CN115546738A - 一种铁轨异物检测方法 - Google Patents

一种铁轨异物检测方法 Download PDF

Info

Publication number
CN115546738A
CN115546738A CN202211053889.0A CN202211053889A CN115546738A CN 115546738 A CN115546738 A CN 115546738A CN 202211053889 A CN202211053889 A CN 202211053889A CN 115546738 A CN115546738 A CN 115546738A
Authority
CN
China
Prior art keywords
rail
detection
obstacle
pedestrian
images
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
CN202211053889.0A
Other languages
English (en)
Inventor
周屹
何勇
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.)
Chengdu Zhongletai Technology Co ltd
Original Assignee
Chengdu Zhongletai 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 Chengdu Zhongletai Technology Co ltd filed Critical Chengdu Zhongletai Technology Co ltd
Priority to CN202211053889.0A priority Critical patent/CN115546738A/zh
Publication of CN115546738A publication Critical patent/CN115546738A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06T7/20—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
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种铁轨异物检测方法，目的是解决现有技术中采用视频监控所存在的技术问题。该铁轨异物检测方法包括铁轨障碍物检测：读取监测区域，检测铁轨连续性、异常边缘、方差和相关性、光流场异常点，将检测得到的数据进行融合，得出铁轨障碍物尺寸和距离估计；行人检测：收集各种场景下的行人图像并进行学习，拾取铁轨线上监测区域的图像进行分析，并得出结果；接触网检测：确定接触线位置，判定接触线上是否具有障碍物；数据融合：融合所述障碍物检测、行人检测和接触网检测得到的结果并进行判定该铁轨异物检测方法，具有检测全面，入侵事件可以得到及时有效处理、图像处理外界环境影响小、探测距离长、成本低的优点。

Description

一种铁轨异物检测方法
技术领域
本发明涉及一种铁路安全的检测方法，具体地涉及一种铁轨异物检测方法。
背景技术
铁路安全是铁路发展中的一个重要环节，在危害铁路行车安全的众多因素中，异物入侵是其中危害较大且较为常见的一种。
异物入侵多表现为落石、行人、动物及车辆的入侵等，这些异物的入侵具有很强的随机性。在列车速度超过200km/h时，仅靠司机目视发现后采取制动措施，将不能有效避免事故发生，严重威胁行车安全。
异物入侵占铁路交通事故的50%以上，不仅可能中断铁路交通正常运行，破坏铁路轨道和列车，还可能会危害到人民的安全，对国家和人民带来严重损失。
随着列车的提速，异物入侵对列车的破坏性加大。为确保行车安全，在《新建时速300～350km客运专线铁路设计暂行规定》中明确规定应根据需要对自然灾害和异物侵限等进行监测，为列车运行计划调整、行车控制提供依据。
目前，常用的铁轨异物检测方法有双电网、单电网、光纤光栅、红外对射、激光、雷达、视频监控等。视频监控因具有结果直观、监控范围大、安装简单、成本低等特点，在轨道异物入侵检测中得到越来越多的应用。但目前视频监控检测存在以下问题：
1、视频监控系统大都是安排专人，定期人工抽查、分析某些重点监控区域的异物入侵情况。监控人员工作量大，监测不够全面，容易出现疏漏，导致入侵事件得不到及时、有效的处理。
2、由于铁路现场异物多样，视频图像受光照、天气等影响较大，这些复杂多变的外部因素，会影响视频检测算法的鲁棒性和检测结果的准确性。
3、视频监控系统无法得出较为准确的障碍物信息，容易导致误判，同时探测距离较短，无法适应铁路速度提升的发展需要。
4、视频监控系统在监控运行过程中，会持续产生大量图像数据，对存储设备要求较高，增加了硬件成本。
发明内容
针对现有技术中采用视频监控所存在的技术问题，本发明提供了一种铁轨异物检测方法，具有检测全面，入侵事件可以得到及时有效处理、图像处理外界环境影响小、探测距离长、成本低的优点。
本发明的技术方案是：
一种铁轨异物检测方法，包括：
铁轨障碍物检测：读取监测区域，检测铁轨连续性、异常边缘、方差和相关性、光流场异常点，将检测得到的数据进行融合，得出铁轨障碍物尺寸和距离估计；
行人检测：收集各种场景下的行人图像并进行学习，拾取铁轨线上监测区域的图像进行分析，并得出结果；
接触网检测：确定接触线位置，判定接触线上是否具有障碍物；
数据融合：融合所述障碍物检测、行人检测和接触网检测得到的结果并进行判定，若判定所述铁轨障碍物检测、所述行人检测和所述接触网检测中任意一项的结果为是，则发出警报。
可选地，所述铁轨障碍物检测包括以下步骤：
S11、铁轨连续性检测：读取检测区域，并从取检测区域内铁轨线的近点开始跟踪边界，检查铁轨线上是否存在断口，若在到达轨道尽头之前，存在断口，则轨道的连续性被破坏。
S12、异常边缘检测：分析检测区域图像中的边缘信息，减去铁轨和枕木边缘，在剩下的图像中搜索长边缘，并将长边缘用聚类算法聚集成边缘簇，边缘簇投影到3D空间中，若边缘簇分布面积大于阈值，则判定存在障碍物；
S13、方差和相关性检测：将铁轨线划分为若干矩形区域，计算矩形区域内的灰度方差，比较相邻两个矩形区域的灰度方差，若方差的差值大于阈值，则判定存在障碍物；
S14、光流场异常点检测：在铁轨线上选取若干光流场点，从向量场中减去列车本身运动造成的速度分量后，若向量场处于非均匀一致的状态，则轨道上具有运动物体。
可选地，所述行人检测包括以下步骤：
S21、收集行人数据：采集各种气象条件、各种场景及各种姿势的行人图像，从图像中抠出行人并规范化尺寸，得到正样本集，从无人图像中随机采样形成负样本集；
S22、学习支持向量机分类器：学习大量的标定样本集后，得到一个分类器；
S23、生成目标监视区域：沿铁轨线连续设置若干具有重叠区域的矩形区域，矩形区域内的子图像为监视区域，通过下采样子图像检测行人；
S24、计算剃度图形：对子图像进行卷积，得到梯度的幅值和方向；
S25、计算梯度方向直方图；
S26、正规化直方图；
S27、线性SVM分类：将子图像中的特征向量输入向量机分类器，计算特征向量与分隔超平面的距离，若距离为负数，表示检测样本非行人，若距离为正数，表示检测样本为行人。
可选地，所述行人检测还包括以下步骤：
S28、非最大值抑制：分类器处理不同位置、不同尺度的监视区域，对检测结果相近的目标认定为同一目标，同一目标输出一个检测结果。
可选地，所述接触网检测包括以下步骤：
S31、确定接触线；
S32、判定障碍物：接触线下面附着的物体判别为障碍物。
可选地，步骤S32中，通过摄像机拍摄接触线，并通过立体视觉的支持，推导可疑障碍物的高度，辨别障碍物的真伪。
可选地，在所述铁轨障碍物检测中采用卡尔曼滤波数据关联算法，通过滤波器估计每个物体的位置、速度和加速度，将检测的数据进行融合。
可选地，在所述行人检测中，通过非制冷红外视频采集设备和可见光视频采集设备获取图像，使用多光谱图像融合技术获得对景物更全面、清晰的行人图像。
可选地，采用双线形滤波算法识别和提取铁轨障碍物、行人、接触网障碍物的图像信息。
可选地，采用宽动态算法对图像信息中的曝光区域和欠曝光区域的像素值进行重新调整。
与现有技术相比，本发明的有益效果是：
1、本发明集成多种图像识别算法，能够确保在较大视野范围内进行监测，并具有较高的异物识别率，使入侵事件可以得到及时有效的处理，避免事故的发生。
2、本发明通过非制冷红外视频采集设备和可见光视频采集设备获取图像，由于红外图像和可见光图像之间具有互补性，利用非制冷红外视频采集设备在云雾等气象条件下穿透能力强的优势，通过多光谱融合技术对铁轨异物入侵进行全天候检测，减少恶劣天气和眩光对检测的干扰及影响，确保了视频检测算法检测结果的准确性。
3、本发明采用近端铁轨模式算法对近端铁轨进行模式匹配检测定位，实现近端铁轨信息的准确识别。
4、红外图像有其固有的特征，同时由于实际条件的限制或要求，必须结合红外图像的特点进行压缩以及硬件实现。本发明采用h.264视频压缩技术对红外图像进行高效的无损压缩，将码率控制在16kbit/s～20Mbit/s，降低了图像数据的容量，从而降低了存储设备的成本。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，描述被认为本质上是示例性的而非限制性的。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
实施例：
一种铁轨异物检测方法，包括铁轨障碍物检测、行人检测、接触网检测和数据融合。并按以下逻辑进行：
A、获取原始数据：通过内部通讯协议，从远焦和近焦红外相机获取原始数据帧，并进行数据级融合。
B、铁轨检测跟踪：检测和跟踪列车所在的轨道，由此计算出铁轨障碍物、行人和接触网障碍物的检测区域。
C、摄像机标定：获取红外相机的内参矩阵和畸变系数，用于不同场景的数据级融合，铁轨模式库计算，以及透视畸变校正。
D、铁轨障碍物检测。在定义的监测区域检测静态的、动态的、横跨铁轨的、轨道中央的障碍物，给出障碍物的尺寸和距离估计。
E、行人检测。在定义的监测区域检测行人，给出行人的尺寸和距离估计。
F、接触网障碍物检测。在定义的监测区域检测接触线及其邻近的障碍物，给出障碍物的尺寸和距离估计。
具体的：
铁轨障碍物检测：首先读取监测区域，通过铁轨连续性检测、异常边缘检测、方差和相关性检测、光流场异常点检测，并将检测的数据进行融合，得出铁轨障碍物尺寸和距离估计。
行人检测：收集各种场景下的行人图像并进行学习，拾取铁轨线上监测区域的图像进行分析，并得出结果。
接触网检测：确定接触线位置，判定接触线上是否具有障碍物。
数据融合：融合所述障碍物检测、行人检测和接触网检测得到的结果并进行判定，若判定所述铁轨障碍物检测、所述行人检测和所述接触网检测中任意一项的结果为是，则发出警报。
其中，铁轨障碍物检测包括以下步骤：
S11、铁轨连续性检测：读取检测区域，当完成跟踪检测铁轨线后，从铁轨线的最近点开始跟踪铁轨线的边界，跟踪条件为邻接且梯度方向平滑变化，检查铁轨线上是否存在断口，若在到达轨道尽头之前，标准化值超过设定的阈值，则存在断口，轨道的连续性被破坏。
S12、异常边缘检测：分析检测区域图像中的边缘信息，在边缘信息中减去铁轨和枕木边缘，在剩下的图像中搜索长边缘，并将长边缘用聚类算法聚集成边缘簇，边缘簇投影到3D空间中，若边缘簇分布面积大于阈值，则判定存在障碍物。
S13、方差和相关性检测：铁轨轨道本身具有相似的外观和灰度分布，铁轨线上的异物会破坏轨道本身的外观和灰度分布，将铁轨线划分为若干矩形区域，计算矩形区域内的灰度方差，比较相邻两个矩形区域的灰度方差，若方差的差值大于阈值，则判定存在异物或障碍物。
S14、光流场异常点检测：用于估计光流场的点可以是均匀网格点，也可以采用Shi-Tomasi等角点检测算子获取。在铁轨线上选取若干光流场点，从向量场中减去列车本身运动造成的速度分量后，向量场应当趋近于零，若向量场处于非均匀一致的状态，即不是趋近于零，则轨道上具有运动物体。对具有相似方向和大小向量进行聚类，得到的类簇对应上述的运动物体。
在铁轨障碍物检测中，采用卡尔曼滤波数据关联算法，滤波器估计每个物体的位置、速度和加速度。卡尔曼滤波器从线性系统假设出发，系统的观测是隐状态的线性方程，系统和观测的噪声都是高斯白噪声。卡尔曼滤波器提供了最小二乘的系统行为的最佳估计，模型和观测估计具有最小方差。
上述行人检测包括以下步骤：
S21、收集行人数据：采集各种气象条件、各种场景及各种姿势的行人图像，从图像中抠出行人并规范化尺寸，得到正样本集，从无人图像中随机采样形成负样本集。
S22、学习支持向量机分类器：学习大量的标定样本集后，得到一个分类器；
给定已经标注的行人样本集，训练支持向量机得到一个模型，模型将所有样本进行分类，不同类的样本被尽可能大的间隔分开，学习得到的就是这个分割超平面参数。
通过拉格朗日乘子及拉格朗日对偶性将学习过程转换为凸二次规划问题，可采用序列最小最优化（SMO）等方法求解。
S23、生成目标监视区域：沿铁轨线连续设置若干具有重叠区域的矩形区域，矩形区域内的子图像为监视区域，通过下采样子图像检测行人；
沿着铁轨线连续设置若干个具有部分区域重叠的矩形区域，其中重叠区域小于矩形区域的三分之一，矩形区域内的子图像就是目标监视区域。子图像的宽度为目标监视区域在矩形区域坐标系下的宽度，高度设定为行人在矩形图像坐标系下的高度。
对于比较高的行人，通过下采样子图像检测，子图像下采样的底限为子图像高度等于规范化行人检测窗口高度。由于存在透视畸变，所以设定的监视区域由近至远，尺寸应逐步递减。规范化的行人检测窗大小为32×64，如果较高的行人在图像坐标系下的高度已经低于64，那么相应距离以外的轨道线不需要再进行检测。
S24、计算剃度图形：利用行sobel算子和列sobel算子对图像进行行卷积和列卷积，得到梯度的幅值和方向。
S25、计算梯度方向直方图：梯度方向直方图提供对物体形状的描述。设定梯度方向角取值范围为[0，180]，将其离散化为9个区间，设定8×8的胞，利用胞内每个像素的梯度幅值对方向直方图进行权重投影，则每个胞就生成了一个9维特征向量。
S26、正规化直方图：由于多种因素（如气象条件、物体材质等）会影响图像梯度，为了得到与这些因素无关的直方图，对其进行正规化处理。
设定一个块包含2×2的胞，在16×16的块内进行直方图正规化，得到一个36维的归一化特征向量。设定检测区域大小为32×64，连接区域内所有块的特征向量，形成最终的756 维特征向量。
S27、线性SVM分类：将子图像中的特征向量输入向量机分类器，计算特征向量与分隔超平面的距离，若距离为负数，表示检测样本非行人，若距离为正数，表示检测样本为行人。
距离为负数，表示检测样本为非行人，负数结果的绝对值越大，结果的置信度越高。距离为正数，表示检测样本是行人，正数结果越大，结果的置信度越高。
S28、非最大值抑制：分类器处理不同位置、不同尺度的监视区域，对检测结果相近的目标认定为同一目标，同一目标输出一个检测结果。
分类器处理不同位置、不同尺度的监视区域，对同一目标得到相近的检测结果，即相近的位置和缩放系数，需要融合检测结果，对同一目标只输出一个检测结果。采用表示位置、尺度的3D空间中的均值偏移算法实现检测结果的非最大值抑制。
接触网检测包括以下步骤：
S31、确定接触线：接触线位于列车正上方，所有接触线的悬挂点大致位于和地面平行的平面上。接触线的支架上有若干处于水平方向的杆状构件，检测所欲水平的杆状构件可以辅助稳定地检测接触线。
将轨道线正上方的区域作为检测区域，沿着杆状构件的水平方向作灰度投影，投影的曲线上对应于杆状构件的位置具有明显的楔形波谷，在曲线上楔形波谷对应的行上提取水平杆状构件的投影，由离散数据的局部极小值定位算法获取所有楔形波谷的位置。
在准确定位水平构件投影的基础上，检测悬挂于水平构件上的定位器，接触线可直接近似为相邻定位器端点之间的连线。
利用定位器和水平构件之间的连接结构具有一致形状的特征，采用模板匹配定位。事先生成不同尺度和不同方向的匹配模板，然后沿着水平构件滑动。匹配分数足够高的检测区域，为定位器和水平构件的连接区域。
然后从连接区域开始搜索完整的定位器，对于其中一个悬挂点不在图像中的接触线，由可视的那个悬挂点沿接触线方向的射线近似。
S32、判定障碍物：确定接触线的位置后，若接触线下面附着有物体，则判别为障碍物。以摄像机角度的视线角度，具有较多的铁路基础设施部件也处于接触线下面，因此容易被误判为障碍物，此时通过立体视觉的支持，推导出可疑障碍物的高度，从而判别障碍物真伪的。
在本发明中，采用多光谱融合技术获取轨道线图像信息和接触网图像信息。
多光谱图像融合是指：将从多光谱探测器获得的同一场景的多谱图像的信息特征组合到一起，利用它们在时空上的相关性及信息上的互补性，得到对景物更全面、清晰的描述。
如，红外图像和可见光图像之间具有互补性。对人眼来说，可见光具有丰富的细节和敏锐的色感，但它在恶劣的气候下对大气的穿透能力较差，在夜间的成像能力较差；而红外光（IR）正好相反，它在云雾等气象条件下穿透能力相当强，在夜间由于不同景物之间存在着温度差，因此所成的图像仍能显示景物的轮廓。
本发明中的图像处理包括采用近端铁轨模式算法、障碍物聚类算法、支持向量机算法、双线形滤波算法、宽动态算法和自动控制、图像压缩存储。其中，
近端铁轨模式算法是指：场景近端的铁轨线方向变化幅度较小，可采用模式匹配检测定位。根据相机成像模型，计算近端铁轨线可能的形状，由像元大小和镜头焦距计算出水平和垂直视场角。再辅以摄像机安装高度和标准的轨距，计算出场景的最近距离和最近处的宽度，场景的最远距离和最远处的宽度，然后计算出一段铁轨线呈现在图像中时的几何参数。通过Canny算子获取场景主要的边缘。反转边缘图并进行距离变换，变换结果用于二值模式匹配。将库中所有的模式投影到距离图上，并计算Chamfer匹配分数。如果最高的Chamfer匹配分数超过设定的阈值，就将对应的模式作为与铁轨近端最接近的模式。
障碍物聚类算法是指：在边缘图像中减去铁轨和枕木边缘，在剩下的边缘中搜索长边缘，并将长边缘用聚类算法聚集成簇。聚类算法赋予隶属于同一物体的边缘点相同的ID，如果边缘簇投影到在3D空间中后分布面大，那么该簇可能源于障碍物。另外，轨道线上的异物会破坏外观和灰度分布的相似性，为了消除透视扭曲的影响，将检测到的铁轨线投影到鸟瞰图上，并沿投影后的轨道线连续设置矩形区域，计算矩形区域的灰度方差。比较相邻矩形区域的灰度方差，如果方差相差较大，则可能检测到异物。
支持向量机算法是指：采集各种气象条件、各种场景以及各种姿势的行人图像，从图像中抠出行人并规范化尺寸得到正样本集，从无人的图像中随机采样形成负样本集。给定已标注的行人训练样本集，训练支持向量机得到一个模型。模型将每一个样本分配到其中一类，不同的类的样本被尽可能大的间隔分开，学习得到的就是这个分割超平面参数。通过拉格朗日乘子及拉格朗日对偶性将学习过程转换为凸二次规划问题，可采用序列最小最优化（SMO）等方法求解。
双线形滤波算法是指：普通滤波在滤掉噪音时会模糊图像，双线形滤波由于滤波参数考虑了图像内容，能够滤掉图像噪音还能很好保护图像边界。
宽动态算法是指：图像传感器摄像机在采集一幅图像的过程中只对整个图像采样一次，必然会出现对整个图像中明亮的区域过度曝光，或较暗的区域欠曝光的现象，宽动态算法对像素值进行重新调整，使图像场景中特别亮的部位和特别暗的部位都能看得特别清楚，便于对铁轨入侵异物信息进行准确识别。
自动控制、图像压缩存储技是指：非制冷红外热像仪输出的数字图像为320×240像素，256级灰度，帧频为25f/s，输出的数据流速率为15.36Mb/s，不对这些数据进行压缩，将给红外图像的存储、处理和传输造成巨大困难。
红外图像有其固有的特征，通用的压缩方法对于红外图像不是最合适的选择。同时由于实际条件的限制或要求，必须结合红外图像的特点进行压缩以及硬件实现。
实际的红外图像包含许多噪声和干扰，且目标和背景表面的温度辐射特性也十分复杂，但是其像素灰度在二维空间上存在着相关性。实际红外图像的脉冲干扰和噪声的特性是与邻域灰度差很大，并且脉冲噪声和干扰在二维空间上灰度差的符号相反，而目标和背景在水平或垂直方向上的灰度差较小。在经过滤波处理后的红外图像中，主要就是包含目标和背景两部分，并且背景占据了图像的大部分，而目标才是一般应用中最希望得到的数据。
为此，本发明采用h.264视频压缩技术对红外图像进行高效的无损压缩，支持分辨率CIF,D1,HP压缩,支持PAL,NTSC制式；CBR/VBR码率控制，16kbit/s～20Mbit/s；支持BT.656YCrCb4:2:2接口，8bit，27/54/108MHz。
本发明通过上述方法探测距离可以达到2.5km，满足各种天气气候（如黑夜、雾霾等气候状态），对尺寸大于0.3m*0.3m*0.3m的异物入侵的探测准确率在95%以上。本发明还能自动跟踪铁轨线弯道。
本发明具有以下优点：
1、本发明集成多种图像识别算法，能够确保在较大视野范围内进行监测，并具有较高的异物识别率，使入侵事件可以得到及时有效的处理，避免事故的发生。
2、本发明通过非制冷红外视频采集设备和可见光视频采集设备获取图像，由于红外图像和可见光图像之间具有互补性，利用非制冷红外视频采集设备在云雾等气象条件下穿透能力强的优势，通过多光谱融合技术对铁轨异物入侵进行全天候检测，减少恶劣天气和眩光对检测的干扰及影响，确保了视频检测算法检测结果的准确性。
3、本发明采用近端铁轨模式算法对近端铁轨进行模式匹配检测定位，实现近端铁轨信息的准确识别。
4、红外图像有其固有的特征，同时由于实际条件的限制或要求，必须结合红外图像的特点进行压缩以及硬件实现。本发明采用h.264视频压缩技术对红外图像进行高效的无损压缩，将码率控制在16kbit/s～20Mbit/s，降低了图像数据的容量，从而降低了存储设备的成本。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种铁轨异物检测方法，其特征在于，包括：
铁轨障碍物检测：读取监测区域，检测铁轨连续性、异常边缘、方差和相关性、光流场异常点，将检测得到的数据进行融合，得出铁轨障碍物尺寸和距离估计；
行人检测：收集各种场景下的行人图像并进行学习，拾取铁轨线上监测区域的图像进行分析，并得出结果；
接触网检测：确定接触线位置，判定接触线上是否具有障碍物；
数据融合：融合所述障碍物检测、行人检测和接触网检测得到的结果并进行判定，若判定所述铁轨障碍物检测、所述行人检测和所述接触网检测中任意一项的结果为是，则发出警报。
2.根据权利要求1所述的铁轨异物检测方法，其特征在于，所述铁轨障碍物检测包括以下步骤：
S11、铁轨连续性检测：读取检测区域，并从取检测区域内铁轨线的近点开始跟踪边界，检查铁轨线上是否存在断口，若在到达轨道尽头之前，存在断口，则轨道的连续性被破坏；
S12、异常边缘检测：分析检测区域图像中的边缘信息，减去铁轨和枕木边缘，在剩下的图像中搜索长边缘，并将长边缘用聚类算法聚集成边缘簇，边缘簇投影到3D空间中，若边缘簇分布面积大于阈值，则判定存在障碍物；
S13、方差和相关性检测：将铁轨线划分为若干矩形区域，计算矩形区域内的灰度方差，比较相邻两个矩形区域的灰度方差，若方差的差值大于阈值，则判定存在障碍物；
S14、光流场异常点检测：在铁轨线上选取若干光流场点，从向量场中减去列车本身运动造成的速度分量后，若向量场处于非均匀一致的状态，则轨道上具有运动物体。
3.根据权利要求1所述的铁轨异物检测方法，其特征在于，所述行人检测包括以下步骤：
S21、收集行人数据：采集各种气象条件、各种场景及各种姿势的行人图像，从图像中抠出行人并规范化尺寸，得到正样本集，从无人图像中随机采样形成负样本集；
S22、学习支持向量机分类器：学习大量的标定样本集后，得到一个分类器；
S23、生成目标监视区域：沿铁轨线连续设置若干具有重叠区域的矩形区域，矩形区域内的子图像为监视区域，通过下采样子图像检测行人；
S24、计算剃度图形：对子图像进行卷积，得到梯度的幅值和方向；
S25、计算梯度方向直方图；
S26、正规化直方图；
S27、线性SVM分类：将子图像中的特征向量输入向量机分类器，计算特征向量与分隔超平面的距离，若距离为负数，表示检测样本非行人，若距离为正数，表示检测样本为行人。
4.根据权利要求3所述的铁轨异物检测方法，其特征在于，所述行人检测还包括以下步骤：
S28、非最大值抑制：分类器处理不同位置、不同尺度的监视区域，对检测结果相近的目标认定为同一目标，同一目标输出一个检测结果。
5.根据权利要求1所述的铁轨异物检测方法，其特征在于，所述接触网检测包括以下步骤：
S31、确定接触线；
S32、判定障碍物：接触线下面附着的物体判别为障碍物。
6.根据权利要求5所述的铁轨异物检测方法，其特征在于，
步骤S32中，通过摄像机拍摄接触线，并通过立体视觉的支持，推导可疑障碍物的高度，辨别障碍物的真伪。
7.根据权利要求1所述的铁轨异物检测方法，其特征在于，
在所述铁轨障碍物检测中采用卡尔曼滤波数据关联算法，通过滤波器估计每个物体的位置、速度和加速度，将检测的数据进行融合。
8.根据权利要求1所述的铁轨异物检测方法，其特征在于，
在所述行人检测中，通过非制冷红外视频采集设备和可见光视频采集设备获取图像，使用多光谱图像融合技术获得对景物更全面、清晰的行人图像。
9.根据权利要求1所述的铁轨异物检测方法，其特征在于，
采用双线形滤波算法识别和提取铁轨障碍物、行人、接触网障碍物的图像信息。
10.根据权利要求1所述的铁轨异物检测方法，其特征在于，
采用宽动态算法对图像信息中的曝光区域和欠曝光区域的像素值进行重新调整。
CN202211053889.0A 2022-08-31 2022-08-31 一种铁轨异物检测方法 Pending CN115546738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211053889.0A CN115546738A (zh) 2022-08-31 2022-08-31 一种铁轨异物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211053889.0A CN115546738A (zh) 2022-08-31 2022-08-31 一种铁轨异物检测方法

Publications (1)

Publication Number Publication Date
CN115546738A true CN115546738A (zh) 2022-12-30

Family

ID=84726397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211053889.0A Pending CN115546738A (zh) 2022-08-31 2022-08-31 一种铁轨异物检测方法

Country Status (1)

Country Link
CN (1) CN115546738A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912186A (zh) * 2023-07-05 2023-10-20 山东能源集团鲁西矿业有限公司 一种用于铁矿石皮带运输过程中铁质异物的排检方法
CN117726670A (zh) * 2024-02-18 2024-03-19 中国民用航空总局第二研究所 一种机场跑道污染物覆盖面积评估方法、系统及智能终端

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912186A (zh) * 2023-07-05 2023-10-20 山东能源集团鲁西矿业有限公司 一种用于铁矿石皮带运输过程中铁质异物的排检方法
CN117726670A (zh) * 2024-02-18 2024-03-19 中国民用航空总局第二研究所 一种机场跑道污染物覆盖面积评估方法、系统及智能终端
CN117726670B (zh) * 2024-02-18 2024-05-07 中国民用航空总局第二研究所 一种机场跑道污染物覆盖面积评估方法、系统及智能终端

Similar Documents

Publication Publication Date Title
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测系统及方法
KR101647370B1 (ko) 카메라 및 레이더를 이용한 교통정보 관리시스템
CN115546738A (zh) 一种铁轨异物检测方法
US10127448B2 (en) Method and system for dismount detection in low-resolution UAV imagery
US20160026865A1 (en) Vision-based system for dynamic weather detection
CN110853295A (zh) 一种高空抛物预警方法和装置
KR101709751B1 (ko) 해변의 입수자에 대한 자동 위험 감시 시스템
KR101478258B1 (ko) 차선 인식 방법 및 그 시스템
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
JP2010539740A (ja) 滑走路監視システムおよび方法
KR101561626B1 (ko) 주행차량의 번호판 인식이 실시간으로 가능한 차량용 블랙박스
CN112200841B (zh) 一种基于行人体态的跨域多摄像头跟踪方法和装置
CN111753651A (zh) 一种基于车站二维人群密度分析的地铁群体异常行为检测方法
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
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
Chang et al. Cloud tracking for solar irradiance prediction
Kapoor et al. Deep learning based object and railway track recognition using train mounted thermal imaging system
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
Shafie et al. Smart video surveillance system for vehicle detection and traffic flow control
US10614323B2 (en) Scene analysis method and visual navigation device
WO2022104798A1 (zh) 基于5g的无人驾驶电子交警执勤系统
Panchenko et al. Improvement of the accuracy of determining movement parameters of cuts on classification humps by methods of video analysis
US20220366570A1 (en) Object tracking device and object tracking method
KR20200056879A (ko) 전차 선로의 조류 둥지 자동 검출 장치 및 방법
CN106340031A (zh) 一种检测运动物体的方法和装置

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