CN114742975A - 一种车载图像铁轨曲线建模方法 - Google Patents

一种车载图像铁轨曲线建模方法 Download PDF

Info

Publication number
CN114742975A
CN114742975A CN202210649992.5A CN202210649992A CN114742975A CN 114742975 A CN114742975 A CN 114742975A CN 202210649992 A CN202210649992 A CN 202210649992A CN 114742975 A CN114742975 A CN 114742975A
Authority
CN
China
Prior art keywords
rail
parameters
curve
point
parameter
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.)
Granted
Application number
CN202210649992.5A
Other languages
English (en)
Other versions
CN114742975B (zh
Inventor
唐鹏
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.)
Southwest Jiaotong University
Original Assignee
Southwest 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210649992.5A priority Critical patent/CN114742975B/zh
Publication of CN114742975A publication Critical patent/CN114742975A/zh
Application granted granted Critical
Publication of CN114742975B publication Critical patent/CN114742975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车载图像铁轨曲线建模方法，所述车载图像铁轨曲线建模方法包括：S1：根据基函数和原始有理贝塞尔曲线模型，建立车载图像的铁轨曲线模型；S2：利用透视投影下的控制参数表达形式，将所述铁轨曲线模型中的参数转换为适用于计算机的参数；S3：根据所述铁轨模型中的参数和所述适用于计算机的参数，利用曲线参数拟合方法，得到关键控制参数；S4：利用所述关键控制参数对神经网络进行训练，得到训练好的神经网络；S5：根据输入车载图像，利用所述训练好的神经网络，得到输入车载图像铁轨曲线模型。本发明能够解决现有模型表达不准确、控制参数计算不精确等技术问题。

Description

一种车载图像铁轨曲线建模方法
技术领域
本发明涉及轨道交通技术领域，具体涉及一种车载图像铁轨曲线建模方法。
背景技术
近年来我国轨道交通领域发展迅速，高速列车、重载机车和城轨地铁都分别取得了重大进步。随着轨道交通运营规模和强度不断增大，其运维检修的天窗期时间不断缩减，传统地轨道交通检修维护方法已不再适用当前形势。在此背景下，利用视觉等传感器对铁路场景实现智能化感知和分析决策，已成为必然的技术选择 。其中，一项重要的轨道交通智能化研究内容即是，用车载前向摄像机观测司机视角下的前方道路区域异常情况。轨道交通车辆辅助驾驶和自动驾驶的一项重要内容，是对车辆运行空间的场景内容进行感知和辨识，从而区分路轨区域、牵引供电设备设施及其他建筑和植被等次要区域。并以此为基础，辨别侵入铁路限界区域的异常人员、车辆、动物物品和行为等情况。作为一种高速度、高运力的交通形式，轨道车辆前方异物和设施状态异常对轨道交通运营安全的危害极大。并且由于轨道交通车辆的运行速度较快，惯性较大，需要及早的发现远方义务，并及时采取措施。
因为铁路场景是典型的人造结构化场景，其内容呈现近大远小的透视趋势，而提取铁轨区域是理解铁路场景内容的重要基础。例如，对于列车尤为重要的远处铁轨（通常为100米以外）在图像中成像占比极小，图像中可能同时存在大量与铁轨无关的人、车、物信息。因此用当前的目标识别方法虽然能够检测到潜在风险，但必须联合铁轨曲线来判断该风险是否成立。另一方面，车载图像中铁轨成像形式特殊，无法用通用的目标检测或图像分割算法精确表达，需要基于其形状特性和透视投影机制建立铁轨曲线的解析表达模型。总体而言，铁轨铺设在地平面上，其主体形状常为直线或圆弧形，并且在直线和转弯处之间有过度曲线。根据我国国家标准可知，铁路形状为二次圆弧形或过度曲线为三次多项式曲线。由于地平面投影到车载相机的成像平面，其变换过程可由单应矩阵描述，并且这些二阶和三阶多项式曲线经单一变化后仍然为二阶或三阶多项式曲线。
对结构化交通场景的路轨区域进行提取，是近年来的热门研究方向。其提取方法分为传统图像方法和基于深度学习的方法。早期研究主要采用传统图像方法，即通过边缘检测滤波等方式分割出车道线区域，然后结合霍夫变换、RANSAC等算法进行车道线检测。这类算法需要人工手动去调滤波算子，根据算法所针对的街道场景特点手动调节参数，工作量大且鲁棒性较差，当行车环境出现明显变化时，车道线的检测效果不佳。检测铁轨的主流方式包括：1）基于霍夫变换的车道线检测；2）基于LSD直线的车道线检测; 3）基于俯视图变换的车道线检测；4）基于拟合的车道线检测；5）基于平行透视灭点的车道线检测。传统图像方法的局限性体现在两方面，首先应用场景受限；霍夫直线检测方法准确但不能做弯道检测，拟合方法可以检测弯道但不稳定，仿射变换可以做多车道检测但在遮挡等情况下干扰严重。其次，透视变换操作会对相机有一些具体的要求，在变换前需要调正图像，而且摄像机的安装和道路本身的倾斜都会影响变换效果。随着深度学习方法兴起，基于深度学习的路轨检测方法具有较高的精度而成为主流。但当前主流研究集中在公路交通中轨道线检测方面。大抵可以分为以下四类：1）基于语义分割的方法，需要辨识路轨区域的像素，再从中拟合曲线参数。2）基于输入图像网格分类的方法，即对于每一行，模型预测最有可能的单元格包含车道标记的一部分。 由于每一行只选择一个单元格，因此对图像中的每个可能的车道重复此过程。该方法的检测速度很快，但精度不高，尤其对远方铁轨的提取精度较差。3）基于预定义锚定区域的方法，该方法需预先定义特定范围，并判别实际路轨与之差异，对S型曲线表述能力弱。
但是，无论是传统的图像处理方法还是近来的深度学习方法，在路轨模型表达的方法选择上，都采用了将路轨的x坐标视为y坐标的显式函数x=f(x)的思路，其中函数通常选择低阶多项式（通常小于等于四阶）或者双曲线函数。这些方法在精度要求不高的公路交通领域尚可，在铁路交通上存在远处铁轨表达准确性不足的问题。具体而言，以多项式表达的铁轨曲线存在如下问题：1）表达形式存在数值计算崩溃的风险，即特殊情况下多项式系数可能存在无穷大的情况，导致计算机的处理过程中出现程序崩溃；2）多项式系数变化与曲线形式变化无直观关联关系，不仅使细微调节困难，而且导致可能同时出现多项式系数的轻微变化导致曲线显著变化，或多项式系数较大变动却曲线变化轻微，最终导致用同样的调节方式难以同时满足多个参数协同调节；3）多项式表达与坐标系相关，即无法保证曲线表达式在图像平移、翻转等简单变化下的表达等变性；4）多项式系数的取值范围是
Figure 293538DEST_PATH_IMAGE001
，在数值计算上存在表达难题。
发明内容
本发明的目的在于提供一种车载图像铁轨曲线建模方法，以解决现有模型表达不准确、控制参数计算不精确等技术问题。
本发明解决上述技术问题的技术方案如下：
本发明提供一种车载图像铁轨曲线建模方法，所述车载图像铁轨曲线建模方法包括：
S1：根据基函数和原始有理贝塞尔曲线模型，建立车载图像的铁轨曲线模型；
S2：利用透视投影下的控制参数表达形式，将所述铁轨曲线模型中的参数转换为适用于计算机的参数；
S3：根据所述铁轨曲线模型中的参数和所述适用于计算机的参数，利用曲线参数拟合方法，得到关键控制参数；
S4：利用所述关键控制参数对神经网络进行训练，得到训练好的神经网络；
S5：根据输入车载图像，利用所述训练好的神经网络，得到输入车载图像铁轨曲线模型。
可选择地，所述有理贝塞尔曲线模型
Figure 245313DEST_PATH_IMAGE002
为：
Figure 124408DEST_PATH_IMAGE003
其中，
Figure 503436DEST_PATH_IMAGE004
代表第
Figure 84459DEST_PATH_IMAGE005
个控制点的坐标，
Figure 839926DEST_PATH_IMAGE006
代表第
Figure 573527DEST_PATH_IMAGE005
个控制点的权重，
Figure 389036DEST_PATH_IMAGE007
是该曲线的基函数，
Figure 958820DEST_PATH_IMAGE008
代表函数参数，
Figure 252398DEST_PATH_IMAGE009
且为实数，代表曲线从起点到终点渐进过程的参数；
所述基函数为分段函数，且所述基函数为：
Figure 840505DEST_PATH_IMAGE010
Figure 826916DEST_PATH_IMAGE011
Figure 382531DEST_PATH_IMAGE012
Figure 479800DEST_PATH_IMAGE013
Figure 922414DEST_PATH_IMAGE014
Figure 79725DEST_PATH_IMAGE015
其中，
Figure 621172DEST_PATH_IMAGE016
为分段参数。
可选择地，所述铁轨曲线模型
Figure 256552DEST_PATH_IMAGE017
为：
Figure 819252DEST_PATH_IMAGE018
Figure 147465DEST_PATH_IMAGE019
其中，
Figure 412093DEST_PATH_IMAGE020
且为实数，代表曲线从起点到终点渐进过程的参数，
Figure 116744DEST_PATH_IMAGE021
为分段参数，
Figure 533950DEST_PATH_IMAGE022
和
Figure 33064DEST_PATH_IMAGE023
分别代表曲线上第一个到第六个控制点的x坐标。
可选择地，所述步骤S2包括：
S21：根据左右铁轨控制点之间的相关性，获取透视投影下的图像空间中的定义控制点和定义参数；
S22：根据所述定义控制点和所述定义参数，得到新的定义参数；
S23：将所述新的定义参数作为所述适用于计算机的参数输出。
可选择地，所述步骤S22包括：
S221：获取目标车载监视图像由人工标注的左铁轨线和右铁轨线；
S222：分别根据所述左铁轨线的前10个点和右铁轨线的前10个点，利用最小二乘法，拟合近处铁轨的直线
Figure 20874DEST_PATH_IMAGE024
和
Figure 998058DEST_PATH_IMAGE025
；
S223：根据所述近处铁轨的直线
Figure 535349DEST_PATH_IMAGE024
和
Figure 126737DEST_PATH_IMAGE025
与目标车载监视图像下边界的交点的横坐标，得到所述定义参数
Figure 241323DEST_PATH_IMAGE026
中的
Figure 897563DEST_PATH_IMAGE027
和
Figure 413995DEST_PATH_IMAGE028
；
S224：计算透视投影下的灭点坐标，并根据所述透视投影下的灭点坐标，得到所述定义参数
Figure 872222DEST_PATH_IMAGE026
中的
Figure 474105DEST_PATH_IMAGE029
和
Figure 934036DEST_PATH_IMAGE030
值；
S225：根据所述定义参数中的
Figure 304974DEST_PATH_IMAGE031
和
Figure 175847DEST_PATH_IMAGE032
，得到新的定义参数。
可选择地，所述步骤S22中，所述定义控制点为：
Figure 999447DEST_PATH_IMAGE033
所述定义参数
Figure 263069DEST_PATH_IMAGE034
为：
Figure 488514DEST_PATH_IMAGE035
其中，
Figure 297332DEST_PATH_IMAGE036
代表第
Figure 873807DEST_PATH_IMAGE037
个控制点的坐标，
Figure 675541DEST_PATH_IMAGE038
分别表示第
Figure 755493DEST_PATH_IMAGE037
个控制点的横坐标和纵坐标，
Figure 499327DEST_PATH_IMAGE039
表示转置，
Figure 297518DEST_PATH_IMAGE040
是
Figure 637364DEST_PATH_IMAGE041
和
Figure 837401DEST_PATH_IMAGE042
中点的横坐标，
Figure 250672DEST_PATH_IMAGE043
是
Figure 270580DEST_PATH_IMAGE041
和
Figure 679696DEST_PATH_IMAGE042
之间的欧式距离，
Figure 734240DEST_PATH_IMAGE044
是
Figure 554297DEST_PATH_IMAGE045
和
Figure 327081DEST_PATH_IMAGE046
中点的横坐标，
Figure 274308DEST_PATH_IMAGE047
是
Figure 183358DEST_PATH_IMAGE048
和
Figure 941361DEST_PATH_IMAGE049
中点的横坐标，
Figure 935862DEST_PATH_IMAGE050
是
Figure 686780DEST_PATH_IMAGE051
和
Figure 715916DEST_PATH_IMAGE052
中点的横坐标，
Figure 877776DEST_PATH_IMAGE053
是权重，
Figure 625152DEST_PATH_IMAGE054
是确定从
Figure 914182DEST_PATH_IMAGE055
到
Figure 63404DEST_PATH_IMAGE056
的直线上任意点的参数，
Figure 900560DEST_PATH_IMAGE057
是确定从
Figure 869653DEST_PATH_IMAGE058
到
Figure 962373DEST_PATH_IMAGE059
的直线上任意点的参数，
Figure 700522DEST_PATH_IMAGE060
和
Figure 469764DEST_PATH_IMAGE061
是确定第三和第四控制点y坐标的参数，
Figure 926153DEST_PATH_IMAGE062
是是第六个控制点的y坐标，
Figure 556986DEST_PATH_IMAGE063
到
Figure 415220DEST_PATH_IMAGE064
分别表示左铁轨和右铁轨的第
Figure 856828DEST_PATH_IMAGE065
个控制点。
可选择地，所述步骤S3包括：
S31：在0到1范围内，随机初始化所述新的定义参数中的
Figure 534934DEST_PATH_IMAGE066
，并令
Figure 969458DEST_PATH_IMAGE067
；
S32：分别根据左铁轨线的点序列和右铁轨线的点序列，计算左侧铁轨曲线参数化的近似值和右侧铁轨曲线参数化的近似值；
S33：分别根据左右侧铁轨曲线参数化的近似值和左右侧铁轨曲线的参数化表达式，得到所述铁轨曲线模型的预测点坐标
Figure 682199DEST_PATH_IMAGE068
和
Figure 793243DEST_PATH_IMAGE069
；
S34：根据所述预测点坐标
Figure 224225DEST_PATH_IMAGE068
和
Figure 196860DEST_PATH_IMAGE069
以及实际点坐标，得到拟合目标函数；
S35：根据所述拟合目标函数对所述新的定义参数的偏导数更新所述定义参数，得到更新后的定义参数；
S36：判断所述更新后的定义参数与上一个定义参数的范数是否小于预设阈值，若是，输出所述更新后的定义参数为所述关键控制参数，否则，利用所述更新后的定义参数对所述预测点坐标进行更新并返回步骤S33。
可选择地，所述步骤S34中，所述拟合目标函数
Figure 967370DEST_PATH_IMAGE070
为：
Figure 197286DEST_PATH_IMAGE072
其中，
Figure 973613DEST_PATH_IMAGE073
为左侧铁轨序列点的个数，
Figure 864208DEST_PATH_IMAGE074
为左侧铁轨的模型预测点序列坐标，
Figure 192421DEST_PATH_IMAGE075
为左侧铁轨标注序列点坐标，
Figure 457049DEST_PATH_IMAGE076
为左侧铁轨序列点的个数，
Figure 896121DEST_PATH_IMAGE077
为右侧铁轨的模型预测序列点坐标，
Figure 313327DEST_PATH_IMAGE078
为左侧铁轨标注序列点的坐标。
可选择地，所述步骤S35中，所述更新后的定义参数
Figure 812441DEST_PATH_IMAGE079
为：
Figure 65831DEST_PATH_IMAGE080
其中，
Figure 308593DEST_PATH_IMAGE081
为拟合目标函数，
Figure 845885DEST_PATH_IMAGE082
为新的定义参数，
Figure 515900DEST_PATH_IMAGE083
为学习速率。
可选择地，所述步骤S4中，所述神经网络包括特征提取网络模型和预测网络模型，所述特征提取网络模型用于从车载监视图像中提取与铁轨相关的关键特征，所述预测网络模型用于对所述关键特征进行处理，得到曲线控制参数；所述预测网络模型包括依次设置的卷积层、CBAM通道注意力模块、空间注意力模块和全连接层。
本发明具有以下有益效果：
1）本发明采用了参数曲线的方式，可以表达任意斜率的直线和曲线，不存在数值爆炸的问题；
2）本发明的铁轨曲线模型通过4个控制点和一个权重参数来控制形状，调节方式简单直观，有利于计算机算法自动调节；
3）铁轨曲线模型对于图像的平移和翻转等变换是等变的，因此将图像变换之后对应的参数曲线容易获得；
4）控制点的取值范围在图像域内，取值范围有限，有利于精准表达；
5）对远处的铁轨曲线延申趋势的表达符合透视几何约束，具有更高的准确性和可解释性。
附图说明
图1为本发明车载图像铁轨曲线建模方法的流程图；
图2为车载图像采集设备的结构示意图；
图3为本发明神经网络的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
本发明提供一种车载图像铁轨曲线建模方法，参考图1所示，所述车载图像铁轨曲线建模方法包括：
S1：根据基函数和原始有理贝塞尔曲线模型，建立车载图像的铁轨曲线模型；
在本发明中，针对铁路轨道大部分情况下是直线或圆锥曲线、少数情况下是三阶多项式曲线的情况，采用有理贝塞尔曲线（Rational Bezier Curve)可以准确表达这些曲线，所述有理贝塞尔曲线模型
Figure 489542DEST_PATH_IMAGE002
为：
Figure 535995DEST_PATH_IMAGE003
其中，
Figure 193372DEST_PATH_IMAGE084
代表第
Figure 34289DEST_PATH_IMAGE005
个控制点的坐标，
Figure 745761DEST_PATH_IMAGE085
代表第
Figure 595905DEST_PATH_IMAGE005
个控制点的权重，
Figure 842210DEST_PATH_IMAGE086
是该曲线的基函数，
Figure 854028DEST_PATH_IMAGE087
代表函数参数，
Figure 67841DEST_PATH_IMAGE088
为Real，表示实数；
为简化，仅考虑中心处控制点的权重，即令：
Figure 190517DEST_PATH_IMAGE089
Figure 556908DEST_PATH_IMAGE007
是该曲线的基函数，
Figure 739627DEST_PATH_IMAGE090
为分段参数，
Figure 676622DEST_PATH_IMAGE091
和
Figure 602989DEST_PATH_IMAGE092
之内是三阶曲线，而其外是直线。所述基函数为分段函数，且所述基函数为：
Figure 823886DEST_PATH_IMAGE010
Figure 177507DEST_PATH_IMAGE011
Figure 100333DEST_PATH_IMAGE012
Figure 830391DEST_PATH_IMAGE013
Figure 905795DEST_PATH_IMAGE014
Figure 430317DEST_PATH_IMAGE015
其中，
Figure 338974DEST_PATH_IMAGE016
为分段参数。
由此，可验算得知，各基函数的值为非负且其和恒为1，因此符合基函数条件：
Figure 872723DEST_PATH_IMAGE093
综上，即可得本发明所述铁轨曲线模型
Figure 802633DEST_PATH_IMAGE017
为：
Figure 498057DEST_PATH_IMAGE018
Figure 395474DEST_PATH_IMAGE094
其中，
Figure 670598DEST_PATH_IMAGE020
且为实数，代表曲线从起点到终点渐进过程的参数，
Figure 251752DEST_PATH_IMAGE021
为分段参数，
Figure 383656DEST_PATH_IMAGE022
和
Figure 581419DEST_PATH_IMAGE023
分别代表曲线上第一个到第六个控制点的x坐标。
由此可见，该分段函数是固定形式，因此铁路路轨形状模型中的调节参数仅为控制点以及其权重。在本节中暂不区分左右铁轨，因其性质完全相同。若将控制点的权重也视为控制点的新一维坐标，这可将控制点视为齐次坐标之下。
当铁轨是圆弧型，其投影仍然是conic section曲线，此时曲线事实上是二阶贝塞尔曲线，其控制点个数是3个，令其为
Figure 614228DEST_PATH_IMAGE095
。若
Figure 518731DEST_PATH_IMAGE096
，那么仍可将其转为三阶贝塞尔曲线，即
Figure 555957DEST_PATH_IMAGE097
当铁轨为直线，即曲线事实上是一阶贝塞尔曲线时，其控制点个数是2个，令其为
Figure 162387DEST_PATH_IMAGE098
。若
Figure 841630DEST_PATH_IMAGE099
，那么仍可将其转为三阶贝塞尔曲线，即
Figure 600639DEST_PATH_IMAGE100
S2：利用透视投影下的控制参数表达形式，将所述铁轨曲线模型中的参数转换为适用于计算机的参数；
可选择地，所述步骤S2包括：
S21：根据左右铁轨控制点之间的相关性，获取透视投影下的图像空间中的定义控制点和定义参数；
S22：根据所述定义控制点和所述定义参数，得到新的定义参数；
所述步骤S22包括：
S221：获取目标车载监视图像由人工标注的左铁轨线和右铁轨线；
S222：分别根据所述左铁轨线的前10个点和右铁轨线的前10个点，利用最小二乘法，拟合近处铁轨的直线
Figure 74346DEST_PATH_IMAGE024
和
Figure 672467DEST_PATH_IMAGE025
；
S223：根据所述近处铁轨的直线
Figure 889822DEST_PATH_IMAGE024
和
Figure 503337DEST_PATH_IMAGE025
与目标车载监视图像下边界的交点的横坐标，得到所述定义参数
Figure 147945DEST_PATH_IMAGE026
中的
Figure 728968DEST_PATH_IMAGE027
和
Figure 687696DEST_PATH_IMAGE028
；
S224：计算透视投影下的灭点坐标，并根据所述透视投影下的灭点坐标，得到所述定义参数
Figure 218035DEST_PATH_IMAGE026
中的
Figure 767965DEST_PATH_IMAGE029
和
Figure 914913DEST_PATH_IMAGE030
值；
S225：根据所述定义参数中的
Figure 100168DEST_PATH_IMAGE031
和
Figure 812910DEST_PATH_IMAGE032
，得到新的定义参数。
S23：将所述新的定义参数作为所述适用于计算机的参数输出。
首先，定义透视投影下的控制参数：
车载视频观测中，机车行进轨道的左右铁轨分别由其控制点
Figure 674686DEST_PATH_IMAGE101
和
Figure 840088DEST_PATH_IMAGE102
描述。由图像分析不难得知，左右铁轨的控制点
Figure 61991DEST_PATH_IMAGE101
和
Figure 894818DEST_PATH_IMAGE102
并非相互独立，而是存在相关性。其相关性的本质原因是，左右铁轨在地平面是平行的直线或曲线。而图像中铁轨曲线的控制点是地平面中铁轨曲线控制点在相平面的透视投影。令透视投影下的图像空间中的控制点为
Figure 927496DEST_PATH_IMAGE033
。因此，图像中的左右曲线控制点遵循透视原则，其坐标由一系列更低维度的参数
Figure 580194DEST_PATH_IMAGE034
所控制。定义参数
Figure 104323DEST_PATH_IMAGE034
为
Figure 791656DEST_PATH_IMAGE035
其中，
Figure 995236DEST_PATH_IMAGE036
代表第
Figure 135230DEST_PATH_IMAGE037
个控制点的坐标，
Figure 698936DEST_PATH_IMAGE038
分别表示第
Figure 240775DEST_PATH_IMAGE037
个控制点的横坐标和纵坐标，
Figure 615256DEST_PATH_IMAGE039
表示转置，
Figure 242546DEST_PATH_IMAGE040
是
Figure 376987DEST_PATH_IMAGE041
和
Figure 773333DEST_PATH_IMAGE042
中点的横坐标，
Figure 318715DEST_PATH_IMAGE043
是
Figure 167722DEST_PATH_IMAGE041
和
Figure 338809DEST_PATH_IMAGE042
之间的欧式距离，
Figure 589662DEST_PATH_IMAGE044
是
Figure 571525DEST_PATH_IMAGE045
和
Figure 173407DEST_PATH_IMAGE046
中点的横坐标，
Figure 109703DEST_PATH_IMAGE047
是
Figure 480641DEST_PATH_IMAGE048
和
Figure 367826DEST_PATH_IMAGE049
中点的横坐标，
Figure 457005DEST_PATH_IMAGE050
是
Figure 969894DEST_PATH_IMAGE051
和
Figure 195339DEST_PATH_IMAGE052
中点的横坐标，因此，
Figure 253425DEST_PATH_IMAGE103
刚好是左右铁轨的中轴线曲线控制点横坐标。
Figure 564321DEST_PATH_IMAGE104
是前文所述权重。
Figure 382366DEST_PATH_IMAGE053
是权重，
Figure 727897DEST_PATH_IMAGE054
是确定从
Figure 956884DEST_PATH_IMAGE055
到
Figure 755076DEST_PATH_IMAGE056
的直线上任意点的参数，
Figure 609768DEST_PATH_IMAGE057
是确定从
Figure 809806DEST_PATH_IMAGE058
到
Figure 209694DEST_PATH_IMAGE059
的直线上任意点的参数，
Figure 495182DEST_PATH_IMAGE060
和
Figure 386521DEST_PATH_IMAGE061
是确定第三和第四控制点y坐标的参数，
Figure 441065DEST_PATH_IMAGE062
是是第六个控制点的y坐标，
Figure 277434DEST_PATH_IMAGE063
到
Figure 50218DEST_PATH_IMAGE064
分别表示左铁轨和右铁轨的第
Figure 981133DEST_PATH_IMAGE065
个控制点。现详细说明
Figure 155763DEST_PATH_IMAGE105
的含义。
首先说明
Figure 897454DEST_PATH_IMAGE106
和
Figure 157534DEST_PATH_IMAGE107
之含义。因为分段函数的起始部分和结束部分皆为直线，即
Figure 970769DEST_PATH_IMAGE108
共线，且
Figure 626004DEST_PATH_IMAGE109
共线。因此，可利用此相关性，令
Figure 928809DEST_PATH_IMAGE110
，且
Figure 285972DEST_PATH_IMAGE111
其中参数
Figure 699636DEST_PATH_IMAGE112
和
Figure 707912DEST_PATH_IMAGE113
用以生成
Figure 181619DEST_PATH_IMAGE114
和
Figure 26078DEST_PATH_IMAGE115
。并且，因为左右铁轨平行，故此左右铁轨可共享参数
Figure 977854DEST_PATH_IMAGE112
和
Figure 610610DEST_PATH_IMAGE113
。在考虑
Figure 255218DEST_PATH_IMAGE112
和
Figure 586973DEST_PATH_IMAGE113
之后，无需记录
Figure 342440DEST_PATH_IMAGE114
和
Figure 59729DEST_PATH_IMAGE115
的横纵坐标值，参数量明显减少。
然后说明
Figure 875238DEST_PATH_IMAGE116
和
Figure 694290DEST_PATH_IMAGE117
之含义。注意到曲线上各个控制点
Figure 253447DEST_PATH_IMAGE118
的纵坐标是非递增的，因此可以利用此约束在获取起点
Figure 592287DEST_PATH_IMAGE119
和终点
Figure 313118DEST_PATH_IMAGE120
的条件下，定义
Figure 619465DEST_PATH_IMAGE121
。
Figure 716734DEST_PATH_IMAGE119
对应曲线在图像下边界的交点，故
Figure 674195DEST_PATH_IMAGE122
，而
Figure 565928DEST_PATH_IMAGE123
代表
Figure 359571DEST_PATH_IMAGE124
纵坐标由透视灭点决定。由此，
Figure 260531DEST_PATH_IMAGE125
可以由下式决定：
Figure 305454DEST_PATH_IMAGE126
由此，可以从
Figure 633667DEST_PATH_IMAGE026
决定左右铁轨曲线的控制点
Figure 649028DEST_PATH_IMAGE127
和
Figure 353679DEST_PATH_IMAGE128
，具体如下：
Figure 20152DEST_PATH_IMAGE129
其中
Figure 519267DEST_PATH_IMAGE130
，且函数
Figure 21923DEST_PATH_IMAGE131
S3：根据所述铁轨曲线模型中的参数和所述适用于计算机的参数，利用曲线参数拟合方法，得到关键控制参数；
可选择地，所述步骤S3包括：
S31：在0到1范围内，随机初始化所述新的定义参数中的
Figure 264686DEST_PATH_IMAGE066
，并令
Figure 287131DEST_PATH_IMAGE067
；
S32：分别根据左铁轨线的点序列和右铁轨线的点序列，计算左侧铁轨曲线参数化的近似值和右侧铁轨曲线参数化的近似值；
S33：分别根据左右侧铁轨曲线参数化的近似值和左右侧铁轨曲线的参数化表达式，得到所述铁轨曲线模型的预测点坐标
Figure 222726DEST_PATH_IMAGE068
和
Figure 212678DEST_PATH_IMAGE069
；
S34：根据所述预测点坐标
Figure 993553DEST_PATH_IMAGE068
和
Figure 634618DEST_PATH_IMAGE069
以及实际点坐标，得到拟合目标函数；
所述拟合目标函数
Figure 475536DEST_PATH_IMAGE070
为：
Figure 537349DEST_PATH_IMAGE072
其中，
Figure 549035DEST_PATH_IMAGE073
为左侧铁轨序列点的个数，
Figure 560853DEST_PATH_IMAGE074
为左侧铁轨的模型预测点序列坐标，
Figure 259819DEST_PATH_IMAGE075
为左侧铁轨标注序列点坐标，
Figure 648075DEST_PATH_IMAGE076
为左侧铁轨序列点的个数，
Figure 76782DEST_PATH_IMAGE077
为右侧铁轨的模型预测序列点坐标，
Figure 384136DEST_PATH_IMAGE078
为左侧铁轨标注序列点的坐标。
S35：根据所述拟合目标函数对所述新的定义参数的偏导数更新所述定义参数，得到更新后的定义参数；
所述更新后的定义参数
Figure 960611DEST_PATH_IMAGE079
为：
Figure 762345DEST_PATH_IMAGE080
其中，
Figure 842296DEST_PATH_IMAGE081
为拟合目标函数，
Figure 87595DEST_PATH_IMAGE082
为新的定义参数，
Figure 885787DEST_PATH_IMAGE083
为学习速率，一般取0.001。
S36：判断所述更新后的定义参数与上一个定义参数的范数是否小于预设阈值，若是，输出所述更新后的定义参数为所述关键控制参数，否则，利用所述更新后的定义参数对所述预测点坐标进行更新并返回步骤S33。
S311：判断所述更新后的定义参数与上一个定义参数的范数是否小于预设阈值，若是，输出所述更新后的定义参数为所述关键控制参数，否则，利用所述更新后的定义参数对所述预测点坐标进行更新并返回步骤S308。
具体地，根据
Figure 491211DEST_PATH_IMAGE132
的前10个点
Figure 425669DEST_PATH_IMAGE133
，用最小二乘法拟合近处铁轨的直线
Figure 340405DEST_PATH_IMAGE134
，其中
Figure 625892DEST_PATH_IMAGE135
，而
Figure 769429DEST_PATH_IMAGE136
和
Figure 823973DEST_PATH_IMAGE137
分别是
Figure 408144DEST_PATH_IMAGE138
的横坐标向量和纵坐标向量。
根据
Figure 915349DEST_PATH_IMAGE139
的前10个点
Figure 862576DEST_PATH_IMAGE140
，用最小二乘法拟合近处铁轨的直线
Figure 37206DEST_PATH_IMAGE141
，其中
Figure 28165DEST_PATH_IMAGE142
，而
Figure 288245DEST_PATH_IMAGE143
和
Figure 773584DEST_PATH_IMAGE144
分别是
Figure 68299DEST_PATH_IMAGE145
的横坐标向量和纵坐标向量。
这里，前10个点是以车载图像采集设备为起点，向铁轨远端延伸的前10个点。此外，近处也是车载图像采集设备的部分，参考图2所示。
计算透视投影的灭点坐标
Figure 731624DEST_PATH_IMAGE146
，其中运算
Figure 479000DEST_PATH_IMAGE147
代表将齐次坐标系的点转化为欧式空间下的点。由此可知，参数集
Figure 768030DEST_PATH_IMAGE148
中的
Figure 386093DEST_PATH_IMAGE149
且
Figure 984433DEST_PATH_IMAGE150
。
计算
Figure 953526DEST_PATH_IMAGE151
与图像下边界的交点的横坐标
Figure 780668DEST_PATH_IMAGE152
,计算
Figure 784396DEST_PATH_IMAGE153
与图像下边界的交点
Figure 792453DEST_PATH_IMAGE154
，由此可计算在图像下边界处左右铁轨的间距是
Figure 514422DEST_PATH_IMAGE155
，
Figure 879675DEST_PATH_IMAGE156
，以及左右铁轨曲线的起始点坐标为
Figure 3489DEST_PATH_IMAGE157
和
Figure 943632DEST_PATH_IMAGE158
。
由点序列
Figure 887317DEST_PATH_IMAGE159
，计算左侧铁轨曲线参数化的近似值。
Figure 56261DEST_PATH_IMAGE160
其中
Figure 769002DEST_PATH_IMAGE161
代表序列
Figure 381512DEST_PATH_IMAGE162
中第t个点及其之前点之间的欧式距离，而
Figure 812493DEST_PATH_IMAGE163
代表序列
Figure 785128DEST_PATH_IMAGE162
中元素的个数。特别的，直接令起点的参数化为
Figure 352376DEST_PATH_IMAGE164
。
由点序列
Figure 634321DEST_PATH_IMAGE165
，计算右侧铁轨曲线参数化的近似值。
Figure 552599DEST_PATH_IMAGE166
其中
Figure 63346DEST_PATH_IMAGE167
代表序列
Figure 750679DEST_PATH_IMAGE168
中第t个点及其之前点之间的欧式距离，而
Figure 702061DEST_PATH_IMAGE169
代表序列
Figure 842055DEST_PATH_IMAGE168
中元素的个数。特别的，直接令起点的参数化为
Figure 422072DEST_PATH_IMAGE170
。
在0到1范围内，随机初始化所述新的定义参数中的
Figure 963912DEST_PATH_IMAGE171
，并令
Figure 587660DEST_PATH_IMAGE172
。
由参数
Figure 214951DEST_PATH_IMAGE173
计算出左右铁轨的控制点
Figure 67500DEST_PATH_IMAGE127
和
Figure 729426DEST_PATH_IMAGE128
，结合基函数和权重，可得到铁轨曲线的参数化表达式
Figure 25540DEST_PATH_IMAGE174
和
Figure 343389DEST_PATH_IMAGE175
，将前文计算的
Figure 124263DEST_PATH_IMAGE176
和
Figure 312799DEST_PATH_IMAGE177
带入，即可得模型的预测点坐标
Figure 278350DEST_PATH_IMAGE178
和
Figure 880233DEST_PATH_IMAGE179
。由此，将预测点与实际点做比较，其欧氏距离计算均方差误差可得拟合目标函数
Figure 340164DEST_PATH_IMAGE070
为：
Figure 340230DEST_PATH_IMAGE072
该目标函数同时考虑了左右铁轨，旨在协同优化。用数值方法计算目标函数
Figure 163830DEST_PATH_IMAGE070
对参数
Figure 427452DEST_PATH_IMAGE173
的偏导数
Figure 652897DEST_PATH_IMAGE180
用梯度下降法更新参数
Figure 960250DEST_PATH_IMAGE034
，计算过程为
Figure 536725DEST_PATH_IMAGE080
利用新获取的参数
Figure 338459DEST_PATH_IMAGE034
更新参数化向量
Figure 418411DEST_PATH_IMAGE176
和
Figure 663710DEST_PATH_IMAGE177
，具体做法为，用0到1均分的理想参数化向量
Figure 461901DEST_PATH_IMAGE181
带入
Figure 801747DEST_PATH_IMAGE182
得到稠密的左右铁轨曲线，将
Figure 1784DEST_PATH_IMAGE132
和
Figure 916519DEST_PATH_IMAGE139
中每个点与稠密的左右铁轨曲线做欧式距离判断，将最近邻点对应的参数化值赋予
Figure 936428DEST_PATH_IMAGE132
和
Figure 673440DEST_PATH_IMAGE139
中，得到新的参数化向量
Figure 603350DEST_PATH_IMAGE183
和
Figure 298773DEST_PATH_IMAGE184
。
再次更新计算参数
Figure 694726DEST_PATH_IMAGE034
和参数化向量
Figure 766587DEST_PATH_IMAGE176
和
Figure 551004DEST_PATH_IMAGE177
。如此往复，直至
Figure 682908DEST_PATH_IMAGE185
其中
Figure 677594DEST_PATH_IMAGE187
是一个超参数，代表很小的正值。当
Figure 582097DEST_PATH_IMAGE034
变化很小时，说明其值已经收敛，即可退出循环。
S4：利用所述关键控制参数对神经网络进行训练，得到训练好的神经网络；
可选择地，所述步骤S4中，所述神经网络包括特征提取网络模型和预测网络模型，所述特征提取网络模型用于从车载监视图像中提取与铁轨相关的关键特征，所述预测网络模型用于对所述关键特征进行处理，得到曲线控制参数；所述预测网络模型包括依次设置的卷积层、CBAM通道注意力模块、空间注意力模块和全连接层。
具体地，本发明神经网络在拓扑上分为两部分：第一部分是特征提取网络，用以从观测图像中提取与铁轨相关的关键特征，可采用当前主流的若干种主干网络模型，例如VGG16/19、ResNet18/31/50等；第二部分承接先前提取的特征提，是曲线关键参数的预测网络。由于第一部特征提取网络采用的是当前技术领域广泛使用的网络，在此不再赘述，现着重说明第二部分曲线关键控制参数的预测网络结构如下。
若特征提取网络所得特征图是
Figure 619323DEST_PATH_IMAGE188
的张量，对其进行卷积核为
Figure 992797DEST_PATH_IMAGE189
的卷积运算，得到固定深度的卷积结果，尺寸为
Figure 406461DEST_PATH_IMAGE190
。
利用CBAM通道注意力和空间注意力计算模块，对该结果进行注意力加强，得到张量尺寸仍然为
Figure 165470DEST_PATH_IMAGE190
。
将该张量展开，得到一个批次的一维向量，即尺寸为
Figure 373597DEST_PATH_IMAGE191
。
建立全连接的网络结构，将其投影到11维的低维空间，即对应参数
Figure 467324DEST_PATH_IMAGE034
。
对除最后一个神经元的前面10个神经元做
Figure 684679DEST_PATH_IMAGE192
函数运算，使其取值范围是0到1，而最后一个神经元对于权重，可以大于1。由此得到曲线控制参数
Figure 298194DEST_PATH_IMAGE034
，可以进一步反算出控制点坐标
Figure 942802DEST_PATH_IMAGE127
和
Figure 28219DEST_PATH_IMAGE128
。
需特别说明的是，CBAM注意力模块和全连接网络层可以根据需要重复多次，以提升精度。深度神经网络拓扑的整体结构可参考附录中图3所示。
S5：根据输入车载图像，利用所述训练好的神经网络，得到输入车载图像铁轨曲线模型。
应用于基础规模化铁路巡检和风险筛查，主要由计算机自动化处理功能组成。设备通过读取数字化工业相机的图像数据，再将数据传输给人工标注分析模块，进行以下处理步骤：
在离线训练阶段
1.列车车载的数字化工业相机拍摄大量图像数据，存放到数据中心；
2.数据中心的操作人员查看拍摄图像，并人工用连续点集来标记铁轨区域；
3.根据这些连续点集，数据中心计算机采用本文所述曲线参数拟合方法计算出铁轨曲线参数，即控制点坐标及其权重，并保存到文件；
4.当大量数据完成标注后，工作人员将装配有车载视频数据管理模块的计算机连接至车载视频数据库；
5.从车载视频数据库总读取图像及其参数，作为铁轨曲线检测的人工智能算法模型的输入，对其进行模型训练，如此反复若干次，最终使其具备从图像预测曲线参数的能力。
在在线处理阶段
6.数字工业相机获取车载图像视频，将每帧图像传输给车载的工控计算机。
7.车载工控计算机获取新图像之后，利用内置的人工神经网络算法模块对图像处理，其中人工神经网络的权重从离线训练阶段中预先获取。当图像输入后，从神经网络结构的末端可读取该模型预测的铁轨曲线参数。
8.利用该参数可计算铁轨曲线从图像下边界到天际线无穷远点的所有点，曲线点的坐标值可作为后续的铁轨异物检测或接触网铁轨设备设施巡检的基础依据。
9.人工检视和确认的铁轨图像和曲线参数可进一步加入离线训练的数据，以迭代改进模型预测性能。
在以上各步骤中，系统会以图形化的方式提示人员操作，通过计算机主动参数学习，以减少人员需操作键盘和鼠标的频率，从而提高处理效率和改善用户体验，使枯燥的标注和验证工作变得容易让人接受。本发明是一种针对车载行车监测影像并利用计算机视觉技术进行建模处理的方法，以轨道交通车载监视数据为处理对象，以现有轨道交通运维检修影像设备和计算机及互联网络为基础，不涉及专门设计硬件。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)

1.一种车载图像铁轨曲线建模方法，其特征在于，所述车载图像铁轨曲线建模方法包括：
S1：根据基函数和原始有理贝塞尔曲线模型，建立车载图像的铁轨曲线模型；
S2：利用透视投影下的控制参数表达形式，将所述铁轨曲线模型中的参数转换为适用于计算机的参数；
S3：根据所述铁轨曲线模型中的参数和所述适用于计算机的参数，利用曲线参数拟合方法，得到关键控制参数；
S4：利用所述关键控制参数对神经网络进行训练，得到训练好的神经网络；
S5：根据输入车载图像，利用所述训练好的神经网络，得到输入车载图像铁轨曲线模型。
2.根据权利要求1所述的车载图像铁轨曲线建模方法，其特征在于，所述有理贝塞尔曲线模型
Figure 554684DEST_PATH_IMAGE001
为：
Figure 737404DEST_PATH_IMAGE002
其中，
Figure 923665DEST_PATH_IMAGE003
代表第
Figure 850033DEST_PATH_IMAGE004
个控制点的坐标，
Figure 320198DEST_PATH_IMAGE005
代表第
Figure 673818DEST_PATH_IMAGE004
个控制点的权重，
Figure 347376DEST_PATH_IMAGE006
是该曲线的基函数，
Figure 77435DEST_PATH_IMAGE007
代表函数参数，
Figure 903571DEST_PATH_IMAGE008
且为实数，代表曲线从起点到终点渐进过程的参数；
所述基函数为分段函数，且所述基函数为：
Figure 428093DEST_PATH_IMAGE009
Figure 385685DEST_PATH_IMAGE010
Figure 778489DEST_PATH_IMAGE011
Figure 833033DEST_PATH_IMAGE012
Figure 669402DEST_PATH_IMAGE013
Figure 442185DEST_PATH_IMAGE014
其中，
Figure 865777DEST_PATH_IMAGE015
为分段参数。
3.根据权利要求1所述的车载图像铁轨曲线建模方法，其特征在于，
所述铁轨曲线模型
Figure 40406DEST_PATH_IMAGE016
为：
Figure 782097DEST_PATH_IMAGE017
其中，
Figure 776598DEST_PATH_IMAGE018
且为实数，代表曲线从起点到终点渐进过程的参数，
Figure 511205DEST_PATH_IMAGE019
为分段参数，
Figure 540341DEST_PATH_IMAGE020
和
Figure 718512DEST_PATH_IMAGE021
分别代表曲线上第一个到第六个控制点的x坐标。
4.根据权利要求1所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S2包括：
S21：根据左右铁轨控制点之间的相关性，获取透视投影下的图像空间中的定义控制点和定义参数；
S22：根据所述定义控制点和所述定义参数，得到新的定义参数；
S23：将所述新的定义参数作为所述适用于计算机的参数输出。
5.根据权利要求4所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S22包括：
S221：获取目标车载监视图像由人工标注的左铁轨线和右铁轨线；
S222：分别根据所述左铁轨线的前10个点和右铁轨线的前10个点，利用最小二乘法，拟合近处铁轨的直线
Figure 200309DEST_PATH_IMAGE022
和
Figure 240072DEST_PATH_IMAGE023
；
S223：根据所述近处铁轨的直线
Figure 123714DEST_PATH_IMAGE022
和
Figure 269525DEST_PATH_IMAGE023
与目标车载监视图像下边界的交点的横坐标，得到所述定义参数
Figure 363252DEST_PATH_IMAGE024
中的
Figure 315027DEST_PATH_IMAGE025
和
Figure 194121DEST_PATH_IMAGE026
；
S224：计算透视投影下的灭点坐标，并根据所述透视投影下的灭点坐标，得到所述定义参数
Figure 838729DEST_PATH_IMAGE024
中的
Figure 918287DEST_PATH_IMAGE027
和
Figure 673754DEST_PATH_IMAGE028
值；
S225：根据所述定义参数中的
Figure 141775DEST_PATH_IMAGE029
和
Figure 957285DEST_PATH_IMAGE030
，得到新的定义参数。
6.根据权利要求5所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S22中，所述定义控制点为：
Figure 25604DEST_PATH_IMAGE031
所述定义参数
Figure 584761DEST_PATH_IMAGE032
为：
Figure 172868DEST_PATH_IMAGE033
其中，
Figure 893700DEST_PATH_IMAGE034
代表第
Figure 950779DEST_PATH_IMAGE035
个控制点的坐标，
Figure 48048DEST_PATH_IMAGE036
分别表示第
Figure 756242DEST_PATH_IMAGE035
个控制点的横坐标和纵坐标，
Figure 647974DEST_PATH_IMAGE037
表示转置，
Figure 690885DEST_PATH_IMAGE038
是
Figure 591845DEST_PATH_IMAGE039
和
Figure 888966DEST_PATH_IMAGE040
中点的横坐标，
Figure 217179DEST_PATH_IMAGE041
是
Figure 986201DEST_PATH_IMAGE039
和
Figure 690852DEST_PATH_IMAGE040
之间的欧式距离，
Figure 108058DEST_PATH_IMAGE042
是
Figure 607173DEST_PATH_IMAGE043
和
Figure 359097DEST_PATH_IMAGE044
中点的横坐标，
Figure 601859DEST_PATH_IMAGE045
是
Figure 873572DEST_PATH_IMAGE046
和
Figure 543588DEST_PATH_IMAGE047
中点的横坐标，
Figure 284273DEST_PATH_IMAGE048
是
Figure 65147DEST_PATH_IMAGE049
和
Figure 456945DEST_PATH_IMAGE050
中点的横坐标，
Figure 297862DEST_PATH_IMAGE051
是权重，
Figure 24379DEST_PATH_IMAGE052
是确定从
Figure 608944DEST_PATH_IMAGE053
到
Figure 855248DEST_PATH_IMAGE054
的直线上任意点的参数，
Figure 867067DEST_PATH_IMAGE055
是确定从
Figure 313835DEST_PATH_IMAGE056
到
Figure 702091DEST_PATH_IMAGE057
的直线上任意点的参数，
Figure 802902DEST_PATH_IMAGE058
和
Figure 985622DEST_PATH_IMAGE059
是确定第三和第四控制点y坐标的参数，
Figure 686731DEST_PATH_IMAGE060
是是第六个控制点的y坐标，
Figure 613098DEST_PATH_IMAGE061
到
Figure 568416DEST_PATH_IMAGE062
分别表示左铁轨和右铁轨的第
Figure 187616DEST_PATH_IMAGE063
个控制点。
7.根据权利要求6所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S3包括：
S31：在0到1范围内，随机初始化所述新的定义参数中的
Figure 611907DEST_PATH_IMAGE064
，并令
Figure 341965DEST_PATH_IMAGE065
；
S32：分别根据左铁轨线的点序列和右铁轨线的点序列，计算左侧铁轨曲线参数化的近似值和右侧铁轨曲线参数化的近似值；
S33：分别根据左右侧铁轨曲线参数化的近似值和左右侧铁轨曲线的参数化表达式，得到所述铁轨曲线模型的预测点坐标
Figure 151789DEST_PATH_IMAGE066
和
Figure 941891DEST_PATH_IMAGE067
；
S34：根据所述预测点坐标
Figure 352012DEST_PATH_IMAGE066
和
Figure 823445DEST_PATH_IMAGE067
以及实际点坐标，得到拟合目标函数；
S35：根据所述拟合目标函数对所述新的定义参数的偏导数更新所述定义参数，得到更新后的定义参数；
S36：判断所述更新后的定义参数与上一个定义参数的范数是否小于预设阈值，若是，输出所述更新后的定义参数为所述关键控制参数，否则，利用所述更新后的定义参数对所述预测点坐标进行更新并返回步骤S33。
8.根据权利要求7所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S34中，所述拟合目标函数
Figure 877989DEST_PATH_IMAGE068
为：
Figure 221562DEST_PATH_IMAGE070
其中，
Figure 934171DEST_PATH_IMAGE071
为左侧铁轨序列点的个数，
Figure 108800DEST_PATH_IMAGE072
为左侧铁轨的模型预测点序列坐标，
Figure 850491DEST_PATH_IMAGE073
为左侧铁轨标注序列点坐标，
Figure 110571DEST_PATH_IMAGE074
为左侧铁轨序列点的个数，
Figure 845178DEST_PATH_IMAGE075
为右侧铁轨的模型预测序列点坐标，
Figure 546418DEST_PATH_IMAGE076
为左侧铁轨标注序列点的坐标。
9.根据权利要求7所述的车载图像铁轨曲线建模方法，其特征在于，所述步骤S35中，所述更新后的定义参数
Figure 786906DEST_PATH_IMAGE077
为：
Figure 534282DEST_PATH_IMAGE078
其中，
Figure 574045DEST_PATH_IMAGE079
为拟合目标函数，
Figure 457687DEST_PATH_IMAGE080
为新的定义参数，
Figure 806760DEST_PATH_IMAGE081
为学习速率。
10.根据权利要求1-9中任意一项所述的车载图像铁轨曲线建模方法，其特征在于，
所述步骤S4中，所述神经网络包括特征提取网络模型和预测网络模型，所述特征提取网络模型用于从车载监视图像中提取与铁轨相关的关键特征，所述预测网络模型用于对所述关键特征进行处理，得到曲线控制参数；
所述预测网络模型包括依次设置的卷积层、CBAM通道注意力模块、空间注意力模块和至少一个全连接层。
CN202210649992.5A 2022-06-10 2022-06-10 一种车载图像铁轨曲线建模方法 Active CN114742975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210649992.5A CN114742975B (zh) 2022-06-10 2022-06-10 一种车载图像铁轨曲线建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210649992.5A CN114742975B (zh) 2022-06-10 2022-06-10 一种车载图像铁轨曲线建模方法

Publications (2)

Publication Number Publication Date
CN114742975A true CN114742975A (zh) 2022-07-12
CN114742975B CN114742975B (zh) 2022-09-02

Family

ID=82287301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210649992.5A Active CN114742975B (zh) 2022-06-10 2022-06-10 一种车载图像铁轨曲线建模方法

Country Status (1)

Country Link
CN (1) CN114742975B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854116A (zh) * 2024-03-08 2024-04-09 中国海洋大学 一种基于贝塞尔曲线的海参原位长度测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794286A (zh) * 2015-04-22 2015-07-22 杭州映墨科技有限公司 一种用于虚拟现实过山车场景的轨道构建和运动计算方法
CN108846162A (zh) * 2018-05-08 2018-11-20 西北工业大学 一种基于bezier曲线的连续推力机动轨道设计方法
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
CN110516532A (zh) * 2019-07-11 2019-11-29 北京交通大学 基于计算机视觉的无人机铁路轨道线路识别方法
CN111611862A (zh) * 2020-04-22 2020-09-01 浙江众合科技股份有限公司 一种基于曲线拟合的地铁轨道半自动标注方法
CN112351928A (zh) * 2018-07-10 2021-02-09 铁路视像有限公司 基于轨道分段的铁路障碍物检测的方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794286A (zh) * 2015-04-22 2015-07-22 杭州映墨科技有限公司 一种用于虚拟现实过山车场景的轨道构建和运动计算方法
CN108846162A (zh) * 2018-05-08 2018-11-20 西北工业大学 一种基于bezier曲线的连续推力机动轨道设计方法
CN112351928A (zh) * 2018-07-10 2021-02-09 铁路视像有限公司 基于轨道分段的铁路障碍物检测的方法与系统
CN109766889A (zh) * 2018-11-19 2019-05-17 浙江众合科技股份有限公司 基于曲线拟合的轨道图像识别后处理方法
CN110516532A (zh) * 2019-07-11 2019-11-29 北京交通大学 基于计算机视觉的无人机铁路轨道线路识别方法
CN111611862A (zh) * 2020-04-22 2020-09-01 浙江众合科技股份有限公司 一种基于曲线拟合的地铁轨道半自动标注方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GANG LIANG 等: "Rail Optimization of Noncircular Curve of Crane Turning Based on Quasiquartic Bezier Curve with Three Shape Parameters", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
孙永丽: "基于图像的铁路障碍物自动检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854116A (zh) * 2024-03-08 2024-04-09 中国海洋大学 一种基于贝塞尔曲线的海参原位长度测量方法
CN117854116B (zh) * 2024-03-08 2024-05-17 中国海洋大学 一种基于贝塞尔曲线的海参原位长度测量方法

Also Published As

Publication number Publication date
CN114742975B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN111444821B (zh) 一种城市道路标志自动识别方法
CN108830188B (zh) 基于深度学习的车辆检测方法
CN111862157B (zh) 一种机器视觉与毫米波雷达融合的多车辆目标跟踪方法
He et al. Obstacle detection of rail transit based on deep learning
CN102385690B (zh) 基于视频图像的目标跟踪方法及系统
CN105892471A (zh) 汽车自动驾驶方法和装置
CN109285348A (zh) 一种基于双向长短时记忆网络的车辆行为识别方法及系统
CN105373135A (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN115995063A (zh) 作业车辆检测与跟踪方法和系统
CN114488194A (zh) 一种智能驾驶车辆结构化道路下目标检测识别方法
CN105426868A (zh) 一种基于自适应感兴趣区域的车道检测方法
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN113436217A (zh) 基于深度学习的无人车环境检测方法
CN115526864A (zh) 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法
CN114742975B (zh) 一种车载图像铁轨曲线建模方法
CN112419289A (zh) 一种城市地铁轨道扣件缺陷智能检测方法
CN112377332B (zh) 一种基于计算机视觉的火箭发动机极性测试方法及系统
CN112053385B (zh) 基于深度强化学习的遥感视频遮挡目标跟踪方法
CN113095164A (zh) 基于强化学习和标志点表征的车道线检测定位方法
CN116758421A (zh) 一种基于弱监督学习的遥感图像有向目标检测方法
CN114842660B (zh) 一种无人车道路轨迹预测方法、装置和电子设备
CN111144279A (zh) 一种智能辅助驾驶中障碍物的识别方法
CN116109986A (zh) 一种基于激光雷达和视频技术互补的车辆轨迹提取方法
CN113763326B (zh) 一种基于Mask Scoring R-CNN网络的受电弓检测方法
Chen et al. Near real-time situation awareness and anomaly detection for complex railway environment

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