小于0,速度小于3m/s时,停止图像获取操作,得到图像集;
将图像集输入到训练好的神经网络模型中,预测到站站点;
将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验;
将图像集输入到训练好的神经网络模型中之前,还包括:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像;
所述神经网络模型为改进的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括29个卷积层,分类输出层为1280*2的全连接层和softmax层。
2.根据权利要求1所述的一种基于运动图像识别的智能报站校验方法,其特征在于,图像获取终端为列车前置摄像头。
3.一种基于运动图像识别的智能报站校验系统,其特征在于,包括:
图像开始获取单元:检测到列车速度和加速度,响应于列车速度和加速度符合第一设定条件,触发图像获取终端,获取列车行进过程中的图像,所述检测列车速度和加速度,当检测到列车加速度为负值时,且速度到达设定速度阈值时,所述速度阈值为10m/s;
图像终止获取单元:响应于列车速度和加速度符合第二设定条件,为当检测到列车加速度小于0,速度小于3m/s时,停止图像获取操作,得到图像集;
预测站点单元:将图像集输入到训练好的神经网络模型中,预测到站站点;
检验单元:将预测到站站点与预先存储的语音播报中的到站站点进行匹配,完成校验;
还包括运动图像去重影单元,具体为:
将图像集输入到运动图像去重影网络模型中,所述去重影网络包括:表层特征提取模块、自适应残差模块、递归交叉注意力模块和特征重建模块;
采用表层特征提取模块对图像进行表层特征提取;
利用自适应残差模块对提取的表层特征进行融合特征学习,得到深层特征;
将深层特征输入到递归交叉注意力模块,得到全局性特征;
特征重建模块根据全局性特征进行图像重建,并结合全局跳跃连接得到去重影图像;
所述预测站点单元中,神经网络模型为改进后的MobileNetV2网络模型,具体包括:特征提取层、全局平均池化层以及分类输出层,其中特征提取层包括26个卷积层,分类输出层为1280*2的全连接层和softmax层。
4.根据权利要求3所述的一种基于运动图像识别的智能报站校验系统,其特征在于,所述图像开始获取单元中,图像获取终端为列车前置摄像头。
5.一种电子设备,其特征在于,包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现权利要求1至2任一所述的方法步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189189.8A CN114255359B (zh) | 2022-03-01 | 2022-03-01 | 一种基于运动图像识别的智能报站校验方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210189189.8A CN114255359B (zh) | 2022-03-01 | 2022-03-01 | 一种基于运动图像识别的智能报站校验方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255359A CN114255359A (zh) | 2022-03-29 |
CN114255359B true CN114255359B (zh) | 2022-06-24 |
Family
ID=80797179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210189189.8A Active CN114255359B (zh) | 2022-03-01 | 2022-03-01 | 一种基于运动图像识别的智能报站校验方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255359B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826228A (zh) * | 2010-05-14 | 2010-09-08 | 上海理工大学 | 基于背景估计的公交乘客运动目标检测方法 |
CN107040720A (zh) * | 2017-03-27 | 2017-08-11 | 珠海市魅族科技有限公司 | 一种图像获取方法及装置 |
CN108593654A (zh) * | 2018-03-28 | 2018-09-28 | 北京交通大学 | 隧道图像采集系统及方法 |
CN112001258A (zh) * | 2020-07-27 | 2020-11-27 | 上海东普信息科技有限公司 | 物流货车准时到站识别方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761538A (zh) * | 2016-05-06 | 2016-07-13 | 厦门蓝斯通信股份有限公司 | 基于视频识别的辅助报站方法、系统及车载终端 |
CN207617739U (zh) * | 2017-11-27 | 2018-07-17 | 厦门理工学院 | 一种基于图像识别技术的地铁报站系统 |
CN110168559A (zh) * | 2017-12-11 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 用于识别和定位车辆周围物体的系统和方法 |
CN110209281B (zh) * | 2019-06-06 | 2022-03-15 | 瑞典爱立信有限公司 | 对运动信号进行处理的方法、电子设备和介质 |
CN111356077B (zh) * | 2020-03-09 | 2021-08-03 | Oppo广东移动通信有限公司 | 站点预测方法、装置、终端及存储介质 |
CN112164011B (zh) * | 2020-10-12 | 2023-02-28 | 桂林电子科技大学 | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 |
-
2022
- 2022-03-01 CN CN202210189189.8A patent/CN114255359B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826228A (zh) * | 2010-05-14 | 2010-09-08 | 上海理工大学 | 基于背景估计的公交乘客运动目标检测方法 |
CN107040720A (zh) * | 2017-03-27 | 2017-08-11 | 珠海市魅族科技有限公司 | 一种图像获取方法及装置 |
CN108593654A (zh) * | 2018-03-28 | 2018-09-28 | 北京交通大学 | 隧道图像采集系统及方法 |
CN112001258A (zh) * | 2020-07-27 | 2020-11-27 | 上海东普信息科技有限公司 | 物流货车准时到站识别方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114255359A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544477A (zh) | 一种语音识别方法、装置、设备及介质 | |
US20170262750A1 (en) | Risk prediction method | |
CN112233092A (zh) | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 | |
EP4239585A1 (en) | Video loop recognition method and apparatus, computer device, and storage medium | |
CN111008608B (zh) | 一种基于深度学习的夜间车辆检测方法 | |
CN112818871B (zh) | 一种基于半分组卷积的全融合神经网络的目标检测方法 | |
CN112380960A (zh) | 一种人群计数方法、装置、设备和存储介质 | |
CN111798836B (zh) | 一种自动切换语种方法、装置、系统、设备和存储介质 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN114255359B (zh) | 一种基于运动图像识别的智能报站校验方法和系统 | |
CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
CN114943750A (zh) | 目标跟踪方法、装置及电子设备 | |
CN109492697B (zh) | 图片检测网络训练方法及图片检测网络训练装置 | |
CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN112825116B (zh) | 监控视频图像人脸检测和追踪方法、装置、介质及设备 | |
CN114663731B (zh) | 车牌检测模型的训练方法及系统、车牌检测方法及系统 | |
CN111160274A (zh) | 一种基于二值化Faster RCNN网络的行人检测方法 | |
CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN115424253A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN110956097B (zh) | 遮挡人体提取方法及模块、场景转换方法及装置 | |
CN109034174B (zh) | 一种级联分类器训练方法及装置 | |
CN113469176A (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
CN111768764A (zh) | 语音数据处理方法、装置、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |